ES3056063T3 - Battery performance management server and battery performance management system including the same - Google Patents

Battery performance management server and battery performance management system including the same

Info

Publication number
ES3056063T3
ES3056063T3 ES24190203T ES24190203T ES3056063T3 ES 3056063 T3 ES3056063 T3 ES 3056063T3 ES 24190203 T ES24190203 T ES 24190203T ES 24190203 T ES24190203 T ES 24190203T ES 3056063 T3 ES3056063 T3 ES 3056063T3
Authority
ES
Spain
Prior art keywords
battery
information
electric vehicle
battery performance
performance management
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
ES24190203T
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 ES3056063T3 publication Critical patent/ES3056063T3/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] Servidor de gestión del rendimiento de la batería y sistema de gestión del rendimiento de la batería que lo incluye CAMPO TÉCNICO
[0003] La presente descripción se refiere a un servidor de gestión del rendimiento de la batería, que forma parte de un sistema de gestión del rendimiento de la batería y, más particularmente, a un sistema donde, mientras se carga un vehículo eléctrico en una estación de carga de vehículos eléctricos, un servidor remoto puede recopilar información de evaluación del rendimiento de la batería y almacenarla en una base de datos, determinar un nivel de degradación (estado de salud) de una batería mediante el uso de un modelo de inteligencia artificial entrenado con big data, y actualizar un factor de control usado para controlar la carga/descarga de la batería.
[0004] La presente solicitud reivindica la prioridad de la solicitud de patente coreana N.º 10-2020-0035892, depositada el 24 de marzo de 2020, y de la solicitud de patente coreana N.º 10-2021-0037625, depositada el 23 de marzo de 2021 en la República de Corea.
[0005] ANTECEDENTES DE LA TÉCNICA
[0006] El uso de baterías se está extendiendo rápidamente no solo a dispositivos móviles como teléfonos celulares, ordenadores portátiles, teléfonos inteligentes y almohadillas inteligentes, sino también a vehículos eléctricos (Electric Vehicles,EV, HEV, PHEV) y sistemas de almacenamiento de energía (Energy Storage Systems,ESS) de gran capacidad.
[0007] En caso de una batería de un vehículo eléctrico, la velocidad de degradación del rendimiento cambia según los hábitos de conducción de un conductor o los entornos de conducción. Por ejemplo, si el vehículo eléctrico se usa con aceleración rápida frecuente o se opera en una zona montañosa, una zona desértica o una zona fría, la batería del vehículo eléctrico tiene una velocidad de degradación relativamente rápida.
[0008] La degradación del rendimiento de la batería puede cuantificarse como un factor llamado estado de salud (State Of Health,SOH). El SOH es un valor numérico que indica el rendimiento de una batería en un estado de mitad de vida (Middle Of Life,MOL) como una relación relativa basada en el rendimiento de la batería en un estado de comienzo de vida (Beginning Of Life,BOL).
[0009] Como indicadores que representan el rendimiento de la batería, se usan la capacidad y la resistencia interna de la batería. A medida que aumenta el ciclo de carga/descarga de la batería, la capacidad de la batería disminuye y la resistencia interna aumenta. Por lo tanto, el SOH puede cuantificarse por la tasa de disminución de la capacidad de la batería o la tasa de aumento de la resistencia interna de la batería.
[0010] El SOH de la batería en un estado BOL se expresa como 100 %, y el SOH de la batería en un estado MOL se expresa como un porcentaje inferior al 100 %. Si el SOH se baja por debajo de un cierto nivel, el rendimiento de la batería se ha degradado más allá del límite, por lo que es necesario reemplazar la batería.
[0011] La lógica de control de carga/descarga de la batería debe configurarse de manera diferente según el estado de degradación del rendimiento para retrasar la velocidad de degradación de la batería tanto como sea posible y, por lo tanto, prolongar la vida útil. Con este fin, existe la necesidad de un procedimiento para monitorear los cambios de rendimiento para una pluralidad de baterías del mismo modelo de manera centralizada y para actualizar de manera eficiente varias lógicas de control usadas para cargar y descargar las baterías de vehículos eléctricos. El documento US2012/259665 A1 describe un servidor de gestión del rendimiento de la batería, que forma parte de un sistema de gestión del rendimiento de la batería, estando configurado el servidor de gestión del rendimiento de la batería para conectarse comunicativamente a través de una red a una pluralidad de estaciones de carga que están distribuidas en un área y una base de datos configurada para almacenar información de una batería de un vehículo eléctrico, donde el servidor de gestión del rendimiento de la batería está configurado para: recibir información de evaluación del rendimiento de la batería que incluye información de identificación de la batería del vehículo eléctrico, información de identificación del vehículo eléctrico y la última información de características de carga de la batería desde una estación de carga de la pluralidad de estaciones de carga a través de la red; transmitir una distancia de conducción total del vehículo eléctrico y la información de identificación del vehículo eléctrico a un servidor de la compañía de seguros, de modo que el servidor de la compañía de seguros calcule una prima de seguro para el vehículo eléctrico correspondiente con referencia a la información de identificación del vehículo eléctrico usando la distancia de conducción del vehículo eléctrico. Los documentos KR20160000317 A, WO2019/131824 A1 describen cada uno un sistema de gestión del rendimiento de la batería, conectado comunicativamente a través de una red a una pluralidad de estaciones de carga que están distribuidas en un área y una base de datos configurada para almacenar información sobre el nivel de degradación de una batería de un vehículo eléctrico según el estado de la técnica.
[0012] DESCRIPCIÓN
[0013] Problema técnico
[0014] La presente descripción está diseñada para resolver los problemas de la técnica relacionada y, por lo tanto, la presente descripción está dirigida a proporcionar un sistema y procedimiento de gestión del rendimiento de la batería, que puede recopilar acumulativamente información de evaluación del rendimiento de la batería desde una estación de carga mientras se carga un vehículo eléctrico en la estación de carga del vehículo eléctrico, diagnosticar el rendimiento (por ejemplo, nivel de degradación) de la batería según los big data recopilados y actualizar los factores de control usados para controlar la carga/descarga de la batería según el rendimiento diagnosticado de una manera basada en plataforma.
[0015] Solución técnica
[0016] La invención se define en las reivindicaciones adjuntas.
[0017] En un aspecto de la presente descripción, se proporciona un sistema de gestión del rendimiento de la batería que usa una estación de carga de vehículo eléctrico, comprendiendo: un servidor de gestión del rendimiento de la batería conectado comunicativamente a través de una red a una pluralidad de estaciones de carga que están instaladas para distribuirse en un área; y una base de datos conectada al servidor de gestión del rendimiento de la batería y configurada para almacenar información del nivel de degradación de un vehículo eléctrico.
[0018] Preferentemente, el servidor de gestión del rendimiento de la batería puede configurarse para recopilar información de evaluación del rendimiento de la batería, incluida información de identificación e información acumulativa de características de funcionamiento de una batería, información de identificación e información acumulativa de características de conducción del vehículo eléctrico, y la última información de características de carga de la batería desde la estación de carga a través de la red y almacenar la información de evaluación del rendimiento de la batería en la base de datos, determinar un nivel de degradación actual correspondiente a la información de evaluación del rendimiento de la batería recopilada mediante el uso de un modelo de inteligencia artificial que está entrenado de antemano para recibir la información de evaluación del rendimiento de la batería y emitir un nivel de degradación de la batería, determinar un último factor de control correspondiente al nivel de degradación actual mediante el uso de información de correlación entre el nivel de degradación y un factor de control usado para controlar el funcionamiento de la batería con referencia a la base de datos si el nivel de degradación actual excede 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 para 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] Según un aspecto, la información acumulativa de las características de funcionamiento de la batería puede incluir al menos una seleccionada del grupo que consiste en el tiempo de funcionamiento acumulativo en cada sección de voltaje, el tiempo de funcionamiento acumulativo en cada sección de corriente y el tiempo de funcionamiento acumulativo en cada sección de temperatura.
[0020] Según otro aspecto, la información acumulativa de las características de conducción del vehículo eléctrico puede incluir al menos una seleccionada del grupo que consiste en el 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.
[0021] Según otro aspecto más, la última información de las características de carga puede incluir al menos una seleccionada del grupo que consiste en datos de SOC, voltaje, corriente y temperatura de la batería medidos o estimados en una pluralidad de puntos de tiempo.
[0022] Preferentemente, cada vez que se recibe la información de evaluación del rendimiento de la batería desde una pluralidad de estaciones de carga de vehículos eléctricos, cuando se determina que la última información de las características de carga incluye datos suficientes para determinar un nivel de degradación actual de la batería, el servidor de gestión del rendimiento de la batería puede configurarse para determinar el nivel de degradación actual de la batería a partir de la última información de las características de carga, almacenar la información acumulativa de las características de funcionamiento de la batería, la información acumulativa de las características de conducción del vehículo eléctrico y la última información de las características 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] Preferentemente, el servidor de gestión del rendimiento de la batería puede configurarse para entrenar repetidamente el modelo de inteligencia artificial siempre que los datos de entrada de entrenamiento y los datos de salida de entrenamiento sobre un valor de referencia se almacenen acumulativamente en la base de datos.
