模拟系统和数据分布方法与流程

模拟系统和数据分布方法
1.相关申请的交叉引用
2.本技术要求于2020年1月7日向韩国知识产权局提交的韩国专利申请no.10-2020-0002216的优先权和权益，其全部内容通过引用结合于此。
技术领域
3.本公开涉及一种模拟系统和一种数据分布方法。


背景技术：

4.对于电池循环寿命分析，使用通过电池单体的实际充电和放电实验来确认劣化程度或通过由mbd(基于模型的设计)构成的软件模拟来预测劣化程度的方法。
5.特别地，通过软件模拟方法的劣化预测可以通过预先计算场景并且通过固定虚拟输入值而考虑电流、ecm(等效电路模型)、热量和老化配置各层来执行。由于实际电池劣化需要长期的实验或实测数据，所以优选软件模拟方法，并使用预测的电池劣化来确定电池保修期。然而，目前，混合动力车辆、电动车辆等都处于开发阶段，并且关于输入值的数据不足，因此基于汽油车辆的驱动数据来将功率/温度/驱动模式等转换成输入值并使用。


技术实现要素：

6.【技术问题】
7.本公开旨在提供一种可以提高电池循环寿命预测的精度和效率的模拟系统和数据分布方法。
8.【技术解决方案】
9.本发明的用于通过使用至少一个实验设备对包括多个电池单体的电池组进行实验的模拟系统包括：iot设备，该iot设备接收至少一个实验设备的输入和输出，并对输入和输出进行预处理以生成输入数据和输出数据；边缘计算设备，该边缘计算设备用于基于在输入数据和输出数据当中的接收到的数据，通过使用等效电路模型模块和热模型模块来预测用于预测多个电池单体的容量劣化值的信息；以及服务器，该服务器从边缘计算设备接收所预测的信息、通过使用老化模型模块来预测多个电池单体的容量劣化值，并基于所预测的容量劣化值来预测缺陷率。
10.等效电路模型模块可以从iot设备接收电池组电压、初始soc、流到电池组的电流、电池单体的温度、构成电池组的电池单体的数量以及电池组的电阻当中的至少一项，并预测电池单体中的每个的soc、电池组电压、流到电池组的电流、电池单体的热值和电流速率(c-rate)当中的至少一项。
11.热模型模块可以接收来自等效电路模型模块的热值，并接收冷却性能输入以预测电池单体的温度。
12.老化模型模块可以接收关于电池单体中的每个的soc、电池组电压、流入电池组的电流、电流速率(c-rate)和电池单体的温度的数据当中的至少一项以预测多个电池单体中
的每个的容量保持率和内阻。
13.服务器还可以包括：容量劣化值计算单元，该容量劣化值计算单元接收电池单体中的每个的容量保持率和内阻，以预测指示每个电池单体的容量劣化程度的容量劣化值；以及缺陷率预测单元，该缺陷率预测单元存储关于每个时间单位的多个电池单体中的每一个的容量劣化值的信息，并通过使用容量劣化值来预测缺陷率。
14.对于n个驱动曲线中的每一个，缺陷率预测单元可以将随时间的对应权重值乘以对应的容量劣化值以选择多个容量劣化权重值作为群体(population)，通过对群体使用引导(bootstrap)技术来生成m个概率分布，为m个概率分布中的每一个生成累积分布函数，并针对m个累积分布函数中的每个，利用偏离正态分布中的正态范围的容量劣化权重值的数量来计算缺陷率。
15.缺陷率预测单元可以依照从与m个累积分布函数中的每个的正态分布当中、具有最高概率的正态分布相对应的累积分布函数的最高概率的顺序来检测对应于j个概率的权重值。
16.缺陷率预测单元可以根据是否能够指定与m个累积分布函数中的每个相对应的概率分布函数来确定对应的累积分布函数的有效性。
17.当缺陷率超过预定阈值时，缺陷率预测单元可以控制服务器停止边缘计算设备的预测操作。
18.边缘计算设备可以通过服务器的控制而停止预测操作，在停止时段期间，存储从iot设备接收到的输入数据和输出数据，并且当从服务器接收到重启指令时，恢复反映所存储的输入数据和输出数据的预测操作。
