CN113227808A - 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序 - Google Patents

学习装置、推定装置、学习方法、推定方法、学习程序及推定程序 Download PDF

Info

Publication number
CN113227808A
CN113227808A CN201980086400.XA CN201980086400A CN113227808A CN 113227808 A CN113227808 A CN 113227808A CN 201980086400 A CN201980086400 A CN 201980086400A CN 113227808 A CN113227808 A CN 113227808A
Authority
CN
China
Prior art keywords
capacity
voltage
battery
estimation
characteristic
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
Application number
CN201980086400.XA
Other languages
English (en)
Inventor
虎井总一朗
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.)
Yokogawa Electric Corp
Original Assignee
Yokogawa Electric 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 Yokogawa Electric Corp filed Critical Yokogawa Electric Corp
Publication of CN113227808A publication Critical patent/CN113227808A/zh
Pending legal-status Critical Current

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive 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
    • H01M10/44—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
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • 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
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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

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

Abstract

提供一种学习装置，具备：特性取得部，取得蓄电池的充电以及放电的至少一者中的、在多个条件下的蓄电池的电压以及容量的任意一者、以及与蓄电池的容量变化及电压变化对应的特性；以及学习部，分别学习在多个条件下的蓄电池的电压以及容量的任意一者与特性之间的关系，并生成根据蓄电池的电压以及容量的任意一者与特性，推定蓄电池的最大容量以及残存容量的至少一者的推定模型。

