CN111352033A - 电池容量的推定方法以及电池容量的推定装置 - Google Patents

电池容量的推定方法以及电池容量的推定装置 Download PDF

Info

Publication number
CN111352033A
CN111352033A CN201911308199.3A CN201911308199A CN111352033A CN 111352033 A CN111352033 A CN 111352033A CN 201911308199 A CN201911308199 A CN 201911308199A CN 111352033 A CN111352033 A CN 111352033A
Authority
CN
China
Prior art keywords
battery capacity
nyquist
image data
nyquist diagram
measurement
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.)
Granted
Application number
CN201911308199.3A
Other languages
English (en)
Other versions
CN111352033B (zh
Inventor
泉纯太
三井正彦
八十岛珠仁
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
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
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN111352033A publication Critical patent/CN111352033A/zh
Application granted granted Critical
Publication of CN111352033B publication Critical patent/CN111352033B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/03—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for supply of electrical power to vehicle subsystems or for
    • B60R16/033—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for supply of electrical power to vehicle subsystems or for characterised by the use of electrical cells or batteries
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

提供一种高效且高精度推定电池容量的电池容量的推定方法和电池容量的推定装置，该推定方法包括第1步骤(S11)和第2步骤(S12)。第1步骤(S11)是基于通过预先确定的AC－IR测定得到的奈奎斯特绘制得到利用预先确定的方法描绘的奈奎斯特图的图像数据的步骤。第2步骤(S12)是将在第1步骤中得到的奈奎斯特图的图像数据向学习完成的神经网络模型的输入层输入，得到成为测定对象的电池容量的推定值的步骤。

