CN110780202A - 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 - Google Patents
电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 Download PDFInfo
- Publication number
- CN110780202A CN110780202A CN201910669371.1A CN201910669371A CN110780202A CN 110780202 A CN110780202 A CN 110780202A CN 201910669371 A CN201910669371 A CN 201910669371A CN 110780202 A CN110780202 A CN 110780202A
- Authority
- CN
- China
- Prior art keywords
- battery
- module
- secondary battery
- full charge
- charge capacity
- 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.)
- Pending
Links
Images
Classifications
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/3644—Constructional arrangements
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/54—Reclaiming serviceable parts of waste accumulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/84—Recycling of batteries or fuel cells
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本公开涉及电池信息处理系统、二次电池的容量推定方法、电池组以及该电池组的制造方法。电池信息处理系统(200)对用于推定模块(M)的满充电容量的信息进行处理。电池信息处理系统(200)具备:存储装置(220),其存储已学习的神经网络模型;和解析装置(230),其使用已学习的神经网络模型,根据模块(M)的交流阻抗测定结果推定二次电池的满充电容量。已学习的神经网络模型包括输入层(x),所述输入层(x)被提供推定用图像的各像素的数值的输入层(x),所述推定用图像是在预先确定的像素数的区域描绘了表示模块(M)的交流阻抗测定结果的奈奎斯特图而得到的图像。
Description
技术领域
本公开涉及电池信息处理系统、二次电池的容量推定方法、电池组以及该电池组的制造方法,更特定而言,涉及用于推定二次电池的满充电容量的信息处理技术。
背景技术
近年来,搭载有电池组的电动车辆(混合动力车、电动汽车等)正在不断普及。伴随着这些电动车辆的重新购买等,车载的电池组被回收。所回收的电池组的数量在今后预想会急速地增加。
一般而言,电池组可能随着时间的经过、或者反复充放电而发生劣化,但劣化的发展程度会按所回收来的每个电池组而不同。因此,关于所回收来的各个电池组,要求对能反映劣化的发展程度的特性(满充电容量等)进行评价,并根据该评价结果对电池组进行再利用。
作为评价二次电池的特性的方法,交流阻抗测定法是公知的。例如日本特开2003-317810号公报公开了如下方法:基于通过交流阻抗测定法取得的二次电池的反应电阻值,判定二次电池中有无微小短路。
发明内容
作为在反映二次电池的劣化的发展程度的特性中也特别重要的特性,可举出二次电池的满充电容量。这是因为,例如在车载用的电池组中,电池组的满充电容量对电动车辆的能够行驶距离有较大的影响。
一般而言,车载用的电池组包括多个(例如数个~十数个)模块来构成,多个模块各自包括多个(例如数十个)电池单元来构成。在这样的电池组的满充电容量的推定中,考虑采取如以下那样的步骤。即,从所回收来的电池组取出多个模块,按每个模块测定交流阻抗。并且,基于各模块的交流阻抗测定结果,推定该模块的满充电容量。在此基础上,根据模块的满充电容量的推定结果,既可以判定该模块可否再利用,也可以判定再利用的方式(用途)。
在交流阻抗测定法中,频率包含在预定范围内的交流信号被依次施加于二次电池,测定此时的二次电池的响应信号。根据所施加的交流信号(施加信号)和所测定的响应信号算出二次电池的阻抗的实数成分以及虚数成分,其算出结果被离散地标绘在复数平面上。该复数阻抗标绘也被称为奈奎斯特图。
通过对奈奎斯特图进行解析,能够推定二次电池的满充电容量。详细将在后面进行描述,但作为奈奎斯特图的解析方法可考虑各种各样的方法,优选采用能够尽可能高精度地推定二次电池的满充电容量的方法。
本公开是为了解决上述问题而完成的,目的在于在电池信息系统或者二次电池的容量推定方法中使二次电池的满充电容量的推定精度提高。另外,本公开的其他目的在于提供包括高精度地推定了满充电容量的电池而构成的电池组及其制造方法。
(1)本公开的某方式涉及的电池信息处理系统对用于推定二次电池的满充电容量的信息进行处理。电池信息处理系统具备:存储装置,其存储已学习的神经网络模型;和推定装置,其使用已学习的神经网络模型,根据二次电池的交流阻抗测定结果推定二次电池的满充电容量。已学习的神经网络模型包括输入层,该输入层被提供图像的各像素的数值,该图像是在预先确定的像素数量的区域描绘了表示二次电池的交流阻抗测定结果的奈奎斯特图而得到的图像。
(2)上述区域的像素数量比表示二次电池的交流阻抗的测定结果的实数成分的个数和虚数成分的个数之和多。
(3)二次电池的交流阻抗测定结果包括所施加的交流信号的频率为100mHz以上且1kHz以下的频率范围内的情况下的交流阻抗测定结果。
