CN111381167B - 电池容量推定方法以及电池容量推定系统 - Google Patents
电池容量推定方法以及电池容量推定系统 Download PDFInfo
- Publication number
- CN111381167B CN111381167B CN201911353475.8A CN201911353475A CN111381167B CN 111381167 B CN111381167 B CN 111381167B CN 201911353475 A CN201911353475 A CN 201911353475A CN 111381167 B CN111381167 B CN 111381167B
- Authority
- CN
- China
- Prior art keywords
- secondary battery
- battery
- battery capacity
- target secondary
- standby time
- 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.)
- Active
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration
-
- 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
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
- H02J7/00036—Charger exchanging data with battery
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
提供一种能够以更高的精度推定二次电池的容量的电池容量推定方法以及电池容量推定系统。电池容量推定系统执行充放电处理(S1)、交流阻抗取得处理(S2、S3)以及电池容量推定处理(S4~S6)。在充放电处理中,进行对象二次电池的充放电。在交流阻抗取得处理中,通过在充放电处理的充放电完成以后、经过预先确定的最长待机时间之前,以特定的频率范围将交流信号施加于对象二次电池,从而取得对象二次电池的交流阻抗的测定结果。在电池容量推定处理中,基于交流阻抗的测定结果,推定对象二次电池的电池容量。
Description
技术领域
本公开涉及用于推定二次电池的容量的电池容量推定方法以及电池容量推定系统。
背景技术
二次电池被广泛地用作计算机、便携终端等的便携式电源或者EV(电动汽车)、HV(混合动力汽车)、PHV(插电式混合动力汽车)等的车辆驱动用电源。搭载于车辆等的二次电池有时会被回收。对于所回收到的二次电池,希望若是能够使用则进行再利用。但是,二次电池可能会伴随着时间经过以及反复充放电而劣化。二次电池的劣化的发展程度按每个二次电池而不同。因此,希望对所回收到的二次电池各自的特性进行评价,根据评价结果来决定各个二次电池的再利用的方针。另外,不仅是决定所回收到的二次电池的再利用方针的情况,希望对二次电池的特性进行评价的情况很多。
提出了用于评价二次电池的特性的各种办法。例如,在专利文献1所记载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
发明要解决的技术问题
在利用交流阻抗测定法来推定二次电池的容量时,即使是在对同一个二次电池使用相同的交流阻抗测定法来推定容量的情况下,也存在推定结果会产生偏差的情况。希望进一步提高容量的推定精度。
用于解决问题的技术方案
在此所公开的一技术方案的电池容量推定方法包括:充放电步骤,进行对象二次电池的充放电;交流阻抗取得步骤,通过在上述充放电步骤的充放电完成以后、经过预先确定的最长待机时间之前,以特定的频率范围将交流信号施加于所述对象二次电池,从而取得上述对象二次电池的交流阻抗的测定结果;以及电池容量推定步骤,基于上述交流阻抗的测定结果,推定上述对象二次电池的电池容量。
本申请的发明人得到了如下见解:与从二次电池的充放电完成后到测定交流阻抗为止的经过时间相应地,基于交流阻抗的电池容量的推定结果的偏差会变化。也即是,根据发明人的实验结果得到了在从充放电完成后到测定交流阻抗为止的经过时间比根据二次电池的种类等而确定的最长待机时间短的情况下推定结果的偏差会变小的倾向。根据上述的电池容量推定方法,能基于在二次电池的充放电完成以后、经过最长待机时间之前所测定的交流阻抗来推定电池容量。因此,能以更高的精度推定对象二次电池的容量。
此外,最长待机时间根据二次电池的种类、二次电池是否为电池组以及二次电池为电池组的情况下的电池组的构成等而变化。因此,最长待机时间根据二次电池的种类等而通过实验等来适宜地设定即可。
在此所公开的电池容量推定方法的优选的一技术方案中,在交流阻抗取得步骤中,在充放电步骤的充放电完成以后的经过时间比预先确定的最短待机时间长、且比最长待机时间短的期间,取得对象二次电池的交流阻抗的测定结果。