[0024] [0018]Según un aspecto, el servidor de gestión del rendimiento de la batería puede configurarse 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 los datos de entrada de entrenamiento y los datos de salida de entrenamiento sobre un valor de referencia se almacenen 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] Según otro aspecto, el servidor de gestión del rendimiento de la batería se puede configurar para determinar un nivel de degradación de la batería mediante el análisis de la información de evaluación del rendimiento de la batería mediante el uso del 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 descripción, el servidor de gestión del rendimiento de la batería puede configurarse para recibir un nivel de degradación de cada ciclo e información de evaluación del rendimiento de cada ciclo, incluida la información acumulativa de las características de funcionamiento y la última información de las características de carga medida cada vez que se realiza cada ciclo de carga/descarga de la batería desde el servidor de suministro de datos de la batería a través de la red y almacenarla en la base de datos.
[0027] En este caso, el servidor de gestión del rendimiento de la batería puede incluir además un modelo auxiliar de inteligencia artificial entrenado para emitir un nivel de degradación a partir de la información acumulativa de las características de funcionamiento y la última información de las características de carga de la batería usando el nivel de degradación de cada ciclo y la información de evaluación del rendimiento de cada ciclo almacenado en la base de datos.
[0028] Preferentemente, cuando el modelo de inteligencia artificial no está completamente entrenado, el servidor de gestión del rendimiento de la batería puede configurarse para determinar un nivel de degradación de la batería introduciendo la información acumulativa de las características de funcionamiento y la última información de las características de carga de la batería incluida en la información de evaluación del rendimiento de la batería en el modelo de inteligencia artificial auxiliar.
[0029] Además, el servidor de gestión del rendimiento de la batería se puede configurar para determinar un nivel de degradación de la batería introduciendo la información acumulativa de las características de funcionamiento y la última información de las características de carga de la batería incluida en la información de evaluación del rendimiento de la batería en el modelo auxiliar de inteligencia artificial, y determinar un promedio ponderado del nivel de degradación determinado por el modelo de inteligencia artificial y el nivel de degradación determinado por el modelo auxiliar de inteligencia artificial como el nivel de degradación de la batería.
[0030] Además, el servidor de gestión del rendimiento de la batería puede configurarse para aumentar un peso atribuido al nivel de degradación del modelo de inteligencia artificial al calcular el promedio ponderado a medida que aumenta la cantidad de entrenamiento del modelo de inteligencia artificial.
[0031] En un ejemplo, el modelo de inteligencia artificial puede ser una red neuronal artificial.
[0032] En la presente descripción, 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 voltaje límite superior de carga, un valor de voltaje 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 de un límite superior de una relación de trabajo de corriente de pulso (una relación de un período de mantenimiento de pulso a un período de reposo 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 (Constant-Current ,CC), un voltaje de corte al que termina el modo de carga de corriente constante (Constant-Current, CC) y una magnitud de voltaje en un modo de carga de voltaje constante (Constant-Voltage,CV).
[0033] Según la invención, el servidor de gestión del rendimiento de la batería está configurado 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 configurarse 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 descripción, también se proporciona un procedimiento de gestión del rendimiento de la batería que usa una estación de carga de vehículo eléctrico, comprendiendo: recopilar información de evaluación del rendimiento de la batería que incluye información de identificación e información acumulativa de las características de funcionamiento de una batería, información de identificación e información acumulativa de las características de conducción de un vehículo eléctrico, y la última información de las características 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 del rendimiento de la batería en una base de datos; determinar un nivel de degradación actual correspondiente a la información de evaluación del rendimiento de la batería recopilada mediante el uso de un modelo de inteligencia artificial que está entrenado de antemano para recibir la información de evaluación del rendimiento de la batería y emitir un nivel de degradación de la batería; determinar un último factor de control correspondiente al nivel de degradación actual mediante el uso de información de correlación entre el nivel de degradación y un factor de control usado para controlar el funcionamiento de la batería si el nivel de degradación actual excede 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 para 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] Un dispositivo informático puede comprender: un dispositivo de memoria no transitorio configurado para almacenar una pluralidad de comandos ejecutivos del procesador; y un procesador configurado para ejecutar la pluralidad de comandos ejecutivos del procesador. Al ejecutar los comandos ejecutivos del procesador, el procesador puede configurarse para:
[0036] (a) recibir información de evaluación del rendimiento de la batería, incluida la información de identificación y la información acumulativa de las características de funcionamiento de una batería, la información de identificación y la información acumulativa de las características de conducción de un vehículo eléctrico, y la última información de las características 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 del rendimiento de la batería, (c) determinar un nivel de degradación actual correspondiente a la información de evaluación del rendimiento de la batería recopilada mediante el uso del 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 mediante el uso de información de correlación entre el nivel de degradación y un factor de control usado para controlar el funcionamiento de la batería si el nivel de degradación actual excede el nivel de degradación anterior en 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] Según la presente descripción, dado que se usa un sistema de plataforma de inteligencia artificial basado en big data vinculado a una pluralidad de estaciones de carga para evaluar de forma fiable el rendimiento de la batería según el historial de conducción del vehículo eléctrico y el historial de funcionamiento de la batería y optimizar el factor de control usado para controlar la carga/descarga de la batería, es posible no solo prolongar la vida útil de la batería, sino también mejorar la seguridad.
[0039] Al proporcionar un servicio de gestión del rendimiento de la batería altamente confiable a un usuario de un vehículo eléctrico, es posible inducir el reemplazo de la batería en un momento adecuado, así como mejorar la confiabilidad de un fabricante de baterías.
[0040] Al construir una base de datos basada en big data con la información de evaluación del rendimiento de la batería que refleja la tendencia de conducción del usuario del vehículo eléctrico, la base de datos se puede usar como un dato preciso de cálculo de la prima de seguro para las compañías de seguros de automóviles.
[0041] DESCRIPCIÓN DE LOS DIBUJOS
[0042] Los dibujos adjuntos ilustran una realización preferida de la descripción de la presente descripción y, junto con la descripción anterior, sirven para proporcionar una mayor comprensión de las características técnicas de la presente descripción y, por lo tanto, la presente descripción no se interpreta como limitada a los dibujos.
[0043] La FIG.1 es un diagrama de bloques que muestra una configuración de un sistema de gestión del rendimiento de la batería que usa una estación de carga de vehículos eléctricos según una realización de la presente descripción. Las FIGS.2 a 4 son gráficos que muestran, a modo de ejemplo, datos de distribución de frecuencia generados a partir de información acumulativa de características de funcionamiento de una batería de vehículo eléctrico según una realización de la presente descripción.
[0044] Las FIGS.5 a 7 son gráficos que muestran, a modo de ejemplo, datos de distribución de frecuencia generados a partir de información acumulativa de características de conducción de un vehículo eléctrico según una realización de la presente descripción.
[0045] La FIG.8 es un diagrama que muestra, a modo de ejemplo, una estructura de una red neuronal artificial según una realización de la presente descripción.
[0046] La FIG.9 es un diagrama que muestra, a modo de ejemplo, una estructura de una red neuronal artificial auxiliar según una realización de la presente descripción.
[0047] Las FIGS.10 a 11 son diagramas de flujo para ilustrar un procedimiento de gestión del rendimiento de la batería usando la estación de carga del vehículo eléctrico según una realización de la presente descripción.
[0048] MEJOR MODO
[0049] En lo sucesivo, se describirán en detalle realizaciones preferidas de la presente descripción 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 los significados generales y del diccionario, sino que se han de interpretar según los significados y conceptos correspondientes a los aspectos técnicos de la presente descripción, basándose en el principio de que el autor de la invención puede definir términos adecuadamente para explicar la invención de la mejor manera. Por lo tanto, la descripción propuesta en esta invención es solo un ejemplo preferible a efectos ilustrativos únicamente, no pretende limitar el alcance de la descripción, por lo que debe entenderse que se podrían realizar otras equivalencias y modificaciones a la misma sin apartarse del alcance de la descripción.
[0050] La FIG. 1 es un diagrama de bloques que muestra una configuración de un sistema de gestión del rendimiento de la batería que usa una estación de carga de vehículos eléctricos según una realización de la presente descripción.
[0051] Con referencia a la FIG.1, un sistema de gestión del rendimiento de la batería 10 según una realización de la presente descripción incluye una pluralidad de estaciones de carga EVC<k>y un servidor de gestión del rendimiento de la 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>están instaladas en 10.000 sitios, k es de 1 a 10.000.
[0052] Preferentemente, la estación de carga EVC<k>y el servidor de gestión del rendimiento de la batería 11 pueden estar conectados comunicativamente entre sí a través de una red 12.
[0053] La red 12 no está limitada en su tipo siempre que admita la comunicación entre la estación de carga EVC<k>y el servidor de gestión del rendimiento de la batería 11.
[0054] La red 12 incluye una red cableada, una red inalámbrica o una combinación de las mismas. La red cableada incluye un Internet de área local o de área amplia que admite 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.
[0055] La red 12 puede incluir, por ejemplo, redes de segunda generación (Second Generation,2G) a quinta generación (Fifth Generation,5G), red de evolución a largo plazo (Long Term Evolution,LTE),, red de sistema global para comunicación móvil (Global System for Mobile communication,GSM), red de acceso múltiple por división de código (Code Division Multiple Accesses, CDMA), red de evolución-optimización de datos (Evolution- Data Optimization,EVDO), red móvil terrestre pública (Public Land Mobile,PLM) y/u otras redes.