19.缺陷率预测单元可以向老化模型模块通知缺陷率超过阈值，并且老化模型模块可以包括由多个公式组成的多个集合，并选择多个集合中的一个以改变老化模型。
20.本发明的用于使用至少一个实验设备对包括多个电池单体的电池组执行实验的数据分布方法包括：通过边缘计算设备针对实验结果开始分布处理操作；通过iot设备接收来自至少一个实验设备的输入和输出，并启动iot设备进入准备状态以进行分布处理；由iot设备通过接收和预处理来自至少一个实验设备的输入和输出来生成输入数据和输出数据；由边缘计算设备接收输入数据的初始值以及输入数据和输出数据，以通过使用等效电路模型模块和热模型模块来预测用于预测容量劣化值所需的信息；以及从边缘计算设备接收所预测的信息，并由服务器基于所预测的信息来估计多个电池单体中的每个的容量保持率和内阻。
21.数据分布方法还可以包括基于容量保持率和内阻来预测容量劣化值，并由服务器基于所预测的容量劣化值来预测缺陷率。
22.【有利效果】
23.提供了能够提高电池循环寿命预测的精度和效率的模拟系统和数据分布方法。
附图说明
24.图1是示出了根据实施例的模拟系统的视图。
25.图2是示出了根据实施例的边缘计算设备的配置的视图。
26.图3是示出了根据实施例的服务器的一些配置的视图。
27.图4是示出了根据实施例的模拟系统的数据分布处理操作的流程图。
具体实施方式
28.在下文中，将参考附图详细描述本说明书中公开的实施例。在本说明书中，相同或相似的部件将由相同或相似的附图标记表示，并且将省略其重复描述。以下描述中使用的用于部件的术语“模块”和“单元”仅用于方便地进行说明。因此，这些术语本身不具有将它们彼此区分开的含义或作用。此外，在描述本说明书的实施例时，当确定与本发明相关的公知技术的详细描述可能会模糊本发明的主旨时，其将被省略。此外，提供附图仅是为了使本说明书中公开的实施例易于理解，而不应解释为限制本说明书中公开的精神，并且应当理解，在不脱离本发明的范围和精神的情况下，本发明包括所有修改、等效形式和替换。
29.包括诸如第一、第二等序数的术语将仅用于描述各种部件，并且不应解释为限制这些部件。这些术语仅用于将一个部件与其他部件区分开。
30.应当理解，当一个部件被称为“连接”或“耦合”到另一部件时，它可以直接连接或耦合到另一部件，或者利用介入其之间的其他部件连接或耦合到另一部件。另一方面，应当理解，当一个部件被称为“直接连接或耦合”到另一部件时，它可以在没有介入其之间的另一部件的情况下连接到或耦合到另一部件。
31.还将理解，本说明书中使用的术语“包括”或“具有”指定了所述的特征、数字、步骤、操作、部件、零件或其组合的存在，但不排除存在或添加一个或多个其他特征、数字、步骤、操作、部件、零件或其组合。
32.实施例通过利用iot(物联网)设备分布和处理边缘计算功能来执行电池循环寿命劣化模拟。
33.例如，在预测用于电动车辆的电池组的循环寿命劣化的模拟中，通过将实时输入数据/输出数据与iot边缘计算相结合，可以以低成本创建具有高精度的循环寿命劣化预测模型。
34.根据实施例的模拟系统包括iot设备、边缘计算设备和作为分布式层的服务器。
35.在下文中，将参考附图描述实施例。
36.图1是示出了根据实施例的模拟系统的视图。
37.如图1所示，模拟系统1包括实验设备300和400、iot设备200、边缘计算设备100和服务器10。
38.在图1中，单体循环仪300和电池组模拟器400被示为两个实验设备300和400，但本发明不限于此。
39.单体循环仪300连接到作为实验对象的电池组，以对电池组进行充电和放电，并测量在充电和放电期间的电池信息，诸如电池单体电压、电池组电流和电池单体温度。充电和放电模式可以根据驱动曲线来确定。