Description

学习装置、推定装置、学习方法、推定方法、学习程序及推定 程序
技术领域
本发明涉及学习装置、推定装置、学习方法、推定方法、学习程序、以及推定程序。
背景技术
以往，已知有使用基于与LiFePO4以及石墨的相转移行为相关联的各种参数的模型，来推定蓄电池的状态的技术(例如，参照非专利文献1)、使用概率神经网络来推定蓄电池的状态的技术(例如，参照非专利文献2)。
现有技术文献
非专利文献
非专利文献1：Soichiro Torai，他、"State-of-health estimation of LiFePO4/graphite batteries based on a model using differential capacity"、Journal ofPower Sources 306(2016)
非专利文献2：Ho-Ta Lin，他、"Estimation of Battery State of Health UsingProbabilistic Neural Network"、IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS、VOL.9、NO.2、2013年5月
发明内容
发明要解决的课题
在非专利文献1的技术中，根据电池的材料等级来进行模型化，因此，需要电池材料的详细的信息，在此基础上，由于参数大量存在，因而运算负担也高。此外，在非专利文献2的技术中，为了生成模型而需要大量的时间和成本。然而，希望根据蓄电池的运用中的数据来容易地推定蓄电池的状态。
一般的公开
为了解决上述课题，在本发明的第一方式中，提供一种学习装置。学习装置可以具备特性取得部，该特性取得部取得蓄电池的充电以及放电的至少一者中的、在多个条件下的蓄电池的电压以及容量的任意一者、以及与蓄电池的容量变化及电压变化对应的特性。学习装置可以具备学习部，该学习部分别学习在多个条件下的蓄电池的电压以及容量的任意一者与特性之间的关系，并生成根据蓄电池的电压以及容量的任意一者与特性，推定蓄电池的最大容量以及残存容量的至少一者的推定模型。
学习部可以根据在多个条件当中的至少1个条件下的关系，生成对在不同条件下的关系进行插补的推定模型。
学习部可以使用以神经网络作为模块的模块化网络型自组织化图，来生成推定模型。
特性可以是对蓄电池的容量利用电压进行微分而得的容量微分特性。
学习部可以针对各条件的每一个而关联蓄电池的最大容量。
学习部可以基于将容量微分特性利用蓄电池的电压进行积分而得的积分特性，来计算与各条件进行关联的蓄电池的最大容量。
特性可以是将蓄电池的电压利用容量进行微分而得的电压微分特性。
在本发明的第二方式中，提供一种推定装置。推定装置可以具备模型取得部，该模型取得部取得推定模型，该推定模型根据蓄电池的充电以及放电的至少一者中的、在多个条件下的蓄电池的电压以及容量的任意一者、以及与蓄电池的容量变化及电压变化对应的特性之间的关系，来推定蓄电池的最大容量以及残存容量的至少一者。推定装置可以具备：取得蓄电池的电压以及电流的时间序列数据的数据取得部。推定装置可以具备计算部，该计算部基于蓄电池的电压以及电流的时间序列数据来计算特性。推定装置可以具备推定部，该推定部使用推定模型，根据蓄电池的电压以及容量的任意一者、以及计算出的特性，推定蓄电池的最大容量以及残存容量的至少一者。
推定模型可以是根据在多个条件当中的至少1个条件下的关系，在不同条件下的关系被插补了的推定模型。
推定模型可以是使用以神经网络作为模块的模块化网络型自组织化图而被学习了的推定模型。
特性可以是将蓄电池的容量利用电压进行微分而得的容量微分特性。
推定部可以基于将容量微分特性利用蓄电池的电压进行积分而得的积分特性，来推定蓄电池的最大容量。
特性可以是将蓄电池的电压利用容量进行微分而得的电压微分特性。
推定部可以根据推定模型，取得将蓄电池的电压利用容量进行微分而得的模型电压微分特性，并以模型电压微分特性作为参考来推定蓄电池的残存容量。
推定部可以以模型电压微分特性作为参考，对基于蓄电池的电压以及电流的时间序列数据而计算出的、将蓄电池的电压利用容量进行微分而得的部分电压微分特性，进行拟合，来推定蓄电池的残存容量。
推定部可以基于蓄电池的电压以及电流的时间序列数据，判定能否推定蓄电池的最大容量以及残存容量的至少一者。
在本发明的第三方式中，提供一种由学习装置进行学习的学习方法。学习方法可以具备：取得蓄电池的充电以及放电的至少一者中的、在多个条件下的蓄电池的电压以及容量的任意一者、以及与蓄电池的容量变化及电压变化对应的特性。学习方法可以具备：分别学习在多个条件下的蓄电池的电压以及容量的任意一者与特性之间的关系，生成根据蓄电池的电压以及容量的任意一者与特性，来推定蓄电池的最大容量以及残存容量的至少一者的推定模型。
在本发明的第四方式中，提供一种由推定装置进行推定的推定方法。推定方法可以具备：取得推定模型，该推定模型根据蓄电池的充电以及放电的至少一者中的、在多个条件下的蓄电池的电压以及容量的任意一者、以及与蓄电池的容量变化及电压变化对应的特性之间的关系，来推定蓄电池的最大容量以及残存容量的至少一者。推定方法可以具备：取得蓄电池的电压以及电流的时间序列数据。推定方法可以具备：基于蓄电池的电压以及电流的时间序列数据，来计算特性。推定方法可以具备：使用推定模型，根据蓄电池的电压以及容量的任意一者与计算出的特性，推定蓄电池的最大容量以及残存容量的至少一者。
在本发明的第五方式中，提供一种学习程序。学习程序可以通过计算机来执行。学习程序可以使计算机作为特性取得部而发挥功能，该特性取得部取得蓄电池的充电以及放电的至少一者中的、在多个条件下的蓄电池的电压以及容量的任意一者、以及与蓄电池的容量变化及电压变化对应的特性。学习程序可以使计算机作为学习部而发挥功能，该学习部分别学习在多个条件下的蓄电池的电压以及容量的任意一者与特性之间的关系，并生成根据蓄电池的电压以及容量的任意一者与特性，来推定蓄电池的最大容量以及残存容量的至少一者的推定模型。
在本发明的第六方式中，提供一种推定程序。推定程序可以通过计算机而执行。推定程序可以使计算机作为模型取得部而发挥功能，该模型取得部取得推定模型，该推定模型根据蓄电池的充电以及放电的至少一者中的、在多个条件下的蓄电池的电压以及容量的任意一者、以及与蓄电池的容量变化及电压变化对应的特性之间的关系，来推定蓄电池的最大容量以及残存容量的至少一者。推定程序可以使计算机作为取得蓄电池的电压以及电流的时间序列数据的数据取得部而发挥功能。推定程序可以使计算机作为计算部而发挥功能，该计算部基于蓄电池的电压以及电流的时间序列数据来计算特性。推定程序可以使计算机作为推定部而发挥功能，该推定部使用推定模型，根据蓄电池的电压以及容量的任意一者与计算出的特性，推定蓄电池的最大容量以及残存容量的至少一者。
另外，上述的发明的概要并未列举出本发明所需要的全部特征。此外，这些特征组的子组合也成为发明。
附图说明
图1表示本实施方式所涉及的学习装置100、以及蓄电池10。
图2表示本实施方式所涉及的学习装置100的计算部150所进行的数据的前处理的一例。
图3表示本实施方式所涉及的学习装置100所生成的推定模型300的一例。
图4表示本实施方式所涉及的学习装置100生成推定模型300的流程。
图5表示按照图4的流程而进行了学习的学习完成的mnSOM。
图6表示本实施方式所涉及的学习装置100将蓄电池10的最大容量与mnSOM的各模块进行了关联的示例。
图7表示本实施方式所涉及的推定装置700、以及蓄电池10。
图8表示本实施方式的推定装置700对蓄电池10的状态进行推定的流程。
图9表示在本实施方式所涉及的推定装置700对蓄电池10的残存容量进行推定的情况下所进行的曲线拟合的一例。
图10表示通过云计算而实现本实施方式的变形例所涉及的推定装置700的示例。
图11表示本发明的多个方式可以整体地或者部分地被具体化的计算机2200的示例。
具体实施方式
以下，通过发明的实施方式来说明本发明，然而，以下的实施方式并不对权利要求书所涉及的发明进行限定。此外，对于发明的解决手段而言，并不一定需要在实施方式中说明的特征的组合的全部。
图1表示本实施方式所涉及的学习装置100、以及蓄电池10。本实施方式所涉及的学习装置100生成推定模型，该推定模型推定能够通过进行充电而反复使用的蓄电池10的最大容量以及残存容量的至少一者。
这里，所谓最大容量，是指在规定的电池电压范围中，能够最大限度对蓄电池10蓄积的电量[Ah]。一般地，蓄电池随着反复充放电，由于承担电传导的活性物质的失活或副反应，导致特性劣化而最大容量逐渐下降。本实施方式所涉及的学习装置100生成对如这样由于充放电的反复而导致劣化的蓄电池10的最大容量进行推定的模型。
此外，所谓残存容量，是指蓄电池从当前时间点起能够放电的残余的电量[Ah]。本实施方式所涉及的学习装置100生成对这样的蓄电池10的残存容量进行推定的模型。一般地，为了安全且高效率地长期运用蓄电系统，掌握这些最大容量以及残存容量是极其重要的。
学习装置100可以是PC(个人计算机)、平板型计算机、智能手机、工作站、服务器计算机、或者通用计算机等计算机，也可以是将多个计算机连接而得的计算机系统。这样的计算机系统也是广义的计算机。此外，学习装置100也可以在计算机内，通过一个或者多个可执行的虚拟计算机环境而被实现。替代地，学习装置100可以是为了推定模型的学习而设计的专用计算机，也可以是通过专用电路而实现的专用硬件。
本实施方式所涉及的学习装置100设为学习的对象的蓄电池10，对未图示的负载供给电力。近年来，蓄电池被广泛用于混合动力汽车或电动汽车等车辆、笔记本电脑、数字相机、手机、以及智能手机等。一般地，这些蓄电池被构成为，将包含多个电池单体的电池模块以串并联进行连接而得的电池组。本实施方式所涉及的学习装置100设为学习的对象的蓄电池10，例如也可以是如这样被构成的电池组中的至少一个电池模块。在学习装置100取得用于生成推定模型的训练数据的期间，蓄电池10也可以在恒温槽等内部温度被固定地保持的槽中而动作。蓄电池10具备多个电池单体12以及电流传感器14。
