CN117716248A - 二次电池容量推定系统 - Google Patents
二次电池容量推定系统 Download PDFInfo
- Publication number
- CN117716248A CN117716248A CN202280053020.8A CN202280053020A CN117716248A CN 117716248 A CN117716248 A CN 117716248A CN 202280053020 A CN202280053020 A CN 202280053020A CN 117716248 A CN117716248 A CN 117716248A
- Authority
- CN
- China
- Prior art keywords
- secondary battery
- information
- capacity
- index value
- sample
- 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
Links
- 238000013145 classification model Methods 0.000 claims abstract description 40
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 30
- 230000007423 decrease Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 19
- 230000014759 maintenance of location Effects 0.000 description 9
- 230000014509 gene expression Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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]
- G01R31/367—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]
- G01R31/3644—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]
- G01R31/382—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
-
- 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
-
- 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
-
- 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
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Manufacturing & Machinery (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种二次电池容量推定系统，其即使在二次电池的使用历史不同的情况下，也能够根据该二次电池的内部电阻的状态高效地推定其容量。推定二次电池的容量的系统具备：对象二次电池信息获取部，其获取对象二次电池信息；组决定部，其通过将对象二次电池信息中所含的对象二次电池的使用历史和内部电阻值增加信息输入到分类模型中，来决定对象二次电池的倾向组；以及容量推定部，其基于对象二次电池信息和与倾向组对应的相关关系信息，来推定对象二次电池的容量指标值。分类模型是将样本二次电池信息作为学习数据进行机器学习而得到的学习完毕模型，并构成为在输入了对象二次电池信息时输出对象二次电池所符合的倾向组。
Description
[技术领域]
本发明涉及一种推定二次电池的容量的系统。
[背景技术]
作为二次电池的劣化度评价指标，存在容量保持率(当前容量相对于初始容量或额定容量的比例)、内部电阻增加率(当前内部电阻值相对于初始内部电阻值增加的比例)，但通常使用容量保持率作为SOH(State OfHealth)。为了准确地测量二次电池的容量保持率，需要在充电至容量100％之后再次放电至0％，因此耗费时间。因此，难以在使搭载有二次电池的设备运行的状态下的二次电池中实际测量容量保持率。另一方面，关于内部电阻的测量，例如如专利文献1那样，能够在短时间内进行测量。而且，在容量保持率与内部电阻增加率之间存在相关关系，能够利用该相关关系并根据二次电池的内部电阻增加率在某种程度上推定该容量保持率。