40.电池组模拟器400可以设定具有与作为实验目标的电池组相同的电气和化学特性的虚拟电池组，对虚拟电池组进行充电和放电，并预测在充电和放电期间的电池信息——诸如电池单体电压、电池组电流和电池单体温度。充电和放电模式可以根据操作曲线来确定。
41.iot设备200从实验设备接收输入和输出，对与接收到的输入和输出相关的数据进
行预处理，并根据预处理数据的大小将其传输到边缘计算设备100或服务器10。iot设备200将接收到的输入和输出转换成可以由边缘计算设备100和服务器10处理的数据，这称为预处理。如果预处理数据的大小大于或等于预定大小，则iot设备200将对应数据传输到服务器10，并且如果大小小于或等于预定大小，则将数据传输到边缘计算设备100。在这种情况下，作为用于对数据的大小进行分类的标准的预定大小可以考虑可以由边缘计算设备100处理的数据的大小、处理速度等来确定。
42.边缘计算设备100可以分析从iot设备200接收的数据以生成预测电池单体的容量劣化值所需的数据。例如，iot设备200可以传输电池组电压、初始soc、流过电池组的电流、电池单体温度、构成电池组的电池单体的数量、电池组电阻以及边缘计算设备100的冷却性能。
43.图2是示出了根据实施例的边缘计算设备的配置的视图。
44.边缘计算设备100包括等效电路模型(ecm)模块110和热模型(thm)模块120。
45.等效电路模型模块110接收电池组电压、初始soc、流到电池组的电流、电池单体的温度、构成电池组的电池单体的数量、电池组的电阻等来预测每个电池单体的soc、电池组电压、流到电池组的电流、电池单体的热值、电流速率(c-rate)等。各种已知方法可以应用为用于通过将输入数据应用到等效于电池组的等效电路模型模块110的电路模型来预测输出数据的具体方法。
46.例如，等效电路模型模块110的等效电路模型(ecm)是通过利用诸如电阻和电容器的电气元件简单地模拟由电池的化学特性所引起的复杂内部而构造的等效电路，并且等效电路模型模块110可以使用ecm来预测任何输入的输出。具体地，等效电路模型模块110可以通过相对于ecm的电流输入执行电流积分来更新电池的soc，并根据更新后的soc计算ocv。此外，等效电路模型模块110可以根据soc和温度、根据电阻和电容的每个参数来计算压降。
47.电流速率是指每单位时间内供应给电池组的充电电流或从电池组供应的放电电流的大小。例如，1c-rate可以指的是电池组在1小时内完全充电的电流大小，或者电池组在1小时内完全放电的电流大小。
48.热模型模块120接收热值和冷却性能作为输入并预测电池单体的温度。热值是从等效电路模型模块110传输的数据，并且冷却性能可以取决于电池组而变化。可以应用各种已知方法作为用于通过接收热值和冷却性能来预测热模型模块120的每个电池单体的温度的具体方法。
49.例如，由等效电路模型模块110输入的单体的热值可以如以下等式1计算。
50.[等式1]
[0051]
电池单体的热值＝(与电池单体压降相关的关联系数)*(流过电池单体的电流)*(根据soc变化的ocv-电池单体电压)
[0052]
通过使用电池单体温度、冷却水温度和热阻值的关系等式，从单体的热值导出的值收敛于(电池单体质量)*(比热容量)*(电池单体温度的变化率(微分值))来计算导出的电池单体温度的平均温度值，并且该平均温度值可以用作老化模型11的输入值。在边缘计算设备100所要求的输入数据当中，构成电池组的电池单体的数量、初始soc、冷却性能等可以是根据实验条件的预定值。
[0053]
边缘计算设备100可以将每个电池单体的预测soc、电池组电压、电池组中流动的
电流、c-rate和电池单体温度传输到服务器10。
[0054]
