用于对锂离子电池进行快速充电的系统和方法与流程

[0001]
本公开涉及在利用机器学习（ml）模型的同时对诸如锂离子电池之类的电化学电池单元进行快速充电的系统和方法。


背景技术：

[0002]
锂离子电池已经变得普遍并且它们的使用广泛。锂离子电池的快速充电是提供使用这些电池的各种设备的公司所面临的技术挑战之一，所述各种设备例如是消费者电子产品、电动工具和电动车辆。消费者通常更喜欢用于对他们的智能电话、电钻、电动车辆或其他电子设备进行再充电的最少等待时间。因此，电池供应商和设备制造商竞争以交付尽可能快地充电的设备。然而，快速充电可能会导致电池中的过电位和机械应力，其可能加速电池的老化过程并会导致寿命减少。


技术实现要素：

[0003]
根据一个实施例，公开了一种锂离子电池管理系统。该系统包括锂离子电池单元和被配置为感测锂离子电池单元的一个或多个操作状况的一个或多个传感器。该系统还包括控制器，该控制器具有用于存储将要由控制器执行的机器指令的非暂时性存储器并且可操作地连接到锂离子电池单元，机器指令在由控制器执行时实现以下功能：接收所述一个或多个操作状况和经训练的机器学习（ml）模型；以及响应于所述一个或多个操作状况和所述经训练的ml模型而输出沿着充电状态（soc）轨迹的指标值，以控制从电流源的锂离子电池单元的快速充电状态。soc轨迹可以包括恒流（cc）阶段、恒定指标（ci）阶段和/或恒压（cv）充电阶段。指标值可以是沿着soc轨迹的电池单元的状态。指标值可以是过电位值。一个或多个操作状况可包括内部电池单元温度、电池单元电压和电流中的一个或多个。机器指令在由控制器执行时可以进一步实现以下功能：确定在时间（t）处的第一指标值。机器指令在由控制器执行时可以进一步实现以下功能：确定在时间（t+1）处的第二指标值。经训练的ml模型可以包括训练数据集，该训练数据集包括多个单独充电轨迹，并且每个轨迹是针对模型参数、初始状况和/或环境温度的特定组合而生成的。经训练的ml模型可以是基于物理的经训练的模型。
[0004]
在替代实施例中，公开了一种对锂离子电池单元进行快速充电的方法。该方法可包括感测锂离子电池单元的一个或多个操作状况；接收一个或多个操作状况和经训练的机器学习（ml）模型；以及响应于一个或多个操作状况和经训练的ml模型而输出沿着充电状态（soc）轨迹的指标值，以控制从电流源的锂离子电池单元的快速充电状态。soc轨迹可以包括恒流（cc）阶段、恒定指标（ci）阶段和/或恒压（cv）充电阶段。指标值可以是沿着soc轨迹的电池单元的状态。指标值可以是过电位值。一个或多个操作状况可包括内部电池单元温度、电池单元电压和电流中的一个或多个。经训练的ml模型可以包括训练集，该训练集包括多个单独充电轨迹，并且还包括针对模型参数、初始状况和/或环境温度的特定组合而生成每个轨迹。
[0005]
在另一实施例中，公开了一种估计锂离子电池单元的电池目标指标值的方法。该方法可以包括：训练包括训练数据集的机器学习（ml）模型，该训练数据集包括：多个单独充电轨迹、充电阶段变量、测量数据集以及指标变量，其中，每个轨迹是针对模型参数、初始状况和/或环境温度的特定组合而生成的。该方法还可包括感测锂离子电池单元的一个或多个操作状况；接收一个或多个操作状况和经训练的ml模型；以及响应于一个或多个操作状况和经训练的ml模型而输出沿着充电状态（soc）轨迹的指标值。指标值可以是沿着soc轨迹的电池单元的状态。该方法还可以包括从基于物理的模型供应训练数据集。测量数据集可包括锂离子电池单元的一个或多个操作状况。一个或多个操作状况可包括内部电池单元温度、电池单元电压和电流中的一个或多个。
附图说明
[0006]
图1示出了在锂离子电池的恒流恒压（cc-cv）充电期间的电压分布；图2示出了常规cc-cv电压分布与基于物理的估计器方法电压分布的比较；图3是根据本文所公开的一个或多个实施例的用于对锂离子电池单元进行快速充电的系统的非限制性示例的示意图；图4示出本文公开的ml模型的训练步骤的示意图示；以及图5是本文公开的一组处理步骤的非限制性示例的示意图。
具体实施方式
[0007]