根据上述(1)~(3)的构成,在预先确定的像素数量的区域描绘了奈奎斯特图而得到的图像(该图像的各像素的数值数据)被作为输入信息提供给输入层。提供给输入层的输入信息量与将模块的交流阻抗测定结果的数值数据直接使用的情况(后述的比较例2)相比而大幅地增大。这意味着:在事先的神经网络的学习时,能够表现某二次电池与其他的二次电池之间的满充电容量的差异的信息的输入增大,能够实现高准确度的神经网络的学习(详细将在后面描述)。因此,能够使二次电池的满充电容量的推定精度提高。
(4)本公开的某方式涉及的电池组包括多个通过上述电池信息处理系统推定了满充电容量的二次电池来构成。
根据上述(4)的构成,能够提供包括通过电池信息系统高精度地推定了满充电容量的二次电池而构成的电池组。
(5)本公开的其他方式涉及的二次电池的容量推定方法包括:取得二次电池的交流阻抗测定结果的步骤;使用已学习的神经网络模型,根据二次电池的交流阻抗测定结果推定二次电池的满充电容量的步骤。已学习的神经网络模型包括输入层,该输入层被提供图像的各像素的数值,该图像是在预先确定的像素数量的区域描绘了表示二次电池的交流阻抗测定结果的奈奎斯特图而得到的图像。
根据上述(5)的方法,与上述(1)的构成同样地,能够使二次电池的满充电容量的推定精度提高。
(6)本公开的又一其他方式涉及的电池组的制造方法包括:取得二次电池的交流阻抗测定结果的步骤;使用已学习的神经网络模型,根据二次电池的交流阻抗测定结果推定二次电池的满充电容量的步骤;使用多个通过推定的步骤推定了满充电容量的二次电池来制造电池组的步骤。已学习的神经网络模型包括输入层,该输入层被提供图像的各像素的数值,该图像是在预先确定的像素数量的区域描绘了表示二次电池的交流阻抗测定结果的奈奎斯特图而得到的图像。
根据上述(6)的方法,与上述(4)的构成同样地,能够制造包括高精度地推定了满充电容量的二次电池而构成的电池组。
本发明的上述以及其他目的、特征、方式以及优点根据与附带的附图关联地理解的关于本发明的如下的详细说明来明确。
附图说明
图1是表示本实施方式中的电池组的从回收到制造、销售的物流的一种方式的图。
图2是表示图1所示的电池物流模型中的处理流程的流程图。
图3是表示应用于图1所示的电池物流模型的电池管理系统的构成例的图。
图4是表示电池信息系统的构成的图。
图5是是表示比较例1中的模块的容量推定处理的流程图。
图6是表示模块的交流阻抗测定结果的奈奎斯特图的一例的图。
图7是表示比较例1中的模块的等效电路模型的图。
图8是表示通过模块的交流阻抗测定结果的拟合处理得到的阻抗曲线的图。
图9是用于说明比较例1中的模块的容量推定精度的一例的图。
图10是用于说明比较例2中的神经网络模型学习的概念图。
图11是用于说明比较例2中的模块的容量推定精度的一例的图。
图12是用于说明本实施方式中的神经网络模型的机器学习的概念图。
图13是表示本实施方式中的神经网络模型的学习的流程图。
图14是表示本实施方式中的模块的容量推定处理的流程图。
图15是用于说明本实施方式中的模块的容量推定精度的一例的图。
具体实施方式
以下,参照附图对本公开的实施方式进行详细的说明。此外,对图中相同或者相当的部分标记相同的标号,不反复进行其说明。
本公开中,电池组包括多个模块(或者也称为块)来构成。多个模块既可以串联连接,也可以相互并联连接。多个模块各自包括串联连接的多个电池单元(单电池)。
在本公开中,电池组的“制造”意味着将构成电池组的多个模块中的至少一部分更换为其他模块(更换用模块)来制造电池组。基本上,更换用模块是从回收来的电池组取出的可再利用的模块,但也可以是新品的模块。
一般而言,电池组的“再利用”大致分为再使用(reuse)、重构(rebuild)以及再循环(recycle)。在再使用的情况下,回收来的电池组经过必要的出货检查后直接作为再使用品来出货。在重构的情况下,回收来的电池组例如暂时分解为模块(也可以是电池单元)。并且,分解后的模块中的性能恢复后能够利用的模块(也可以是直接能够利用的模块)被组合起来,制造新的电池组。新制造出的电池组经过出货检查后作为重构品来出货。与此相对,在再循环(资源再循环)中,从各电池单元取出能够再生的材料,因此,回收来的电池组不会作为其他电池组来使用。
在以下说明的实施方式中,从车辆回收来的电池组在暂时分解为模块后,以模块为单位进行性能检查。由性能检查的结果是判定为可再利用的模块制造电池组。因此,在以下中,能够再利用的模块意味着能够重构的模块。然而,根据电池组的构成,也可能不将电池组分解为模块而直接以电池组进行性能检查。那样的情况下的“再利用”可以包括再使用以及重构这两方。
另外,在本实施方式中,各电池单元是镍氢电池。更具体而言,正极是对氢氧化镍(Ni(OH)2)加入了钴氧化物的添加剂的正极。负极是储氢合金(作为镍系合金的MnNi5系)。电解液是氢氧化钾(KOH)。但是,这不过是具体的电池单元构成的例示,本公开能够应用的电池单元构成并不是限定于此。
[实施方式]
<电池物流模型>
图1是表示本实施方式中的电池组的从回收到制造、销售的物流的一种方式的图。以下,将图1所示的物流的方式称为“电池物流模型”。图2是表示图1所示的电池物流模型中的处理流程的流程图。
参照图1以及图2,在该电池物流模型中,从搭载有电池组的多个车辆回收已使用过的电池组,使用回收来的电池组所包含的可再利用的模块来制造电池组并销售。并且,可更换搭载于某用户的车辆90的电池组。
回收业者10从车辆91~93回收已使用过的电池组。车辆91~93分别搭载有电池组910~930。此外,在图1中,为了便于纸面表现,仅示出3台车辆,但实际上可从更多的车辆回收电池组。回收业者10将回收来的电池组分解,从电池组取出多个模块(步骤S1,以下将步骤简称为“S”)。
在该电池物流模型中,对每个模块赋予了用于确定该模块的识别信息(ID),各模块的信息由管理服务器80管理着。因此,回收业者10使用终端71(参照图3)向管理服务器80发送从电池组取出的各模块的ID。