Description

电池容量的推定方法以及电池容量的推定装置
技术领域
本发明涉及电池容量的推定方法和电池容量的推定装置。
背景技术
专利文献1公开了电池的特性评价方法。在该文献公开的电池的特性评价方法中，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。
现有技术文献
专利文献1：日本特开2003－317810号公报
发明内容
本发明人研究了利用交流阻抗测定法精度良好且高效地评价二次电池的电池容量的方法。
用于解决问题的手段
在此提出的电池容量的推定方法的一实施方式包括第1步骤、第2步骤。第1步骤中，得到基于通过预先确定的AC－IR测定得到的奈奎斯特绘制并利用预先确定的方法描绘的奈奎斯特图的图像数据；第2步骤中，将在所述第1步骤得到的奈奎斯特图的图像数据向学习完成的神经网络模型的输入层输入，得到成为测定对象的电池容量的推定值，
在此，神经网络模型具备：输入层，构成为被输入成为测定对象的电池的奈奎斯特图的图像数据；中间层，构成为根据被输入至输入层的图像数据得到电池容量的推定值；以及输出层，构成为输出在中间层得到的电池容量的推定值。
在电池容量的推定方法中，学习用数据所包含的图像数据的奈奎斯特图也可以被很粗地描绘为包含由AC－IR测定得到的奈奎斯特绘制的公差。
该情况下，学习用数据所包含的图像数据的奈奎斯特图以奈奎斯特绘制的公差的2倍以下的粗细被描绘。
另外，在第1步骤得到的图像数据的奈奎斯特图也可以被很粗地描绘为包含由AC－IR测定得到的奈奎斯特绘制的公差。
在第1步骤得到的图像数据的奈奎斯特图也可以以奈奎斯特绘制的公差的2倍以下的粗细被描绘。
在此公开的电池容量的推定装置的一实施方式中间层，具备：输入层、中间层以及输出层。输入层，可以构成为被输入成为测定对象的电池的奈奎斯特图的图像数据。中间层，可以构成为基于输入至所述输入层的图像数据，进行基于学习完成的神经网络模型的加权系数的运算，得到电池容量的推定值。输出层，可以构成为输出在中间层得到的电池容量的推定值。
根据所述电池容量的推定方法以及电池容量的推定装置的一实施方式，将由AC－IR测定得到的奈奎斯特图的图像数据向学习完成的神经网络模型输入，得到电池容量的推定值。奈奎斯特图中，将由AC－IR测定得到的奈奎斯特绘制的绘制间进行了补全。因此，能高效且高精度地推定电池容量。
学习用数据所包含的图像数据的奈奎斯特图也可以被很粗地描绘为包含由AC－IR测定得到的奈奎斯特绘制的公差。另外，奈奎斯特图也可以被设定为奈奎斯特绘制的公差的10％以内的粗细。
在此公开的电池容量的推定方法以及电池容量的推定装置的一实施方式中，中间层例如可以构成为，具备多个人工神经元。多个人工神经元分别包含表示人工神经元间的结合的强度的至少1个加权系数，通过基于加权系数进行运算，从而根据输入至神经网络模型的输入层的奈奎斯特图的图像数据，得到电池容量的推定值。在此，加权系数可以与成为测定对象的电池相关，通过学习将基于通过AC－IR测定得到的奈奎斯特绘制并利用预先确定的方法描绘的奈奎斯特图的图像数据和得到该奈奎斯特图的图像数据时的电池容量的评价值进行了关联而得到的学习用数据而被规定。
附图说明
图1是表示对AC－IR测定进行测定的测定装置60的一例的示意图。
图2是表示多个模块M的奈奎斯特绘制(Nyquist plot)的一例的图。
图3是表示等效电路模型80的一例的电路图。
图4是在此公开的电池容量的推定方法的流程图。
图5是电池容量的推定装置10的构成图。
图6是表示从二次电池的回收到制造(再利用)、贩卖为止的物流模型的示意图。
具体实施方式
以下，对在此提出的电池容量的推定方法和电池容量的推定装置的一实施方式进行说明。在此说明的实施方式当然不是意在特别对本发明进行限定。本发明除非另有提及，并不限定于在此说明的实施方式。
在此公开的电池容量的推定方法和推定装置中，作为AC－IR测定的测定结果将奈奎斯特绘制(Nyquist plot)和奈奎斯特图(Nyquist diagram)利用于电池容量的推定中。在此，首先对AC－IR测定、奈奎斯特绘制和奈奎斯特图进行说明。
＜AC－IR测定＞
在AC－IR测定中，一边按预先确定的频率使频率变化，一边测定电池内部的交流阻抗。例如，将1MHz～100MHz的范围所包含的多个频率的交流信号向二次电池的电极间依次施加。每当施加各频率的交流信号，计测响应信号。对所施加的交流信号和所计测的响应信号的各个组合算出阻抗的实数分量和虚数分量，在二维坐标的横轴和纵轴分别进行绘制(plot)处理。因此，AC－IR测定的测定值是作为奈奎斯特绘制(Nyquist plot)而得到的。AC－IR测定也被称为交流阻抗测定。
＜测定装置60＞
图1是表示对AC－IR测定进行测定的测定装置60的一例的示意图。
测定装置60具备：振荡器61、恒电位仪(Potentiostat)62、锁相放大器(lock inamplifier)63、绘图仪(Plotter)64、拟合部(Fitting)66。测定装置60虽然省略图示，但是可以具备控制器(例如，CPU等的处理器)、存储器、以及输入输出端口等。
测定装置60的各构成要素，例如拟合部66等，也可以构成为，通过测定装置60的硬件构成、和被编程为各自发挥预定的功能的软件的协调工作而实现。此外，如图1所示，测定装置60也可以由1个装置构成，但不限于此，也可以构成为多个装置协调工作发挥功能的装置。