多个电池单体12分别被串联连接。电池单体12是电池的一个构成单位，也称为单电池。通过将这样的电池单体12多个串联连接，蓄电池10得到所期望的输出电压。
电流传感器14与多个电池单体12串联连接，测定在蓄电池10中流过的电流。电流传感器14将测定出的电流向学习装置100供给。
本实施方式所涉及的学习装置100具备：电压传感器110、温度传感器120、A/D变换器130、数据取得部140、计算部150、特性取得部160、学习部170、以及模型输出部180。
电压传感器110测定将多个电池单体12全部串联连接后的电压值即蓄电池10的端子间电压。此外，电压传感器110也可以测定多个电池单体12各自的端子间电压。电压传感器110将测定出的电压向A/D变换器130供给。
温度传感器120测定蓄电池10的温度。温度传感器120以多个电池单体12中的任意一个的位置为代表点，测定蓄电池10的温度。此外，温度传感器120也可以测定多个电池单体12各自的温度。温度传感器120将测定出的温度向A/D变换器130供给。
A/D变换器130以预先确定出的采样周期，对电流传感器14所测定的电流、电压传感器110所测定的电压、以及温度传感器120所测定的温度进行采样，将采样到的模拟数据的测定值变换成数字数据。然后，A/D变换器130将变换成了数字数据的蓄电池10的电压V、电流I、以及温度T，向数据取得部140供给。
数据取得部140取得通过A/D变换器130而被变换成了数字数据的蓄电池10的电压V及电流I的时间序列数据。此外，数据取得部140将通过A/D变换器130而被变换成了数字数据的蓄电池10的温度T，与蓄电池10的电压V及电流I的时间序列数据一并取得。在电压传感器110测定多个电池单体12各自的端子间电压的情况下，数据取得部140例如也可以从多个电池单体12各自的端子间电压的和，取得蓄电池10的电压V。此外，在温度传感器120测定多个电池单体12各自的温度的情况下，数据取得部140例如也可以根据多个电池单体12各自的温度的统计(例如，平均)，取得蓄电池10的温度T。替代地，数据取得部140也可以不使用温度传感器120所测定的温度，而取得恒温槽的设定温度，作为蓄电池10的温度T。然而，存在恒温槽的设定温度与实际的电池单体12的表面温度不同的情况。因此，蓄电池10的温度T优选地是通过温度传感器120而实际测定出的温度。
计算部150进行数据取得部140所取得的蓄电池10的电压V及电流I的时间序列数据的前处理。计算部150例如基于蓄电池10的电压V及电流I的时间序列数据，计算蓄电池10的充电以及放电的至少一者中的、在多个条件下的蓄电池10的电压V以及容量Q的任意一者、以及与蓄电池10的容量变化及电压变化对应的特性。这里，该特性也可以是将蓄电池10的容量利用电压进行微分而得的容量微分特性。
特性取得部160取得蓄电池10的充电以及放电的至少一者中的、在多个条件下的蓄电池10的电压V以及容量Q的任意一者、以及与蓄电池10的容量变化及电压变化对应的特性。
学习部170分别学习在多个条件下的蓄电池10的电压V及容量Q的任意一者、与对应于蓄电池10的容量变化及电压变化的特性之间的关系，生成根据蓄电池10的电压V及容量Q的任意一者与该特性来推定蓄电池10的最大容量以及残存容量的至少一者的推定模型。对此，进行后述。
模型输出部180输出学习部170所学习的推定模型。模型输出部180将推定模型供给到本装置内的其他功能部。此外，模型输出部180也可以将推定模型例如经由网络而供给到其他装置。
另外，在上述的说明中，以学习装置100具备电压传感器110、温度传感器120、以及A/D变换器130的情况作为一例进行了说明，然而并不限定于此。电压传感器110、温度传感器120、以及A/D变换器130的至少任意一个也可以被包含在与学习装置100不同的装置中。
图2表示本实施方式所涉及的学习装置100的计算部150所进行的数据的前处理的一例。数据取得部140取得在多个条件下的蓄电池10的电压V及电流I、以及时间t。另外，这里所述的多个条件，是指蓄电池10的温度T、充放电率、以及SOH(健康状态(State ofHealth))的至少任意一个为不同的条件。这里，所谓充放电率是指，将以1小时而使蓄电池充满电的电流量设为1C，来表示充电时以及放电时的电流量。此外，所谓SOH是指，以百分率表示与初始的最大容量相对的当前时间点的最大容量。在本图左侧，作为一例，表示数据取得部140在某个条件下(温度T＝○○℃、充放电率＝○○C、SOH＝○○％)所取得的蓄电池10的电压V及电流I、以及时间t。
计算部150针对数据取得部140所取得的数据，例如进行区间平均处理、移动平均处理，并进行数据的平滑化。接下来，计算部150对电流I乘以时间t，并随着时间t的经过而对其进行累计，由此，如本图中央所示那样，计算容量Q[Ah]。然后，计算部150对容量Q利用电压V进行微分，由此，变换成将蓄电池10的容量Q利用电压V进行微分而得的容量微分特性dQ/dV[Ah/V]。计算部150针对在各条件下由数据取得部140取得的数据的每一个，进行这样的前处理，由此，如本图右侧所示那样，得到在各条件下的、蓄电池10的电压V与容量微分特性dQ/dV的关系。
图3表示本实施方式所涉及的学习装置100所生成的推定模型300的一例。学习部170根据多个条件当中的至少1个条件下的关系，生成对在不同条件下的关系进行插补的推定模型。作为一例，学习部170也可以使用以神经网络为模块的模块化网络型自组织化图(mnSOM：modular network Self Organizing Map)，来生成推定模型。然而，并不限定于此。学习部170也可以利用k平均法等的聚类(clustering)、主成分分析、以及独立成分分析等其他的无教师学习来生成推定模型，也可以利用k近邻法、回归树、随机森林、神经网络、支持向量回归、以及投影跟踪回归等回归来生成推定模型。
SOM(自组织化图，Self Organizing Map)作为以图上的距离来表现所给出的输入信息的相似度的模型，是已知的。SOM由规则地配置的多个单元而构成。各单元具有与输入向量相同维度的参考向量。并且，SOM将输入向量与参考向量进行比较，将输入向量变换成具有与输入向量最接近的参考向量的单元在图上的坐标。即，SOM从输入向量所存在的向量空间，将输入向量映射到配置了单元的图空间。
SOM自己本身以如下方式进行学习，即在向量空间上的输入向量彼此的关系性在被映射的图空间上也被保持。即，SOM通过无教师学习，获得从向量空间向图空间的同相映射。具体而言，若对SOM给出输入向量，则将具有与输入向量最接近的参考向量的单元，决定为获胜单元。此时，以如下方式进行学习，即在图上越是位于获胜单元的附近的单元则获得针对输入向量而较强地进行学习的权利，并按照该强度使参考向量接近输入向量。关于此时的学习的强度，获胜单元最强，在图上的位置越远离获胜单元则变得越弱。通过针对多个输入向量而反复进行这样的参考向量的更新，SOM能够得到保存了在向量空间上的输入向量彼此的关系性的图。
这样，SOM是由输入层和输出层构成的2层构造的无教师学习神经网络，通过无教师学习，将输入数据映射到任意维度的输出层。即，SOM是通过无教师学习而将输入数据映射到规则地配置了多个单元的输出层的模型，所述多个单元分别对与该输入数据相同维度的向量进行了关联，并且，SOM是通过更新与各单元进行了关联的该向量，进行学习的模型。
mnSOM将这样的SOM中的参考向量单元置换到神经网络等模块。本实施方式所涉及的学习装置100的学习部170使用该mnSOM来生成推定模型300。推定模型300具有多个模块310。在本实施方式中，各模块310是基于多层感知器的1输入1输出神经网络构造，各模块310中的层数、隐藏层的节点数、以及活性化函数可以设为是任意的。学习部170将蓄电池10的电压V设为输入向量、将容量微分特性dQ/dV设为输出向量，通过神经网络来学习各模块310，生成推定模型300。然而，并不限定于此。各模块310并不限于神经网络，也可以是能够以将蓄电池10的电压V设为输入，并将容量微分特性dQ/dV设为输出的方式进行学习的、线性回归、k近邻法、回归树、随机森林、支持向量回归、决策树、贝叶斯网络、隐马尔可夫模型等构造。
图4表示本实施方式所涉及的学习装置100生成推定模型300的流程。在本流程中，作为一例，说明学习部170使用共通的温度条件(例如，温度T＝25℃)以及共通的充放电率条件(例如，充放电率＝0.2C充电)中的、不同的SOH条件(例如，SOH＝64％、69％、86％、92％、以及100％)下的训练数据，形成一个图的情况。该情况下，学习部170使用温度条件以及充放电率条件的至少一者不同的条件下的训练数据，形成与上述图不同的另一图。即，学习部170形成与温度条件及充放电率条件的至少任意一个不同的多个条件分别对应的多个图。替代地，学习部170也可以使用共通的充放电率条件(例如，充放电率＝0.2C)中的不同温度条件(温度T＝25℃以及45℃)以及不同SOH条件(例如，SOH＝64％、69％、86％、92％、以及100％)下的训练数据，形成一个图。即，学习部170例如也可以使用“温度T＝25℃、充放电率＝0.2C、SOH＝64％、69％、86％、92％、以及100％”的5个条件、以及“温度T＝45℃、充放电率＝0.2C、SOH＝64％、69％、86％、92％、以及100％”的5个条件、计10个条件下的训练数据，形成一个图。
在步骤410中，数据取得部140取得不同SOH条件下的蓄电池10的电压V及电流I的时间序列数据。
