CN113853525A - 二次电池的内阻的推测方法及二次电池的异常检测系统 - Google Patents

二次电池的内阻的推测方法及二次电池的异常检测系统 Download PDF

Info

Publication number
CN113853525A
CN113853525A CN202080037398.XA CN202080037398A CN113853525A CN 113853525 A CN113853525 A CN 113853525A CN 202080037398 A CN202080037398 A CN 202080037398A CN 113853525 A CN113853525 A CN 113853525A
Authority
CN
China
Prior art keywords
secondary battery
data
internal resistance
charging
regenerative charging
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
CN202080037398.XA
Other languages
English (en)
Inventor
齐藤丞
三上真弓
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.)
Semiconductor Energy Laboratory Co Ltd
Original Assignee
Semiconductor Energy Laboratory Co Ltd
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 Semiconductor Energy Laboratory Co Ltd filed Critical Semiconductor Energy Laboratory Co Ltd
Publication of CN113853525A publication Critical patent/CN113853525A/zh
Pending legal-status Critical Current

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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
    • 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
    • B60L58/12—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]
    • B60L58/15—Preventing overcharging
    • 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]
    • 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
    • B60L7/00—Electrodynamic brake systems for vehicles in general
    • B60L7/10—Dynamic electric regenerative braking
    • 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
    • B60L7/00—Electrodynamic brake systems for vehicles in general
    • B60L7/10—Dynamic electric regenerative braking
    • B60L7/18—Controlling the braking effect
    • 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]
    • G01R31/367—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]
    • G01R31/389—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • 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
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/549—Current
    • 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
    • B60L2250/00—Driver interactions
    • B60L2250/16—Driver interactions by display
    • 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
    • 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
    • B60L2260/50—Control modes by future state prediction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • 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

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

安装有二次电池的电动汽车有如下缺点：因为二次电池会劣化，所以知道准确剩余电量是困难的，并且预测剩余电量何时变成0也是困难的。在本发明中，即使二次电池劣化也以高精度推测出内阻。以限制于再生充电结束时间前后的时间范围内的数据群(也称为进行再生充电时的数据)为用于学习或推测的数据。提取并使用这样的限制范围的数据进行学习及推测，由此可以输出精度高的，具体而言，平均错误率为1％以下的内阻值。