检查业者20进行由回收业者10回收来的各模块的性能检查(S2)。具体而言,检查业者20检测回收来的模块的特性。例如,检查业者20检测满充电容量、电阻值、OCV(OpenCircuit Voltage,开路电压)、SOC(State Of Charge,充电状态)等的电气特性。并且,检查业者20基于检查结果辨别可再利用的模块和不可再利用的模块,对于可再利用的模块,交付给性能恢复业者30,对于不可再利用的模块,交付给再循环业者60。此外,对于各模块的检查结果,使用检查业者20的终端72(参照图3)发送给管理服务器80。
性能恢复业者30进行用于使被检查业者20认为可再利用的模块的性能恢复的处理(S3)。作为一个例子,性能恢复业者30通过将模块充电到过充电状态,使模块的满充电容量恢复。但是,对于在检查业者20的检查中判断为性能降低小的模块,也可以省略性能恢复业者30的性能恢复处理。对于各模块的性能恢复结果,使用性能恢复业者30的终端73(参照图3)发送给管理服务器80。
制造业者40使用由性能恢复业者30恢复了性能的模块来制造电池组(S4)。在本实施方式中,在管理服务器80中生成用于制造电池组的信息(组装信息),该信息被发送给制造业者40的终端74(参照图3)。制造业者40按照该组装信息,更新车辆90的电池组所包含的模块,制造(重构)车辆90的电池组。
销售店50将由制造业者40制造出的电池组作为车辆用电池来销售,或者作为能够在住宅等利用的固定放置用电池来销售(S5)。在本实施方式中,车辆90被送到销售店50,在销售店50中,车辆90的电池组被更换为由制造业者40制造出的再使用品或者重构品。
再循环业者60将被检查业者20认为不可再利用的模块解体,进行用于作为新的电池单元和/或其他制品的原料来利用的再资源化。
此外,在图1中,回收业者10、检查业者20、性能恢复业者30、制造业者40以及销售店50为彼此不同的业者,但业者的区分并不限定于此。例如,检查业者20和性能恢复业者30也可以是一个业者。或者,回收业者10也可以分为回收电池组的业者、和将回收来的电池组解体的业者。另外,各业者以及销售店的网点并不特别限定。各业者以及销售店的网点既可以是分开的,也可以多个业者或者销售店为同一网点。
图3是表示图1所示的电池物流模型中应用的电池管理系统的构成例的图。参照图3,电池管理系统100具备终端71~75、管理服务器80、通信网络81、基站82。
终端71是回收业者10的终端。终端72是检查业者20的终端。终端73是性能恢复业者30的终端。终端74是制造业者40的终端。终端75是销售店50的终端。
管理服务器80和各终端71~75构成为能够经由作为互联网或者电话线路等的通信网络81彼此进行通信。通信网络81的基站82构成为能够通过无线通信与车辆90进行信息的交换。
在检查业者20设置有用于测定各模块的交流阻抗、并基于该测定结果判定该模块的再利用方式(重构或者再循环)的电池信息系统(以下有时简称为“处理系统”)200。由处理系统200判定后的模块的再利用方式例如经由终端72被发送给管理服务器80。
以下,通过处理系统200推定从车辆91取出的电池组910所包含的多个模块中的某模块(以下记载为“模块M”)的满充电容量。进一步,基于模块M的满充电容量的推定结果,判定模块M的再利用方式。
<电池信息系统的构成>
图4是表示处理系统200的构成的图。处理系统200具备测定装置210、存储装置220、解析装置230以及显示装置240。此外,这些装置既可以作为相互独立的装置来构成,也可以作为1台装置来构成。
测定装置210测定模块M的交流阻抗,向解析装置230输出表示该测定结果的奈奎斯特图。更具体而言,测定装置210包括振荡器211、恒电位仪212、锁相放大器213以及标绘器214。
振荡器211向恒电位仪212和锁相放大器213输出同相位的正弦波。
恒电位仪212通过使预定的直流电压叠加于与来自振荡器211的正弦波相同相位的交流电压(例如振幅为10mV左右的电压)来生成施加信号,将所生成的施加信号施加于模块M。并且,恒电位仪212检测在模块M中流动的电流,将该检测结果作为来自模块M的响应信号输出给锁相放大器213。另外,恒电位仪212向标绘器214输出施加信号和响应信号。
锁相放大器213对从振荡器211接收的正弦波的相位与由恒电位仪212检测到的响应信号的相位进行比较,向标绘器214输出其比较结果(正弦波和响应信号的相位差)。
标绘器214基于来自恒电位仪212的信号(表示施加信号与响应信号的振幅比的信号、和来自锁相放大器213的信号(表示施加信号和响应信号的相位差的信号),在复数平面上标绘模块M的交流阻抗测定结果。更具体而言,在预定的频率范围内扫描从振荡器211输出的正弦波的频率,反复执行恒电位仪212以及锁相放大器213的前述的处理。由此,对于正弦波的各频率,模块M的交流阻抗测定结果被标绘在复数平面上。该标绘被称为“奈奎斯特图”(有时也称为Cole-Cole图)。模块M的奈奎斯特图被输出至解析装置230。
此外,测定装置210的构成并不限定于图4所示的构成。例如说明为将交流电压施加于模块M、检测此时在模块M中流动的电流,但恒电位仪212也可以检测对模块M施加了交流电流时的电压响应。另外,测定装置210也可以代替锁相放大器213而包括频率响应解析器(未图示)。
进一步,作为交流阻抗测定方法,也可以采用以下的方法。即,生成包含预定的频率范围内的各种频率成分的施加信号(电压信号以及电流信号中的一方),检测施加该施加信号时的响应信号(电压信号以及电流信号中的另一方)。通过对施加信号以及响应信号分别实施高速傅里叶变换(FFT:Fast Fourier Transform)并进行频率分解,按各频率算出交流阻抗。通过这样的方法,也能够制作奈奎斯特图。
存储装置220存储解析装置230的用于推定模块的满充电容量的已学习的神经网络模型。存储装置220根据来自解析装置230的要求,进行神经网络模型的学习,更新学习结果,为了被解析装置230参照而向解析装置230输出学习结果。
解析装置230例如是包括CPU(Central Processing Unit)、存储器、输入输出端口(均未图示)而构成的微型计算机。具体而言,解析装置230包括满充电容量推定部231和再利用判定部232。
满充电容量推定部231通过对由测定装置210取得的模块M的奈奎斯特图进行解析,从而推定模块M的满充电容量。以下,将该处理也称为“容量推定处理”。后面将对通过解析装置230进行的容量推定处理进行详细的说明。
