CN115047368A - 状态估计模型的学习方法、状态估计方法和状态估计装置 - Google Patents

状态估计模型的学习方法、状态估计方法和状态估计装置 Download PDF

Info

Publication number
CN115047368A
CN115047368A CN202210142263.0A CN202210142263A CN115047368A CN 115047368 A CN115047368 A CN 115047368A CN 202210142263 A CN202210142263 A CN 202210142263A CN 115047368 A CN115047368 A CN 115047368A
Authority
CN
China
Prior art keywords
time
current
state estimation
series data
secondary battery
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
CN202210142263.0A
Other languages
English (en)
Inventor
鱼岛稔
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.)
Honda Motor Co Ltd
Original Assignee
Honda Motor 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 Honda Motor Co Ltd filed Critical Honda Motor Co Ltd
Publication of CN115047368A publication Critical patent/CN115047368A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • 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
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage 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]
    • G01R31/389—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

Landscapes

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

Abstract

提供状态估计模型的学习方法、状态估计方法和状态估计装置。在具有各种电特性的二次电池的工作中高精度地估计二次电池的状态(充电率和劣化度)。包含如下步骤：按规定时间间隔测定二次电池的包含端子电流和端子电压的状态变量；对状态变量进行预处理而计算状态估计输入数据；通过机器学习使状态估计模型学习状态估计输入数据与二次电池的充电率及/或劣化度之间的关系，在计算的步骤中，计算端子电压的电压差分相对于端子电流的电流差分的变化率即差分梯度，生成状态估计输入数据，该状态估计输入数据包含差分梯度、开路电压、从规定时间过去到当前的开路电压的变化量、差分梯度的变化量和端子电流的累计电流值各自的时间序列数据。