本文描述了本公开的实施例。然而，应当理解，所公开的实施例仅仅是示例，并且其他实施例可以采取各种和替代形式。附图不一定是按比例的；一些特征可能被夸大或最小化以示出特定组件的细节。因此，本文公开的具体结构和功能细节不应被解释为是限制性的，而仅作为用于教导本领域技术人员以各种方式采用实施例的代表性基础。如本领域普通技术人员应当理解的，参考任何一个附图示出和描述的各种特征可以与一个或多个其他附图中示出的特征进行组合，以产生未明确示出或描述的实施例。所示特征的组合提供了用于典型应用的代表性实施例。然而，与本公开的教导一致的特征的各种组合和修改对于特定应用或实现可能是期望的。
[0008]
除了明确指出的地方，本说明书中的指示尺寸或材料性质的所有数值量都应被理解为在描述本公开的最宽范围时由词语"约"修饰。
[0009]
详细参考发明人已知的组合物、实施例和实施例的方法。然而，应当理解，所公开的实施例仅仅是本发明的示例，本发明可以以各种和替代形式来实施。因此，本文公开的具体细节不应被解释为是限制性的，而仅仅是作为用于教导本领域技术人员以各种方式采用本发明的代表性基础。
[0010]
与一个或多个实施例相关的适合于给定目的的一组或一类材料的描述意味着该组或该类中的任何两个或更多个成员的混合物也是适合的。化学术语中的成分的描述是指在加入到说明书中指定的任何组合中时的成分，并且不一定排除了一旦混合后混合物的成分之间的化学相互作用。首字母缩略词或其他缩写的第一次定义适用于本文中相同缩写的所有后续使用，并且加以必要的修正适用于最初定义的缩写的正常语法变化。除非明确地相反说明，否则性质的测量通过与先前或稍后针对相同性质所引用的相同技术来确定。
[0011]
锂离子电池已经成为可充电电池中的主要产品。然而，尽管它们流行，但锂离子电池面临各种挑战。例如，在大多数应用中，锂离子电池的充电是电池所经历的相对要求苛刻的考验。充电过程是锂离子电池单元的老化和劣化的重要因素。锂离子电池单元的劣化主要由副反应（诸如锂电镀）引起，其消耗了可循环的锂。过电位决定了有害副反应的发生。如果可以正确地估计过电位，则可以开发算法以最小化锂离子电池单元内部的副反应，从而维持电池的预期寿命。
[0012]
已经有在最短时间内对锂离子电池单元进行充电同时试图使其劣化最小化的许多尝试。通常，这些方法可以分为两组：（1）仅使用来自电池单元的可用实时测量值的方法，和（2）对电池单元的内部过程建模并使用内部变量的估计来控制充电过程的方法。
[0013]
使用电流和电压测量的工业中最常见的充电方法之一被称为恒流恒压方法。图1示出了cc-cv方法的特征充电电压分布。如图1中可见，电压分布包括两个阶段。第一阶段对应于其中电池管理系统（bms）将充电电流维持在恒定值处的分布上的部分。第二阶段对应于其中充电电流由bms调节（减小）以将电池单元的电压维持在恒定值处的部分。bms用来控制电流的对应的电流和电压阈值允许设计者根据应用将bms控制器调整为更积极或更不积极。设置更高的阈值导致更快的充电，因为其允许在相同时间段内的更高电流积分。但是这种更快的充电对锂离子电池单元施加了更大的压力，并且如果阈值设置得太高，则可能导致更快的劣化。因此，该方法允许在最小化充电时间和延长锂离子电池的寿命之间进行权衡。
[0014]
在理想的电池中，且在不限制充电单元的情况下，可以瞬时地传递使电池从一个充电状态（soc）到另一soc所需的所有电荷。然而，实际电池中的动力学限制仅允许有限的电流通过电池。电池的许多内部过程对电荷转移能力有影响，例如，电解质中锂离子的有限扩散速率、活性材料以外的材料的还原/氧化、活性颗粒表面上电阻膜的形成、以及电解质与活性材料之间的电荷转移限制。电荷转移被迫发生得越快，这些过程对电池的健康影响得越强烈。因此，电池单元制造商总是提供关于对其电池单元的利用约束的附加信息。这些约束主要涉及关于最大充电或放电电流、下限和上限截止电压、以及操作温度域的限制。一些制造商在不同的操作环境温度下提供这些限制。所有这些限制都适合cc/cv充电方法，因此相当保守，因为这些限制是针对电池的整个寿命而指定的。
[0015]
研究表明，即使电流和电压阈值可以用作在低和高充电状态（soc）下电池单元中引起劣化的应力的量的适当代理，但在中等soc处，电流和电压阈值太保守，并且可能会导致充电过程的不必要延长。或者，如果电流和电压阈值被设置得太高，则它们可能会通过引起朝向其相应阶段末端的高应力而诱发加速劣化。