[0056] La red 12 puede incluir, como otro ejemplo, red de área local (Local Area Network,LAN), red de área local inalámbrica (Wireless Local Area Network,WLAN), red de área amplia (Wide Area Network,WAN), red de área metropolitana (Metropolitan Network,MAN), red telefónica pública conmutada (Public Switched Telephone Network,PSTN), red ad hoc, red IP gestionada, red privada virtual (Virtual Private Network,VPN), intranet, Internet, red basada en fibra y/o combinaciones de las mismas, u otros tipos de redes.
[0057] 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 de 1 millón, n es de 1 a 1 millón. La estación de carga EVC<k>puede instalarse en estacionamientos nacionales y/o en el extranjero, gasolineras, instituciones públicas, edificios, apartamentos, mansiones, casas privadas y similares. La estación de carga EVC<k>puede acoplarse con la red 12 para permitir la comunicación con el servidor de gestión del rendimiento de la batería 11.
[0058] [0043]Preferentemente, 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 el voltaje, la corriente y la temperatura de la batería B<n>y lo registra en un medio 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>.
[0059] El medio de almacenamiento 15a es un dispositivo de memoria no transitorio, 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 disco de estado sólido (Solid State Disk,SSD) u otros tipos de hardware para el almacenamiento de datos.
[0060] El sistema de control 15 del vehículo eléctrico EV<n>puede recopilar información de características de funcionamiento de la batería B<n>mientras la batería B<n>se está cargando o descargando, y registrar la información de las características de funcionamiento en los medios de almacenamiento 15a. La información de las características de funcionamiento puede incluir al menos una seleccionada de voltaje, corriente y temperatura de la batería B<n>. El sistema de control 15 puede registrar la información de las características de funcionamiento de la batería B<n>junto con el estado de carga (State Of Charge,SOC) de la batería B<n>y/o el sello de tiempo en el medio de almacenamiento 15a. El sistema de control 15 puede estimar el SOC de la batería B<n>mediante el uso de un procedimiento de recuento de amperios, un procedimiento OCV, un filtro Kalman extendido o similares conocidos en la técnica. El sistema de control 15 puede estar acoplado eléctricamente a un sensor de voltaje, un sensor de corriente y un sensor de temperatura instalados en la batería B<n>para recopilar la información de las características de funcionamiento de la batería B<n>.
[0061] El sistema de control 15 puede registrar información de características de conducción del vehículo eléctrico EV<n>en los medios de almacenamiento 15a. La información de las características de conducción incluye al menos una seleccionada del grupo que consiste en la velocidad del vehículo eléctrico EV<n>, el área de conducción del vehículo eléctrico EV<n>y la humedad del mismo. Preferentemente, el sistema de control 15 puede registrar la información de las características de conducción del vehículo eléctrico EV<n>junto con un sello de tiempo en los medios de almacenamiento 15a. El sistema de control 15 puede estar acoplado eléctricamente a un sensor de velocidad, un sensor GPS y un sensor de humedad para recopilar y almacenar la información de las características de conducción.
[0062] 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 del rendimiento de la batería mientras se carga la batería B<n>y transmite la información de evaluación del rendimiento de la batería al servidor de gestión del rendimiento de la batería 11. Además, la estación de carga EVC<k>puede recibir varios factores de control usados para controlar la carga/descarga de la batería B<n>desde el servidor de gestión del rendimiento de la batería 11 y transmitirlos 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] Preferentemente, el sistema de gestión del rendimiento de la batería 10 puede incluir una base de datos de gran capacidad 16 conectada al servidor de gestión del rendimiento de la batería 11.
[0064] Según una realización, mientras el vehículo eléctrico EV<n>se está cargando en la estación de carga , el servidor de gestión del rendimiento de la batería 11 puede recopilar información de evaluación del rendimiento de la batería que incluye información acumulativa de las características de conducción del vehículo eléctrico EV<n>,, información acumulativa de las características de funcionamiento de la batería B<n>y la última información de las características de carga de la estación de carga EVC<k>a través de la red 12, y almacenar la información de evaluación del rendimiento de la batería en una unidad de almacenamiento de información de evaluación del rendimiento 16a de la base de datos 16.
[0065] Preferentemente, la información acumulativa de las características de funcionamiento de la batería B<n>puede incluir al menos una seleccionada del grupo que consiste en el tiempo de funcionamiento acumulativo de cada sección de voltaje, el tiempo de funcionamiento acumulativo de cada sección de corriente y el tiempo de funcionamiento acumulativo de cada sección de temperatura.
[0066] Preferentemente, la información acumulativa de las características de conducción del vehículo eléctrico EV<n>puede incluir al menos una seleccionada del grupo que consiste en el tiempo de conducción acumulativo de cada sección de velocidad, el tiempo de conducción acumulativo de cada área de conducción y el tiempo de conducción acumulativo de cada sección de humedad.
[0067] Preferentemente, la última información de las características de carga puede incluir al menos una seleccionada del grupo que consiste en SOC, voltaje, corriente y temperatura de la batería medida o estimada en una pluralidad de puntos de tiempo como información de características de funcionamiento de la batería B<n>mientras la batería B<n>se está cargando.
[0068] [0053]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 se está cargando el vehículo eléctrico EV<n>. En un ejemplo, la comunicación se realiza a través de una línea de comunicación de datos incluida en un cable de carga. Alternativamente, la comunicación se realiza a través de la 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 los datos recopilados del vehículo eléctrico EV<n>al servidor de gestión del rendimiento de la batería 11 a través de la red 12 según un protocolo de comunicación predefinido.
[0070] El servidor de gestión del rendimiento de la 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 del rendimiento de la batería que incluye la información acumulativa de las características de funcionamiento de la batería B<n>, la información acumulativa de las características de conducción del vehículo eléctrico EV<n>y la última información de las características de carga de la estación de carga EVC<k>mientras el vehículo eléctrico EV<n>se está cargando en la estación de carga EVC<k>, y almacenar la misma en la unidad de almacenamiento de información de evaluación del rendimiento 16a de la base de datos 16.
[0071] Aquí, 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] Preferentemente, 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 del rendimiento de la batería que incluye la información acumulativa de las características de funcionamiento de la batería B<n>, la información acumulativa de las características de conducción del vehículo eléctrico EV<n>y la última información de las características de carga del sistema de control 15 del vehículo eléctrico EV<n>mientras se está cargando el vehículo eléctrico EV<n>, y transmitir la información y/o los datos recibidos al servidor de gestión del rendimiento de la batería 11 a través de la red 12.
[0073] Según una realización, el servidor de gestión del rendimiento de la batería 11 analiza la información acumulativa de las características de funcionamiento del vehículo eléctrico EV<n>transmitida desde la estación de carga EVC<k>para generar datos de distribución de frecuencia para cada característica de funcionamiento, y a continuación almacena 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] Según una realización, en los datos de distribución de frecuencia para la información acumulativa de las características de funcionamiento, la variable puede ser voltaje, corriente o temperatura, y la frecuencia puede ser el tiempo de funcionamiento acumulativo de la batería B<n>en cada variable.
[0075] La FIG.2 es un gráfico que muestra un ejemplo de los datos de distribución de frecuencia para el voltaje en la información acumulativa de las características de funcionamiento de la batería B<n>, la FIG.3 es un gráfico que muestra un ejemplo de los datos de distribución de frecuencia para la corriente en la información acumulativa de las características de funcionamiento de la batería B<n>, y la FIG.4 es un gráfico que muestra un ejemplo de los datos de distribución de frecuencia para la temperatura en la información acumulativa de las características de funcionamiento de la batería B<n>.
[0076] Con referencia a las FIGS.2 a 4, los datos de distribución de frecuencia pueden proporcionar el tiempo de funcionamiento acumulativo de la batería B<n>en cada sección de voltaje, el tiempo de funcionamiento acumulativo de la batería B<n>en cada sección de corriente y el tiempo de funcionamiento acumulativo de la batería B<n>en cada sección de temperatura mientras el vehículo eléctrico EV<n>está funcionando. Los datos de distribución de frecuencia representan un historial de conducción del vehículo eléctrico EV<n>, y pueden usarse para que el servidor de gestión del rendimiento de la batería 11 entrene el modelo de inteligencia artificial. Esto se describirá más adelante.
[0077] Según otra realización, el servidor de gestión del rendimiento de la batería 11 puede analizar la información acumulativa de las características 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 las características de conducción, la variable es la velocidad del vehículo eléctrico EV<n>, el área de conducción del vehículo eléctrico EV<n>o la humedad del área donde funciona el vehículo eléctrico EV<n>, y la frecuencia puede ser el tiempo de conducción acumulativo del vehículo eléctrico EV<n>en cada variable.
[0079] La FIG. 5 es un gráfico que muestra un ejemplo de los datos de distribución de frecuencia para la velocidad en la información acumulativa de las características de conducción del vehículo eléctrico EV<n>, la FIG.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 las características de conducción del vehículo eléctrico EV<n>, y la FIG.
[0080] 7 es un gráfico que muestra un ejemplo de los datos de distribución de frecuencia para la humedad de un área donde el vehículo eléctrico EV<n>está funcionando en la información acumulativa de las características de conducción del vehículo eléctrico EV<n>.
[0082] Con referencia a las FIGS. 5 a 7, los datos de distribución de frecuencia pueden proporcionar información sobre el 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 funcionando. El área puede ser un área administrativa nacional y/o extranjera. Como ejemplo, el área puede ser una ciudad, pero la presente descripción no se limita a ello. Los datos de distribución de frecuencia se pueden usar para que el servidor de gestión del rendimiento de la batería 11 entrene el modelo de inteligencia artificial. Esto se describirá más adelante.