另外，在图1中，模块M是成为测定对象的二次电池的模块。在此，作为二次电池的模块图示有电池组，但是成为测定对象的二次电池也可以是单电池。
振荡器61是向恒电位仪62和锁相放大器63输出同相位的正弦波的装置。
恒电位仪62是生成交流的施加信号，并将所生成的施加信号向模块M施加的装置。在本实施方式中，恒电位仪62通过向与从振荡器61输出的正弦波同相位的交流电压(例如，振幅为10MV左右的电压)叠加预定的直流电压，生成交流的施加信号。另外，作为其它功能，恒电位仪62检测在模块M中流动的电流。恒电位仪62将电流的检测结果作为来自模块M的响应信号向锁相放大器63输出。另外，作为其它功能，恒电位仪62将施加信号和响应信号向绘图仪64输出。
锁相放大器63是将从振荡器61输出的正弦波的相位与从恒电位仪62输出的响应信号的相位进行比较的装置。在本实施方式中，锁相放大器63将比较结果(正弦波与响应信号的相位差)向绘图仪64输出。
绘图仪64是将模块M的交流阻抗的测定结果在复平面上绘制(plot)的装置。在本实施方式中，绘图仪64基于来自恒电位仪62的信号和来自锁相放大器63的信号，将模块M的交流阻抗的测定结果在复平面上绘制。在此，来自恒电位仪62的信号是表示施加信号与响应信号的振幅比的信号。来自锁相放大器63的信号是表示施加信号与响应信号的相位差的信号。
在本实施方式的测定装置60中，以从振荡器61输出的正弦波的频率在预定的频率范围内进行扫描。相应地反复执行由恒电位仪62和锁相放大器63进行的前述的处理。由此，针对从振荡器61输出的正弦波的各频率而分别取得的模块M的交流阻抗的测定结果，在绘图仪64中被绘制在复平面上。相关绘制被称为奈奎斯特绘制(Nyquist plot)。奈奎斯特绘制也被称为科尔作图(Cole-Cole plot)。
此外，测定装置60的构成并不限定于图1所示的构成。例如，说明了本实施方式的恒电位仪62将交流电压向模块M施加，在施加期间检测流经模块M的电流。但是，恒电位仪62也可以检测在向模块M施加交流电流期间的电压响应。另外，测定装置60也可以具备频率响应解析器来取代锁相放大器63。
进而，也能够变更交流阻抗测定方法。例如，测定装置60也可以生成包含预定的频率范围内的各种频率分量的施加信号(电压信号和电流信号中的一方)，检测施加信号的施加时的响应信号(电压信号和电流信号中的另一方)。测定装置60也可以通过对施加信号和响应信号的每一个实施快速傅里叶变换进行频率分解，按每个频率算出交流阻抗。
＜奈奎斯特绘制Np＞
图2是表示多个模块M的奈奎斯特绘制Np的一例的图。
图2的横轴表示模块M的交流阻抗(复阻抗)的实数分量(ZRe)。图2的纵轴表示模块M的交流阻抗的虚数分量(－ZIM)。
在本实施方式中，测定装置60例如将在100MHz～1kHz的范围内使频率变化后的施加信号向模块M施加。如图2所示，通过将各种频率的信号向模块M施加，与频率相应的模块M的交流阻抗的测定结果作为离散值被绘制在复平面上。由相关测定得到的绘制p的集合被称为奈奎斯特绘制Np。
如图2所示，奈奎斯特绘制Np在100MHz～1kHz的频率范围中，使用52个频率的施加信号。所取得的奈奎斯特绘制Np具有根据高频率的施加信号得到的大致圆弧状的半圆部分Np1和根据低频率的施加信号得到的大致直线状的直线部分Np2。在此，在图2所示的例子中，将大致1Hz作为边界，将1Hz以上1kHz以下的施加信号设为高频率，能够成为半圆部分Np1。另外，将100MHz以上1Hz以下的施加信号设为低频率，能够成为直线部分Np2。1Hz的施加信号在高频率和低频率中均能够得到。
＜奈奎斯特图Ny＞
测定装置60构成为，通过预先确定的方法，得到沿着奈奎斯特绘制Np的奈奎斯特图Ny。在本实施方式中，奈奎斯特图Ny通过拟合部66而得到。
＜等效电路＞
拟合部66构成为，对作为测定结果得到的奈奎斯特绘制Np进行解析得到等效电路。通过拟合为等效电路，得到沿着作为测定结果得到的奈奎斯特绘制Np的奈奎斯特图Ny。在此，就奈奎斯特绘制Np和奈奎斯特图Ny而言，适当参照图2。
拟合部66例如也可以与成为测定对象的二次电池(在本实施方式中，模块M)相配合而预先确定等效电路。拟合部66例如可以基于很多模块的评价结果或模拟结果，预先构筑表示模块M的交流阻抗的频率特性的等效电路。该情况下，拟合部66例如可以构成为，使等效电路的各要素的参数变化，拟合为奈奎斯特绘制Np，得到沿着作为测定结果得到的奈奎斯特绘制Np的奈奎斯特图Ny。
＜等效电路模型80的一例＞
图3是表示等效电路模型80的一例的电路图。如图3所示，等效电路模型80中，作为电路常数(模型参数)，包含结电感L、结电阻R、溶液电阻Rsol、电荷转移电阻Rct、扩散电阻(由CPE1表示)、双电层电容(由CPE2表示)。
在此示出的等效电路模型80中，结电感L是模块M(参照图1)所包含的单元间的接合部(正极与负极的接合部)中的电感分量。结电阻R是上述接合部中的电阻分量。溶液电阻Rsol是存在于正极与负极之间的电解液的电阻分量。电荷转移电阻Rct是与电极/电解质界面(正极活性物质和负极活性物质的表面)中的电荷转移(电荷的授受)关联的电阻分量。扩散电阻CPE1是与电解液中的盐或活性物质中的电荷输送物质的扩散关联的电阻分量。双电层电容CPE2是形成于电极/电解液界面的双电层电容CPE2的容量分量。此外，这些电路常数的每一个是将关于模块M内的全部单元的对应的分量合成后的常数。
