ES3055475T3 - Electric vehicle - Google Patents

Electric vehicle

Info

Publication number
ES3055475T3
ES3055475T3 ES24190197T ES24190197T ES3055475T3 ES 3055475 T3 ES3055475 T3 ES 3055475T3 ES 24190197 T ES24190197 T ES 24190197T ES 24190197 T ES24190197 T ES 24190197T ES 3055475 T3 ES3055475 T3 ES 3055475T3
Authority
ES
Spain
Prior art keywords
battery
electric vehicle
charging
characteristic information
cumulative
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES24190197T
Other languages
English (en)
Inventor
Dong-Myung Kim
Hyung-Sik Kim
Hyoung Jun Ahn
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
LG Energy Solution Ltd
Original Assignee
LG Energy Solution Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020210037625A external-priority patent/KR102627949B1/ko
Application filed by LG Energy Solution Ltd filed Critical LG Energy Solution Ltd
Application granted granted Critical
Publication of ES3055475T3 publication Critical patent/ES3055475T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/30—Constructional details of charging stations
    • B60L53/305—Communication interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/65—Monitoring or controlling charging stations involving identification of vehicles or their battery types
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/68—Off-site monitoring or control, e.g. remote control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/12—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/549—Current
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/62—Vehicle position
    • B60L2240/622—Vehicle position by satellite navigation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/66—Ambient conditions
    • B60L2240/662—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/70—Interactions with external data bases, e.g. traffic centres
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/14—Details associated with the interoperability, e.g. vehicle recognition, authentication, identification or billing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Water Supply & Treatment (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Secondary Cells (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

Se describe un sistema y un método de gestión del rendimiento de baterías que utiliza una estación de carga de vehículos eléctricos. El servidor de gestión del rendimiento de baterías recopila información de evaluación del rendimiento de la batería, incluyendo información de identificación y datos acumulativos de las características de funcionamiento, de conducción y de carga del vehículo eléctrico, procedente de varias estaciones de carga a través de una red. Además, el servidor determina el SOH actual correspondiente a la información recopilada mediante un modelo de inteligencia artificial entrenado previamente para recibir dicha información y generar el SOH. Asimismo, el servidor determina el factor de control más reciente correspondiente al SOH actual y lo transmite a la estación de carga a través de la red para que esta lo transmita al sistema de control del vehículo eléctrico y lo actualice. (Traducción automática con Google Translate, sin valor legal)

