CN111381168B - 电池特性评价装置以及电池特性评价方法 - Google Patents

电池特性评价装置以及电池特性评价方法 Download PDF

Info

Publication number
CN111381168B
CN111381168B CN201911353507.4A CN201911353507A CN111381168B CN 111381168 B CN111381168 B CN 111381168B CN 201911353507 A CN201911353507 A CN 201911353507A CN 111381168 B CN111381168 B CN 111381168B
Authority
CN
China
Prior art keywords
secondary battery
battery
target secondary
impedance
module
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
Application number
CN201911353507.4A
Other languages
English (en)
Other versions
CN111381168A (zh
Inventor
三井正彦
泉纯太
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 CN111381168A publication Critical patent/CN111381168A/zh
Application granted granted Critical
Publication of CN111381168B publication Critical patent/CN111381168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • 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]
    • G01R31/382—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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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
    • 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
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • 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
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • 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
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4285—Testing apparatus
    • 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
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/44—Methods for charging or discharging
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/44—Control modes by parameter estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • 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
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

提供一种能够更适当地评价二次电池的特性的电池特性评价装置以及电池特性评价方法。电池特性评价装置执行交流阻抗取得处理(S1)、OCV取得处理(S1)以及SOC推定处理(S3)。在交流阻抗取得处理中，取得通过以特定的频率范围将施加信号施加于对象二次电池而测定的对象二次电池的交流阻抗的测定结果。在OCV取得处理中，取得对象二次电池的OCV。在SOC推定处理中，在所取得的交流阻抗的测定结果中的特定的频率范围内的预定频率下的虚数成分为第1阈值以上、且所取得的OCV的值为第2阈值以下的情况下推定为对象二次电池的SOC为0％。