例如，根据专利文献2记载的技术，基于从二次电池得到的电流和电压的测量值算出二次电池的内部电阻，并使用通过分析内部电阻和电池容量的测量结果的相关性而得到的关系式来推定二次电池的电池容量。
[现有技术文献]
专利文献
专利文献1：日本再公表2019/187264号公报
专利文献2：日本特开2018-072346号公报
[发明内容]
发明要解决的课题
此外，对于现实中的二次电池，例如在EV等中，二次电池的使用历史(环境温度、充电次数、快速充电频率、使用SOC范围等)各种各样。并且，例如即使内部电阻增加率即当前内部电阻值相对于初始内部电阻值增加的比例相同，二次电池的容量保持率有时也会因使用历史而大不相同。因此，为了抑制根据二次电池的内部电阻增加率来推定该二次电池的容量保持率时的推定误差，要求还考虑二次电池的使用历史的差异。
然而，在专利文献2记载的技术中，对内部电阻和电池容量的测量结果的相关性进行分析来得到其关系式，在导出该关系式时未考虑二次电池的使用历史。因此，无法抑制由于二次电池的使用历史不同而产生的、基于二次电池的内部电阻的电池容量的推定误差。
另外，在对二次电池的容量保持率造成影响的使用历史中，如上所述包含各种要素，其组合存在无数个。因此，预先准备与存在无数个的所有组合对应的关系式等是不现实的。
因此，本发明的目的在于提供一种二次电池容量推定系统，其即使在二次电池的使用历史不同的情况下，也能够根据该二次电池的内部电阻的状态高效地推定其容量。
用于解决课题的手段
本发明的二次电池容量推定系统，
其推定二次电池的容量，其特征在于，具备：
对象二次电池信息获取部，其获取由表示作为容量指标值的推定对象的对象二次电池的使用历史的信息和表示与该对象二次电池的初始状态的内部电阻值相比内部电阻值增加的程度的电阻指标值构成的对象二次电池信息，所述容量指标值表示与所述二次电池的初始状态的容量相比所述容量变化的程度；
组决定部，其通过将所述对象二次电池信息中所含的表示所述对象二次电池的使用历史的信息和所述电阻指标值输入到分类模型中，来决定该对象二次电池符合表示由使用导致的所述容量指标值的降低倾向的分类的多个倾向组中的哪一个；
存储部，其存储表示与所述多个倾向组分别对应的所述二次电池的所述电阻指标值与所述容量指标值的相关关系的相关关系信息；以及
容量推定部，其获取由所述组决定部决定的与所述对象二次电池所符合的所述倾向组对应的所述相关关系信息，并基于所述对象二次电池信息中所含的所述电阻指标值和该获取的相关关系信息，来推定该对象二次电池的所述容量指标值，
所述分类模型是将由表示多个样本二次电池各自的使用历史的信息以及该多个样本二次电池的所述电阻指标值和所述容量指标值构成的样本二次电池信息作为学习数据进行机器学习而得到的学习完毕模型，并构成为在输入了所述对象二次电池的所述对象二次电池信息时输出该对象二次电池所符合的所述倾向组。
根据本发明的二次电池容量推定系统，通过组决定部，将对象二次电池的使用历史和表示与初始状态的内部电阻值相比内部电阻值增加的程度的电阻指标值输入到分类模型中，由此能够决定该对象二次电池符合表示由使用导致的容量指标值(表示与二次电池的初始状态的容量相比容量变化的程度的值)的降低倾向的分类的多个倾向组中的哪一个。
此外，分类模型是将多个样本二次电池各自的使用历史以及该多个样本二次电池的电阻指标值和容量指标值作为学习数据进行机器学习而得到的学习完毕模型。
另外，分类模型构成为，在输入了表示对象二次电池的使用历史的信息和该对象二次电池的电阻指标值(即对象二次电池信息)时输出该对象二次电池所符合的倾向组。
然后，通过容量推定部获取由组决定部决定的与对象二次电池所符合的倾向组对应的相关关系信息，并基于对象二次电池信息中所含的电阻指标值和获取的相关关系信息，来推定该对象二次电池的容量指标值。
此外，相关关系信息是表示与多个倾向组分别对应的二次电池的电阻指标值与容量指标值的相关关系的信息。
由此，在推定二次电池的容量指标值时，不仅考虑电阻指标值，还会考虑二次电池的使用历史，因此能够抑制由于二次电池的使用历史不同而产生的容量指标值的推定误差。
另外，只要准备与倾向组的数量相应数量的相关关系信息即可，因此即使在二次电池的使用历史各不相同且其组合存在无数个的情况下，也能够高效地推定其容量指标值。
这样，根据本发明，即使在二次电池的使用历史不同的情况下，也能够根据该二次电池的内部电阻的状态高效地推定其容量。
另外，优选地，在本发明的二次电池容量推定系统中，
与所述倾向组对应的所述相关关系信息分别是通过将所述样本二次电池信息按该样本二次电池信息中所含的所述多个样本二次电池所符合的所述倾向组分类、并对与符合各所述倾向组的该样本二次电池有关的所述电阻指标值与所述容量指标值的相关关系进行分析而得到的信息。
符合同一个倾向组的样本二次电池的电阻指标值与容量指标值的相关关系近似的可能性较高。并且，对该相关关系近似的样本二次电池进行分组和分析而得到的相关关系信息成为符合实际情况的相关关系信息。