Description

[0001] DESCRIPCIÓN
[0002] Vehículo eléctrico
[0003] Campo técnico
[0004] La presente divulgación se refiere en general a un sistema y método de gestión de rendimiento de batería, y más particularmente, a un sistema en el que, mientras se está cargando un vehículo eléctrico en una estación de carga de vehículo eléctrico, un servidor remoto puede recopilar información de evaluación de rendimiento de batería y almacenarla en una base de datos, determinar un nivel de degradación (estado de salud) de una batería usando un modelo de inteligencia artificial entrenado usando grandes cantidades de datos, y actualizar un factor de control usado para controlar la carga/descarga de la batería, y un método del mismo. La invención según se reivindica se refiere específicamente a un vehículo eléctrico.
[0005] La presente solicitud reivindica prioridad a la solicitud de patente coreana n.° 10-2020-0035892 presentada el 24 de marzo de 2020 y a la solicitud de patente coreana n.° 10-2021-0037625 presentada el 23 de marzo de 2021 en la República de Corea.
[0006] Antecedentes de la técnica
[0007] El uso de baterías se está extendiendo rápidamente no solo a dispositivos móviles tales como teléfonos celulares, ordenadores portátiles, teléfonos inteligentes y tabletas inteligentes, sino también a vehículos eléctricos (EV, HEV, PHEV) y sistemas de almacenamiento de energía de gran capacidad (ESS).
[0008] En el caso de una batería de un vehículo eléctrico, la velocidad de degradación de rendimiento cambia dependiendo de los hábitos de conducción de un conductor o entornos de conducción. Por ejemplo, si el vehículo eléctrico se usa con aceleración rápida frecuente u opera en un área montañosa, un área desértica o un área fría, la batería del vehículo eléctrico tiene una velocidad de degradación relativamente rápida.
[0009] La degradación de rendimiento de batería se puede cuantificar como un factor denominado SOH (estado de salud). El SOH es un valor numérico que indica el rendimiento de una batería en un estado MOL (mitad de la vida útil) como una relación relativa basada en el rendimiento de batería en un estado BOL (comienzo de la vida útil).
[0010] Como indicadores que representan el rendimiento de batería, se usa la capacidad y la resistencia interna de la batería. A medida que aumentan los ciclos de carga/descarga de la batería, se reduce la capacidad de la batería y la resistencia interna aumenta. Por lo tanto, el SOH se puede cuantificar por la tasa de reducción de la capacidad de la batería o la tasa de aumento de la resistencia interna de la batería.
[0011] El SOH de la batería en un estado BOL se expresa como el 100 %, y el SOH de la batería en un estado MOL se expresa como un porcentaje inferior al 100 %. Si el SOH se reduce por debajo de un cierto nivel, el rendimiento de la batería se ha degradado más allá del límite, por lo que la batería necesita ser reemplazada.
[0012] La lógica de control de carga/descarga de la batería debe establecerse de manera diferente de acuerdo con el estado de degradación del rendimiento para retardar la velocidad de degradación de la batería tanto como sea posible y, por lo tanto, extender la vida útil. Para este fin, existe la necesidad de un método para monitorizar cambios de rendimiento para una pluralidad de baterías del mismo modelo de una manera centralizada y para actualizar de manera eficiente diversas lógicas de control usadas para cargar y descargar las baterías de vehículos eléctricos. Cada uno de los documentos KR20130082959 A y US2013/085696 A1 divulga un vehículo eléctrico, que comprende una batería; y un sistema de control para controlar la operación de carga/descarga de la batería y realizar operaciones de control de mecanismos mecánicos y/o electrónicos relacionados con la conducción del vehículo eléctrico, en donde el sistema de control está configurado para recopilar, durante la carga/descarga de la batería, información de característica de operación de la batería, que incluye al menos una seleccionada de tensión, corriente y temperatura de la batería, estimar un estado de carga - SOC - de la batería, y registrar la información de característica de operación recopilada de la batería, de acuerdo con el estado de la técnica.
[0013] Divulgación
[0014] Problema técnico
[0015] La presente divulgación está diseñada para resolver los problemas de la técnica relacionada y, por lo tanto, el objeto de la presente invención es proporcionar un vehículo eléctrico que puede recopilar de forma acumulativa información de evaluación de rendimiento de batería desde una estación de carga mientras se está cargando un vehículo eléctrico en la estación de carga de vehículo eléctrico, diagnosticar el rendimiento (por ejemplo, nivel de degradación) de la batería basándose en la gran cantidad de datos recopilados, y actualizar factores de control usados para controlar la carga/descarga de la batería de acuerdo con el rendimiento diagnosticado de una manera basada en plataforma. Este objeto se resuelve mediante la reivindicación independiente 1 dirigida a un vehículo eléctrico y se enumeran realizaciones y mejoras ventajosas de la invención en las reivindicaciones dependientes. En lo sucesivo en el presente documento, hasta la "DESCRIPCIÓN DE LOS DIBUJOS", se describen aspectos de soluciones técnicas que no se reivindican directamente pero que contribuyen a la comprensión de las características de la invención.
[0016] Solución técnica
[0017] En un aspecto de la presente divulgación, se proporciona un sistema de gestión derendimiento de bateríaque usa una estación de carga de vehículo eléctrico, que comprende: un servidor de gestión de rendimiento de batería conectado comunicativamente a través de una red a una pluralidad de estaciones de carga que se instalan para distribuirse en un área; y una base de datos conectada al servidor de gestión de rendimiento de batería y configurada para almacenar información de nivel de degradación de un vehículo eléctrico.
[0018] Preferiblemente, el servidor de gestión de rendimiento de batería se puede configurar para recopilar información de evaluación de rendimiento de batería que incluye información de identificación e información acumulativa de característica de operación de una batería, información de identificación e información acumulativa de característica de conducción de vehículo eléctrico y la última información de característica de carga de la batería desde el estación de carga a través de la red y almacenar la información de evaluación de rendimiento de batería en la base de datos, determinar un nivel de degradación actual correspondiente a la información de evaluación de rendimiento de batería recopilada utilizando un modelo de inteligencia artificial que se entrena de antemano para recibir la información de evaluación de rendimiento de batería y emitir un nivel de degradación de la batería, determinar un último factor de control correspondiente al nivel de degradación actual usando información de correlación entre el nivel de degradación y un factor de control usado para controlar la operación de batería con referencia a la base de datos si el nivel de degradación actual supera el nivel de degradación anterior en un valor de referencia o más, y transmitir el último factor de control a la estación de carga a través de la red de modo que la estación de carga transmita el último factor de control a un sistema de control del vehículo eléctrico para actualizar el factor de control.
[0019] De acuerdo con un aspecto, la información acumulativa de característica de operación de la batería puede incluir al menos uno seleccionado del grupo que consiste en tiempo de operación acumulativo en cada sección de tensión, tiempo de operación acumulativo en cada sección de corriente y tiempo de operación acumulativo en cada sección de temperatura.
[0020] De acuerdo con la invención, la información acumulativa de característica de conducción del vehículo eléctrico incluye al menos uno seleccionado del grupo que consiste en tiempo de conducción acumulativo en cada sección de velocidad, tiempo de conducción acumulativo en cada área de conducción y tiempo de conducción acumulativo en cada sección de humedad.
[0021] De acuerdo con otro aspecto más, la última información de característica de carga puede incluir al menos uno seleccionado del grupo que consiste en datos de SOC, tensión, corriente y temperatura de la batería medidos o estimados en una pluralidad de puntos de tiempo.
[0022] Preferiblemente, siempre que la información de evaluación de rendimiento de batería se reciba desde una pluralidad de estaciones de carga de vehículo eléctrico, cuando se determina que la última información de característica de carga incluye datos suficientes para determinar un nivel de degradación actual de la batería, el servidor de gestión de rendimiento de batería se puede configurar para determinar el nivel de degradación actual de la batería a partir de la última información de característica de carga, almacenar la información acumulativa de característica de operación de la batería, la información acumulativa de característica de conducción del vehículo eléctrico y la última información de característica de carga en la base de datos como datos de entrada de entrenamiento del modelo de inteligencia artificial, y almacenar el nivel de degradación actual de la batería en la base de datos como datos de salida de entrenamiento del modelo de inteligencia artificial.
[0023] Preferiblemente, el servidor de gestión de rendimiento de batería se puede configurar para entrenar repetidamente el modelo de inteligencia artificial siempre que datos de entrada de entrenamiento y datos de salida de entrenamiento sobre un valor de referencia se almacenen acumulativamente en la base de datos.
[0024] De acuerdo con un aspecto, el servidor de gestión de rendimiento de batería se puede configurar para almacenar los datos de entrada de entrenamiento y los datos de salida de entrenamiento en la base de datos para que coincidan con la información de identificación de la batería y/o la información de identificación del vehículo eléctrico y/o un área de conducción del vehículo eléctrico, y entrenar repetidamente el modelo de inteligencia artificial para que corresponda a la información de identificación de la batería y/o la información de identificación del vehículo eléctrico y/o el área de conducción del vehículo eléctrico siempre que entrene datos de entrada y entrene datos de salida sobre un valor de referencia que se almacenan acumulativamente para que coincidan con la información de identificación de la batería y/o la información de identificación del vehículo eléctrico y/o el área de conducción del vehículo eléctrico.
[0025] De acuerdo con otro aspecto, el servidor de gestión de rendimiento de batería se puede configurar para determinar un nivel de degradación de la batería analizando la información de evaluación de rendimiento de batería usando el modelo de inteligencia artificial entrenado para corresponder a la información de identificación de la batería y/o la información de identificación del vehículo eléctrico y/o el área de conducción del vehículo eléctrico.
[0026] En la presente divulgación, el servidor de gestión de rendimiento de batería se puede configurar para recibir un nivel de degradación de cada ciclo e información de evaluación de rendimiento de cada ciclo que incluye información acumulativa de característica de operación y última información de característica de carga medida cada vez que se realiza cada ciclo de carga/descarga para la batería desde el servidor de suministro de datos de batería a través de la red y almacenar los mismos en la base de datos.
[0027] En este caso, el servidor de gestión de rendimiento de batería puede incluir además un modelo de inteligencia artificial auxiliar entrenado para emitir un nivel de degradación a partir de la información acumulativa de característica de operación y la última información de característica de carga de la batería usando el nivel de degradación de cada ciclo y la información de evaluación de rendimiento de cada ciclo almacenada en la base de datos.
[0028] Preferiblemente, cuando el modelo de inteligencia artificial no está completamente entrenado, el servidor de gestión de rendimiento de batería se puede configurar para determinar un nivel de degradación de la batería introduciendo la información acumulativa de característica de operación y la última información de característica de carga de la batería incluida en la información de evaluación de rendimiento de batería en el modelo de inteligencia artificial auxiliar.
[0029] Además, el servidor de gestión de rendimiento de batería se puede configurar para determinar un nivel de degradación de la batería introduciendo la información acumulativa de característica de operación y la última información de característica de carga de la batería incluida en la información de evaluación de rendimiento de batería en el modelo de inteligencia artificial auxiliar, y determinar una media ponderada del nivel de degradación determinado por el modelo de inteligencia artificial y el nivel de degradación determinado por el modelo de inteligencia artificial auxiliar como el nivel de degradación de la batería.
[0030] Además, el servidor de gestión de rendimiento de batería se puede configurar para aumentar un peso conferido al nivel de degradación del modelo de inteligencia artificial al calcular la media ponderada a medida que aumenta una cantidad de entrenamiento del modelo de inteligencia artificial.
[0031] En una realización, el modelo de inteligencia artificial puede ser una red neuronal artificial.
[0032] En la presente divulgación, el factor de control puede incluir: al menos uno seleccionado de una magnitud de corriente de carga aplicada para cada sección de SOC, un valor de tensión de límite superior de carga, un valor de tensión de límite inferior de descarga, una corriente de carga máxima, una corriente de descarga máxima, una corriente de carga mínima, una corriente de descarga mínima, una temperatura máxima, una temperatura mínima, un mapa de potencia de cada SOC y un mapa de resistencia interna de cada SOC; al menos uno seleccionado a partir de un límite superior de una relación de trabajo de corriente de pulso (una relación de un periodo de mantenimiento de pulso a un periodo de descanso de pulso), un límite inferior de la relación de trabajo de corriente de pulso, un límite superior de una duración de corriente de pulso, un límite inferior de la duración de corriente de pulso, un valor máximo de la corriente de pulso y un valor mínimo de la corriente de pulso; o al menos uno seleccionado de una magnitud de corriente en un modo de carga de corriente constante (CC), una tensión de corte en la que finaliza el modo de carga de corriente constante (CC) y una magnitud de tensión en un modo de carga de tensión constante (CV).
[0033] En otra realización de la presente divulgación, el servidor de gestión de rendimiento de batería se puede configurar para transmitir una distancia de conducción del vehículo eléctrico, el nivel de degradación actual y la información de identificación del vehículo eléctrico a un servidor de compañía de seguros, y el servidor de compañía de seguros puede estar configurado para calcular una prima de seguro para el vehículo eléctrico correspondiente con referencia a la información de identificación del vehículo eléctrico usando el nivel de degradación actual y la distancia de conducción del vehículo eléctrico.
[0034] En otro aspecto de la presente divulgación, también se proporciona un método de gestión de rendimiento de batería que usa una estación de carga de vehículo eléctrico, que comprende: recopilar información de evaluación de rendimiento de batería que incluye información de identificación e información acumulativa de característica de operación de una batería, información de identificación e información acumulativa de característica de conducción de un vehículo eléctrico, y la última información de característica de carga de la batería desde una estación de carga a través de una red mientras el vehículo eléctrico se está cargando en la estación de carga y almacenar la información de evaluación de rendimiento de batería en una base de datos; determinar un nivel de degradación actual correspondiente a la información de evaluación de rendimiento de batería recopilada usando un modelo de inteligencia artificial que se entrena de antemano para recibir la información de evaluación de rendimiento de batería y emitir un nivel de degradación de la batería; determinar un último factor de control correspondiente al nivel de degradación actual usando información de correlación entre el nivel de degradación y un factor de control usado para controlar la operación de la batería si el nivel de degradación actual supera un nivel de degradación anterior en un valor de referencia o más; y transmitir el último factor de control a la estación de carga a través de la red de modo que la estación de carga transmita el último factor de control a un sistema de control del vehículo eléctrico para actualizar el factor de control.
[0035] El objeto técnico también se puede lograr mediante un dispositivo informático. El dispositivo informático puede comprender: un dispositivo de memoria no transitoria configurado para almacenar una pluralidad de órdenes ejecutivas de procesador; y un procesador configurado para ejecutar la pluralidad de órdenes ejecutivas de procesador. Ejecutando las órdenes ejecutivas de procesador, el procesador se puede configurar para:
[0036] (a) recibir información de evaluación de rendimiento de batería que incluye información de identificación e información acumulativa de característica de operación de una batería, información de identificación e información acumulativa de característica de conducción de un vehículo eléctrico, y la última información de característica de carga de la batería desde una estación de carga a través de una red, (b) entrenar un modelo de inteligencia artificial para emitir un nivel de degradación de la batería a partir de la información de evaluación de rendimiento de batería, (c) determinar un nivel de degradación actual correspondiente a la información de evaluación de rendimiento de batería recopilada usando el modelo de inteligencia artificial entrenado, (d) leer el nivel de degradación anterior de la batería a partir de una base de datos, (e) determinar un último factor de control correspondiente al nivel de degradación actual usando información de correlación entre el nivel de degradación y un factor de control usado para controlar la operación de batería si el nivel de degradación actual supera el nivel de degradación anterior por un valor de referencia o más, y (f) transmitir el último factor de control a la estación de carga a través de la red.