Description

电池特性评价装置以及电池特性评价方法
技术领域
本公开涉及用于评价二次电池的特性的电池特性评价装置以及电池特性评价方法。
背景技术
二次电池被广泛用作计算机、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，二次电池可能伴随着时间经过以及反复充放电而发生劣化。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，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评价二次电池的特性时，若不进行二次电池的SOC(State Of Charge，充电状态)的调整而测定交流阻抗，则能简化作业。但是，当省略SOC的调整时，因某些不良(例如存在微小短路等)而导致SOC为0％的二次电池也会包含在特性评价的对象中。其结果，特性评价的精度有可能降低。
用于解决问题的技术方案
在此公开的一技术方案的电池特性评价装置执行：交流阻抗取得处理，取得通过以特定的频率范围将施加信号施加于对象二次电池而测定的上述对象二次电池的交流阻抗的测定结果；开路电压取得处理，取得上述对象二次电池的开路电压；充电状态推定处理，在所取得的交流阻抗的测定结果中的上述特定的频率范围内的预定频率下的虚数成分为第1阈值以上、且所取得的开路电压的值为第2阈值以下的情况下，推定为上述对象二次电池的充电状态为0％。
本申请的发明人得到了如下见解：在SOC为0％的二次电池与SOC比0％大的二次电池之间，具有在预定频率下的交流阻抗的虚数成分的值和OCV的值中的至少一方会产生差异的倾向。也即是，根据发明人的实验结果得到了如下倾向，即与SOC比0％大的二次电池不同，SOC为0％的二次电池具有预定频率下的交流阻抗的虚数成分为第1阈值以上、且OCV的值为第2阈值以下的倾向。上述构成的电池特性评价装置将预定频率下的交流阻抗的虚数成分为第1阈值以上、且OCV的值为第2阈值以下的二次电池的SOC推定为0％。因此，即使是在不进行SOC的调整而测定了二次电池的交流阻抗的情况下，也能适当地推定二次电池的SOC是否为0％。由此，能更适当地评价二次电池的特性。
此外，与交流阻抗的虚数成分进行比较的第1阈值以及与SOC的值进行比较的第2阈值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，第1阈值以及第2阈值根据二次电池的种类等来通过实验等而适宜地设定即可。
在此所公开的电池特性评价装置的优选的一技术方案中，与第1阈值进行比较的交流阻抗的虚数成分的预定频率包含于施加信号的频率范围内的一定的低频率范围。
本申请的发明人发现了在二次电池的SOC为0％的情况下交流阻抗的虚数成分中的特别是低频率下的虚数成分成为第1阈值以上的倾向。因此，通过将交流阻抗的低频率下的虚数成分与第1阈值进行比较，能更适当地推定SOC是否为0％。与第1阈值进行比较的虚数成分的数量既可以为一个，也可以为多个。例如，与第1阈值进行比较的虚数成分也可以是施加信号的频率范围中的最小的频率下的虚数成分。但是，如前所述那样，施加信号的频率范围中的与同第1阈值进行比较的虚数成分对应的预定频率的范围有时也根据二次电池的种类等而变化。在该情况下，根据二次电池的种类等来设定预定频率的范围即可。
在此所公开的电池特性评价装置的优选的一技术方案中执行电池容量推定处理。在电池容量推定处理中，在通过SOC推定处理未推定为对象二次电池的SOC为0％的情况下，基于对象二次电池的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，在排除掉通过SOC推定处理推定为SOC为0％的二次电池之后，执行基于交流阻抗的测定结果的电池容量的推定处理。因此，电池容量的推定精度以及效率都提高。
在此所公开的电池特性评价装置的优选的一技术方案中，在电池容量推定处理中，通过向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电池容量的实测值。
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，也可以不利于神经网络模型，而基于其他的算法推定电池容量。
在此所公开的电池特性评价装置的优选的一技术方案中，对于已学习的神经网络模型，基于SOC比0％大或者推定为SOC比0％大的多个二次电池的训练数据而进行学习。
在该情况下，在排除掉SOC为0％或者推定为0％的二次电池的训练数据之后，进行基于训练数据的神经网络模型的学习。因此，与用于神经网络模型的学习的训练数据包含SOC为0％的二次电池的训练数据的情况相比，已学习的神经网络模型被最佳化为适于推定SOC比0％大的二次电池的电池容量。由此，电池容量的推定精度进一步提高。
此外，也可以在为了对取得训练数据的二次电池进行区分而推定二次电池是SOC是否为0％的情况下，使用与前述的SOC推定处理同样的算法来推定SOC。也即是，也可以将施加信号的频率范围内的预定频率下的交流阻抗的虚数成分小于第1阈值、且OCV的值比第2阈值大的二次电池的训练数据使用于神经网络模型的学习。在该情况下，也可以省略取得二次电池的SOC的实测值的步骤。