Description

状态估计模型的学习方法、状态估计方法和状态估计装置
技术领域
本发明涉及对工作中的二次电池的状态进行估计的状态估计模型的学习方法、状态估计方法和状态估计装置。
背景技术
能够通过充电而反复使用的蓄电池即二次电池在电动汽车、电动自行车等移动体或建筑物等中被广泛使用。在使用这些二次电池时，为了掌握适当的充电时机和更换时机等，适当掌握该二次电池的状态是重要的。这里，二次电池的状态是指SOC(充电率、剩余容量、State Of Charge(电荷状态))及/或SOH(劣化度、State Of Health(健康状态))。
以往，已知如下技术：使用2个神经网络，以实时且准确地自动判定工作中的二次电池的劣化状态和SOC(专利文献1)。在该技术中，使用如下的第1神经网络和第2神经网络，该第1神经网络以根据二次电池的工作参数(电压V，电流I，内部阻抗Z，温度T)的计测值的时间序列的组合而估计该二次电池的劣化状态D(“正常”、“注意”、“劣化”的区别)的方式进行学习而得到的，该第2神经网络是以根据上述工作参数的计测值和上述估计出的劣化状态D来估计上述二次电池的SOC的方式进行学习而得到的。
另一方面，二次电池的电特性例如SOC-OCV(开路电压，Open Circuit Voltage)特性、内部阻抗特性及/或这些特性对SOH的依存性可能根据该二次电池的制造厂商及/或型号而各不相同。因此，二次电池的电压V、电流I及内部阻抗Z与SOC及/或SOH(以下，SOC等)之间的关系大多依赖于该二次电池的制造厂商、型号而大不相同。
因此，在进行神经网络的学习时将二次电池的电压V、电流I、内部阻抗Z和温度的计测值直接向神经网络输入的上述现有技术中，决定应设为估计对象的二次电池(对象二次电池)的一个厂商和型号，使用与其厂商相同且型号相同的二次电池收集该神经网络的学习数据。
而且，这样学习得到的上述现有的神经网络虽然能够针对与被作为估计对象的二次电池同一厂商且同一型号的二次电池高精度地估计SOC等，但是，难以将电特性不同的各种厂商及/或型号的二次电池作为估计对象而高精度地估计它们的SOC等。
然而，例如在估计车辆的工作中的二次电池的状态估计时，如果能够使用共同的一个或一组估计模型(例如，神经网络)高精度地估计各种厂商和型号的二次电池的SOC等，则使用的二次电池的选择范围变大，是方便的。
现有技术文献
专利文献
专利文献1：日本特开2003-249271号公报
发明内容
发明要解决的问题
本发明是鉴于上述情况而完成的，其目的在于，在厂商或型号不同的具有各种电特性的二次电池的工作中高精度地估计这些二次电池的充电率(SOC)及/或劣化度(SOH)。
用于解决问题的手段
本发明的一个方式是一种二次电池的状态估计模型的学习方法，其是对连接有负载或充电器的工作中的二次电池的充电率及/或劣化度进行估计的状态估计模型的基于机器学习的学习方法，其中，所述二次电池的状态估计模型的学习方法包括如下步骤：按照规定的时间间隔来测定所述工作中的二次电池的包含端子电流和端子电压的状态变量；对所述状态变量进行预处理而计算状态估计输入数据；以及通过机器学习，使所述状态估计模型学习所述状态估计输入数据与所述工作中的二次电池的充电率及/或劣化度之间的关系，在所述进行计算的步骤中，根据所述端子电流的时间序列数据和所述端子电压的时间序列数据，计算所述端子电流的差分即电流差分以及所述端子电压的差分即电压差分，基于所述电流差分的时间序列数据和所述电压差分的时间序列数据，计算从自当前追溯了第1规定时间的过去到当前为止的期间内的所述电压差分相对于所述电流差分的变化率即差分梯度，生成如下的所述状态估计输入数据，该状态估计输入数据包含：所述差分梯度的时间序列数据；所述工作中的二次电池的开路电压的时间序列数据；从当前的所述开路电压减去从当前追溯了第2规定时间的过去的所述开路电压而得到的开路电压变化量的时间序列数据；从当前的所述差分梯度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量的时间序列数据；以及在从自当前追溯了所述第2规定时间的过去到当前为止的期间内连续取得的所述端子电流的值的总和即累计电流值的时间序列数据。
根据本发明的另一方式，所述状态估计输入数据还包含所述端子电流的时间序列数据。
根据本发明的另一方式，在所述进行计算的步骤中，将所述端子电流的时间序列数据和所述端子电压的时间序列数据、以及所述差分梯度的时间序列数据用作电压估计输入数据，估计所述工作中的二次电池的开路电压，使用估计出的所述开路电压计算所述状态估计输入数据。
根据本发明的另一方式，所述差分梯度是使用最小二乘法来计算的。
根据本发明的另一方式，所述电流差分和所述电压差分分别是所述端子电流的时间序列数据的四阶差分和所述端子电压的时间序列数据的四阶差分。
根据本发明的另一方式，所述状态估计模型由RNN(循环神经网络)构成。
根据本发明的另一方式，构成所述状态估计模型的RNN的中间层由LSTM(长短期记忆)或GRU(门控递归单元)构成。
根据本发明的另一方式，所述状态估计模型由一维CNN(卷积神经网络)构成。
根据本发明的另一方式，所述状态估计模型是通过使用针对连接有负载或充电器的电特性不同的多个二次电池的各个二次电池的包含端子电流和端子电压的状态变量的时间序列数据进行的学习而生成的。
本发明的另一方式是一种二次电池的状态估计方法，其中，所述二次电池的状态估计方法包含以下步骤：按照规定的时间间隔来测定连接有负载或充电器的工作中的二次电池的包含端子电流和端子电压的状态变量；对所述状态变量进行预处理而计算状态估计输入数据；以及使用基于上述任意的二次电池的状态估计模型的学习方法得到的学习完毕的状态估计模型，根据所述状态估计输入数据估计所述工作中的二次电池的当前的充电率及/或劣化度，在所述进行计算的步骤中，根据所述端子电流的时间序列数据和所述端子电压的时间序列数据，计算所述端子电流的差分即电流差分和所述端子电压的差分即电压差分，基于所述电流差分的时间序列数据和所述电压差分的时间序列数据，计算从自当前追溯了第1规定时间的过去到当前为止的期间内的、所述电压差分相对于所述电流差分的变化率即差分梯度，生成如下的所述状态估计输入数据，该状态估计输入数据包含：所述差分梯度的时间序列数据；所述工作中的二次电池的开路电压的时间序列数据；从当前的所述开路电压减去从当前追溯了第2规定时间的过去的所述开路电压而得到的开路电压变化量的时间序列数据；从当前的所述差分梯度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量的时间序列数据；以及在从自当前追溯了所述第2规定时间的过去到当前为止的期间内连续取得的所述端子电流的值的总和即累计电流值的时间序列数据。
本发明的另一方式是一种二次电池的状态估计装置，该二次电池的状态估计装置具有：状态观测部，其按照规定的时间间隔来测定工作中的二次电池的包含端子电流和端子电压的状态变量；预处理部，其对所述状态观测部测定出的状态变量进行预处理而计算状态估计输入数据；以及状态估计部，其使用基于上述任意的二次电池的状态估计模型的学习方法得到的学习完毕的状态估计模型，根据所述状态估计输入数据估计所述工作中的二次电池的当前的充电率及/或劣化度，其中，所述预处理部进行以下处理，根据所述状态观测部取得的所述端子电流的时间序列数据和所述端子电压的时间序列数据，计算所述端子电流的差分即电流差分和所述端子电压的差分即电压差分，基于所述电流差分的时间序列数据和所述电压差分的时间序列数据，计算从自当前追溯了第1规定时间的过去到当前为止的期间内的、所述电压差分相对于所述电流差分的变化率即差分梯度，生成如下的所述状态估计输入数据，该状态估计输入数据包含：所述差分梯度的时间序列数据；所述工作中的二次电池的开路电压的时间序列数据；从当前的所述开路电压减去从当前追溯了第2规定时间的过去的所述开路电压而得到的开路电压变化量的时间序列数据；从当前的所述差分梯度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量的时间序列数据；以及在从自当前追溯了所述第2规定时间的过去到当前为止的期间内连续取得的所述端子电流的值的总和即累计电流值的时间序列数据。
发明的效果
根据本发明，能够在厂商或型号不同的具有各种电特性的二次电池的工作中高精度的估计这些二次电池的充电率(SOC)及/或劣化度(SOH)。
附图说明
图1是示出本发明的第1实施方式的状态估计模型的学习方法的步骤的流程图。
图2是示出执行图1所示的状态估计模型的学习方法的机器学习装置的结构的图。
图3是示出图1所示的状态估计模型的学习方法中的计算状态估计输入数据的步骤中的详细处理的流程图。
图4是用于对图3所示的处理中的电流差分的计算进行说明的图。
图5是用于对图3所示的处理中的电压差分的计算进行说明的图。
图6是用于对图3所示的处理中的差分梯度的计算进行说明的图。
图7是是用于针对图3所示的处理中的累计电流值、开路电压变化和差分梯度变化量的计算而进行说明的图。
图8是示出图2所示的机器学习装置的模型学习部生成的开路电压估计模型的结构的一例的图。
图9是示出图2所示的机器学习装置的模型学习部生成的状态估计模型的结构的一例的图。
图10是示出使用学习完毕的开路电压估计模型和状态估计模型进行的二次电池的状态估计的例子的图。
图11是示出本发明的第2实施方式的状态估计方法的步骤的流程图。
图12是示出执行图11所示的状态估计方法的状态估计装置的结构的图。
图13是图12所示的状态估计装置所具有的处理装置的功能框图。
附图标记说明
100：机器学习装置；102、404：二次电池；104：充电器；106：负载；108：切换开关；110、406：特性测定器；112：学习管理装置；120、420、440：处理装置；122、428、448：存储装置；124、430：开路电压估计模型；126、432：状态估计模型；130：状态变量测定部；132：输入数据生成部；134：模型学习部；200：近似直线；300、310：输入层；302、312：中间层；304、314：输出层；400：状态估计装置；402：车辆；408：通电控制器；410：旋转电机；412：外部充电装置；414：行驶控制装置；422：状态观测部；424：预处理部；426：状态估计部；442：马达控制部；444：充电控制部；446：通知控制部；450：显示装置；452：油门踏板传感器；454：制动踏板传感器；456：車速传感器；500、502、504、506、508、510；512、514、516、518：处理；600、602、604、606：线。
具体实施方式
本发明的发明人发现至少在相同种类的二次电池(例如，种类同为“锂离子电池”的二次电池)之间，在二次电池的端子电流及端子电压的变化的变化方式即高阶的变化方式与二次电池的内部状态(OCV、SOC及/或SOH)之间存在相关性。而且，发明人得到如下见解：将端子电压的时间序列数据的差分(电压差分)相对于端子电流的时间序列数据的差分(电流差分)的变化率(后述的差分梯度)用作表现二次电池的端子电流及端子电压的高阶的变化方式的参数，将其作为模型(例如神经网络)的输入，由此，可生成能够高精度地估计厂商或型号不同的具有各种电特性的二次电池的状态的模型。本申请发明是基于这样的卓越见解而得到的。
以下，参照附图对本发明的实施方式进行说明。
[第1实施方式]
图1是示出本发明的第1实施方式的二次电池的状态估计模型的学习方法的步骤的图。该状态估计模型的学习方法包括如下步骤：按照规定的时间间隔来测定连接有负载或充电器的工作中的二次电池的包含端子电流和端子电压的状态变量的步骤(S100)；以及对测定出的状态变量进行预处理而计算状态估计输入数据的步骤(S102)。此外，该开路电压估计模型的学习方法包括通过机器学习使状态计模型学习上述状态估计输入数据与作为上述工作中的二次电池的状态的充电率及/或劣化度之间的关系的步骤(S104)。
图2是示出执行图1所示的状态估计模型的学习方法的学习管理装置和机器学习装置的结构的一例的图。学习管理装置和机器学习装置进行用于估计二次电池的开路电压的开路电压估计模型的机器学习。状态估计模型和开路电压估计模型例如由神经网络构成。学习管理装置112对上述机器学习时的二次电池102的动作进行控制，并且，计算作为示教数据的开路电压、SOC和SOH的实测值并提供给机器学习装置100。
二次电池102通过充电器104进行充电，并通过向负载106进行通电而放电。充电器104例如是直流电源，负载106例如是马达。关于选择是对二次电池102进行来自充电器104的充电还是对二次电池102进行向负载106的放电，是通过切换开关108而进行的。在切换开关108与二次电池102之间插入有特性测定器110。
特性测定器110测定二次电池102的规定的状态变量的当前值。规定的状态变量能够包含二次电池102的端子电压Vte、端子电流Ite、内部阻抗Z、以及二次电池102的壳体表面的温度T(℃)。这里，能够按照现有技术，例如通过向二次电池102输入作为测定信号的交流电流来测定内部阻抗Z。
二次电池102的端子电流Ite在二次电池102的放电时取正值，在充电时取负值。