[0037] Efectos ventajosos
[0038] De acuerdo con la presente divulgación, dado que se usa un sistema de plataforma de inteligencia artificial basado en grandes cantidades de datos vinculado con una pluralidad de estaciones de carga para evaluar de manera confiable el rendimiento de la batería de acuerdo con el historial de conducción del vehículo eléctrico y el historial de operación de la batería y optimizar el factor de control usado para controlar la carga/descarga de la batería, es posible no solo ampliar la vida útil de la batería, sino también mejorar la seguridad.
[0039] Proporcionando un servicio de gestión de rendimiento de batería altamente fiable a un usuario de vehículo eléctrico, es posible inducir la sustitución de la batería en un punto de tiempo apropiado, así como mejorar la fiabilidad de un fabricante de baterías.
[0040] Al construir una base de datos basada en grandes cantidades de datos con la información de evaluación de rendimiento de batería que refleja la tendencia de conducción del usuario de vehículo eléctrico, la base de datos se puede usar como datos de cálculo de prima de seguro precisos para compañías de seguros de automóviles.
[0041] Descripción de los dibujos
[0042] Los dibujos adjuntos ilustran una realización preferida de la presente divulgación y, junto con la divulgación anterior, sirven para proporcionar una comprensión adicional de las características técnicas de la presente divulgación y, por lo tanto, la presente divulgación no se interpreta como limitada al dibujo.
[0043] La figura 1 es un diagrama de bloques que muestra una configuración de un sistema de gestión de rendimiento de batería que usa una estación de carga de vehículo eléctrico de acuerdo con una realización de la presente divulgación.
[0044] Las figuras 2 a 4 son gráficos que muestran a modo de ejemplo datos de distribución de frecuencia generados a partir de información acumulativa de característica de operación de una batería de vehículo eléctrico de acuerdo con una realización de la presente divulgación.
[0045] Las figuras 5 a 7 son gráficos que muestran a modo de ejemplo datos de distribución de frecuencia generados a partir de información acumulativa de característica de conducción de un vehículo eléctrico de acuerdo con una realización de la presente divulgación.
[0046] La figura 8 es un diagrama que muestra a modo de ejemplo una estructura de una red neuronal artificial de acuerdo con una realización de la presente divulgación.
[0047] La figura 9 es un diagrama que muestra a modo de ejemplo una estructura de una red neuronal artificial de acuerdo con una realización de la presente divulgación.
[0048] Las figuras 10 a 11 son diagramas de flujo para ilustrar un método de gestión de rendimiento de batería usando la estación de carga de vehículo eléctrico de acuerdo con una realización de la presente divulgación.
[0049] Mejor modo
[0050] En lo sucesivo en el presente documento, se describirán en detalle las realizaciones preferidas de la presente divulgación con referencia a los dibujos adjuntos. Antes de la descripción, debe entenderse que los términos usados en la memoria descriptiva y las reivindicaciones adjuntas no deben interpretarse como limitados a significados generales y de diccionario, sino que deben interpretarse basándose en los significados y conceptos correspondientes a aspectos técnicos de la presente divulgación basándose en el principio de que el inventor puede definir términos apropiadamente para la mejor explicación. Por lo tanto, la descripción propuesta en el presente documento es solo un ejemplo preferible solo con fines ilustrativos, sin pretender limitar el alcance de la divulgación, por lo que debe entenderse que se podrían realizar otros equivalentes y modificaciones a la misma sin apartarse del alcance de la divulgación.
[0051] La figura 1 es un diagrama de bloques que muestra una configuración de un sistema de gestión de rendimiento de batería que usa una estación de carga de vehículo eléctrico de acuerdo con una realización de la presente divulgación.
[0052] Haciendo referencia a la figura 1, un sistema de gestión de rendimiento de batería 10 de acuerdo con una realización de la presente divulgación incluye una pluralidad de estaciones de carga EVC<k>y un servidor de gestión de rendimiento de batería 11. k es un índice para indicar que un objeto indicado por un signo de referencia es una pluralidad de objetos. Si las estaciones de carga EVC<k>se instalan en 10.000 sitios, k es de 1 a 10.000.
[0053] Preferiblemente, la estación de carga EVC<k>y el servidor de gestión de rendimiento de batería 11 se pueden conectar comunicativamente entre sí a través de una red 12.
[0054] La red 12 no está limitada en su tipo siempre que soporte la comunicación entre la estación de carga EVC<k>y el servidor de gestión de rendimiento de batería 11.
[0055] La red 12 incluye una red cableada, una red inalámbrica o una combinación de las mismas. La red cableada incluye un área local o Internet de área extensa que soporta el protocolo TCP/IP. La red inalámbrica incluye una red de comunicación inalámbrica basada en una estación base, una red de comunicación por satélite, una red de comunicación inalámbrica de área local tal como Wi-Fi, o una combinación de las mismas.
[0056] La red 12 puede incluir, por ejemplo, redes 2G (segunda generación) a 5G (quinta generación), red LTE (Evolución a Largo Plazo), red GSM (Sistema Global para Comunicación Móvil), red CDMA (Accesos Múltiple por División de Código), EVDO (Evolución-Optimización de Datos), red PLM (Móvil Pública Terrestre) y/u otras redes.
[0057] La red 12 puede incluir, como otro ejemplo, LAN (red de área local), WLAN (red de área local inalámbrica), WAN (red de área extensa), MAN (red metropolitana), PSTN (red telefónica pública conmutada), red ad hoc, red IP gestionada, VPN (red privada virtual), intranet, Internet, red basada en fibra y/o combinaciones de las mismas, u otros tipos de redes.
[0058] La estación de carga EVC<k>es un dispositivo de carga instalado en países nacionales y/o extranjeros para cargar una batería B<n>de un vehículo eléctrico EV<n>. n es un índice para indicar que un objeto indicado por un signo de referencia es una pluralidad de objetos. Si el número de vehículos eléctricos es 1 millón, n es 1 a 1 millón. La estación de carga EVC<k>se puede instalar en aparcamientos, gasolineras, instituciones públicas, edificios, apartamentos, mansiones, casas privadas y similares nacionales y/o en el extranjero. La estación de carga EVC<k>se puede acoplar con la red 12 para habilitar la comunicación con el servidor de gestión de rendimiento de batería 11.
[0059] Preferiblemente, el vehículo eléctrico EV<n>incluye una batería B<n>y un sistema de control 15. El sistema de control 15 como un dispositivo informático que controla la operación de carga/descarga de la batería B<n>, y durante la carga/descarga de la batería B<n>, mide la tensión, la corriente y la temperatura de la batería B<n>y registra las mismas en unos medios de almacenamiento 15a. El sistema de control 15 también puede realizar operaciones de control de mecanismos mecánicos y/o electrónicos relacionados con la conducción del vehículo eléctrico EV<n>.
[0060] Los medios de almacenamiento 15a son un dispositivo de memoria no transitoria, que es un medio de almacenamiento informático capaz de escribir y/o borrar y/o modificar y/o transferir datos. Los medios de almacenamiento 15a pueden ser, por ejemplo, una memoria flash, un disco duro, un SSD (disco de estado sólido) u otros tipos de hardware para almacenamiento de datos.
[0061] El sistema de control 15 del vehículo eléctrico EV<n>puede recopilar información de característica de la batería B<n>mientras que la batería B<n>se está cargando o descargando, y registrar la información de característica de operación en los medios de almacenamiento 15a. La información de característica de operación puede incluir al menos una seleccionada de tensión, corriente y temperatura de la batería B<n>. El sistema de control 15 puede registrar la información de característica de operación de la batería B<n>junto con el SOC (estado de carga) de la batería B<n>y/o marca de tiempo en los medios de almacenamiento 15a. El sistema de control 15 puede estimar el SOC de la batería B<n>usando un método de recuento de amperios, un método de OCV, un filtro de Kalman extendido o similares conocidos en la técnica. El sistema de control 15 puede estar acoplado eléctricamente a un sensor de tensión, un sensor de corriente y un sensor de temperatura instalados en la batería B<n>para recopilar la información de característica de operación de la batería B<n>.
[0062] El sistema de control 15 puede registrar información de característica de conducción del vehículo eléctrico EV<n>en los medios de almacenamiento 15a. La información de característica de conducción incluye al menos una seleccionada del grupo que consiste en la velocidad del vehículo eléctrico EV<n>, área de conducción del vehículo eléctrico EV<n>y la humedad de los mismos. Preferiblemente, el sistema de control 15 puede registrar la información de característica de conducción del vehículo eléctrico EV<n>junto con una marca de tiempo en los medios de almacenamiento 15a. El sistema de control 15 puede estar acoplado eléctricamente a un sensor de velocidad, un sensor de GPS y un sensor de humedad para recopilar y almacenar la información de característica de conducción. La estación de carga EVC<k>carga la batería B<n>del vehículo eléctrico EV<n>a través de un puerto de carga del vehículo eléctrico EV<n>, recopila información de evaluación de rendimiento de batería mientras la batería B<n>se está cargando, y transmite la información de evaluación de rendimiento de batería al servidor de gestión de rendimiento de batería 11. Además, la estación de carga EVC<k>puede recibir diversos factores de control usados para controlar la carga/descarga de la batería B<n>desde el servidor de gestión de rendimiento de batería 11 y transmitir los mismos al sistema de control 15 del vehículo eléctrico EV<n>. A continuación, el sistema de control 15 del vehículo eléctrico EV<n>puede actualizar el factor de control usado para controlar la carga/descarga de la batería B<n>. Esto se describirá más adelante.
[0063] Preferiblemente, el sistema de gestión de rendimiento de batería 10 puede incluir una base de datos de gran capacidad 16 conectada al servidor de gestión de rendimiento de batería 11.
[0064] De acuerdo con una realización, mientras que el vehículo eléctrico EV<n>se está cargando en la estación de carga EVC<k>, el servidor de gestión de rendimiento de batería 11 puede recopilar información de evaluación de rendimiento de batería que incluye información acumulativa de característica de conducción del vehículo eléctrico EV<n>, información acumulativa de característica de operación de la batería B<n>y la última información de característica de carga desde la estación de carga EVC<k>a través de la red 12, y almacenar la información de evaluación de rendimiento de batería en una unidad de almacenamiento de información de evaluación de rendimiento 16a de la base de datos 16.
[0065] Preferiblemente, la información acumulativa de característica de operación de la batería B<n>puede incluir al menos uno seleccionado del grupo que consiste en tiempo de operación acumulativo de cada sección de tensión, tiempo de operación acumulativo de cada sección de corriente y tiempo de operación acumulativo de cada sección de temperatura.
[0066] Preferiblemente, la información acumulativa de característica de conducción del vehículo eléctrico EV<n>puede incluir al menos uno seleccionado del grupo que consiste en tiempo de conducción acumulativo de cada sección de velocidad, tiempo de conducción acumulativo de cada área de conducción y tiempo de conducción acumulativo de cada sección de humedad.
[0067] Preferiblemente, la última información de característica de carga puede incluir al menos una seleccionada del grupo que consiste en SOC, tensión, corriente y temperatura de la batería medida o estimada en una pluralidad de puntos de tiempo como información de característica de operación de la batería B<n>mientras que la batería B<n>se está cargando.
[0068] La estación de carga EVC<k>puede intercambiar información y/o datos comunicándose con el sistema de control 15 del vehículo eléctrico EV<n>mientras que el vehículo eléctrico EV<n>se está cargando. En un ejemplo, la comunicación se realiza a través de una línea de comunicación de datos incluida en un cable de carga. Como alternativa, la comunicación se realiza mediante comunicación inalámbrica entre la estación de carga EVC<k>y el vehículo eléctrico EV<n>. Para este fin, la estación de carga EVC<k>y el vehículo eléctrico EV<n>pueden incluir dispositivos de comunicación inalámbrica de corto alcance.
[0069] La estación de carga EVC<k>puede transmitir la información y/o datos recopilados desde el vehículo eléctrico EV<n>al servidor de gestión de rendimiento de batería 11 a través de la red 12 de acuerdo con un protocolo de comunicación predefinido.
[0070] El servidor de gestión de rendimiento de batería 11 puede recibir información de identificación del vehículo eléctrico EV<n>e información de identificación de la batería B<n>, así como la información de evaluación de rendimiento de batería que incluye la información acumulativa de característica de operación de la batería B<n>, la información acumulativa de característica de conducción del vehículo eléctrico EV<n>y la última información de característica de carga desde la estación de carga EVC<k>mientras que el vehículo eléctrico EV<n>se está cargando en la estación de carga EVC<k>, y almacenar las mismas en la unidad de almacenamiento de información de evaluación de rendimiento 16a de la base de datos 16.
[0071] En este punto, la información de identificación del vehículo eléctrico EV<n>puede ser un código de modelo de vehículo, y la información de identificación de la batería B<n>puede ser un código de modelo de la batería B<n>.
[0072] Preferiblemente, la estación de carga EVC<k>puede recibir la información de identificación del vehículo eléctrico EV<n>y la información de identificación de la batería B<n>, así como la información de evaluación de rendimiento de batería que incluye la información acumulativa de característica de operación de la batería B<n>, la información acumulativa de característica de conducción del vehículo eléctrico EV<n>y la última información de característica de carga desde el sistema de control 15 del vehículo eléctrico EV<n>mientras que el vehículo eléctrico EV<n>se está cargando, y transmitir la información y/o datos recibidos al servidor de gestión de rendimiento de batería 11 a través de la red 12.
[0073] De acuerdo con una realización, el servidor de gestión de rendimiento de batería 11 analiza la información acumulativa de característica de operación del vehículo eléctrico EV<n>transmitida desde la estación de carga EVC<k>para generar datos de distribución de frecuencia para cada característica de operación, y a continuación almacenar los datos de distribución de frecuencia en una unidad de almacenamiento de datos de entrenamiento 16b de la base de datos 16 para que coincidan con la información de identificación del vehículo eléctrico EV<n>y/o la información de identificación de la batería B<n>.
[0074] De acuerdo con una realización, en los datos de distribución de frecuencia para la información acumulativa de característica de operación, la variable puede ser tensión, corriente o temperatura, y la frecuencia puede ser el tiempo de operación acumulativo de la batería B<n>en cada variable.
[0075] La figura 2 es un gráfico que muestra un ejemplo de los datos de distribución de frecuencia para tensión en la información acumulativa de característica de operación de la batería B<n>, la figura 3 es un gráfico que muestra un ejemplo de los datos de distribución de frecuencia para la corriente en la información acumulativa de característica de operación de la batería B<n>y la figura 4 es un gráfico que muestra un ejemplo de los datos de distribución de frecuencia para la temperatura en la información acumulativa de característica de operación de la batería B<n>.
[0076] Haciendo referencia a las figuras 2 a 4, los datos de distribución de frecuencia pueden proporcionar tiempo de operación acumulativo de la batería B<n>en cada sección de tensión, el tiempo de operación acumulativo de la batería B<n>en cada sección de corriente y tiempo de operación acumulativo de la batería B<n>en cada sección de temperatura mientras el vehículo eléctrico EV<n>está en marcha. Los datos de distribución de frecuencia representan un historial de conducción del vehículo eléctrico EV<n>, y se pueden usar para que el servidor de gestión de rendimiento de batería 11 entrene el modelo de inteligencia artificial. Esto se describirá más adelante.
[0077] De acuerdo con otra realización, el servidor de gestión de rendimiento de batería 11 puede analizar la información acumulativa de característica de conducción del vehículo eléctrico EV<n>transmitida desde la estación de carga EVC<k>para generar datos de distribución de frecuencia para cada característica de conducción, y a continuación registrar los datos de distribución de frecuencia en la unidad de almacenamiento de datos de entrenamiento 16b de la base de datos 16 para que coincidan con la información de identificación del vehículo eléctrico EV<n>y/o la información de identificación de la batería B<n>.