Description

二次电池的内阻的推测方法及二次电池的异常检测系统
技术领域
本发明的一个方式涉及一种物品、方法或者制造方法。此外，本发明涉及一种工序(process)、机器(machine)、产品(manufacture)或者组合物(composition of matter)。本发明的一个方式涉及一种半导体装置、显示装置、发光装置、蓄电装置、照明装置、电子设备或其制造方法。另外，本发明的一个方式涉及一种蓄电装置的充电状态推测方法、蓄电装置的充电状态推测系统及异常检测方法。尤其是，本发明的一个方式涉及一种蓄电装置的充电状态推测系统及蓄电装置的异常检测系统。
注意，在本说明书中，蓄电装置是指具有蓄电功能的所有元件以及装置。例如，包括锂离子二次电池等蓄电池(也称为二次电池)、锂离子电容器、镍氢电池、全固态电池及双电层电容器等。
另外，本发明的一个方式涉及一种神经网络及使用神经网络的蓄电装置的异常检测系统。此外，本发明的一个方式涉及一种使用神经网络的车辆。另外，本发明的一个方式涉及一种使用神经网络的电子设备。此外，本发明的一个方式涉及一种设备异常检测系统，该设备异常检测系统不但适用于车辆，而且还可以适用于用来储存从设置在结构体等中的太阳能发电面板等发电设备得到的电力的蓄电装置。
背景技术
作为知道二次电池的状态的特性值有内阻。内阻根据SOC(State Of Charge：荷电状态)而不同。因此，有可能根据内阻值能够推测出SOC。已知：因二次电池的反复充放电而负极表面的覆膜增厚等，这导致内阻的增大。如果能够计算出二次电池的内阻，根据该内阻则可以判定二次电池的劣化程度。在一定条件下进行充放电，否则难以准确地测量出内阻。
近年来，对人工神经网络(以下称为神经网络)等机械学习技术的研究开发日益火热。
专利文献1公开了使用神经网络进行二次电池的剩余电量的运算的例子。
[先行技术文献]
[专利文献]
[专利文献1]美国专利申请公开第2006/0181245号公报
发明内容
发明所要解决的技术问题
安装有二次电池的车辆可以将在刹车等时产生的再生电力充到二次电池(也称为再生充电)，有可能由于过充电而不能适当地使用二次电池。为了预先防止发生过充电及过放电的问题，需要高精度地推测二次电池的剩余电量，即二次电池的SOC。本发明提供一种推测精度高的二次电池的充电状态推测方法或蓄电装置的控制方法。
一般而言，在实际使用安装有二次电池的电动汽车时，即在行驶时或暂时停车时确认剩余电量。在现有方法中，通过二次电池的电压或放电电流的累积确认剩余电量。在使用这个方法的情况下，如果不考虑电池的劣化程度，则与实际的剩余电量之间产生偏离。因此，因二次电池的反复充放电而偏离变大，难以以高精度确认剩余电量。
安装有二次电池的电动汽车有如下缺点：因为二次电池会劣化，所以知道准确剩余电量是困难的，并且预测剩余电量何时变成0也是困难的。目前，在一些情况下，显示充满电时的大致行驶距离，在剩余电量较低时仅显示警告提示，而没有显示可行驶距离。
本发明的课题之一是即使二次电池劣化也以高精度推测内阻。另外，本发明的课题之一是根据内阻以低成本及高精度分析二次电池的剩余电量等的状态。
另外，本发明的课题之一是将内阻的很大变化视为异常而进行异常检测。
在使用神经网络的情况下，根据使用的算法、数据种类、量等而输出值变动，因此不是使用的累积数据越多越可以计算出准确值。
另外，本发明的课题之一是根据在实际使用安装有二次电池的电动汽车时，例如在行驶时或暂时停车等行驶状态下得到的数据推测内阻。
解决技术问题的手段
在车辆中安装二次电池的内阻的推测装置，以便即使二次电池劣化也以高精度推测内阻。
推测装置根据预先取得的学习数据及学习模型推测二次电池的内阻。推测装置至少包括数据处理部及存储部。数据处理部包括CPU(中央处理器)、ROM、RAM等，CPU从存储部或ROM读出根据处理内容的程序并将其展开到RAM，执行展开的程序，由此执行规定处理。
执行用来进行上述推测的神经网络处理的推论用程序的软件的程序可以使用Python、Go、Perl、Ruby、Prolog、Visual Basic、C、C++、Swift、Java(注册商标)、.NET等各种编程语言编写。另外，应用程序可以使用Chainer(可在Python中利用)、Caffe(可在Python及C++中利用)、TensorFlow(可在C、C++及Python中利用)等框架编写。
设置至少执行Python软件的工作环境。可以使用整合GPU(图形处理器)、PMU(电源管理单元)等的一个IC芯片代替CPU。此外，有时将整合CPU和GPU而成的一个芯片称为APU(加速处理器)，也可以使用该APU芯片。另外，还可以使用FPGA(现场可编程逻辑门阵列)。
推测装置被要求以尽量少的数据进行推测而输出精度高的推测值。数据量越少累积的学习数据可以越少，因此可以使用来储存这些数据的存储容量变小。另外，数据量越少越可以缩短运算处理所需要的时间。
在推测装置中，分为进行学习的第一阶段以及进行推测的第二阶段而执行处理。
以限制于再生充电结束时间前后的规定时间范围内的数据群(也称为进行再生充电时的数据)为用于学习或推测的数据。提取并使用这样的限制范围的数据进行学习及推测，由此可以输出精度高的，具体而言平均错误率为1％以下的内阻值。这种学习模型的构建是指学习阶段(学习时期)。
在第一阶段，先取得进行再生充电时的数据，然后根据这些数据构建学习模型。为此，在车辆行驶中减速(或停车)时进行再生充电，然后在再生充电停止至停顿的大约几分钟的期间取得数据。该数据是在再生充电结束时间前后的规定时间范围内取得的。为了学习数据，使用与要推测的车辆的二次电池相同种类的二次电池预先取得温度条件不同且使用劣化程度不同的二次电池时的数据。
然后进到第二阶段，取得在行驶中进行再生充电时的数据(在再生充电结束时间前后的规定时间范围内取得的数据)并执行程序，由此在包括暂时停车等驾驶时可以以高精度输出内阻，根据该内阻可以判定剩余电量、劣化程度等，并且可以进行在确认到内阻的很大变化时将其视为异常的异常检测，本发明还可以构建这样的系统。另外，根据使用学习模型的学习结果得到内阻是指判断阶段(判断时期)。可以使车辆等中安装学习阶段和判断阶段的双方，但是通过预先得到学习结果而至少将判断阶段安装于车辆，驾驶者可以得到内阻。另外，当将行驶中的数据用作学习参数时，通过将学习阶段和判断阶段的双方安装于车辆，驾驶者可以在行驶中更准确地判定剩余电量、劣化程度等，并且可以进行在确认到内阻的很大变化时将其视为异常的异常检测。在二次电池的充电结束后或二次电池的放电中(具体而言，车辆行驶中)可以适当地计算出二次电池的剩余电量。
在使用不进行再生充电时的数据，即只有停顿的数据来进行对比时，精度下降。