根据本发明，与倾向组对应的相关关系信息分别是通过将样本二次电池按倾向组分类后对符合各倾向组的样本二次电池的电阻指标值与容量指标值的相关关系进行分析而得到的。
因此，根据本发明，将符合实际情况的相关关系信息用于对象二次电池的容量指标值的推定，因此能够有效地抑制容量指标值的推定误差。
优选地，本发明的二次电池容量推定系统，
其具备生成所述相关关系信息的学习部，该学习部构成为：
从所述样本二次电池信息中提取与所述容量指标值为规定值以下的所述样本二次电池有关的信息，
将所述提取出的信息分类到与所述容量指标值的降低程度的高低相应的多个所述倾向组中，
对符合与所述容量指标值的降低程度的高低相应的各所述倾向组的所述样本二次电池有关的所述电阻指标值与所述容量指标值的相关关系进行分析，以生成与各该倾向组对应的所述相关关系信息。
随着二次电池的使用，二次电池的容量指标值不断降低。而且，与容量指标值的降低没那么多的二次电池相比，容量指标值降低了一定程度的二次电池如实地反映由使用导致的容量指标值的降低倾向的可能性较高。
根据本发明，通过学习部从样本二次电池信息中提取与容量指标值降低到规定值以下的样本二次电池有关的信息，并将该提取出的信息分类到与容量指标值的降低程度的高低相应的多个倾向组中。
另外，通过学习部对与符合各倾向组的样本二次电池有关的信息进行分析，以生成与各倾向组对应的相关关系信息。
由此，能够基于容量指标值降低了一定程度的二次电池的样本二次电池信息的分析结果生成相关关系信息，该二次电池如实地反映由使用导致的容量指标值的降低倾向的可能性较高。
因此，能够有效地抑制由于二次电池的使用历史不同而产生的容量指标值的推定误差。
另外，优选地，在本发明的二次电池容量推定系统中，
所述样本二次电池信息中所含的表示所述使用历史的信息由与表示所述样本二次电池的使用历史的多个项目有关的信息构成，
所述分类模型构成为，使用针对表示所述样本二次电池的使用历史的所述项目的加权值将所述对象二次电池分类到所述倾向组中，
所述二次电池容量推定系统具备生成所述分类模型的学习部，该学习部构成为：
将所述样本二次电池信息作为学习数据进行机器学习而算出针对所述项目的所述加权值，
将排除了所述加权值为规定以下的所述项目后的信息作为学习数据再次进行机器学习，从而生成所述分类模型。
根据本发明，分类模型构成为，使用针对表示样本二次电池的使用历史的多个项目的加权值将对象二次电池分类到所述倾向组中。
然后，以排除了将样本二次电池信息作为学习数据进行机器学习而算出的加权值为规定以下的项目后的学习数据再次进行机器学习来生成分类模型。
由此，能够将为了决定对象二次电池的倾向组而应该输入到分类模型中的信息缩减为二次电池的使用历史的信息中与影响倾向组的决定的重要度高到规定程度的项目有关的信息，因此能够以较少的信息决定倾向组，因此是高效的。
这样，根据本发明，能够高效地抑制由于二次电池的使用历史不同而产生的容量指标值的推定误差。
[附图的简单说明]
图1是示出本发明的二次电池容量推定系统的整体图像的一个例子的框图。
图2是示出本发明的二次电池容量推定系统在处理中使用的数据的内容的一个例子的图。
图3是示出本发明的二次电池容量推定系统在处理中使用的数据的内容的一个例子的示意图。
图4是示出本发明的二次电池容量推定系统的处理内容的一个例子的流程图。
图5是示出本发明的二次电池容量推定系统的处理内容的一个例子的流程图。
图6是示出本发明的二次电池容量推定系统的处理内容的一个例子的示意图。
图7是示出本发明的二次电池容量推定系统的处理内容的一个例子的流程图。
图8是示出本发明的二次电池容量推定系统的输出内容的一个例子的图。
[具体实施方式]
<二次电池容量推定系统的结构>
本实施方式的二次电池容量推定系统10是推定二次电池的容量的系统，例如是计算机，其构成为包括控制部110、存储部130、输入部150和输出部170。二次电池容量推定系统10例如可以安装于个人计算机、平板电脑、智能手机等通用的计算机，也可以安装于本发明的实施专用的终端。或者，例如如果二次电池的搭载对象是汽车等移动体，则也可以作为汽车导航系统等的一个功能来安装。
此外，二次电池的“容量”是将该二次电池充满电时的放电容量。
控制部110是由CPU(Central Processing Unit)等运算处理装置、存储器和I/O(Input/Output)设备等构成的所谓的处理器。
控制部110通过读入并执行规定的程序，例如作为对象二次电池信息获取部111、组决定部113、容量推定部115和学习部117发挥作用。
对象二次电池信息获取部111获取由表示作为容量指标值的推定对象的对象二次电池50的使用历史的信息和表示与对象二次电池50的初始状态的内部电阻值相比内部电阻增加的程度的电阻指标值构成的对象二次电池信息501，所述容量指标值表示与初始状态的容量相比所述容量变化的程度。