[0078] En los datos de distribución de frecuencia para la característica de conducción, la variable es la velocidad del vehículo eléctrico EV<n>, área de conducción del vehículo eléctrico EV<n>o humedad del área en la que el vehículo eléctrico EV<n>está en marcha, y la frecuencia puede ser el tiempo de conducción acumulativo del vehículo eléctrico EV<n>en cada variable.
[0079] La figura 5 es un gráfico que muestra un ejemplo de los datos de distribución de frecuencia para la velocidad en la información acumulativa de característica de conducción del vehículo eléctrico EV<n>, la figura 6 es un gráfico que muestra un ejemplo de los datos de distribución de frecuencia para el área de conducción del vehículo eléctrico EV<n>en la información acumulativa de característica de conducción del vehículo eléctrico EV<n>y la figura 7 es un gráfico que muestra un ejemplo de los datos de distribución de frecuencia para la humedad de un área en la que el vehículo eléctrico EV<n>está en marcha en la información acumulativa de característica de conducción del vehículo eléctrico EV<n>.
[0080] Haciendo referencia a las figuras 5 a 7, los datos de distribución de frecuencia pueden proporcionar información acerca del tiempo de conducción acumulativo en cada sección de velocidad, el tiempo de conducción acumulativo en cada área de conducción y el tiempo de conducción acumulativo en cada sección de humedad mientras el vehículo eléctrico EV<n>está en marcha. El área puede ser un área administrativa nacional y/o extranjera. Como un ejemplo, el área puede ser una ciudad, pero la presente divulgación no se limita a lo mismo. Los datos de distribución de frecuencia se pueden usar para que el servidor de gestión de rendimiento de batería 11 entrene el modelo de inteligencia artificial. Esto se describirá más adelante.
[0081] De acuerdo con otra realización, el servidor de gestión de rendimiento de batería 11 puede registrar la última información de característica de carga del vehículo eléctrico EV<n>transmitida desde la estación de carga EVC<k>en la unidad de almacenamiento de información de evaluación de rendimiento 16a de la base de datos 16.
[0082] Preferiblemente, la última información de característica de carga incluye al menos unos datos de característica de operación seleccionados del grupo que comprende SOC, tensión, corriente y temperatura medidos o estimados en una pluralidad de puntos de tiempo mientras la batería B<n>del vehículo eléctrico EV<n>se está cargando en la estación de carga EVC<k>.
[0083] Los datos de característica de operación medidos en cada punto de tiempo de medición se pueden representar por un vector de cuatro dimensiones (SOC<k>, l<k>, V<k>, T<k>). k es un índice para un punto de tiempo de medición de la característica de operación. Si el número de mediciones es n, k es un número natural de 1 a n, y el número de datos incluidos en la última información de característica de carga es n.
[0084] Cuando se satisface una condición predeterminada, el servidor de gestión de rendimiento de batería 11 puede determinar el nivel de degradación de la batería B<n>usando los datos de característica de operación incluidos en la última información de característica de carga, y registrar el nivel de degradación en la unidad de almacenamiento de datos de entrenamiento 16b de la base de datos 16 junto con la información de identificación del vehículo eléctrico EV<n>y/o la información de identificación de la batería B<n>.
[0085] En un ejemplo, el servidor de gestión de rendimiento de batería 11 determina si la última información de característica de carga se recopila en una sección de tensión de estimación de nivel de degradación preestablecida. Para este fin, el servidor de gestión de rendimiento de batería 11 puede examinar la distribución de datos de tensión V<k>incluidos en la última información de característica de carga. Si la determinación es SÍ, el servidor de gestión de rendimiento de batería 11 puede determinar una cantidad de cambio de capacidad de carga integrando los datos actuales medidos en la sección de tensión de estimación de nivel de degradación, y determinar la relación de la cantidad de cambio de capacidad de carga a una cantidad de cambio de capacidad de carga de referencia como el nivel de degradación. La cantidad de cambio de capacidad de carga de referencia es una cantidad de cambio de capacidad de carga representada mientras la batería B<n>en un estado BOL se está cargando en la sección de tensión de estimación del nivel de degradación, y la cantidad de cambio de capacidad de carga de referencia se puede registrar por adelantado en una unidad de almacenamiento de parámetros 16c de la base de datos 16 para cada modelo de batería B<n>.
[0086] En otro ejemplo, el servidor de gestión de rendimiento de batería 11 analiza la última información de característica de carga para determinar si la batería B<n>se carga dentro de la sección de tensión de estimación de nivel de degradación preestablecida y se mide una pluralidad de datos de tensión bajo condiciones de corriente de carga variable. Para este fin, el servidor de gestión de rendimiento de batería 11 puede examinar la distribución de datos de tensión V<k>y los datos de corriente I<k>incluidos en la última información de característica de carga. Si la determinación es SÍ, el servidor de gestión de rendimiento de batería 11 puede realizar un análisis de regresión lineal en la pluralidad de datos de corriente y tensión medidos dentro de la sección de tensión de estimación del nivel de degradación preestablecida en la última información de característica de carga para determinar un valor promedio de |dV/dI | como un valor de resistencia interna de la batería B<n>, y determinar la relación de un valor de resistencia interna de referencia al valor de resistencia interna como el nivel de degradación de la batería B<n>. En esta realización, la estación de carga EVC<k>puede aplicar pulsos de carga con diferentes corrientes de carga de CA y/o amplitudes a la batería B<n>mientras que la batería B<n>se está cargando dentro de la sección de tensión de estimación de nivel de degradación preestablecida. A continuación, se puede medir una pluralidad de datos de tensión bajo condiciones de corriente de carga variable. El valor de resistencia interna de referencia es un valor de resistencia interna de la batería B<n>en un estado BOL, y el valor de resistencia interna de referencia se puede registrar de antemano en la unidad de almacenamiento de parámetros 16c de la base de datos 16 para cada batería modelo de B<n>.
[0087] El servidor de gestión de rendimiento de batería 11 puede determinar el nivel de degradación de la batería B<n>a partir de la información de evaluación de rendimiento de batería que incluye la información acumulativa de característica de operación de la batería B<n>, la información acumulativa de característica de conducción del vehículo eléctrico EV<n>, y la última información de característica de carga transmitida desde la estación de carga EVC<k>usando un modelo de inteligencia artificial.
[0088] En la presente divulgación, el nivel de degradación calculado a partir de la última información de característica de carga constituye una parte de grandes cantidades de datos usados para entrenar el modelo de inteligencia artificial. Por lo tanto, la determinación del nivel de degradación para lograr el objeto técnico de la presente divulgación se realiza realmente por el modelo de inteligencia artificial entrenado basándose en las grandes cantidades de datos. La razón es que, dado que el nivel de degradación calculado a partir de la última información de característica de carga tiene una limitación en el sentido de que solo se puede determinar cuando se satisface una condición predeterminada y el historial de uso pasado de la batería B<n>no se considera suficientemente, el nivel de degradación determinado por el modelo de inteligencia artificial entrenado basándose en grandes cantidades de datos tiene mayor precisión y fiabilidad.
[0089] Preferiblemente, el modelo de inteligencia artificial es un algoritmo de software codificado con un lenguaje de programación, y puede ser una red neuronal artificial. Sin embargo, la presente divulgación no se limita a la misma. La figura 8 es un diagrama que muestra a modo de ejemplo una estructura de una red neuronal artificial 100 de acuerdo con una realización de la presente divulgación.
[0090] Haciendo referencia a la figura 8, la red neuronal artificial 100 incluye una capa de entrada 101, una pluralidad de capas ocultas 102 y una capa de salida 103. La capa de entrada 101, la pluralidad de capas ocultas 102 y la capa de salida 103 incluyen una pluralidad de nodos.
[0091] Cuando el servidor de gestión de rendimiento de batería 11 entrena la red neuronal artificial 100 o determina el nivel de degradación de la batería B<n>usando la red neuronal artificial 100, los datos de distribución de frecuencia generados a partir de la información acumulativa de característica de operación de la batería B<n>, los datos de distribución de frecuencia generados a partir de la información acumulativa de característica de conducción del vehículo eléctrico EV<n>, y los datos incluidos en la última información de característica de carga, recopilados desde la estación de carga EVC<k>, se pueden introducir en la capa de entrada 101.
[0092] La entrada de información acumulativa de característica de operación (asignada) a los nodos de la capa de entrada 101 puede incluir un primer valor de tiempo acumulativo para cada sección de tensión y/o un segundo valor de tiempo acumulativo para cada sección de corriente y/o un tercer valor de tiempo acumulativo para cada sección de temperatura. Del primer al tercer valores de tiempo acumulativos se normalizan preferiblemente como una relación basándose en un tiempo utilizable total correspondiente a la vida útil garantizada de la batería B<n>. En un ejemplo, si el valor de tiempo acumulativo en una sección de tensión específica es 1.000 horas y el tiempo disponible total es 20.000 horas, el valor de tiempo acumulativo normalizado es 1/20 (0,05).
[0093] El número de primeros valores de tiempo acumulativos puede corresponder al número de secciones de tensión, el número de segundos valores de tiempo acumulativos puede corresponder al número de secciones de corriente y el número de terceros valores de tiempo acumulativos puede corresponder al número de secciones de temperatura. Por ejemplo, si el número de secciones de tensión es 5, el número de secciones de corriente es 9 y el número de secciones de temperatura es 10, los números del primer al tercer valores de tiempo acumulativos son 5, 9 y 10, respectivamente.
[0094] Preferiblemente, la capa de entrada 101 puede incluir un número de nodos que corresponden al número de primeros valores de tiempo acumulativos y/o al número de segundos valores de tiempo acumulativos y/o al número de terceros valores de tiempo acumulativos.
[0095] La entrada de información acumulativa de característica de conducción (asignada) a los nodos de la capa de entrada 101 puede incluir un cuarto valor de tiempo acumulativo para cada sección de velocidad y/o un quinto valor de tiempo acumulativo para cada área de conducción y/o un sexto valor de tiempo acumulativo para cada sección de humedad. Del cuarto al sexto valores de tiempo acumulativos se normalizan preferiblemente como una relación basándose en el tiempo utilizable total correspondiente a la vida útil garantizada de la batería B<n>. En un ejemplo, si el valor de tiempo acumulativo en una sección de velocidad específica es 2.000 horas y el tiempo disponible total es 20.000 horas, el valor de tiempo acumulativo normalizado es 1/10 (0,1).
[0096] El número de cuartos valores de tiempo acumulativos corresponde al número de secciones de velocidad, el número de quintos valores de tiempo acumulativos corresponde al número de áreas en las que el vehículo eléctrico EV<n>está en marcha, y el número de sextos valores de tiempo acumulativos corresponde al número de secciones de humedad. Por ejemplo, si el número de secciones de velocidad es 8, el número de áreas de conducción es 20 y el número de secciones de temperatura es 6, los números del cuarto a sexto valores de tiempo acumulativos son 8, 20 y 6, respectivamente.
[0097] Preferiblemente, la capa de entrada 101 puede incluir un número de nodos que corresponden al número de cuartos valores de tiempo acumulativos y/o al número de quintos valores de tiempo acumulativos y/o al número de sextos valores de tiempo acumulativos.
[0098] La última entrada de información de característica de carga (asignada) a los nodos de la capa de entrada 101 puede incluir datos de tensión y datos de temperatura. Dado que tanto la tensión como la temperatura de la batería B<n>se miden para cada SOC, se pueden asignar 100 nodos para introducir los datos de tensión y se pueden asignar otros 100 nodos para introducir los datos de temperatura.
[0099] En este punto, 100 es el número de nodos correspondientes al SOC del 1 % al 100 %, suponiendo que el SOC varía en un 1 % del 0 % al 100 %. Si se mide la tensión y la temperatura de la batería B<n>en la sección de SOC del 31 % al 50 %, los datos de tensión se pueden introducir en 20 nodos que corresponden al 31 % al 50 %, y los datos de temperatura se pueden introducir en otros 20 nodos que corresponden al 31 % al 50 %. Además, los datos de tensión y los datos de temperatura se pueden no introducir en nodos correspondientes a SOC del 1 % al 30 % de sección y SOC del 51 % al 100 % de sección, y se puede asignar 0 a los mismos.
[0100] Mientras tanto, datos de tensión y datos de temperatura medidos en SOC que incluyen un valor por debajo de una coma decimal se pueden convertir en datos de tensión y datos de temperatura de un SOC cercano sin una coma decimal a través de interpolación o extrapolación. En algunos casos, los datos de temperatura se pueden excluir de los datos de entrada para reducir la cantidad de cálculo de entrenamiento de la red neuronal artificial. En este caso, la capa de entrada 101 puede no incluir nodos a los que se introducen datos de temperatura.
[0101] La capa de salida 103 puede incluir un nodo al que se emite información de nivel de degradación de la batería B<n>.
[0102] Como se muestra en la figura 8, si la red neuronal artificial 100 está diseñada basándose en un modelo estocástico, la capa de salida 103 puede incluir una pluralidad de nodos para emitir la distribución de probabilidad del nivel de degradación de la batería B<n>.
[0103] En un ejemplo, si la red neuronal artificial 100 está diseñada para determinar el nivel de degradación entre el 71 % y el 100 % en la unidad del 1 %, la capa de salida 103 puede incluir 30 nodos en total. En este caso, un nivel de degradación correspondiente a un nodo que emite el valor de probabilidad más alto entre los 30 nodos se puede determinar como el nivel de degradación de la batería B<n>. Por ejemplo, si la salida de probabilidad desde el 10<o>nodo es la más alta, el nivel de degradación de la batería B<n>se puede determinar que es del 80 %. Es evidente para los expertos en la materia que el número de nodos se puede aumentar adicionalmente para mejorar la precisión del nivel de degradación.
[0104] Como alternativa, si la red neuronal artificial 100 está diseñada basándose en un modelo determinista, la capa de salida 103 puede incluir al menos un nodo para emitir directamente el nivel de degradación de la batería B<n>.
[0105] El número de capas ocultas 102 interpuestas entre la capa de entrada 101 y la capa de salida 103 y el número de nodos incluidos en cada capa oculta 102 se pueden seleccionar apropiadamente teniendo en cuenta la cantidad de cálculo de entrenamiento de la red neuronal artificial 100 y la precisión y fiabilidad de la red neuronal artificial 100. En la red neuronal artificial 100, se puede usar una función sigmoidea como la función de activación. Como alternativa, se pueden usar diversas funciones de activación conocidas en la técnica, tales como una función SiLU (unidad lineal sigmoidea), una función ReLu (unidad lineal rectificada), una función softplus, una función ELU (unidad lineal exponencial), una función SQLU (unidad lineal cuadrada) o similares.
[0106] En la red neuronal artificial 100, se pueden establecer aleatoriamente valores iniciales de pesos de conexión y sesgos entre nodos. Además, los pesos de conexión y los sesgos se pueden optimizar en el proceso de entrenamiento de la red neuronal artificial.
[0107] En una realización, la red neuronal artificial se puede entrenar mediante un algoritmo de retropropagación. También, los pesos y sesgos de conexión se pueden optimizar por un optimizador mientras se entrena la red neuronal artificial.
[0108] En una realización, se puede usar un algoritmo de SGD (Descenso de Gradiente Estocástico) como el optimizador. Como alternativa, se puede usar un algoritmo de NAG (Gradiente Acelerado de Nesterov), un algoritmo de momento, un algoritmo de Nadam, un algoritmo de Adagrad, un algoritmo de RMSProp, un algoritmo de Adadelta, un algoritmo de Adam o similares.
[0109] El servidor de gestión de rendimiento de batería 11 puede entrenar repetidamente periódicamente la red neuronal artificial 100 usando los datos de entrenamiento almacenados en la unidad de almacenamiento de datos de entrenamiento 16b de la base de datos 16.
[0110] Para este fin, usando el método descrito anteriormente, el servidor de gestión de rendimiento de batería 11 recopila datos de entrenamiento mientras un número de vehículos eléctricos EV<n>se están cargando en la pluralidad de estaciones de carga EVC<k>y registra de forma acumulativa los datos de entrenamiento en la unidad de almacenamiento de datos de entrenamiento 16b de la base de datos 16.
[0111] Los datos de entrenamiento incluyen datos de entrada de entrenamiento y datos de salida de entrenamiento. Los datos de entrada de entrenamiento pueden incluir datos de distribución de frecuencia generados a partir de la información acumulativa de característica de conducción del vehículo eléctrico EV<n>, datos de distribución de frecuencia generados a partir de la información acumulativa de característica de operación de la batería B<n>y datos incluidos en la última información de característica de carga. Además, los datos de salida de entrenamiento incluyen el nivel de degradación de la batería B<n>. Los datos de entrenamiento se pueden obtener mientras el vehículo eléctrico EV<n>se está cargando en la estación de carga EVC<k>.