[0084] Según otra realización, el servidor de gestión del rendimiento de la batería 11 puede registrar la última información de características de carga del vehículo eléctrico EV<n>transmitida desde la estación de carga EVC<k>en la unidad de almacenamiento de información de evaluación del rendimiento 16a de la base de datos 16.
[0086] Preferentemente, la última información de las características de carga incluye al menos un dato de características de funcionamiento seleccionado del grupo comprendiendo SOC, voltaje, corriente y temperatura medida o estimada 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 EVCk.
[0088] Los datos de las características de funcionamiento medidos en cada punto de tiempo de medición pueden representarse mediante un vector de cuatro dimensiones (SOC<k>, I<k>, V<k>, T<k>). k es un índice para un punto de tiempo de medición de las características de funcionamiento. 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 las características de carga es n.
[0090] Cuando se cumple una condición predeterminada, el servidor de gestión del rendimiento de la batería 11 puede determinar el nivel de degradación de la batería B<n>mediante el uso de los datos de características de funcionamiento incluidos en la última información de las características 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>.
[0092] En un ejemplo, el servidor de gestión del rendimiento de la batería 11 determina si la última información de las características de carga se recopila en una sección de voltaje de estimación del nivel de degradación preestablecida. Para este fin, el servidor de gestión del rendimiento de la batería 11 puede examinar la distribución de los datos de voltaje V<k>incluidos en la última información de características de carga. Si la determinación es SÍ, el servidor de gestión del rendimiento de la batería 11 puede determinar una cantidad de cambio de capacidad de carga integrando los datos actuales medidos en la sección de voltaje 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 voltaje de estimación de nivel de degradación, y la cantidad de cambio de capacidad de carga de referencia se puede registrar de antemano en una unidad de almacenamiento de parámetros 16c de la base de datos 16 para cada modelo de batería B<n>.
[0094] En otro ejemplo, el servidor de gestión del rendimiento de la batería 11 analiza la última información de las características de carga para determinar si la batería B<n>se carga dentro de la sección de voltaje de estimación del nivel de degradación preestablecida y una pluralidad de datos de voltaje se miden en condiciones de corriente de carga variable. Para este fin, el servidor de gestión del rendimiento de la batería 11 puede examinar la distribución de los datos de voltaje V<k>y los datos de corriente I<k>incluidos en la última información de las características de carga. Si la determinación es SÍ, el servidor de gestión del rendimiento de la batería 11 puede realizar un análisis de regresión lineal en la pluralidad de datos de corriente y voltaje medidos dentro de la sección de voltaje de estimación del nivel de degradación preestablecido en la última información de las características 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 y/o amplitudes de carga de CA a la batería B<n>mientras la batería B<n>se carga dentro de la sección de voltaje de estimación de nivel de degradación preestablecida. A continuación, se puede medir una pluralidad de datos de voltaje en 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 modelo de batería B<n>.
[0095] El servidor de gestión del rendimiento de la batería 11 puede determinar el nivel de degradación de la batería B<n>a partir de la información de evaluación del rendimiento de la batería que incluye la información acumulativa de las características de funcionamiento de la batería B<n>, la información acumulativa de las características de conducción del vehículo eléctrico EV<n>y la última información de las características de carga transmitida desde la estación de carga EVC<k>mediante el uso de un modelo de inteligencia artificial.
[0096] En la presente descripción, el nivel de degradación calculado a partir de la última información de las características de carga constituye una parte de los big data 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 descripción se realiza realmente mediante el modelo de inteligencia artificial entrenado según los big data.
[0097] La razón es que, dado que el nivel de degradación calculado a partir de la última información de las características de carga es una limitación, ya que solo se puede determinar cuando se cumple 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 según big data tiene una mayor precisión y confiabilidad.
[0098] Preferentemente, 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 descripción no se limita a ellas.
[0099] La FIG.8 es un diagrama que muestra, a modo de ejemplo, una estructura de una red neuronal artificial 100 según una realización de la presente descripción.
[0100] Con referencia a la FIG.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.
[0101] Cuando el servidor de gestión del rendimiento de la batería 11 entrena la red neuronal artificial 100 o determina el nivel de degradación de la batería B<n>mediante el uso de la red neuronal artificial 100, los datos de distribución de frecuencia generados a partir de la información acumulativa de las características de funcionamiento de la batería B<n>, los datos de distribución de frecuencia generados a partir de la información acumulativa de las características de conducción del vehículo eléctrico EV<n>, y los datos incluidos en la última información de las características de carga, recopilada de la estación de carga EVC<k>, pueden introducirse en la capa de entrada 101.
[0102] La entrada de información acumulativa de características de funcionamiento (asignada) a los nodos de la capa de entrada 101 puede incluir un primer valor de tiempo acumulativo para cada sección de voltaje 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. Los valores de tiempo acumulativo primero a tercero se normalizan preferentemente como una relación basada 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 voltaje específica es 1.000 horas y el tiempo total disponible es 20.000 horas, el valor de tiempo acumulativo normalizado es 1/20 (0,05).
[0103] El número de primeros valores de tiempo acumulativo puede corresponder al número de secciones de voltaje, el número de segundos valores de tiempo acumulativo puede corresponder al número de secciones de corriente, y el número de terceros valores de tiempo acumulativo puede corresponder al número de secciones de temperatura. Por ejemplo, si el número de secciones de voltaje es 5, el número de secciones de corriente es 9 y el número de secciones de temperatura es 10, los números de los valores de tiempo acumulativo primero a tercero son 5, 9 y 10, respectivamente.
[0104] Preferentemente, la capa de entrada 101 puede incluir un número de nodos correspondiente al número de primeros valores de tiempo acumulativo y/o el número de segundos valores de tiempo acumulativo y/o el número de terceros valores de tiempo acumulativo.
[0105] La entrada de información acumulativa de características 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. Los valores de tiempo acumulativo cuarto a sexto se normalizan preferentemente como una relación basada 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 total disponible es 20.000 horas, el valor de tiempo acumulativo normalizado es 1/10 (0,1).
[0106] [0083]El número de cuartos valores de tiempo acumulativo corresponde al número de secciones de velocidad, el número de quintos valores de tiempo acumulativo corresponde al número de áreas donde el vehículo eléctrico EV<n>está funcionando, y el número de sextos valores de tiempo acumulativo 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 de los valores de tiempo acumulativo cuarto a sexto son 8, 20 y 6, respectivamente.
[0107] Preferentemente, la capa de entrada 101 puede incluir un número de nodos correspondiente al número de cuartos valores de tiempo acumulativo y/o el número de quintos valores de tiempo acumulativo y/o el número de sextos valores de tiempo acumulativo.
[0108] La última entrada de información de características de carga (asignada) a los nodos de la capa de entrada 101 puede incluir datos de voltaje y datos de temperatura. Dado que tanto el voltaje como la temperatura de la batería B<n>se miden para cada SOC, se pueden asignar 100 nodos para introducir los datos de voltaje, y se pueden asignar otros 100 nodos para introducir los datos de temperatura.
[0109] Aquí, 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 el voltaje y la temperatura de la batería B<n>se miden en la sección SOC del 31 % al 50 %, los datos de voltaje pueden introducirse en 20 nodos correspondientes al 31 % al 50 %, y los datos de temperatura pueden introducirse en otros 20 nodos correspondientes al 31 % al 50 %. Además, los datos de voltaje y los datos de temperatura pueden no introducirse a los nodos correspondientes al SOC de una sección del 1 % al 30 % y al SOC de una sección del 51 % al 100 %, y 0 puede asignarse a estos.
[0110] Mientras tanto, los datos de voltaje y los datos de temperatura medidos en SOC, incluido un valor por debajo de un punto decimal, pueden convertirse en datos de voltaje y datos de temperatura de un SOC cercano sin un punto decimal a través de interpolación o extrapolación. En algunos casos, los datos de temperatura pueden excluirse 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.
[0111] La capa de salida 103 puede incluir un nodo al que se emite información de nivel de degradación de la batería B<n>. Como se muestra en la FIG.8, si la red neuronal artificial 100 se diseña según 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>.
[0112] En un ejemplo, si la red neuronal artificial 100 está diseñada para determinar el nivel de degradación entre 71 % y 100 % en la unidad del 1 % de unidad, 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 del 10<o>nodo es más alta, se puede determinar que el nivel de degradación de la batería B<n>es del 80 %. Resulta obvio para los expertos en la materia que el número de nodos se puede aumentar aún más para mejorar la precisión del nivel de degradación.
[0113] Alternativamente, si la red neuronal artificial 100 se diseña según 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>.
[0114] 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 adecuadamente 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.
[0115] En la red neuronal artificial 100, se puede usar una función sigmoide como la función de activación. De manera alternativa, se pueden usar varias funciones de activación conocidas en la técnica, tales como una función de unidad lineal sigmoidea (Sigmoid Linear Unit,SiLU), una función de unidad lineal rectificada (Rectified Linear Unit),ReLu), una función softplus, una función de unidad lineal exponencial (Exponential Linear Unit,ELU), una función de unidad lineal cuadrada (Square Linear Unit,SQLU) o similares.
[0116] En la red neuronal artificial 100, los valores iniciales de los pesos de conexión y los sesgos entre los nodos pueden establecerse aleatoriamente. Además, los pesos de conexión y los sesgos pueden optimizarse en el proceso de entrenamiento de la red neuronal artificial.