此外，初始状态的容量例如是制造二次电池时或该二次电池搭载于搭载对象的时间点的容量、或者该二次电池的额定容量。而且，容量指标值例如是根据下述式1所示那样的计算式将对象二次电池50的使用后的容量除以对象二次电池50的初始状态的容量来获取的所谓SOH。
容量指标值＝Cx/Co*100[％]……(1)
其中，
Cx＝对象二次电池的使用后的容量
Co＝对象二次电池的初始状态的容量。
或者，容量指标值例如也可以根据下述式2所示那样的计算式将从对象二次电池50的初始状态的容量起的容量降低量除以对象二次电池50的初始状态的容量来获取。变量的定义与上述相同。
容量指标值＝(Cx-Co)/Co*100[％]……(2)
或者，容量指标值可以是将对象二次电池50的容量例如用Ah单位表示的值，也可以是将与初始状态的容量的差用Ah单位表示的值。
另外，初始状态的内部电阻值是制造二次电池时或该二次电池搭载于搭载对象的时间点的内部电阻值。并且，电阻指标值例如根据下述式3所示那样的计算式将从对象二次电池50的初始状态的内部电阻值起的内部电阻值的增量除以对象二次电池50的初始状态的内部电阻值来获取。
电阻指标值＝(Rx-Ro)/Ro*100[％]……(3)
其中，
Rx＝对象二次电池的使用后的内部电阻值
Ro＝对象二次电池的初始状态的内部电阻值。
或者，电阻指标值例如也可以根据下述式4所示那样的计算式将对象二次电池50的内部电阻值除以对象二次电池50的初始状态的内部电阻值来获取。变量的定义与上述相同。
电阻指标值＝Rx/Ro*100[％]……(4)
或者，电阻指标值可以是将对象二次电池50的内部电阻值例如用Ω单位表示的值，也可以是将与初始状态的内部电阻值的差用Ω单位表示的值。
组决定部113通过将对象二次电池信息501中所含的表示对象二次电池50的使用历史的信息和电阻指标值输入到分类模型131中，来决定对象二次电池50符合表示由使用导致的容量指标值的降低倾向的分类的多个倾向组中的哪一个。
容量推定部115获取由组决定部113决定的与对象二次电池50所符合的倾向组对应的相关关系信息133，并基于对象二次电池信息501中所含的电阻指标值和该获取的相关关系信息133，来推定对象二次电池50的容量指标值。
学习部117生成分类模型131，该分类模型131是将由表示作为学习对象的多个样本二次电池70(70a、70b、70c…)各自的使用历史的信息以及多个样本二次电池70的电阻指标值和容量指标值构成的样本二次电池信息701作为学习数据进行机器学习而得到的学习完毕模型。
存储部130例如由ROM(Read Only Memory)、RAM(Random Access Memory)、HDD(Hard Disk Drive)等存储装置构成。除了例如分类模型131和相关关系信息133以外，存储部130还存储二次电池容量推定系统10的处理结果、二次电池容量推定系统10在处理中使用的信息。
分类模型131是在输入了对象二次电池50的对象二次电池信息时输出对象二次电池50所符合的倾向组的模型。
相关关系信息133是表示与多个倾向组分别对应的二次电池的容量指标值与电阻指标值的相关关系的信息。
与各倾向组对应的相关关系信息133例如分别是表示电阻指标值与容量指标值的相关关系的关系式，该关系式是通过以下方式导出的：在将样本二次电池70按各样本二次电池70所符合的倾向组分类后，将与符合各倾向组的样本二次电池70有关的电阻指标值作为独立变量、容量指标值作为从属变量，进行回归分析来分析其相关关系。
相关关系信息133例如分别是图2所示那样的每个倾向组(A、B、C……)的n次多项式(f(x)、g(x)、h(x)……)。当用曲线图表示与各倾向组对应的关系式时，例如如图3所示。此外，在图3中，示出表示各关系式的曲线除了容量指标值为100％时以外不相交的实施例，但根据后述的学习处理的结果，也可能存在表示各关系式的曲线相交的情况。
除了对象二次电池信息501和样本二次电池信息701以外，输入部150还接受二次电池容量推定系统10的处理所需的信息的输入。
此外，输入部150也可以构成为包括接受用户的输入的例如连接端子、键盘或触摸面板、鼠标及其他指示设备。
输出部170是向操作者显示二次电池容量推定系统10的操作所需的信息、处理结果等信息的例如显示器装置，但也可以是打印机等印刷装置。
对象二次电池50和样本二次电池70例如是能够搭载于混合动力汽车(HEV)、插电式混合动力汽车(PHEV)、纯电动汽车(BEV)等使用电力作为动力源进行驱动的移动体、商用蓄电装置、家用蓄电装置、电动运输用设备(手推车、叉车等)、个人计算机、移动电话等来使用的各种电池，例如铅蓄电池、镍镉电池、镍氢电池、锂二次电池等电池。