将在再生充电结束时间前后的规定时间范围内取得的数据称为进行再生充电时的数据，通过将该进行再生充电时的数据作为学习数据或采集数据，可以以高精度检测内阻。
再生充电是指将向驱动电动机的负载转换为电力而进行锂离子二次电池的充电。
发明人等发现，通过利用在再生充电结束时间前后的规定时间范围内取得的数据可以进行精度高的推测。通过累积这些数据且在学习该数据的神经网络部中进行推论，可以推测内阻。例如，在行驶后暂时停车之后，驾驶者可以确认二次电池的内阻的诊断结果。再生充电在减速或停止时进行，因此在通常的行驶或暂时停车时可以取得数据并进行推测。
另外，也可以有意图地进行再生充电及停顿。在此情况下，也可以另行包括用来取得进行再生充电时的数据的再生充电控制电路。此时，也可以将该再生充电控制电路称为采样电路。在取得数据的时机进行短时间的再生充电，然后停止充电，在充电停止的状态下进行放置(也称为停顿)1分钟，取得再生充电开始至停顿结束的数据。即，暂时裁剪通过减速可以进行再生充电的期间。或者，也可以进行暂时结束再生充电的控制。这些处理是为推测内阻而进行的，暂时停止再生充电且使用短时间的充电停止期间的数据，由此得到精度高的推测值。
另外，在充电停止期间，只要不是急剧的放电，就即使有一定程度的放电也几乎没有给推测值带来的影响。换言之，在充电停止期间也可以因车辆中的显示器或车头灯的点亮而电流被消耗，充电停止期间意味着充电处理的停止而不意味着二次电池的使用停止。
将每暂时停车的时机或车辆的驾驶者想要知道剩余电量等时按下输入按键(物理按键或显示面板的触摸输入按键)的时机作为取得数据的时机。在行驶中按下输入按键时，显示以前暂时停车时的二次电池的内阻值。
本说明书所公开的发明结构是一种二次电池的内阻的推测方法，其中，在至少包括二次电池、推测二次电池的内阻的神经网络部、进行二次电池的充电的充电电路以及进行二次电池的再生充电的再生制动器的电动车辆的驾驶中，因驾驶者使制动器启动而开始二次电池的再生充电，提取电动车辆停止且充电也停止的期间的二次电池的数据，将二次电池的数据输入到已学习完的神经网络部，推测的二次电池的内阻被输出，二次电池的数据是限制于再生充电结束时间前后的规定时间范围内的数据。
在上述结构中，再生充电结束时间前后的规定时间范围包括再生充电中的结束之前的阶段至结束阶段、以及该阶段以后的停顿阶段。该时间范围越小越可以减少数据量，但是如果数据量过少则有可能导致推测值的精度下降。上述时间范围的优选时间为大约几分钟，更优选的是大约1分钟。注意，该时间有时受到电池的种类、数量或再生充电的程度的影响。
另外，在上述结构中，作为使神经网络部学习的数据及二次电池的数据使用选自温度、电压、电力、电流、停顿后的电压中的一个或多个。
另外，根据推测的内阻检测二次电池的异常也是本发明之一。二次电池的异常检测方法的发明结构如下：在至少包括二次电池、推测二次电池的内阻的神经网络部、进行二次电池的充电的充电电路以及进行二次电池的再生充电的再生制动器的电动车辆的驾驶中，因驾驶者使制动器启动而开始二次电池的再生充电，提取电动车辆停止且充电也停止的期间的二次电池的数据，将二次电池的数据输入到已学习完的神经网络部，推测的二次电池的内阻被输出，根据推测的内阻值而与预先记录在存储器中的基准值进行对比来进行异常检测。
在电动车辆中采用使用再生充电的结构以高效地推测内阻，对用于推测的充电没有特别的限制，既可以另行设置用于推测的充电装置，又可以使用来自在启动发动机时使用的启动电池(也被称为起动机电池)的充电。在取得数据的时机，在短时间内从启动电池给锂离子二次电池充电，然后停止充电1分钟而取得数据。此时，可以以预先决定的充电电压、充电电流及充电时间在短时间内进行锂离子二次电池的充电，刚开始驾驶之后也可以进行内阻的推测。
在一定条件下进行充放电，否则难以准确地测量出内阻。但是，在电动汽车等中只有以电池内阻的测量为目的在静止状态下进行充放电试验，并不现实。为了即使温度或充放电电流等条件稍微变动也准确地计算出内阻，使用利用机械学习的上述方法，由此行驶中暂时停车就可以以高精度推测内阻。
通过在预先固定的充电条件及停顿条件下对二次电池进行采样，可以累积其数据并可以根据该数据使用神经网络部进行内阻的推测。预先多次进行采样处理，学习其数据，在行驶中设置采样期间而进行采样处理，由此取得数据。
通过进行内阻的推测，可以进行二次电池的劣化诊断，也可以预测剩余寿命。
发明效果
即使不使用庞大数据也可以以高精度检测内阻。因此，可以缩短运算处理。另外，也可以使用于推测的硬件的规模相对变小。因此，可以将推测装置安装到电动车辆等车辆。
附图简要说明
图1是示出本发明的一个方式的方框图。
图2是示出本发明的一个方式的流程图。
图3是示出本发明的一个方式的流程图。
图4是示出本发明的一个方式的流程图。
图5是示出用于表示本发明的一个方式的推测的数据的一个例子的图表。
图6是记录在用于本发明的一个方式的存储器中的包括源代码的程序的记录的一个例子。
图7是示出表示本发明的一个方式的推测结果与正确数据的对比结果的图表。
图8是用于表示对比例的推测的数据的一个例子的图表。
实施发明的方式
下面，参照附图对本发明的实施方式进行详细说明。注意，本发明不局限于以下说明，所属技术领域的普通技术人员可以很容易地理解一个事实就是其方式和详细内容可以被变换为各种形式。此外，本发明不应该被解释为仅限定在下面的实施方式所记载的内容中。
(实施方式1)
参照图1所示的方框图说明安装到电动汽车等电动车辆的推测装置100的结构的一个例子。
推测装置100是用来推测二次电池101的内阻的装置。
二次电池101的内阻具有温度依赖性，因此使用温度传感器105进行监测。
在二次电池101中，使多个二次电池串联连接或并联连接并设置保护电路，将其作为电池组(也称为组电池)使用。电池组是指为了容易处理二次电池101将多个二次电池与规定电路一起容纳在容器(金属罐、薄膜外包装体)内部。为了管理工作状态，在电池组中设置ECU(电子控制单元)。
在图1中ECU至少包括充电控制电路102、电流表103及电压表104。另外，也可以采用ECU包括神经网络部106的结构。另外，可以另行设置为驾驶支援系统150的ECU，也可以将这些ECU整合成一个。
虽然未图示，但是充电控制电路102连接有用于再生充电的发电机。再生充电是指：在驾驶车辆中脚制动器被操作而引起伴随再生发电的再生制动时二次电池被充电。另外，即使在脚制动器不被操作的情况下，通过不使用加速器而减速来使交流电动机再生发电，也进行再生充电。
神经网络部106利用进行软件运算的微控制器而实现。微控制器是将计算机系统集成到一个集成电路(IC)上而成的。在运算规模或要处理的数据较大时，也可以组合多个IC而构成神经网络部106。另外，在是安装有Linux(注册商标)的微控制器的情况下可以使用自由软件，因此可以缩减构成神经网络部106的总成本，所以是优选的。另外，不局限于Linux(注册商标)，也可以使用其他OS(操作系统)。