[0016]
soc可被定义为电池内部的剩余电荷与全部电荷的百分比，范围在约0%到100%之间。soc提供了关于电池性能的信息和电池何时应再充电的信息。此外，bms可以将soc信息用于功率管理。因此，准确的soc信息是至关重要的，尤其是在诸如电动车辆之类的一些应用中，其中消费者依赖于soc信息来确定他们的驾驶范围。
[0017]
已经表明，如果用于快速充电，则标准充电技术（诸如cc-cv）会由于通过电池的大电流而导致对电池的损坏。这些大电流导致危险的过电位和电池中的机械应力，其导致电池快速老化，从而导致寿命减少。
[0018]
已经提出了更优的充电方法，诸如利用内部电池状态的实时估计的方法。内部电
池状态用作基础老化机制的指标。可用作电池单元老化指标的内部状态的示例可包括阳极中的li电镀反应的过电位、阴极中的电解质降解的过电位、或两者。当bms除了使用电流和电压阈值之外还使用关于这种指标变量的阈值时，充电过程可以包括多于两个阶段。图2示出了包括三个阶段的充电轨迹的示例。第一和最后阶段对应地是cc和cv充电阶段。第二阶段由bms控制器定义，其调节充电电流以将指标变量维持在期望阈值处。相应的阶段ci是恒定的指标阶段。类似于电流和电压阈值，指标变量的阈值提供充电速度或劣化之间的权衡。
[0019]
利用指标变量的方法通过允许以相同的劣化速率进行更快的充电或者在维持充电持续时间的同时延长电池寿命，而提供了比传统cc-cv方法更优的结果。该方法利用基于物理的锂离子电池单元状态估计器。该估计器向反馈控制器提供了多个估计，该反馈控制器可以基于接收到的估计来调整充电电流。反馈控制器可以从一个阶段切换到另一个阶段，从而基于所实现的控制逻辑和输入在限制充电电流的各种因素之间进行选择。输入可以包括至少一个或一组指标变量和测量值。
[0020]
结果，指标变量可由反馈控制器主动控制，使得它们的值不会降到阈值以下，因而防止具有加速老化的充电体制。这种老化体制在图2中针对常规cc-cv充电是可见的，其中指标变量降至零以下。与常规cc-cv电压分布不同，当使用基于物理的估计器时，由于将指标变量限制在特定范围内，所以电压分布不会降到零以下。
[0021]
但是，估计器方法在计算上相对昂贵，因为它需要利用复杂的电化学模型对电池单元的内部状态进行实时估计。状态的实时估计可以由状态估计器提供，该状态估计器表示在充电期间在电池单元中发生的物理过程的数学模型。数学模型包括一组具有代数约束的常微分方程。基于这种电化学模型的典型锂离子电池单元估计器可具有超过约70个动态状态，并且由于通常充电控制器在快速充电期间仅使用其中的一些作为指标变量，所以该方法具有一定的计算低效性，尤其是在同时使用许多电池单元的情况下，例如在电动车辆电池组中。
[0022]
因此，需要一种优化的充电方法，尤其是快速充电方法，其将是高效的，计算上不昂贵的，并且提供快速充电同时维持预期或预定的电池寿命。
[0023]
在一个或多个实施例中，公开了一种用于电化学电池单元的快速充电的系统。在不将本公开限制为单个定义的情况下，快速充电可以被表征为向电池单元供应充电电流的其中目标是在最小时间量内使其soc增加到期望值同时考虑电池单元关于电压、电流、温度和其他变量的操作约束的过程。充电时间段可以从几秒变化到几分钟或几小时。非限制性示例充电时间段可为约10到20分钟、11到18分钟、或12到15分钟，例如8、9、10、11、12、13、14、15、16、17、18、19或20分钟长。
[0024]
所公开的系统和方法包括ml模型来代替或替代基于物理的估计器。ml模型允许精简基于物理的估计器的功能。ml模型可以被离线训练，因而减少bms的计算需求，降低成本，提高快速充电过程的效率。
[0025]
图3示出了示意性地说明系统100的框图，该系统包括控制电化学电池单元（特别是锂离子电池单元103）的快速充电过程的bms 102，并且包括ml模型104。系统100还可以包括具有存储器110的控制器108、一个或多个传感器112、电流源（未描绘）、和被设计成离线训练ml模型104的模型106中的一个或多个，如以下所讨论的。bms 102可操作地连接到电池单元103。