[1.学习管理装置]
学习管理装置112控制二次电池102的充放电，并且，生成开路电压估计模型和状态估计模型的学习用的示教数据并向机器学习装置100输出。学习管理装置112例如是计算机，根据来自操作员的指示而开始动作，进行针对充电器104的开始及停止电源输出的指示、以及针对切换开关108的切换动作的指示。
该学习管理装置112按照规定的时间间隔，从特性测定器110取得充电时和放电时的二次电池102的端子电流Ite、端子电压Vte以及内部阻抗Z。
学习管理装置112根据上述取得的端子电流Ite、端子电压Vte以及内部阻抗Z来计算二次电池102的开路电压Voc，生成开路电压Voc的时间序列数据。该开路电压Voc的时间序列数据被用作后述的机器学习装置100执行的开路电压估计模型的学习时的示教数据。
此外，学习管理装置112基于上述取得的端子电压Vte和端子电流Ite的时间序列数据，来计算将二次电池102充电到极限时的充电量(满充电量)和当前的充电量。在本实施方式中，SOH是上述满充电量(单位Ah)，SOC是当前的充电量与上述满充电量之比(％)。
[2.机器学习装置]
机器学习装置100具备处理装置120和存储装置122。存储装置122例如由易失性及/或非易失性的半导体存储器及/或硬盘装置等构成。存储装置122存储由后述的模型学习部134生成的开路电压估计模型124和状态估计模型126。
处理装置120例如是具备CPU(Central Processing Unit：中央处理单元)等处理器的计算机。处理装置120也可以为具有被写入程序的ROM(Read Only Memory：只读存储器)、用于暂时存储数据的RAM(Random Access Memory：随机存取存储器)等的结构。而且，处理装置120具备状态变量测定部130、输入数据生成部132以及模型学习部134作为功能要素或功能单元。
处理装置120所具备的这些功能要素例如通过作为计算机的处理装置120执行程序来实现。另外，上述计算机程序能够预先存储在计算机可读取的任意的存储介质中。取而代之，也能够将处理装置120所具备的上述功能要素的全部或一部分分别由包含一个以上的电子电路部件的硬件构成。
[2.1状态变量测定部的功能]
状态变量测定部130执行图1所示的步骤S100。具体而言，状态变量测定部130按照规定的时间间隔，从特性测定器110取得连接有负载106或充电器104的二次电池102的包含端子电流Ite和端子电压Vte的状态变量。由此，状态变量测定部130按照规定的时间间隔来测定状态变量。状态变量测定部130还可以按照上述规定的时间间隔，测定二次电池102的温度T作为状态变量。
[2.2输入数据生成部的功能]
输入数据生成部132基于由状态变量测定部130取得的端子电流Ite和端子电压Vte，生成用于开路电压估计模型124的学习的电压估计输入数据。此外，输入数据生成部132例如在开路电压估计模型124的学习完成后，执行图1所示的步骤S102，还使用学习完毕的开路电压估计模型124来生成用于状态估计模型126的学习的状态估计输入数据。
[2.2.1电压估计输入数据的生成]
电压估计输入数据是输入数据生成部132为了开路电压估计模型124的学习而生成的向该开路电压估计模型124输入的输入数据。
具体而言，首先，输入数据生成部132根据端子电流Ite的时间序列数据和端子电压Vte的时间序列数据，计算端子电流Ite的差分即电流差分δIte和端子电压Vte的差分即电压差分δVte。在本实施方式中，电流差分δIte和电压差分δVte分别是端子电流Ite的时间序列数据的四阶差分Δ4Ite和端子电压Vte的时间序列数据的四阶差分Δ4Vte。
此外，输入数据生成部132基于上述计算出的电流差分δIte的时间序列数据和电压差分δVte的时间序列数据，计算从自当前追溯了规定时间T1的过去到当前为止的期间内的、电压差分δVte相对于电流差分δIte的变化率即差分梯度Sdiff。
另外，关于电流差分δIte、电压差分δVte和差分梯度Sdiff的计算，在针对后面叙述的状态估计输入数据的说明中详细叙述。
而且，输入数据生成部132例如生成从自当前追溯了规定时间T2的过去到当前为止的期间内的、包含下面3个时间序列数据的电压估计输入数据，作为用于开路电压估计模型124的学习的输入数据。
端子电流Ite的时间序列数据
端子电压Vte的时间序列数据
差分梯度Sdiff的时间序列数据
[2.2.2状态估计输入数据的生成]
状态估计输入数据是输入数据生成部132在图1所示的学习方法的步骤S102中生成的向状态估计模型126输入的输入数据。另外，在开路电压估计模型的学习完成后执行上述步骤S102中的状态估计输入数据的生成。
图3是示出图1中的计算状态估计输入数据的步骤S102中的详细处理的流程图。在计算状态估计输入数据的步骤S102中，输入数据生成部132首先根据端子电流Ite的时间序列数据和端子电压Vte的时间序列数据，计算端子电流Ite的差分即电流差分δIte和端子电压Vte的差分即电压差分δVte(S200)。接着，输入数据生成部132计算从自当前追溯了规定时间T1的过去到当前为止的期间内的电压差分δVte相对于电流差分δIte的变化率即差分梯度Sdiff(S202)。
此外，输入数据生成部132将端子电流Ite、端子电压Vte和差分梯度Sdiff的、从自当前追溯了规定时间T2的过去到当前为止的期间的时间序列数据输入到开路电压估计模型430，估计当前的开路电压Voc(S204)。接着，输入数据生成部132计算在从自当前追溯了规定时间T3的过去到当前为止的期间内测定的端子电流Ite的总和即累计电流值ΣIte(S206)。接着，输入数据生成部132从当前的开路电压Voc减去从当前追溯了规定时间T3的过去的开路电压Voc，来计算开路电压变化量Dvoc(S208)。
接着，输入数据生成部132从当前的差分梯度Sdiff减去从自当前追溯了规定时间T3的过去的差分梯度Sdiff，来计算差分梯度变化量Dsd(S210)。
然后，输入数据生成部132例如生成从自当前追溯了规定时间T4的过去到当前为止的期间内的、包含下面5个时间序列数据的状态估计输入数据(S212)，结束处理。
差分梯度Sdiff的时间序列数据
开路电压Voc的时间序列数据
累计电流值ΣIte的时间序列数据
开路电压变化量Dvoc的时间序列数据
差分梯度变化量Dsd的时间序列数据
以下，对电流差分δIte、电压差分δVte、差分梯度Sdiff、累计电流值ΣIte、开路电压变化量Dvoc和差分梯度变化量Dsd以及电压估计输入数据和状态估计输入数据的具体的计算方法进行说明。
[2.2.2.1电流差分δIte的计算]
图4是用于对电流差分δIte的计算进行说明的图。在图4所示的表中，将最左列设为第1列，向右依次为第2列、第3列、……第6列。图4的表的第1列表示状态变量测定部130按照时间间隔dt反复取得端子电流Ite的时刻或该时刻的索引(编号)。第2列是端子电流Ite的时间序列数据，表示在各个时刻取得的端子电流Ite。
第3列、第4列、第5列及第6列分别表示根据第2列的端子电流Ite而计算的端子电流Ite的一阶差分Δ1Ite、二阶差分Δ2Ite、三阶差分Δ3Ite、以及四阶差分Δ4Ite。
当前时刻tn的h阶差分ΔhIte(tn)(h＝1，2，……4)通过下式来计算。
ΔhIte(tn)＝Δh-1Ite(tn)-Δh-1Ite(tn-1)
这里，h＝1、2、3、4。此外，设Δ0Ite(tn)＝Ite(tn)。
即，时刻tn的一阶差分Δ1Ite(tn)是从时刻tn的端子电流Ite(tn)减去时刻tn-1的端子电流Ite(tn-1)而计算的。此外，时刻tn的二阶差分Δ2Ite(tn)是从时刻tn的一阶差分Δ1Ite(tn)减去时刻tn-1的一阶差分Δ1Ite(tn-1)而计算的。
同样，时刻tn的三阶差分Δ3Ite(tn)是从时刻tn的二阶差分Δ2Ite(tn)减去时刻tn-1的二阶差分Δ2Ite(tn-1)而计算的，时刻tn的四阶差分Δ4Ite(tn)是从时刻tn的三阶差分Δ3Ite(tn)减去时刻tn-1的三阶差分Δ3Ite(tn-1)而计算的。
在本实施方式中，输入数据生成部132将各时刻的端子电流Ite的四阶差分Δ4Ite设为电流差分δIte。即，
δIte(t)＝Δ4Ite(t)t＝tn、tn-1、……。
[2.2.2.2电压差分δVte的计算]
输入数据生成部132与上述的电流差分同样地计算端子电压Vte的电压差分δVte。图5是表示电压差分δVte的计算步骤的图。在图5所示的表中，将最左列设为第1列，向右依次为第2列、第3列、……第6列。图5的表的第1列表示状态变量测定部130按照时间间隔dt反复取得端子电压Vte的时刻或该时刻的索引(编号)。第2列是端子电压Vte的时间序列数据，表示在各个时刻取得的端子电压Vte。
第3列、第4列、第5列及第6列分别表示根据第2列的端子电压Vte而计算的端子电压Vte的一阶差分Δ1Vte、二阶差分Δ2Vte、三阶差分Δ3Vte、以及四阶差分Δ4Vte。
当前时刻tn的h阶差分ΔhVte(tn)(h＝1，2，……4)通过下式来计算。
ΔhVte(tn)＝Δh-1Vte(tn)-Δh-1Vte(tn-1)
这里，h＝1、2、3、4。
此外，设Δ0Vte(tn)＝Vte(tn)。
即，时刻tn的一阶差分Δ1Vte(tn)是从时刻tn的端子电压Vte(tn)减去时刻tn-1的端子电压Vte(tn-1)而计算的。此外，时刻tn的二阶差分Δ2Vte(tn)是从时刻tn的一阶差分Δ1Vte(tn)减去时刻tn-1的一阶差分Δ1Vte(tn-1)而计算的。
同样，时刻tn的三阶差分Δ3Vte(tn)是从时刻tn的二阶差分Δ2Vte(tn)减去时刻tn-1的二阶差分Δ2Vte(tn-1)而计算的，时刻tn的四阶差分Δ4Vte(tn)是从时刻tn的三阶差分Δ3Vte(tn)减去时刻tn-1的三阶差分Δ3Vte(tn-1)而计算的。
在本实施方式中，输入数据生成部132将各时刻的端子电压Vte的四阶差分Δ4Vte设为电压差分δVte。即，
δVte(t)＝Δ4Vte(t)t＝tn、tn-1、……。
[2.2.2.3差分梯度Sdiff的计算]
差分梯度Sdiff是从自当前追溯了规定时间T1的过去到当前为止的期间内的电压差分δVte相对于电流差分δIte的变化率。具体而言，如图4和图5所示，输入数据生成部132分别提取从过去的时刻tm到当前的时刻tn的期间内的k1个(k1＝n-m+1)电流差分δIte和电压差分δVte，其中，从过去的时刻tm到当前的时刻tn的期间相当于从自当前追溯了规定时间T1的过去到当前为止的期间。而且，输入数据生成部132根据由提取出的δIte和δVte构成的每个时刻的数据集(δIte，δVte)，通过最小二乘法来计算作为电压差分δVte相对于电流差分δIte的变化率的差分梯度Sdiff。
更具体而言，如图6所示，将电流差分δIte设为横轴且将电压差分δVte设为纵轴的二维平面上的上述k1个数据集(δIte，δVte)的标绘点(图示虚线椭圆内的黑圆)的近似直线(回归直线)200的斜率相当于差分梯度Sdiff。即，当近似直线200由δVte＝a1×δIte+b1给出时，该近似直线200的斜率a1相当于差分梯度Sdiff。这里，近似直线例如通过最小二乘法来计算。
[2.2.2.4累计电流值ΣIte、开路电压变化量Dvoc和差分梯度变化量Dsd的计算]
接着，对累计电流值ΣIte、开路电压变化量Dvoc和差分梯度变化量Dsd的计算进行说明。
图7是用于对累计电流值ΣIte、开路电压变化量Dvoc和差分梯度变化量Dsd的计算进行说明的图。在图7所示的表中，将最左列设为第1列，向右依次为第2列、第3列、……、第7列。图7的表的第1列表示状态变量测定部130按照时间间隔dt重复取得端子电流Ite的时刻或该时刻的索引(编号)。第2列是端子电流Ite的时间序列数据，表示在各个时刻取得的端子电流Ite。此外，第3列表示根据第2列的端子电流Ite的时间序列数据而计算的累计电流值ΣIte。
第4列是开路电压Voc的时间序列数据，表示在各个时刻取得的开路电压Voc。在本实施方式中，开路电压Voc是使用学习完毕的开路电压估计模型124计算并取得的。此外，第5列表示根据第4列的开路电压Voc的时间序列数据计算的开路电压变化量Dvoc。
第6列是上述那样计算的差分梯度Sdiff，第7列表示根据第6列的差分梯度Sdiff的时间序列数据计算的差分梯度变化量Dsd。
当前时刻tn的累计电流值ΣIte(tn)是在从自当前追溯了规定时间T3的过去的时刻tp到当前时刻tn为止的期间内测定的端子电流Ite的总和，通过下式来计算。
Figure BDA0003506867010000121
当前时刻tn的开路电压变化量Dvoc(tn)是从当前时刻tn的开路电压Voc(tn)减去从当前追溯了规定时间T3的过去的时刻tp的开路电压Voc(tp)而得到的值，通过下式来计算。
Dvoc(tn)＝Voc(tn)-Voc(tp)
当前时刻tn的差分梯度变化量Dsd(tn)是从当前时刻tn的差分梯度Sdiff(tn)减去从当前追溯了规定时间T3的过去的时刻tp的差分梯度Sdiff(tp)而得到的值，通过下式来计算。