以下，示出图1所示的神经网络部106的学习。
在Linux(注册商标)的工作环境下利用Python进行编程。程序被记录在存储器中，由微控制器执行。在本实施方式中，使用Pandas的数据框。Pandas是一种提供便于使用Python的数据分析的功能的库。另外，使用用于警告控制的警告过滤器。采用不输出一致警告的设定。另外，为了在Python上使用Numpy库，读取Numpy。图6示出记录在存储器中的包括源代码的程序的记录。
图6中的In[1]行之下依次显示对应于上述处理的源代码。
接着，读取数据。预先取得数据。图5示出数据的一个例子。图5的数据是一种图表，其中示出在进行再生充电几秒之后停顿60秒时的电压和时间的关系。在数据整体中，以奇数列为测试数据，以偶数列为训练数据。作为数据读取数据文件名“X label.csv”的数据。
图6中的In[2]行之下依次显示对应于上述处理的源代码。
另外，表1示出数据文件名“x_label.csv”的一部分(总共10行)。实际上一共准备143行。温度有20℃、25℃、30℃这三种，按时间序列对再生充电前的电压(V)、功耗(P)、1C的电流(I)、充电停顿后经过60秒时的电压(60secV)、60secV和再生充电前的电压V之差(DeltaV)以及SOH(健康状态：也称为健康度)进行实测来取得数据。注意，使用SOH为1和0.9的两种劣化进度不同的二次电池而取得数据。
[表1]
温度 V 放电电流 I P 60secV DeltaV SOH
20 3.251 3249.882 162.66 10565 3.846 0.595 0.9
25 2.727 3250.56 162.73 8864.3 3.392 0.665 0.9
25 2.947 3251.577 162.66 9582.4 3.545 0.598 0.9
30 3.273 3251.916 162.7 10644 3.625 0.352 1
20 2.619 3252.256 162.94 8517.7 3.376 0.757 0.9
25 3.604 3252.595 162.78 11722 3.945 0.341 1
25 3.128 3252.595 162.66 10174 3.709 0.581 0.9
25 2.871 3252.934 162.8 9339.2 3.348 0.477 1
25 2.717 3253.273 162.6 8839.1 3.388 0.671 0.9
20 3.264 3253.273 162.46 10619 3.853 0.589 0.9
接着，读取数据文件名“y label.csv”的数据。在数据整体中，以奇数列为测试数据，以偶数列为训练数据。
图6中的In[3]行之下依次显示对应于上述处理的源代码。
另外，表2示出数据文件名“y_label.csv”的一部分(总共10行)。实际上一共准备143行。
[表2]
内阻
183
205
184
108
233
105
179
147
206
181
为了生成训练数据及测试数据使用Python的机械学习库scikit-learn(也称为Sklearn)。在此，构建学习模型。
图6中的In[4]行之下依次显示对应于上述处理的源代码。
极限树(ExtraTrees)是随机森林的一种派生。随机森林是机械学习的算法之一，用于分类、回归、聚类，并是以决策树为弱分类器的集成学习算法。
并且，根据学习模型进行学习，输出y的预测值。
图6中的In[5]行之下依次显示对应于上述处理的源代码。
图6中的In[6]行之下依次显示的源代码的程序是用来进行数据的输出及保存处理的。
通过利用图6所示的源代码的程序输出内阻预测值，可以得到精度较高的值。
图7示出利用图6所示的源代码的程序输入包括表1及表2的数据来输出的推测值的图表。在图7中，“答案”表示正确内阻，“预测”表示预测内阻(推测值)。另外，答案和预测的平均误差率为0.82％，这是良好值。误差率是指推测值和正确内阻之差除以正确内阻而得的值的百分比，其总体平均值是平均误差率。
另外，为了对比使用与图5不同的数据，具体而言使用图8所示的不进行再生充电时的数据进行学习及推论，此时的平均误差率为5.97％。
另外，内阻预测值的输出所需要的时间为0.35秒以上且0.4秒以下，可以在短时间内完成运算处理。在运算处理中既可以使用CPU也可以使用GPU，两者的内阻预测值的输出所需要的时间几乎没有差异。另外，执行上述Python程序时所需要的容量大约为100MB。
另外，在运算处理中也可以使用积和运算等，在运算中使用暂时储存数据的存储器，也可以利用包括使用氧化物半导体的晶体管的存储器以降低功耗。在本说明书等中，将在形成沟道的半导体层中包含氧化物半导体的晶体管也称为“OS晶体管”。例如，作为氧化物半导体，可以使用包含铟、元素M(元素M为选自铝、镓、钇、铜、钒、铍、硼、钛、铁、镍、锗、锆、钼、镧、铈、钕、铪、钽、钨和镁等中的一种或多种)和锌中的任一个或多个。尤其是，氧化物半导体优选为包含铟、镓、锌的氧化物半导体。OS晶体管具有关态电流极小的特性。氧化物半导体例如可以利用溅射法或ALD(原子层沉积)法形成。
在神经网络部106中的推测结束之后，可以在判定部107中对比该推测值与基准值来进行异常检测。作为基准值，可以选择预先储存在存储部108的查找表等中的几个基准值之一。记录在查找表中的数据是使对应于输入的输出相关联的数据。另外，该数据包括多个参数的排列，并是对比表的数据。查找表包括用算式等函数使对应于输入的输出相关联的数据。另外，当对比推测值和基准值，两者之差很大而可以判定为异常时，在显示部109上进行异常检测的显示等，这可以是驾驶支援系统150的结构之一。通过将显示部109兼用作汽车导航装置的显示部，在显示地图的同时显示二次电池的异常警告提示(包括状态显示、警告显示等)，可以提醒驾驶者注意。
另外，在本实施方式中，对驾驶者驾驶的车辆进行说明，但是本实施方式不局限于此，也可以用于如下车辆：通过组合拍摄车辆周围的摄像头及雷达与进行图像处理等的ECU可以进行部分自动驾驶的车辆或者可以进行完全自动驾驶的车辆。
(实施方式2)
在本实施方式中，使用图2示出利用实施方式1所示的学习模型及程序显示劣化状态或剩余电量的流程。
发动安装有实施方式1所示的推测装置的电动汽车等电动车辆，开始驾驶。
开始为取得用来预测二次电池的内阻的数据做准备，开始取得数据(S1)。注意，作为温度数据，利用温度传感器经常取得二次电池的周围环境温度。
在车辆行驶或暂时停车时，踩加速踏板就进行放电，不踩加速踏板而减速就进行再生充电。另外，根据交通信号灯的停止信号暂时停车。车辆在到达目的地之前多次进行这些行驶或暂时停车(S2)。交通信号灯的红色信号等下的停车时间大体是1分钟以上且2分30秒以下，因此在红色信号下的停车期间可以取得数据。