再利用判定部232根据模块M的满充电容量的推定结果,判定模块M的再利用方式。再利用判定部232也可以判定模块M可否再利用。由解析装置230推定出的模块M的满充电容量和由再利用判定部232判定的再利用方式被输出给显示装置240。
显示装置240例如由液晶显示器等实现,显示通过解析装置230得到的容量推定处理的结果以及模块M的再利用方式的判定结果。由此,检查业者能够获知应该对模块M实施什么样的处理。
此外,解析装置230相当于本公开涉及的“推定装置”。在解析装置230中,再利用判定部232对于模块M的满充电容量的推定来说并不是必须的构成。另外,存储装置220以及解析装置230相当于本公开涉及的“电池信息系统”。
<比较例1的容量推定处理>
接着,对模块M的容量推定处理的流程进行详细的说明。在容量推定处理中,实施模块M的交流阻抗测定,通过对该测定结果进行解析,推定模块M的满充电容量。在根据交流阻抗测定结果推定满充电容量时,考虑应用各种各样的解析方法。以下,为了使本实施方式中的容量推定处理的特征得以明确,首先对两个比较例(比较例1、2)中的容量推定处理进行说明。
图5是表示比较例1中的模块M的容量推定处理的流程图。对于该流程图,例如在检查业者将模块M设置在处理系统200之后,在操作了未图示的操作部(开始按钮等)的情况下,由处理系统200执行该流程图。
此外,以下为了使说明简单化,不特别区别作为各处理的执行主体的处理系统200的构成要素(测定装置210所包含的各构成部件、解析装置230等),总括性地记载为“处理系统200”。各步骤基本上通过处理系统200的软件处理来实现,但其一部分或者全部也可以通过制作在处理系统200内的硬件(电气电路)来实现。
参照图5,在S11中,处理装置200测定模块M的交流阻抗,根据该测定结果取得奈奎斯特图。关于交流阻抗的测定方法,在用图4说明测定装置210的构成时详细进行了说明,因此,在此不反复进行说明。
图6是表示模块M的交流阻抗测定结果的奈奎斯特图的一例的图。在图6中,横轴表示模块M的复数阻抗的实数分量ZRe,纵轴表示模块M的复数阻抗的虚数分量-ZIm。
图6示出在100mHz~1kHz范围中对施加信号的频率进行了扫描的情况下的交流阻抗测定结果的一个例子。如图6所示,在奈奎斯特图中,与施加信号的频率相应的模块M的交流阻抗测定结果作为离散的值被标绘在复数平面上。在比较例1中,基于大量的模块的评价结果或者模拟结果,预先构建表示模块M的交流阻抗的频率特性的等效电路模型。
图7是表示比较例1中的模块的等效电路模型的图。参照图7,比较例1中的等效电路模型包括接合电感L、接合电阻R、溶液电阻Rsol、电荷移动电阻Rct、扩散电阻(由CPE1表示)以及双电层电容(由CPE2表示)来作为电路常数(模型参数)。
接合电感L是指模块所包含的电池单元间的接合部(正极与负极的接合部)处的电感成分。接合电阻R是指上述接合部处的电阻成分。溶液电阻Rsol是指在正极与负极之间存在的电解液的电阻成分。电荷移动电阻Rct是指与电极/电解质界面(正极活性物质以及负极活性物质的表面)处的电荷移动(电荷的授受)关联的电阻成分。扩散电阻是指与电解液中的盐或者活性物质中的电荷输送物质的扩散关联的电阻成分。双电层电容是指在电极/电解液界面形成的双电层的电容成分。此外,这些电路常数各自是合成关于模块内的全部电池单元的对应成分而得到的常数。
接合电感L与接合电阻R彼此并联连接。溶液电阻Rsol与接合电感L和接合电阻R的并联电路串联连接。另外,电荷移动电阻Rct与扩散电阻串联连接。该电荷移动电阻Rct和扩散电阻的串联电路与双电层电容彼此并联连接。进一步,包括接合电感L、接合电阻R以及溶液电阻Rsol的合成电路与包括电荷移动电阻Rct、扩散电阻以及双电层电容的合成电路串联连接。
模块的扩散电阻以及双电层电容分别由被称为CPE(Constant Phase Element,恒相位元件)的非线性元件来表示。具体而言,对于与扩散电阻对应的阻抗ZCPE1,使用CPE指数p1和CPE常数T1来如下述式(1)那样表示。此外,在式(1)中,用ω表示施加于模块的交流信号(施加信号)的角频率(ω=2πf)。
ZCPE1=1/{(jω)p1×T1}…(1)
同样地,对于与双电层电容对应的阻抗ZCPE2,也可以使用CPE指数p2和CPE常数T2来如下述式(2)那样表示。
ZCPE2=1/{(jω)p2×T2}…(2)
通过使用了该等效电路模型包含的8个电路常数的预定式子表现模块M的合成阻抗。以下,将表现模块M的合成阻抗的式子称为“阻抗曲线Z(M)”。
再次参照图5,在S12中,处理系统200进行阻抗曲线Z的拟合处理(曲线回归),以使得与标绘器214的奈奎斯特图(S11中的测定值)最好地相符。作为曲线回归的方法,例如可以使用非线性最小二乘法(LSQ:least squares method)。具体而言,处理系统200按施加信号的各频率,算出在该频率下标绘(测定)的坐标和与该频率对应的阻抗曲线Z(M)上的坐标。处理系统200关于施加信号的全部频率算出这些坐标间的距离(误差)的平方,对所算出的值进行合计。也即是,处理系统200算出误差的平方和,调整等效电路模型所包含的8个电路常数的值,以使得该误差的平方和成为最小。反复进行基于非线性最小二乘法的拟合处理,直到预定的收敛条件成立(例如直到卡方值等表示拟合处理的吻合度的值降低为低于判定值)。其结果,当判定为收敛条件成立时,阻抗曲线Z(M)得以确定。
图8是表示通过模块M的交流阻抗测定结果的拟合处理得到的阻抗曲线Z(M)的图。在图8中,表示由拟合处理确定的阻抗曲线Z(M)的曲线由粗线表示。此外,拟合算法并不限定于最小二乘法,也可以采样遗传算法(GA:genetic algorithm)等其他算法。
返回图5,在S13中,处理系统200从收敛条件成立时的8个电路常数提取特征量F(M)。更详细来说明时,通过实验预先确认了,提取什么样的特征量会在该特征量与模块的满充电容量Q之间存在相关关系。更详细而言,对于大量(例如数百个~数千个)模块,实验性地求出特征量F与满充电容量Q(通过实际使模块充放电而测定出的满充电容量)之间的关系。特征量F(M)例如能够通过多元回归分析等的统计方法从8个电路常数来提取。