在步骤420中，计算部150按照图2的说明进行数据的前处理，并取得各SOH条件下的蓄电池10的电压V与容量微分特性dQ/dV的关系。
在步骤430中，学习部170基于不同SOH条件中的一个SOH条件(例如，SOH＝64％)下的蓄电池10的电压V与容量微分特性dQ/dV的关系，决定获胜模块。学习部170例如对各模块输入训练数据即SOH＝64％下的电压V的向量，分别得到通过各模块中的神经网络而被运算出的容量微分特性dQ/dV值向量的输出。接着，学习部170针对各模块运算被运算出的容量微分特性dQ/dV值向量、与训练数据即SOH＝64％下的容量微分特性dQ/dV值向量之间的欧几里德距离。然后，学习部170将欧几里德距离最小的模块决定为获胜模块。
在步骤440中，学习部170基于与在步骤430中决定的获胜模块在图上的距离，来学习各模块310。学习部170例如以使多个模块310中的被决定为获胜模块的模块接近训练数据的容量微分特性dQ/dV的方式而最强地进行学习，在图上的位置越远离获胜模块则越弱地进行学习。
在步骤450中，学习部170判断其他训练数据的有无。在判断为有其他训练数据的情况下，学习部170将处理返回到步骤430，使用下一个SOH条件(例如，SOH＝69％)下的训练数据决定下一个获胜模块，对各模块进行学习。这样，学习部170反复进行处理，直到其他的训练数据消失为止，即直到使用SOH＝64％、69％、86％、92％、100％下的训练数据来学习各模块为止。
当在步骤450中判断为不存在其他训练数据的情况下，学习部170在步骤460中，针对各条件的每一个而关联蓄电池10的最大容量。即，针对各模块310的每一个而关联蓄电池10的最大容量。此时，学习部170基于将容量微分特性dQ/dV利用蓄电池10的电压V进行积分而得的积分特性，计算与各条件进行了关联的蓄电池10的最大容量。具体地，学习部170也可以基于下式，计算与各条件进行了关联的蓄电池10的最大容量。这里，在(数学式1)式中，Qmax表示蓄电池10的最大容量、Upper V表示规定蓄电池10的最大容量的上限电压、Lower V表示规定蓄电池10的最大容量的下限电压。即，学习部170针对各模块的容量微分特性dQ/dV，计算规定蓄电池10的最大容量的下限电压到上限电压的范围中的面积值，并将该面积值与各模块进行关联。然后，学习部170结束本图的流程处理。
[数学式1]
Figure BDA0003133353630000111
图5表示按照图4的流程而学习了的学习完成的mnSOM。如本图所示那样，例如，在使用了SOH＝100％下的训练数据的学习中，图上的左下端的模块、即模块(0、9)被决定为获胜模块，并以模块(0、9)的容量微分特性dQ/dV最接近于SOH＝100％下的容量微分特性dQ/dV的方式而学习。此外，例如，在使用了SOH＝64％下的训练数据的学习中，图上的右下端的模块、即模块(14、9)被决定为获胜模块，并以模块(14、9)的容量微分特性dQ/dV最接近于SOH＝64％下的容量微分特性dQ/dV的方式而学习。这里，学习部170尽管作为训练数据而仅使用5个SOH条件，然而如本图所示那样，通过模块的学习而取得10×15＝150个函数，并将具有相似特性的函数以自组织的方式接近地配置。
这样，本实施方式所涉及的学习装置100的学习部170按照图4的流程，使用mnSOM生成推定模型300，因此，能够针对被决定为获胜模块的模块而进行使用了训练数据的有教师学习，另一方面，作为网络全体而通过无教师学习以自组织的方式进行聚类。因此，学习部170能够根据比较少的量的训练数据来生成推定模型，并能够降低用于生成模型的前准备所涉及的时间、成本。此外，学习部170基于蓄电池10的运用中的数据来生成推定模型，因此，能够不使用蓄电池10的电极材料固有的物性值或电池的反应原理等详细信息而生成模型。
图6表示本实施方式所涉及的学习装置100将蓄电池10的最大容量与mnSOM的各模块进行了关联的示例。在本图中，在各模块中记载的数值表示与各模块进行了关联的蓄电池10的最大容量，本图以各模块的浓淡表示该最大容量的大小。学习部170基于上述(数学式1)式，分别对图5所示的各模块的函数利用蓄电池10的电压V进行积分，由此，计算蓄电池10的最大容量，并与各模块分别进行关联。
这样，本实施方式所涉及的学习装置100的学习部170对各模块关联蓄电池10的最大容量，因此，能够提供稍后说明的容易推定蓄电池10的最大容量的推定模型300。
另外，在上述的说明中，作为一例，示出了学习装置100学习将蓄电池10的容量Q利用电压V进行微分而得的容量微分特性dQ/dV，来生成推定模型的情况，然而并不限定于此。学习装置100也可以学习将蓄电池10的电压V利用容量Q进行微分而得的电压微分特性dV/dQ，来生成推定模型。即，也可以是，计算部150计算将蓄电池10的电压V利用容量Q进行微分而得的电压微分特性dV/dQ，来作为与蓄电池10的容量变化及电压变化对应的特性，学习部170将蓄电池10的容量Q设为输入向量、并将蓄电池10的电压微分特性dV/dQ设为输出向量来学习各模块310，生成推定模型300。
此外，在上述的说明中，作为一例，示出了学习装置100将从蓄电池10实际取得的数据作为训练数据来生成推定模型300的情况，然而并不限定于此。学习装置100也可以将对蓄电池10的行为进行模拟的数值仿真模型的输出作为训练数据，来生成推定模型300。
图7表示本实施方式所涉及的推定装置700、以及蓄电池10。在图7中，针对与图1具有相同功能以及结构的构件，赋予相同的符号，除了以下的差别点之外省略说明。本实施方式所涉及的推定装置700取得推定模型300，利用所取得的推定模型300来推定蓄电池10的最大容量以及残存容量的至少一者。
推定装置700可以被构成为与图1所示的学习装置100相同的装置，也可以被构成为与学习装置100不同的其他装置。推定装置700可以是PC(个人计算机)、平板型计算机、智能手机、工作站、服务器计算机、或者通用计算机等计算机，也可以是多个计算机连接而得的计算机系统。这样的计算机系统也是广义的计算机。此外，推定装置700也可以在计算机内通过一个或者多个可执行的虚拟计算机环境而被实现。替代地，推定装置700可以是为了最大容量以及残存容量的至少一者的推定而设计的专用计算机，也可以是通过专用电路而实现的专用硬件。
本实施方式所涉及的推定装置700具备：电压传感器110、温度传感器120、A/D变换器130、数据取得部140、计算部150、特性取得部160、模型取得部710、推定部720、以及结果输出部730。关于电压传感器110、温度传感器120、A/D变换器130、数据取得部140、计算部150、以及特性取得部160，与图1相同，因此省略说明。
模型取得部710取得推定模型，该推定模型根据蓄电池10的充电以及放电的至少一者中的、在多个条件下的蓄电池10的电压V以及容量Q的任意一者、与对应于蓄电池10的容量变化及电压变化的特性之间的关系，推定蓄电池10的最大容量以及残存容量的至少一者。模型取得部710例如将通过图1所示的学习装置100而与最大容量进行了关联的学习完成的mnSOM，经由网络等而取得。
推定部720使用模型取得部710所取得的推定模型300，根据运用中的蓄电池10的电压V及容量Q的任意一者、以及与计算出的蓄电池10的容量变化及电压变化对应的特性，来推定蓄电池10的最大容量及残存容量的至少一者。此时，推定部720也可以基于运用中的蓄电池10的电压V及电流I的时间序列数据，判定能否推定蓄电池10的最大容量以及残存容量的至少一者。此外，推定部720也可以使用推定出的蓄电池10的最大容量以及残存容量，来推定蓄电池10的SOH以及SOC(充电状态，State of Charge)。另外，所谓SOC，利用蓄电池10的当前时间点的、残存容量相对于最大容量的百分率来表示。关于推定部720中的各种推定，进行后述。推定部720将推定出的结果供给到结果输出部730。
结果输出部730将推定部720所推定的蓄电池10的最大容量、残存容量、SOH、以及SOC的至少任意一个，供给到其他功能部或者其他装置。结果输出部730例如在存在来自蓄电池控制系统对蓄电池10的状态的询问的情况下，也可以输出推定部720所推定的这些推定结果。
图8表示本实施方式的推定装置700对蓄电池10的状态进行推定的流程。在步骤810中，数据取得部140取得运用中的蓄电池10的电压V及电流I的时间序列数据。此外，数据取得部140将蓄电池10的温度T与蓄电池10的电压V及电流I的时间序列数据一并取得。
在步骤830中，推定部720基于蓄电池10的电压V及电流I的时间序列数据，判定能否推定蓄电池10的最大容量。推定部720例如根据是否蓄积了对于推定最大容量而恰当的数据、例如是否蓄积了相对于SOH的变化大的区域，来判定能否推定蓄电池10的最大容量。此外，推定部720根据是否蓄积了对于推定最大容量而足够的数据量、例如是否蓄积了预先确定出的SOC范围所相当的量(SOC:20％相当量等)的容量范围的数据，判定能否推定蓄电池10的最大容量。此外，推定部720根据是否捕捉了对于最大容量的推定有利的特征点、例如是否捕捉了容量微分特性dQ/dV的峰值点，判定能否推定蓄电池10的最大容量。推定部720也可以在满足全部这些的情况下，判定为能够进行蓄电池10的最大容量的推定。替代地，推定部720也可以在满足这些中的至少1个的情况下，判定为能够进行蓄电池10的最大容量的推定。
当在步骤830中判定为能够进行最大容量的推定的情况下，在步骤835中，与步骤420同样地，计算部150按照图2的说明，进行数据的前处理。然后，特性取得部160将运用中的蓄电池10的电压V与容量微分特性dQ/dV之间的关系，以固定期间量，蓄积到未图示的数据库等。