本申请的发明人发现了在从二次电池的充放电完成后到测定交流阻抗为止的经过时间比根据二次电池的种类等而确定的最短待机时间长、且比最长待机时间短的情况下电池容量的推定结果的偏差会进一步变小的倾向。因此,通过使从二次电池的充放电后到测定交流阻抗为止的经过时间比最短待机时间长、且比最长待机时间短,能以更高的精度推定对象二次电池的容量。此外,最短待机时间也与最长待机时间同样地根据二次电池的种类等来适宜地设定即可。
在此所公开的电池容量推定方法的优选的一技术方案中,在电池容量推定步骤中,通过对已学习的神经网络模型输入基于对象二次电池的奈奎斯特图的数据,取得对象二次电池的电池容量的推定结果。对于已学习的神经网络模型,通过多个训练数据而进行学习,该多个训练数据包括多个二次电池各自的基于表示交流阻抗的测定结果的多个奈奎斯特图的数据和实际的电池容量。
在该情况下,通过使神经网络模型适当地进行学习,即使不执行复杂的处理(例如对交流阻抗的测定结果进行解析的处理等),也能容易且适当地取得对象二次电池的电池容量的推定结果。但是,也可以不利用神经网络模型,基于其他算法推定电池容量。
在此所公开的电池容量推定方法的优选的一技术方案中,对于已学习的神经网络模型,基于包括充放电完成以后、经过最长待机时间之前的二次电池的奈奎斯特图的训练数据而进行学习。
在该情况下,取得对象二次电池的奈奎斯特图的时间上的条件与取得用于神经网络模型的学习的奈奎斯特图的时间上的条件一致。因此,已学习的神经网络模型为了基于经过最长待机时间前的奈奎斯特图来推定对象二次电池的电池容量而被进行了最佳化。由此,电池容量的推定精度进一步提高。
此外,也可以在充放电以后的从最短待机时间到最长待机时间的期间取得对象二次电池的交流阻抗的情况下,在充放电以后的从最短待机时间到最长待机时间的期间也取得用于神经网络模型的学习的奈奎斯特图。在该情况下,已学习的神经网络模型被进一步最佳化。
在此所公开的其他技术方案的电池容量推定系统执行:充放电处理,进行对象二次电池的充放电;交流阻抗取得处理,通过对充放电处理的充放电完成以后、经过预先确定的最长待机时间之前的对象二次电池以特定的频率范围施加交流信号,从而取得所述对象二次电池的交流阻抗的测定结果;以及电池容量推定处理,基于所述交流阻抗的测定结果,推定对象二次电池的电池容量。在该情况下,能与上述电池容量推定方法同样地以高的精度推定对象二次电池的容量。
在此所公开的电池容量推定系统的优选的一技术方案中,在交流阻抗取得处理中,在充放电处理的充放电完成以后的经过时间比预先确定的最短待机时间长、且比最长待机时间短的期间,取得对象二次电池的交流阻抗的测定结果。在该情况下,能与上述电池容量推定方法同样地以高的精度推定对象二次电池的容量。
在此所公开的电池容量推定系统的优选的一技术方案中,具备:执行充放电处理的充放电装置;执行交流阻抗取得处理的测定装置;以及执行电池容量推定处理的电池容量推定装置。在该情况下,前述的各处理由各个装置来适当地执行。但是,也可以对电池容量推定系统的构成进行变更。例如,也可以同一装置执行多个处理。例如,也可以是测定装置一并执行充放电处理和交流阻抗取得处理。另外,也可以是多个装置协作来执行一个处理。
附图说明
图1是表示本实施方式中的二次电池的从回收到制造、销售的物流的一个形态的图。
图2是表示电池特性评价系统1的构成的图。
图3是表示模块M的交流阻抗测定结果的奈奎斯特图的一个例子的图。
图4是表示使待机时间变化而多次测定了交流阻抗的情况下的奈奎斯特图的一个例子的图。
图5是表示图4的曲线图中的低频区域的放大图。
图6是表示使经过时间从0分钟变化到120分钟的情况下的模块M的电池容量的推定结果的曲线图。
图7是表示使经过时间从120分钟变化到1440分钟的情况下的模块M的电池容量的推定结果的曲线图。
图8是用于说明本实施方式中的神经网络模型的学习的概念图。
图9是表示本实施方式中的电池容量推定处理的流程图。
标号说明
1 电池容量推定系统
5 充放电装置
10 测定装置
20 存储装置
30 电池容量推定装置
M 模块
具体实施方式
以下,参照附图对本公开中的实施方式的一个进行详细的说明。对于在本说明书中特别提及的事项以外的实施所需要的内容,可以作为本领域技术人员基于该领域的现有技术的设计事项来掌握。本发明可以基于本说明书所公开的内容和该领域的技术常识来实施。此外,在以下的附图中,对实现相同作用的部件、部位标记相同的标号来进行说明。另外,各图中的尺寸关系并不反映实际的尺寸关系。
在本实施方式中,以对搭载于车辆的二次电池的容量进行推定的情况为例来进行说明。也即是,在本实施方式中,回收作为电池组而搭载于车辆的二次电池,推定所回收到的二次电池的容量,根据推定结果来决定二次电池的再利用的方针。但是,本公开中例示的技术的至少一部分也可以应用于其他场景(例如对使用于车辆以外的装置的二次电池的容量进行推定的场景、或者对新制造的二次电池的容量进行推定的场景等)。
在本实施方式中搭载于车辆的电池组包括多个模块。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)。
在本实施方式中,从车辆回收到的电池组在被暂时分解为模块之后以模块为单位推定容量。容量推定的结果是判定为能够再利用的模块被作为新制造的电池组的一部分来进行再利用(重新装配)。但是,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的方式推定容量。另外,也可能按构成模块的各电池单元来推定容量。