当从8个电路常数提取到特征量F(M)时,处理系统200通过参照特征量F与满充电容量Q之间的相关关系,根据所提取到的特征量F(M)算出模块M的满充电容量Q(M)(S14)。
然后,处理系统200根据模块M的满充电容量Q(M)判定模块M的再利用方式。
图9是用于说明比较例1中的模块的容量推定精度的一例的图。在图9以及后述的图11和图15中,横轴表示模块的实际的满充电容量。实际的满充电容量例如是指通过对将模块从完全放电状态充电到满充电状态时的充电量进行测定等、虽然需要测定时间、但一般为高精度的测定方法测定的满充电容量。以下,将该值也记载为“满充电容量的实测值”。另一方面,纵轴表示按照比较例1中的前述的容量推定处理算出的模块的满充电容量。以下,将该值也记载为“满充电容量的推定值”。
在图9、图11以及图15中,由直线L1(实线)表示满充电容量的推定值和满充电容量的实测值严密地一致的状态。另外,通过由两条直线L2(虚线)夹着的范围(记载为“一致范围”)表示满充电容量的推定值相对于满充电容量的实测值的误差处于预定范围内(在该例子中为±0.5Ah)的状态。在本说明书中,通过容量推定处理推定了大量的模块的满充电容量而得到的结果,将满充电容量的推定值处于一致范围内的比例称为“容量推定精度”。
在应用了非线性最小二乘法的比较例1中,容量推定精度为79.8%。该值是比较高的值,但希望达到更高的值(例如目标值80%以上)。这认为是由于如下原因:根据至多由数个~十数个(在该例子中为8个)电路常数的组合表示的阻抗曲线Z无法精确地提取特征量F(M),因此,容量推定精度存在改善的余地。此外,应用了遗传算法等其他方法的情况下的容量推定精度比应用了非线性最小二乘法的情况下的容量推定精度低。
<比较例2的容量推定处理>
在比较例2的容量推定处理中,在模块的满充电容量的推定中使用神经网络模型。在该神经网络模型中,进行网络的机器学习,以使得在交流阻抗的测定结果被提供给了输入层的情况下从输出层输出高精度的满充电容量的推定结果。
图10是用于说明比较例2中的神经网络学习的概念图。参照图10,神经网络模型例如包括输入层x、隐层y以及输出层z。将输入层x和隐层之间的加权记载为W1,将隐层y与输出层z之间的加权记载为W2。
在比较例2中提供给神经网络模型的输入层x的是表示模块的交流阻抗测定结果的数值数据。更具体而言,施加信号和频率的交流阻抗的实数成分的组合(f,ZRe)、施加信号的频率和交流阻抗的虚数成分的组合(f,ZIm)被提供给输入层x。在图6所示的交流阻抗测定例子中,在100mHz~1kHz的频率区域中,施加52个频率的信号。在该情况下,根据一个模块的交流阻抗测定结果,作为实数成分的个数和虚数成分的个数之和的104个数值数据被提供给输入层x。因此,输入层x包括104个节点。此外,输出层z例如可以包括71个节点,以使得能够在0Ah~7Ah的范围内以0.1Ah的间隔输出满充电容量的推定结果。
图11是用于说明比较例2中的模块的容量推定精度的一例的图。如图11所示可知:满充电容量的推定值和实测值的组合的许多标绘会脱离由两条直线L2夹着的一致范围。详细而言,在应用了一般的神经网络模型的方法的比较例2中,容量推定精度为17.8%。也即是,在比较例2中,与比较例1相比,容量推定精度反而变低。
一般而言,基于神经网络模型的学习被评价为是适于特征量提取的方法。然而,在比较例2中,虽然进行了神经网络学习,但未达到足够的容量推定精度。作为其理由,本发明人考虑提供给输入层x的信息量(输入信息量)是不是不足呢。也即是,本发明人考虑:在比较例2中,如前所述,按测定了交流阻抗的各模块而104个数值数据被提供给输入层,但有可能该输入信息量对神经网络模型的学习来说是不足的。
于是,在本实施方式中,为了使输入信息量增大,代替表示奈奎斯特图的数值数据,将描绘了奈奎斯特图的图像数据(图像的各像素的数值数据)作为输入信息来提供给输入层x。
<本实施方式的容量推定处理>
图12是用于说明本实施方式中的神经网络模型的机器学习的概念图。参照图12,在本实施方式中,基于模块的交流阻抗测定结果(奈奎斯特图)生成图像。以下,将该图像也称为“学习用图像”。学习用图像按交流阻抗的各测定结果来生成。也即是,在测定了m个模块的交流阻抗的情况下,生成m个学习用图像。这样大量的学习用图像被依次提供给神经网络模型的输入层x,被用于神经网络模型的机器学习。
例如在图6所示的例子中,当实施某一个模块的交流阻抗测定时,得到52个频率下的交流阻抗测定结果。但是,在比较例2中,根据52个频率下的交流阻抗测定结果,只能够得到104个数值数据来作为输入信息。
与此相对,如图12所示,本实施方式中的学习用图像由纵47像素×横78像素=3,666像素的区域构成。在学习用图像中,与52个频率下的交流阻抗测定结果(奈奎斯特图)的任一者一致的像素被描绘为黑,与任一者都不一致的像素被描述为白。通过这样,能够根据52个频率下的交流阻抗测定结果得到3,666个输入信息。也即是,在学习用图像中,不仅包含由与奈奎斯特图一致的像素表示的信息,还包含由与奈奎斯特图不一致的像素表示的信息,因此,输入信息量大。与3,666个输入信息对应地,神经网络模型的输入层x包括3,666个节点来构成。
如此,在本实施方式中,根据各模块的交流阻抗测定结果,生成包括大量(例如数千~数十万)像素的学习用图像。在学习用图像中,按像素规定了2值化处理为白黑的颜色数据(白黑数据)。通过使用这样的学习用图像,使用于表现某模块与其他模块之间的特性(满充电容量)的差异的输入信息量增大。由此,与比较例2相比,能够使容量推定精度提高(后述)。
图13是表示本实施方式中的神经网络模型的学习方法的流程图。参照图13,在S31中,准备未学习的神经网络模型。在前述的例子中,输入层x包括3666个节点。输出层z包括71个节点而构成为能够在0Ah~7Ah的范围内以0.1Ah的间隔输出满充电容量的推定结果。
在S32中,根据大量的模块的交流阻抗测定结果,生成与此相同数量的学习用图像。关于该处理,用图12进行了详细的说明,因此,不反复进行在此的说明。
