CN116298963A - 二次电池的特性估计装置及其方法、模型的学习方法 - Google Patents

二次电池的特性估计装置及其方法、模型的学习方法 Download PDF

Info

Publication number
CN116298963A
CN116298963A CN202211516115.7A CN202211516115A CN116298963A CN 116298963 A CN116298963 A CN 116298963A CN 202211516115 A CN202211516115 A CN 202211516115A CN 116298963 A CN116298963 A CN 116298963A
Authority
CN
China
Prior art keywords
secondary battery
characteristic estimation
terminal
current
estimation model
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
CN202211516115.7A
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 CN116298963A publication Critical patent/CN116298963A/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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—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
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • 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]
    • 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]
    • G01R31/385—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
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/80—Time limits
    • 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
    • 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)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供二次电池的特性估计装置及其方法、模型的学习方法。高精度地估计工作中的二次电池的内部电阻和开路电压。二次电池的特性估计方法包含以下步骤：以规定的时间间隔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；对状态变量进行预处理并计算特性估计输入数据；以及使特性估计模型通过机器学习来学习特性估计输入数据与二次电池的内部电阻和开路电压之间的关系，在进行上述计算的步骤中，根据端子电流的时序数据和端子电压的时序数据计算电流差分和电压差分，生成包含端子电流、端子电压、电流差分和电压差分各自的时序数据的特性估计输入数据。