结电感L与结电阻R彼此并联连接。溶液电阻Rsol串联连接于结电感L与结电阻R的并联电路。另外，电荷转移电阻Rct与扩散电阻CPE1串联连接。该电荷转移电阻Rct与扩散电阻CPE1的串联电路，与双电层电容CPE2彼此并联连接。进而，包含结电感L、结电阻R以及溶液电阻Rsol的电路，与包含电荷转移电阻Rct、扩散电阻CPE1以及双电层电容CPE2的电路串联连接。
模块M的扩散电阻以及双电层电容的每一个由被称为CPE(Constant PhaseElement：恒相位元件)的非线性要素表示。具体而言，扩散电阻CPE1所对应的阻抗ZCPE1使用CPE指数p1和CPE常数T1如下式(1)所示。此外，在式(1)中，将施加于模块的交流信号(施加信号)的角频率用ω表示(ω＝2πf)。
ZCPE1＝1/{(jω)p1×T1}…(1)
同样地，双电层电容CPE2所对应的阻抗ZCPE2也能够使用CPE指数p2和CPE常数T2如下式(2)所示。
ZCPE2＝1/{(jω)p2×T2}…(2)
这样，在图3所示的等效电路模型80中，作为8个电路常数，包含结电感L、结电阻R、溶液电阻Rsol、电荷转移电阻Rct、CPE指数p1、CPE常数T1、CPE指数p2以及CPE常数T2。通过使用了等效电路模型所包含的这8个电路常数(L，R，Rsol，Rct，p1，T1，p2，T2)的预定式，表现模块M的合成阻抗。
在拟合部66中，进行阻抗曲线的拟合处理(曲线回归)，以使得最适合通过绘图仪64得到的奈奎斯特绘制Np。作为曲线回归的方法，例如，能够使用非线性最小平方法(LSQ：least squares method：最小二乘法)。具体而言，在拟合部66中，按每个施加信号的频率，算出在该频率下所绘制(测定)的坐标、和该频率所对应的阻抗曲线上的坐标。这些坐标间的距离(误差)的平方，针对施加信号的全部频率而被算出。对所算出的值进行合计。也就是说，算出误差的平方和。而且，调整等效电路模型80所包含的8个电路常数(L，R，Rsol，Rct，p1，T1，p2，T2)的值，以使得该误差的平方和成为最小。到预定的收敛条件成立为止，反复进行基于非线性最小平方法的拟合处理。在此的收敛条件例如能够规定为，表示卡方值等的拟合处理的适合度的值低于判定值为止等。其结果，当收敛条件成立时，能确定作为阻抗曲线的奈奎斯特图Ny。
图2示出了通过模块M的交流阻抗测定结果的拟合处理得到的奈奎斯特图Ny。奈奎斯特图Ny作为大致沿着奈奎斯特绘制Np的线而得到。
此外，在本实施方式中，对测定装置60用于得到等效电路和/或奈奎斯特图Ny的方法作为一例进行了说明，但是奈奎斯特图Ny可以基于通过AC－IR测定得到的奈奎斯特绘制利用预先确定的方法得到。例如，在上述的例子中，作为对于预先确定的等效电路模型80的拟合算法，例示有最小平方法。拟合算法并不限定于最小平方法。例如，也可以用直线连结奈奎斯特绘制Np的相邻的绘制(adjacent plot points)。另外，也能够采用二次式和/或三次式等的多项式、幂近似、遗传的算法(GA：genetic algorithm)等的其他算法。另外，拟合部66不限定于利用等效电路模型80的方法，也可以构成为，通过图像处理技术，对通过AC－IR测定得到的奈奎斯特绘制Np进行识别，通过预先确定的方法得到沿着奈奎斯特绘制Np的线来作为奈奎斯特图Ny。
本发明人想要高精度且高效地推定电池容量。在相关方法的研究中，本发明人着眼于奈奎斯特绘制Np与电池容量存在相关关系，考虑了构成学习完成的神经网络模型来得到电池容量这一情况。进而，为了提高电池容量的精度，得到了如下构思：以将奈奎斯特图Ny的图像数据作为输入数据而得到电池容量的推定值的方式构筑学习完成的神经网络模型，从而根据奈奎斯特图Ny的图像数据得到电池容量的推定值。
＜奈奎斯特图Ny的图像数据＞
在此，奈奎斯特图Ny的图像数据有可能为图2中提取出奈奎斯特图Ny而得到的图像数据。例如，奈奎斯特图Ny的图像数据有可能为图2的奈奎斯特图Ny中、剩余纵轴、横轴和奈奎斯特图Ny，而将奈奎斯特绘制Np的绘制p(plot points p)等的不需要的信息删除而得到的图像数据。此外，奈奎斯特图Ny的图像数据也可以包含奈奎斯特图Ny以外的信息。例如，也可以包含奈奎斯特绘制Np的绘制p。奈奎斯特图Ny的图像数据如图2所示可以包含奈奎斯特图Ny，且通过由计算机实现的预先确定的图像处理，能够提取奈奎斯特图Ny的图像数据。另外，奈奎斯特图Ny的坐标信息等也可以被附加于奈奎斯特图Ny的图像数据。
奈奎斯特图Ny的图像数据能够通过按照预先存储的预定的程序的由计算机实现的图像处理而制作。由计算机实现的图像处理能够利用图像处理软件而实现。可以对图像处理进行编程，以使得奈奎斯特图Ny的图像数据例如根据对奈奎斯特绘制Np、等效电路模型80(参照图3)或奈奎斯特图Ny等、AC－IR测定以及AC－IR测定的测定值进行加工后的数据而被制作。此外，就奈奎斯特图Ny的图像数据而言，也可以对奈奎斯特图Ny的线的粗细和/或颜色等进行加工。也可以对奈奎斯特图Ny的线的粗细例如设定所需要的粗细，以使得奈奎斯特绘制Np的测定误差包含于奈奎斯特图Ny的线。另外，通过将奈奎斯特图Ny的颜色设定为预先确定的特定的颜色，在计算机的图像处理中变得容易识别奈奎斯特图Ny的线。因此，能提高利用了奈奎斯特图Ny的图像数据的图像处理的精度。
