[发明专利]用于测试电池充电状态的装置和方法

说明书

技术领域

本发明是有关于估计电池充电状态(SOC)的装置和方法；且特别涉及使用融合型软计算来估计电池的SOC的装置和方法。

背景技术

一般说来，电池的充电状态(SOC)有着非线性的特性。因此，在实践中要精确地检测电池的充电状态是困难的。结果，电池SOC的检测取决于其估计方法。

传统估计电池SOC的方法的例子包含有安培-小时(Ah)计算法、开路电压(OVC)测量法、电池阻抗测量法，等等。

Ah计算法是通过检测电池的实际容量来检测电池充电状态。然而，检测实际容量传感器的误差或精确度大大影响了安培-小时计算法，从而有较大的误差。

OCV测量法读取空闲状态下的电池的开路电压，并根据开路电压估测SOC。此方法的问题为其仅能被用在空闲状态，且其很大程度上会受到外在因素如温度的影响。

电池阻抗测量法是根据电池的阻抗测量值来估计电池的SOC。此方法的问题是其很大程度地受到了温度的影响，因而降低其估计值的精确度。

使用于低C速率环境中的手机、笔记型计算机等，鉴于其特性，不需对电池SOC作精确检测。对于这些产品，容易以Ah计算法、OVC测量法等来估计电池SOC。在此处，术语C速率是指瞬间输出的尖峰电流的振幅。

然而，对于使用于高C速率环境中的混合动力车(HEV)，电动车(EV)等，在电池SOC非线性的程度被提高时，其需要电池充电状态的精确信息，如同一般车辆需要油料存量的精确信息一样。因此，以传统估计电池充电状态方法来估计这些产品的电池充电状态是有困难的。

发明内容

本发明的一个目的是提供装置和方法以估计电池的充电状态(SOC)，其中电池充电状态的估计是使用融合型软计算算法，由此在高C速率的环境中精确地估计电池充电状态。

根据本发明的一方面，提供装置以估计电池充电状态(SOC)。装置包括检测器单元以检测电池单元的电流、电压及温度；以及软计算单元，用于输出电池充电状态的估计值，其是使用基于神经网络算法的径向函数(radial function)来处理由检测器单元所检测的电流、电压和温度的电池充电状态的估计值。

更进一步，软计算单元可以将神经网络算法和模糊算法、遗传算法(GA)、细胞自动机算法(CA)、免疫系统算法、和粗糙集算法的任意一个相结合，且因此可适当地更新神经网络算法的参数值。

附图说明

图1是本发明较佳实施例的用于估计电池充电状态(SOC)的装置的方块图。

图2是举例说明图1的软计算单元中模糊神经网络的建构。

图3是本发明较佳实施例的估计电池充电状态的方法的流程图。

具体实施方式

此处将详细介绍本发明的实施例。

图1是依照本发明实施例的估计电池充电状态(SOC)的装置的方块图。请参照图1，SOC估计装置包括电池单元10、检测单元11、软计算单元20、充电放电器30、以及比较器40。

检测单元11包括电流检测器12、电压检测器14、及温度检测器16。电流检测器12在时间点k时检测来自电池单元10的电流i。电压检测器14在时间点k时检测来自电池单元10的电压v。温度检测器16在时间点k时检测来自电池单元10的温度T。

软计算一般是被称作为以工程模型大脑信息传输、推理、学习、遗传、及生物免疫系统的函数近似器；且在工业上是被广泛地使用于控制和辨识领域。在此，辨识是指获得系统输入/输出的特征。

软计算算法是为在虽然其精确的信息及方法尚为未知而自我构图参数仅有输出/输入信息时，亦可辨识及控制特定系统的算法。

然而，问题是各个软计算技术都涉及到不同的缺点。换言之，使用任一软计算技术的电池充电状态估计仅能在一个环境相对精确，而另一特定环境则不然。

为了解决上述问题并使函数的近似更为精确，软计算单元20采用融合型软计算来估计电池充电状态。

软计算单元20使用的融合型软计算算法是这样一种算法，所述算法是相互以融合类型而结合而成的且服从生物动机(bio-motive)，其中所述多个算是可以通过进行适应性的更新参数而自我组织。此处，生物动机是指模仿生物信息文字(literacy)的应用。