Description

二次电池的特性估计装置及其方法、模型的学习方法
技术领域
本发明涉及估计工作中的二次电池的电气特性即内部电阻和开路电压的特性估计模型的学习方法、特性估计方法和使用了学习完毕的特性估计模型的二次电池的特性估计装置。
背景技术
能够通过充电而反复使用的蓄电池即二次电池被广泛应用于电动汽车、电动自行车等移动体、建筑物等中。在使用这些二次电池时，以掌握适当的充电时机、更换时机等为目的，适当掌握该二次电池的状态是重要的。这里，二次电池的状态意味着SOC(充电率、剩余容量、State Of Charge)和/或SOH(劣化度、State Of Health)。
一般而言，二次电池的充放电特性例如依赖于该二次电池的内部电阻特性、SOC-OCV(开路电压、Open Circuit Voltage)特性等电气特性和/或这种电气特性相对于SOH的依赖性。因此，从SOC估计精度的观点来看，例如作为使用了神经网络的二次电池的状态估计模型的输入，优选使用该二次电池的内部电阻和OCV。但是，例如在如与车辆的行驶用驱动马达连接的车载电池那样在行驶中频繁地反复进行放电和再生(充电)这样的二次电池中，很难准确地测定内部电阻和OCV。
在专利文献1中记载了如下技术：在二次电池的端子间输入测定用的交流信号，实际测量工作中的二次电池的内部电阻。在专利文献1中，利用上述实际测量的二次电池的内部电阻作为针对SOC估计模型的输入参数。
此外，在专利文献2中，准备针对二次电池预先测定的映射图，该映射图用于计算由于该二次电池的端子电流和与温度对应的内部电阻Ri而引起的电压变动量Vir以及由于电解液中的离子的极化而引起的电压变动量。而且，在专利文献2中，基于这些映射图，根据工作中的二次电池的端子间电压、端子电流和温度估计当前的OCV。
现有技术文献
专利文献
专利文献1：日本特开2003-249271号公报
专利文献2：日本特开2012-237665号公报
发明内容
发明要解决的课题
但是，在专利文献1中的内部电阻的测定中，除了交流信号发生器以外，还需要端子电流和端子电压中出现的交流成分的振幅和相位的测定电路，成本变高。此外，在车辆发动机室等噪音大的环境下，很难实现与内部电阻有关的实用的测定精度。
此外，二次电池的电气特性可能根据该二次电池的制造商和/或型号而有各种不同，因此，在如专利文献2那样使用针对二次电池预先测定的映射图来估计OCV的结构中，关于具有与上述预先测定的二次电池不同的特性的二次电池，很难以实用的精度进行OCV估计。
本发明是鉴于上述情况而完成的，其目的在于，高精度地估计制造商、型号不同的具有各种电气特性的工作中的二次电池的内部电阻和开路电压(OCV)。
上述目的有助于提高各种二次电池的SOC估计等的精度，能够实现二次电池的高效运用和电池寿命的改善，能够有助于实现可持续的开发目标(SDG 7.3、9.4、12.2、12.4、12.5等)。
用于解决课题的手段
本发明的一个方式是一种二次电池的特性估计模型的学习方法，其是对连接了负载或充电器的工作中的二次电池的内部电阻和开路电压进行估计的特性估计模型的基于机器学习的学习方法，其中，所述学习方法包含以下步骤：以规定的时间间隔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并计算特性估计输入数据；以及使所述特性估计模型通过机器学习来学习所述特性估计输入数据与所述工作中的二次电池的内部电阻和开路电压之间的关系，在进行所述计算的步骤中，根据所述端子电流的时序数据和所述端子电压的时序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，生成包含所述端子电流、所述端子电压、所述电流差分和所述电压差分各自的时序数据的所述特性估计输入数据。
根据本发明的另一个方式，所述电流差分和所述电压差分分别是所述端子电流的时序数据的4阶差分和所述端子电压的时序数据的4阶差分。
根据本发明的另一个方式，所述特性估计模型由RNN(循环神经网络)构成。
根据本发明的另一个方式，构成所述特性估计模型的RNN的中间层由LSTM(长短期记忆)或GRU(门控循环单元)构成。
根据本发明的另一个方式，所述特性估计模型由一维CNN(卷积神经网络)构成。
根据本发明的另一个方式，所述特性估计模型是通过如下学习而生成的，该学习使用了与连接了负载或充电器的电气特性不同的多个二次电池分别有关的包含端子电流和端子电压的状态变量的时序数据。
本发明的另一个方式是一种二次电池的特性估计方法，其包含以下步骤：以规定的时间间隔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；对所述状态变量进行预处理并计算特性估计输入数据；以及使用基于权利要求1～6中的任意一项所述的二次电池的特性估计模型的学习方法的学习完毕的所述特性估计模型，根据所述特性估计输入数据估计所述工作中的二次电池的内部电阻和开路电压，在进行所述计算的步骤中，根据所述端子电流的时序数据和所述端子电压的时序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，生成包含所述端子电流、所述端子电压、所述电流差分和所述电压差分各自的时序数据的所述特性估计输入数据。
本发明的又一个方式是一种二次电池的特性估计装置，其估计工作中的二次电池的状态，其中，所述特性估计装置具有：状态观测部，其以规定的时间间隔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；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输入数据；以及状态估计部，其根据所述输入数据估计所述工作中的二次电池的当前的充电率和/或劣化度，所述状态估计部使用基于权利要求1～6中的任意一项所述的二次电池的特性估计模型的学习方法的学习完毕的特性估计模型估计所述工作中的二次电池的当前的内部电阻和开路电压，使用估计出的内部电阻和开路电压估计所述工作中的二次电池的当前的充电率和/或劣化度。
发明效果
根据本发明，能够高精度地估计制造商、型号不同的具有各种电气特性的工作中的二次电池的内部电阻和开路电压。
附图说明
图1是示出本发明的第1实施方式的特性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所示的特性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所示的特性估计模型的学习方法中的计算特性估计输入数据的步骤中的处理的详细情况的流程图。
图4是用于说明图3所示的处理中的电流差分的计算的图。
图5是用于说明图3所示的处理中的电压差分的计算的图。
图6是示出图2所示的机器学习装置的模型学习部生成的特性估计模型的结构的一例的图。
图7是示出使用学习完毕的特性估计模型进行的二次电池的内部电阻和开路电压估计的例子的图。
图8是示出本发明的第2实施方式的特性估计方法的步骤的流程图。
图9是示出执行图8所示的特性估计方法的特性估计装置的结构的图。
图10是图9所示的特性估计装置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：特性估计模型；130：状态变量测定部；132：输入数据生成部；134：模型学习部；300：输入层；302：中间层；304：输出层；400：特性估计装置；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：车速传感器；500、502、504、506：处理；600、602、604、606：线。
具体实施方式