[0026]
ml模型104可以是线性回归、逻辑回归、k最近邻（knn）、支持向量机（svm）、决策树（dt）、集成（ensemble）、或人工神经网络（ann）。ml模型104可以嵌入在bms 102中。
[0027]
在快速充电期间，bms 102可以使用ml模型104来估计目标变量以生成控制输出。具体讲，bms 102使用ml模型104来估计在快速充电的整个持续时间期间要供应到电池单元103的最优或理想的（一个或多个）电流量。最优或理想的电流量在充电过程期间可能随时间而变化。最优或理想的电流量是导致快速充电的最小持续时间或快速充电所需的最小时间段同时实现由于充电过程而造成的对电池单元的最小损害的电流量。
[0028]
ml模型104基于尽可能完整的一组输入数据来离线训练。因此，向ml模型104供应训练数据集并基于该数据集进行训练。训练数据集可以由被参数化并拟合到实验数据的模型106来生成。图4中示意性地描绘了经由模型106离线训练ml模型104。
[0029]
模型106可以是基于物理的模型。模型106可以是能够模拟电池单元103的内部状态的模拟模型。模型106可以是提供在电池的寿命内的电池状态估计的电化学模型。模型106可以是能够模拟锂离子电池单元的电化学过程的任何模型。模型106可基于电池的劣化水平来确定电池的状态。模型106可能能够预测在可能的未来充电序列下的未来电池状态，并评估在延长的时间段上的充电性能。模型106可以将对电池的电化学过程建模的偏微分方程的非线性系统近似为代数方程的线性化系统。该模型可以是使用质量传递、扩散、迁移和反应动力学来对锂离子电池单元中的电化学反应进行建模的dualfoil模型。模型106可以包括状态滤波器算法，例如用于状态估计的卡尔曼滤波器。模型106可以是简化的且计算高效的模型。模型106可以是等效电路模型。模型106可以嵌入或可以不嵌入在bms 102中。
[0030]
由模型106生成的训练数据集可以包括与一个或多个（优选地，所有）预期环境状况和/或从其发起充电的电池单元103的初始状态相对应的soc轨迹。训练数据集还可以包括与电池单元103的各种老化和/或在充电过程期间影响电池单元的行为的电池单元参数的可能变化相对应的soc轨迹。
[0031]
更具体地说，训练数据集可以包括多个单独的soc轨迹或其集合，其中每个轨迹是针对模型参数、初始状况和环境温度的特定组合而生成的。
[0032]
由于每个锂离子电池单元103的化学性质随时间和使用而变化，所以锂离子电池单元103遍及其寿命的不同阶段可能具有针对最优充电的不同要求。因此，ml模型104在针对锂离子电池单元103的不同老化和寿命阶段的数据集上被训练，或向ml模型104提供针对锂离子电池单元103的不同老化和寿命阶段的数据集。因此，模型参数的变化导致了与所考虑的锂离子电池单元103从寿命开始到其预期寿命结束的各个年龄相对应的充电轨迹。模型参数的变化还模拟了由于制造过程中的不准确性而造成的电池单元的性质的自然分布。
[0033]
改变充电开始的初始状况（例如电池单元的soc或初始温度）捕获了电池单元的充电轨迹对初始状态的依赖关系。变化的环境温度导致捕获环境对充电轨迹的影响。环境温度就像内部温度一样对锂离子电池单元的性能具有显著影响，并且限制了它们在低温和高温范围两者处的应用。在低于约-20℃至60℃的最优范围的温度下，化学反应活性和电荷转移速度可能减慢，这会导致降低的（一个或多个）电解质中的离子电导率和（一个或多个）电极中的锂离子扩散率。因此，低温可能会导致锂离子电池单元的能量和功率容量的降低。高于最优范围的温度同样可能导致由于锂损失而引起的容量损失、以及由于内阻增加而引起的活性材料和功率性能的降低。由于温度信息可能影响电池单元103的质量及其寿命，所以
在训练数据的各个充电轨迹中捕获初始温度以及环境温度信息。
[0034]
训练数据还可以包括充电阶段变量（指示电池单元103处于充电过程的哪个阶段（例如诸如cc、ci或cv）的变量）。soc轨迹可以包括cc阶段、ci阶段和/或cv阶段。
[0035]