另外,本实施方式中的二次电池(构成模块的各电池单元)是镍氢电池。详细而言,正极是对氢氧化镍(Ni(OH)2)加入钴氧化物的添加物而得到的。负极是氢吸藏合金(作为镍系合金的MnNi5系)。电解液是氢氧化钾(KOH)。但是,这不过为具体的单元构成的例示,本公开中例示的技术也可以应用于其他构成的二次电池。
<电池物流模型>
参照图1,对本实施方式中的二次电池的从回收到制造(再利用)、销售的物流的一个形态进行说明。在图1所示的例子中,回收业者101从车辆110、120、130回收已使用过的二次电池(电池组)111、121、131。在图1中仅示出了3台车辆110、120、130,但实际上从更多的车辆回收二次电池。回收业者101对所回收到的电池组进行分解,从电池组取出多个模块。在图1所示的例子中,对各模块赋予识别编号,各模块的信息由管理服务器108进行管理。回收业者101使用终端(未图示)向管理服务器108发送从电池组取出的各模块的识别编号。
检查业者102进行由回收业者101回收到的各模块的特性评价。例如,检查业者102对各模块的电池容量(例如满充电容量)、电阻值、OCV(Open Circuit Voltage,开路电压)、SOC(State Of Charge,充电状态)等电特性中的至少任一方进行评价。检查业者102基于评价结果来决定模块的再利用的方针。例如,检查业者102基于评价结果来分辨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再循环业者106。各模块的特性评价的结果被通过检查业者102的终端(未图示)发送给管理服务器108。
性能恢复业者103进行用于使由检查业者102设为了能够再利用的模块的性能进行恢复的处理。作为一个例子,性能恢复业者103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,关于在由检查业者102进行的特性评价中评价为性能降低小的模块,也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被通过性能恢复业者103的终端(未图示)发送给管理服务器108。
制造业者104使用由性能恢复业者103恢复了性能的模块来制造电池组。例如,制造业者104也可以将车辆109的电池组内的性能降低了的模块更换为由性能恢复业者103恢复了性能的模块,制造(重新装配)车辆109的电池组。
销售店105也可以将由制造业者104制造的电池组作为车辆用电池组来进行销售、或作为能够在住宅等中利用的定置用电池组来进行销售。再循环业者106对由检查业者102设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来加以利用的资源回收。
此外,在图1中,回收业者101、检查业者102、性能恢复业者103、制造业者104、销售店105以及再循环业者106设为相互不同的业者。但是,业者的区分并不限定为图1所示的例子。例如,检查业者102和性能恢复业者103也可以是同一业者。另外,回收业者101也可以分为回收电池组的业者和对所回收到的电池组进行解体的业者。另外,各业者以及销售店的据点没有特别的限定,多个业者等的据点既可以相同,也可以不同。
以下,以执行从车辆110、120、130回收到的电池组111、112、113所包含的模块M的特性评价(特别是电池容量的推定)、根据评价结果决定模块M的再利用的方针的情况为例来进行说明。也即是,在本实施方式中,成为推定电池容量的对象的对象二次电池为模块M。但是,对象二次电池既可以是单电池,也可以是具备多个模块M的电池组整体。
<电池容量推定系统>
参照图2对本实施方式的电池容量推定系统1进行说明。在图1所示的电池物流模型中,电池容量推定系统1例如配置于检查业者102。本实施方式的电池容量推定系统1具备充放电装置5、测定装置10、存储装置20、电池容量推定装置30以及显示装置40。这些装置既可以相互独立,也可以是多个装置中的两个以上作为一个装置来构成。
充放电装置5对测定交流阻抗之前的状态的模块M执行充放电。例如,电池容量推定系统1能够通过充放电装置5进行对于模块M的充放电,在将模块M的SOC调整到所希望的范围之后,执行通过后述的测定装置10进行的交流阻抗的测定。充放电处理由充放电装置5具备的充放电处理部6执行。但是,对于交流阻抗测定前的模块M的充放电也可以由充放电装置5以外的装置(例如测定装置10等)来执行。
测定装置10测定模块M的交流阻抗,向电池容量推定装置30输出表示测定结果的奈奎斯特图。详细而言,本实施方式的测定装置10具备振荡器11、恒电位仪(potentiostat)12、锁相放大器13以及描绘器(plotter)14。
振荡器11向恒电位仪12和锁相放大器13输出相同相位的正弦波。
恒电位仪12通过使预定的直流电压重合于与从振荡器11输出的正弦波相同的相位的交流电压(例如振幅为10mV左右的电压),生成交流的施加信号,向模块M施加所生成的施加信号。恒电位仪12检测在模块M中流动的电流,将电流的检测结果作为来自模块M的响应信号输出给锁相放大器13。另外,恒电位仪12向描绘器14输出施加信号和响应信号。