在此所公开的电池特性评价装置的优选的一技术方案中执行判别处理。在判别处理中，基于从表示对象二次电池的交流阻抗的测定结果的奈奎斯特图提取的至少一个特征量，判别对象二次电池属于电池容量为基准范围内的第1组群和电池容量为基准范围外的第2组群中的哪个组群。电池容量推定处理在通过SOC推定处理未推定为对象二次电池的SOC为0％、且通过判别处理判别为对象二次电池属于所述第1组群的情况执行。
电池容量为基准范围外的二次电池的劣化过度地发展的可能性高。因此，通过在排除掉电池容量为基准范围外的二次电池之后，执行基于交流阻抗的测定结果的电池容量的推定处理，电池容量的推定精度以及效率都提高。
此外，也可以在使用已学习的神经网络模型执行电池容量推定处理的情况下，对于已学习的神经网络模型，基于电池容量为基准范围内的多个二次电池的训练数据而进行学习。在该情况下，与属于第2组群的二次电池的训练数据也被用于学习的情况相比，已学习的神经网络被最佳化为适于推定属于第1组群的二次电池的电池容量。由此，电池容量的推定精度进一步提高。
在此所公开的其他的技术方案的电池特性评价方法包括：交流阻抗取得步骤，取得通过以特定的频率范围将施加信号施加于对象二次电池而测定的对象二次电池的交流阻抗的测定结果；开路电压取得步骤，取得对象二次电池的开路电压；充电状态推定步骤，在所取得的交流阻抗的测定结果中的特定的频率范围内的预定频率下的虚数成分为第1阈值以上、且所取得的开路电压的值为第2阈值以下的情况下推定为对象二次电池的充电状态为0％。在该情况下，能与上述电池特性评价装置同样地，更适当地评价二次电池的特性。
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是对表示模块M的交流阻抗测定结果的奈奎斯特图的一个例子进行表示的图。
图4是表示SOC比0％大且比20％小的多个模块M的奈奎斯特图的图。
图5是表示SOC为0％的多个模块M的奈奎斯特图的图。
图6是表示多个模块M的100mHz虚数成分与OCV的关系的曲线图。
图7是表示满充电容量不同的多个模块M的奈奎斯特图的图。
图8是用于说明本实施方式中的两组群判别的图。
图9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10是本实施方式中的电池特性评价处理的流程图。
图11是表示不执行SOC推定处理的情况下的电池容量的推定结果的一个例子的图。
图12是表示执行了SOC推定处理的情况下的电池容量的推定结果的一个例子的图。
标号说明
1 电池特性评价系统
10 测定装置
20 存储装置
30 电池特性评价装置
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特性进行评价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，评价所回收到的二次电池的特性，根据评价结果，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(例如对用于车辆以外的装置的二次电池的特性进行评价的场景、或者对新制造的二次电池的特性进行评价的场景等)。
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进行特性评价。特性评价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进行特性评价。另外，也可能按构成模块的各电池单元进行特性评价。
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)等的电特性中至少任一方进行评价。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、或者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、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，成为对特性进行评价的对象的对象二次电池为模块M。
＜电池特性评价系统＞
参照图2对本实施方式的电池特性评价系统1进行说明。在图1所示的电池物流模型中，电池特性评价系统1例如配置于检查业者102。本实施方式的电池特性评价系统1具备测定装置10、存储装置20、电池特性评价装置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构成为一个装置。
测定装置10测定模块M的OCV，对电池特性评价装置30输出测定结果。另外，测定装置10测定模块M的交流阻抗，向电池特性评价装置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，在预定的频率范围内对从振荡器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特性评价装置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存储用于使电池特性评价装置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根据来自电池特性评价装置30的要求，进行神经网络模型的学习、学习结果的更新、学习结果向电池特性评价装置30的输出等。