然后，在步骤840中，根据所蓄积的蓄电池10的电压V与容量微分特性dQ/dV的关系来决定获胜模块，对获胜模块进行更新。另外，也可以在初始时，将任意的一个模块设为获胜模块。推定部720从多个图中选择与运用中的条件对应的mnSOM的图。推定部720例如选择与运用中的温度条件以及充放电率条件对应的mnSOM的图。接着，推定部720对所选择的mnSOM的各模块，输入所蓄积的电压V的向量，并分别取得通过各模块中的神经网络而运算出的容量微分特性dQ/dV值向量的输出。接着，推定部720针对各模块，运算被运算出的容量微分特性dQ/dV值向量、与被蓄积的容量微分特性dQ/dV值向量之间的欧几里德距离。然后，推定部720将欧几里德距离最小的模块，决定为获胜模块。
在步骤850中，推定部720基于将被决定为获胜模块的模块中的容量微分特性dQ/dV利用蓄电池10的电压V进行积分而得的积分特性，推定蓄电池10的最大容量。例如在模型取得部710所取得的推定模型300中，对各模块预先关联了蓄电池10的最大容量的情况下，推定部720也可以调出与被决定为获胜模块的模块进行了关联的最大容量，并将其推定为蓄电池10的最大容量。当在推定模型300中，未针对各模块而关联蓄电池10的最大容量的情况下，推定部720也可以基于上述的(数学式1)式来计算最大容量，并将其推定为蓄电池10的最大容量。推定装置700将这样推定出的蓄电池10的最大容量，作为最新的最大容量推定值而存储。由此，当存在来自其他功能部或者其他装置对最大容量值的询问的情况下，结果输出部730能够供给该最大容量推定值。
在步骤860中，推定部720使用在步骤850中推定出的最大容量推定值，推定蓄电池10的SOH。推定部720例如也可以以百分率表示利用初始的最大容量、即SOH＝100％的最大容量对最大容量推定值进行除法运算而得的值，由此来推定蓄电池10的SOH。推定装置700将这样推定出的蓄电池10的SOH，作为最新的SOH推定值而存储。由此，当存在来自其他功能部或者其他装置对SOH的询问的情况下，结果输出部730能够供给该SOH推定值。
另外，在上述的说明中，作为一例，说明了推定装置700对蓄电池10的最大容量以及SOH这二者进行推定的情况，然而并不限定于此。在不需要SOH的推定的情况下，推定装置700也可以省略步骤860的处理。此外，在不需要最大容量以及SOH的推定的情况下，推定装置700也可以省略从步骤830到步骤860的处理。由此，推定装置700能够省略不需要的状态的推定，能够减轻运算负担。
在步骤870中，推定部720基于蓄电池10的电压V及电流I的时间序列数据，判定能否推定蓄电池10的残存容量。推定部720例如根据是否蓄积了对于推定残存容量而恰当的数据、例如是否蓄积了相对于SOC的变化大的区域，来判定能否推定蓄电池10的残存容量。此外，推定部720根据是否蓄积了对于推定残存容量而足够的数据量、例如是否蓄积了预先确定出的SOC范围所相当的量(SOC:20％相当量等)的容量范围的数据，判定能否推定蓄电池10的残存容量。此外，推定部720根据是否捕捉了对于残存容量的推定有利的特征点、例如是否捕捉了容量微分特性dQ/dV的峰值点，判定能否推定蓄电池10的残存容量。推定部720也可以在满足全部这些的情况下，判定为能够进行蓄电池10的残存容量的推定。替代地，推定部720也可以在满足这些中的至少1个的情况下，判定为能够进行蓄电池10的残存容量的推定。
当在步骤870中判定为能够进行残存容量的推定的情况下，推定装置700在步骤875中进行数据的前处理，推定部720取得基于运用中的蓄电池10的电压V及电流I的时间序列数据而计算出的、将蓄电池10的电压V利用容量Q进行微分而得的部分电压微分特性dV/dQ。此时，例如，与图2的左图以及中央图同样地，计算部150基于运用中的蓄电池10的电压V及电流I的时间序列数据，进行数据的平滑化以及容量Q的计算，接着，将电压V利用容量Q进行微分，由此，变换成将蓄电池10的电压V利用容量Q进行微分而得的电压微分特性dV/dQ[V/Ah]，并将其供给到推定部720。替代地，例如也可以是，当在步骤830中判定为能够进行最大容量的推定之后，即，在实施了步骤835中的数据的前处理之后的步骤875中，推定部720将在步骤835中取得的蓄电池10的容量微分特性dQ/dV，变换成将蓄电池10的电压V利用容量Q进行微分而得的电压微分特性dV/dQ，由此，取得部分电压微分特性dV/dQ。
然后，在步骤880中，推定部720根据推定模型300，取得将蓄电池10的电压V利用容量Q进行微分而得的模型电压微分特性dV/dQ，并以模型电压微分特性dV/dQ为参考来推定蓄电池10的残存容量。例如，推定部720将在步骤840中被决定为获胜模块的模块中的容量微分特性dQ/dV，变换成将蓄电池10的电压V利用容量Q进行微分而得的模型电压微分特性dV/dQ，并将模型电压微分特性dV/dQ作为参考来使用。
然后，推定部720将基于运用中的蓄电池10的电压V及电流I的时间序列数据而计算出的、将蓄电池10的电压V利用容量Q进行微分而得的部分电压微分特性dV/dQ，以模型电压微分特性dV/dQ作为参考进行拟合，来推定蓄电池10的残存容量。关于此，进行后述。另外，当在步骤830中判定为不能进行最大容量的推定的情况下，推定部720也可以将前次的最大容量推定时的获胜模块用于残存容量的推定。此外，在如上述那样省略步骤830到步骤860的处理的情况下，推定部720也可以将前次的最大容量推定时的获胜模块、或者预先被设定为获胜模块的模块，用于残存容量的推定。推定装置700将这样推定出的蓄电池10的残存容量，作为最新的残存容量推定值而存储。由此，在存在来自其他功能部或者其他装置对残存容量值的询问时，结果输出部730能够供给该残存容量推定值。
在步骤890中，推定部720使用在步骤880中推定出的残存容量推定值，推定蓄电池10的SOC。推定部720例如也可以以百分率表示利用最大容量推定值对残存容量推定值进行除法运算而得的值，由此来推定蓄电池10的SOC。推定装置700将这样推定出的蓄电池10的SOC，作为最新的SOC推定值而存储。由此，当存在来自其他功能部或者其他装置对SOC的询问时，结果输出部730能够供给该SOC推定值。
另外，在上述的说明中，作为一例，说明了推定装置700对蓄电池10的残存容量以及SOC进行推定的情况，然而并不限定于此。在不需要SOC的推定的情况下，推定装置700也可以省略步骤890的处理。此外，在不需要残残容量以及SOC的推定的情况下，推定装置700也可以省略步骤870到步骤890的处理。由此，推定装置700能够省略不需要的状态的推定，并能够减轻运算负担。
图9表示本实施方式所涉及的推定装置700对蓄电池10的残存容量进行推定的情况下所进行的曲线拟合的一例。本图左侧，表示曲线拟合前的模型电压微分特性dV/dQ以及部分电压微分特性dV/dQ。在本图中，模型电压微分特性dV/dQ被表示为波形910。此外，部分电压微分特性dV/dQ被表示为波形920。
在该状态中，推定部720为了对残存容量进行推定，以模型电压微分特性dV/dQ作为参考，对部分电压微分特性dV/dQ进行拟合。具体地，推定部720使表示部分电压微分特性dV/dQ的波形920在横轴方向(X轴方向)上偏移，以使拟合成表示模型电压微分特性dV/dQ的波形910。
本图右侧表示曲线拟合后的模型电压微分特性dV/dQ以及部分电压微分特性dV/dQ。推定部720基于如这样进行了曲线拟合后的、部分电压微分特性dV/dQ，对蓄电池10的残存容量进行推定。推定部720例如将曲线拟合后的部分电压微分特性dV/dQ的X轴的值(作为一例，波形920的左端的X轴的值)，推定为蓄电池10的残存容量。
这样，本实施方式中的推定装置700使用所取得的推定模型300，根据运用中的蓄电池10的电压以及与蓄电池10的容量变化及电压变化对应的特性，来推定蓄电池10的最大容量以及残存容量的至少一者。由此，本实施方式所涉及的推定装置700能够不使用蓄电池10的电极材料固有的物性值、电池的反应原理等详细信息，而推定蓄电池10的最大容量以及残存容量的至少一者。
另外，在上述的说明中，作为一例，示出了推定模型300是以容量微分特性dQ/dV作为输出向量对各模块310进行学习而生成的模型的情况下的、推定装置700的处理，然而并不限定于此。在推定模型300是以电压微分特性dV/dQ作为输出向量对各模块310进行学习而生成的模型的情况下，推定装置700也可以将蓄电池10的容量Q设为输入向量、将蓄电池10的电压微分特性dV/dQ设为输出向量来决定蓄电池10的获胜模块，并推定最大容量以及残存容量。
图10表示通过云计算来实现本实施方式的变形例所涉及的推定装置700的示例。在本图中，作为一例，说明如VPP(虚拟发电厂，Virtual Power Plant)那样，取得分散地配置于各家庭的大量的小规模虚拟发电厂中的各自的蓄电池10的运用中的数据，并向对VPP进行综合控制的聚合器(aggregator)提供各个蓄电池10的状态的情况。
在本图中，在各家庭中设置有蓄电池10、功率调节子系统1010、网关1020、以及家庭网络1030。功率调节子系统1010主要具有：将系统的AC电力变换成DC电力而对蓄电池10进行充电的功能、将蓄电池10的DC电力变换成AC电力而供给到家庭内的设备的功能、监视蓄电池10的状态而对蓄电池10安全地进行控制的功能、以及将蓄电池10的信息提供给上位的功能。
网关1020是用于将计算机网络与协议的不同网络连接的网络节点。网关1020经由家庭网络1030而与功率调节子系统1010连接。
家庭网络1030将功率调节子系统1010与网关1020进行连接。家庭网络1030的代表性的通信协议是ECHONET Lite(注册商标)。ECHONET Lite是将传感器类、白色家电、以及设备类机器等节约能源的设备进行IoT化，用于实现能源管理、远程维护等服务的通信规范。因此，网关1020将经由这样的通信规范而从功率调节子系统1010提供的各种数据，经由IP网络而供给到云环境。此外，网关1020将经由IP网络从云环境取得的各种数据，经由家庭网络而供给到功率调节子系统1010。