在S33中,处理系统200对神经网络模型的输入层x输入任意的学习用图像(在S31中生成的图像中的任一者),进行根据该学习用图像推定模块的满充电容量的有教师学习。更具体而言,以如以下那样的步骤进行学习。
首先,通过对满充电容量的推定值和满充电容量的实测值进行比较,判定满充电容量的推定值的正误,该正误被作为教师信号进行反馈。例如,设为根据某模块的学习用图像,该模块的满充电容量被推定为了Qk。在该模块的满充电容量的实测值为Qk的情况下,推定为正解这一教师信号被进行反馈。另一方面,在该模块的满充电容量的实测值不为Qk的情况下,通过教师信号反馈推定为错误这一状况。根据基于大量的模块的推定结果的教师信号,调整输入层x与隐层y之间的加权W1、和隐层y与输出层z之间的加权W2。如此,通过一边进行使用了大量的学习用图像的推定,一边反复进行基于教师信号的修正,不断提高神经网络模型的容量推定精度。在容量推定精度变为比预定值高或经过了预定时间的情况下,使S33的处理结束。由此,神经网络模型的学习完成。
图14是表示本实施方式中的模块M的容量推定处理的流程图。此外,以下的S42~S44的处理相当于模块M的容量推定处理。
参照图14,处理系统200首先实施模块M的交流阻抗测定(S41)。并且,处理系统200根据模块M的交流阻抗测定结果,生成用于推定模块M的满充电容量的图像(记载为“推定用图像”)(S42)。推定用图像的生成方法与用图13说明过的学习用图像的生成方法是同样的。
在S43中,处理系统200将在S42中生成的推定用图像提供给已学习的神经网络模型的输入层x。
在S44中,处理系统200从神经网络模型的输出层z接受模块M的满充电容量的推定值。
在S45中,处理系统200基于模块M的满充电容量的推定值,判定模块M的再利用方式。例如,处理系统200算出作为模块M的满充电容量的推定值的当前的满充电容量Q(M)与初始满充电容量Q0(根据模块M的规格而已知的值)之比(=Q(M)/Q0)来作为“容量维持率”,将容量维持率与预定的基准值进行比较。处理系统200在模块M的容量维持率为基准值以上的情况下,判定为能够将模块M使用于电池组的重构,在模块M的容量维持率小于基准值的情况下,判定为模块M不可使用于重构(应该回到资源再循环)。
图15是用于说明本实施方式中的模块的容量推定精度的一例的图,与图11进行对比。根据图15可知:满充电容量的推定值和实测值的组合的标绘中位于一致范围内的标绘的比例十分高。本实施方式中的容量推定精度为83.0%。与比较例2中的容量推定精度(17.8%)以及比较例1中的容量推定精度(79.8%)相比,该值为最高。由此,可以说表明了在本实施方式中容量推定精度提高。
如上所述,在本实施方式中,通过将表示奈奎斯特图的图像数据(图像的各像素的数值数据)即学习用图像作为输入信息来提供给输入层x,进行神经网络模型的机器学习。由此,与模块的交流阻抗测定结果的数值数据被直接使用的比较例2相比,提供给输入层x的信息量(输入信息量)大幅地增大。这意味着能够表现某模块与其他模块之间的满充电容量的差异的信息的输入增大了,因此,能够实现高准确度的神经网络模型的学习。作为其结果,根据本实施方式,能够使模块M的满充电容量的推定精度提高。另外,根据本实施方式,能够由高精度地推定了满充电容量的模块制造电池组。
以上对本发明的实施方式进行了说明,但应该认为本次公开的实施方式在全部方面是例示的、而不是限制性的。本发明的范围由权利要求书表示,意在包含与权利要求书等同的含义以及范围内的所有变更。
Claims (6)
1.一种电池信息处理系统,对用于推定二次电池的满充电容量的信息进行处理,具备:
存储装置,其存储已学习的神经网络模型;和
推定装置,其使用所述已学习的神经网络模型,根据所述二次电池的交流阻抗测定结果推定所述二次电池的满充电容量,
所述已学习的神经网络模型包括输入层,所述输入层被提供图像的各像素的数值,所述图像是在预先确定的像素数量的区域描绘了表示所述二次电池的交流阻抗测定结果的奈奎斯特图而得到的图像。
2.根据权利要求1所述的电池信息处理系统,
所述区域的像素数量比表示所述二次电池的交流阻抗的测定结果的实数成分的个数和虚数成分的个数之和多。
3.根据权利要求1或者2所述的电池信息处理系统,
所述二次电池的交流阻抗测定结果包括所施加的交流信号的频率为100mHz以上且1kHz以下的频率范围内的情况下的交流阻抗测定结果。
4.一种电池组,包括多个通过权利要求1~3中任一项所述的电池信息处理系统推定了满充电容量的所述二次电池来构成。
5.一种二次电池的容量推定方法,包括:
取得二次电池的交流阻抗测定结果的步骤;和
使用已学习的神经网络模型,根据所述二次电池的交流阻抗测定结果推定所述二次电池的满充电容量的步骤,
所述已学习的神经网络模型包括输入层,所述输入层被提供图像的各像素的数值,所述图像是在预先确定的像素数量的区域描绘了表示所述二次电池的交流阻抗测定结果的奈奎斯特图而得到的图像。
6.一种电池组的制造方法,包括:
取得二次电池的交流阻抗测定结果的步骤;
使用已学习的神经网络模型,根据所述二次电池的交流阻抗测定结果推定所述二次电池的满充电容量的步骤;以及
使用多个通过所述推定的步骤推定了满充电容量的所述二次电池来制造电池组的步骤,
所述已学习的神经网络模型包括输入层,所述输入层被提供图像的各像素的数值,所述图像是在预先确定的像素数量的区域描绘了表示所述二次电池的交流阻抗测定结果的奈奎斯特图而得到的图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-142797 | 2018-07-30 | ||
JP2018142797A JP2020020604A (ja) | 2018-07-30 | 2018-07-30 | 電池情報処理システム、二次電池の容量推定方法、ならびに、組電池、および、その組電池の製造方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110780202A true CN110780202A (zh) | 2020-02-11 |
Family