电池特性评价装置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，电池特性评价装置30具备电池特性评价部31以及再利用判定部32的功能。详细将在后面进行描述，但电池特性评价部31基于由测定装置10测定的模块M的OCV的值等，推定模块M的SOC是否为0％。在本实施方式中，将该处理称为“SOC推定处理”。另外，电池特性评价部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的特性的评价结果，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。
显示装置40例如由液晶显示器等构成，显示电池特性评价装置30的模块M的特性的评价结果以及模块M的再利用方案的判定结果。因此，检查业者能够掌握应该对模块M实施什么样的处理。
＜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。在交流阻抗的测定结果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。
＜SOC的推定＞
参照图4～图6，对模块M的SOC、交流阻抗的虚数成分以及OCV的关系进行说明。本申请的发明人得到了如下见解：在SOC为0％的二次电池与SOC比0％大的二次电池之间，具有在预定频率下的交流阻抗的虚数成分的值和OCV的值中的至少一方会产生差异的倾向。在本实施方式的SOC推定处理中，基于上述见解，推定模块M的SOC是否为0％。此外，SOC为0％的模块M发生微小短路等不良的可能性高，因此，认为不适于再利用(rebuild，重新装配)。
图4表示SOC比0％大且比20％小的多个模块M的奈奎斯特图。另外，图5表示SOC为0％的多个模块M的奈奎斯特图。如图4所示，在SOC比0％大且比20％小的情况下，交流阻抗的虚数成分－ZIm的值落在小于预定的第1阈值(在图4所示的例子中为10mΩ)的范围内。此外，虽省略图示，但在SOC为20％以上的情况下，交流阻抗的虚数成分的值也落在小于第1阈值的范围内。另一方面，如图5所示，在SOC为0％的模块M中，交流阻抗测定时的施加信号为预定频率(在图5所示的例子中为作为低频率范围的100mHz～约1Hz)的情况下的虚数成分的值以一定以上的比例为第1阈值以上。根据以上的结果可知，通过将施加信号为预定频率的情况下的交流阻抗的虚数成分的值与第1阈值进行比较，能够推定模块M的SOC是否为0％。
在图4以及图5所示的例子中，在施加信号的频率范围(100mHz～1kHz)中的低频率范围(100mHz～约1Hz)中，在全部的奈奎斯特图中，施加信号的频率越小，则虚数成分的值越大。因此，在本实施方式中，通过施加信号的频率范围中的最低的频率(100mHz)下的虚数成分的值与第1阈值进行比较，推定模块M的SOC是否为0％。此外，在图4以及图5所示的例子中，也可以是低频率范围(100mHz～约1Hz)中的最低的频率以外的频率下的虚数成分的值与第1阈值进行比较。另外，也可以是低频率范围内的多个频率下的虚数成分的值与第1阈值进行比较。
图6是表示多个模块M的100mHz虚数成分(也即是，施加信号为100mHz的情况下的交流阻抗的虚数成分)与OCV的关系的曲线图。如前所述的那样，SOC为0％的模块M的100mHz虚数成分多为作为第1阈值的10mΩ以上。
另外，如图6所示，在模块M的SOC比0％大的情况下，几乎全部的OCV的值比第2阈值(在图6所示的例子中为7.4V)大。与此相对，在模块M的SOC为0％的情况下，许多的OCV的值为第2阈值以下。根据以上的结果可知，通过将模块M的OCV的值与第2阈值进行比较，能够推定模块M的SOC是否为0％。
此外，即使是在仅将预定频率下的虚数成分和OCV中的一方与阈值进行比较的情况下，也能够在某种程度上推定模块M的SOC是否为0％。但是，如图6所示，通过一并执行预定频率下的虚数成分与第1阈值的比较以及OCV与第2阈值的比较，推定精度提高。因此，在本实施方式中，通过模块M的预定频率下的虚数成分和模块M的OCV这两方与阈值进行比较，推定模块M的SOC是否为0％。
此外，图4以及图5所例示的奈奎斯特图是串联连接6个由前述的镍氢电池构成的电池单元而得到的模块M的奈奎斯特图。但是，奈奎斯特图的分布倾向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，施加信号的频率范围中的、与同第1阈值进行比较的虚数成分对应的预定频率的范围也可以根据二次电池的种类等而适宜地进行变更。
另外，在本实施方式中，第1阈值的值被基于图4～图6所示的实验结果而设定为10mΩ。进一步，在本实施方式中，第2阈值的值被基于图6所示的实验结果而设定为7.4V。但是，第1阈值的值根据前述的二次电池的种类等以及与同第1阈值进行比较的虚数成分对应的预定频率而变化。另外，第2阈值的值也同样地根据二次电池的种类等而变化。因此，第1阈值以及第2阈值的值也可以根据二次电池的种类等各种条件而适当地进行设定。
＜两组群判别＞