本申请发明的发明人发现，至少在相同种类的二次电池(例如“锂离子电池”这样的种类相同的二次电池)之间，在二次电池的端子电流和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(内部电阻、OCV、SOC和/或SOH等)之间具有相关性。而且，发明人得到如下见解：作为表现二次电池的端子电流和端子电压的高阶的变化方式的参数，使用端子电流的时序数据的差分(电流差分)和端子电压的时序数据的差分(电压差分)，通过将其设为模型(例如神经网络)的输入，能够生成能高精度地估计制造商、型号不同的具有各种电气特性和/或性能的二次电池的当前的状态(包含当前的电气特性)的模型。本申请发明是基于这种卓越的见解而得到的。
下面，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特性估计模型的学习方法的步骤的图。该特性估计模型的学习方法包含以下步骤：以规定的时间间隔测定连接了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(S100)；以及对测定出的状态变量进行预处理并计算特性估计输入数据(S102)。此外，该特性估计模型的学习方法包含如下步骤：通过机器学习使上述特性估计模型学习上述计算出的特性估计输入数据与上述工作中的二次电池的内部电阻和开路电压之间的关系(S104)。
图2是示出执行图1所示的特性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。特性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内部电阻和开路电压的实测值，将其提供给机器学习装置100。
二次电池102由充电器104来充电，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。通过切换开关108来选择是对二次电池102进行来自充电器104的充电还是对二次电池102进行朝向负载106的放电。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。规定的状态变量可以包含二次电池102的端子电压Vte、端子电流Ite、内部电阻Ri和二次电池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来测定内部电阻Ri。
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对二次电池102的充放电进行控制，并且生成特性估计模型的学习用的示教数据，将其输出到机器学习装置100。学习管理装置112例如是计算机，通过来自操作员的指示而开始动作，进行针对充电器104的电源输出的开始和停止的指示、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以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和内部电阻Ri。
学习管理装置112根据上述取得的端子电流Ite、端子电压Vte和内部电阻Ri计算二次电池102的开路电压Voc，生成内部电阻Ri和开路电压Voc各自的时序数据。该内部电阻Ri和开路电压Voc的时序数据被用作后述的机器学习装置100执行的特性估计模型的学习时的示教数据。
[2.机器学习装置]
机器学习装置100执行图1所示的特性估计模型的学习方法。机器学习装置100具有处理装置120和存储装置122。存储装置122例如由易失性和/或非易失性半导体存储器和/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生成的特性估计模型124。
处理装置120例如是具有CPU(Central Processing Unit：中央处理单元)等处理器的计算机。处理装置120也可以构成为具有被写入程序的ROM(Read Only Memory：只读存储器)、数据的临时存储用的RAM(Random Access Memory：随机存取存储器)等。而且，处理装置120具有状态变量测定部130、输入数据生成部132和模型学习部134作为功能要素或功能单元。
处理装置120具有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于计算机可读取的任意的存储介质中。取而代之，还能够通过包含一个以上的电子电路部件的硬件分别构成处理装置120具有的上述功能要素的全部或一部分。
[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。即，状态变量测定部130以规定的时间间隔从特性测定器110取得连接了负载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以规定的时间间隔测定状态变量。状态变量测定部130也可以进一步以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执行图1所示的步骤S102。即，输入数据生成部132对状态变量测定部130测定出的状态变量进行预处理并计算特性估计输入数据。
图3是示出图1中的计算特性估计输入数据的步骤S102中的处理的详细情况的流程图。在计算特性估计输入数据的步骤S102中，输入数据生成部132根据端子电流Ite的时序数据和端子电压Vte的时序数据计算端子电流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生成从自当前追溯了规定时间T1的过去起到当前为止的期间中的、包含下面4个时序数据的状态估计输入数据(S202)，结束处理。
端子电流Ite的时序数据
端子电压Vte的时序数据
电流差分δIte的时序数据
电压差分δVte的时序数据
下面，对电流差分δIte和电压差分δVte的具体计算方法进行说明。
[2.2.2.1电流差分δIte的计算]
图4是用于说明电流差分δIte的计算的图。在图4所示的表中，将最左列设为第1列，朝向右侧设为第2列、第3列、……第6列。图4的表的第1列示出状态变量测定部130以时间间隔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的时序数据，示出在各个时刻取得的端子电流Ite。
第3列、第4列、第5列和第6列分别示出根据第2列的端子电流Ite计算的端子电流Ite的1阶差分Δ1Ite、2阶差分Δ2Ite、3阶差分Δ3Ite和4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1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)而计算出的。此外，时刻tn的2阶差分Δ2Ite(tn)是从时刻tn的1阶差分Δ1Ite(tn)减去时刻tn-1的1阶差分Δ1Ite(tn-1)而计算出的。
同样，时刻tn的3阶差分Δ3Ite(tn)是从时刻tn的2阶差分Δ2Ite(tn)减去时刻tn-1的2阶差分Δ2Ite(tn-1)而计算出的，时刻tn的4阶差分Δ4Ite(tn)是从时刻tn的3阶差分Δ3Ite(tn)减去时刻tn-1的3阶差分Δ3Ite(tn-1)而计算出的。
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4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是示出电压差分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，朝向右侧设为第2列、第3列、……第6列。图5的表的第1列示出状态变量测定部130以时间间隔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的时序数据，示出在各个时刻取得的端子电压Vte。