此外，在图1中，图示了拆卸后的状态下的对象二次电池50和样本二次电池70，但也可以在对象二次电池50和样本二次电池70搭载于搭载对象的状态下获取对象二次电池信息501和样本二次电池信息701。
样本二次电池信息701中所含的“表示使用历史的信息”例如是表示样本二次电池70开始放电或充电时的SOC的信息、表示充电是否基于快速充电及其频率的信息、将表示样本二次电池70的环境温度的信息按时间序列进行了记录的信息中的至少一个、或者它们的组合。
通常，例如设计为如果是HEV则在30～70％的范围内使用电池、如果是PHEV则在20～80％的SOC范围内使用电池。这样，二次电池存在合适的运行SOC范围，当使二次电池在该合适的运行SOC范围外运行时，正极、负极的材料的膨胀等应力也会变大，容量指标值的降低进展会加快。
相反，如果使二次电池在窄的SOC范围内运行，则能够将施加于二次电池的应力抑制得较小，因此，结果是能够将容量指标值的降低进展抑制得较缓慢。这样对二次电池的容量指标值的降低进展带来较大影响的、二次电池在怎样的SOC范围内被使用的信息在推定二次电池的容量指标值方面是重要的信息。
另外，在通过快速充电对二次电池进行充电的情况下，与通过普通充电进行充电的情况相比，施加于二次电池的应力更高。因此，表示对二次电池进行的充电是否基于快速充电及其频率的信息在推定二次电池的容量指标值方面是重要的信息。
另外，例如在寒冷地区持续运行或者在温度较高的状态下持续运行会提高施加于二次电池的应力，成为使二次电池的劣化加剧的主要原因。因此，表示二次电池运行时的环境温度的信息在推定二次电池的容量指标值方面也是重要的信息。
作为样本二次电池信息701的“表示使用历史的信息”，除了上述例示的信息以外，也可以适当地包含在推定二次电池的容量指标值方面重要的信息。
另外，样本二次电池信息701中所含的电阻指标值和容量指标值通过与上述的对象二次电池50的电阻指标值和容量指标值的获取方法同样的方法来获取。
样本二次电池信息701例如记录于样本二次电池70的搭载对象所具备的存储机构或样本二次电池70自身所具备的存储机构。而且，例如在检查搭载有样本二次电池70的设备时等，由检查员收集样本二次电池信息701并存储于外部服务器90等。或者，样本二次电池信息701也可以在任意的时机经由有线、无线的通信网络NW存储于外部服务器90等。
另外，在样本二次电池信息701中，关于同一个样本二次电池70，可以包含多个不同的时间点的电阻指标值、容量指标值。在该情况下，在样本二次电池信息701中还可以包含指定样本二次电池70的信息。
<处理的概要>
接着，对本实施方式的二次电池容量推定系统10的处理内容进行说明。首先，参照图4，对二次电池容量推定系统10的一系列处理进行说明。如图4所示，本实施方式的二次电池容量推定系统10例如在接受了操作者的学习处理的执行指示的情况下(图4/S11：是)，执行用于生成在输入了对象二次电池的信息时输出该对象二次电池所符合的倾向组的分类模型并且获取与各倾向组对应的相关关系信息的学习处理(图4/S13)。
另外，本实施方式的二次电池容量推定系统10例如在接受了操作者的推定处理的执行指示的情况下(图4/S31：是)，执行推定对象二次电池的容量指标值的推定处理(图4/S33)。
此外，学习处理(图4/S13)例如在执行推定处理(图4/S33)之前执行至少一次。或者，学习处理(图4/S13)例如也可以根据操作者的操作定期或不定期地反复执行。
<学习处理>
接着，使用图5对学习处理进行说明。当开始处理时，学习部117获取由表示作为学习对象的多个样本二次电池各自的使用历史的信息以及该多个样本二次电池的电阻指标值和容量指标值构成的样本二次电池信息701(图5/S110)。
学习部117例如在外部服务器90中存储有一定量的样本二次电池信息701时，根据操作者的操作，经由外部存储介质或有线、无线的通信网络NW获取该样本二次电池信息701。
然后，学习部117对获取的样本二次电池信息701进行机器学习(图5/S130)。即，例如学习部117将样本二次电池信息701中所含的表示作为学习对象的多个样本二次电池70各自的使用历史的信息以及该多个样本二次电池70的电阻指标值和容量指标值作为学习数据进行机器学习。
学习部117例如根据表示样本二次电池70开始放电或充电时的SOC的信息，获取该样本二次电池70的平均使用SOC范围的信息，并作为表示使用历史的信息用于上述机器学习。
即，例如学习部117对样本二次电池70开始放电时的SOC的值进行合计，并除以样本二次电池70进行放电的次数，从而算出样本二次电池70开始放电时的SOC的平均值(例如80％)。
同样地，学习部117对样本二次电池70开始充电时的SOC的值进行合计，并除以样本二次电池70进行充电的次数，从而算出样本二次电池70开始充电时的SOC的平均值(例如20％)。
获取这样获取的平均值的范围(例如80％～20％)作为样本二次电池70的平均使用SOC范围。