除了用于锂离子电池单元103的不同老化和寿命阶段的训练数据集之外，还向ml模型104供应一个或多个操作状况或测量数据输入作为关于电池单元103的离线测量数据集。一个或多个操作状况或离线测量数据集可包括电池单元电压、电流、内部温度、容量、环境温度等、或其组合。
[0036]
模型106还离线地向ml模型104馈送目标指标变量范围。变量是不可测量的。指标变量是内部电池状态的估计，例如反应过电位或沿着soc轨迹的电池单元的状态。指标变量和指标值可以基于模型参数、初始状况、环境温度等、或其组合而变化。
[0037]
在训练数据集由基于物理的模型106离线地提供给ml模型104并且ml模型104被训练之后，使ml模型104在线或将ml模型104在线连接。当在线时，可以向ml模型104供应电池单元的实时输入测量值或一个或多个操作状况，诸如电池单元电压、电流、内部温度、容量、环境温度等、或其组合。基于训练数据集和/或测量值，ml模型104能够估计目标范围内的指标变量。ml模型104可准确地估计沿着至少一个或所有可能的充电轨迹的指标。换句话说，ml模型104可以生成沿着电池单元的充电轨迹的指标估计值。
[0038]
继而，ml模型104可以沿着充电轨迹实时地向控制器108提供输出，该输出是指标值的估计。指标值的估计可以用作针对控制器108的输入。响应于接收到诸如一个或多个操作状况或实时测量值的新输入，ml模型104可生成在目标内的新的估计指标值并将其提供给控制器108。生成和/或供应可以在连续、不连续、周期性或随机的基础上发生。
[0039]
变量可以连续地、不连续地、周期性地、以规则或不规则的间隔而变化。新的估计可以由ml模型104生成，并且连续地、不连续地、周期性地、以规则或不规则的间隔提供给控制器108。间隔的非限制性示例可以是毫秒、秒等。
[0040]
经训练的ml模型104可以包含在控制器108中。经训练的ml模型104可以用作针对控制器108的输入。控制器108可以输出指标值。
[0041]
控制器108执行存储在控制器的存储器110中的机器指令。机器指令可以实现以下功能：接收一个或多个操作状况，接收经训练的ml模型，响应于一个或多个操作状况和经训练的ml模型而输出沿着soc轨迹的指标值以控制从电流源的锂离子电池单元的快速充电状态，确定在时间（t）处的第一指标值，确定在时间（t+1）处的第二指标值，等等。
[0042]
控制器108可以输出沿着soc轨迹的指标值和/或在充电过程期间（特别是在充电过程的一个或多个阶段期间）要提供给电池单元103的电流量。控制输出可包括在预定时间段内要供应到锂离子电池单元103以实现理想或最优充电或快速充电的电流量。
[0043]
ml模型104与控制器108通信，该控制器可以与ml模型104一起嵌入在bms 102中。控制器108可以可操作地连接到电流源（未示出），控制器108向该电流源供应控制输出。控制输出可包括发起或停止从电流源向电池单元103的电流的供应、增加、减小、调整、或维持在充电时间段期间或在快速充电的持续时间期间或在这两者期间的任何给定时刻处要提供到电池单元103的电流量。
[0044]
控制器108包括一个或多个硬件和软件组件，并且可以被实现为执行存储在其非暂时性存储器110中的存储程序指令的数字控制设备。控制器108可以被实现为数字微控制
器，但是在替代实施例中，控制器108例如是通用微处理器、现场可编程门阵列（fpga）、专用集成电路（asic）、数字信号处理器（dsp）、或任何其他合适的数字处理器，其包含硬件和软件组件以实现对电化学电池单元103的监控和对在快速充电过程期间被施加到电化学电池单元103的输入电流的水平的控制。
[0045]
控制器108可接收以下输入：来自一个或多个传感器112的一个或多个操作状况或实时测量值、经训练的ml模型104、来自ml模型104的指标的估计、诸如用于限制向电池单元103的输入电流的预定约束参数之类的附加输入、与电池单元103的预定物理、化学和电化学性质相对应的数据、从一个或多个外部源提供的附加数据等、或其组合。响应于接收到新的输入（例如新的估计指标值或一个或多个操作状况），控制器108可以输出新的指标值，将估计指标值与目标相匹配，生成新的控制输出，将新的控制输出供应给电流源、电池单元103、或两者，等等。输出、匹配、生成和/或供应可以在连续、不连续、或周期性的基础上发生。