图4是在此公开的电池容量的推定方法的流程图。在此公开的电池容量的推定方法如图4所示包括第1步骤(S11)和第2步骤(S12)。
第1步骤(S11)是基于通过AC－IR测定得到的奈奎斯特绘制，得到利用预先确定的方法描绘的奈奎斯特图的图像数据的步骤。
第2步骤(S12)是将由第1步骤(S11)得到的奈奎斯特图的图像数据向神经网络模型的输入层输入，得到成为测定对象的电池容量的推定值的步骤。
根据相关的电池容量的推定方法，由AC－IR测定得到的奈奎斯特图Ny的图像数据被输入至学习完成的神经网络模型20，得到电池容量的推定值。奈奎斯特图Ny在由AC－IR测定得到的奈奎斯特绘制Np的绘制期间进行补全。因此，与奈奎斯特绘制Np相比作为图像数据信息量较多。AC－IR测定、得到奈奎斯特图Ny的解析、利用神经网络模型20取得电池容量的推定值的取得处理能够在比较短的时间内实施。因此，能高效且高精度推定电池容量。这样通过将奈奎斯特图Ny的图像数据作为输入数据，学习完成的神经网络模型20进行电池容量的推定，能分别提高推定电池容量的效率和精度。
接着，说明对所述电池容量的推定方法进行具体化的电池容量的推定装置的一个实施方式进行说明。图5是电池容量的推定装置10的构成图。
电池容量的推定装置10如图5所示，具备神经网络模型20、输入层21、中间层22、输出层23。
在此，输入层21构成为，被输入成为测定对象的电池的奈奎斯特图的图像数据。
中间层22构成为，基于输入至输入层21的图像数据，进行基于学习完成的神经网络模型的加权系数的运算，得到电池容量的推定值。
输出层23构成为，输出在中间层22得到的电池容量的推定值。
根据所述电池容量的推定装置10，输入由AC－IR测定得到的奈奎斯特绘制Np的图像数据，得到电池容量的推定值。因此，能高效且高精度推定电池容量。
学习完成的神经网络模型20可以构筑为，与成为测定对象的电池相关，通过学习将奈奎斯特图Ny的图像数据与电池容量的评价值进行了关联而得到的学习用数据，基于输入至输入层21的图像数据，得到电池容量的推定值。学习用数据的电池容量的评价值例如可以为，在得到了该奈奎斯特图Ny的图像数据时成为测定对象的电池的电池容量的实测值。
由学习完成的神经网络模型20的中间层22得到的电池容量的评价值例如可能为，成为测定对象的电池的预先确定的充电状态的电池容量。在学习完成的神经网络模型20的中间层22中，例如，也可以得到成为测定对象的电池的充满电状态(SOC100％)的电池容量。另外，也可以得到成为测定对象的电池的SOC80％的充电状态下的电池容量。这样，利用中间层22得到的电池容量的评价值也可以是，对成为测定对象的电池了评价任意的充电状态的电池容量后的评价值。
同样地，就电池容量的推定值而言，例如也可以构筑学习完成的神经网络模型20，以得到成为测定对象的电池的预先确定的充电状态的电池容量。另外，就电池容量的推定值而言，例如，也可以构筑学习完成的神经网络模型20，以得到成为测定对象的电池的预先确定的多个充电状态的电池容量。该情况下，作为处理结果，在学习完成的神经网络模型20的中间层22得到的电池容量的推定值可以是，成为测定对象的电池的充满电状态(SOC100％)的电池容量，可以是SOC80％的电池容量，也可以是SOC60％的电池容量。
在此，神经网络模型20的中间层22省略图示，但是例如可以具备多个人工神经元。多个人工神经元可以构成为，分别包含表示人工神经元间的结合的强度的至少1个加权系数，通过基于加权系数进行运算，根据输入至神经网络模型20的输入层21的奈奎斯特图Ny的图像数据，得到电池容量的推定值。加权系数，与成为测定对象的电池(模块M：参照图1))相关，可以通过学习将通过AC－IR测定得到的奈奎斯特图Ny的图像数据和电池容量的评价值进行了关联而得到的学习用数据而被确定。中间层22可以具备多个所谓隐蔽层，所述隐蔽层具备多个人工神经元。
在此，对神经网络模型20的学习方法没有特别限定。神经网络模型20例如能够适当地适用基于带教师的学习数据的各种机器学习和/或深度学习等的各种学习方法。
在此，学习用数据所包含的图像数据的奈奎斯特图也可以被很粗地描绘为包含由AC－IR测定得到的测定值的公差。
该情况下，由于将奈奎斯特图Ny很粗地描绘为包含奈奎斯特绘制Np的公差，所以奈奎斯特图Ny中包含奈奎斯特绘制Np的真值。被很粗地描绘为包含测定值的公差而的奈奎斯特图Ny的图像数据也可以在学习完成的神经网络模型20的学习数据中被使用。由此，提高由学习完成的神经网络模型20的中间层22得到的电池容量的推定精度。
另外，针对利用输入值学习完成的神经网络模型20的输入层21的输入用数据的奈奎斯特图，也可以被很粗地描绘为包含由AC－IR测定得到的奈奎斯特绘制的公差。也就是说，在电池容量的推定方法中，由第1步骤得到的图像数据的奈奎斯特图也可以被很粗地描绘为包含由AC－IR测定得到的奈奎斯特绘制的公差。使得在利用被输入至学习完成的神经网络模型20的输入层21的输入用数据的奈奎斯特图中包含奈奎斯特绘制Np的真值。由此，提高由中间层22得到的电池容量的推定精度。
此外，若用于构筑神经网络模型20的学习用数据所包含的图像数据的奈奎斯特图过粗，则会包含很多误差。因此，学习用数据所包含的图像数据的奈奎斯特图可以用奈奎斯特绘制的公差的2倍以下(例如，1.5倍以下)的粗细描绘。该情况下，针对学习用数据，由于能将所包含的误差抑制为小，所以提高由学习完成的神经网络模型20推定的电池容量的推定精度。