另外，例如学习部117根据表示对二次电池进行的充电是否基于快速充电的信息，获取进行快速充电的次数的信息，并将该获取的信息除以对二次电池进行的充电的次数，从而算出快速充电频率的信息，并作为表示使用历史的信息用于上述机器学习。
或者，例如学习部117根据表示样本二次电池70运行时的环境温度的信息算出其平均值，由此获取该样本二次电池70的平均使用环境温度的信息，并作为表示使用历史的信息用于上述机器学习。
此外，例如，在平均使用SOC范围、快速充电频率或者平均使用环境温度的信息预先包含在样本二次电池信息701中的情况下，学习部117如上述那样算出这些信息的处理可省略。
然后，学习部117基于该机器学习的结果，生成在输入了对象二次电池50的对象二次电池信息501时输出该对象二次电池50所符合的倾向组的分类模型131(图5/S150)或对其进行更新，并存储于存储部130。
更具体而言，例如学习部117将获取的样本二次电池信息701聚类为任意数量(在本实施方式中为三个)的倾向组。由此，对容量指标值的降低倾向类似的样本二次电池信息701进行分组。
作为用于对样本二次电池信息701进行聚类的方法，除了K-maens、Fuzzy c-means、混合高斯模型等以外，还可以适当地使用已知的算法。
通过上述处理，能够得到样本二次电池信息701中所含的样本二次电池信息701的各记录所符合的倾向组的信息。然后，学习部117将这样得到的样本二次电池信息701的各记录所符合的倾向组的信息、以及样本二次电池信息701中所含的表示使用历史的信息和电阻指标值作为学习数据，对表示使用历史的信息和电阻指标值与倾向组的对应关系进行机器学习，以生成分类模型131。
作为由学习部117生成的分类模型131，例如除了使用卷积神经网络(Convolurional Neural Network(CNN))以外，还可以适当地使用线性回归模型、多项式回归模型、多元回归模型等任意的模型。
图6是示出这样生成的分类模型131的一个例子的图。如图6所示，分类模型131例如是神经网络，其将表示对象二次电池50的使用历史的信息、对象二次电池50的电阻指标值的信息等作为输入，将表示容量指标值的降低倾向的分类的多个倾向组中该对象二次电池50所符合的倾向组作为输出。分类模型131例如构成为输出符合各倾向组的概率的值。此外，在图6中，示出倾向组为上述A、B、C这三个的情况，但倾向组的个数只要为两个以上的任意个数即可。
接着，学习部117生成与各倾向组对应的相关关系信息133(图5/S170)，并存储于存储部130。
更具体而言，学习部117例如从样本二次电池信息701中提取符合各倾向组的记录，并针对该提取出的记录，分析电阻指标值与容量指标值的相关关系，从而生成与各倾向组对应的相关关系信息133。即，在本实施方式中，学习部117生成符合A、B、C的各倾向组的三个相关关系信息133。
这样，学习部117结束学习处理中的一系列处理。
<推定处理>
当开始处理时，首先，对象二次电池信息获取部111获取由表示作为容量指标值的推定对象的对象二次电池50的使用历史的信息和表示与该对象二次电池的初始状态的内部电阻值相比内部电阻值增加的程度的电阻指标值构成的对象二次电池信息501(图7/310)。
对象二次电池信息501例如记录于对象二次电池50的搭载对象所具备的存储机构或对象二次电池50自身所具备的存储机构。并且，对象二次电池信息获取部111例如在检查搭载有对象二次电池50的设备时等，根据检查者的操作获取对象二次电池信息501。或者，对象二次电池信息获取部111也可以构成为在任意的时机经由有线、无线的通信网络NW获取对象二次电池信息501。
对象二次电池信息501中所含的“表示使用历史的信息”例如是表示对象二次电池50开始放电或充电时的SOC的信息、表示充电是否基于快速充电的信息、将表示对象二次电池50的环境温度的信息按时间序列进行了记录的信息中的至少一个、或者它们的组合，是与学习部117在学习处理(图4/S13)中使用的样本二次电池信息701中所含的“表示使用历史的信息”相同类型的信息。
因此，作为样本二次电池信息701的“表示使用历史的信息”，在除了上述例示的信息以外，还包含在推定二次电池的容量指标值方面重要的信息的情况下，该信息也可以包含于对象二次电池信息501。
此外，在使用样本二次电池70的平均使用SOC范围的信息、快速充电频率的信息、平均使用环境温度的信息作为学习部117的机器学习中的表示使用历史的信息的情况下，对象二次电池信息获取部111通过与学习部117从样本二次电池信息701中获取这些信息同样的方法，从对象二次电池信息501中获取与对象二次电池50有关的这些信息。获取的这些信息作为表示对象二次电池50的使用历史的信息用于后续的处理。