可以将满足行驶或暂时停车期间中的几个条件的数据用作学习数据。取得至少进行再生充电且暂时停车的期间的数据。预先决定取得再生充电结束时间前后的规定时间范围内的数据。首先，在进行再生充电时取得数据(S3)。作为这里取得的数据，对再生充电之前的电压进行测量。
接着，在再生充电后停止充电，取得数据(S4)。作为这里取得的数据，对再生充电停止后经过60秒时的电压进行测量。在本实施方式中，再生充电结束时间前后的规定时间范围是大约60秒+再生充电时间(至少为1秒以上)。
使用取得数据以及已学习完的学习模型进行运算(S5)。作为决策树学习，即极限树(ExtraTrees)的算法例如可以使用Sklearn的库之一。
内阻的推测值被输出(S6)。
然后，与记录有对应于温度或劣化程度的基准值的数据的查找表的数据进行对比(S7)。
与查找表的数据的基准值进行对比而显示对应的劣化状态或剩余电量(S8)。
通过至少反复上述S1至S8，可以在行驶或暂时停车时把握二次电池的劣化状态或剩余电量。驾驶者可以确认二次电池的剩余电量，按照二次电池的剩余电量去选择的充电站。另外，也可以根据这些信息由实施方式1所示的驾驶支援系统给驾驶者提供到目的地或充电站的最佳行车路线。
(实施方式3)
在本实施方式中，使用图3示出使用实施方式1所示的学习模型及程序进行异常检测或显示异常警告的流程。注意，与图2相同的部分较多，因此同一步骤由同一符号表示。图3的步骤S1至步骤S6是与图2相同的。
首先，发动安装有实施方式1所示的推测装置的电动汽车等电动车辆，开始驾驶。
开始为取得用来预测二次电池的内阻的数据做准备(S1)。注意，作为温度数据，利用温度传感器经常取得环境温度。
在车辆行驶或暂时停车时，踩加速踏板就进行放电，不踩加速踏板而减速就进行再生充电。另外，根据交通信号灯的停止信号暂时停车。车辆在到达目的地之前多次进行这些行驶或暂时停车(S2)。在充满电后开始行驶的情况下，存在不进行再生充电的期间以防止过充电。
在从充满电状态消耗电力而变为能够进行二次电池的再生充电的状态之后，在进行再生充电时取得数据(S3)。作为这里取得的数据，对再生充电之前的电压进行测量。
另外，在再生充电后停止充电，取得数据(S4)。作为这里取得的数据，对再生充电停止后经过60秒时的电压进行测量。
使用取得数据以及已学习完的学习模型进行运算(S5)。作为极限树的算法例如可以使用Sklearn的库之一。
内阻的推测值被输出(S6)。
然后，对比上一次进行推测而得的推测值的结果与这次推测值来进行判定(S9)。将上一次推测值与这次推测值之差分(绝对值)作为异常判定的基准。作为查找表的数据以与温度对应的方式保存被视为异常检测的差分的大小。
当差分即推测值的变动比查找表的数据大时，判断为异常，为车辆驾驶者等显示异常检测警告(S10)。
另外，当差分即推测值的变动比查找表的数据小时，判断为正常。
如此，通过在行驶中反复上述步骤，可以在进行异常检测的同时继续安全行驶。
另外，本实施方式可以与实施方式2组合。通过利用实施方式2所示的有关内阻的查找表的数据，可以显示对应的劣化状态或剩余电量。此时，在与本实施方式所示的有关推测值的变动的查找表的数据之间有较大的差异时，还可以进行异常检测。
(实施方式4)
在本实施方式中，使用图4示出在行驶中进行数据采集、学习模型的更新以及异常检测的流程。
首先，发动安装有推测装置的电动汽车等电动车辆。本实施方式所示的推测装置至少包括能够储存学习数据的数据库、以及能够进行数据学习模型的更新的硬件。
首先，开始取得数据(S11)。
然后，开始驾驶，在进行再生充电时取得数据(S13)。作为这里取得的数据，对再生充电之前的电压进行测量。
另外，在再生充电后停止充电，取得数据(S14)。作为这里取得的数据，对再生充电停止后经过60秒时的电压进行测量。在本实施方式中，再生充电结束时间前后的规定时间范围是大约60秒+再生充电时间(至少为1秒以上)。
反复进行上述数据取得。
将取得数据累积在数据库中(S12)。在取得用来构建或更新学习模型的数据的阶段更新学习模型(S15)。为了构建利用集成学习算法的模型，将准备的数据集分割为训练数据和测试数据这两种，构建并评价预测模型。只使用训练数据学习变量的关系性，构建一种机械学习模型，其中在被输入某个变量A时返回某个变量B。为了生成训练数据及测试数据使用Python的机械学习库的scikit-learn。
在本实施方式中，示出在行驶的初始阶段进行数据取得的例子，但是没有特别的限制。可以在数据库中预先准备学习数据。例如，取得上次行驶时采集的过去数据或电动车辆的制造商预先取得的学习数据。将这些数据预先记录在数据库中。另外，在本实施方式中使用数据库，但是只要是具有能够储存取得数据的程度的容量的存储器即可。另外，也可以使用外部装置(外部服务器等)直接或用无线间接适当地更新数据库。
结束学习模型的更新就重新开始驾驶(S16)。在本实施方式中，S11至S16可以说是为学习的第一阶段。
此外，以下示出为推测的第二阶段。
多次进行车辆的行驶或暂时停车(S17)。
在进行再生充电时取得数据(S18)。作为这里取得的数据，对再生充电之前的电压进行测量。
另外，在再生充电后停止充电，取得数据(S19)。作为这里取得的数据，对再生充电停止后经过60秒时的电压进行测量。在本实施方式中，再生充电结束时间前后的规定时间范围是大约60秒+再生充电时间(至少为1秒以上)。
使用取得数据以及已学习完的学习模型进行运算(S20)。作为极限树(ExtraTrees)的算法例如可以使用Sklearn的库之一。
内阻的推测值被输出(S21)。
另外，以下示出为异常检测的第三阶段。
对比上一次进行推测而得的推测值的结果与这次推测值来进行判定(S22)。将上一次推测值与这次推测值之差分(绝对值)作为异常判定的基准。作为查找表的数据以与温度对应的方式保存被视为异常检测的差分的大小。
当差分即推测值的变动比查找表的数据大时，判断为异常，为车辆驾驶者等显示异常检测警告(S23)。
另外，当差分即推测值的变动比查找表的数据小时，判断为正常。
如此，通过在行驶中反复上述第一阶段、第二阶段以及第三阶段，可以在进行学习模型的更新和异常检测的同时继续安全行驶。另外，通过使用一定程度少的数据(暂时停车前后的短时间数据)而不使用行驶中的庞大数据，可以降低存储容量及运算量，且可以进行精度高的推测及异常检测。
另外，本实施方式可以与实施方式1至3中的任一个自由地组合。
[符号说明]
100：推测装置、101：二次电池、102：充电控制电路、103：电流表、104：电压表、105：温度传感器、106：神经网络部、107：判定部、108：存储部、109：显示部、150：驾驶支援系统