另外，针对利用输入至学习完成的神经网络模型20的输入层21的输入用数据的奈奎斯特图，可以也用奈奎斯特绘制的公差的2倍以下(例如，1.5倍以下)的粗细描绘。该情况下，由于针对输入用数据也能将所包含的误差抑制为小，所以提高电池容量的推定精度。
这样，在学习完成的神经网络模型20的学习用数据和/或输入用数据中，在奈奎斯特图的图像数据中，通过将奈奎斯特图的粗细进行最佳化，能够进一步提高容量精度。在此，奈奎斯特图的粗细也可以通过在得到奈奎斯特图的图像数据时设定描画奈奎斯特图的线的粗细而确定。
在此公开的电池容量的推定方法以及电池容量的推定装置10例如可以适用为对从车辆回收的电池组的电池容量进行推定的方法以及装置。
从车辆回收的电池组一旦被分解为模块后，以模块为单位进行特性评价。特性评价的结果是，被判定为能够再利用的模块作为新制造的电池组的一部分而被再利用(重建)。但是，根据电池组的构成的不同，也能够不将电池组分解为模块，按电池组的原样进行特性评价。另外，也能够按构成模块的每个电池单元进行特性评价。
另外，本实施方式的二次电池(构成模块的各电池单元)是镍氢电池。详细而言，正极是向氢氧化镍(Ni(OH)2)加入了钴氧化物的添加物而得到。负极是贮氢合金(作为镍系合金的MnNi5系)。电解液是氢氧化钾(KOH)。但是，这只不过是具体的单元构成的例示，在本公开例示的技术也能够适用于其他构成的二次电池。
＜电池物流模型＞
图6是表示从二次电池的回收到制造(再利用)、贩卖为止的物流模型的示意图。在图6所示的例子中，回收业者101从车辆110，120，130回收使用完成的二次电池(电池组)111，121，131。在图6中仅示出了3台车辆110，120，130，而实际上，能从更多的车辆回收二次电池。回收业者101对所回收的电池组进行分解，从电池组取出多个模块。在图6所示的例子中，按每个模块赋予识别编号，各模块的信息通过管理服务器108进行管理。回收业者101使用终端(未图示)将从电池组取出的各模块的识别编号向管理服务器108发送。
检查业者102进行由回收业者101回收的各模块的特性评价。例如，检查业者102评价各模块的电池容量(例如充满电容量)、电阻值、OCV(Open Circuit Voltage，开路电压)、SOC(State Of Charge，充电状态)等的电特性中的至少任一个。检查业者102基于评价结果决定模块的再利用的方针。例如，检查业者102基于评价结果辨别能够再利用的模块和不能再利用的模块，将能够再利用的模块交给性能恢复业者103，将不能再利用的模块交给循环(recycle)业者106。各模块的特性评价的结果通过检查业者102的终端(未图示)向管理服务器108发送。
性能恢复业者103进行用于使由检查业者102作为能够再利用的模块的性能恢复的处理。作为一例，性能恢复业者103通过将模块充电至过充电状态，使模块的充满电容量恢复。但是，就由检查业者102进行的特性评价中被评价为性能降低很小的模块而言，可以省略由性能恢复业者103进行的性能恢复处理。各模块的性能恢复结果通过性能恢复业者103的终端(未图示)向管理服务器108发送。
制造业者104使用通过性能恢复业者103恢复了性能的模块来制造电池组。例如，制造业者104可以将车辆109的电池组内的性能降低了的模块更换为通过性能恢复业者103恢复了性能的模块，制造(rebuild，重建)车辆109的电池组。
贩卖店105可以将通过制造业者104制造而成的电池组作为车辆用而贩卖，或作为能够在住宅等利用的定置用而贩卖。循环业者106将由检查业者102作为不能再利用的模块进行解体，进行用于作为新的电池单元等的原料而利用的再资源化。
此外，在图6中，将回收业者101、检查业者102、性能恢复业者103、制造业者104、贩卖店105、以及循环业者106作为彼此不同的从业者。但是，从业者的区分也可以不限定于图1所示的例子。例如，检查业者102与性能恢复业者103也可以是同一从业者。另外，回收业者101也可以被分为回收电池组的从业者和对所回收的电池组进行解体的从业者。另外，各从业者以及贩卖店的据点没有特别限定，多个从业者等的据点既可以相同，也可以不同。图6只不过示出适用在此公开的电池容量的推定方法以及电池容量的推定装置的一个技术方案，电池容量的推定方法以及电池容量的推定装置能够在各种情况下适用为推定电池容量的方法以及装置。
以上，针对在此公开的电池容量的推定方法、以及电池容量的推定装置进行了各种说明。只要没有特别提及，在此列举的电池容量的推定方法、以及电池容量的推定装置的实施方式等并不对本发明进行限定。另外，在此公开的电池容量的推定方法、以及电池容量的推定装置能够进行各种变更，只要不产生特别的问题，各构成要素和/或在此提及的各处理能够进行适当省略或适当组合。
标号说明
10 电池容量的推定装置
20 学习完成的神经网络模型
21 输入层
22 中间层
23 输出层
60 测定装置
61 振荡器
62 恒电位仪
63 锁相放大器
64 绘图仪
66 拟合部
80 等效电路模型
101 回收业者
102 检查业者
103 性能恢复业者
104 制造业者
105 贩卖店
106 循环业者
108 管理服务器
109 车辆
110，120，130 车辆
M 模块