[0117] En una realización, la red neuronal artificial puede entrenarse mediante un algoritmo de retropropagación. Además, los pesos y sesgos de conexión pueden optimizarse mediante un optimizador mientras se entrena la red neuronal artificial.
[0118] En una realización, se puede usar un algoritmo de descenso de gradiente estocástico (Stochastic Gradient Descent,SGD) como el optimizador. De manera alternativa, se puede usar un algoritmo de gradiente acelerado de Nesterov (Nesterov Accelerated Gradient,NAG), un algoritmo de impulso, un algoritmo Nadam, un algoritmo Adagrad, un algoritmo RMSProp, un algoritmo Adadelta, un algoritmo Adam o similares.
[0119] El servidor de gestión del rendimiento de la batería 11 puede entrenar periódicamente y de forma repetida 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.
[0120] Con este fin, mediante el uso del procedimiento descrito anteriormente, el servidor de gestión del rendimiento de la batería 11 recopila datos de entrenamiento mientras se cargan varios vehículos eléctricos EV<n>en la pluralidad de estaciones de carga EVC<k>y registra acumulativamente los datos de entrenamiento en la unidad de almacenamiento de datos de entrenamiento 16b de la base de datos 16.
[0121] 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 las características de conducción del vehículo eléctrico EV<n>, datos de distribución de frecuencia generados a partir de la información acumulativa de las características de funcionamiento de la batería B<n>y datos incluidos en la última información de las características 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>.
[0122] Preferentemente, 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 datos de entrenamiento puede aumentar cada vez más.
[0123] Preferentemente, el servidor de gestión del rendimiento de la 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.
[0124] Es decir, cuando el servidor de gestión del rendimiento de la 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 del rendimiento de la 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 independientemente la red neuronal artificial 100 dedicada al modelo correspondiente del vehículo eléctrico EV<n>y/o el 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 con respecto a un valor de referencia, el servidor de gestión del rendimiento de la batería 11 puede reiniciar el entrenamiento de la red neuronal artificial 100 correspondiente para mejorar aún más la precisión de la red neuronal artificial 100.
[0125] Mientras tanto, si los datos de distribución de frecuencia (véase la FIG. 6) generados a partir de la información de tiempo acumulativo de conducción de cada área de conducción en la información acumulativa de características de conducción del vehículo eléctrico EV<n>tienen demasiadas variables, la red neuronal artificial 100 puede entrenarse por separado para cada área amplia que agrupa una pluralidad de áreas.
[0126] 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>montadas en los vehículos eléctricos EV<n>es 10 en total, y los vehículos eléctricos EV<n>están funcionando en 1000 ciudades dentro y fuera del país. En este caso, el servidor de gestión del rendimiento de la batería 11 puede agrupar ciudades según un criterio predeterminado y entrenar un número de redes neuronales artificiales correspondiente a 100x10x(el número de grupos de área). En un ejemplo, las ciudades pueden agruparse país por país. En otro ejemplo, las ciudades pueden agruparse en la unidad de un número predeterminado de ciudades vecinas dentro del mismo país.
[0127] En este caso, cuando el servidor de gestión del rendimiento de la batería 11 entrena la red neuronal artificial 100, el servidor de gestión del rendimiento de la 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 con respecto a un valor de referencia, el servidor de gestión del rendimiento de la batería 11 puede reiniciar el entrenamiento de las redes neuronales artificiales 100 correspondientes para mejorar aún más la precisión de las redes neuronales artificiales 100.
[0128] En la presente descripción, 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. Al entrenar la correlación entre la información de las características de conducción acumulativa del vehículo eléctrico EV<n>y/o la información de las características de funcionamiento acumulativa de la batería B<n>y/o los últimos datos de las características de carga y el nivel de degradación, se puede usar una máquina de vectores de soporte (Support Vector Machine,SVM), el algoritmo del vecino más cercano K, el clasificador Naive-Bayes o similares. Si hay un problema con la confiabilidad de la información del nivel de degradación usada para el entrenamiento, se puede usar el agrupamiento de K-Means o similares como un medio auxiliar para obtener información del nivel de degradación.
[0129] Mientras tanto, el servidor de gestión del rendimiento de la batería 11 puede incluir una red neuronal artificial auxiliar entrenada mediante el uso de la información acumulativa de las características de funcionamiento de cada ciclo y la última información de las características de carga de cada ciclo proporcionada por un fabricante de baterías.
[0130] La FIG.9 es un diagrama que muestra, a modo de ejemplo, una estructura de una red neuronal artificial auxiliar 100' según una realización de la presente descripción.
[0131] Con referencia a la FIG.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 que se muestra en la FIG. 8, excepto que la capa de entrada 101' no tiene ningún nodo al que se introduzcan los datos correspondientes a la información acumulativa de las características de conducción del vehículo eléctrico EV<n>.
[0132] 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.
[0133] El servidor de gestión del rendimiento de la batería 11 puede estar conectado comunicativamente al servidor de suministro de datos de la batería 17 a través de la red 12 para recopilar datos usados para entrenar la red neuronal artificial auxiliar 100'.
[0134] Preferentemente, el servidor de suministro de datos de la batería 17 puede instalarse en el fabricante de la batería. El servidor de suministro de datos de la batería 17 transmite la información acumulativa de las características de funcionamiento de cada ciclo, la última información de las características de carga de cada ciclo y el nivel de degradación de la batería B<n>de cada ciclo, obtenida del experimento del ciclo de carga/descarga en la batería B<n>montada en el vehículo eléctrico EV<n>, al servidor de gestión del rendimiento de la batería 11 a través de la red 12 junto con la información de identificación de la batería B<n>.
[0135] El experimento del ciclo de carga/descarga se refiere a un experimento donde la batería B<n>se carga y descarga repetidamente un número predeterminado de veces en diversas condiciones de carga/descarga usando un dispositivo llamado simulador de carga/descarga. El experimento del 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 por montaña, conducción por carretera accidentada, conducción por la ciudad, conducción a alta velocidad, etc.) del vehículo eléctrico EV<n>y diversas condiciones climáticas (temperatura, humedad, etc.).
[0136] El simulador de carga/descarga es un equipo experimental automatizado donde 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 características de funcionamiento acumulando el tiempo de funcionamiento acumulativo de cada sección de voltaje y/o el tiempo de funcionamiento acumulativo de cada sección de corriente y/o el tiempo de funcionamiento acumulativo de cada sección de temperatura, medir o estimar el SOC y/o el voltaje y/o la corriente y/o la temperatura para generar la última información de las características de carga mientras la carga está en curso, y registrar la última información de las características de carga en los medios de almacenamiento.
[0137] 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>según un punto de tiempo de finalización de carga. El nivel de degradación puede calcularse a partir de la cantidad de cambio de capacidad de carga determinada por el procedimiento de recuento de amperios en una sección de voltaje de carga predeterminada o la resistencia interna de la batería obtenida a través del análisis de regresión lineal de los datos de voltaje y corriente medidos en una sección de voltaje de carga predeterminada, como ya se ha descrito anteriormente.
[0138] [0115]El servidor de suministro de datos de la 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 la batería 17 puede almacenar la información acumulativa de las características de funcionamiento de cada ciclo, la última información de las características 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 pueden transmitirse a través de una red desde el simulador de carga/descarga.
[0139] El servidor de suministro de datos de la batería 17 puede transmitir periódicamente datos de entrenamiento auxiliares que incluyen la información acumulativa de las características de funcionamiento de cada ciclo, la última información de las características de carga de cada ciclo y el nivel de degradación de cada ciclo almacenado en la base de datos 18 al servidor de gestión del rendimiento de la 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 del ciclo de carga/descarga para una batería de un modelo específico se realiza 200 veces, el número de datos de entrenamiento auxiliares es 200.
[0140] El servidor de gestión del rendimiento de la batería 11 puede registrar los datos de entrenamiento auxiliares transmitidos desde el servidor de suministro de datos de la 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>.
[0141] Preferentemente, en los datos de entrenamiento auxiliares, la información sobre el tiempo de funcionamiento acumulativo de cada sección de voltaje y/o el tiempo de funcionamiento acumulativo de cada sección de corriente y/o el tiempo de funcionamiento acumulativo de cada sección de temperatura incluida en la información acumulativa de las características de funcionamiento puede convertirse en datos de distribución de frecuencia y almacenarse en la unidad de almacenamiento de datos de entrenamiento 16b de la base de datos 16.
[0142] Después de que los datos de entrenamiento auxiliares se almacenan en la base de datos 16, el servidor de gestión del rendimiento de la batería 11 puede entrenar la red neuronal artificial auxiliar 100' para cada modelo de batería usando los datos de entrenamiento auxiliares.
[0143] La estructura de la red neuronal artificial auxiliar 100' es similar a la de la red neuronal artificial 100 que se muestra en la FIG.8, pero es diferente en cuanto a que el nodo al que se introducen los datos de distribución de frecuencia generados a partir de la información acumulativa de las características de conducción del vehículo eléctrico EV<n>está desactivado. Sin embargo, el procedimiento de entrenamiento y otras características de la red neuronal artificial auxiliar 100' son sustancialmente los mismos que se han descrito anteriormente.