参照图7以及图8对模块M的两组群判别进行说明。两组群判别表示判别模块M属于电池容量(在本实施方式中为满充电容量)为基准范围内的第1组群、和电池容量为基准范围外的第2组群中的哪个。本申请的发明人根据观察电池容量为各种各样的多个二次电池(在本实施方式中为模块M)的奈奎斯特图而得到的结果发现：在电池容量的特定的范围内和范围外呈现奈奎斯特图的直线部分(参照图3)的形状不同的倾向。以下，将电池容量的特定的范围称为“基准范围”，将基准范围的下限设为“基准容量”。在本实施方式中，作为一个例子，基准范围为3Ah以上且7Ah以下，基准容量为3Ah。
在图7中，重叠表示了满充电容量不同的多个模块M的奈奎斯特图。如图7所示那样可知：在本实施方式中，在满充电容量为基准范围内的模块M的奈奎斯特图中，与满充电容量为基准范围外的模块M的奈奎斯特图相比，直线部分的端部位于图中下侧。也即是，当比较低频率(特别是作为最低的频率的100mHz)下的交流阻抗的虚数成分时，满充电容量为基准范围内的模块M的虚数成分比满充电容量为基准范围外的模块M的虚数成分小。另外，可知：在满充电容量为基准范围内的模块M的奈奎斯特图中，与满充电容量为基准范围外的模块M的奈奎斯特图相比，直线部分(特别是从100mHz～120mHz的施加信号得到的直线部分)的倾斜度小。根据以上，通过从模块M的奈奎斯特图提取直线部分的端部处的交流阻抗的虚数成分和直线的倾斜度来作为特征量，能够判别模块M的电池容量(在本实施方式中为满充电容量)是否为基准容量以上。此外，电池容量小于基准容量的模块M的劣化已过度地发展，认为不适于再利用(重新装配)。
参照图8对两组群判别的办法的一个例子进行说明。在图8中，横轴表示奈奎斯特图的直线部分的端部(施加信号的频率范围中的作为最低的频率的100mHz)处的交流阻抗的虚数成分，纵轴表示低频率范围(100mHz～120mHz)中的直线部分的倾斜度。在图8中，用黑圆描绘了从满充电容量的实测值互不相同的多个模块M的奈奎斯特图提取直线部分的端部处的交流阻抗的虚数成分和直线的倾斜度来作为特征量的结果。各描绘与满充电容量的实测值是否为基准容量以上相应地属于第1组群和第2组群中的某个组群。从满充电容量的实测值为基准容量以上的模块M得到的描绘组群属于“第1组群”。从满充电容量的实测值小于基准容量的模块M得到的描绘组群属于“第2组群”。
在判别电池容量(在本实施方式中为满充电容量)未知的模块M(以下称为“对象模块”)属于第1组群和第2组群中的哪个组群的情况下，首先从对象模块的奈奎斯特图提取前述的两个特征量。通过所提取的特征量与电池容量已知的多个模块M的特征量进行比较，进行对象模块的判别。
作为一个例子，在本实施方式中，作为两组群判别的办法，使用马田法(MT(Mahalanobis-Taguchi)法)。在该情况下，算出对象模块的两个特征量的描绘与表示第1组群的描绘组群之间的马氏距离。在图8的例子中，马氏距离由对象模块的描绘(参照带斜线的点)与位于表示第1组群的描绘组群的内部(中心附近)的描绘(参照白圆)之间的距离表示。马氏距离的算出式自身是公知的，因此，省略该详细的说明。
此外，也可以对两组群判别的具体的办法进行变更。例如，也可以通过一并算出对象模块与第1组群之间的马氏距离和对象模块与第2组群之间的马氏距离，对所算出的两个马氏距离进行比较，进行两组群判别。另外，也可以将马田法以外的办法(例如线性判别法等)用于两组群判别。
＜神经网络学习＞
参照图9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，从实际的电池容量(在本实施方式中为满充电容量)已知的多个模块M的候选中排除SOC为0％的模块M以及推定为SOC为0％的模块M。例如，也可以从候选中排除通过已知的办法测定的SOC值为0％的模块M。另外，也可以根据前述的SOC的推定算法，预定频率下的虚数成分为第1阈值以上、且OCV的值为第2阈值以下的模块M被推定为SOC为0％的模块M，从候选中将其排除掉。通过从取得训练数据的对象的二次电池排除SOC为0％的模块，已学习的神经网络模型被最佳化为适于推定SOC比0％大的模块M的电池容量。
另外，从多个模块M的候选中排除实际的电池容量为前述的基准范围外(也即是小于基准容量)的模块M。其结果，已学习的神经网络模型被最佳化为适于推定电池容量为基准范围内的模块M(也即是属于第1组群的模块M)的电池容量。
接着，从SOC比0％大、且实际的电池容量为基准容量以上的模块M的交流阻抗的测定结果取得奈奎斯特图。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自身，而是使用包含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程序，电池容量的推定精度会逐渐提高下去。
＜电池特性评价处理＞
参照图10对电池特性评价装置30执行的电池特性评价处理进行说明。本实施方式的电池特性评价处理由电池特性评价装置30具备的控制部(例如CPU等控制器)执行。例如当通过操作部(未图示)输入电池特性的评价的开始指示时，电池特性评价装置30的控制部执行图10所例示的电池特性评价处理。电池特性评价处理的各步骤基本上通过控制部的软件处理来实现。但是，至少一部分的处理也可以由硬件(电子电路等)来实现。另外，处理的至少一部分也可以由电池特性评价系统1中的电池特性评价装置30以外的装置(例如测定装置10等)来执行。此外，在本实施方式中，被评价的电池特性包括模块M的SOC是否为0％以及模块M的电池容量。
