CN113173101B 控制电池管理系统的系统和方法 （丰田研究所股份有限公司）

US2009326749A1,200本公开涉及控制电池管理系统的系统和方理器经由所述输入设备接收来自用户的模式选个或多个处理器通过使用主动机器学习模型来个处理器基于由所述主动机器学习模型确定的电池的特性，将估计成本输出给输出设备的指2其中所述输入模块包括当由所述一个或多个处理器执行时其中所述电池特性预测模块包括当由所述一个或多个处理器其中所述输出模块包括当由所述一个或多个处理器执行时计的成本是关于模式选择的选择如何影响车辆的可行驶里程和电池的循环2.按照权利要求1所述的电池管理系统，其中电池的循环寿命是直到电池的标称容量其中所述存储器还包括通信模块，所述通信模块具有当由其中所述存储器还包括主动学习模块，所述主动学习模块具5.按照权利要求4所述的电池管理系统，其中所述电池特性预测模块包括当由所述一个或多个处理器执行时，使所述一个或多个处理器基于所述模式选择和用户的驾驶风格，6.按照权利要求5所述的电池管理系统，其中所述一个或多个驾驶特性包括车辆在目38.按照权利要求7所述的管理电池管理系统的方法，其中电池的循环寿命是直到电池11.按照权利要求10所述的管理电池管理系统的方法，还包括基于所述模式选择和用12.按照权利要求11所述的管理电池管理系统的方法，其中所述一个或多个驾驶特性13.一种用于控制电池管理系统的非临时性计算机可读介质，所述非临时性计算机可读介质包括当由一个或多个处理器执行时，使所述一个或多个处理器执行以下操作的指经由输入设备，接收来自用户的模式选择，所述模式选择包括通过利用主动机器学习模型，基于所述模式选择来预测电池的特性，基于由所述主动机器学习模型确定的电池的特性，将估计的成本是关于模式选择的选择如何影响车辆14.按照权利要求13所述的非临时性计算机可读介质，其中电池的循环寿命是直到电15.按照权利要求13所述的非临时性计算机可读介质，还包括当由所述一个或多个处4分中的程度上的发明人的工作，以及在提出申请时可能不构成现有技术的说明的各个方[0005]本部分概括地总结了本公开，并不是对本公开的全部范围或所有特征的全面解[0006]在一个实施例中，电池管理系统包括一个或多个处理器，包含多个电池单元5[0013]图3图解说明用来自基于云的服务器的模型权重更新电池管理系统的主动机器学[0017]图7图解说明用于用来自基于云的服务器的模型权重更新电池管理系统的主动学少一个处理器，所述电池包括多个电池单元。BMS系统可以接收来自车辆的用户的模式选具有允许BMS系统从基于云的服务器接收更新的模型权重的网络接入设备。一旦收到更新6以是具有一个或多个电池单元116的任何类型的设备，所述电池单元116具有用于为车辆256、通信模块258和/或主动学习模块260的存储器210。存储器210是随机存取存储器权重来确定电池115的一个或多个特性的主动机器学习模型242。主动机器学习模型242是7[0029]BMS系统170还可以包括与处理器110通信的网络接入设备250。网络接入设备250应被理解为包括允许处理器110，于是，允许BMS系统170与外部系统通信的几种不同硬件行模式选择。滑动条406在最大续航里程模式选择402和最大电池寿命模式选择404之间延[0031]最大续航里程模式选择402代表指示用户希望具有电池115能提供的最大续航里测电池115的特性的指令。电池特性预测模块利用主动机器学习模型242来预测电池的特[0033]另外或可替选地，应理解的是由电池特性预测模块254确定的电池特性可能依赖[0034]如前所述，主动机器学习模型242使用一个或多个模型权重来确定电池115的特100的BMS系统170，可以生成主动机器学习模型242和用于确定电池115的特性的一个或多个模型权重。就主动机器学习模型242来说，可以利用用于预测电池115的一个或多个特性特性的一种机器学习模型可以包括记载在Severson等的美国专利公开No.2019/0113577，“Data-drivenModelforLithium-ionBatteryCapacityFadeandLifetime[0035]输出模块256可包括当由处理器110执行时，使处理器110基于由主动机器学习模8[0037]如前所述，主动机器学习模型利用一个或多个模型权重来确定电池115的一个或[0039]一个或多个处理器312可以与存储器316通信，存储器316可以是任意类型的能够316包括使处理器312训练可以存储在数据仓库320上的主动机器学习模型342的训练模块用于训练主动机器学习模型342的训练集可能来自几个不同的来源。这些来源可包括目前改进的模型权重更新BMS系统170的主动机器学习模型242，以随着时间的推移改进主动机9车辆100的续航里程和/或车辆的电池115的电池寿命具有的影响有关的信息。由输出设备[0047]如前所述，预测电池115的特性的能力至少部分基于利用一个或多个模型权重的主动机器学习模型242。这些模型权重可能已由利用一个或多个训练数据集训练的外部设[0051]现在非常详细地讨论图1，作为本文中公开的系统和方法可在其中操作的例证环可包括一个或多个处理器110。在一种或多种方案中，处理器110可以是车辆100的主处理器110和/或车辆100的另外的元件(包括图1中所示的任意元件)。传感器系统120可获取车[0054]传感器系统120可包括任何适当类型的传感器。这里将说明不同类型的传感器的或感测在车辆100的外部环境的至少一部分中的障碍物，和/或关于这类障碍物的信息/数[0056]这里将说明传感器系统120的传感器的各种例子。例证的传感器可以是一个或多特定传感器。例如，在一种或多种方案中，传感器系统120可包括一个或多个雷达传感器[0057]车辆100可包括一个或多个车辆系统140。图1中表示了所述一个或多个车辆系统以在车辆100内经由硬件和/或软件以其他方式组合或分离。车辆100可包括推进系统141、[0058]导航系统147可包括配置成确定车辆100的地理位置和/或确定车辆100的行驶路当由处理器110执行时，实现记载在本文中的各种处理中的一个或多个处理的计算机可读述模块中的一个或多个模块可分布在记载在本文中的多个模块间。在一种或多种方案中，本文中描述的模块中的两个或更多个模块可被结合成各个方面的操作的计算机程序代码可以用一种或多种编程语言，包括诸如JavaTM、