[0046]
存储器110包括一个或多个数字数据存储设备，包括但不限于随机存取存储器（ram）、包括nand和nor闪存或eeprom存储器的固态存储存储器、磁性和光学数据存储介质等。存储器110还可存储与电化学电池单元103的预定物理、化学和电化学性质、电池单元103的电流、电压或温度的测量值、或环境温度等、或其组合相对应的数据。存储器110可以是非暂时性存储器。存储器110还可以存储与估计目标指标变量相对应的ml模型104数据、用于限制向电化学电池单元103的输入电流的预定约束参数、从系统100中的一个或多个传感器112接收的传感器数据、电流源数据、要由控制器108执行的机器指令。
[0047]
系统100可以包括一个或多个传感器112，例如电池单元103电流传感器、电压传感器、环境温度传感器、电池单元内部温度传感器、一个或多个附加传感器、或其组合。一个或多个传感器112可以位于电池单元103内、电池单元103的外表面上、或两者。一个或多个传感器112可以感测一个或多个操作状况、测量数据或数据集，实时、离线、或两者地将一个或多个操作状况或测量数据或数据集作为输入提供到控制器108、ml模型104和/或bms。来自一个或多个传感器112的数据可以被控制器108和/或ml模型104用于生成目标指标变量值。
[0048]
电池单元103包括两个电极，这两个电极电连接到电流源以使得电流源能够递送对电池单元103进行充电的输入电流。电池单元103可以包括多个电化学电池单元。电池单元103可以包括一个或多个电化学电池单元，所述一个或多个电化学电池单元被集成到具有两个电端子的单个物理封装中，所述两个电端子在快速充电操作期间从外部电流源接收电流。电池封装可以可选地包括控制器108和传感器112中的一个或多个，以控制电池的充电过程。
[0049]
在一个或多个实施例中，本文描述了电化学电池单元103的快速充电过程。该方法可以包括离线地生成训练数据并训练ml模型104。经训练的ml模型104可以被在线连接以准确地估计沿着至少一个充电轨迹的指标值。该方法可以包括离线生成覆盖如上所述的所有可能充电轨迹的数据集。
[0050]
该方法可以包括所公开的模型开发，包括机器学习模型架构和模型输入的选择。如图4所示，该方法可以包括由基于物理的模型106离线生成训练数据集，其能够响应于所提供的输入而产生期望指标变量值的实验验证估计。训练数据集可以包括充电轨迹、充电阶段数据、以及离线测量数据集，包括电池单元103的电压、电流和温度。该方法可包括用训
练数据集来离线训练ml模型104。
[0051]
该方法可以包括设置针对变量的目标、预定目标或预定值。变量可以是电池单元103的沿着soc轨迹的内部状态，例如充电期间的反应过电位。该方法还可以包括设置针对目标的指标。该方法还可以包括向ml模型104提供指标变量。
[0052]
该方法还可以包括一旦ml模型104用所生成的训练数据集离线地训练，则将ml模型104在线连接或使ml模型104在线。该方法可以包括将经训练的ml模型作为输入提供给控制器108。该方法还可以包括一旦ml模型104被在线连接，则向ml模型提供电池单元103的一个或多个操作状况或实时测量值，如图3示意性地描绘的。所生成的训练数据集和/或实时测量值或一个或多个操作状况向ml模型104或控制器108提供足够的信息以在线地准确估计沿着充电轨迹的指标值。一旦估计指标由ml模型104确定，该方法可以包括由ml模型104将估计指标供应给控制器108。
[0053]
该方法可以包括由控制器108执行机器指令，该机器指令实现以下功能：接收一个或多个操作状况和经训练的ml模型，响应于一个或多个操作状况和经训练的ml模型而输出沿着soc轨迹的指标值以控制从电流源的锂离子电池的快速充电状态，确定在时间（t）处的第一指标值，确定在时间（t+1）处的第二指标值，等等。
[0054]