首先，控制部取得成为特性的评价对象的模块M(以下称为“对象二次电池”)的交流阻抗的测定结果和OCV(S1)。如前所述那样，对象二次电池的交流阻抗和OCV由测定装置10来测定。
控制部判断预定频率(在本实施方式中为100mHz)下的交流阻抗的虚数成分为第1阈值以上的条件、以及OCV的值为第2阈值以下的条件是否都满足(S2)。如前所述那样，在S2中两个条件都满足的情况下(S2：是)，推定为对象二次电池的SOC为0％。在该情况下，在对象二次电池发生微小短路等不良的可能性高。因此，控制部不推定对象二次电池的电池容量，判定为对象二次电池不适于再利用(重新装配)(S8)，处理结束。
在S2中两个条件中的至少一方不满足的情况下(S2：否)，推定为对象二次电池的SOC不是0％。在该情况下，控制部从对象二次电池的奈奎斯特图提取前述的特征值(也即是，直线部分的端部处的交流阻抗的虚数成分和直线的倾斜度)。控制部基于所提取到的特征值，判别对象二次电池属于第1组群和第2组群中的那个组群(S3)。如前所述那样，在对象二次电池属于第2组群的情况下(S3：否)，对象二次电池的电池容量因过度的劣化等而小于基准容量的可能性高。因此，控制部不推定对象二次电池的电池容量，判定为对象二次电池不适于再利用(重新装配)(S8)，处理结束。
在判别为对象二次电池属于第1组群的情况下(S3：是)，控制部从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)。推定用图像的生成办法与前述的学习用图像的生成办法是同样的。控制部对已学习的神经网络模型的输入层x(参照图9)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，判定对象二次电池的再利用方案(S7)。然后，处理结束。
此外，在图10的S1中取得对象二次电池的交流阻抗的测定结果的处理是“交流阻抗取得处理”的一个例子。在S1中取得对象二次电池的OCV的处理是“OCV取得处理”的一个例子。在S2中推定对象二次电池的SOC的处理是“SOC推定处理”的一个例子。在S3中执行两组群判别的处理是“判别处理”的一个例子。在S4～S6中推定对象二次电池的电池容量的处理是“电池容量推定处理”的一个例子。
＜评价结果＞
参照图11以及图12对执行了SOC推定处理(图10的S2)的情况下的电池容量推定精度的评价结果进行说明。图11以及图12都表示使用了已学习的神经网络模型的对象二次电池的电池容量(在本实施方式中为满充电容量)的推定值与实际的电池容量的比较结果。
在此，图11所示的电池容量的推定值是不进行SOC推定处理(图10的S2)以及判别处理(图10的S3)、仅执行了电池容量推定处理(图10的S4～S6)的情况下的推定值。对于为了取得图11所示的推定值而使用的神经网络模型，通过包括SOC为0％的二次电池的训练数据的多个训练数据而进行学习。与此相对，图12所示的电池容量的推定值是对于通过SOC推定处理(图10的S2)推定为SOC不是0％的二次电池执行了电池容量推定处理(图10的S4～S6)的情况下的推定值。对于为了取得图12所示的推定值而使用的神经网络模型，仅通过SOC不是0％的多个二次电池的训练数据而进行学习。此外，为了排除判别处理(图10的S3)的效果而仅评价SOC推定处理的效果，在图12所示的电池容量的推定值的取得处理中，也省略了判别处理。
在图11以及图12中，满充电容量的推定值与实测值严格一致的状态由直线L1表示。另外，相对于满充电容量的实测值，推定值的误差为预定范围内(在该情况下为±0.5Ah以内)的状态由用两条直线L2(虚线)夹着的范围(称为“一致范围”)表示。在本公开中，将对于多个二次电池各自的全部电池容量的推定值中的落在一致范围内的推定值的比例称为容量推定精度。当对图11和图12进行比较时可知：对于落在一致范围内的推定值的比例，图12比图11高。当实际地算出容量推定精度时，相对于图11中的容量推定精度为82.29％，图12中的容量推定精度成为了96.96％。根据以上可知，通过执行SOC推定处理，电池容量的推定精度提高。另外，可知：根据SOC推定处理，能适当地推定二次电池的SOC是否为0％。
上述实施方式中公开的技术不过是一个例子。因此，也可以对上述实施方式中所例示的技术进行变更。首先，也可以仅执行上述实施方式中所例示的多个技术的一部分。例如，在图10所例示的电池特性评价处理中，也可以省略两组群判别的处理(S3)。在该情况下，在神经网络模型的学习中使用的多个训练数据也可以包括电池容量为前述的基准范围外的二次电池的训练数据。另外，在图10所例示的电池特性评价处理中，对于通过SOC推定处理(S2)推定为SOC不是0％的二次电池执行电池容量推定处理(S4～S6)。但是，在仅推定SOC是否为0％就足够等情况下，也可以仅执行SOC推定处理。
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 (5)