Dsd(tn)＝Sdiff(tn)-Sdiff(tp)
[2.2.2.5电压估计输入数据]
如上所述，电压估计输入数据由端子电流Ite、端子电压Vte及差分梯度Sdiff的从自当前追溯了规定时间T2的过去到当前为止的期间内的时间序列数据构成。在将当前时刻设为tn且将自当前追溯了规定时间T2的过去的时刻设为tr时，电压估计输入数据通过下式来表示。
Figure BDA0003506867010000131
其中，
VIte(tn)＝(Ite(tr)，Ite(tr+1)，Ite(tr+2)，....，Ite(tn))
VVte(tn)＝(Vte(tr)，Vte(tr+1)，Vte(tr+2)，....，Vte(tn))
VSdiff(tn)＝(Sdiff(tr)，Sdiff(tr+1)，Sdiff(tr+2)，....，Sdiff(tn))。
这里，端子电流Ite的时间序列数据VIte(tn)、端子电压Vte的时间序列数据VVte(tn)以及差分梯度Sdiff的时间序列数据vSdiff(tn)分别是具有端子电流Ite、端子电压Vte及差分梯度Sdiff的从时刻tr到时刻tn的n-r+1个值作为要素的一阶张量。因此，电压估计输入数据Vx1(tn)是二阶张量。
[2.2.2.6状态估计输入数据]
如上所述，状态估计输入数据由差分梯度Sdiff、开路电压Voc、累计电流值∑Ite、开路电压变化量Dvoc和差分梯度变化量Dsd的、从自当前追溯了规定时间T4的过去到当前为止的期间内的时间序列数据构成。当设当前时刻为tn，设从自当前追溯了规定时间T4的过去的时刻为ts时，状态估计输入数据通过下式表示。
Figure BDA0003506867010000141
其中，
VSdiff(tn)＝(Sdiff(ts)，Sdiff(ts+1)，Sdiff(ts+2)，....，Sdiff(tn))
VVoc(tn)＝(Voc(ts)，Voc(ts+1)，Voc(ts+2)，....，Voc(tn))
V∑Ite(tn)＝(∑Ite(ts)，∑Ite(ts+1)，∑Ite(ts+2)，....，∑Ite(tn))
VDvoc(tn)＝(Dvoc(ts)，Dvoc(ts+1)，Dvoc(ts+2)，....，Dvoc(tn))
VDsd(tn)＝(Dsd(ts)，Dsd(ts+1)，Dsd(ts+2)，....，Dsd(tn))。
这里，差分梯度Sdiff的时间序列数据vSdiff(tn)、开路电压Voc的时间序列数据VVoc(tn)、累计电流值∑Ite的时间序列数据V∑Ite(tn)、开路电压变化量Dvoc的时间序列数据VDvoc(tn)和差分梯度变化量Dsd的时间序列数据VDsd(tn)分别是具有差分梯度Sdiff、开路电压Voc、累计电流值∑Ite、开路电压变化量Dvoc和差分梯度变化量Dsd的、从时刻ts到时刻tn的n-s+1个的值作为要素的一阶张量。因此，状态估计输入数据Vx2(tn)是二階张量。
[2.3模型学习部的功能]
模型学习部134通过机器学习生成开路电压估计模型124。此外，模型学习部134执行图1所示的步骤S104，通过机器学习使状态估计模型126进行学习。
[2.3.1开路电压估计模型的生成]
模型学习部134使用由输入数据生成部132生成的电压估计输入数据(上述)，通过机器学习生成开路电压估计模型124。此时，模型学习部134例如从学习管理装置112取得二次电池102的开路电压Voc的时间序列数据，将该取得的开路电压Voc的时间序列数据用作示教数据来进行上述机器学习。
图8是示出由模型学习部134生成的开路电压估计模型124的结构的图。开路电压估计模型124由神经网络构成，具有输入层300、中间层302及输出层304。开路电压估计模型124例如是RNN(循环神经网络，递归神经网络，Recurrent Neural Network)。
输入层300接受在上述中作为式(1)而示出的二阶张量的电压估计输入数据。中间层302在本实施方式中包含构成为多层的LSTM(长短期记忆，Long Short Term Memory)。但是，中间层302不限定于LSTM。例如，中间层302也可以由GRU(门控递归单元，Gatedrecurrent unit)构成。
输出层304输出二次电池102的时刻tn的开路电压Voc的估计值作为输出y1(tn)。即，输出y1(tn)是作为标量的开路电压Voc(tn)。
[2.3.2状态估计模型的生成]
模型学习部134执行图1所示的步骤S104，使用输入数据生成部132生成的状态估计输入数据，通过机器学习使状态估计模型126进行学习。此时，模型学习部134例如取得由学习管理装置112计算出的二次电池102的SOC和SOH的时间序列数据，使用该取得的SOC和SOH的时间序列数据作为示教数据来进行上述机器学习。
图9是示出模型学习部134生成的状态估计模型126的结构的图。状态估计模型126由具有输入层310、中间层312、输出层314的神经网络构成。例如，状态估计模型126是RNN。
输入层310接受在上述中作为式(2)而示出的二階张量的状态估计输入数据。中间层312在本实施方式中包含构成多层的LSTM。但是，中间层312不限于LSTM。例如，中间层312也可以由GRU构成。
输出层314输出二次电池102的时刻tn的SOC的估计值和SOH的估计值作为输出Vy2(tn)。即，输出Vy2(tn)是将作为标量的SOC(tn)和SOH(tn)作为要素的一阶张量。
上述那样生成的开路电压估计模型124和状态估计模型126不是将二次电池的端子电流Ite和端子电压Vte直接作为输入，而是将差分梯度Sdiff作为输入，该差分梯度Sdiff是根据端子电压Vte的时间序列数据计算的电压差分δVte相对于根据端子电流Ite的时间序列数据计算的电流差分δIte的变化梯度。即，开路电压估计模型124和状态估计模型126不是学习端子电流Ite和端子电压Vte本身的变化方式与SOC等之间的关系，而是学习端子电流Ite和端子电压Vte的变化的变化方式、即高阶的变化方式与SOC等之间的关系。
如上所述，关于这样的端子电流和端子电压的高阶的变化方式，如果是至少同种的二次电池(例如，在“锂离子电池”这样的种类中是相同的二次电池)，则与该二次电池的内部状态之间存在相关性。因此，上述那样生成的开路电压估计模型124和状态估计模型126能够针对厂商或型号不同的具有各种电特性的二次电池的开路电压、以及充电率(SOC)及/或劣化度(SOH)，在这些二次电池的工作中高精度地进行估计。
[3.用于模型学习的二次电池]
作为用于模型学习的二次电池102，期望使用厂商或型号不同而使电特性不同的各种各样的多个二次电池。由此，能够生成针对厂商或型号的估计精度的变化少的开路电压估计模型124和状态估计模型126。例如，在开路电压估计模型124和状态估计模型126的学习时，期望使用SOC-OCV特性、SOC-内部阻抗特性及/或它们的SOH依赖性等电特性不同的多个二次电池。
[4.模型学习中的二次电池的动作方式]
关于模型学习中的二次电池的动作方式(充放电经过)，不仅仅是在完全充电状态(SOC＝100％)与完全放电状态(SOC＝0％)之间单调地进行放电或充电，还期望随机地进行充放电及/或按照规定的基准交替地进行充放电。这样的规定的基准可以是与作为估计对象的二次电池的用途相应的基准。例如，在将车辆用的二次电池假定为估计对象的情况下，能够使用以依照市区、山区、农村地区、高速路等各种交通场景中的车辆行驶中的典型的充放电周期的方式进行了调整的基准。
[5.学习数据的收集]
在本实施方式中，通过机器学习装置100从特性测定器110取得成为开路电压估计模型124和状态估计模型126的学习数据的基础的二次电池102的状态变量(Ite、Vte)以及作为示教数据的SOC和SOH的时间序列数据，并通过学习管理装置112进行计算，立即用于开路电压估计模型124和状态估计模型126的学习。但是，这些状态变量和示教数据的时间序列数据不一定必须立即用于学习。
学习管理装置112也可以预先使二次电池工作而取得并存储状态变量的时间序列数据和示教数据的时间序列数据。机器学习装置100也可以从学习管理装置112取得由学习管理装置112存储的上述状态变量的时间序列数据和示教数据的时间序列数据，进行开路电压估计模型124和状态估计模型126的学习。
此外，关于状态变量的时间序列数据和示教数据的时间序列数据，只要是与实际数据的误差在实用上没有问题的范围内，则也可以通过利用计算机对根据二次电池102的等效电路等设计资料而掌握的充放电特性进行模拟而生成。
[6.使用状态估计模型进行的状态估计的例子]
接着，说明使用通过本实施方式的学习方法而学习完毕的状态估计模型进行的二次电池的状态估计的例子。图10是示出使用学习完毕的开路电压估计模型和状态估计模型进行的二次电池的状态估计的例子的图。
开路电压估计模型和状态估计模型的学习用数据均是通过利用计算机对电特性不同的几十种车辆用的样本二次电池的充放电特性进行模拟而生成的。具体而言，针对作为电特性的SOC-OCV特性、内部阻抗特性及容量特性(SOH)不同的几十种样本二次电池中的每种二次电池，通过上述计算机的模拟，计算出了按照规定的充放电经过而进行了充放电的情况下的每隔规定时间间隔dt的端子电流Ite、端子电压Vte以及SOC和SOH。
上述充放电经过不仅仅使样本二次电池在完全充电状态(SOC＝100％)与完全放电状态(SOC＝0％)之间单调地进行放电或充电，还以按照市区、山区、农村地区、高速路等各种交通场景中的车辆行驶中的典型的充放电周期的方式进行了调整。
样本二次电池是锂离子电池。此外，状态变量的测定间隔dt为100ms，计算上述的开路电压估计模型和状态估计模型的电压估计输入数据以及状态估计输入数据时的规定时间T1、T2、T3和T4分别是5秒、5秒、300秒、5秒。另外，这些时间的数值是一例，也可以将规定时间T1、T2、T3和T4设定为与上述的值不同的时间值。
图10示出将从上述样本二次电池中任意选择出的一个二次电池作为估计对象(以下称为“对象二次电池”)而使该对象二次电池从完全充电状态放电至完全放电状态的期间内的、使用学习完毕状态估计模型得到的SOC和SOH的估计结果、以及SOC和SOH的模拟值。
在图10中，横轴是使二次电池从完全充电状态开始了放电时的放电开始后的经过时间，纵轴是对象二次电池的SOC(％)和SOH(满充电时的容量Ah)。在SOC和SOH的估计中向状态估计模型提供的状态估计输入数据是基于根据对象二次电池的充放电特性并通过模拟而计算的该对象二次电池的放电时的每隔规定时间间隔dt的Ite和Vte而计算出的。
在图10中，由灰色的点的集合形成的线600和线602分别是通过状态估计模型估计出的SOC估计值和SOH估计值。此外，由黑点的集合形成的线602和604分别是根据对象二次电池的充放电特性通过模拟而计算出的SOC和SOH。
根据图10所示的线600与线604的对比、以及线602与线606的对比可知，通过利用本实施方式所示的学习方法而学习的状态估计模型，高精度地估计出针对对象二次电池的SOC和SOH。尤其是，尽管用于该估计的状态估计模型是使用针对电特性不同的几十种样本二次电池的学习数据而生成的，但是该SOC估计值和SOH估计值各自不会发散而是集中为一条线(线600和线602)，高精度地估计出针对特定的对象二次电池的SOC和SOH。因此可知，本实施方式的状态估计方法使用电特性不同的多个二次电池来进行学习，由此，能够高精度地估计出针对厂商和型号不同的多种多样的工作中的二次电池的状态，即SOC和SOH。
[第2实施方式]
接着对本发明的第2实施方式进行说明。图11是示出本发明的一实施方式的二次电池的状态估计方法的步骤的图。该状态估计方法包括如下步骤：按照规定的时间间隔来测定连接有负载或充电器的工作中的二次电池的包含端子电流和端子电压的状态变量的步骤(S300)；以及对测定出的状态变量进行预处理而计算状态估计输入数据的步骤(S302)。此外，该状态估计方法包括使用通过上述的第1实施方式的学习方法而学习完毕的状态估计模型并根据上述状态估计输入数据来估计上述工作中的二次电池的状态的步骤(S304)。上述状态在本实施方式中为SOC和SOH。
图11所示的状态估计方法例如在图12所示的状态估计装置400中执行。该状态估计装置400例如搭载于作为电动汽车的车辆402，估计作为车辆402的车载电池的工作中的二次电池404的状态。二次电池404经由特性测定器406和通电控制器408而与旋转电机410连接。
旋转电机410作为通过来自二次电池404的放电而被供电从而驱动车辆402的车轮的马达发挥功能，并且也作为通过从车轮传递的旋转力进行发电而对二次电池404进行充电的发电机发挥功能。
特性测定器406测定二次电池404的包含端子电流Ite和端子电压Vte的状态变量的当前值。通电控制器408在搭载于车辆402的行驶控制装置414的控制下，控制从二次电池404向旋转电机410的通电量以及从旋转电机410向二次电池404的通电量。此外，通电控制器408在位于车辆402的外部的外部充电装置412与车辆402连接时，在行驶控制装置414的控制下，控制从外部充电装置412向二次电池404的通电量。外部充电装置412例如是充电站的充电器。此外在由内燃机驱动的其他发电机搭载于车辆402的情况下，通电控制器408也能够控制从该发电机向二次电池的通电量。