锁相放大器13对从振荡器11输出的正弦波的相位和从恒电位仪12输出的响应信号的相位进行比较,向描绘器14输出比较结果(正弦波与响应信号的相位差)。
描绘器14基于来自恒电位仪12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13的信号(表示施加信号与响应信号的相位差的信号),将模块M的交流阻抗的测定结果描绘在复平面上。详细而言,以预定的频率范围对从振荡器11输出的正弦波的频率进行扫描,反复执行通过恒电位仪12以及锁相放大器13进行的前述的处理。由此,关于正弦波的各频率,模块M的交流阻抗的测定结果被描绘在复平面上。所生成的描绘被称为奈奎斯特图(有时也称为科尔-科尔图(Cole-Cole plot))。模块M的奈奎斯特图被输出到电池容量推定装置30。
此外,测定装置10的构成并不限定于图2所示的构成。例如说明为了本实施方式的恒电位仪12对模块M施加交流电压、检测施加期间在模块M中流动的电流。但是,恒电位仪12也可以检测对模块M施加交流电流的期间的电压响应。另外,测定装置10也可以具备频率响应解析器来代替锁相放大器13。
进一步,也可以对交流阻抗测定办法进行变更。例如,测定装置10也可以生成包含预定的频率范围内的各种各样的频率成分的施加信号(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10也可以通过对施加信号以及响应信号分别实施高速傅里叶变换来进行频率分解,按各频率算出交流阻抗。
存储装置20存储用于使电池容量推定装置30执行模块M的电池容量(在本实施方式中为满充电容量)的推定处理的已学习的神经网络模型。存储装置20根据来自电池容量推定装置30的要求,进行神经网络模型的学习、学习结果的更新、学习结果向电池容量推定装置30的输出等。
电池容量推定装置30具备控制器(例如CPU等)、存储器以及输入输出端口。详细而言,电池容量推定装置30具备容量推定部31以及再利用判定部32的功能。详细将在后面进行描述,但容量推定部31基于由测定装置10测定的模块M的交流阻抗,推定模块M的电池容量(在本实施方式中为满充电容量)。在本实施方式中,将该处理称为“电池容量推定处理”。再利用判定部32根据模块M的电池容量的推定结果,判定模块M的再利用方案。再利用判定部32也可以判定模块M可否再利用。
<奈奎斯特图>
参照图3对表示模块M的交流阻抗测定结果的奈奎斯特图进行说明。在图3中,横轴表示模块M的交流阻抗(复阻抗)的实数成分ZRe,纵轴表示模块M的交流阻抗的虚数成分-ZIm。
本实施方式的测定装置10在100mHz~1kH的频率范围内将施加信号施加于模块M。如图3所示,通过向模块M施加各种各样的频率的信号,与频率相应的模块M的交流阻抗的测定结果被作为离散的值描绘在复平面上。详细而言,在本实施方式中,在100mHz~1kHz的频率范围中,使用52个频率的施加信号。其结果,所取得的奈奎斯特图具有从高频率(在图3所示的例子中为1Hz~1kHz)的施加信号得到的半圆部分,并且,具有从低频率(100mHz~1Hz)的施加信号得到的直线部分。
在本实施方式的电池容量推定处理中,在模块M的电池容量(在本实施方式中为满充电容量)的推定中使用神经网络模型。在基于交流阻抗的测定结果的数据被提供给神经网络模型的输入层的情况下,进行神经网络模型的机器学习,以使得从神经网络模型的输出层输出高精度的电池容量的推定结果。关于神经网络模型的学习方法的一个例子的详细说明,将在后面进行描述。
<从充放电完成到交流阻抗测的经过时间与测定结果的关系>
参照图4~图7对从模块M的充放电完成到测定交流阻抗为止的经过时间与交流阻抗的测定结果的关系进行说明。本申请的发明人得到了如下见解:与从二次电池(在本实施方式中为模块M)的充放电完成到测定交流阻抗为止的经过时间相应地,交流阻抗的测定结果的偏差会变化。
图4是表示在使经过时间从0分钟变化到1440分钟的同时多次测定了同一模块M的交流阻抗的情况下的、从各个测定结果得到的奈奎斯特图的一个例子的曲线图。图5是图4的曲线图中的低频区域的放大图。如图4所示可知:即使测定对象的模块M相同、且交流阻抗的测定法相同,当使经过时间变化时,测定结果(在本实施方式中为奈奎斯特图)会产生偏差。详细而言,与经过时间相应地,测定结果的偏差会变化。如图5所示,特别是在施加信号的频率为低频区域内的情况下,测定结果的偏差变大。从图5所示的曲线图掌握到待机时间越长则测定结果的偏差越大的倾向。
图6是表示在使经过时间从0分钟变化到120分钟的同时推定了模块M的电池容量的结果的曲线图。另外,图7是表示在使经过时间从120分钟变化到1440分钟的同时推定了模块M的电池容量的结果的曲线图。在图6以及图7所示的例子中,成为推定电池容量的对象的模块M全部相同,并且,模块M的交流阻抗的测定法也相同。另外,在图6以及图7所示的例子中,对于电池容量的推定,通过向已学习的神经网络模型的输入层输入基于模块M的交流阻抗的测定结果的数据(在本实施方式中为奈奎斯特图的数据)来进行了该推定。关于该电池容量的推定方法的详细,将在后面进行描述。
如图6所示,在本实施方式的模块M中,在使经过时间为13分钟以下的情况下,与使经过时间比13分钟长的情况相比,推定结果的偏差变大。因此,在推定本实施方式的模块M的电池容量的情况下,通过将最短待机时间预先设定为13分钟,使从充放电完成到测定交流阻抗为止的经过时间比最短待机时间长,能够以更高的精度推定电池容量。