1.一种电池特性评价装置，构成为执行：
交流阻抗取得处理，取得通过以特定的频率范围将施加信号施加于对象二次电池而测定的所述对象二次电池的交流阻抗的测定结果；
开路电压取得处理，取得所述对象二次电池的开路电压；
充电状态推定处理，在所取得的交流阻抗的测定结果中的所述特定的频率范围内的预定频率下的虚数成分为第1阈值以上、且所取得的开路电压的值为第2阈值以下的情况下，推定为所述对象二次电池的充电状态为0％；
判别处理，基于从表示所述对象二次电池的交流阻抗的测定结果的奈奎斯特图提取的至少一个特征量，判别所述对象二次电池属于电池容量为基准范围内的第1组群和电池容量为基准范围外的第2组群中的哪个组群；以及
在通过所述充电状态推定处理未推定为所述对象二次电池的充电状态为0％、且通过所述判别处理判别为所述对象二次电池属于所述第1组群的情况下，执行如下的电池容量推定处理：基于所述对象二次电池的交流阻抗的测定结果，推定所述对象二次电池的电池容量。
2.根据权利要求1所述的电池特性评价装置，
与所述第1阈值进行比较的交流阻抗的虚数成分的所述预定频率包含于所述特定的频率范围内的一定的低频率范围。
3.根据权利要求1所述的电池特性评价装置，
在所述电池容量推定处理中，通过向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。
4.根据权利要求3所述的电池特性评价装置，
对于所述已学习的神经网络模型，基于充电状态比0％大或者推定为充电状态比0％大的多个二次电池的所述训练数据而进行学习。
5.一种电池特性评价方法，包括：
交流阻抗取得步骤，取得通过以特定的频率范围将施加信号施加于对象二次电池而测定的所述对象二次电池的交流阻抗的测定结果；
开路电压取得步骤，取得所述对象二次电池的开路电压；
充电状态推定步骤，在所取得的交流阻抗的测定结果中的所述特定的频率范围内的预定频率下的虚数成分为第1阈值以上、且所取得的开路电压的值为第2阈值以下的情况下，推定为所述对象二次电池的充电状态为0％；
判别步骤：基于从表示所述对象二次电池的交流阻抗的测定结果的奈奎斯特图提取的至少一个特征量，判别所述对象二次电池属于电池容量为基准范围内的第1组群和电池容量为基准范围外的第2组群中的哪个组群；以及
在通过所述充电状态推定步骤未推定为所述对象二次电池的充电状态为0％、且通过所述判别步骤判别为所述对象二次电池属于所述第1组群的情况下，执行如下的电池容量推定步骤：基于所述对象二次电池的交流阻抗的测定结果，推定所述对象二次电池的电池容量。
CN201911353507.4A 2018-12-26 2019-12-25 电池特性评价装置以及电池特性评价方法 Active CN111381168B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018243293A JP7153196B2 (ja) 2018-12-26 2018-12-26 電池特性評価装置、および電池特性評価方法
JP2018-243293 2018-12-26