ID=69177966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910669371.1A Pending CN110780202A (zh) | 2018-07-30 | 2019-07-24 | 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200033414A1 (zh) |
JP (1) | JP2020020604A (zh) |
CN (1) | CN110780202A (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6988728B2 (ja) | 2018-07-31 | 2022-01-05 | トヨタ自動車株式会社 | 電池情報処理システム、二次電池の容量推定方法、および、組電池の製造方法 |
JP7157909B2 (ja) | 2018-12-20 | 2022-10-21 | トヨタ自動車株式会社 | 電池容量の推定方法、および電池容量の推定装置 |
JP7157908B2 (ja) | 2018-12-20 | 2022-10-21 | トヨタ自動車株式会社 | 電池容量の推定方法および電池容量の推定装置 |
JP7169519B2 (ja) | 2018-12-26 | 2022-11-11 | トヨタ自動車株式会社 | 電池容量推定方法、および電池容量推定システム |
JP7153196B2 (ja) | 2018-12-26 | 2022-10-14 | トヨタ自動車株式会社 | 電池特性評価装置、および電池特性評価方法 |
US11585862B2 (en) | 2020-02-28 | 2023-02-21 | Denso Corporation | Battery deterioration prediction system |
JP7244456B2 (ja) | 2020-04-28 | 2023-03-22 | プライムアースEvエナジー株式会社 | 二次電池の状態判定方法及び二次電池の状態判定装置 |
CN111579993B (zh) * | 2020-05-21 | 2021-05-28 | 北京航空航天大学 | 一种基于卷积神经网络的锂电池容量在线估计方法 |
US11686699B2 (en) * | 2020-09-18 | 2023-06-27 | Analog Devices, Inc. | System and method for anomaly detection and total capacity estimation of a battery |
JP7387660B2 (ja) | 2021-02-10 | 2023-11-28 | 株式会社東芝 | 電池の診断方法、電池の診断装置、電池の診断システム、電池搭載機器及び電池の診断プログラム |
CN113866643B (zh) * | 2021-09-24 | 2023-05-30 | 湖北亿纬动力有限公司 | 一种电池分容方法以及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU514384A1 (ru) * | 1973-03-07 | 1976-05-15 | Предприятие П/Я А-1736 | Способ определени степени зар женности аккумул торной батареи |
CN101067644A (zh) * | 2007-04-20 | 2007-11-07 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
CN101504443A (zh) * | 2008-02-05 | 2009-08-12 | 比亚迪股份有限公司 | 一种锂离子电池放电容量的预测方法 |
CN102253347A (zh) * | 2011-06-30 | 2011-11-23 | 大连大工安道船舶技术有限责任公司 | 电动汽车蓄电池soc估算系统 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN104076284A (zh) * | 2013-03-25 | 2014-10-01 | 比亚迪股份有限公司 | 电池荷电状态soc的跟踪方法和装置 |
CN107076801A (zh) * | 2014-07-25 | 2017-08-18 | 锂平衡公司 | 电池管理系统中的电化学阻抗谱 |
CN107144790A (zh) * | 2016-03-01 | 2017-09-08 | 上海卡耐新能源有限公司 | 一种预测锂离子电池循环寿命的方法 |
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN110783644A (zh) * | 2018-07-31 | 2020-02-11 | 丰田自动车株式会社 | 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04123191A (ja) * | 1990-09-13 | 1992-04-23 | Nippon Signal Co Ltd:The | 検銭装置 |
JPH1132442A (ja) * | 1997-07-10 | 1999-02-02 | Matsushita Electric Ind Co Ltd | 蓄電池残容量推定方法及び蓄電池残容量推定システム |
US20030184307A1 (en) * | 2002-02-19 | 2003-10-02 | Kozlowski James D. | Model-based predictive diagnostic tool for primary and secondary batteries |