Claims (4)

1.一种二次电池的内阻的推测方法，
其中，在至少包括所述二次电池、推测所述二次电池的内阻的神经网络部、进行所述二次电池的充电的充电电路以及进行所述二次电池的再生充电的再生制动器的电动车辆的驾驶中，
因驾驶者使制动器启动而开始所述二次电池的再生充电，提取所述电动车辆停止且充电也停止的期间的所述二次电池的数据，
将所述二次电池的数据输入到已学习完的所述神经网络部，推测的所述二次电池的内阻被输出，
并且，所述二次电池的数据是限制于所述再生充电结束时间前后的规定时间范围内的数据。
2.根据权利要求1所述的二次电池的内阻的推测方法，
其中所述再生充电结束时间前后的规定时间范围包括再生充电中的结束之前的阶段至结束阶段、以及该阶段以后的停顿阶段。
3.根据权利要求1或2所述的二次电池的内阻的推测方法，
其中作为使所述神经网络部学习的数据及所述二次电池的数据使用选自温度、电压、电力、电流、停顿后的电压中的一个或多个。
4.一种二次电池的异常检测方法，
其中，在至少包括所述二次电池、推测所述二次电池的内阻的神经网络部、进行所述二次电池的充电的充电电路以及进行所述二次电池的再生充电的再生制动器的电动车辆的驾驶中，
因驾驶者使制动器启动而开始所述二次电池的再生充电，提取所述电动车辆停止且充电也停止的期间的所述二次电池的数据，
将所述二次电池的数据输入到已学习完的所述神经网络部，推测的所述二次电池的内阻被输出，
并且，根据所述推测的内阻值而与预先记录在存储器中的基准值进行对比来进行异常检测。
CN202080037398.XA 2019-05-24 2020-05-15 二次电池的内阻的推测方法及二次电池的异常检测系统 Pending CN113853525A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019097257 2019-05-24
JP2019-097257 2019-05-24
PCT/IB2020/054599 WO2020240324A1 (ja) 2019-05-24 2020-05-15 二次電池の内部抵抗の推定方法及び二次電池の異常検知システム