Claims (10)

1.一种电池容量的推定方法，包括：
第1步骤，得到基于通过预先确定的AC－IR测定得到的奈奎斯特绘制并利用预先确定的方法描绘的奈奎斯特图的图像数据；和
第2步骤，将在所述第1步骤得到的奈奎斯特图的图像数据向学习完成的神经网络模型输入，得到成为测定对象的电池容量的推定值，
在此，
所述神经网络模型具备：
输入层，构成为被输入成为测定对象的电池的奈奎斯特图的图像数据；
中间层，构成为根据被输入至所述输入层的图像数据得到电池容量的推定值；以及
输出层，构成为输出在所述中间层得到的电池容量的推定值。
2.根据权利要求1所述的电池容量的推定方法，
所述中间层构成为，具备多个人工神经元，所述多个人工神经元分别包含表示人工神经元间的结合的强度的至少1个加权系数，通过基于所述加权系数进行运算，从而根据输入至所述神经网络模型的输入层的奈奎斯特图的图像数据，得到电池容量的推定值，
所述加权系数，与成为测定对象的电池相关，通过学习将基于通过AC－IR测定得到的奈奎斯特绘制并利用预先确定的方法描绘的奈奎斯特图的图像数据和得到该奈奎斯特图的图像数据时的电池容量的评价值进行了关联而得到的学习用数据而被确定。
3.根据权利要求2所述的电池容量的推定方法，
所述学习用数据所包含的图像数据的奈奎斯特图被很粗地描绘为包含由所述AC－IR测定得到的奈奎斯特绘制的公差。
4.根据权利要求3所述的电池容量的推定方法，
所述学习用数据所包含的图像数据的奈奎斯特图以奈奎斯特绘制的公差的2倍以下的粗细被描绘。
5.根据权利要求1至4中任一项所述的电池容量的推定方法，
在所述第1步骤得到的图像数据的奈奎斯特图被很粗地描绘为包含由所述AC－IR测定得到的奈奎斯特绘制的公差。
6.根据权利要求5所述的电池容量的推定方法，
在所述第1步骤得到的图像数据的奈奎斯特图以奈奎斯特绘制的公差的2倍以下的粗细被描绘。
7.一种电池容量的推定装置，具备：
输入层，构成为被输入成为测定对象的电池的奈奎斯特图的图像数据；
中间层，构成为基于输入至所述输入层的图像数据，进行基于学习完成的神经网络模型的加权系数的运算，得到电池容量的推定值；以及
输出层，构成为输出在所述中间层得到的电池容量的推定值。
8.根据权利要求7所述的电池容量的推定装置，
所述中间层构成为，具备多个人工神经元，所述多个人工神经元分别包含表示人工神经元间的结合的强度的至少1个加权系数，通过基于所述加权系数进行运算，从而根据输入至所述神经网络模型的输入层的奈奎斯特图的图像数据，得到电池容量的推定值，
所述加权系数，与成为测定对象的电池相关，通过学习将基于通过AC－IR测定得到的奈奎斯特绘制并利用预先确定的方法描绘的奈奎斯特图的图像数据和得到该奈奎斯特图的图像数据时的电池容量的评价值进行了关联而得到的学习用数据而被确定。
9.根据权利要求8所述的电池容量的推定装置，
所述学习用数据所包含的图像数据的奈奎斯特图被很粗地描绘为包含由所述AC－IR测定得到的奈奎斯特绘制的公差。
10.根据权利要求9所述的电池容量的推定装置，
所述学习用数据所包含的图像数据的奈奎斯特图被设定为奈奎斯特绘制的公差的2倍以下的粗细。
CN201911308199.3A 2018-12-20 2019-12-18 电池容量的推定方法以及电池容量的推定装置 Active CN111352033B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018238387A JP7157908B2 (ja) 2018-12-20 2018-12-20 電池容量の推定方法および電池容量の推定装置
JP2018-238387 2018-12-20