US10379168B2 (en) * | 2007-07-05 | 2019-08-13 | Battelle Energy Alliance, Llc | Apparatuses and methods for testing electrochemical cells by measuring frequency response |
JP6245692B2 (ja) * | 2013-11-13 | 2017-12-13 | 学校法人東海大学 | 電池状態判定装置及び電池状態判定方法 |
GB2547712A (en) * | 2016-02-29 | 2017-08-30 | Fujitsu Ltd | Method and apparatus for generating time series data sets for predictive analysis |
JP2018018354A (ja) * | 2016-07-28 | 2018-02-01 | 高砂香料工業株式会社 | ディープラーニングを用いた飲食品の品質予測方法及び飲食品 |
-
2018
- 2018-07-30 JP JP2018142797A patent/JP2020020604A/ja active Pending
-
2019
- 2019-07-15 US US16/511,212 patent/US20200033414A1/en not_active Abandoned
- 2019-07-24 CN CN201910669371.1A patent/CN110780202A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU514384A1 (ru) * | 1973-03-07 | 1976-05-15 | Предприятие П/Я А-1736 | Способ определени степени зар женности аккумул торной батареи |
CN101067644A (zh) * | 2007-04-20 | 2007-11-07 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
CN101504443A (zh) * | 2008-02-05 | 2009-08-12 | 比亚迪股份有限公司 | 一种锂离子电池放电容量的预测方法 |
CN102253347A (zh) * | 2011-06-30 | 2011-11-23 | 大连大工安道船舶技术有限责任公司 | 电动汽车蓄电池soc估算系统 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN104076284A (zh) * | 2013-03-25 | 2014-10-01 | 比亚迪股份有限公司 | 电池荷电状态soc的跟踪方法和装置 |
CN107076801A (zh) * | 2014-07-25 | 2017-08-18 | 锂平衡公司 | 电池管理系统中的电化学阻抗谱 |
CN107144790A (zh) * | 2016-03-01 | 2017-09-08 | 上海卡耐新能源有限公司 | 一种预测锂离子电池循环寿命的方法 |
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN110783644A (zh) * | 2018-07-31 | 2020-02-11 | 丰田自动车株式会社 | 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 |
Non-Patent Citations (2)
Title |
---|
刘海等: "基于改进的差分进化算法的电阻抗图像重建", 《中国医学影像学杂志》 * |
邹幽兰: "基于退役锂动力电池容量_内阻和荷电状态的建模与参数估计", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
JP2020020604A (ja) | 2020-02-06 |
US20200033414A1 (en) | 2020-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110780202A (zh) | 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 | |
CN110416634B (zh) | 电池信息处理系统、电池组、电池模块的特性评价方法以及电池组的制造方法 | |
CN110783644B (zh) | 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 | |
CN110412479B (zh) | 电池信息处理系统、电池组、电池模块的容量算出方法以及电池组的制造方法 | |
CN110416635B (zh) | 电池信息处理系统、电池组、电池模块的特性评价方法以及电池组的制造方法 | |
CN111381168B (zh) | 电池特性评价装置以及电池特性评价方法 | |
CN111352033B (zh) | 电池容量的推定方法以及电池容量的推定装置 | |
CN111352034B (zh) | 电池容量的推定方法以及电池容量的推定装置 | |
KR102587694B1 (ko) | 전지 관리 시스템, 전지 관리 방법, 및 세트 전지의 제조 방법 | |
CN110867623B (zh) | 电池信息处理系统、电池信息处理方法以及电池组及其制造方法 | |
US20220397611A1 (en) | Battery capacity estimation method and battery capacity estimation system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20221115 |
|
AD01 | Patent right deemed abandoned |