第3列、第4列、第5列和第6列分别示出根据第2列的端子电压Vte计算的端子电压Vte的1阶差分Δ1Vte、2阶差分Δ2Vte、3阶差分Δ3Vte和4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1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)而计算出的。此外，时刻tn的2阶差分Δ2Vte(tn)是从时刻tn的1阶差分Δ1Vte(tn)减去时刻tn-1的1阶差分Δ1Vte(tn-1)而计算出的。
同样，时刻tn的3阶差分Δ3Vte(tn)是从时刻tn的2阶差分Δ2Vte(tn)减去时刻tn-1的2阶差分Δ2Vte(tn-1)而计算出的，时刻tn的4阶差分Δ4Vte(tn)是从时刻tn的3阶差分Δ3Vte(tn)减去时刻tn-1的3阶差分Δ3Vte(tn-1)而计算出的。
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4阶差分Δ4Vte设为电压差分δVte。即，
δVte(t)＝Δ4Vte(t)t＝tn、tn-1、……。
[2.2.2.3特性估计输入数据]
如上所述，特性估计输入数据由端子电流Ite、端子电压Vte、电流差分δIte和电压差分δVte的、从自当前追溯了规定时间T1的过去起到当前为止的期间的时序数据构成。在将当前时刻设为tn、将从当前追溯了规定时间T1的过去的时刻设为tr时，特性估计输入数据由下式表示。
Figure BDA0003971982690000091
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))
vδIte(tn)＝(δIte(tr)，δIte(tr+1)，δIte(tr+2)，...，δIte(tn))
vδVte(tn)＝(δVte(tr)，δVte(tr+1)，δVte(tr+2)，...，δVte(tn))
这里，端子电流Ite的时序数据VIte(tn)、端子电压Vte的时序数据VVte(tn)、电流差分的时序数据VδIte(tn)和电压差分的时序数据VδVte(tn)分别是具有端子电流Ite、端子电压Vte、电流差分δIte和电压差分δVte的从时刻tr起到时刻tn为止的n-r+1个值作为要素的1阶张量。因此，特性估计输入数据Vx1(tn)是2阶张量。
[2.3模型学习部的功能]
模型学习部134执行图1所示的特性估计模型的学习方法的步骤S104，通过机器学习而生成特性估计模型124。具体而言，模型学习部134使用输入数据生成部132生成的特性估计输入数据，使特性估计模型124通过机器学习进行学习。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的内部电阻Ri的时序数据和开路电压Voc的时序数据，使用该取得的内部电阻Ri和开路电压Voc各自的时序数据作为示教数据来进行上述机器学习。
图6是示出模型学习部134生成的特性估计模型124的结构的图。特性估计模型124由神经网络构成，具有输入层300、中间层302和输出层304。特性估计模型124例如是RNN(循环神经网络、递归型神经网络、Recurrent Neural Network)。
输入层300接受在上述中作为式(1)而示出的2阶张量的特性估计输入数据。在本实施方式中，中间层302包含构成为多层的LSTM(长短期记忆、Long Short Term Memory)。但是，中间层302不限于LSTM。例如，中间层302也可以由GRU(门控循环单元、Gatedrecurrent unit)构成。
输出层304输出二次电池102的时刻tn的内部电阻Ri和开路电压Voc的估计值作为输出Vy1(tn)。即，输出Vy1(tn)是将作为标量的内部电阻Ri(tn)和开路电压Voc(tn)设为要素的矢量。
[3.模型学习中使用的二次电池]
作为模型学习中使用的二次电池102，优选使用制造商、型号不同且电气特性不同的各种的多个二次电池。由此，能够生成针对制造商、型号的估计精度的变化较少的特性估计模型124。例如，在特性估计模型124的学习时，优选使用SOC-OCV特性、SOC-内部电阻特性和/或它们的SOH依赖性等电气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(充放电过程)，不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，还优选随机地进行充放电和/或按照规定的基准交替地进行充放电。这种规定的基准可以是基于与作为估计对象的二次电池的各种用途对应的使用情形的基准。例如，在将车辆用的二次电池假设为估计对象的情况下，能够使用以遵循市区、山地、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，设成为特性估计模型124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内部电阻Ri和开路电压Voc各自的时序数据通过机器学习装置100而从特性测定器110取得，并且通过学习管理装置112进行计算，立即用于特性估计模型124的学习。但是，这些状态变量和示教数据的时序数据不必立即用于学习。
学习管理装置112也可以预先使二次电池进行工作，取得并存储状态变量的时序数据和示教数据的时序数据。机器学习装置100也可以从学习管理装置112取得学习管理装置112存储的上述状态变量的时序数据和示教数据的时序数据，进行特性估计模型124的机器学习。
此外，只要与实际数据之间的误差是在实用方面没有问题的范围内，则也可以通过计算机模拟从二次电池102的等效电路等的设计资料掌握的充放电特性，由此生成状态变量的时序数据和示教数据的时序数据。
[6.基于特性估计模型的内部电阻估计和开路电压估计的例子]
接着，对使用了基于本实施方式的学习方法的学习完毕的特性估计模型的二次电池的内部电阻估计和开路电压估计的例子进行说明。图7是示出使用学习完毕的特性估计模型进行的二次电池的内部电阻估计和开路电压估计的例子的图。
通过计算机模拟电气特性不同的几十种车辆用的样本二次电池的充放电特性，由此生成特性估计模型的学习用数据。具体而言，针对作为电气特性的SOC-OCV特性、内部电阻特性和容量特性(SOH)不同的几十种样本二次电池，分别通过由上述计算机进行的模拟来计算按照规定的充放电过程进行充放电的情况下的每隔规定时间间隔dt的端子电流Ite和端子电压Vte、以及内部电阻和开路电压。
关于上述充放电过程，不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，还以遵循市区、山地、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，计算上述的特性估计模型的特性估计输入数据时的规定时间T1为5秒。另外，这些时间的数值是一例，也可以将测定间隔dt和规定时间T1设定为与上述不同的时间值。
图7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”)、使该对象二次电池从完全充电状态放电到完全放电状态的期间内的、使用了学习完毕特性估计模型的内部电阻和开路电压的估计结果以及内部电阻和开路电压的模拟值。
在图7中，横轴是使二次电池从完全充电状态起开始放电时的放电开始后的经过时间，纵轴是对象二次电池的内部电阻(单位：mΩ)和开路电压(OCV)(单位：V)。基于根据对象二次电池的充放电特性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，计算在特性估计(即内部电阻和开路电压的估计)中提供给特性估计模型的特性估计输入数据。
在图7中，由灰色的点的集合形成的图示右上方的线600是根据对象二次电池的充放电特性通过模拟而计算出的内部电阻值。另一方面，由黑色的点的集合形成的线602是通过特性估计模型估计出的内部电阻估计值。