另外,如图7所示,在本实施方式的模块M中,在使经过时间为120分钟以上的情况下,与使经过时间比120分钟短的情况相比,推定结果的偏差变大。因此,在推定本实施方式的模块M的电池容量的情况下,通过将最长待机时间预先设定为120分钟,使从充放电完成到测定交流阻抗为止的经过时间比最长待机时间短,能够以更高的精度推定电池容量。
此外,对于交流阻抗的测定结果(图4和图5)以及基于交流阻抗的电池容量的推定结果(图6和图7)根据经过时间而变化的原因,可考虑各种原因。例如,考虑由于对于二次电池的充放电所引起的极化的影响,推定结果等的偏差会根据经过时间而变化等。
根据以上的实验结果,本实施方式的电池容量推定装置30通过使模块M充放电完成以后的经过时间比最短待机时间(13分钟)长、且比最长待机时间(120分钟)短,使电池容量的推定精度提高。
此外,图4~图7所例示的实验结果是通过使用串联连接了6个由前述的镍氢电池构成的电池单元的模块M来得到的结果。在此,根据经过时间而变化的、交流阻抗的测定结果的偏差以及电池容量的推定结果的偏差根据二次电池的种类、二次电池是否为电池组或者模块以及二次电池为电池组或者模块的情况下的电池构成等而变化。因此,最短待机时间以及最长待机时间的具体的值也根据二次电池的种类等而变化。由此,最短待机时间以及最长待机时间也可以根据成为电池容量的推定对象的二次电池的种类等来适当地进行变更。
另外,在本实施方式中,模块M的充放电完成以后的经过时间被设定为比最短待机时间(13分钟)长、且比最长待机时间(120分钟)短。但是,如图6以及图7所示,在本实施方式中,使经过时间为最短待机时间以下的情况下的推定结果的偏差比使经过时间为最长待机时间以上的情况下的推定结果的偏差小。因此,电池容量推定装置30也可以不设定最短待机时间而使模块M的充放电完成以后的经过时间比最长待机时间短。即使是在该情况下,与完全不考虑经过时间的情况相比,电池容量的推定精度也提高。
<神经网络学习>
参照图8对为了推定模块M的电池容量所使用的神经网络模型的学习进行说明。首先,对神经网络模型的一个例子进行说明。本实施方式中的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与隐层y之间的权重设为W1,将隐层y与输出层z之间的权重设为W2。对于本实施方式的神经网络模型,通过将与模块M的交流阻抗有关的数据作为输入用训练数据、且将与模块M的实际的电池容量有关的数据作为输出用训练数据的训练数据来进行训练。模块M的实际的电池容量既可以是模块M的电池容量的实测值,也可以是高精度地推定出的推定值。例如,对于模块M的满充电容量的实测值,通过测定将模块M从完全放电状态充电到满充电状态时的充电量等的办法来获得。
对本实施方式中的神经网络模型的学习方法进行说明。首先,对实际的电池容量(在本实施方式中为满充电容量)已知的模块M执行充放电处理。在充放电完成后的经过时间比前述的最短待机时间长、且比最长待机时间短的期间,测定模块M的交流阻抗。根据交流阻抗的测定结果取得奈奎斯特图。也即是,在神经网络模型的学习时,模块M的交流阻抗也是在充放电完成后的经过时间比最短待机时间长、且比最长待机时间短的期间测定的。其结果,取得作为电池容量的推定对象的对象二次电池的奈奎斯特图的时间上的条件与取得在神经网络模型的学习中使用的奈奎斯特图的时间上的条件一致。因此,已学习的神经网络模型为了基于经过最短待机时间后且经过最长待机时间前的奈奎斯特图推定对象二次电池的电池容量而被进行最佳化。由此,电池容量的推定精度进一步提高。
接着,生成基于所取得的奈奎斯特图的学习用图像的数据来作为输入用训练数据。本实施方式的学习用图像例如由纵向47像素、横向78像素、合计3,666像素的区域构成。在学习用图像中,3,666个的全部像素各自包含是否与52个频率下的交流阻抗测定结果(奈奎斯特图)中的某一个一致的信息。因此,与只是使用52个频率下的交流阻抗测定结果来作为输入用训练数据的情况相比,能提高学习效果。其结果,电池容量的推定精度提高。此外,神经网络模型的输入层x包括与3,666个像素对应的3,666个节点。另外,也可以对学习用图像以及后述的推定用图像的具体的形态进行变更。例如,也可以不是使用配置了多个描绘的奈奎斯特图的图像本身,而是使用包括基于多个描绘而生成的线或者区域的图像来作为学习用图像以及推定用图像。另外,也可以采用图像数据以外的数据(例如奈奎斯特图的数据本身)来作为输入至神经网络模型的数据。
接着,将从模块M得到的学习用图像的数据作为输入用训练数据,将同一模块M中的实际的电池容量的数据作为输出用训练数据,进行神经网络模型的学习。详细而言,在本实施方式中,对神经网络模型的输入层x提供学习用图像的数据,取得从输出层z输出的电池容量的推定值。比较所取得的电池容量的推定值和实际的电池容量,比较结果被作为教师信号反馈给神经网络模型。根据教师信号,调整神经网络模型中的权重W1、W2。通过利用多个训练数据反复进行以上的步骤,电池容量的推定精度会逐渐提高下去。
<电池容量推定处理>