在云环境中，设置有本实施方式所涉及的推定装置700、服务器计算机1050、以及测定数据库1060。
服务器计算机1050对能够访问云环境的客户端提供各种服务。服务器计算机1050例如可以是云计算中的云服务器，也可以是边缘计算中的边缘服务器。本图中的服务器计算机1050经由网关1020以及IP网络，取得包含功率调节子系统1010所具有的蓄电池10的电压以及电流的各种数据，并将取得的各种数据供给到测定数据库1060。
测定数据库1060对从服务器计算机1050供给的各种数据进行蓄积。然后，将蓄积到的各种数据供给到推定装置700。
本变形例中的推定装置700的数据取得部140从测定数据库1060取得对于蓄电池10的最大容量以及残存容量的推定所需要的各种数据。然后，将推定出的各个蓄电池10的状态提供到VPP的聚合器等。这样，在本变形例中，通过云计算而实现推定装置700，因此，在能够访问云的各种环境下，能够实现蓄电池10的容量推定所涉及的服务。
本发明的各种实施方式可以参照流程图以及框图而被记载，这里的框可以表示(1)操作被执行的过程的阶段或者(2)具有执行操作的作用的装置的部分。可以通过专用电路、与计算机可读介质上被存放的计算机可读命令一起被供给的可编程电路、以及/或者与计算机可读介质上被存放的计算机可读命令一起被供给的处理器，来实现特定的阶段以及部分。专用电路可以包含数字以及/或者模拟硬件电路，也可以包含集成电路(IC)以及/或者分立电路。可编程电路也可以包含能够重新构成的硬件电路，该硬件电路包含逻辑AND、逻辑OR、逻辑XOR、逻辑NAND、逻辑NOR、以及其他逻辑操作、触发器、寄存器、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)等这样的存储器元素等。
计算机可读介质也可以包含能够存放通过恰当的设备而执行的命令的任意的有形设备，其结果，具有在这里存放的命令的计算机可读介质成为包含下述命令的制品，所述命令为：为了生成用于执行在流程图或者框图中被指定的操作的手段而可被执行的命令。作为计算机可读介质的示例，也可以包含电子存储介质、磁存储介质、光存储介质、电磁存储介质、半导体存储介质等。作为计算机可读介质的进一步具体的示例，也可以包含フロッピー(注册商标)盘、软盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或者闪存储器)、电可擦除可编程只读存储器(EEPROM)、静态随机访问存储器(SRAM)、光盘只读存储器(CD-ROM)、数字通用磁盘(DVD)、蓝光(RTM)盘、存储棒、集成电路卡等。
计算机可读命令也可以包含由1个或者多个编程语言的任意组合描述的源代码或者目标代码的任意一个，该1个或者多个编程语言包含汇编命令、命令集架构(ISA)命令、机器命令、机器相关命令、微代码、固件命令、状态设定数据、或者Smalltalk、JAVA(注册商标)、C++等这样的面向对象的编程语言、以及“C”编程语言或者类似的编程语言那样的以往的过程型编程语言。
关于计算机可读命令，以本地方式或者经由局域网(LAN)、因特网等那样的广域网(WAN)而被提供给通用计算机、特殊目的计算机、或者其他能够执行程序的数据处理装置的处理器或者可编程电路，为了生成用于执行在流程图或者框图中被指定的操作的手段，对计算机可读命令进行执行。作为处理器的示例，包含计算机处理器、处理单元、微处理器、数字信号处理器、控制器、微控制器等。
图11表示本发明的多个方式可以整体地或者部分地被具体化的计算机2200的示例。在计算机2200中安装的程序能够使计算机2200作为与本发明的实施方式所涉及的装置进行了关联的操作或者该装置的1个或者多个部分而发挥功能，或者能够使其执行该操作或者该1个或多个部分，以及/或者能够使计算机2200执行本发明的实施方式所涉及的过程或者该过程的阶段。关于这样的程序，为了使计算机2200执行本说明书中记载的流程图以及框图的框中的若干个或者全部所关联了的特定的操作，通过CPU2212来执行。
基于本实施方式的计算机2200包括CPU2212、RAM2214、图形控制器2216、以及显示设备2218，这些通过主机控制器2210而相互连接。计算机2200还包含通信接口2222、硬盘驱动器2224、DVD-ROM驱动器2226、以及IC卡驱动器这样的输入/输出单元，这些经由输入/输出控制器2220而与主机控制器2210连接。计算机还包含ROM2230以及键盘2242那样的传统的输入/输出单元，这些经由输入/输出芯片2240而与输入/输出控制器2220连接。
CPU2212按照在ROM2230以及RAM2214内存放的程序而进行动作，由此来控制各单元。图形控制器2216设为取得通过在RAM2214内提供的帧缓冲器等或者在其自身中由CPU2212生成的图像数据，图像数据被显示在显示设备2218上。
通信接口2222经由网络而与其他电子设备通信。硬盘驱动器2224存放通过计算机2200内的CPU2212而被使用的程序以及数据。DVD-ROM驱动器2226从DVD-ROM2201读取程序或者数据，并经由RAM2214向硬盘驱动器2224提供程序或者数据。IC卡驱动器从IC卡读取程序以及数据，以及/或者将程序以及数据写入到IC卡。
ROM2230在其中存放在激活时通过计算机2200而执行的引导程序等、以及/或者依赖于计算机2200的硬件的程序。输入/输出芯片2240还可以将各种的输入/输出单元经由并行端口、串行端口、键盘端口、鼠标端口等，与输入/输出控制器2220连接。
程序通过DVD-ROM2201或者IC卡那样的计算机可读介质而被提供。程序从计算机可读介质而被读取，并被安装到也是计算机可读介质的示例的硬盘驱动器2224、RAM2214、或者ROM2230，并通过CPU2212来执行。在这些程序内描述的信息处理被读取到计算机2200，带来程序、与上述各种类型的硬件资源之间的联系。装置或者方法也可以通过按照计算机2200的使用来实现信息的操作或者处理，而被构成。
例如，当通信在计算机2200与外部设备之间执行的情况下，CPU2212也可以执行被加载到RAM2214的通信程序，并基于通信程序中描述的处理，对通信接口2222进行通信处理的命令。通信接口2222在CPU2212的控制下，读取在RAM2214、硬盘驱动器2224、DVD-ROM2201、或者IC卡这样的记录介质内提供的发送缓冲器处理区域中被存放的发送数据，并将读取出的发送数据发送给网络，或者将从网络接收到的接收数据，写入到在记录介质上提供的接收缓冲器处理区域等。
此外，CPU2212也可以使得在硬盘驱动器2224、DVD-ROM驱动器2226(DVD-ROM2201)、IC卡等那样的外部记录介质中存放的文件或者数据库的全部或者需要的部分被读取到RAM2214，并对RAM2214上的数据执行各种类型的处理。CPU2212接下来将处理后的数据写回到外部记录介质。
各种类型的程序、数据、表格、以及数据库那样的各种类型的信息被存放于记录介质，并接受信息处理。CPU2212也可以针对从RAM2214读取的数据，执行在本公开的各处记载的、包含通过程序的命令序列而被指定的各种类型的操作、信息处理、条件判断、条件分支、无条件分支、信息的检索/置换等的、各种类型的处理，并将结果写回到RAM2214。此外，CPU2212也可以检索记录介质内的文件、数据库等中的信息。例如，在具有每一个均与第二属性的属性值进行了关联的第一属性的属性值的多个条目被存放于记录介质内的情况下，CPU2212也可以从该多个条目中，检索第一属性的属性值所指定的与条件一致的条目，并读取在该条目内存放的第二属性的属性值，由此来读取与满足预先确定了的条件的第一属性进行了关联的第二属性的属性值。
以上说明了的程序或者软件模块也可以存放于计算机2200上或者计算机2200附近的计算机可读介质。此外，在与专用通信网络或者因特网连接的服务器系统内提供的硬盘或者RAM那样的记录介质能够作为计算机可读介质而使用，由此，将程序经由网络而提供给计算机2200。
以上，使用实施方式说明了本发明，然而，本发明的技术范围并不限定于上述实施方式中的记载范围。能够对上述实施方式添加多样的变更或者改良，这对本领域技术人员是显然的。该添加了多样的变更或者改良的方式也可包含在本发明的技术范围内，这从权利要求书的记载而明确得出。
关于权利要求书、说明书、以及附图中所示出的装置、系统、程序、以及方法中的动作、过程、步骤、以及阶段等各处理的执行顺序，应当注意的是，只要没有明示为“靠前地”、“之前”等，或者，没有将前一处理的输出应用到后一处理中，则能够以任意的顺序来实现。关于权利要求书、说明书、以及附图中的动作流程，即使为了方便，利用“首先”、“其次、”来进行说明，也并不意味着必须按该顺序来实施。
标号说明
10 蓄电池
12 电池单体
14 电流传感器
100 学习装置
110 电压传感器
120 温度传感器
130 A/D变换器
140 数据取得部
150 计算部
160 特性取得部
170 学习部
180 模型输出部
300 推定模型
310 模块
700 推定装置
710 模型取得部
720 推定部
730 结果输出部
1010 功率调节子系统
1020 网关
1030 家庭网络
1050 服务器计算机
1060 测定数据库
2200 计算机
2201 DVD-ROM
2210 主机控制器
2212 CPU
2214 RAM
2216 图形控制器
2218 显示设备
2220 输入/输出控制器
2222 通信接口
2224 硬盘驱动器
2226 DVD-ROM驱动器
2230 ROM
2240 输入/输出芯片
2242 键盘。