在图7中，由灰色的点的集合形成的图示右下方的线604是根据对象二次电池的充放电特性通过模拟而计算出的开路电压值。另一方面，由黑色的点的集合形成的线606是通过特性估计模型估计出的开路电压估计值。
根据图7所示的线600和线602的对比、以及线604和线606的对比可知，通过利用本实施方式所示的学习方法进行了学习的特性估计模型，高精度地估计出与对象二次电池有关的内部电阻和开路电压。特别地，虽然该估计中使用的特性估计模型是使用与电气特性不同的几十种样本二次电池有关的学习数据而生成的，但是，从该特性估计模型得到的内部电阻估计值和开路电压估计值没有发散而是分别集中于一条线(线602和604)，高精度地估计出与特定的对象二次电池有关的内部电阻和开路电压。因此可知，利用本实施方式的学习方法进行学习的特性估计模型通过使用电气特性不同的多个二次电池进行学习，能够高精度地估计出与制造商和型号不同的多种多样的工作中的二次电池有关的内部电阻和开路电压。
[第2实施方式]
接着，对本发明的第2实施方式进行说明。图8是示出本发明的一个实施方式的二次电池的特性估计方法的步骤的图。该特性估计方法包含以下步骤：以规定的时间间隔测定连接了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(S300)、以及对测定出的状态变量进行预处理并计算特性估计输入数据(S302)。此外，该特性估计方法包含如下步骤：使用基于上述的第1实施方式的学习方法的学习完毕的特性估计模型，根据上述特性估计输入数据估计上述工作中的二次电池的内部电阻和开路电压(S304)。
例如，在图9所示的特性估计装置400中执行图8所示的特性估计方法。该特性估计装置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的放电被供电而驱动车辆402的车轮的马达发挥功能，并且，还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，对从二次电池404提供给旋转电机410的通电量和从旋转电机410提供给二次电池404的通电量进行控制。此外，在位于车辆402的外部的外部充电装置412与车辆402连接时，通电控制器408在行驶控制装置414的控制下，对从外部充电装置412提供给二次电池404的通电量进行控制。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还能够对从该发电机提供给二次电池的通电量进行控制。
行驶控制装置414从特性估计装置400取得表示二次电池404的状态的当前的SOC和SOH的估计值，根据取得的SOC和SOH对旋转电机410的动作进行控制，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，存储处理装置440中的处理所需要的数据。
处理装置440例如是具有CPU等处理器的计算机。处理装置440也可以构成为具有被写入程序的ROM、数据的临时存储用的RAM等。而且，处理装置440具有马达控制部442、充电控制部444和通知控制部446作为功能要素或功能单元。
处理装置440具有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于计算机可读取的任意的存储介质中。取而代之，还能够通过包含一个以上的电子电路部件的硬件分别构成处理装置440具有的上述功能要素的全部或一部分。
马达控制部442从油门踏板传感器452检测车辆402的油门踏板(未图示)的踩踏量。在油门踏板被踩踏时，行驶控制装置414指示通电控制器408进行从二次电池404针对旋转电机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对旋转电机410的转速进行控制，以使得从车速传感器456取得的车辆402的速度成为与上述油门踏板的踩踏量对应的速度。
此时，马达控制部442根据从特性估计装置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442例如以根据二次电池404和旋转电机410的特性确定的燃油效率(例如每1kWh的行驶距离)不会小于规定值的方式决定最大通电电流，以限制旋转电机410的产生扭矩从而限制二次电池404的放电。
充电控制部444通过制动踏板传感器454判断车辆402的制动踏板(未图示)是否被踩踏。然后，在制动踏板被踩踏时，充电控制部444指示马达控制部442停止从二次电池404针对旋转电机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针对二次电池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针对二次电池404的充电(所谓的再生制动动作)。
此外，在外部充电装置412与车辆402连接时，充电控制部444经由通电控制器408对从外部充电装置412提供给二次电池404的供电量进行控制。
通知控制部446根据从特性估计装置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中显示取得的当前的SOC估计值和SOH估计值。此外，例如在SOC估计值低于规定值时，通知控制部446在显示装置450中显示向车辆402的驾驶者建议利用充电站进行充电的消息。或者，例如在SOH估计值低于规定值时，通知控制部446在显示装置450中显示向车辆402的驾驶者建议更换二次电池404的消息。
特性估计装置400执行图8所示的特性估计方法，估计工作中的二次电池404的内部电阻和开路电压。然后，特性估计装置400根据估计出的内部电阻和开路电压估计该二次电池404的SOC和SOH，将当前的SOC估计值和SOH估计值输出到行驶控制装置414。
具体而言，特性估计装置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半导体存储器构成。在存储装置428中预先保存基于第1实施方式的学习方法的学习完毕的特性估计模型124作为特性估计模型430。
处理装置420例如是具有CPU等处理器的计算机。处理装置420也可以构成为具有被写入程序的ROM、数据的临时存储用的RAM等。而且，处理装置420具有状态观测部422、预处理部424和状态估计部426作为功能要素或功能单元。
处理装置420具有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于计算机可读取的任意的存储介质中。取而代之，还能够通过包含一个以上的电子电路部件的硬件分别构成处理装置420具有的上述功能要素的全部或一部分。
图10示出具有状态观测部422、预处理部424和状态估计部426的处理装置420的功能框图。在图10中，虚线矩形分别示出预处理部424和状态估计部426中的处理。
状态观测部422执行图8所示的特性估计方法的步骤S300。即，状态观测部422从特性测定器406以规定的时间间隔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得到以规定的时间间隔测定出的状态变量的时序数据。
预处理部424执行图8所示的特性估计方法的步骤S302。即，预处理部424对状态观测部422取得的状态变量进行预处理，计算特性估计输入数据。具体而言，预处理部424根据状态观测部422取得的端子电流Ite的时序数据和端子电压Vte的时序数据计算端子电流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10所示的处理500)。
然后，预处理部424生成包含端子电流Ite、端子电压Vte、电流差分δIte和电压差分δVte各自的、从自当前追溯了规定时间T1的过去起到当前为止的期间内的时序数据的特性估计输入数据(图10的处理502)。