行驶控制装置414从状态估计装置400取得表示二次电池404的状态的当前的SOC和SOH的估计值，基于取得的SOC和SOH来控制旋转电机410的动作，并且向用户进行通知。
具体而言，行驶控制装置414具有处理装置440和存储装置448。存储装置448例如是半导体存储器，存储在处理装置440的处理中需要的数据。
处理装置440例如是具备CPU等处理器的计算机。处理装置440也可以为具有被写入程序的ROM、用于暂时存储数据的RAM等的结构。而且，处理装置440具备马达控制部442、充电控制部444以及通知控制部446作为功能要素或功能单元。
处理装置440所具备的这些功能要素例如通过作为计算机的处理装置440执行程序来实现。另外，上述计算机程序能够预先存储在计算机可读取的任意的存储介质中。取而代之，也能够将处理装置440所具备的上述功能要素的全部或一部分分别由包含一个以上的电子电路部件的硬件构成。
马达控制部442根据油门踏板传感器452来检测车辆402的油门踏板(未图示)的踩踏量。行驶控制装置414在油门踏板被踩踏时，向通电控制器408指示从二次电池404向旋转电机410的通电，使旋转电机410作为马达进行动作而使车辆402行驶。此外，行驶控制装置414经由通电控制器408来控制旋转电机410的转速，使得从车速传感器456取得的车辆402的速度成为与上述油门踏板的踩踏量相应的速度。
此时，马达控制部442基于从状态估计装置400取得的当前的SOC估计值，例如限制在车辆402的加速时或定速行驶时从二次电池404向旋转电机410通电的电流的上限值(最大通电电流)。即，马达控制部例如为了限制旋转电机410的产生转矩而限制二次电池404的放电，以使根据二次电池404和旋转电机410的特性而决定的燃料效率(例如，每1kWh的行驶距离)不小于规定值的方式决定最大通电电流。
充电控制部444通过制动踏板传感器454来判断车辆402的制动踏板(未图示)是否被踩踏。然后，当制动踏板被踩踏时，充电控制部444指示马达控制部442停止从二次电池404向旋转电机410的通电。然后，充电控制部444指示通电控制器408进行从旋转电机410向二次电池404的通电，使旋转电机410作为发电机进行动作，进行从旋转电机410向二次电池404的充电(所谓的再生制动动作)。
此外，充电控制部444在外部充电装置412与车辆402连接时，经由通电控制器408来控制从外部充电装置412向二次电池404的供电量。
通知控制部446基于从状态估计装置400取得的当前的SOC估计值和SOH估计值，在显示装置450中进行规定的显示。例如，通知控制部446仅在显示装置450中显示所取得的当前的SOC估计值和SOH估计值。此外，例如，通知控制部446在SOC估计值低于规定值时，在显示装置450中显示向车辆402的驾驶员提议在充电站进行充电的消息。或者，通知控制部446例如在SOH估计值低于规定值时，在显示装置450中显示向车辆402的驾驶员提议更换二次电池404的消息。
状态估计装置400执行图11所示的二次电池的状态估计方法，估计工作中的二次电池404的SOC和SOH，将当前的SOC估计值和SOH估计值向行驶控制装置414输出。
具体而言，状态估计装置400具有处理装置420和存储装置428。存储装置428由非易失性和易失性的半导体存储器构成。在存储装置428中预先保存有通过第1实施方式所示的学习方法得到的学习完毕的开路电压估计模型124和状态估计模型126，作为开路电压估计模型430和状态估计模型432。
处理装置420例如是具备CPU等处理器的计算机。处理装置420也可以为具有被写入程序的ROM、用于暂时存储数据的RAM等的结构。而且，处理装置420具备状态观测部422、预处理部424以及状态估计部426作为功能要素或功能单元。
处理装置420所具备的这些功能要素例如通过作为计算机的处理装置420执行程序来实现。另外，上述计算机程序能够预先存储在计算机可读取的任意的存储介质中。取而代之，也能够将处理装置420所具备的上述功能要素的全部或一部分分别由包含一个以上的电子电路部件的硬件构成。
图13示出具有状态观测部422、预处理部424以及状态估计部426的处理装置420的功能框图。在图13中，虚线矩形分别表示预处理部424中的处理。
状态观测部422执行图11所示的步骤S300。具体而言，状态观测部422按照规定的时间间隔，从特性测定器406取得包含工作中的二次电池404的端子电流Ite(t)和端子电压Vte(t)的该二次电池404的状态变量。由此，状态观测部422得到按照规定的时间间隔而测定出的状态变量的时间序列数据。
预处理部424执行图11所示的步骤S302。具体而言，预处理部424对由状态观测部422取得的状态变量进行预处理，计算用于状态估计模型432的状态估计输入数据。具体而言，预处理部424根据由状态观测部422取得的端子电流Ite的时间序列数据和端子电压Vte的时间序列数据，计算端子电流Ite的差分即电流差分δIte以及端子电压Vte的差分即电压差分δVte(图13所示的处理500)。然后，预处理部424计算电压差分δVte相对于电流差分δIte的变化率即差分梯度Sdiff(图13所示的处理502)。
此外，预处理部424将端子电流Ite、端子电压Vte和上述计算出的Sdiff的各自的、从自当前追溯了规定时间T2的过去到当前为止的期间内的时间序列数据输入到开路电压估计模型430(图13的处理504)，通过开路电压估计模型430计算二次电池404的当前的开路电压Voc的估计值(图13的处理506)。
此外，预处理部424计算在从自当前追溯了规定时间T3的过去到当前为止的期间内连续取得的端子电流Ite的总和即累计电流值ΣIte(图13的处理508)。此外，预处理部424计算从当前的差分梯度Sdiff减去从当前追溯了规定时间T3的过去的差分梯度Sdiff而得到的差分梯度变化量Dsd(图13的处理510)。
此外，预处理部424从当前的开路电压Voc减去从当前追溯了规定时间T3的过去的开路电压Voc，从而计算开路电压变化量Dvoc(图13的处理514)。
然后，预处理部424将分别针对差分梯度Sdiff、开路电压Voc、开路电压变化量Dvoc、差分梯度变化量Dsd和累计电流值ΣIte的、从自当前追溯了规定时间T4的过去到当前为止的期间内的时间序列数据作为状态估计模型432的状态估计输入数据(图13的处理518)。
另外，预处理部424中的电流差分δIte、电压差分δVte、差分梯度Sdiff、开路电压变化量Dvoc、累计电流值ΣIte和差分梯度变化量Dsd的具体的计算方法、以及状态估计输入数据的结构与在第1实施方式中说明的计算方法和结构相同。
状态估计部426执行图11所示的步骤S304。具体而言，状态估计部426使用预处理部424计算出的状态估计输入数据，通过学习完毕的状态估计模型432，估计作为二次电池404的当前状态的SOC和SOH。状态估计部426将估计出的当前的SOC和SOH的值作为SOC估计值和SOH估计值向行驶控制装置414输出。
另外，本发明不限于上述实施方式的结构，能够在不脱离其主旨的范围内在各种方式下进行实施。
例如，上述的第1实施方式中的机器学习装置100和第2实施方式中的状态估计装置400使用学习完毕的开路电压估计模型来取得状态估计模型的学习或状态估计所需要的二次电池的开路电压。但是，第1和第2实施方式中取得工作中的二次电池的开路电压时，不是必须使用开路电压估计模型。
也可以是，例如按照现有技术，将作为测定信号的交流电流输入到二次电池102来测定内部阻抗Z，根据该测定出的内部阻抗Z、当前的端子电流、端子电压和负载的阻抗来计算工作中的二次电池的开路电压。或者，也可以是，例如根据二次电池的典型的内部阻抗Z的温度依存性和当前的温度来计算当前的内部阻抗Z，根据该计算出的内部阻抗Z、当前的端子电流、端子电压和负载的阻抗，来计算工作中的二次电池的开路电压。
此外，在本实施方式的工作中的二次电池的状态估计方法中，状态估计模型以对二次电池的SOC和SOH这两者进行估计的方式进行了学习，但是，状态估计模型也可以以仅对SOC和SOH中的一方进行估计的方式进行学习。
此外，在第1实施方式中，使用差分梯度Sdiff、开路电压Voc、累计电流值ΣIte、开路电压变化量Dvoc和差分梯度变化量Dsd的各自的时间序列数据，作为向状态估计模型126输入的状态估计输入数据，但是，也可以仅将差分梯度Sdiff的时间序列数据作为状态估计输入数据。
但是，为了将厂商、型号不同的更大范围内的二次电池作为对象而高精度地估计SOC和SOH，优选还将其他4个输入变量(开路电压Voc、累计电流值ΣIte、开路电压变化量Dvoc和差分梯度变化量Dsd)的时间序列数据包含于状态估计输入数据，以能够学习型号等不同的二次电池间的SOC vs OCV特性等的差异。
此外，也可以在向状态估计模型126输入的状态估计输入数据中追加从自当前追溯了规定时间T5的过去到当前为止的期间内的端子电流Ite的时间序列数据。由此，能够进一步提高状态估计模型的二次电池的状态估计的精度。这里，端子电流Ite的时间序列数据由下式表示。
VIte(tn)＝(Ite(ts)，Ite(ts+1)，Ite(ts+2)，....，Ite(tn))
此外，在本实施方式中，电流差分δIte和电压差分δVte分别是端子电流的四阶差分Δ4Ite和端子电压的四阶差分Δ4Vte，但是，电流差分δIte和电压差分δVte也可以不是必须为四阶差分。电流差分δIte和电压差分δVte例如即使是一阶差分Δ1Ite和Δ1Vte，也能够使状态估计模型126学习端子电流相对于端子电压的变化(梯度)的动作与SOC和SOH之间的关系。但是，四阶以上的高阶的差分能够提取电特性不同的二次电池间的更为共同的端子电流和端子电压的变化方式，因此，从更高精度地估计针对厂商或型号不同的二次电池的SOC和SOH的观点出发是优选的。
此外，也可以在开路电压估计模型124和状态估计模型126各自的输入数据中附加二次电池102的温度的时间序列数据。由此，能够进一步提高SOC和SOH的估计精度。
此外，在上述的实施方式中，开路电压估计模型124和状态估计模型126是容易将时间序列上连续的数据作为输入进行处理的RNN，但是，开路电压估计模型和状态估计模型的结构不限于RNN。
例如，开路电压估计模型124和状态估计模型126也可以均由一维CNN(卷积神经网络，Convolutional Neural Network)构成。该情况下，能够将由二階张量表现的电压估计输入数据和状态估计输入数据(式(1)和式(2))分别输入到开路电压估计模型124和状态估计模型126。
此外，在上述的实施方式中，作为执行估计工作中的二次电池的状态的步骤S304的装置的一例，示出了搭载于车辆402的估计工作中的二次电池404的状态的状态估计装置400。但是，估计工作中的二次电池的状态的步骤S304不限于车辆用的二次电池，能够在用于便携电话、自行车、家庭等任意的用途的二次电池的状态估计中使用。
此外，在上述的实施方式中，状态估计装置400被实现为仅进行状态估计的一个集中的装置。但是，这只是一例，估计工作中的二次电池的状态的步骤S304能够在具有二次电池的状态估计以外的功能的其他装置中执行。例如，估计工作中的二次电池的状态的步骤S304能够在控制该二次电池的负载的控制器中执行。作为具体例，例如，在图12中，状态估计装置400的处理装置420所具备的状态观测部422、预处理部424和状态估计部426也可以在行驶控制装置414的处理装置440中实现。该情况下，存储装置428所存储的开路电压估计模型430和状态估计模型432被存储在行驶控制装置414的存储装置448中。
如以上说明的那样，上述的第1实施方式的二次电池的状态估计模型的学习方法包括如下的步骤S100：按照规定的时间间隔dt来测定连接有负载106或充电器104的工作中的二次电池102的包含端子电流Ite和端子电压Vte的状态变量。此外，该学习法包括如下步骤：对状态变量进行预处理而计算状态估计输入数据的步骤S102；以及通过机器学习使状态估计模型126学习状态估计输入数据与上述工作中的二次电池102的充电率SOC及/或劣化度SOH之间的关系的步骤S104。而且，在计算状态估计输入数据的步骤S102中，根据端子电流Ite的时间序列数据和端子电压Vte的时间序列数据，来计算端子电流Ite的差分即电流差分δIte以及端子电压Vte的差分即电压差分δVte。此外，在步骤S102中，基于电流差分δIte的时间序列数据和电压差分δVte的时间序列数据，来计算从自当前追溯了第1规定时间T1的过去到当前为止的期间内的、电压差分δVte相对于电流差分δIte的变化率即差分梯度Sdiff。而且，在步骤S102中，生成状态估计输入数据Vx2(tn)，该状态估计输入数据Vx2(tn)包含：差分梯度Sdiff的时间序列数据VSdiff(tn)；所述工作中的二次电池的开路电压Voc的时间序列数据VVoc(tn)；从当前的所述开路电压减去从当前追溯了所述第2规定时间的过去的所述开路电压而得到的开路电压变化量Dvoc的时间序列数据VDvoc(tn)；从当前的所述差分梯度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量Dsd的时间序列数据VDsd(tn)；以及在从自当前追溯了第2规定时间的过去到当前为止的期间内连续取得的所述端子电流的值的总和即累计电流值ΣIte的时间序列数据VΣIte(tn)。