之后，组决定部113将对象二次电池信息501中所含的表示对象二次电池50的使用历史的信息和电阻指标值输入到存储于存储部130的分类模型131中，来决定该对象二次电池50符合表示由使用导致的容量指标值的降低倾向的分类的多个倾向组中的哪一个(图7/S330)。
更具体而言，组决定部113例如参照分类模型131的输出结果，将对象二次电池50符合的概率最高的倾向组决定为该对象二次电池50所符合的倾向组。以下，对对象二次电池50所符合的倾向组为C组的情况进行说明。
之后，容量推定部115获取与上述决定的倾向组对应的相关关系信息133(图7/S350)。即，容量推定部115从存储部130获取与C组对应的相关关系信息133。
接着，容量推定部115基于对象二次电池信息501中所含的电阻指标值和该获取的相关关系信息133，来推定对象二次电池50的容量指标值(图7/S370)。
即，例如容量推定部115推定为，在图2所示那样的多项式h(x)中将对象二次电池信息501中所含的内部电阻值增加信息作为x值输入，所得到的计算结果是对象二次电池50的容量指标值。
之后，容量推定部115例如将该推定结果输出到输出部170(图7/S390)中，结束推定处理的一系列处理。
图8示出将本实施方式的推定结果作为输出内容的一个例子。在输出内容中，例如作为表示对象二次电池50的容量指标值的显示171，输出二次电池的容量指标值的推定结果为63％的情况。该显示即表示当前容量相对于对象二次电池50的初始状态的容量的比例。
或者，例如除了该显示以外，表示对象二次电池50的电阻指标值的显示173、表示电阻指标值与容量指标值的相关关系的曲线图175也可以包含于输出内容。或者，还可以包含容量指标值的推定中使用的表示平均使用SOC范围、充足充电频率、平均使用环境温度等的信息。
以上对本实施方式的二次电池容量推定系统进行了说明，但本发明的实施方式并不限定于此。以下，将对其他实施方式进行说明。
<变更实施方式>
在上述中，对在学习处理中学习部117通过聚类对样本二次电池信息701进行分组的情况进行了说明，但并不限定于此。
即，例如学习部117也可以构成为，在学习处理(图4/S13)中，按照如下流程进行样本二次电池信息701的分组和之后的处理。
首先，学习部117从样本二次电池信息701中提取与容量指标值降低至规定值以下的样本二次电池70有关的信息。“容量指标值降低至规定值以下”是指例如容量指标值降低至60％以下的状态、降低至50％以下的状态等，但作为规定值，可以采用适当的值。或者，例如也可以构成为，提取作为信息包含在样本二次电池信息701中的样本二次电池70的容量指标值的平均值以下的容量指标值的与样本二次电池70有关的信息。
接着，学习部117将如上述那样提取出的与样本二次电池70有关的信息分类到与容量指标值的降低程度的高低相应的多个倾向组中，并用表示该倾向组的信息对各记录进行标记。
由学习部117分类的倾向组的数量例如为三个，即，A：容量指标值的降低较缓慢、B：容量指标值的降低为中等程度、C：容量指标值的降低较快，但也可以构成为分类为两个以上的任意的倾向组。
在该情况下，学习部117将如上述那样分类的样本二次电池70各自的样本二次电池信息701和表示符合的倾向组的信息作为学习数据进行机器学习，基于该机器学习的结果，生成分类模型131或对其进行更新，并存储于存储部130。
之后，学习部117对符合与容量指标值的降低程度的高低相应的各倾向组的样本二次电池70有关的电阻指标值与容量指标值的相关关系进行分析，以生成与各倾向组对应的相关关系信息133。
更具体而言，例如学习部117首先从样本二次电池信息701中提取与容量指标值降低至规定值以下且符合倾向组A的样本二次电池70有关的电阻指标值和容量指标值。此外，此时，学习部117可以从样本二次电池信息701中提取符合提取条件的全部记录，也可以通过规定的算法等或者基于操作者的操作，提取符合提取条件的记录的一部分。
然后，学习部117使用这样提取出的记录对与样本二次电池70有关的电阻指标值与容量指标值的相关关系进行分析，以生成与倾向组A对应的相关关系信息133。
学习部117反复执行这些处理直至最后的倾向组，以生成与各倾向组对应的相关关系信息133。
在这样构成的情况下，在二次电池容量推定系统10的输出内容中例如还可以包括表示二次电池的倾向组是哪一个及其内容的信息(例如“A：容量的降低较缓慢”等)。
二次电池的更换费用较高，因此二次电池的用户具有想要尽可能使使用中的二次电池的容量指标值不降低而长时间使用的需求。因此，如上所述，如果能够告知用户二次电池的使用状态是会推进二次电池的容量指标值的降低那样的使用方法、还是对容量指标值的影响较少的使用方法，则能够满足想要尽可能使使用中的二次电池的容量指标值不降低而长时间使用的用户需求。
或者，例如学习部117也可以构成为，在学习处理(图4/S13)中，按照如下流程生成分类模型131.