接着，状态估计部426执行图8所示的特性估计方法的步骤S304。即，状态估计部426使用学习完毕的特性估计模型，根据上述生成的特性估计输入数据估计工作中的二次电池404的内部电阻Ri和开路电压Voc(图10的处理504)。
然后，状态估计部426例如使用内部电阻Ri、开路电压Voc、端子电压Vte和端子电流Ite的、从自当前追溯了规定时间T2的过去起到当前为止的时序数据作为输入，例如使用通过机器学习进行了学习的学习完毕的状态估计模型估计作为二次电池404的当前状态的SOC和SOH(图10的处理506)。
[其他实施方式]
本发明不限于上述的实施方式的结构，能够在不脱离其主旨的范围内在各种方式下实施。
在第1和第2实施方式中，设电流差分δIte和电压差分δVte分别是端子电流的4阶差分Δ4Ite和端子电压的4阶差分Δ4Vte，但是，电流差分δIte和电压差分δVte也可以不必是4阶差分。电流差分δIte和电压差分δVte例如也可以是1阶差分Δ1Ite和Δ1Vte。但是，4阶以上的高阶差分能够提取电气特性不同的二次电池间的更加通用的端子电流和端子电压的变化方式，因此，从更高精度地估计与制造商、型号不同的二次电池有关的开路电压的观点来看是优选的。
此外，也可以对特性估计输入数据附加二次电池102的温度的时序数据。由此，能够进一步提高基于特性估计模型124的内部电阻和开路电压的估计精度。特别地，在二次电池是锂离子电池的情况下，内部电阻的温度依赖性比较大，因此，从将具有各种电气特性的广泛的二次电池102作为对象而高精度地测定其内部电阻和开路电压的观点来看，优选在特性估计输入数据中包含二次电池的温度。
此外，在上述的实施方式中，设特性估计模型124是容易将以时序连续的数据作为输入进行处理的RNN，但是，特性估计模型的结构不限于RNN。
例如，也可以通过一维CNN(卷积神经网络、Convolutional Neural Network)构成特性估计模型124。该情况下，也能够将由2阶张量表现的特性估计输入数据(式(1))输入到特性估计模型124。
此外，在上述的第2实施方式中，作为执行估计工作中的二次电池的内部电阻和开路电压的步骤S304的装置的一例，示出搭载于车辆402的估计工作中的二次电池404的状态的特性估计装置400。但是，关于估计工作中的二次电池的内部电阻和开路电压的步骤S304，不限于车辆用的二次电池，还能够用于便携电话、自行车、家庭等任意用途中使用的二次电池的状态估计。
此外，在上述的第2实施方式中，设为在进行二次电池的状态估计的特性估计装置400中进行图8所示的特性估计方法。但是，这是一例，也可以在仅进行内部电阻和开路电压的估计的单独装置中执行特性估计方法。或者，也可以在具有其他各种功能的装置中执行特性估计方法。例如，能够在对二次电池的负载进行控制的控制器中执行图8所示的特性估计方法。作为具体例，例如，在图9中，也可以在行驶控制装置414的处理装置440中实现特性估计装置400的处理装置420具有的状态观测部422、预处理部424和状态估计部426。该情况下，存储装置428存储的特性估计模型430存储于行驶控制装置414的存储装置448中。
[由上述实施方式支持的结构]
上述的实施方式支持以下的结构。
(结构1)一种二次电池的特性估计模型的学习方法，其是对连接了负载或充电器的工作中的二次电池的内部电阻和开路电压进行估计的特性估计模型的基于机器学习的学习方法，其中，所述学习方法包含以下步骤：以规定的时间间隔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并计算特性估计输入数据；以及使所述特性估计模型通过机器学习来学习所述特性估计输入数据与所述工作中的二次电池的内部电阻和开路电压之间的关系，在进行所述计算的步骤中，根据所述端子电流的时序数据和所述端子电压的时序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，生成包含所述端子电流、所述端子电压、所述电流差分和所述电压差分各自的时序数据的所述特性估计输入数据。
根据结构1的特性估计模型的学习方法，能够通过所生成的特性估计模型高精度地估计制造商、型号不同的具有各种电气特性的工作中的二次电池的内部电阻和开路电压。
(结构2)根据结构1所述的二次电池的特性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序数据的4阶差分和所述端子电压的时序数据的4阶差分。
根据结构2的特性估计模型的学习方法，能够使用电气特性不同的二次电池能更加通用地具有的端子电流Ite和端子电压Vte的高阶的变化方式，通过特性估计模型更加高精度地估计制造商、型号不同的具有各种电气特性的二次电池的内部电阻和开路电压。
(结构3)根据结构1或2所述的二次电池的特性估计模型的学习方法，其中，所述特性估计模型由RNN(循环神经网络)构成。
根据结构3的特性估计模型的学习方法，能够高效地处理多个变量的时序数据，能够进行与特性估计模型有关的有效的学习。
(结构4)根据结构3所述的二次电池的特性估计模型的学习方法，其中，构成所述特性估计模型的RNN的中间层由LSTM(长短期记忆)或GRU(门控循环单元)构成。
根据结构4的特性估计模型的学习方法，能够更加高效地处理多个变量的时序数据，能够进行与特性估计模型有关的更加有效的学习。
(结构5)根据结构1或2所述的二次电池的特性估计模型的学习方法，其中，所述特性估计模型由一维CNN(卷积神经网络)构成。
根据结构5的特性估计模型的学习方法，例如，在比较短地构成特性估计输入数据中包含的时序数据的长度的情况下，能够以更短的处理时间得到高精度的内部电阻和开路电压的估计结果。
(结构6)根据结构1～5中的任意一项所述的二次电池的特性估计模型的学习方法，其中，所述特性估计模型是通过如下学习而生成的，该学习使用了与连接了负载或充电器的电气特性不同的多个二次电池分别有关的包含端子电流和端子电压的状态变量的时序数据。
根据结构6的特性估计模型的学习方法，能够生成能高精度地估计制造商、型号不同的具有各种电气特性的二次电池的开路电压的特性估计模型。
(结构7)一种二次电池的特性估计方法，其包含以下步骤：以规定的时间间隔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；对所述状态变量进行预处理并计算特性估计输入数据；以及使用基于结构1～6中的任意一项所述的二次电池的特性估计模型的学习方法的学习完毕的所述特性估计模型，根据所述特性估计输入数据估计所述工作中的二次电池的内部电阻和开路电压，在进行所述计算的步骤中，根据所述端子电流的时序数据和所述端子电压的时序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，生成包含所述端子电流、所述端子电压、所述电流差分和所述电压差分各自的时序数据的所述特性估计输入数据。
根据结构7的特性估计方法，能够在制造商、型号不同的具有各种电气特性的二次电池的工作中高精度地估计这些二次电池的内部电阻和开路电压。
(结构8)一种二次电池的特性估计装置，其估计工作中的二次电池的状态，其中，所述特性估计装置具有：状态观测部，其以规定的时间间隔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；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输入数据；以及状态估计部，其根据所述输入数据估计所述工作中的二次电池的当前的充电率和/或劣化度，所述状态估计部使用基于结构1～6中的任意一项所述的二次电池的特性估计模型的学习方法的学习完毕的特性估计模型估计所述工作中的二次电池的当前的内部电阻和开路电压，使用估计出的内部电阻和开路电压估计所述工作中的二次电池的当前的充电率和/或劣化度。
根据结构8的特性估计装置，能够在制造商、型号不同的具有各种电气特性的二次电池的工作中高精度地估计这些二次电池的内部电阻和开路电压，能够高精度地估计这些二次电池的充电率和/或劣化度。