在图2中，示出了边缘计算设备100包括等效电路模型模块110和热模型模块120，然而等效电路模型模块110和热模型模块120中的一个可以设置在服务器10中。此外，除了等效电路模型模块110和热模型模块120之外，边缘计算设备100还可以包括预测容量劣化值所需的模块。
[0055]
服务器10可以接收边缘计算设备100的输出数据以预测容量劣化值。边缘计算设备100的输出数据可以包括关于每个电池单体的soc、电池组电压、流过电池组的电流、电流速率(c-rate)和电池单体的温度的数据。如果需要，服务器10可以从iot设备200以及边缘计算设备100接收用于预测容量劣化值所要求的更多数据。
[0056]
图3是示出了根据实施例的服务器的一些配置的视图。
[0057]
如图3所示，服务器10包括老化模型(agm)11、容量劣化值计算单元12和缺陷率计算单元12。
[0058]
老化模型11可以通过使用每个电池单体的soc、电池组电压、流过电池组的电流、电流速率(c-rate)和电池单体温度来预测每个电池单体的容量保持率和内阻。可以应用各种已知方法作为老化模型11通过使用每个电池单体的soc、电池组电压、流过电池组的电流、电流速率(c-rate)和电池单体温度来预测每个电池单体的容量保持率和内阻的增加的具体方法。
[0059]
例如，基于当不规则载荷反复施加到结构材料上时通过对结构材料累积无形的疲劳损伤来解释导致断裂的过程的理论(例如，miner规则)，老化模型11可以将驱动条件定义为循环，将停止条件定义为日历，并使用循环和日历及其每个占空比计算容量劣化值，并且通过使用该过程中导出的容量损失值使从电池单体的劣化实验导出的电阻增加曲线关联来计算电阻增加值。将计算出的容量劣化值和电阻增加值应用到待预测的容量保持率和内阻。容量保持率是测量电池单体在延长的开路时段期间保持存储的能量的能力的结果，并且内阻是测量电池单体内部的电阻分量的结果。尽管已经将老化模型11描述为预测内阻，但本发明不限于此，并且可以预测内阻和/或内阻的增加量。
[0060]
容量劣化值计算单元12可以接收每个电池单体的容量保持率和内阻，并且预测指示每个电池单体的容量劣化程度的容量劣化值。使用公式、表格等来映射对应于基于实验的容量保持率和内阻的容量劣化值的方法可以被应用为用于容量劣化值计算单元12使用每个电池单体的容量增加量和内阻来预测容量劣化值的具体方法。缺陷率预测单元13可以存储关于每个时间单位的多个电池单体中的每个的容量劣化值的信息，并且通过使用容量劣化值来预测缺陷率。缺陷率的单位可以是百万分率(ppm)。
[0061]
取决于n个驱动曲线中的每个的时间流逝，缺陷率预测单元13将对应的容量劣化值乘以对应的权重值。对应于时间流逝的权重值可以以预定时间单位离散地设定，并且预定时间可以随时间流逝而改变或者可以是恒定时间。在下文中，容量劣化值乘以权重值被称为容量劣化权重值。
[0062]
缺陷率预测单元13通过为n个驱动曲线中的每个收集所有多个容量劣化权重值来选择群体，并通过使用引导技术为群体生成m个概率分布。缺陷率预测单元13可以通过根据引导技术允许针对群体的迭代来选择k值m次。缺陷率预测单元13为k个容量劣化权重值构建概率分布，并且该操作被执行m次。
[0063]
缺陷率预测单元13为m个概率分布中的每个生成累积分布函数。缺陷率预测单元13可以按照从与m个累积分布函数中的每个的正态分布当中、具有最高概率的正态分布相对应的累积分布函数中的最高概率的顺序检测对应于j个概率的权重值。即，可以检测与j个概率中的每个对应的容量劣化权重值的权重值。
[0064]