[0144] Mediante el uso complementario de la red neuronal artificial auxiliar 100' entrenada por los datos de entrenamiento auxiliares transmitidos desde el servidor de suministro de datos de la 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 del rendimiento de la batería 11 puede determinar el nivel de degradación de la batería B<n>después de que el vehículo eléctrico EV<n>se cargue en la estación de carga EVC<k>, y proporcionar un factor de control usado para controlar la carga/descarga de la batería B<n>según el nivel de degradación determinado al sistema de control 15 del vehículo eléctrico EV<n>.
[0145] En lo sucesivo, con referencia a las FIGS.10 y 11, se describirá en detalle el proceso de recopilación de datos de entrenamiento del modelo de inteligencia artificial mientras el vehículo eléctrico EV<n>se está cargando 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>según el nivel de degradación.
[0146] Con referencia a la FIG. 10, en la Etapa S10, el servidor de gestión del rendimiento de la 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 del rendimiento de la batería que incluye la información acumulativa de las características de conducción del vehículo eléctrico EV<n>, la información acumulativa de las características de funcionamiento de la batería B<n>y la última información de las características de carga desde 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 haber sido completamente cargado. En la Etapa S10, el servidor de gestión del rendimiento de la batería 11 puede registrar la información de evaluación del rendimiento de la batería transmitida a través de la red 12 en la unidad de almacenamiento de información de evaluación del rendimiento 16a de la base de datos 16.
[0147] En la Etapa S20, el servidor de gestión del rendimiento de la batería 11 determina si la condición para permitir el cálculo del nivel de degradación se cumple con referencia a los datos de voltaje V<k>y/o los datos de corriente I<k>incluidos en la última información de las características de carga.
[0148] [0125]En un ejemplo, la condición que permite el cálculo del nivel de degradación puede establecerse cuando los datos de voltaje V<k>se miden mientras la batería B<n>se carga dentro de una sección de voltaje de estimación de nivel de degradación preestablecida. En otro ejemplo, la condición que permite el cálculo del nivel de degradación puede establecerse cuando la batería B<n>se carga dentro de la sección de voltaje de estimación del nivel de degradación preestablecida y una pluralidad de datos de voltaje V<k>se miden bajo una condición de corriente de carga variable.
[0149] 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.
[0150] En la Etapa S30, el servidor de gestión del rendimiento de la batería 11 determina el nivel de degradación de la batería B<n>usando los datos de voltaje V<k>y/o los datos de corriente I<k>incluidos en la última información de las características de carga. El procedimiento de determinación del nivel de degradación ya se ha descrito anteriormente. Tras la Etapa S30, continúa la Etapa S40.
[0151] En la Etapa S40, el servidor de gestión del rendimiento de la batería 11 genera datos de distribución de frecuencia para el voltaje y/o la corriente y/o la temperatura a partir de la información acumulativa de las características de funcionamiento de la batería B<n>, y genera datos de distribución de frecuencia para la velocidad y/o el área de conducción y/o la humedad a partir de la información acumulativa de las características de conducción del vehículo eléctrico EV<n>. Tras la Etapa S40, continúa la Etapa S50.
[0152] En la Etapa S50, el servidor de gestión del rendimiento de la batería 11 almacena los datos de distribución de frecuencia generados a partir de la información acumulativa de las características de funcionamiento, los datos de distribución de frecuencia generados a partir de la información acumulativa de las características de conducción, la última información de las características 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 coincida con la información de identificación de la batería B<n>y/o la información de identificación del vehículo eléctrico EV<n>. Aquí, los datos de distribución de frecuencia generados a partir de la información acumulativa de las características de funcionamiento, los datos de distribución de frecuencia generados a partir de la información acumulativa de las características de conducción y la última información de las características 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. Tras la Etapa S50, continúa la Etapa S60.
[0153] En la Etapa S60, el servidor de gestión del rendimiento de la batería 11 determina si se prepara una red neuronal artificial entrenada 100 correspondiente al modelo de la batería B<n>y/o el modelo del vehículo eléctrico EV<n>con referencia a la información de identificación de la batería B<n>y/o la información de identificación del vehículo eléctrico EV<n>.
[0154] Como ejemplo, se asume 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 del rendimiento de la batería 11 determina si existe una red neuronal artificial 100 entrenada mediante el uso de datos sobre un valor de referencia recopilado 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.
[0155] En la Etapa S60, el servidor de gestión del rendimiento de la batería 11 puede determinar si existe 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.
[0156] A modo de ejemplo, se asume 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 de Corea. En este caso, el servidor de gestión del rendimiento de la batería 11 determina si se prepara una red neuronal artificial 100 entrenada usando datos sobre el valor de referencia recopilado 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.
[0157] Si la determinación de la Etapa S60 es SÍ, continúa la Etapa S70.
[0158] En la Etapa S70, el servidor de gestión del rendimiento de la batería 11 introduce los datos de distribución de frecuencia generados a partir de la información acumulativa de las características de conducción del vehículo eléctrico EV<n>, los datos de distribución de frecuencia generados a partir de la información acumulativa de las características de funcionamiento de la batería B<n>, y los datos de voltaje V<k>y los datos de temperatura T<k>incluidos en la última información de las características de carga de la batería B<n>en la capa de entrada 101 de la red neuronal artificial 100. Dado que la red neuronal artificial 100 está en un estado de ser entrenada por los datos de entrenamiento mayores que el valor de referencia, si los datos se introducen 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 del rendimiento de la batería 11 puede determinar un nivel de degradación actual de la batería B<n>a través de la red neuronal artificial 100. Tras la Etapa S70, continúa la Etapa S80 de la FIG.11.
[0159] Mientras tanto, si la determinación de la Etapa S60 es NO, en la Etapa S70', el servidor de gestión del rendimiento de la 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 las características de funcionamiento de la batería B<n>(véase las FIGS.2 a 4) y los datos de voltaje V<k>y los datos de temperatura T<k>incluidos en la última información de las características 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 experimentales del ciclo de carga/descarga para la batería B<n>proporcionados por el servidor de suministro de datos de la batería 17, y su procedimiento de entrenamiento ya se ha descrito anteriormente.
[0160] Si el nivel de degradación actual de la batería B<n>se determina en la Etapa S70 o la Etapa S70', continúa la Etapa S80 de la FIG.11.
[0161] En la Etapa S80, el servidor de gestión del rendimiento de la 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 del 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 un sello de tiempo. Tras la Etapa S80, continúa la Etapa S90.
[0162] En la Etapa S90, el servidor de gestión del rendimiento de la batería 11 determina si el nivel de degradación actual excede 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 del nivel de degradación 16d de la base de datos 16 con el nivel de degradación actual.
[0163] El valor de referencia es un valor predefinido y se usa para determinar si se debe o no ejecutar una lógica de actualización para varios factores de control usados en el control de la carga/descarga de la batería B<n>. Como ejemplo, el valor de referencia puede ser del 3 al 5 %.
[0164] 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 voltaje límite superior de carga, un valor de voltaje 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.
[0165] En otro ejemplo, cuando la batería B<n>está cargada/descargada por pulsos, el factor de control puede incluir al menos uno seleccionado de un límite superior de una relación de trabajo de corriente de pulso (una relación de un período de mantenimiento de pulso a un período de reposo 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.
[0166] 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.
[0167] 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 (Constant-Current,CC), un voltaje de corte donde termina el modo de carga de corriente constante (Constant-Current,CC) y una magnitud de voltaje en un modo de carga de voltaje constante (Constant-Voltage, CV).
[0168] Si la determinación de la Etapa S90 es SÍ, continúa la Etapa S100.
[0169] En la Etapa S100, el servidor de gestión del rendimiento de la 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 del factor de control 16e de la base de datos 16, y transmite un resultado de evaluación del rendimiento de la 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.
[0170] La unidad de almacenamiento del factor de control 16e incluye una tabla de consulta que define la información del 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 preferentemente a partir de una tabla de consulta correspondiente al modelo de la batería B<n>y/o el modelo del vehículo eléctrico EV<n>. Tras la Etapa S100, continúa la Etapa S110.
[0171] [0148]En la Etapa S110, la estación de carga EVC<k>recibe el resultado de la evaluación del rendimiento de la batería que incluye 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 la evaluación del rendimiento de la batería al sistema de control 15 del vehículo eléctrico EV<n>a través de la línea de comunicación del cable de carga o la comunicación inalámbrica de corto alcance. Tras la Etapa S110, continúa la Etapa S120.
[0172] 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 la evaluación del rendimiento de la batería. Por consiguiente, después de completar la carga en la estación de carga EVC<k>, el sistema de control 15 puede controlar de forma segura la carga/descarga de la batería B<n>mediante el uso del último factor de control que se actualiza de forma óptima según el nivel de degradación de la batería B<n>.
[0173] Mientras tanto, si la determinación de la Etapa S90 es NO, continúa la Etapa S130.
[0174] En la Etapa S130, debido a que el nivel de degradación actual de la batería B<n>no aumenta por encima del valor de referencia, el servidor de gestión del rendimiento de la batería 11 envía el resultado de la evaluación del rendimiento de la batería, incluido 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 el factor de control no necesita actualizarse. Tras la Etapa S130, continúa la Etapa S140.
[0175] En la Etapa S140, si se recibe el resultado de la evaluación del rendimiento de la batería, la estación de carga EVC<k>transmite el resultado de la evaluación del rendimiento de la batería al sistema de control 15 del vehículo eléctrico EV<n>a través de un cable de carga o comunicación inalámbrica de corto alcance. Tras la Etapa S140, continúa la Etapa S150.