Claims (20)

1.一种学习装置，具备：
特性取得部，取得蓄电池的充电以及放电的至少一者中的、在多个条件下的所述蓄电池的电压以及容量的任意一者、以及与所述蓄电池的容量变化及电压变化对应的特性；以及
学习部，分别学习在所述多个条件下的所述蓄电池的电压以及容量的任意一者与所述特性之间的关系，并生成推定模型，所述推定模型根据所述蓄电池的电压以及容量的任意一者与所述特性，推定所述蓄电池的最大容量以及残存容量的至少一者。
2.根据权利要求1所述的学习装置，其中，
所述学习部根据在所述多个条件当中的至少1个条件下的所述关系，生成对在不同条件下的所述关系进行插补的所述推定模型。
3.根据权利要求2所述的学习装置，其中，
所述学习部使用以神经网络作为模块的模块化网络型自组织化图，来生成所述推定模型。
4.根据权利要求1至3中任一项所述的学习装置，其中，
所述特性是对所述蓄电池的容量利用电压进行微分而得的容量微分特性。
5.根据权利要求4所述的学习装置，其中，
所述学习部针对各条件的每一个而关联所述蓄电池的最大容量。
6.根据权利要求5所述的学习装置，其中，
所述学习部基于将所述容量微分特性利用所述蓄电池的电压进行积分而得的积分特性，来计算与各条件进行关联的所述蓄电池的最大容量。
7.根据权利要求1至3中任一项所述的学习装置，其中，
所述特性是将所述蓄电池的电压利用容量进行微分而得的电压微分特性。
8.一种推定装置，具备：
模型取得部，取得推定模型，该推定模型根据蓄电池的充电以及放电的至少一者中的、在多个条件下的所述蓄电池的电压以及容量的任意一者、以及与所述蓄电池的容量变化及电压变化对应的特性之间的关系，来推定所述蓄电池的最大容量以及残存容量的至少一者；
数据取得部，取得所述蓄电池的电压以及电流的时间序列数据；
计算部，基于所述蓄电池的电压以及电流的时间序列数据来计算所述特性；以及
推定部，使用所述推定模型，根据所述蓄电池的电压以及容量的任意一者、以及计算出的所述特性，推定所述蓄电池的最大容量以及残存容量的至少一者。
9.根据权利要求8所述的推定装置，其中，
所述推定模型是根据在所述多个条件当中的至少1个条件下的所述关系，在不同条件下的所述关系被插补了的推定模型。
10.根据权利要求9所述的推定装置，其中，
所述推定模型是使用以神经网络作为模块的模块化网络型自组织化图而被学习了的推定模型。
11.根据权利要求8至10中任一项所述的推定装置，其中，
所述特性是将所述蓄电池的容量利用电压进行微分而得的容量微分特性。
12.根据权利要求11所述的推定装置，其中，
所述推定部基于将所述容量微分特性利用所述蓄电池的电压进行积分而得的积分特性，来推定所述蓄电池的最大容量。
13.根据权利要求8至10中任一项所述的推定装置，其中，
所述特性是将所述蓄电池的电压利用容量进行微分而得的电压微分特性。
14.根据权利要求11至13中任一项所述的推定装置，其中，
所述推定部根据所述推定模型，取得将所述蓄电池的电压利用容量进行微分而得的模型电压微分特性，并以所述模型电压微分特性作为参考来推定所述蓄电池的残存容量。
15.根据权利要求14所述的推定装置，其中，
所述推定部以所述模型电压微分特性作为参考，对基于所述蓄电池的电压以及电流的时间序列数据而计算出的、将所述蓄电池的电压利用容量进行微分而得的部分电压微分特性，进行拟合，来推定所述蓄电池的残存容量。
16.根据权利要求8至15中任一项所述的推定装置，其中，
所述推定部基于所述蓄电池的电压以及电流的时间序列数据，判定能否推定所述蓄电池的最大容量以及残存容量的至少一者。
17.一种学习方法，是学习装置所进行学习的学习方法，具备：
取得蓄电池的充电以及放电的至少一者中的、在多个条件下的所述蓄电池的电压以及容量的任意一者、以及与所述蓄电池的容量变化及电压变化对应的特性；以及
分别学习在所述多个条件下的所述蓄电池的电压以及容量的任意一者与所述特性之间的关系，生成推定模型，所述推定模型根据所述蓄电池的电压以及容量的任意一者与所述特性，来推定所述蓄电池的最大容量以及残存容量的至少一者。
18.一种推定方法，是推定装置所进行推定的推定方法，
取得推定模型，该推定模型根据蓄电池的充电以及放电的至少一者中的、在多个条件下的所述蓄电池的电压以及容量的任意一者、以及与所述蓄电池的容量变化及电压变化对应的特性之间的关系，来推定所述蓄电池的最大容量以及残存容量的至少一者；
取得所述蓄电池的电压以及电流的时间序列数据；
基于所述蓄电池的电压以及电流的时间序列数据来计算所述特性；以及
使用所述推定模型，根据所述蓄电池的电压以及容量的任意一者与计算出的所述特性，推定所述蓄电池的最大容量以及残存容量的至少一者。
19.一种学习程序，通过计算机来执行，使所述计算机作为如下部件发挥功能：
特性取得部，取得蓄电池的充电以及放电的至少一者中的、在多个条件下的所述蓄电池的电压以及容量的任意一者、以及与所述蓄电池的容量变化及电压变化对应的特性；以及
学习部，分别学习在所述多个条件下的所述蓄电池的电压以及容量的任意一者与所述特性之间的关系，并生成推定模型，所述推定模型根据所述蓄电池的电压以及容量的任意一者与所述特性，来推定所述蓄电池的最大容量以及残存容量的至少一者。
20.一种推定程序，通过计算机来执行，使所述计算机作为如下部件发挥功能：
模型取得部，取得推定模型，该推定模型根据蓄电池的充电以及放电的至少一者中的、在多个条件下的所述蓄电池的电压以及容量的任意一者、以及与所述蓄电池的容量变化及电压变化对应的特性之间的关系，来推定所述蓄电池的最大容量以及残存容量的至少一者；
数据取得部，取得所述蓄电池的电压以及电流的时间序列数据；
计算部，基于所述蓄电池的电压以及电流的时间序列数据来计算所述特性；以及
推定部，使用所述推定模型，根据所述蓄电池的电压以及容量的任意一者与计算出的所述特性，推定所述蓄电池的最大容量以及残存容量的至少一者。
CN201980086400.XA 2018-12-28 2019-10-18 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序 Pending CN113227808A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018-247207 2018-12-28
JP2018247207A JP6881428B2 (ja) 2018-12-28 2018-12-28 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム
PCT/JP2019/041167 WO2020137114A1 (ja) 2018-12-28 2019-10-18 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム

Publications (1)

Publication Number Publication Date
CN113227808A true CN113227808A (zh) 2021-08-06

Family

ID=71128395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980086400.XA Pending CN113227808A (zh) 2018-12-28 2019-10-18 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序

Country Status (5)

Country Link
US (1) US20210325469A1 (zh)
EP (1) EP3904894B1 (zh)
JP (1) JP6881428B2 (zh)
CN (1) CN113227808A (zh)
WO (1) WO2020137114A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114210591A (zh) * 2021-12-02 2022-03-22 格林美股份有限公司 一种基于ic曲线的锂电池梯次利用分选方法及装置

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112152275B (zh) * 2019-06-28 2021-08-31 Oppo广东移动通信有限公司 电池充电方法和装置、电子设备、计算机可读存储介质
JP7082603B2 (ja) * 2019-12-25 2022-06-08 本田技研工業株式会社 機械学習装置、機械学習方法、充電率推定装置、および充電率推定システム
KR20220114915A (ko) * 2021-02-09 2022-08-17 주식회사 엘지에너지솔루션 배터리 진단 장치 및 방법
JP7423583B2 (ja) * 2021-09-30 2024-01-29 横河電機株式会社 診断装置、診断方法及び診断プログラム
CN114280491B (zh) * 2021-12-23 2024-01-05 中山大学 一种基于主动学习的退役电池剩余容量估计方法
WO2023189368A1 (ja) * 2022-03-30 2023-10-05 ヌヴォトンテクノロジージャパン株式会社 蓄電池の劣化推定装置、及び蓄電池の劣化推定方法
JP2023154613A (ja) * 2022-04-07 2023-10-20 株式会社デンソー 電池残量推定装置
JP2023154612A (ja) * 2022-04-07 2023-10-20 株式会社デンソー 電池残量推定装置
KR20230167664A (ko) * 2022-06-02 2023-12-11 주식회사 엘지에너지솔루션 배터리 셀 수명 진단 장치 및 그것의 동작 방법
CN115954992B (zh) * 2023-03-14 2023-05-23 银河航天(西安)科技有限公司 基于马尔科夫链的蓄电池过放保护方法
CN117390015A (zh) * 2023-09-27 2024-01-12 希维科技(广州)有限公司 电池护照的存储方法、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09243716A (ja) * 1996-03-08 1997-09-19 Sanken Electric Co Ltd 二次電池の状態判定方法
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
US20040207367A1 (en) * 2003-04-15 2004-10-21 Denso Corporation Internal condition detection system for a charge accumulating device
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
CN205583754U (zh) * 2016-04-13 2016-09-14 华北电力大学（保定） 基于分组轮换的蓄电池组充放电智能均衡系统
US20170294689A1 (en) * 2014-06-24 2017-10-12 Kabushiki Kaisha Toshiba Battery-system-deterioration control device, and method thereof
CN107273445A (zh) * 2017-05-26 2017-10-20 电子科技大学 一种大数据分析中缺失数据混合多重插值的装置和方法
CN107526038A (zh) * 2016-06-22 2017-12-29 横河电机株式会社 二次电池容量测定系统以及二次电池容量测定方法
US20180095140A1 (en) * 2016-10-05 2018-04-05 Samsung Electronics Co., Ltd. Battery state estimation apparatus and method

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09236641A (ja) * 1995-12-28 1997-09-09 Yazaki Corp バッテリー残量容量計測装置
EP1004032A1 (en) * 1997-06-19 2000-05-31 Snap-On Equipment Limited Battery testing and classification
JP6295858B2 (ja) * 2014-07-02 2018-03-20 日産自動車株式会社 バッテリ管理装置
JP6326452B2 (ja) * 2016-06-15 2018-05-16 本田技研工業株式会社 電池状態推定装置および電池状態推定方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09243716A (ja) * 1996-03-08 1997-09-19 Sanken Electric Co Ltd 二次電池の状態判定方法
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
US20040207367A1 (en) * 2003-04-15 2004-10-21 Denso Corporation Internal condition detection system for a charge accumulating device
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
US20170294689A1 (en) * 2014-06-24 2017-10-12 Kabushiki Kaisha Toshiba Battery-system-deterioration control device, and method thereof
CN205583754U (zh) * 2016-04-13 2016-09-14 华北电力大学（保定） 基于分组轮换的蓄电池组充放电智能均衡系统
CN107526038A (zh) * 2016-06-22 2017-12-29 横河电机株式会社 二次电池容量测定系统以及二次电池容量测定方法
US20180095140A1 (en) * 2016-10-05 2018-04-05 Samsung Electronics Co., Ltd. Battery state estimation apparatus and method
CN107273445A (zh) * 2017-05-26 2017-10-20 电子科技大学 一种大数据分析中缺失数据混合多重插值的装置和方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114210591A (zh) * 2021-12-02 2022-03-22 格林美股份有限公司 一种基于ic曲线的锂电池梯次利用分选方法及装置
CN114210591B (zh) * 2021-12-02 2023-12-22 格林美股份有限公司 一种基于ic曲线的锂电池梯次利用分选方法及装置

Also Published As

Publication number Publication date
EP3904894A1 (en) 2021-11-03
JP2020106470A (ja) 2020-07-09
JP6881428B2 (ja) 2021-06-02
WO2020137114A1 (ja) 2020-07-02
US20210325469A1 (en) 2021-10-21
EP3904894A4 (en) 2022-03-02
EP3904894B1 (en) 2023-03-22

Similar Documents

Publication Publication Date Title
JP6881428B2 (ja) 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム
Sui et al. A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery
Wang et al. A critical review of online battery remaining useful lifetime prediction methods
Lin et al. State of health estimation of lithium-ion battery based on an adaptive tunable hybrid radial basis function network
Liu et al. Future ageing trajectory prediction for lithium-ion battery considering the knee point effect
Su et al. A new hybrid model optimized by an intelligent optimization algorithm for wind speed forecasting
Shen Adaptive online state-of-charge determination based on neuro-controller and neural network
US20160239592A1 (en) Data-driven battery aging model using statistical analysis and artificial intelligence
JP2019510215A (ja) バッテリーの充電状態を推定する方法及びセンサーシステム
Selvaraj et al. A comprehensive review of state of charge estimation in lithium-ion batteries used in electric vehicles
Hu et al. Electrochemical-theory-guided modeling of the conditional generative adversarial network for battery calendar aging forecast
CN104182630A (zh) 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法
Alfi et al. Hybrid state of charge estimation for lithium‐ion batteries: design and implementation
Zhao et al. Battery prognostics and health management from a machine learning perspective
JP2023520970A (ja) リチウム電池のｓｏｃ推定方法、装置及びコンピュータ読み取り可能な記憶媒体
Surendar et al. Estimation of state of charge of a lead acid battery using support vector regression
CN111221375B (zh) Mppt控制方法、装置、光伏发电设备及可读存储介质
Ghaeminezhad et al. Review on state of charge estimation techniques of lithium-ion batteries: A control-oriented approach
De Sousa et al. Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms
Li et al. Multiple layer kernel extreme learning machine modeling and eugenics genetic sparrow search algorithm for the state of health estimation of lithium-ion batteries
US20240149728A1 (en) Methods and systems for an electric vehicle charging connector
Li et al. State-of-health estimation method for fast-charging lithium-ion batteries based on stacking ensemble sparse Gaussian process regression
Zheng et al. Remaining useful life prediction of lithium-ion battery using a hybrid model-based filtering and data-driven approach
Dini et al. Review on modeling and soc/soh estimation of batteries for automotive applications
Chen et al. Data-driven rapid lifetime prediction method for lithium-ion batteries under diverse fast charging protocols

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40058473

Country of ref document: HK