Publications (2)

Publication Number Publication Date
CN111381168A CN111381168A (zh) 2020-07-07
CN111381168B true CN111381168B (zh) 2022-06-28

Family

ID=71122741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911353507.4A Active CN111381168B (zh) 2018-12-26 2019-12-25 电池特性评价装置以及电池特性评价方法

Country Status (3)

Country Link
US (1) US11221372B2 (zh)
JP (1) JP7153196B2 (zh)
CN (1) CN111381168B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202014007077U1 (de) * 2014-09-04 2015-12-08 EurA Consult AG Strommesszange
US10771965B1 (en) * 2020-01-09 2020-09-08 Lexisnexis Risk Solutions Inc. Systems and methods for photo recognition-based identity authentication
US11740290B2 (en) * 2020-01-14 2023-08-29 Battelle Energy Alliance, Llc Energy storage cell qualification and related systems, methods, and devices
CN115698737A (zh) * 2020-11-13 2023-02-03 株式会社Lg化学 电池容量测量装置和方法，以及包括电池容量测量装置的电池控制系统
JP2022139501A (ja) * 2021-03-12 2022-09-26 株式会社豊田中央研究所 劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラム
CN113391229B (zh) * 2021-05-14 2022-04-08 国网河北省电力有限公司经济技术研究院 退役动力电池的性能评价方法、设备及系统
CN113311348A (zh) * 2021-06-09 2021-08-27 湖北工业大学 一种基于小波分解和包络谱分析的电池故障识别方法
FI129670B (en) * 2021-09-02 2022-06-30 Tampere Univ Foundation Sr Battery measurement
EP4170366A1 (de) * 2021-10-25 2023-04-26 Siemens Aktiengesellschaft Verfahren zur beurteilung einer elektrischen speicherzelle
WO2023106378A1 (ja) * 2021-12-10 2023-06-15 学校法人東京理科大学 電子機器および解析方法
JP2023110285A (ja) * 2022-01-28 2023-08-09 株式会社豊田中央研究所 電池特性解析装置、電池特性測定装置および電池解析システム

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5241275A (en) * 1991-05-31 1993-08-31 At&T Bell Laboratories Method of measuring remaining capacity of a storage cell by comparing impedance plot characteristics
US20120078552A1 (en) * 2010-09-27 2012-03-29 Remy Mingant In-situ battery diagnosis method using electrochemical impedance spectroscopy
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
CN105122073A (zh) * 2013-04-12 2015-12-02 朴力美电动车辆活力株式会社 电池状态判定装置
WO2016030075A1 (de) * 2014-08-28 2016-03-03 Volkswagen Aktiengesellschaft Verfahren und vorrichtung zur bestimmung eines state-of-health- und eines state-of-charge-wertes einer batterie
CN106997026A (zh) * 2016-01-25 2017-08-01 大众汽车有限公司 用于确定铅酸蓄电池的剩余电容量的方法和装置
DE102016206538A1 (de) * 2016-04-19 2017-10-19 Audi Ag Verfahren zum Bestimmen eines Ladezustands einer Batterie für ein Kraftfahrzeug, Vorrichtung sowie Kraftfahrzeug
CN108414942A (zh) * 2017-02-09 2018-08-17 丰田自动车株式会社 电池状态推定装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6037777A (en) * 1998-09-11 2000-03-14 Champlin; Keith S. Method and apparatus for determining battery properties from complex impedance/admittance
JP2003317810A (ja) 2002-04-18 2003-11-07 Toyota Motor Corp 電池の特性評価方法
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
WO2017005904A1 (en) * 2015-07-09 2017-01-12 Lithium Balance A/S System for providing an excitation signal to an electrochemical system and method therefor
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
US11205912B2 (en) * 2017-07-25 2021-12-21 Semiconductor Energy Laboratory Co., Ltd. Power storage system, electronic device, vehicle, and estimation method
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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5241275A (en) * 1991-05-31 1993-08-31 At&T Bell Laboratories Method of measuring remaining capacity of a storage cell by comparing impedance plot characteristics
US20120078552A1 (en) * 2010-09-27 2012-03-29 Remy Mingant In-situ battery diagnosis method using electrochemical impedance spectroscopy
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
CN105122073A (zh) * 2013-04-12 2015-12-02 朴力美电动车辆活力株式会社 电池状态判定装置
WO2016030075A1 (de) * 2014-08-28 2016-03-03 Volkswagen Aktiengesellschaft Verfahren und vorrichtung zur bestimmung eines state-of-health- und eines state-of-charge-wertes einer batterie
CN106997026A (zh) * 2016-01-25 2017-08-01 大众汽车有限公司 用于确定铅酸蓄电池的剩余电容量的方法和装置
DE102016206538A1 (de) * 2016-04-19 2017-10-19 Audi Ag Verfahren zum Bestimmen eines Ladezustands einer Batterie für ein Kraftfahrzeug, Vorrichtung sowie Kraftfahrzeug
CN108414942A (zh) * 2017-02-09 2018-08-17 丰田自动车株式会社 电池状态推定装置

Also Published As

Publication number Publication date
JP2020106315A (ja) 2020-07-09
CN111381168A (zh) 2020-07-07
JP7153196B2 (ja) 2022-10-14
US11221372B2 (en) 2022-01-11
US20200209319A1 (en) 2020-07-02

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
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
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
CN111352034B (zh) 电池容量的推定方法以及电池容量的推定装置
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
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
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