[0112] Preferiblemente, los datos de entrenamiento se pueden registrar en la unidad de almacenamiento de datos de entrenamiento 16b de la base de datos 16 para que coincidan con la información de identificación del vehículo eléctrico EV<n>y/o la información de identificación de la batería B<n>. Por lo tanto, en la unidad de almacenamiento de datos de entrenamiento 16b, se pueden registrar numerosos datos de entrenamiento recopilados de vehículos eléctricos EV<n>del mismo modelo equipado con baterías B<n>del mismo modelo. Además, dado que los datos de entrenamiento se recopilan continuamente en la estación de carga EVC<k>, la cantidad de los datos de entrenamiento se puede aumentar cada vez más.
[0113] Preferiblemente, el servidor de gestión de rendimiento de batería 11 puede entrenar la red neuronal artificial por separado para cada modelo de los vehículos eléctricos EV<n>y/o cada modelo de las baterías B<n>para reducir la carga computacional de entrenamiento de la red neuronal artificial 100 y mejorar la fiabilidad de la salida estimada por la red neuronal artificial 100 a través del procesamiento distribuido de datos.
[0114] Es decir, cuando el servidor de gestión de rendimiento de batería 11 entrena periódicamente la red neuronal artificial 100, entre los datos de entrenamiento almacenados en la unidad de almacenamiento de datos de entrenamiento 16b, el servidor de gestión de rendimiento de batería 11 puede extraer datos de entrenamiento para los vehículos eléctricos EV<n>del mismo modelo y/o las baterías B<n>del mismo modelo, y entrenar de forma independiente la red neuronal artificial 100 dedicada al modelo correspondiente del vehículo eléctrico EV<n>y/o al modelo correspondiente de la batería B<n>. Además, si la cantidad de datos de entrenamiento recién recopilados para el modelo del vehículo eléctrico EV<n>y/o el modelo de la batería B<n>aumenta sobre un valor de referencia, el servidor de gestión de rendimiento de batería 11 puede reiniciar el entrenamiento de la red neuronal artificial 100 correspondiente para mejorar además la precisión de la red neuronal artificial 100.
[0115] Mientras tanto, si los datos de distribución de frecuencia (véase la figura 6) generados a partir de la información de tiempo acumulativo de conducción de cada área de conducción en la información acumulativa de característica de conducción del vehículo eléctrico EV<n>tienen demasiadas variables, la red neuronal artificial 100 se puede entrenar por separado para cada área amplia que agrupa una pluralidad de áreas.
[0116] Por ejemplo, se supone que el número de modelos de los vehículos eléctricos EV<n>es 100 en total, el número de modelos de las baterías B<n>montado en los vehículos eléctricos EV<n>es 10 en total, y los vehículos eléctricos EV<n>se están ejecutando en 1.000 ciudades dentro y fuera del país. En este caso, el servidor de gestión de rendimiento de batería 11 puede agrupar ciudades de acuerdo con un criterio predeterminado, y entrenar un número de redes neuronales artificiales correspondientes a 100*10*(el número de grupos de área). En un ejemplo, las ciudades se pueden agrupar en una base país a país. En otro ejemplo, las ciudades se pueden agrupar en la unidad de un número predeterminado de ciudades vecinas dentro del mismo país.
[0117] En este caso, cuando el servidor de gestión de rendimiento de batería 11 entrena la red neuronal artificial 100, el servidor de gestión de rendimiento de batería 11 puede extraer solo datos de entrenamiento con el mismo modelo de la batería B<n>y/o el mismo modelo del vehículo eléctrico EV<n>y con la misma variable (ciudades) de los datos de distribución de frecuencia para el área de conducción a partir de los datos de entrenamiento almacenados en la unidad de almacenamiento de datos de entrenamiento 16b, y entrenar independientemente las redes neuronales artificiales 100 dedicadas al área de conducción y/o el modelo del vehículo eléctrico EV<n>y/o el modelo de la batería B<n>. Además, si la cantidad de nuevos datos de entrenamiento con la misma área de conducción y/o el mismo modelo del vehículo eléctrico EV<n>y/o el mismo modelo de la batería B<n>aumenta sobre un valor de referencia, el servidor de gestión de rendimiento de batería 11 puede reiniciar el entrenamiento de las correspondientes redes neuronales artificiales 100 para mejorar además la precisión de las redes neuronales artificiales 100.
[0118] En la presente divulgación, el modelo de inteligencia artificial no se limita a la red neuronal artificial. Por lo tanto, además de la red neuronal artificial, se puede usar un modelo de proceso gaussiano o similar. Cuando se entrena la correlación entre la información de característica de conducción acumulativa del vehículo eléctrico EV<n>y/o la información de característica de operación acumulativa de la batería B<n>y/o los últimos datos característicos de carga y el nivel de degradación, se puede usar una SVM (máquina de vectores de soporte), algoritmo de K vecinos más cercanos, clasificador de Naive-Bayes o similares. Si hay un problema con la fiabilidad de la información de nivel de degradación usada para entrenamiento, se puede usar agrupación de K medias o similares como un medio auxiliar para obtener información de nivel de degradación.
[0119] Mientras tanto, el servidor de gestión de rendimiento de batería 11 puede incluir una red neuronal artificial auxiliar entrenada usando la información acumulativa de característica de operación de cada ciclo y la última información de característica de carga de cada ciclo proporcionada por un fabricante de batería.
[0120] La figura 9 es un diagrama que muestra a modo de ejemplo una estructura de una red neuronal artificial auxiliar 100' de acuerdo con una realización de la presente divulgación.
[0121] Haciendo referencia a la figura 9, la red neuronal artificial auxiliar 100' incluye una capa de entrada 101', una pluralidad de capas ocultas 102' y una capa de salida 103'. La red neuronal artificial auxiliar 100' es sustancialmente idéntica a la red neuronal artificial 100 mostrada en la figura 8, excepto que está desactivado la capa de entrada 101' no tiene ningún nodo al que se introducen datos correspondientes a la información acumulativa de característica de conducción del vehículo eléctrico EV<n>.
[0122] La red neuronal artificial auxiliar 100' se puede usar para determinar el nivel de degradación de la batería B<n>cuando la red neuronal artificial 100 no está suficientemente entrenada.
[0123] El servidor de gestión de rendimiento de batería 11 se puede conectar comunicativamente al servidor de suministro de datos de batería 17 a través de la red 12 para recopilar datos usados para entrenar la red neuronal artificial auxiliar 100'.
[0124] Preferiblemente, el servidor de suministro de datos de batería 17 se puede instalar en el fabricante de baterías. El servidor de suministro de datos de batería 17 transmite la información acumulativa de característica de operación de cada ciclo, la última información de característica de carga de cada ciclo y el nivel de degradación de la batería B<n>de cada ciclo, obtenidas a partir del experimento de ciclo de carga/descarga en la batería B<n>montada en el vehículo eléctrico EV<n>, al servidor de gestión de rendimiento de batería 11 a través de la red 12 junto con la información de identificación de la batería B<n>.
[0125] El experimento de ciclo de carga/descarga se refiere a un experimento en el que la batería B<n>se carga y descarga repetidamente un número predeterminado de veces bajo diversas condiciones de carga/descarga usando un dispositivo denominado simulador de carga/descarga. El experimento de ciclo de carga/descarga es un experimento esencial realizado por los fabricantes de baterías antes de que se comercialice la batería B<n>. Es deseable que las condiciones de carga/descarga simulen diversas condiciones de conducción (conducción en montaña, conducción en carreteras irregulares, conducción en ciudad, conducción a alta velocidad, etc.) del vehículo eléctrico EV<n>y diversas condiciones climáticas (temperatura, humedad, etc.).
[0126] El simulador de carga/descarga es un equipo de experimento automatizado en el que se combinan un ordenador de control, un dispositivo de carga/descarga y una cámara de control de temperatura/humedad. Siempre que se realiza la carga de cada ciclo, el simulador de carga/descarga puede generar información acumulativa de característica de operación acumulando tiempo de operación acumulativo de cada sección de tensión y/o tiempo de operación acumulativo de cada sección de corriente y/o tiempo de operación acumulativo de cada sección de temperatura, medir o estimar el SOC y/o la tensión y/o la corriente y/o la temperatura para generar la última información de característica de carga mientras la carga está en curso, y registrar la última información de característica de carga en los medios de almacenamiento.
[0127] Además, si se completa la carga de cada ciclo, el simulador de carga/descarga puede determinar el nivel de degradación de la batería B<n>basándose en un punto de tiempo de finalización de carga. El nivel de degradación se puede calcular a partir de la cantidad de cambio de capacidad de carga determinada por el método de recuento de amperios en una sección de tensión de carga predeterminada o la resistencia interna de la batería obtenida a través de análisis de regresión lineal de los datos de tensión y corriente medidos en una sección de tensión de carga predeterminada, como ya se ha descrito anteriormente.
[0128] El servidor de suministro de datos de batería 17 puede incluir una base de datos 18 que almacena datos obtenidos a través del experimento de ciclo de carga/descarga. En cada ciclo de carga/descarga de la batería B<n>, el servidor de suministro de datos de batería 17 puede almacenar la información acumulativa de característica de operación de cada ciclo, la última información de característica de carga de cada ciclo y el nivel de degradación de cada ciclo en la base de datos 18 para que coincida con la información de identificación de la batería B<n>. Los datos almacenados en la base de datos 18 se pueden transmitir a través de una red desde el simulador de carga/descarga.
[0129] El servidor de suministro de datos de batería 17 puede transmitir periódicamente datos de entrenamiento auxiliares que incluyen la información acumulativa de característica de operación de cada ciclo, la última información de característica de carga de cada ciclo y el nivel de degradación de cada ciclo almacenado en la base de datos 18 al servidor de gestión de rendimiento de batería 11 a través de la red 12 junto con la información de identificación de la batería B<n>. El número de datos de entrenamiento auxiliares corresponde al número de experimentos de ciclo de carga/descarga. Por ejemplo, si el experimento de ciclo de carga/descarga para una batería de un modelo específico se realiza 200 veces, el número de datos de entrenamiento auxiliares es 200.
[0130] El servidor de gestión de rendimiento de batería 11 puede registrar los datos de entrenamiento auxiliares transmitidos desde el servidor de suministro de datos de batería 17 en la unidad de almacenamiento de datos de entrenamiento 16b de la base de datos 16 para que coincidan con la información de identificación de la batería B<n>. Preferiblemente, en los datos de entrenamiento auxiliares, la información acerca del tiempo de operación acumulativo de cada sección de tensión y/o el tiempo de operación acumulativo de cada sección de corriente y/o el tiempo de operación acumulativo de cada sección de temperatura incluidas en la información acumulativa de característica de operación se pueden convertir en datos de distribución de frecuencia y almacenarse en la unidad de almacenamiento de datos de entrenamiento 16b de la base de datos 16.
[0131] Después de que los datos de entrenamiento auxiliares se almacenan en la base de datos 16, el servidor de gestión de rendimiento de batería 11 puede entrenar la red neuronal artificial auxiliar 100' para cada modelo de batería usando los datos de entrenamiento auxiliares.
[0132] La estructura de la red neuronal artificial auxiliar 100' es similar a la de la red neuronal artificial 100 mostrada en la figura 8, pero es diferente en que está desactivado el nodo al que se introducen los datos de distribución de frecuencia generados a partir de la información acumulativa de característica de conducción del vehículo eléctrico EV<n>. Sin embargo, el método de entrenamiento y otras características de la red neuronal artificial auxiliar 100' son sustancialmente las mismas que se han descrito anteriormente.
[0133] Mediante el uso complementario de la red neuronal artificial auxiliar 100' entrenada por los datos de entrenamiento auxiliar transmitidos desde el servidor de suministro de datos de batería 17 y la red neuronal artificial 100 entrenada por los datos transmitidos desde la pluralidad de estaciones de carga EVC<k>, el servidor de gestión de rendimiento de batería 11 puede determinar el nivel de degradación de la batería B<n>después de que se carga el vehículo eléctrico EV<n>en la estación de carga EVC<k>, y proporcionar un factor de control usado para controlar la carga/descarga de la batería B<n>de acuerdo con el nivel de degradación determinado al sistema de control 15 del vehículo eléctrico EV<n>. En lo sucesivo en el presente documento, haciendo referencia a las figuras 10 y 11, se describirá en detalle el proceso de recopilación de datos de entrenamiento del modelo de inteligencia artificial mientras se está cargando el vehículo eléctrico EV<n>en la estación de carga EVC<k>, el proceso de determinación del nivel de degradación de la batería B<n>, y el proceso de actualización del factor de control usado para controlar la carga/descarga de la batería B<n>de acuerdo con el nivel de degradación.
[0134] Haciendo referencia a la figura 10, en la etapa S10, el servidor de gestión de rendimiento de batería 11 recibe la información de identificación de la batería B<n>y la información de identificación del vehículo eléctrico EV<n>así como la información de evaluación de rendimiento de batería que incluye la información acumulativa de característica de conducción del vehículo eléctrico EV<n>, la información acumulativa de característica de operación de la batería B<n>y la última información de característica de carga de la estación de carga EVC<k>a través de la red 12 mientras el vehículo eléctrico EV<n>se está cargando en la estación de carga EVC<k>o después de estar completamente cargado. En la etapa S10, el servidor de gestión de rendimiento de batería 11 puede registrar la información de evaluación de rendimiento de batería transmitida a través de la red 12 en la unidad de almacenamiento de información de evaluación de rendimiento 16a de la base de datos 16.
[0135] En la etapa S20, el servidor de gestión de rendimiento de batería 11 determina si se satisface la condición para permitir el cálculo del nivel de degradación con referencia a los datos de tensión V<k>y/o los datos actuales I<k>incluidos en la última información de característica de carga.
[0136] En un ejemplo, la condición que permite el cálculo de nivel de degradación se puede establecer cuando los datos de tensión V<k>se mide mientras la batería B<n>se carga dentro de una sección de tensión de estimación de nivel de degradación preestablecida. En otro ejemplo, la condición que permite el cálculo de nivel de degradación se puede establecer cuando la batería B<n>se carga dentro de la sección de tensión de estimación de nivel de degradación preestablecida y se mide una pluralidad de datos de tensión V<k>bajo una condición de corriente de carga variable. Si la determinación de la etapa S20 es SÍ, se ejecuta la etapa S30, y si la determinación de la etapa S20 es NO, se ejecuta la etapa S60.
[0137] En la etapa S30, el servidor de gestión de rendimiento de batería 11 determina el nivel de degradación de la batería B<n>usando los datos de tensión V<k>y/o los datos de corriente I<k>incluidos en la última información de característica de carga. El método de determinación del nivel de degradación ya se ha descrito anteriormente. Después de la etapa S30, continúa la etapa S40.
[0138] En la etapa S40, el servidor de gestión de rendimiento de batería 11 genera datos de distribución de frecuencia para tensión y/o corriente y/o temperatura a partir de la información acumulativa de característica de operación de la batería B<n>, y genera datos de distribución de frecuencia para velocidad y/o área de conducción y/o humedad a partir de la información acumulativa de característica de conducción del vehículo eléctrico EV<n>. Después de la etapa S40, continúa la etapa S50.
[0139] En la etapa S50, el servidor de gestión de rendimiento de batería 11 almacena los datos de distribución de frecuencia generados a partir de la información acumulativa de característica de operación, los datos de distribución de frecuencia generados a partir de la información acumulativa de característica de conducción, la última información de característica de carga y el nivel de degradación de la batería B<n>determinado en la etapa S30 en la unidad de almacenamiento de datos de entrenamiento 16b de la base de datos 16 para que coincidan con la información de identificación de la batería B<n>y/o la información de identificación del vehículo eléctrico EV<n>. En este punto, los datos de distribución de frecuencia generados a partir de la información acumulativa de característica de operación, los datos de distribución de frecuencia generados a partir de la información acumulativa de característica de conducción y la última información de característica de carga corresponden a los datos de entrada de entrenamiento, y el nivel de degradación de la batería B<n>corresponde a los datos de salida de entrenamiento. Después de la etapa S50, continúa la etapa S60.
[0140] En la etapa S60, el servidor de gestión de rendimiento de batería 11 determina si una red neuronal artificial entrenada 100 correspondiente al modelo de la batería B<n>y/o al modelo del vehículo eléctrico EV<n>se prepara con referencia a la información de identificación de la batería B<n>y/o la información de identificación del vehículo eléctrico EV<n>.