Claims (8)

1.一种二次电池的特性估计模型的学习方法，其是对连接了负载或充电器的工作中的二次电池的内部电阻和开路电压进行估计的特性估计模型的基于机器学习的学习方法，其中，
所述学习方法包含以下步骤：
以规定的时间间隔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并计算特性估计输入数据；以及
使所述特性估计模型通过机器学习来学习所述特性估计输入数据与所述工作中的二次电池的内部电阻和开路电压之间的关系，
在进行所述计算的步骤中，
根据所述端子电流的时序数据和所述端子电压的时序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，
生成包含所述端子电流、所述端子电压、所述电流差分和所述电压差分各自的时序数据的所述特性估计输入数据。
2.根据权利要求1所述的二次电池的特性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序数据的4阶差分和所述端子电压的时序数据的4阶差分。
3.根据权利要求1所述的二次电池的特性估计模型的学习方法，其中，
所述特性估计模型由RNN(Recurrent Neural Network：循环神经网络)构成。
4.根据权利要求3所述的二次电池的特性估计模型的学习方法，其中，
构成所述特性估计模型的RNN的中间层由LSTM(Long Short Term Memory：长短期记忆)或GRU(Gated recurrent unit：门控循环单元)构成。
5.根据权利要求1所述的二次电池的特性估计模型的学习方法，其中，
所述特性估计模型由一维CNN(Convolutional Neural Network：卷积神经网络)构成。
6.根据权利要求1所述的二次电池的特性估计模型的学习方法，其中，
所述特性估计模型是通过如下学习而生成的，该学习使用了与连接了负载或充电器的电气特性不同的多个二次电池分别有关的包含端子电流和端子电压的状态变量的时序数据。
7.一种二次电池的特性估计方法，其包含以下步骤：
以规定的时间间隔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；
对所述状态变量进行预处理并计算特性估计输入数据；以及
使用基于权利要求1～6中的任意一项所述的二次电池的特性估计模型的学习方法的学习完毕的所述特性估计模型，根据所述特性估计输入数据估计所述工作中的二次电池的内部电阻和开路电压，
在进行所述计算的步骤中，
根据所述端子电流的时序数据和所述端子电压的时序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，
生成包含所述端子电流、所述端子电压、所述电流差分和所述电压差分各自的时序数据的所述特性估计输入数据。
8.一种二次电池的特性估计装置，其估计工作中的二次电池的状态，其中，所述特性估计装置具有：
状态观测部，其以规定的时间间隔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；
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输入数据；以及
状态估计部，其根据所述输入数据估计所述工作中的二次电池的当前的充电率和/或劣化度，
所述状态估计部使用基于权利要求1～6中的任意一项所述的二次电池的特性估计模型的学习方法的学习完毕的特性估计模型估计所述工作中的二次电池的当前的内部电阻和开路电压，使用估计出的内部电阻和开路电压估计所述工作中的二次电池的当前的充电率和/或劣化度。
CN202211516115.7A 2021-12-21 2022-11-30 二次电池的特性估计装置及其方法、模型的学习方法 Pending CN116298963A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-207074 2021-12-21
JP2021207074 2021-12-21