[0176] 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 la evaluación del rendimiento de la batería, y mantiene el factor de control usado para controlar la carga/descarga de la batería B<n>sin cambios.
[0177] Aunque no se muestra en las figuras, el servidor de gestión del rendimiento de la batería 11 puede usar de forma complementaria la red neuronal artificial auxiliar 100' al determinar el nivel de degradación de la batería B<n>, incluso después de que la red neuronal artificial 100 esté completamente entrenada.
[0178] Es decir, después de determinar el nivel de degradación (primer valor) de la batería B<n>mediante el uso de la red neuronal artificial 100 en la Etapa S70, el servidor de gestión del rendimiento de la batería 11 puede ejecutar además la Etapa S70' para determinar el nivel de degradación (segundo valor) de la batería B<n>mediante el uso de la red neuronal artificial auxiliar 100'. A continuación, un valor promedio ponderado del primer valor y el segundo valor puede determinarse como el nivel de degradación de la batería B<n>. En este caso, el peso dotado del primer valor puede aumentarse gradualmente con respecto al peso dotado del segundo valor a medida que aumenta la cantidad de datos de entrenamiento usados para entrenar la red neuronal artificial 100.
[0179] Como ejemplo, el peso dotado al primer valor puede determinarse como la relación entre los datos usados para entrenar la red neuronal artificial 100 y la cantidad total de datos usados para entrenar la red neuronal artificial 100 y la red neuronal artificial auxiliar 100'.
[0180] Según 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. Por el contrario, 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.
[0181] En la presente descripción, 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 del rendimiento de la 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>. Preferentemente, la interfaz gráfica de usuario puede incluir un número y/o indicador gráfico que indique el nivel de degradación.
[0182] Mientras tanto, el sistema de gestión del rendimiento de la batería 10 según una realización de la presente descripción como se ha descrito anteriormente puede incluir además un servidor de la compañía de seguros 19 conectado comunicativamente al servidor de gestión del rendimiento de la batería 11 a través de la red 12.
[0183] En este caso, el servidor de gestión del rendimiento de la batería 11 puede configurarse 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 la compañía de seguros 19. La distancia total de conducción del vehículo eléctrico EV<n>puede transmitirse desde el sistema de control 15 del vehículo eléctrico EV<n>a través de la estación de carga EVC<k>mientras el vehículo eléctrico EV<n>se está cargando en la estación de carga EVC<k>.
[0184] El servidor de la compañía de seguros 19 puede configurarse 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>mediante el uso de la información del nivel de degradación.
[0185] Es decir, el servidor de la compañía de seguros 19 puede calcular el precio del vehículo eléctrico EV<n>aumentando una relación de depreciación del vehículo eléctrico EV<n>a medida que el nivel de degradación de la batería B<n>es mayor. Además, si el nivel de degradación de la batería B<n>es mayor que un promedio en comparación con la distancia total de conducción del vehículo eléctrico EV<n>, el servidor de la compañía de seguros 19 puede suponer que el hábito de conducción del conductor no es bueno y aumentar la prima del seguro aumentando una tasa de riesgo debido a un accidente automovilístico.
[0186] Es obvio que la prima de seguro calculada por el servidor de la compañía de seguros 19 puede almacenarse en una base de datos (no mostrada) del servidor de la compañía de seguros 19 y a continuación referenciarse en la renovación del seguro del vehículo eléctrico EV<n>.
[0187] El procedimiento de gestión del rendimiento de la batería que usa una estación de carga de vehículos eléctricos según una realización de la presente descripción puede codificarse con una pluralidad de comandos ejecutivos del procesador y a continuación almacenarse en un dispositivo de memoria no transitoria 11a (FIG. 1) proporcionado al servidor de gestión del rendimiento de la batería 11. Los comandos ejecutivos del procesador pueden permitir que un procesador 11b (FIG.1) incluido en el servidor de gestión del rendimiento de la batería 11 ejecute al menos algunas de las etapas descritas anteriormente. Alternativamente, se pueden proporcionar circuitos lógicos de hardware en el servidor de gestión del rendimiento de la batería 11 para realizar al menos algunas de las etapas descritas anteriormente en lugar de los comandos ejecutivos del procesador. Los circuitos lógicos de hardware pueden ser circuito integrado de aplicación específica (Application-Specific Integrated Circuit,ASIC) o matriz de puertas programables en campo (Field- Programmable Gate Array,FPGA). Sin embargo, resultará obvio para un experto en la materia que las etapas de las realizaciones anteriores se pueden ejecutar no solo mediante comandos ejecutivos de procesador específicos, circuitos de hardware específicos o una combinación de los mismos, sino también mediante otro software, circuitos de hardware conocidos o una combinación de los mismos.
[0188] Según la presente descripción, dado que se usa un sistema de plataforma de inteligencia artificial basado en big data vinculado a una pluralidad de estaciones de carga para evaluar de forma fiable el rendimiento de la batería según el historial de conducción del vehículo eléctrico y el historial de funcionamiento de la batería y optimizar el factor de control usado para controlar la carga/descarga de la batería, es posible no solo prolongar la vida útil de la batería, sino también mejorar la seguridad.
[0189] Al proporcionar un servicio de gestión del rendimiento de la batería altamente confiable a un usuario de un vehículo eléctrico, es posible inducir el reemplazo de la batería en un momento adecuado, así como mejorar la confiabilidad de un fabricante de baterías.
[0190] Al construir una base de datos basada en big data con la información de evaluación del rendimiento de la batería que refleja la tendencia de conducción del usuario del vehículo eléctrico, la base de datos se puede usar como un dato preciso de cálculo de la prima de seguro para las compañías de seguros de automóviles.
[0191] En la descripción de las diversas realizaciones ejemplares de la presente descripción, debe entenderse que los elementos denominados "servidor" se distinguen funcionalmente en lugar de físicamente. Por lo tanto, cada elemento puede integrarse selectivamente con otros elementos o cada elemento puede dividirse en subelementos para una(s) lógica(s) de control de implementación efectiva(s). Sin embargo, es obvio para los expertos en la materia que, si se puede reconocer la identidad funcional para los elementos integrados o divididos, los elementos integrados o divididos se encuentran dentro del alcance de la presente descripción.
[0192] La presente descripción se ha descrito en detalle. Sin embargo, debe entenderse que la descripción detallada y los ejemplos específicos, aunque indiquen realizaciones preferidas de la descripción, se dan solo a modo de ilustración, ya que diversos cambios y modificaciones dentro del alcance de la descripción se harán evidentes para los expertos en la materia a partir de esta descripción detallada.

Claims (15)

1. REIVINDICACIONES
1. Un servidor de gestión del rendimiento de la batería (11), que forma parte de un sistema de gestión del rendimiento de la batería (10), estando configurado el servidor de gestión del rendimiento de la batería (11) para conectarse comunicativamente a través de una red a una pluralidad de estaciones de carga que están distribuidas en un área y una base de datos (16) configurada para almacenar información sobre el nivel de degradación de una batería (B) de un vehículo eléctrico,
donde el servidor de gestión del rendimiento de la batería (11) está configurado para:
a) recibir información de evaluación del rendimiento de la batería que incluye información de identificación e información acumulativa de características de funcionamiento de la batería (B) del vehículo eléctrico, información de identificación e información acumulativa de características de conducción del vehículo eléctrico, y la última información de características de carga de la batería desde una estación de carga de la pluralidad de estaciones de carga a través de la red (12);
b) determinar un nivel de degradación actual correspondiente a la información de evaluación del rendimiento de la batería recopilada mediante el uso de un modelo de inteligencia artificial entrenado para recibir la información de evaluación del rendimiento de la batería y generar un nivel de degradación de la batería; y
c) transmitir una distancia de conducción total del vehículo eléctrico, el nivel de degradación actual y la información de identificación del vehículo eléctrico a un servidor de la compañía de seguros (19), de modo que el servidor de la compañía de seguros (19) calcule 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; y
d) donde la información acumulativa de las características de conducción del vehículo eléctrico incluye al menos una seleccionada del grupo que consiste en el 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 en un área de conducción del vehículo eléctrico.
2. El servidor de gestión del rendimiento de la batería según la reivindicación 1,
donde la información acumulativa de las características de funcionamiento de la batería incluye al menos una seleccionada del grupo que consiste en el tiempo de funcionamiento acumulativo en cada sección de voltaje, el tiempo de funcionamiento acumulativo en cada sección de corriente y el tiempo de funcionamiento acumulativo en cada sección de temperatura.
3. El servidor de gestión del rendimiento de la batería según cualquiera de las reivindicaciones anteriores, donde la última información de las características de carga incluye al menos una seleccionada del grupo que consiste en datos de estado de carga, SOC, voltaje, corriente y temperatura de la batería medidos o estimados en una pluralidad de puntos de tiempo.
4. El servidor de gestión del rendimiento de la batería según cualquiera de las reivindicaciones anteriores, que está configurado para, cada vez que se recibe la información de evaluación del rendimiento de la batería desde la pluralidad de estaciones de carga, si se determina que la última información de las características de carga incluye datos suficientes para determinar un nivel de degradación actual de la batería:
determinar el nivel de degradación actual de la batería a partir de la última información de las características de carga;
almacenar la información acumulativa de las características de funcionamiento de la batería, la información acumulativa de las características de conducción del vehículo eléctrico y la última información de las características de carga en la base de datos (16) 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 (16) como datos de salida de entrenamiento del modelo de inteligencia artificial.