Publications (2)

Publication Number Publication Date
CN111352033A true CN111352033A (zh) 2020-06-30
CN111352033B CN111352033B (zh) 2023-02-28

Family

ID=71098158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911308199.3A Active CN111352033B (zh) 2018-12-20 2019-12-18 电池容量的推定方法以及电池容量的推定装置

Country Status (3)

Country Link
US (1) US11143706B2 (zh)
JP (1) JP7157908B2 (zh)
CN (1) CN111352033B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113933718A (zh) * 2021-11-04 2022-01-14 格林美股份有限公司 一种退役电池容量分选方法、装置、设备及存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
EP3812779B1 (en) * 2019-10-23 2022-09-28 Novum engineerING GmbH Analyzing electrical impedance measurements of an electrochemical battery
EP3812783A1 (en) * 2019-10-23 2021-04-28 Novum engineerING GmbH Estimating a battery state from electrical impedance measurements using convolutional neural network means
JP7371966B2 (ja) * 2021-07-15 2023-10-31 株式会社スリーダムアライアンス 二次電池評価装置及び二次電池評価方法
JPWO2023149011A1 (zh) * 2022-02-07 2023-08-10

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1467659A (zh) * 2002-06-25 2004-01-14 ��ʿͨ��ʽ���� 图面搜索支持设备和图面搜索方法
CN1580950A (zh) * 2003-07-31 2005-02-16 富士胶片株式会社 图形制造系统、曝光装置及曝光方法
JP2011232075A (ja) * 2010-04-26 2011-11-17 Yokogawa Electric Corp 電池特性評価装置および電池特性評価方法
US20150234014A1 (en) * 2014-02-20 2015-08-20 Nanoparticle Organic Hybrid Materials (Nohms) Charge control and termination of lithium sulfur cells and fuel gauging systems and methods
CN105589040A (zh) * 2014-11-07 2016-05-18 财团法人工业技术研究院 基于老化调适电池运作区间的电池调控方法
CN107290683A (zh) * 2017-07-20 2017-10-24 中广核核电运营有限公司 蓄电池剩余容量的检测方法和装置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030184307A1 (en) 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
JP2003317810A (ja) 2002-04-18 2003-11-07 Toyota Motor Corp 電池の特性評価方法
DE10345057B4 (de) * 2003-09-26 2005-09-15 Rheinisch-Westfälisch-Technische Hochschule Aachen Verfahren und Vorrichtung zur Bestimmung des Ladezustandes einer Batterie
JP4638251B2 (ja) 2005-02-07 2011-02-23 富士重工業株式会社 バッテリの管理装置
JPWO2012095913A1 (ja) * 2011-01-14 2014-06-09 パナソニック株式会社 リチウムイオン二次電池の劣化評価方法、及び電池パック
JP6226261B2 (ja) * 2012-12-27 2017-11-08 学校法人早稲田大学 電気化学システム
JP6370581B2 (ja) * 2014-03-28 2018-08-08 学校法人早稲田大学 電気化学解析装置および電気化学システム
US10693188B2 (en) * 2014-10-30 2020-06-23 Clemson University Thermally responsive electrolytes
JP6145824B2 (ja) 2014-10-31 2017-06-14 エンネット株式会社 電池診断装置および電池診断方法
JP6528897B2 (ja) * 2016-03-18 2019-06-12 株式会社村田製作所 二次電池充電装置、温度情報取得装置及び二次電池の充電方法、並びに、電気化学インピーダンス・スペクトルのその場計測方法
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
JP6724822B2 (ja) 2017-03-07 2020-07-15 トヨタ自動車株式会社 二次電池の内部抵抗算出方法
JP7070044B2 (ja) * 2018-04-26 2022-05-18 トヨタ自動車株式会社 電池情報処理システム、電池モジュールの満充電容量算出方法、電池モジュールの内部抵抗算出方法、および、組電池の製造方法
JP2020020604A (ja) 2018-07-30 2020-02-06 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、ならびに、組電池、および、その組電池の製造方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1467659A (zh) * 2002-06-25 2004-01-14 ��ʿͨ��ʽ���� 图面搜索支持设备和图面搜索方法
CN1580950A (zh) * 2003-07-31 2005-02-16 富士胶片株式会社 图形制造系统、曝光装置及曝光方法
JP2011232075A (ja) * 2010-04-26 2011-11-17 Yokogawa Electric Corp 電池特性評価装置および電池特性評価方法
US20150234014A1 (en) * 2014-02-20 2015-08-20 Nanoparticle Organic Hybrid Materials (Nohms) Charge control and termination of lithium sulfur cells and fuel gauging systems and methods
CN105589040A (zh) * 2014-11-07 2016-05-18 财团法人工业技术研究院 基于老化调适电池运作区间的电池调控方法
CN107290683A (zh) * 2017-07-20 2017-10-24 中广核核电运营有限公司 蓄电池剩余容量的检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高志明等: "涂层失效过程电化学阻抗谱的神经网络分析", 《中国腐蚀与防护学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113933718A (zh) * 2021-11-04 2022-01-14 格林美股份有限公司 一种退役电池容量分选方法、装置、设备及存储介质
CN113933718B (zh) * 2021-11-04 2024-02-09 格林美股份有限公司 一种退役电池容量分选方法、装置、设备及存储介质

Also Published As

Publication number Publication date
JP7157908B2 (ja) 2022-10-21
CN111352033B (zh) 2023-02-28
JP2020101399A (ja) 2020-07-02
US11143706B2 (en) 2021-10-12
US20200200826A1 (en) 2020-06-25

Similar Documents

Publication Publication Date Title
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
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
JP7153196B2 (ja) 電池特性評価装置、および電池特性評価方法
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
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
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
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
Singh et al. State of charge estimation techniques of Li-ion battery of electric vehicles
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
GR01 Patent grant
GR01 Patent grant