参照图9对电池容量推定系统1执行的电池容量推定处理进行说明。本实施方式的电池容量推定处理由电池容量推定系统1具备的控制部(例如充放电装置5、测定装置10以及电池容量推定装置30中的至少某一个具备的CPU等的控制器)执行。例如当通过操作部(未图示)输入电池容量的推定的开始指示时,电池容量推定系统1的控制部执行图9所示的电池容量推定处理。电池容量推定处理的各步骤基本上由基于控制部的软件处理来实现。但是,也可以是至少一部分的处理由硬件(电子电路等)来实现。另外,也可以是多个装置的控制部协作来执行电池容量推定处理。
首先,控制部执行对于成为特性的评价对象的模块M(以下称为“对象二次电池”)的充放电(S1)。如前所述那样,在本实施方式中,对于模块M的充放电由充放电装置5来执行。接着,控制部判断充放电完成后的经过时间是否为预定期间(也即是,比前述的最短待机时间长、比最长待机时间短的期间)内(S2)。若经过时间不为预定期间内(S2:否),则成为待机状态。
控制部当判断为经过时间为预定期间内时(S2:是),取得对象二次电池的交流阻抗的测定结果(S3)。如前所述那样,在本实施方式中,对象二次电池的交流阻抗由测定装置10来测定。控制部根据表示对象二次电池的交流阻抗的测定结果的奈奎斯特图,生成用于推定电池容量的推定用图像(S4)。推定用图像的生成方法与前述的学习用图像的生成方法是同样的。控制部对已学习的神经网络模型的输入层x(参照图8)输入所生成的推定用图像(S5)。控制部取得从输出层z输出的电池容量的推定结果(S6)。控制部基于所取得的电池容量的推定结果,判断对象二次电池的再利用方案(S7)。然后,处理结束。
此外,在图9的S1中进行对于对象二次电池的充放电的处理是“充放电步骤/处理”的一个例子。在图9的S3中取得交流阻抗的处理是“交流阻抗取得步骤/处理”的一个例子。在图9的S4~S6中推定电池容量的处理是“电池容量推定步骤/处理”的一个例子。
以上,举出具体的实施方式来进行了详细的说明,但这些不过为例示,并不限定权利要求书。权利要求书所记载的技术包括对以上记载的实施方式进行各种各样的变形、变更而得到的方案。
Claims (4)
1.一种电池容量推定方法,是推定搭载于车辆的二次电池的容量的方法,包括:
充放电步骤,进行从车辆回收到的对象二次电池的充放电;
交流阻抗取得步骤,通过在所述充放电步骤的充放电完成以后的经过时间比预先确定的最短待机时间长、且比预先确定的最长待机时间短的期间,以特定的频率范围将交流信号施加于所述对象二次电池,从而取得所述对象二次电池的交流阻抗的测定结果;以及
电池容量推定步骤,基于所述交流阻抗的测定结果,推定所述对象二次电池的电池容量,
在所述电池容量推定步骤中,通过对已学习的神经网络模型输入基于所述对象二次电池的奈奎斯特图的数据,取得所述对象二次电池的电池容量的推定结果,
对于所述已学习的神经网络模型,通过多个训练数据而进行学习,所述多个训练数据包括多个二次电池各自的基于表示交流阻抗的测定结果的奈奎斯特图的数据和实际的电池容量,
对于所述已学习的神经网络模型,基于包括与充放电完成以后的经过时间比所述最短待机时间长、且比所述最长待机时间短的期间的二次电池的奈奎斯特图有关的数据的所述训练数据而进行学习,
其中,所述最短待机时间和所述最长待机时间,根据所述对象二次电池的种类、所述对象二次电池是否为电池组以及所述对象二次电池为电池组的情况下的电池组的构成而分别确定。
2.根据权利要求1所述的电池容量推定方法,
还包括基于取得的所述电池容量的推定结果,判定所述对象二次电池的再利用方案的步骤。
3.一种电池容量推定系统,是推定搭载于车辆的二次电池的容量的系统,构成为执行:
充放电处理,进行从车辆回收到的对象二次电池的充放电;
交流阻抗取得处理,通过对所述充放电处理的充放电完成以后的经过时间比预先确定的最短待机时间长、且比预先确定的最长待机时间短的期间的所述对象二次电池以特定的频率范围施加交流信号,从而取得所述对象二次电池的交流阻抗的测定结果;以及
电池容量推定处理,基于所述交流阻抗的测定结果,推定所述对象二次电池的电池容量,
所述电池容量推定系统,具备:
执行所述充放电处理的充放电装置;
执行所述交流阻抗取得处理的测定装置;以及
执行所述电池容量推定处理的电池容量推定装置,
所述电池容量推定装置,通过对已学习的神经网络模型输入基于所述对象二次电池的奈奎斯特图的数据,取得所述对象二次电池的电池容量的推定结果,
对于所述已学习的神经网络模型,通过多个训练数据而进行学习,所述多个训练数据包括多个二次电池各自的基于表示交流阻抗的测定结果的奈奎斯特图的数据和实际的电池容量,
对于所述已学习的神经网络模型,基于包括与充放电完成以后的经过时间比所述最短待机时间长、且比所述最长待机时间短的期间的二次电池的奈奎斯特图有关的数据的所述训练数据而进行学习,
其中,所述最短待机时间和所述最长待机时间,根据所述对象二次电池的种类、所述对象二次电池是否为电池组以及所述对象二次电池为电池组的情况下的电池组的构成而分别确定。
4.根据权利要求3所述的电池容量推定系统,构成为还执行:
基于取得的所述电池容量的推定结果,判定所述对象二次电池的再利用方案的处理。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-243294 | 2018-12-26 | ||