Publications (1)

Publication Number Publication Date
CN113853525A true CN113853525A (zh) 2021-12-28

Family

ID=73553575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080037398.XA Pending CN113853525A (zh) 2019-05-24 2020-05-15 二次电池的内阻的推测方法及二次电池的异常检测系统

Country Status (5)

Country Link
US (1) US11906594B2 (zh)
JP (1) JPWO2020240324A1 (zh)
KR (1) KR20220012236A (zh)
CN (1) CN113853525A (zh)
WO (1) WO2020240324A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230057894A (ko) * 2021-10-22 2023-05-02 주식회사 엘지에너지솔루션 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
US20230311882A1 (en) * 2022-03-29 2023-10-05 Lenovo (United States) Inc. Assisting one-pedal driving

Family Cites Families (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001228222A (ja) * 2000-02-16 2001-08-24 Honda Motor Co Ltd 蓄電装置の残容量検出装置
JP2001233065A (ja) 2000-02-25 2001-08-28 Sony Corp 非水電解液二次電池の充電方法
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
US7174207B2 (en) 2004-09-23 2007-02-06 Quallion Llc Implantable defibrillator having reduced battery volume
US7554296B2 (en) 2005-02-14 2009-06-30 Denso Corporation Method and apparatus for detecting charged state of secondary battery based on neural network calculation
US7535201B2 (en) 2006-10-05 2009-05-19 Densei-Lambda Kabushiki Kaisha Uninterruptible power supply system
JP2009146843A (ja) * 2007-12-18 2009-07-02 Panasonic Corp 蓄電装置
JP5331493B2 (ja) * 2009-01-13 2013-10-30 日立ビークルエナジー株式会社 電池制御装置
WO2010106588A1 (ja) 2009-03-16 2010-09-23 新神戸電機株式会社 蓄電装置及びそれに用いられる電子回路装置
JP5234179B2 (ja) 2009-06-02 2013-07-10 トヨタ自動車株式会社 電動車両の電源システムおよびその制御方法
JP2011019328A (ja) 2009-07-08 2011-01-27 Toshiba Corp 蓄電装置システムおよび蓄電装置出力制限方法
JP5568023B2 (ja) 2011-01-12 2014-08-06 株式会社日立製作所 非水電解液電池
CN103620910B (zh) 2011-06-21 2016-01-20 丰田自动车株式会社 蓄电装置用的充电装置和搭载该充电装置的车辆
RU2561162C1 (ru) 2011-10-07 2015-08-27 Тойота Дзидося Кабусики Кайся Система зарядки транспортного средства и способ зарядки транспортного средства
CN103988346A (zh) 2011-12-06 2014-08-13 丰田自动车株式会社 全固体电池
WO2013115244A1 (ja) 2012-02-01 2013-08-08 日本電気株式会社 充電時間予測装置、充電時間予測方法、及びプログラム
US9081068B2 (en) 2012-09-18 2015-07-14 Apple Inc. Method and apparatus for determining a capacity of a battery
CN104662766B (zh) 2012-09-21 2018-04-10 日产自动车株式会社 充电状态运算装置以及充电状态运算方法
RU2016151623A (ru) 2012-12-18 2018-11-15 Нуклеас Сайнтифик Инк. Идентификация нелинейной системы для оптимизации беспроводной передачи энергии
JP5929778B2 (ja) 2013-02-15 2016-06-08 株式会社豊田自動織機 充電率推定装置および充電率推定方法
JP5812032B2 (ja) 2013-03-22 2015-11-11 トヨタ自動車株式会社 蓄電システム及び蓄電装置の満充電容量推定方法
JP2014186007A (ja) 2013-03-25 2014-10-02 Toyota Motor Corp 蓄電システム、制御装置及び異常検出方法
JP5959566B2 (ja) 2014-04-10 2016-08-02 三菱電機株式会社 蓄電池の制御装置
JP6055960B1 (ja) 2015-02-19 2016-12-27 三菱電機株式会社 電池状態推定装置
JP6763376B2 (ja) 2015-05-25 2020-09-30 日本電気株式会社 蓄電池制御装置、蓄電システム、制御方法及びコンピュータ可読媒体
JP6314933B2 (ja) * 2015-07-31 2018-04-25 トヨタ自動車株式会社 ハイブリッド車両
JP6459847B2 (ja) 2015-08-20 2019-01-30 トヨタ自動車株式会社 充電制御装置
JP6578815B2 (ja) 2015-08-21 2019-09-25 株式会社Ｇｓユアサ 二次電池の性能推定装置および二次電池の性能推定方法
KR102515829B1 (ko) 2015-11-02 2023-03-29 삼성전자주식회사 배터리 초기값 추정 장치 및 방법
US10023064B2 (en) * 2016-03-10 2018-07-17 Ford Global Technologies, Llc Power capability estimation for vehicle battery systems
KR20180037760A (ko) 2016-10-05 2018-04-13 삼성전자주식회사 배터리 상태 추정 장치 및 방법
KR20180085165A (ko) 2017-01-18 2018-07-26 삼성전자주식회사 배터리 관리 방법 및 장치
US11215675B2 (en) 2017-04-17 2022-01-04 The Regents Of The University Of Michigan Method to estimate battery health for mobile devices based on relaxing voltages
JPWO2018215864A1 (ja) 2017-05-22 2020-04-09 株式会社半導体エネルギー研究所 充電制御システム、及び充電制御装置
CN107037375B (zh) 2017-05-23 2020-07-24 北京新能源汽车股份有限公司 电池直流内阻测量方法及装置
CN110870130B (zh) 2017-07-19 2022-08-12 三菱电机株式会社 蓄电池系统充电控制装置、蓄电池系统以及蓄电池充电控制方法
US10830827B2 (en) 2017-07-28 2020-11-10 Northstar Battery Company, Llc Operating conditions information system for an energy storage device
KR102443338B1 (ko) 2017-09-12 2022-09-15 현대자동차주식회사 배터리 충전 제어방법 및 시스템
US11313910B2 (en) 2017-09-14 2022-04-26 Semiconductor Energy Laboratory Co., Ltd. Anomaly detection system and anomaly detection method for a secondary battery
JP6982445B2 (ja) 2017-09-20 2021-12-17 株式会社東芝 電池評価装置、電池制御装置、電池評価方法、電池評価プログラム、制御回路及び蓄電システム。
US11480621B2 (en) 2017-11-02 2022-10-25 Semiconductor Energy Laboratory Co., Ltd. Capacity estimation method and capacity estimation system for power storage device
US10723239B2 (en) 2018-06-29 2020-07-28 Ford Global Technologies, Llc Multi-outlet vehicle charge device and control strategy
JP6973334B2 (ja) * 2018-08-30 2021-11-24 トヨタ自動車株式会社 二次電池の劣化状態推定方法および二次電池システム
JP2020060453A (ja) 2018-10-10 2020-04-16 本田技研工業株式会社 導出装置、導出方法、及びプログラム
KR102392399B1 (ko) 2018-12-21 2022-04-28 주식회사 엘지에너지솔루션 이차 전지의 스텝 충전 제어 장치 및 방법