根据该结构，能够生成如下状态估计模型，该状态估计模型能够在厂商或型号不同的具有各种电特性的二次电池的工作中高精度地估计这些二次电池的充电率及/或劣化度的状态。
此外，状态估计输入数据Vx2(tn)还包含端子电流Ite的时间序列数据VIte(tn)。根据该结构，能够提高所生成的状态估计模型估计二次电池的充电率及/或劣化度的估计精度。
此外，在计算状态估计输入数据的步骤S102中，将端子电流Ite的时间序列数据VIte(tn)和端子电压Vte的时间序列数据VVte(tn)、以及差分梯度Sdiff的时间序列数据VSdiff(tn)用作电压估计输入数据，来估计工作中的二次电池404的开路电压Voc。而且，在步骤S102中，使用上述估计出的开路电压Voc来计算状态估计输入数据Vx2(tn)。
根据该结构，能够高精度地估计厂商、型号不同的具有各种电特性的二次电池的开路电压，进一步提高状态估计模型的二次电池的充电率及/或劣化度的估计精度。
此外，差分梯度Sdiff是使用最小二乘法来计算的。根据该结构，在生成的状态估计模型中，能够防止由于状态变量的测定误差引起的SOC及/或SOH的估计精度的降低。
此外，电流差分δIte和电压差分δVte分别是端子电流Ite的时间序列数据的四阶差分Δ4Ite和端子电压Vte的时间序列数据的四阶差分Δ4Vte。根据该结构，通过生成的状态估计模型，使用电特性不同的二次电池能够更加共同地具有的端子电流Ite和端子电压Vte的高阶的变化方式，能够更高精度地估计厂商或型号不同的具有各种电特性的二次电池的SOC及/或SOH。
此外，状态估计模型126由RNN或一维CNN构成。此外，构成状态估计模型126的RNN的中间层能够由LSTM或GRU构成。根据该结构，能够高效地处理多个变量的时间序列数据，能够进行针对状态估计模型的有效学习。
此外，状态估计模型126是通过使用针对连接有负载106或充电器104的电特性不同的多个二次电池102的各个二次电池102的包含端子电流Ite和端子电压Vte的状态变量的时间序列数据进行的学习而生成的。根据该结构，可生成能够高精度地估计厂商或型号不同的具有各种电特性的二次电池的充电率及/或劣化度的状态的状态估计模型。
此外，第2实施方式的二次电池的状态估计方法包含如下步骤S300：按照规定的时间间隔dt来测定连接有负载106或充电器104的工作中的二次电池102的包含端子电流Ite和端子电压Vte的状态变量。此外，该学习方法包含：对状态变量进行预处理而计算状态估计输入数据的步骤S302；以及使用基于第1实施方式的学习方法的学习完毕的状态估计模型432，根据状态估计输入数据估计工作中的二次电池102的当前的充电率及/或劣化度的步骤S304。而且，在计算状态估计输入数据的步骤S302中，根据端子电流Ite的时间序列数据和端子电压Vte的时间序列数据，计算端子电流Ite的差分即电流差分δIte和端子电压Vte的差分即电压差分δVte(图13的处理500)。此外，在步骤S302中，基于电流差分δIte的时间序列数据和电压差分δVte的时间序列数据，计算从自当前追溯了第1规定时间T1的过去到当前为止的期间内的、电压差分δVte相对于电流差分δIte的变化率即差分梯度Sdiff(图13的处理502)。然后，在步骤S302中，基于电流差分δIte的时间序列数据和电压差分δVte的时间序列数据，计算从自当前追溯了第1规定时间T1的过去到当前为止的期间内的、电压差分δVte相对于电流差分δIte的变化率即差分梯度Sdiff(图13的处理502)。然后，在步骤S302中，生成状态估计输入数据Vx2(tn)，该状态估计输入数据Vx2(tn)包含：差分梯度Sdiff的时间序列数据VSdiff(tn)；所述工作中的二次电池的开路电压Voc的时间序列数据VVoc(tn)；从当前的所述开路电压减去从当前追溯了所述第2规定时间的过去的所述开路电压而得到的开路电压变化量Dvoc的时间序列数据VDvoc(tn)；从当前的所述差分梯度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量Dsd的时间序列数据VDsd(tn)；以及在从自当前追溯了第2规定时间的过去到当前为止的期间内连续取得的所述端子电流的值的总和即累计电流值ΣIte的时间序列数据VΣIte(tn)(图13的处理518)。
此外，第2实施方式的二次电池的状态估计方法例如由状态估计装置400执行。状态估计装置400具有状态观测部422，该状态观测部422按照规定的时间间隔dt测定工作中的二次电池404的包含端子电流Ite和端子电压Vte的状态变量。此外，状态估计装置400具有预处理部424，该预处理部424对状态观测部422测定出的状态变量进行预处理而计算状态估计输入数据。并且，状态估计装置400具有状态估计部426，该状态估计部426使用基于第1实施方式的学习方法的学习完毕的状态估计模型432，根据状态估计输入数据来估计工作中的二次电池102的当前的充电率及/或劣化度。
而且，预处理部424根据状态观测部422取得的端子电流Ite的时间序列数据和端子电压Vte的时间序列数据，计算端子电流的差分即电流差分δIte和端子电压的差分即电压差分δVte。此外，预处理部424基于电流差分δIte的时间序列数据和电压差分δVte的时间序列数据，计算从自当前追溯了第1规定时间T1的过去到当前为止的期间内的、电压差分δVte相对于电流差分δIte的变化率即差分梯度Sdiff。而且，预处理部424生成状态估计输入数据Vx2(tn)，该状态估计输入数据Vx2(tn)包含：差分梯度Sdiff的时间序列数据VSdiff(tn)；所述工作中的二次电池的开路电压Voc的时间序列数据VVoc(tn)；从当前的所述开路电压减去从当前追溯了所述第2规定时间的过去的所述开路电压而得到的开路电压变化量Dvoc的时间序列数据VDvoc(tn)；从当前的所述差分梯度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量Dsd的时间序列数据VDsd(tn)；以及在从自当前追溯了第2规定时间的过去到当前为止的期间内连续取得的所述端子电流的值的总和即累计电流值ΣIte的时间序列数据VΣIte(tn)。
根据这些结构，能够在厂商或型号不同的具有各种电特性的二次电池的工作中高精度地估计这些二次电池的充电率及/或劣化度的状态。
[上述实施方式所支持的结构]
上述实施方式支持以下的结构。
(结构1)一种二次电池的状态估计模型的学习方法，其是对连接有负载或充电器的工作中的二次电池的充电率及/或劣化度进行估计的状态估计模型的基于机器学习的学习方法，其中，所述二次电池的状态估计模型的学习方法包括以下步骤：按照规定的时间间隔来测定所述工作中的二次电池的包含端子电流和端子电压的状态变量；对所述状态变量进行预处理而计算状态估计输入数据；以及通过机器学习，使所述状态估计模型学习所述状态估计输入数据与所述工作中的二次电池的充电率及/或劣化度之间的关系，在进行所述计算的步骤中，根据所述端子电流的时间序列数据和所述端子电压的时间序列数据，计算所述端子电流的差分即电流差分以及所述端子电压的差分即电压差分，基于所述电流差分的时间序列数据和所述电压差分的时间序列数据，计算从自当前追溯了第1规定时间的过去到当前为止的期间内的所述电压差分相对于所述电流差分的变化率即差分梯度，生成如下的所述状态估计输入数据，该状态估计输入数据包含：所述差分梯度的时间序列数据；所述工作中的二次电池的开路电压的时间序列数据；从当前的所述开路电压减去从当前追溯了第2规定时间的过去的所述开路电压而得到的开路电压变化量的时间序列数据；从当前的所述差分梯度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量的时间序列数据；以及在从自当前追溯了所述第2规定时间的过去到当前为止的期间内连续取得的所述端子电流的值的总和即累计电流值的时间序列数据。
(结构2)根据结构1所述的二次电池的状态估计模型的学习方法，其中，所述状态估计输入数据还包含所述端子电流的时间序列数据。
(结构3)根据结构1或2所述的二次电池的状态估计模型的学习方法，其中，在进行所述计算的步骤中，将所述端子电流的时间序列数据和所述端子电压的时间序列数据、以及所述差分梯度的时间序列数据用作电压估计输入数据，估计所述工作中的二次电池的开路电压，使用估计出的所述开路电压计算所述状态估计输入数据。
(结构4)根据结构1至3中的任意结构所述的二次电池的状态估计模型的学习方法，其中，所述差分梯度是使用最小二乘法来计算的。
(结构5)根据结构1至4中的任意结构述的二次电池的状态估计模型的学习方法，其中，所述电流差分和所述电压差分分别是所述端子电流的时间序列数据的四阶差分和所述端子电压的时间序列数据的四阶差分。
(结构6)根据结构1至5中的任意结构所述的二次电池的状态估计模型的学习方法，其中，所述状态估计模型由RNN(循环神经网络)构成。
(结构7)根据结构6所述的二次电池的状态估计模型的学习方法，其中，
构成所述状态估计模型的RNN的中间层由LSTM(长短期记忆)或GRU(门控递归单元)构成。
(结构8)根据结构1至6中的任意结构所述的二次电池的状态估计模型的学习方法，其中，所述状态估计模型由一维CNN(卷积神经网络)构成。
(结构9)根据结构1至8中的任意结构所述的二次电池的状态估计模型的学习方法，其中，所述状态估计模型是通过使用针对连接有负载或充电器的电特性不同的多个二次电池中的各个二次电池的包含端子电流和端子电压的状态变量的时间序列数据进行的学习而生成的。
(结构10)一种二次电池的状态估计方法，其中，所述二次电池的状态估计方法包含以下步骤：按照规定的时间间隔来测定连接有负载或充电器的工作中的二次电池的包含端子电流和端子电压的状态变量；对所述状态变量进行预处理而计算状态估计输入数据；以及使用基于结构1至9中的任意结构所述的二次电池的状态估计模型的学习方法得到的学习完毕的状态估计模型，根据所述状态估计输入数据估计所述工作中的二次电池的当前的充电率及/或劣化度，在进行所述计算的步骤中，根据所述端子电流的时间序列数据和所述端子电压的时间序列数据，计算所述端子电流的差分即电流差分和所述端子电压的差分即电压差分，基于所述电流差分的时间序列数据和所述电压差分的时间序列数据，计算从自当前追溯了第1规定时间的过去到当前为止的期间内的、所述电压差分相对于所述电流差分的变化率即差分梯度，生成如下的所述状态估计输入数据，该状态估计输入数据包含：所述差分梯度的时间序列数据；所述工作中的二次电池的开路电压的时间序列数据；从当前的所述开路电压减去从当前追溯了第2规定时间的过去的所述开路电压而得到的开路电压变化量的时间序列数据；从当前的所述差分梯度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量的时间序列数据；以及在从自当前追溯了所述第2规定时间的过去到当前为止的期间内连续取得的所述端子电流的值的总和即累计电流值的时间序列数据。
(结构11)一种二次电池的状态估计装置，该二次电池的状态估计装置具有：
状态观测部，其按照规定的时间间隔来测定工作中的二次电池的包含端子电流和端子电压的状态变量；预处理部，其对所述状态观测部测定出的状态变量进行预处理并计算状态估计输入数据；以及状态估计部，其使用基于结构1至9中的任意结构所述的二次电池的状态估计模型的学习方法得到的学习完毕的状态估计模型，根据所述状态估计输入数据估计所述工作中的二次电池的当前的充电率及/或劣化度，其中，所述预处理部进行以下处理：根据所述状态观测部取得的所述端子电流的时间序列数据和所述端子电压的时间序列数据，计算所述端子电流的差分即电流差分和所述端子电压的差分即电压差分，基于所述电流差分的时间序列数据和所述电压差分的时间序列数据，计算从自当前追溯了第1规定时间的过去到当前为止的期间内的、所述电压差分相对于所述电流差分的变化率即差分梯度，生成如下的所述状态估计输入数据，该状态估计输入数据包含：所述差分梯度的时间序列数据；所述工作中的二次电池的开路电压的时间序列数据；从当前的所述开路电压减去从当前追溯了第2规定时间的过去的所述开路电压而得到的开路电压变化量的时间序列数据；从当前的所述差分梯度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量的时间序列数据；以及在从自当前追溯了所述第2规定时间的过去到当前为止的期间内连续取得的所述端子电流的值的总和即累计电流值的时间序列数据。