[0141] Como ejemplo, se supone que el modelo de la batería B<n>es BBB001 y el modelo del vehículo eléctrico EV<n>es EV001. En este caso, el servidor de gestión de rendimiento de batería 11 determina si hay una red neuronal artificial 100 entrenada usando datos sobre un valor de referencia recopilados mientras los vehículos eléctricos del modelo EV001 equipados con la batería del modelo BBB001 se están cargando en la estación de carga EVC<k>. El valor de referencia puede ser, por ejemplo, de varios cientos a varios miles.
[0142] En la etapa S60, el servidor de gestión de rendimiento de batería 11 puede determinar si hay una red neuronal artificial 100 entrenada por los datos recopilados de los vehículos eléctricos EV<n>con el mismo modelo de la batería B<n>y/o el mismo modelo del vehículo eléctrico EV<n>y la misma área de conducción con referencia a los datos de distribución de frecuencia para el área de conducción generados en la etapa S40.
[0143] Como ejemplo, se supone que el modelo de la batería B<n>es BBB001, el modelo del vehículo eléctrico EV<n>es EV001, y la variable de área de los datos de distribución de frecuencia generados a partir del área de conducción del vehículo eléctrico EV<n>es una ciudad en Corea. En este caso, el servidor de gestión de rendimiento de batería 11 determina si está preparada una red neuronal artificial 100 entrenada usando datos sobre el valor de referencia recopilados mientras los vehículos eléctricos del modelo EV001 equipados con la batería del modelo BBB001 se están cargando en las estaciones de carga EVC<k>en Corea. El valor de referencia puede ser, por ejemplo, de varios cientos a varios miles.
[0144] Si la determinación de la etapa S60 es SÍ, continúa la etapa S70.
[0145] En la etapa S70, el servidor de gestión de rendimiento de batería 11 introduce los datos de distribución de frecuencia generados a partir de la información acumulativa de característica de conducción del vehículo eléctrico EV<n>, los datos de distribución de frecuencia generados a partir de la información acumulativa de característica de operación de la batería B<n>, y los datos de tensión V<k>y los datos de temperatura T<k>incluidos en la última información de característica de carga de la batería B<n>a la capa de entrada 101 de la red neuronal artificial 100. Dado que la red neuronal artificial 100 está en un estado de estar entrenada por los datos de entrenamiento mayores que el valor de referencia, si se introducen datos a través de la capa de entrada 101, el nivel de degradación de la batería B<n>se emite a través de la capa de salida 103. A continuación, el servidor de gestión de rendimiento de batería 11 puede determinar un nivel de degradación actual de la batería B<n>a través de la red neuronal artificial 100. Después de la etapa S70, continúa la etapa S80 de la figura 11.
[0146] Mientras tanto, si la determinación de la etapa S60 es NO, en la etapa S70', el servidor de gestión de rendimiento de batería 11 puede determinar el nivel de degradación actual de la batería B<n>introduciendo los datos de distribución de frecuencia generados a partir de la información acumulativa de característica de operación de la batería B<n>(véanse las figuras 2 a 4) y los datos de tensión V<k>y los datos de temperatura T<k>incluidos en la última información de característica de carga de la batería B<n>a la capa de entrada 101' de la red neuronal artificial auxiliar 100'. La red neuronal artificial auxiliar 100' es una red neuronal artificial entrenada de antemano usando los datos de experimento de ciclo de carga/descarga para la batería B<n>proporcionados desde el servidor de suministro de datos de batería 17, y su método de entrenamiento ya se ha descrito anteriormente.
[0147] Si se determina el nivel de degradación actual de la batería B<n>en la etapa S70 o la etapa S70', continúa la etapa S80 de la figura 11.
[0148] En la etapa S80, el servidor de gestión de rendimiento de batería 11 almacena el nivel de degradación determinado a través de la red neuronal artificial 100 o la red neuronal artificial auxiliar 100' en una unidad de almacenamiento de información de nivel de degradación 16d de la base de datos 16 para que coincida con la información de identificación del vehículo eléctrico EV<n>y/o la información de identificación de la batería B<n>junto con una marca de tiempo. Después de la etapa S80, continúa la etapa S90.
[0149] En la etapa S90, el servidor de gestión de rendimiento de batería 11 determina si el nivel de degradación actual supera el nivel de degradación anterior en un valor de referencia o más comparando el nivel de degradación anterior de la batería B<n>registrado en la unidad de almacenamiento de información de nivel de degradación 16d de la base de datos 16 con el nivel de degradación actual.
[0150] El valor de referencia es un valor predefinido y se usa para determinar si ejecutar o no una lógica de actualización para diversos factores de control usados para controlar la carga/descarga de la batería B<n>. Como ejemplo, el valor de referencia puede ser del 3 al 5%.
[0151] En un ejemplo, el factor de control puede ser al menos uno seleccionado de una magnitud de corriente de carga aplicada para cada sección de SOC, un valor de tensión de límite superior de carga, un valor de tensión de límite inferior de descarga, una corriente de carga máxima, una corriente de descarga máxima, una corriente de carga mínima, una corriente de descarga mínima, una temperatura máxima, una temperatura mínima, un mapa de potencia para cada SOC y un mapa de resistencia interna para cada SOC.
[0152] En otro ejemplo, cuando la batería B<n>se carga/descarga por pulsos, el factor de control puede incluir al menos uno seleccionado a partir de un límite superior de una relación de trabajo de corriente de pulso (una relación de un periodo de mantenimiento de pulso a un periodo de descanso de pulso), un límite inferior de la relación de trabajo de corriente de pulso, un límite superior de una duración de corriente de pulso, un límite inferior de la duración de corriente de pulso, un valor máximo de la corriente de pulso y un valor mínimo de la corriente de pulso.
[0153] En otro ejemplo más, cuando la batería B<n>se carga por etapas, el factor de control puede incluir una magnitud de corriente de carga aplicada para cada sección de SOC.
[0154] En otro ejemplo más, cuando la batería B<n>se carga en un modo CC/CV, el factor de control puede incluir al menos uno seleccionado de una magnitud de corriente en un modo de carga de corriente constante (CC), una tensión de corte en la que finaliza el modo de carga de corriente constante (CC), y una magnitud de tensión en un modo de carga de tensión constante (CV).
[0155] Si la determinación de la etapa S90 es SÍ, continúa la etapa S100.
[0156] En la etapa S100, el servidor de gestión de rendimiento de batería 11 lee un último factor de control correspondiente al nivel de degradación actual de la batería B<n>con referencia a la unidad de almacenamiento de factor de control 16e de la base de datos 16, y transmite un resultado de evaluación de rendimiento de batería que incluye el nivel de degradación actual y el último factor de control a la estación de carga EVC<k>a través de la red 12.
[0157] La unidad de almacenamiento de factor de control 16e incluye una tabla de consulta que define información de factor de control para cada nivel de degradación de la batería B<n>. La tabla de consulta se registra para que coincida con la información de identificación de la batería B<n>y/o la información de identificación del vehículo eléctrico EV<n>. Por lo tanto, el factor de control se lee preferiblemente de una tabla de consulta correspondiente al modelo de la batería B<n>y/o el modelo del vehículo eléctrico EV<n>. Después de la etapa S100, continúa la etapa S110.
[0158] En la etapa S110, la estación de carga EVC<k>recibe el resultado de evaluación de rendimiento de batería, incluyendo el nivel de degradación actual de la batería B<n>y el último factor de control correspondiente a través de la red 12, y a continuación transmite el resultado de evaluación de rendimiento de batería al sistema de control 15 del vehículo eléctrico EV<n>a través de la línea de comunicación del cable de carga o comunicación inalámbrica de corto alcance. Después de la etapa S110, continúa la etapa S120.
[0159] En la etapa S120, el sistema de control 15 del vehículo eléctrico EV<n>actualiza el factor de control anterior usado para controlar la carga/descarga de la batería B<n>con referencia al último factor de control incluido en el resultado de evaluación de rendimiento de batería. Por consiguiente, después de que se completa la carga en la estación de carga EVC<k>, el sistema de control 15 puede controlar de manera segura la carga/descarga de la batería B<n>usando el último factor de control que se actualiza de manera óptima de acuerdo con el nivel de degradación de la batería B<n>. Mientras tanto, si la determinación de la etapa S90 es NO, continúa la etapa S130.
[0160] En la etapa S130, debido a que el nivel de degradación actual de la batería B<n>no aumenta sobre el valor de referencia, el servidor de gestión de rendimiento de batería 11 envía el resultado de evaluación de rendimiento de batería que incluye el nivel de degradación actual a la estación de carga EVC<k>a través de la red 12, junto con un mensaje que indica que no es necesario actualizar el factor de control. Después de la etapa S130, continúa la etapa S140.
[0161] En la etapa S140, si se recibe el resultado de evaluación de rendimiento de batería, la estación de carga EVC<k>transmite el resultado de evaluación de rendimiento de batería al sistema de control 15 del vehículo eléctrico EV<n>a través de un cable de carga o comunicación inalámbrica de corto alcance. Después de la etapa S140, continúa la etapa S150.
[0162] En la etapa S150, el sistema de control 15 del vehículo eléctrico EV<n>comprueba el mensaje que indica que el factor de control anterior no necesita actualizarse a partir del resultado de evaluación de rendimiento de batería, y mantiene el factor de control usado para controlar la carga/descarga de la batería B<n>sin cambio.
[0163] Aunque no se muestra en las figuras, el servidor de gestión de rendimiento de batería 11 puede utilizar de manera complementaria la red neuronal artificial auxiliar 100' cuando se determina el nivel de degradación de la batería B<n>, incluso después de que la red neuronal artificial 100 esté completamente entrenada.
[0164] Es decir, después de determinar el nivel de degradación (primer valor) de la batería B<n>al usar la red neuronal artificial 100 en la etapa S70, el servidor de gestión de rendimiento de batería 11 puede ejecutar además la etapa S70' para determinar el nivel de degradación (segundo valor) de la batería B<n>usando la red neuronal artificial auxiliar 100'. A continuación, se puede determinar un valor promedio ponderado del primer valor y el segundo valor como el nivel de degradación de la batería B<n>. En este caso, el peso conferido al primer valor se puede aumentar gradualmente con respecto al peso conferido al segundo valor a medida que aumenta la cantidad de datos de entrenamiento usados para entrenar la red neuronal artificial 100.
[0165] Como ejemplo, el peso conferido al primer valor se puede determinar como la relación de los datos usados para entrenar la red neuronal artificial 100 a la cantidad total de datos usados para entrenar la red neuronal artificial 100 y la red neuronal artificial auxiliar 100'.
[0166] De acuerdo con la realización modificada anterior, a medida que la red neuronal artificial 100 se entrena repetidamente, el nivel de degradación de la batería B<n>converge al nivel de degradación (primer valor) determinado por la red neuronal artificial 100. A la inversa, si la cantidad de datos de entrenamiento usados para entrenar la red neuronal artificial 100 es pequeña, el nivel de degradación de la batería B<n>converge al nivel de degradación (segundo valor) determinado por la red neuronal artificial auxiliar 100.
[0167] En la presente divulgación, el sistema de control 15 del vehículo eléctrico EV<n>puede proporcionar el nivel de degradación actual de la batería B<n>incluido en el resultado de evaluación de rendimiento de batería transmitido desde la estación de carga EVC<k>a un conductor usando una interfaz gráfica de usuario a través de un panel de visualización de control integrado instalado en el vehículo eléctrico EV<n>. Preferiblemente, la interfaz gráfica de usuario puede incluir un número y/o indicador gráfico que indica el nivel de degradación.
[0168] Mientras tanto, el sistema de gestión de rendimiento de batería 10 de acuerdo con una realización de la presente divulgación como se ha descrito anteriormente puede incluir además un servidor de compañía de seguros 19 conectado comunicativamente al servidor de gestión de rendimiento de batería 11 a través de la red 12.
[0169] En este caso, el servidor de gestión de rendimiento de batería 11 se puede configurar para transmitir el nivel de degradación y una distancia de conducción total del vehículo eléctrico EV<n>y la información de identificación del vehículo eléctrico EV<n>al servidor de compañía de seguros 19. La distancia de conducción total del vehículo eléctrico EV<n>se puede transmitir desde el sistema de control 15 del vehículo eléctrico EV<n>a través de la estación de carga EVC<k>mientras que el vehículo eléctrico EV<n>se está cargando en la estación de carga EVC<k>.
[0170] El servidor de compañía de seguros 19 se puede configurar para calcular una prima de seguro para el vehículo eléctrico correspondiente EV<n>con referencia a la información de identificación del vehículo eléctrico EV<n>usando la información de nivel de degradación.
[0171] Es decir, el servidor de compañía de seguros 19 puede calcular el precio del vehículo eléctrico EV<n>aumentando una relación de depreciación del vehículo eléctrico EV<n>ya que el nivel de degradación de la batería B<n>es más alto. Además, si el nivel de degradación de la batería B<n>es mayor que un promedio en comparación con la distancia de conducción total del vehículo eléctrico EV<n>, el servidor de compañía de seguros 19 puede suponer que el hábito de conducción del conductor no es bueno y aumentar la prima de seguro elevando una tasa de riesgo debido a un accidente automovilístico.
[0172] Es evidente que la prima de seguro calculada por el servidor de compañía de seguros 19 se puede almacenar en una base de datos (no mostrada) del servidor de compañía de seguros 19 y a continuación referenciarse en la renovación del seguro del vehículo eléctrico EV<n>.
[0173] El método de gestión de rendimiento de batería que usa una estación de carga de vehículo eléctrico de acuerdo con una realización de la presente divulgación se puede codificar con una pluralidad de órdenes ejecutivas de procesador y a continuación almacenarse en un dispositivo de memoria no transitoria 11a (figura 1) proporcionado al servidor de gestión de rendimiento de batería 11. Las órdenes ejecutivas de procesador pueden permitir que un procesador 11b (figura 1) incluido en el servidor de gestión de rendimiento de batería 11 ejecute al menos algunas de las etapas descritas anteriormente. Como alternativa, se pueden proporcionar circuitos lógicos de hardware en el servidor de gestión de rendimiento de batería 11 para realizar al menos algunas de las etapas descritas anteriormente en lugar de las órdenes ejecutivas de procesador. Los circuitos lógicos de hardware pueden ser ASIC (circuito integrado específico de la aplicación) o FPGA (matriz de puertas programable en campo). Sin embargo, será evidente para los expertos en la materia que las etapas de las realizaciones anteriores se pueden ejecutar no solo mediante órdenes ejecutivas de procesador específicas, circuitos de hardware específicos o una combinación de los mismos, sino también mediante otro software bien conocido, circuitería de hardware, o una combinación de los mismos.
[0174] De acuerdo con la presente divulgación, dado que se usa un sistema de plataforma de inteligencia artificial basado en grandes cantidades de datos vinculado con una pluralidad de estaciones de carga para evaluar de manera confiable el rendimiento de la batería de acuerdo con el historial de conducción del vehículo eléctrico y el historial de operación de la batería y optimizar el factor de control usado para controlar la carga/descarga de la batería, es posible no solo ampliar la vida útil de la batería, sino también mejorar la seguridad.
[0175] Proporcionando un servicio de gestión de rendimiento de batería altamente fiable a un usuario de vehículo eléctrico, es posible inducir la sustitución de la batería en un punto de tiempo apropiado, así como mejorar la fiabilidad de un fabricante de baterías.
[0176] Al construir una base de datos basada en grandes cantidades de datos con la información de evaluación de rendimiento de batería que refleja la tendencia de conducción del usuario de vehículo eléctrico, la base de datos se puede usar como datos de cálculo de prima de seguro precisos para compañías de seguros de automóviles.
[0177] En la descripción de las diversas realizaciones de ejemplo de la presente divulgación, debería entenderse que los elementos denominados como 'servidor' se distinguen funcionalmente en lugar de físicamente. Por lo tanto, cada elemento se puede integrar selectivamente con otros elementos o cada elemento se puede dividir en subelementos para lógica o lógicas de control de implementación efectivas. Sin embargo, es evidente para los expertos en la materia que, si se puede reconocer identidad funcional para los elementos integrados o divididos, los elementos integrados o divididos caen dentro del alcance de la presente divulgación.
[0179] La presente divulgación se ha descrito en detalle. Sin embargo, debe entenderse que la descripción detallada y los ejemplos específicos, aunque indican realizaciones preferidas de la divulgación, se proporcionan solo a modo de ilustración, ya que diversos cambios y modificaciones dentro del alcance de la divulgación serán evidentes para los expertos en la materia a partir de esta descripción detallada.