5. El servidor de gestión del rendimiento de la batería según la reivindicación 4, que está configurado para entrenar repetidamente el modelo de inteligencia artificial cada vez que se acumulan datos de entrada de entrenamiento y datos de salida de entrenamiento de más de una cantidad de referencia en la base de datos (16).
6. El servidor de gestión del rendimiento de la batería según la reivindicación 4 o 5, que está configurado para:
almacenar los datos de entrada de entrenamiento y los datos de salida de entrenamiento en la base de datos (16), que coinciden 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
cada vez que se acumulan los datos de entrada de entrenamiento y los datos de salida de entrenamiento de más de una cantidad de referencia, que coinciden 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, 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.
7. El servidor de gestión del rendimiento de la batería según la reivindicación 6, que está configurado para determinar el nivel de degradación de la batería según un análisis de la información de evaluación del rendimiento de la batería mediante el uso del 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.
8. El servidor de gestión del rendimiento de la batería según cualquiera de las reivindicaciones anteriores, que está configurado para recibir desde un servidor de suministro de datos de la batería (19) a través de la red (12) una información de evaluación del rendimiento de cada ciclo de carga/descarga y un nivel de degradación de cada ciclo de carga/descarga y almacenar en la base de datos (16),
donde la información de evaluación del rendimiento incluye la información acumulativa de las características de funcionamiento y la última información de las características de carga medida cada vez que se realiza un ciclo de carga/descarga para la batería, y
donde el servidor de gestión del rendimiento de la batería (11) incluye además un modelo de inteligencia artificial auxiliar entrenado para emitir un nivel de degradación basado en la información acumulativa de las características de funcionamiento y la última información de las características de carga de la batería usando la información de evaluación del rendimiento de cada ciclo y el nivel de degradación de cada ciclo almacenado en la base de datos (16).
9. El servidor de gestión del rendimiento de la batería según la reivindicación 8, que está configurado para, si el modelo de inteligencia artificial no está completamente entrenado, introducir la información acumulativa de las características de funcionamiento y la última información de las características de carga de la batería incluida en la información de evaluación del rendimiento de la batería en el modelo de inteligencia artificial auxiliar para determinar así el nivel de degradación de la batería.
10. El servidor de gestión del rendimiento de la batería según la reivindicación 8 o 9, que está configurado para:
determinar el nivel de degradación de la batería introduciendo la información acumulativa de las características de funcionamiento y la última información de las características de carga de la batería incluida en la información de evaluación del rendimiento de la batería en el modelo auxiliar de inteligencia artificial; y
determinar un promedio ponderado 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.
11. El servidor de gestión del rendimiento de la batería según la reivindicación 10, que está configurado, al calcular el promedio ponderado, para aumentar un peso asignado al nivel de degradación del modelo de inteligencia artificial a medida que aumenta la cantidad de entrenamiento del modelo de inteligencia artificial.
12. El servidor de gestión del rendimiento de la batería (11) según cualquiera de las reivindicaciones anteriores, que está configurado para:
si el nivel de degradación actual excede un nivel de degradación anterior en un valor de referencia o más, determinar un último factor de control correspondiente al nivel de degradación actual mediante el uso de información de correlación entre el nivel de degradación y un factor de control usado para controlar el funcionamiento de la batería; y
transmitir el último factor de control a la estación de carga a través de la red (12).
13. Un sistema de gestión del rendimiento de la batería (10) que incluye el servidor de gestión del rendimiento de la batería (11) según cualquiera de las reivindicaciones anteriores y un servidor de la compañía de seguros (80) conectado comunicativamente al servidor de gestión del rendimiento de la batería (11) a través de la red (12),
donde el servidor de la compañía de seguros (80) está configurado para:
recibir una distancia de conducción total del vehículo eléctrico, un nivel de degradación actual y una información de identificación de un vehículo eléctrico, y
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.
14. El sistema de gestión del rendimiento de la batería (10) según la reivindicación 13,
donde el servidor de la compañía de seguros (80) está configurado para calcular el valor del vehículo eléctrico aumentando una relación de depreciación del mismo a medida que el nivel de degradación de la batería es mayor.
15. El sistema de gestión del rendimiento de la batería (10) según la reivindicación 14,
donde el servidor de la compañía de seguros (80) está configurado para, si el nivel de degradación de la batería es mayor que un promedio en comparación con la distancia total de conducción del vehículo eléctrico, aumentar la prima del seguro al aumentar una tasa de riesgo de accidente.
ES24190203T 2020-03-24 2021-03-24 Battery performance management server and battery performance management system including the same Active ES3056063T3 (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
ES3056063T3 true ES3056063T3 (en) 2026-02-17

Family

ID=77892775

Family Applications (4)

Application Number Title Priority Date Filing Date
ES24190197T Active ES3055475T3 (en) 2020-03-24 2021-03-24 Electric vehicle
ES24190203T Active ES3056063T3 (en) 2020-03-24 2021-03-24 Battery performance management server and battery performance management system including the same
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
ES24190197T Active ES3055475T3 (en) 2020-03-24 2021-03-24 Electric vehicle

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) EP4427973A3 (es)
JP (4) JP7269437B2 (es)
KR (1) KR102760879B1 (es)
CN (1) CN114450706A (es)
ES (4) ES3055475T3 (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
KR102960471B1 (ko) * 2020-05-08 2026-04-30 현대자동차주식회사 빅데이터를 이용한 배터리 수명 예측 시스템
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
JP7418556B2 (ja) * 2021-01-28 2024-01-19 寧徳時代新能源科技股▲分▼有限公司 充電方法、駆動用バッテリーのバッテリー管理システム及び充電ポスト
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
KR102433929B1 (ko) * 2021-11-01 2022-08-19 주식회사 에이젠글로벌 배터리 교환 서비스 방법 및 이러한 방법을 수행하는 장치
KR102412697B1 (ko) * 2021-11-01 2022-06-24 주식회사 에이젠글로벌 배터리 수명 예측 방법 및 이러한 방법을 수행하는 장치
US12502995B2 (en) * 2021-11-18 2025-12-23 Hyundai Motor Company Battery conditioning system and method
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
EP4680981A1 (en) * 2023-03-15 2026-01-21 National Research Council of Canada Estimation of battery state of health and of battery state of charge
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
JP5343168B2 (ja) * 2010-06-24 2013-11-13 パナソニック株式会社 電池の劣化度を取得するための方法及びそのシステム
CA2815218C (en) 2010-10-22 2018-10-09 Nucleus Scientific, Inc. Apparatus and method for rapidly charging batteries
US8731974B2 (en) * 2011-04-05 2014-05-20 Hartford Fire Insurance Company Systems and methods associated with insurance for electric vehicles
US9252624B2 (en) * 2011-06-10 2016-02-02 Hitachi Automotive Systems, Ltd. Battery control device and battery system
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
WO2020045033A1 (ja) 2018-08-28 2020-03-05 本田技研工業株式会社 提示装置、提示方法、及びプログラム
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
WO2021100748A1 (ja) * 2019-11-19 2021-05-27 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
JP2024102251A (ja) 2024-07-30
CN114450706A (zh) 2022-05-06
EP4427975A3 (en) 2024-11-27
ES3009983T3 (en) 2025-03-31
US12384271B2 (en) 2025-08-12
WO2021194267A1 (ko) 2021-09-30
KR102760879B1 (ko) 2025-02-03
EP4064174A1 (en) 2022-09-28
KR20240010078A (ko) 2024-01-23
JP2022547002A (ja) 2022-11-10
ES3056053T3 (en) 2026-02-17
HUE070071T2 (hu) 2025-05-28
EP4427973A2 (en) 2024-09-11
JP7269437B2 (ja) 2023-05-08
ES3055475T3 (en) 2026-02-12
EP4427974B1 (en) 2025-11-12
EP4064174A4 (en) 2023-01-11
PL4064174T3 (pl) 2025-03-31
EP4427975A2 (en) 2024-09-11
EP4424549A8 (en) 2024-10-23
EP4424549B1 (en) 2025-11-12
EP4427975B1 (en) 2025-11-12
EP4424549A2 (en) 2024-09-04
JP7835458B2 (ja) 2026-03-25
EP4427973A3 (en) 2024-11-27
EP4427974A3 (en) 2024-12-04
EP4424549A3 (en) 2024-11-27
EP4064174B1 (en) 2024-12-18
JP2026062813A (ja) 2026-04-10
JP7487380B2 (ja) 2024-05-20
US20250388119A1 (en) 2025-12-25
JP2023103268A (ja) 2023-07-26
EP4427974A2 (en) 2024-09-11
US20250303913A1 (en) 2025-10-02
EP4427973A8 (en) 2024-11-06
US20220281345A1 (en) 2022-09-08
US20250001900A1 (en) 2025-01-02

Similar Documents

Publication Publication Date Title
ES3055475T3 (en) Electric vehicle
KR102933764B1 (ko) 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
ES3015211T3 (en) Battery service providing system and method
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
EP3850551A1 (en) Systems and methods for managing energy storage systems
WO2022105070A1 (zh) 利用机器学习模型预测电池健康状况的方法和系统
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
KR20160000317A (ko) 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
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
CN114514436A (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
KR20250153006A (ko) 배터리 수명 예측 장치 및 배터리 관리 방법