Claims (11)

1.一种二次电池的状态估计模型的学习方法，其是对连接有负载或充电器的工作中的二次电池的充电率及/或劣化度进行估计的状态估计模型的基于机器学习的学习方法，其中，
该学习方法包括以下步骤：
按照规定的时间间隔来测定所述工作中的二次电池的包含端子电流和端子电压的状态变量；
对所述状态变量进行预处理而计算状态估计输入数据；以及
通过机器学习，使所述状态估计模型学习所述状态估计输入数据与所述工作中的二次电池的充电率及/或劣化度之间的关系，
在进行所述计算的步骤中，
根据所述端子电流的时间序列数据和所述端子电压的时间序列数据，计算所述端子电流的差分即电流差分以及所述端子电压的差分即电压差分，
基于所述电流差分的时间序列数据和所述电压差分的时间序列数据，计算从自当前追溯了第1规定时间的过去到当前为止的期间内的所述电压差分相对于所述电流差分的变化率即差分梯度，
生成如下的所述状态估计输入数据，该状态估计输入数据包含：所述差分梯度的时间序列数据；所述工作中的二次电池的开路电压的时间序列数据；从当前的所述开路电压减去从当前追溯了第2规定时间的过去的所述开路电压而得到的开路电压变化量的时间序列数据；从当前的所述差分梯度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量的时间序列数据；以及在从自当前追溯了所述第2规定时间的过去到当前为止的期间内连续取得的所述端子电流的值的总和即累计电流值的时间序列数据。
2.根据权利要求1所述的二次电池的状态估计模型的学习方法，其中，
所述状态估计输入数据还包含所述端子电流的时间序列数据。
3.根据权利要求1所述的二次电池的状态估计模型的学习方法，其中，
在进行所述计算的步骤中，
将所述端子电流的时间序列数据和所述端子电压的时间序列数据、以及所述差分梯度的时间序列数据用作电压估计输入数据，估计所述工作中的二次电池的开路电压，
使用估计出的所述开路电压计算所述状态估计输入数据。
4.根据权利要求1所述的二次电池的状态估计模型的学习方法，其中，
所述差分梯度是使用最小二乘法来计算的。
5.根据权利要求1所述的二次电池的状态估计模型的学习方法，其中，
所述电流差分和所述电压差分分别是所述端子电流的时间序列数据的四阶差分和所述端子电压的时间序列数据的四阶差分。
6.根据权利要求1所述的二次电池的状态估计模型的学习方法，其中，
所述状态估计模型由RNN(Recurrent Neural Network：循环神经网络)构成。
7.根据权利要求6所述的二次电池的状态估计模型的学习方法，其中，
构成所述状态估计模型的RNN的中间层由LSTM(Long Short Term Memory：长短期记忆)或GRU(Gated recurrent unit：门控递归单元)构成。
8.根据权利要求1所述的二次电池的状态估计模型的学习方法，其中，
所述状态估计模型由一维CNN(Convolutional Neural Network：卷积神经网络)构成。
9.根据权利要求1至8中的任意一项所述的二次电池的状态估计模型的学习方法，其中，
所述状态估计模型是通过使用针对连接有负载或充电器的电特性不同的多个二次电池中的各个二次电池的包含端子电流和端子电压的状态变量的时间序列数据进行的学习而生成的。
10.一种二次电池的状态估计方法，其中，
所述二次电池的状态估计方法包含以下步骤：
按照规定的时间间隔来测定连接有负载或充电器的工作中的二次电池的包含端子电流和端子电压的状态变量；
对所述状态变量进行预处理而计算状态估计输入数据；以及
使用基于权利要求1至9中的任意一项所述的二次电池的状态估计模型的学习方法得到的学习完毕的状态估计模型，根据所述状态估计输入数据估计所述工作中的二次电池的当前的充电率及/或劣化度，
在进行所述计算的步骤中，
根据所述端子电流的时间序列数据和所述端子电压的时间序列数据，计算所述端子电流的差分即电流差分和所述端子电压的差分即电压差分，
基于所述电流差分的时间序列数据和所述电压差分的时间序列数据，计算从自当前追溯了第1规定时间的过去到当前为止的期间内的、所述电压差分相对于所述电流差分的变化率即差分梯度，
生成如下的所述状态估计输入数据，该状态估计输入数据包含：所述差分梯度的时间序列数据；所述工作中的二次电池的开路电压的时间序列数据；从当前的所述开路电压减去从当前追溯了第2规定时间的过去的所述开路电压而得到的开路电压变化量的时间序列数据；从当前的所述差分梯度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量的时间序列数据；以及在从自当前追溯了所述第2规定时间的过去到当前为止的期间内连续取得的所述端子电流的值的总和即累计电流值的时间序列数据。
11.一种二次电池的状态估计装置，该二次电池的状态估计装置具有：
状态观测部，其按照规定的时间间隔来测定工作中的二次电池的包含端子电流和端子电压的状态变量；
预处理部，其对所述状态观测部测定出的状态变量进行预处理而计算状态估计输入数据；以及
状态估计部，其使用基于权利要求1至9中的任意一项所述的二次电池的状态估计模型的学习方法得到的学习完毕的状态估计模型，根据所述状态估计输入数据估计所述工作中的二次电池的当前的充电率及/或劣化度，
其中，所述预处理部进行以下处理：
根据所述状态观测部取得的所述端子电流的时间序列数据和所述端子电压的时间序列数据，计算所述端子电流的差分即电流差分和所述端子电压的差分即电压差分，
基于所述电流差分的时间序列数据和所述电压差分的时间序列数据，计算从自当前追溯了第1规定时间的过去到当前为止的期间内的、所述电压差分相对于所述电流差分的变化率即差分梯度，
生成如下的所述状态估计输入数据，该状态估计输入数据包含：所述差分梯度的时间序列数据；所述工作中的二次电池的开路电压的时间序列数据；从当前的所述开路电压减去从当前追溯了第2规定时间的过去的所述开路电压而得到的开路电压变化量的时间序列数据；从当前的所述差分梯度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量的时间序列数据；以及在从自当前追溯了所述第2规定时间的过去到当前为止的期间内连续取得的所述端子电流的值的总和即累计电流值的时间序列数据。
CN202210142263.0A 2021-03-08 2022-02-16 状态估计模型的学习方法、状态估计方法和状态估计装置 Pending CN115047368A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021036377A JP2022136663A (ja) 2021-03-08 2021-03-08 二次電池の状態推定モデルの学習方法、状態推定方法、および状態推定装置
JP2021-036377 2021-03-08