该方法还可以包括由控制器108将估计指标与预定目标相匹配。该方法还可以包括由控制器108接收一个或多个控制器输入。一个或多个控制器输入可包括来自一个或多个传感器112的一个或多个操作状况或一个或多个实时测量值、经训练的ml模型、来自ml模型104的指标估计等、或其组合。该方法还可包括以沿着充电状态（soc）轨迹的指标值或要从电流源供应到电池单元103的电流量的形式从控制器108输出控制输出，以在对电池单元103的损害最小的情况下在最短的时间量内完成快速充电。
[0055]
该方法还可包括测量一个或多个操作状况，诸如电池单元103的电压、电流、容量、内部温度、环境温度、和/或电池单元103和/或系统100的其他性质。测量可以连续地、不连续地、随机地、规则地、在快速充电过程期间、之前和/或之后、实时、在线、离线、或其组合地进行一次、至少一次、一次或多次。该方法还可以包括以规则或不规则间隔、连续地、或不连续地从一个或多个传感器112收集测量值至少一次或多次。该方法可包括向模型106提供或供应测量值。该方法可以包括将实时测量值作为实时输入提供给ml模型104、bms 102、控制器108、或其组合。
[0056]
该方法可以包括连续地、不连续地、随机地、规则地、在快速充电过程期间、之前和/或之后生成估计指标值一次、至少一次、一次或多次。生成可以响应于ml模型104和/或控制器108接收到新的一组输入（诸如一个或多个操作状况、电池单元103的电压、电流和/或温度的测量值）、在学习ml模型104之前、或二者。
[0057]
该方法可以包括在快速充电过程之前、期间和/或之后的根据来自特定电池单元103的实时或离线输入、外部数据、附加训练数据集、或其组合的ml模型104的进一步学习。
[0058]
该方法可以包括发起和/或停止向电流源输出控制输出。该方法可以包括发起和/或停止来自电池单元103的电流源的电流的流动。该方法可包括调整、增加、减少、改变、维持或调节在充电过程期间供应给电池单元103的电流量。
[0059]
该方法可以包括将电池单元103快速充电到预定值。该预定值可以是约40、50、55、60、65、70、75、80、85、90、91、92、93、94、95、96、97、98、99或100% soc或完全容量。容量是指
能够从电池单元中汲取直到电池单元耗尽的电荷的总量。完全充电的电池具有100%的soc。
[0060]
图5中描绘了方法步骤序列的非限制性示例。图5示意性地示出了过程500，其包括ml训练过程步骤502和504、步骤506至514中的指标的估计、以及步骤516至524的快速充电过程。
[0061]
本文公开的过程、方法或算法可能可递送给处理设备、控制器或计算机/由处理设备、控制器或计算机实现，其可以包括任何现有的可编程电子控制单元或专用电子控制单元。类似地，过程、方法或算法可以以许多形式存储为可由控制器或计算机执行的数据和指令，包括但不限于永久存储在诸如rom设备之类的非可写存储介质上的信息和可更改地存储在诸如软盘、磁带、cd、ram设备和其他磁性和光学介质之类的可写存储介质上的信息。过程、方法或算法也可以以软件可执行对象来实现。或者，过程、方法或算法可以使用适当的硬件组件（例如专用集成电路（asic）、现场可编程门阵列（fpga）、状态机、控制器、或其他硬件组件或设备）、或者硬件、软件和固件组件的组合来整体或部分地实现。
[0062]
尽管上面描述了示例性实施例，但并不意味着这些实施例描述了权利要求所包含的所有可能形式。说明书中使用的词语是描述性的词语而不是限制性的词语，并且应当理解，在不脱离本公开精神和范围的情况下，可以进行各种改变。如前所述，可以组合各种实施例的特征以形成可能未明确描述或示出的本发明的其他实施例。虽然各种实施例可能已经被描述为提供优点或者相对于其他实施例或现有技术实现关于一个或多个期望特性是优选的，但是本领域普通技术人员应当认识到，一个或多个特征或特性可以被折中以实现期望的总体系统属性，其取决于具体应用和实现。这些属性可以包括但不限于成本、强度、耐久性、寿命周期成本、可销售性、外观、包装、尺寸、可维修性、重量、可制造性、组装容易性等。因此，就任何实施例被描述为关于一个或多个特性与其他实施例或现有技术实现相比较不合期望而言，这些实施例并不在本公开的范围之外，并且对于特定应用可能是合期望的。