JP2018243294A JP7169519B2 (ja) | 2018-12-26 | 2018-12-26 | 電池容量推定方法、および電池容量推定システム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111381167A CN111381167A (zh) | 2020-07-07 |
CN111381167B true CN111381167B (zh) | 2022-08-30 |
Family
ID=71122823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911353475.8A Active CN111381167B (zh) | 2018-12-26 | 2019-12-25 | 电池容量推定方法以及电池容量推定系统 |
Country Status (3)
Country | Link |
---|---|
US (3) | US11480618B2 (zh) |
JP (1) | JP7169519B2 (zh) |
CN (1) | CN111381167B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3205991A1 (en) * | 2020-12-30 | 2022-07-07 | Baxter International Inc. | System and method for generating battery alarms in infusion devices |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777672A (zh) * | 2009-12-01 | 2010-07-14 | 俞会根 | 一种电池组工作方法 |
CN101975927A (zh) * | 2010-08-27 | 2011-02-16 | 华南师范大学 | 一种估算锂离子动力电池组剩余可用容量的方法和系统 |
EP2827162A1 (en) * | 2013-07-16 | 2015-01-21 | ST-Ericsson SA | Battery DC impedance measurement |
CN104714178A (zh) * | 2013-12-13 | 2015-06-17 | 北汽福田汽车股份有限公司 | 电池充放电边界条件的测试方法 |
CN106772063A (zh) * | 2016-11-21 | 2017-05-31 | 华中科技大学 | 一种监测锂离子电池荷电状态和健康状态的方法及其装置 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0843507A (ja) * | 1994-08-04 | 1996-02-16 | Nippon Telegr & Teleph Corp <Ntt> | Ni系電池の劣化状態検知方法 |
JP2003317810A (ja) | 2002-04-18 | 2003-11-07 | Toyota Motor Corp | 電池の特性評価方法 |
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 |
JP4893653B2 (ja) * | 2008-02-19 | 2012-03-07 | トヨタ自動車株式会社 | 車両、二次電池の充電状態推定方法および車両の制御方法 |
JP5743634B2 (ja) * | 2011-03-25 | 2015-07-01 | Necエナジーデバイス株式会社 | 劣化測定装置、二次電池パック、劣化測定方法、およびプログラム |
CN103091642B (zh) | 2013-01-22 | 2014-12-10 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN103163478A (zh) * | 2013-03-25 | 2013-06-19 | 天津力神电池股份有限公司 | 锂离子二次电池经过衰减后的容量检测方法 |
CN103487762A (zh) * | 2013-09-30 | 2014-01-01 | 国家电网公司 | 一种锂离子电池筛分方法 |
CN103869256B (zh) * | 2014-03-27 | 2017-02-15 | 华南师范大学 | 一种基于交流阻抗测试动力锂离子电池soh的估算方法 |
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 |
FR3041764B1 (fr) * | 2015-09-24 | 2017-11-24 | Commissariat Energie Atomique | Procede et dispositif de determination d'un indicateur d'etat de sante d'une batterie lithium |
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 |