Publications (1)

Publication Number Publication Date
CN115047368A true CN115047368A (zh) 2022-09-13

Family

ID=83117101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210142263.0A Pending CN115047368A (zh) 2021-03-08 2022-02-16 状态估计模型的学习方法、状态估计方法和状态估计装置

Country Status (3)

Country Link
US (1) US20220283229A1 (zh)
JP (1) JP2022136663A (zh)
CN (1) CN115047368A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116683822B (zh) * 2023-08-04 2023-10-17 长治市本立科技有限公司 一种动态负载跟踪变频器节能控制方法及系统
CN117092541B (zh) * 2023-08-23 2024-04-30 苏州吉智能源科技有限公司 一种直流充电大数据计算电池健康的分析方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4038788B2 (ja) * 2002-02-22 2008-01-30 アクソンデータマシン株式会社 バッテリの残存容量判定方法と、その装置
JP4123075B2 (ja) * 2003-06-27 2008-07-23 松下電工株式会社 放電灯点灯装置
JP3935099B2 (ja) * 2003-04-15 2007-06-20 株式会社デンソー 車両用蓄電装置の内部状態検出システム
WO2019235645A1 (ja) * 2018-06-08 2019-12-12 パナソニックＩｐマネジメント株式会社 バッテリ管理システム及びバッテリ管理方法
KR20210148217A (ko) * 2019-04-02 2021-12-07 가부시키가이샤 한도오따이 에네루기 켄큐쇼 이차 전지의 충전 상태 추정 방법, 이차 전지의 충전 상태 추정 시스템, 및 이차 전지의 이상 검지 방법

Also Published As

Publication number Publication date
US20220283229A1 (en) 2022-09-08
JP2022136663A (ja) 2022-09-21

Similar Documents

Publication Publication Date Title
CN110549876B (zh) 一种能量输出控制方法、装置和氢燃料混合动力汽车
Sun et al. Model-based dynamic multi-parameter method for peak power estimation of lithium–ion batteries
JP4038788B2 (ja) バッテリの残存容量判定方法と、その装置
CN110873841B (zh) 一种基于数据驱动与电池特性相结合的电池寿命预测方法
JP5875037B2 (ja) バッテリの状態予測システム、方法及びプログラム
CN115047368A (zh) 状态估计模型的学习方法、状态估计方法和状态估计装置
CN105974327A (zh) 一种基于神经网络和ukf的锂电池组soc预测方法
Eddahech et al. Adaptive voltage estimation for EV Li-ion cell based on artificial neural networks state-of-charge meter
CN101359036A (zh) 电池荷电状态的测定方法
CN107176043A (zh) 用于车辆电池系统的功率容量估计
CN112904219B (zh) 一种基于大数据的动力电池健康状态的预测方法
CN108549030A (zh) 基于电压关键特性的锂电池在线健康状态快速预测方法
JP7366975B2 (ja) バッテリ劣化推定装置、バッテリ劣化推定システム、バッテリ劣化推定方法、およびプログラム
CN106998086A (zh) 兆瓦级储能电站电池管理方法及其系统
CN108710087A (zh) 一种纯电动汽车电池组健康状态测取装置及其测取方法
CN116512976A (zh) 一种续航里程的估算方法、装置、电子设备及存储介质
CN115047345A (zh) 二次电池的开路电压估计模型的学习方法、开路电压估计方法及状态估计装置
CN116298963A (zh) 二次电池的特性估计装置及其方法、模型的学习方法
JP2013205021A (ja) ２次電池の充電相当量算出装置
CN112731160A (zh) 电池滞回模型训练方法、估算电池soc的方法和装置
CN115047369A (zh) 状态估计模型的学习方法、状态估计方法和状态估计装置
CN116080470A (zh) 电动汽车的动力电池监控方法、装置、服务器及介质
JP6819408B2 (ja) 二次電池の充電状態推定装置及び充電状態推定方法
CN110816356B (zh) 一种动力电池充电电气控制系统及方法
JP7448201B2 (ja) 人工知能技術を用いた２次電池の状態推定装置

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