Claims (8)

1. REIVINDICACIONES
1. Un vehículo eléctrico, que comprende:
a) una batería; y
b) un sistema de control (15) para controlar la operación de carga/descarga de la batería y realizar operaciones de control de mecanismos mecánicos y/o electrónicos relacionados con la conducción del vehículo eléctrico, en donde el sistema de control (15) está configurado para:
i) recopilar, durante la carga/descarga de la batería, información de característica de operación de la batería, que incluye al menos una seleccionada de tensión, corriente y temperatura de la batería,
ii) estimar un estado de carga - SOC - de la batería,
iii) registrar la información de característica de operación recopilada de la batería, el SOC estimado y la información de tiempo correspondiente,
iv) registrar información de característica de conducción del vehículo eléctrico, junto con información de tiempo correspondiente,
v) en donde la información de tiempo correspondiente es una indicación de tiempo, y
c) en donde el sistema de control (15) está configurado además para transmitir, durante la carga de la batería en una estación de carga, información de evaluación de rendimiento de batería que incluye información acumulativa de característica de conducción en cada sección de característica de conducción, información acumulativa de característica de operación de la batería en cada sección de característica de operación y última información de característica de carga medida y estimada en una pluralidad de puntos de tiempo como información de característica de operación, a través de la estación de carga a un servidor de gestión de rendimiento de batería (11); y
d) en donde la información acumulativa de característica de conducción del vehículo eléctrico incluye al menos uno seleccionado del grupo que consiste en tiempo de conducción acumulativo en cada sección de velocidad, tiempo de conducción acumulativo en cada área de conducción y tiempo de conducción acumulativo en cada sección de humedad en cada área de conducción del vehículo eléctrico.
2. El vehículo eléctrico de acuerdo con la reivindicación 1,
en donde la información de característica de conducción incluye al menos una seleccionada de la velocidad del vehículo eléctrico, el área de conducción del vehículo eléctrico y la humedad en el área de conducción del vehículo eléctrico.
3. El vehículo eléctrico de acuerdo con las reivindicaciones 1 o 2,
en donde el sistema de control (15) está configurado para, tras recibir el factor de control usado para controlar la carga/descarga de la batería desde el servidor de gestión de rendimiento de batería (11) a través de la estación de carga, actualizar el factor de control usado para controlar la carga/descarga de la batería.
4. El vehículo eléctrico de acuerdo con una cualquiera de las reivindicaciones anteriores,
en donde la información acumulativa de característica de operación de la batería incluye al menos uno seleccionado del grupo que consiste en tiempo de operación acumulativo en cada sección de tensión, tiempo de operación acumulativo en cada sección de corriente y tiempo de operación acumulativo en cada sección de temperatura.
5. El vehículo eléctrico de acuerdo con una cualquiera de las reivindicaciones anteriores,
en donde la última información de característica de carga incluye al menos uno seleccionado del grupo que consiste en datos de estado de carga - SOC, tensión, corriente y temperatura de la batería medidos o estimados en una pluralidad de puntos de tiempo.
6. El vehículo eléctrico de acuerdo con una cualquiera de las reivindicaciones anteriores,
en donde el sistema de control (15) está configurado además para transmitir, durante la carga de la batería en una estación de carga, información de identificación del vehículo eléctrico e información de identificación de la batería, además de la información de evaluación de rendimiento de batería, al servidor de gestión de rendimiento de batería (11) a través de la estación de carga.
7. El vehículo eléctrico de acuerdo con la reivindicación 6,
en donde la información de identificación del vehículo eléctrico incluye un código de modelo de vehículo, y la información de identificación de la batería incluye un código de modelo de la batería.
8. El vehículo eléctrico de acuerdo con una cualquiera de las reivindicaciones anteriores,
en donde el factor de control incluye:
al menos uno seleccionado de una magnitud de corriente de carga, un valor de tensión de límite superior de carga, un valor de tensión de límite inferior de descarga, una corriente de carga máxima, una corriente de descarga máxima, una corriente de carga mínima, una corriente de descarga mínima, una temperatura máxima y
una temperatura mínima, aplicados para cada sección de SOC, un mapa de potencia de cada SOC y un mapa de resistencia interna de cada SOC;
al menos uno seleccionado de un límite superior de una relación de trabajo de corriente de pulso definido como una relación de un periodo de mantenimiento de pulso a un periodo de descanso de pulso, un límite inferior de la relación de trabajo de corriente de pulso, un límite superior de una duración de corriente de pulso, un límite inferior de la duración de corriente de pulso, un valor máximo de la corriente de pulso y un valor mínimo de la corriente de pulso; o
al menos uno seleccionado de una magnitud de corriente en un modo de carga de corriente constante, una tensión de corte en la que finaliza el modo de carga de corriente constante y una magnitud de tensión en un modo de carga de tensión constante.
ES24190197T 2020-03-24 2021-03-24 Electric vehicle Active ES3055475T3 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200035892 2020-03-24
KR1020210037625A KR102627949B1 (ko) 2020-03-24 2021-03-23 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법