Publications (1)

Publication Number Publication Date
CN116298963A true CN116298963A (zh) 2023-06-23

Family

ID=86767180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211516115.7A Pending CN116298963A (zh) 2021-12-21 2022-11-30 二次电池的特性估计装置及其方法、模型的学习方法

Country Status (2)

Country Link
US (1) US20230191945A1 (zh)
CN (1) CN116298963A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500482B (zh) * 2023-06-26 2023-10-24 安徽锐能科技有限公司 磷酸铁锂电池soh的估测方法及可读存储介质

Also Published As

Publication number Publication date
US20230191945A1 (en) 2023-06-22

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
CN102368091B (zh) 用于评估电池的电池参数的方法
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
CN102144169B (zh) 二次电池的状态推定装置
JP5875037B2 (ja) バッテリの状態予測システム、方法及びプログラム
US9533597B2 (en) Parameter identification offloading using cloud computing resources
US8648571B2 (en) Electric-powered vehicle, method for estimating state of charge, and computer-readable storage medium having program stored therein for causing computer to execute method for estimating state of charge
JP5862836B2 (ja) 電池システム
Kessels et al. On-line battery identification for electric driving range prediction
Eddahech et al. Adaptive voltage estimation for EV Li-ion cell based on artificial neural networks state-of-charge meter
JP3543662B2 (ja) 電気自動車用二次電池のｓｏｃ演算方法
US12099094B2 (en) Learning method, state estimation method, and state estimation device for state estimation model of secondary battery
CN105277892A (zh) 通过脉冲注入辨识电池系统
CN116298963A (zh) 二次电池的特性估计装置及其方法、模型的学习方法
JP2018077170A (ja) バッテリ評価方法およびバッテリ評価装置
CN116512976A (zh) 一种续航里程的估算方法、装置、电子设备及存储介质
US20220283235A1 (en) Learning method and open circuit voltage estimation method of open circuit voltage estimation model of secondary battery, and state estimation method of secondary battery
JP2006105821A (ja) 二次電池の充電容量推定装置およびその方法
US12019122B2 (en) Learning method, state estimation method, and state estimation device for state estimation model of secondary battery
JP2018063191A (ja) 充電状態推定装置
US20230303097A1 (en) State estimation method and state estimation system
CN110816356B (zh) 一种动力电池充电电气控制系统及方法
US20240162508A1 (en) Traction Battery Controller Using Active Charge Control to Detect Battery Capacity
Kollmeyer et al. Evaluation of an electromechanical model for a Corbin Sparrow electric vehicle
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