而且，缺陷率预测单元13可以根据是否可以指定与m个累积分布函数中的每个对应的概率分布函数来确定对应累积分布函数的有效性。如果存在与累积分布函数匹配的概率分布函数，则确定对应的累积分布函数有效。在这种情况下，概率分布函数的类型是“贝塔(beta)”、“疲劳寿命(birnbaum saunders)”、“指数”、“极值”、“伽玛(gamma)”、“广义极值”、“广义帕累托”、“逆高斯”、“数理逻辑(logistic)”、“对数逻辑(log logistic)”、“对数正态(lognormal)”，“nakagami”、“正态”、“瑞利(rayleigh)”、“莱斯(rician)”、“t位置尺度”、“威布尔(weibull)”、“分段帕雷托尾部(piecewise pareto tail)”等。
[0065]
缺陷率预测单元13可以针对m个累积分布函数中的每个，利用在正态分布中的正态范围之外的容量劣化权重值的数量计算缺陷率。例如，如果容量劣化权重值为30％或更大，则可以确定其在正态范围之外。当缺陷率超过预定阈值时，可以控制服务器10使得边缘计算设备100的预测操作停止。服务器10可以指示边缘计算设备100停止预测操作，并且边缘计算设备100可以停止预测操作。在该停止时段期间，边缘计算设备100可以存储从iot设备200接收到的实验设备300和400的输入数据和输出数据。之后，当从服务器10接收到边缘计算设备100的重启指令时，边缘计算设备100可以恢复反映存储的输入数据和输出数据的预测操作。
[0066]
当缺陷率超过阈值时，缺陷率预测单元13通知老化模型11，并且老化模型11改变用于预测容量保持率和内阻的老化模型使得缺陷率不超过阈值。提供了由应用于老化模型的各种公式构成的多个集合，并且老化模型11通过选择多个集合中的一个来改变老化模型。老化模型11可以在选择多个集合中的一个时考虑容量劣化值的趋势。例如，老化模型11可以根据容量劣化值随时间的变化从多个集合中选择对应集合。
[0067]
图4是示出了根据实施例的模拟系统的数据分布处理操作的流程图。
[0068]
边缘计算设备100对实验结果开始分布处理操作(s1)。实验者对分布处理操作的指令被输入到边缘计算设备100，然后边缘计算设备100可以将用于开始分布处理操作的指令传输到iot设备200。
[0069]
iot设备200接收来自实验设备300和400的输入和输出，并启动至准备状态下以用于分布处理(s2)。
[0070]
iot设备200可以基于驱动曲线来设定条件(s3)。驱动曲线可以包括诸如功率(瓦特/小时)、驱动模式(空闲/插电/驱动)和温度(℃)的条件。
[0071]
iot设备200接收来自实验设备300和400的输入和输出(s4)。作为从实验设备300和400接收到的输入和输出，它可以包括电池操作模式(休息/充电/放电)、电池组电压、流过电池组的电流、温度等。iot设备200对接收到的输入和输出进行预处理以生成输入数据和输出数据。
[0072]
边缘计算设备100从iot设备200接收输入数据的初始值和预处理的输入数据和输出数据(s5)。在这种情况下，由边缘计算设备100接收的输入数据和输出数据可以是通过iot设备200分类为适于边缘计算设备100的大小的数据。
[0073]
边缘计算设备100可以基于输入数据通过使用等效电路模型模块110和热模型模块120来预测用于预测容量劣化值所要求的信息(s6)。所需的信息可以包括电池组电压、soc、流过电池组的电流、c-rate、热值等。
[0074]
将通过边缘计算设备100预测的信息传输到服务器10(s7)。
[0075]
服务器10基于传输的预测信息来预测容量保持率和内阻(s8)。
[0076]
服务器10基于容量保持率和内阻来预测容量劣化值(s9)。
[0077]
服务器10基于预测的容量劣化值来预测缺陷率(s10)。
[0078]
虽然已经结合目前认为是实际的实施例描述了本发明，但应当理解，本发明不限于所公开的实施例。相反，它旨在涵盖包括在所附权利要求的精神和范围内的各种修改和等效布置。