Publications (1)

Publication Number Publication Date
ES3055475T3 true ES3055475T3 (en) 2026-02-12

Family

ID=77892775

Family Applications (4)

Application Number Title Priority Date Filing Date
ES24190203T Active ES3056063T3 (en) 2020-03-24 2021-03-24 Battery performance management server and battery performance management system including the same
ES24190197T Active ES3055475T3 (en) 2020-03-24 2021-03-24 Electric vehicle
ES21776702T Active ES3009983T3 (en) 2020-03-24 2021-03-24 Battery performance management system and method
ES24190218T Active ES3056053T3 (en) 2020-03-24 2021-03-24 Battery performance management method and electric vehicle charging station forming part of battery performance management system

Family Applications Before (1)

Application Number Title Priority Date Filing Date
ES24190203T Active ES3056063T3 (en) 2020-03-24 2021-03-24 Battery performance management server and battery performance management system including the same

Family Applications After (2)

Application Number Title Priority Date Filing Date
ES21776702T Active ES3009983T3 (en) 2020-03-24 2021-03-24 Battery performance management system and method
ES24190218T Active ES3056053T3 (en) 2020-03-24 2021-03-24 Battery performance management method and electric vehicle charging station forming part of battery performance management system

Country Status (9)

Country Link
US (4) US12384271B2 (es)
EP (5) EP4427974B1 (es)
JP (4) JP7269437B2 (es)
KR (1) KR102760879B1 (es)
CN (1) CN114450706A (es)
ES (4) ES3056063T3 (es)
HU (1) HUE070071T2 (es)
PL (1) PL4064174T3 (es)
WO (1) WO2021194267A1 (es)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11988719B2 (en) * 2020-05-08 2024-05-21 Hyundai Motor Company System for estimating state of health of battery using big data
KR102857466B1 (ko) 2020-05-19 2025-09-08 현대자동차주식회사 빅데이터를 이용한 차량 파워 제어 시스템
KR102952388B1 (ko) 2020-05-21 2026-04-13 현대자동차주식회사 분산 클라우딩을 이용한 차량 제어 시스템
KR20210156618A (ko) * 2020-06-18 2021-12-27 주식회사 엘지에너지솔루션 배터리 관리 시스템, 배터리 관리 방법, 배터리 팩 및 전기 차량
WO2022160190A1 (zh) * 2021-01-28 2022-08-04 宁德时代新能源科技股份有限公司 充电的方法、动力电池的电池管理系统和充电桩
US11615048B2 (en) * 2021-03-05 2023-03-28 Aspeed Technology Inc. Adaptive serial general-purpose input output interface and signal receiver thereof
KR20230010129A (ko) * 2021-07-09 2023-01-18 에스케이온 주식회사 배터리 모니터링 시스템 및 배터리 모니터링 방법
JP7299274B2 (ja) * 2021-07-27 2023-06-27 本田技研工業株式会社 電池モデル構築方法及び電池劣化予測装置
KR20230018904A (ko) * 2021-07-30 2023-02-07 현대자동차주식회사 차량 주행 데이터를 이용한 전기차 충전 방식 추천 장치 및 그 방법
KR102412697B1 (ko) * 2021-11-01 2022-06-24 주식회사 에이젠글로벌 배터리 수명 예측 방법 및 이러한 방법을 수행하는 장치
KR20230072818A (ko) * 2021-11-18 2023-05-25 현대자동차주식회사 배터리 컨디셔닝 시스템 및 방법
KR102841748B1 (ko) * 2022-05-09 2025-08-04 주식회사 에이젠글로벌 e-모빌리티 배터리 가치 판단 결과를 기반으로 금융 서비스를 제공하기 위한 배터리 포트폴리오 설정 방법 및 이러한 방법을 수행하는 장치
KR102841749B1 (ko) * 2022-05-13 2025-08-04 주식회사 에이젠글로벌 e-모빌리티 배터리 가치 판단 결과를 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치
CN114994546B (zh) * 2022-06-15 2025-07-18 山东丰融新材料有限公司 一种基于区块链和Informer神经网络的电池组SOH预测系统及方法
US20240210477A1 (en) * 2022-12-21 2024-06-27 Volkswagen Aktiengesellschaft Battery management system using graph neural network
CN116278908B (zh) * 2023-02-14 2025-09-05 中天集团上海超导技术有限公司 电动汽车安全充电方法、装置、电子设备和存储介质
WO2024187283A1 (en) * 2023-03-15 2024-09-19 National Research Council Of Canada Estimation of battery state of health and of battery state of charge
CN116788094A (zh) * 2023-06-19 2023-09-22 北京四维图新科技股份有限公司 一种充电桩评估方法、系统、装置、设备及介质
JP7740303B2 (ja) * 2023-07-31 2025-09-17 トヨタ自動車株式会社 車両制御システム
WO2025034431A2 (en) * 2023-08-07 2025-02-13 Fluid Power Al, Llc Systems and methods for monitoring and managing battery systems
CN117200393B (zh) * 2023-09-12 2024-04-26 陕西太瓦时代能源科技有限公司 一种储能电站的运行数据处理方法及系统
US20250340148A1 (en) * 2024-05-03 2025-11-06 Here Global B.V. Method, apparatus, and system for providing electric vehicle charging units to electric vehicles
KR102848168B1 (ko) 2024-05-27 2025-08-19 경희대학교 산학협력단 배터리 충전 방법 및 장치
CN118919889B (zh) * 2024-05-30 2025-08-08 华为技术有限公司 一种电池的放电控制方法、芯片、终端设备及系统
EP4668179A1 (en) * 2024-06-18 2025-12-24 Tronity GmbH Computer system and method for indirect measurement of battery degradation of electric vehicles
WO2026049284A1 (ko) * 2024-08-30 2026-03-05 주식회사 엘지에너지솔루션 전자 장치, 기록매체 및 그의 배터리 퇴화 인자 분석 방법
KR20260042755A (ko) * 2024-09-23 2026-03-31 주식회사 엘지에너지솔루션 전자 장치, 기록매체 및 그의 차량의 데이터 처리 방법
KR102850695B1 (ko) * 2024-10-04 2025-08-28 주식회사 유에이로보틱스 전기차 화재감시가 가능한 자율주행 로봇
CN119667490B (zh) * 2024-12-13 2025-10-28 湘潭大学 一种基于Adamom优化器的二次电池SOH预测模型
CN121157703A (zh) * 2025-11-21 2025-12-19 杭州明坤电器有限公司 一种电动车辆电池智能充电控制方法、系统及智能充电器

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003288539A (ja) 2002-03-28 2003-10-10 Toshiba Corp 電池パックの課金システム
JP4252909B2 (ja) 2004-02-13 2009-04-08 株式会社日立製作所 車両診断システム
JP4661250B2 (ja) 2005-02-09 2011-03-30 富士電機ホールディングス株式会社 予測方法、予測装置および予測プログラム
JP5018736B2 (ja) 2008-10-31 2012-09-05 三菱自動車工業株式会社 充放電可能なバッテリの性能評価装置および充放電可能なバッテリの性能評価方法
US20110082621A1 (en) * 2009-10-02 2011-04-07 Eric Berkobin Method and system for predicting battery life based on vehicle battery, usage, and environmental data
JP2011118638A (ja) 2009-12-03 2011-06-16 Nec Corp 電池レンタルシステムのサーバ、方法、プログラム、及び、携帯電子機器
WO2011160258A1 (zh) * 2010-06-24 2011-12-29 松下电器产业株式会社 获取电池的劣化度的方法和系统
JP5964841B2 (ja) 2010-10-22 2016-08-03 ニュークリアス サイエンティフィック， インコーポレイテッド バッテリを急速充電するための装置および方法
US8731974B2 (en) * 2011-04-05 2014-05-20 Hartford Fire Insurance Company Systems and methods associated with insurance for electric vehicles
WO2012169063A1 (ja) * 2011-06-10 2012-12-13 日立ビークルエナジー株式会社 電池制御装置、電池システム
KR20130082959A (ko) * 2011-12-26 2013-07-22 주식회사 케이티 전기자동차 관리 서비스 시스템 및 이를 이용한 서비스 방법
US20140201090A1 (en) * 2013-01-17 2014-07-17 Shwu-Jian Liang Managing and monitoring car-battery to effectively and safely supply energy to electrically powered vehicles
KR20140058864A (ko) 2012-11-07 2014-05-15 한국에너지기술연구원 전기 자동차를 위한 충전 방법, 충전 서버 및 충전 시스템
AT512003A3 (de) * 2013-01-23 2014-05-15 Avl List Gmbh Verfahren zur Ermittlung eines regelungstechnischen Beobachters für den SoC
JP5362930B1 (ja) 2013-07-04 2013-12-11 レスク株式会社 電動車両用バッテリ交換システム及びプログラム
KR20150055649A (ko) 2013-11-13 2015-05-22 (주)마루엠씨에스 전동장치 및 배터리의 임대료 과금 시스템 및 방법
KR102215450B1 (ko) * 2014-06-24 2021-02-15 삼성전자주식회사 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
JP6324248B2 (ja) * 2014-07-17 2018-05-16 日立オートモティブシステムズ株式会社 電池状態検知装置、二次電池システム、電池状態検知プログラム、電池状態検知方法
CN104459552B (zh) * 2014-11-28 2017-10-17 上海交通大学 评估充电行为对电动汽车电池健康状况的影响的方法
CN105717457B (zh) * 2016-02-03 2018-11-30 惠州市蓝微新源技术有限公司 一种采用大数据库分析进行电池组健康状态估算的方法
KR102155333B1 (ko) 2017-07-06 2020-09-11 주식회사 엘지화학 이차 전지의 용량유지율을 추정하는 장치 및 방법
TWI846683B (zh) * 2017-12-27 2024-07-01 日商Ｆ Ｓ Ｒ股份有限公司 二次電池管理裝置及用於二次電池管理之程式製品
WO2019181628A1 (ja) * 2018-03-20 2019-09-26 本田技研工業株式会社 バッテリ
WO2019235645A1 (ja) 2018-06-08 2019-12-12 パナソニックＩｐマネジメント株式会社 バッテリ管理システム及びバッテリ管理方法
JP2020009617A (ja) 2018-07-06 2020-01-16 キヤノン株式会社 充電装置
KR101968551B1 (ko) 2018-07-23 2019-04-12 주식회사 디에스피원 전기자동차 공유형 배터리, 전기자동차 공유형 배터리 관리 시스템 및 방법
KR20200011828A (ko) 2018-07-25 2020-02-04 주식회사 아이비스 보험료 관리시스템 및 그 관리방법
WO2020027203A1 (ja) * 2018-07-31 2020-02-06 本田技研工業株式会社 推定システム、推定装置、推定方法、プログラム、及び記憶媒体
CN112534671B (zh) 2018-08-28 2024-07-30 本田技研工业株式会社 提示装置、提示方法以及存储介质
KR102351637B1 (ko) 2018-09-12 2022-01-14 주식회사 엘지에너지솔루션 배터리 관리 장치 및 방법
KR102297693B1 (ko) 2018-09-27 2021-09-06 연세대학교 산학협력단 후각 검사용 키트
KR20190100114A (ko) * 2019-08-09 2019-08-28 엘지전자 주식회사 배터리 장치 및 그 제어 방법
JP7671255B2 (ja) * 2019-11-19 2025-05-01 本田技研工業株式会社 情報処理装置、プログラム、及び、情報処理方法
US20210203177A1 (en) * 2019-12-31 2021-07-01 Nio Usa, Inc. Vehicle charging scheduler
CN111416997B (zh) 2020-03-31 2022-11-08 百度在线网络技术（北京）有限公司 视频播放方法、装置、电子设备和存储介质
JP7649092B2 (ja) * 2021-03-26 2025-03-19 パナソニックオートモーティブシステムズ株式会社 情報処理装置、保険料決定方法、及びシステム
KR20230009605A (ko) * 2021-07-09 2023-01-17 에스케이온 주식회사 배터리 원장 관리 시스템 및 배터리 원장 관리 방법
JP7403563B2 (ja) * 2022-01-14 2023-12-22 本田技研工業株式会社 バッテリ情報管理方法およびプログラム

Also Published As

Publication number Publication date
ES3056053T3 (en) 2026-02-17
JP7269437B2 (ja) 2023-05-08
EP4427975B1 (en) 2025-11-12
KR102760879B1 (ko) 2025-02-03
EP4064174B1 (en) 2024-12-18
US12384271B2 (en) 2025-08-12
JP2024102251A (ja) 2024-07-30
JP2022547002A (ja) 2022-11-10
EP4427975A2 (en) 2024-09-11
EP4424549B1 (en) 2025-11-12
US20220281345A1 (en) 2022-09-08
EP4427974B1 (en) 2025-11-12
PL4064174T3 (pl) 2025-03-31
US20250388119A1 (en) 2025-12-25
EP4424549A3 (en) 2024-11-27
EP4427974A2 (en) 2024-09-11
ES3056063T3 (en) 2026-02-17
EP4427973A3 (en) 2024-11-27
JP7835458B2 (ja) 2026-03-25
EP4064174A1 (en) 2022-09-28
US20250001900A1 (en) 2025-01-02
US20250303913A1 (en) 2025-10-02
EP4427973A2 (en) 2024-09-11
EP4064174A4 (en) 2023-01-11
EP4427975A3 (en) 2024-11-27
CN114450706A (zh) 2022-05-06
JP2023103268A (ja) 2023-07-26
EP4427974A3 (en) 2024-12-04
HUE070071T2 (hu) 2025-05-28
EP4424549A2 (en) 2024-09-04
EP4427973A8 (en) 2024-11-06
KR20240010078A (ko) 2024-01-23
WO2021194267A1 (ko) 2021-09-30
ES3009983T3 (en) 2025-03-31
JP2026062813A (ja) 2026-04-10
EP4424549A8 (en) 2024-10-23
JP7487380B2 (ja) 2024-05-20

Similar Documents

Publication Publication Date Title
ES3055475T3 (en) Electric vehicle
KR102627949B1 (ko) 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
US11325494B2 (en) Systems, methods, and storage media for determining a target battery charging level for a drive route
US11065978B2 (en) Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack
US11555858B2 (en) Systems, methods, and storage media for predicting a discharge profile of a battery pack
CN121836859A (zh) 电池服务提供系统和方法
US11084387B2 (en) Systems, methods, and storage media for arranging a plurality of cells in a vehicle battery pack
CN113219336B (zh) 电池劣化判断系统、方法及存储有程序的非临时性存储介质
CN112786980A (zh) 具有用于电动车辆中的可再充电能量存储装置的监督控制的管理系统
CN114514436B (zh) 用于适配锂离子电池的阳极过电压的方法、用于改善锂离子电池的容量老化状态的方法
Divya A Systematic Review: Technology for Battery Management System
KR20250028796A (ko) 서버 및 그것의 동작 방법