Also Published As

Publication number Publication date
US11906594B2 (en) 2024-02-20
WO2020240324A1 (ja) 2020-12-03
KR20220012236A (ko) 2022-02-03
JPWO2020240324A1 (zh) 2020-12-03
US20220260643A1 (en) 2022-08-18

Similar Documents

Publication Publication Date Title
US11740294B2 (en) High use battery pack maintenance
CN104890526B (zh) 车辆、系统和方法
US11774503B2 (en) Battery life learning device, battery life prediction device, method and non-transitory computer readable medium
CN107953786B (zh) 锂离子二次电池容量恢复系统
WO2019017991A1 (en) PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS
US20190250215A1 (en) System and method for estimating state of health using battery model parameter
US20190212392A1 (en) Method of predicting time for charging battery of eco-friendly vehicle
WO2022105070A1 (zh) 利用机器学习模型预测电池健康状况的方法和系统
JP2007074891A (ja) パワートレイン用の電池寿命予知装置及び電池寿命警告装置
CN104931889A (zh) 用于确定电池系统性能退化的系统及方法
CN109724812B (zh) 车辆故障预警的方法、装置、存储介质和终端设备
US11653127B2 (en) Monitoring voltage measurements for a vehicle battery
CN112345956A (zh) 一种电池组荷电状态检测方法和装置
EP4005862A1 (en) Method and system for detecting faults in a charging infrastructure system for electric vehicles
CN111751751A (zh) 寿命预测装置、寿命预测方法及存储介质
CN113853525A (zh) 二次电池的内阻的推测方法及二次电池的异常检测系统
CN111755762A (zh) 选定装置、选定方法及存储介质
US20240192276A1 (en) System and method for determining a battery condition
WO2021088216A1 (zh) 电池组荷电状态数据检测方法、装置、介质、终端及汽车
CN108845267B (zh) 一种动力电池的数据处理方法和装置
US20230324463A1 (en) Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods
US20230314517A1 (en) Battery state analysis system and battery state analysis method
CN116080470A (zh) 电动汽车的动力电池监控方法、装置、服务器及介质
CN114545269A (zh) 用于确定电储能器的状态变量的方法和装置
CN114930608A (zh) 判定装置、劣化判定系统、作业辅助装置、劣化判定方法以及计算机程序

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