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 |
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 |
CN108008305A (zh) * | 2017-10-31 | 2018-05-08 | 华南理工大学 | 一种车用磷酸铁锂动力电池容量衰减检测系统 |
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 |
-
2018
- 2018-12-26 JP JP2018243294A patent/JP7169519B2/ja active Active
-
2019
- 2019-12-20 US US16/722,509 patent/US11480618B2/en active Active
- 2019-12-25 CN CN201911353475.8A patent/CN111381167B/zh active Active
-
2021
- 2021-12-23 US US17/561,265 patent/US20220120818A1/en not_active Abandoned
-
2022
- 2022-08-23 US US17/893,997 patent/US20220397611A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777672A (zh) * | 2009-12-01 | 2010-07-14 | 俞会根 | 一种电池组工作方法 |
CN101975927A (zh) * | 2010-08-27 | 2011-02-16 | 华南师范大学 | 一种估算锂离子动力电池组剩余可用容量的方法和系统 |
EP2827162A1 (en) * | 2013-07-16 | 2015-01-21 | ST-Ericsson SA | Battery DC impedance measurement |
CN104714178A (zh) * | 2013-12-13 | 2015-06-17 | 北汽福田汽车股份有限公司 | 电池充放电边界条件的测试方法 |
CN106772063A (zh) * | 2016-11-21 | 2017-05-31 | 华中科技大学 | 一种监测锂离子电池荷电状态和健康状态的方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
US20220397611A1 (en) | 2022-12-15 |
US11480618B2 (en) | 2022-10-25 |
CN111381167A (zh) | 2020-07-07 |
JP7169519B2 (ja) | 2022-11-11 |
US20220120818A1 (en) | 2022-04-21 |
US20200209320A1 (en) | 2020-07-02 |
JP2020106316A (ja) | 2020-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111381168B (zh) | 电池特性评价装置以及电池特性评价方法 | |
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 | |
US11215671B2 (en) | Battery information processing system, battery assembly, method of evaluating characteristic of battery module, and method of manufacturing battery assembly | |
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 | |
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 | |
JP7157909B2 (ja) | 電池容量の推定方法、および電池容量の推定装置 | |
JP2020020604A (ja) | 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 | |
JP7157908B2 (ja) | 電池容量の推定方法および電池容量の推定装置 | |
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 | |
CN111381167B (zh) | 电池容量推定方法以及电池容量推定系统 | |
Veeranna | Remaining useful life prediction for lithium-ion batteries using time series forecasting models |
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 |