即，例如学习部117对包含样本二次电池70的平均使用SOC范围、快速充电频率、平均使用环境温度等各项目的学习数据进行机器学习，并算出针对这些各项目的加权值。
然后，学习部117将排除了这样算出的加权值为规定以下的项目后的信息作为学习数据再次进行机器学习，从而生成分类模型131。
此外，作为用于判定是否需要排除项目的加权值的规定值，可以适当地设定任意的值。或者，例如学习部117也可以构成为，从再次机器学习时的学习数据中排除加权值为全部项目的加权值的平均值的规定％以下的项目。
以上对本发明的二次电池容量推定系统10的变更实施方式进行了说明，但并不限定于此。即，例如在上述中，对学习部117安装于二次电池容量推定系统10的实施方式进行了说明，但学习部117也可以安装于与二次电池容量推定系统10不同的计算机。在该情况下，在该不同的计算机中执行学习处理(图4/S13)，以生成分类模型131。然后，经由通信介质或者记录介质等将该生成的分类模型131存储于二次电池容量推定系统10的存储部130。
或者，例如在上述中对包含样本二次电池70的电阻指标值的样本二次电池信息701存储于样本二次电池70的搭载对象所具备的存储机构或样本二次电池70自身所具备的存储机构的实施例进行了说明，但并不限定于此。
即，例如也可以是，样本二次电池70的内部电阻值记录于样本二次电池70的搭载对象所具备的存储机构或样本二次电池70自身所具备的存储机构，与该样本二次电池70相同型号的二次电池的初始状态的内部电阻值记录于外部服务器90，在外部服务器90中，将样本二次电池70的内部电阻值的增量除以与该样本二次电池70相同型号的二次电池的初始状态的内部电阻值，由此获取该样本二次电池70的电阻指标值。在该情况下，在样本二次电池信息701中包含表示样本二次电池70的型号的信息。
同样地，在上述中对包含对象二次电池50的电阻指标值的对象二次电池信息501存储于对象二次电池50的搭载对象所具备的存储机构或对象二次电池50自身所具备的存储机构的实施例进行了说明，但并不限定于此。
即，例如也可以是，对象二次电池50的内部电阻值记录于对象二次电池50的搭载对象所具备的存储机构或对象二次电池50自身所具备的存储机构，与该对象二次电池50相同型号的二次电池的初始状态的内部电阻值记录于二次电池容量推定系统10的存储部130，对象二次电池信息获取部111将对象二次电池50的内部电阻值的增量除以与该对象二次电池50相同型号的二次电池的初始状态的内部电阻值，由此获取该对象二次电池50的电阻指标值。在该情况下，在对象二次电池信息501中包含表示对象二次电池50的型号的信息。
或者，例如也可以是，组决定部113在识别出对象二次电池50符合的概率最高的倾向组为两个以上的情况下，将这两个以上的倾向组决定为该对象二次电池50所符合的倾向组。在该情况下，容量推定部115例如获取与在上述中决定的多个倾向组对应的相关关系信息133，并推定符合各个组的情况下的容量指标值。然后，容量推定部115将这些推定值的平均值作为该对象二次电池50的容量指标值的推定值。或者，容量推定部115也可以构成为，将这些推定值的最大值和最小值表示的范围推定为该对象二次电池50的容量指标值的范围。
另外，在上述中对将由学习部117获取的样本二次电池信息701聚类或分类到任意数量的倾向组中的实施方式进行了说明，但并不限定于此。
即，例如也可以是，由学习部117获取的样本二次电池信息701预先按倾向组进行分组。在该情况下，省略学习部117将样本二次电池信息701聚类或分类到倾向组中的处理。
[符号说明]
10：二次电池容量推定系统；50：对象二次电池；70：样本二次电池；110：控制部；111：对象二次电池信息获取部；113：组决定部；115：容量推定部；117：学习部；130：存储部；131：分类模型；133：相关关系信息；150：输入部；170：输出部。
Claims (4)
1.一种二次电池容量推定系统，
其推定二次电池的容量，其特征在于，具备：
对象二次电池信息获取部，其获取由表示作为容量指标值的推定对象的对象二次电池的使用历史的信息和表示与该对象二次电池的初始状态的内部电阻值相比内部电阻值增加的程度的电阻指标值构成的对象二次电池信息，所述容量指标值表示与所述二次电池的初始状态的容量相比所述容量变化的程度；
组决定部，其通过将所述对象二次电池信息中所含的表示所述对象二次电池的使用历史的信息和所述电阻指标值输入到分类模型中，来决定该对象二次电池符合表示由使用导致的所述容量指标值的降低倾向的分类的多个倾向组中的哪一个；
存储部，其存储表示与所述多个倾向组分别对应的所述二次电池的所述电阻指标值与所述容量指标值的相关关系的相关关系信息；以及
容量推定部，其获取由所述组决定部决定的与所述对象二次电池所符合的所述倾向组对应的所述相关关系信息，并基于所述对象二次电池信息中所含的所述电阻指标值和该获取的相关关系信息，来推定该对象二次电池的所述容量指标值，
所述分类模型是将由表示多个样本二次电池各自的使用历史的信息以及该多个样本二次电池的所述电阻指标值和所述容量指标值构成的样本二次电池信息作为学习数据进行机器学习而得到的学习完毕模型，并构成为在输入了所述对象二次电池的所述对象二次电池信息时输出该对象二次电池所符合的所述倾向组。
2.根据权利要求1所述的二次电池容量推定系统，其特征在于：
与所述倾向组对应的所述相关关系信息分别是通过将所述样本二次电池信息按该样本二次电池信息中所含的所述多个样本二次电池所符合的所述倾向组分类、并对与符合各所述倾向组的该样本二次电池有关的所述电阻指标值与所述容量指标值的相关关系进行分析而得到的信息。
3.根据权利要求1或2所述的二次电池容量推定系统，其特征在于：
其具备生成所述相关关系信息的学习部，该学习部构成为：
从所述样本二次电池信息中提取与所述容量指标值为规定值以下的所述样本二次电池有关的信息，
将所述提取出的信息分类到与所述容量指标值的降低程度的高低相应的多个所述倾向组中，
对符合与所述容量指标值的降低程度的高低相应的各所述倾向组的所述样本二次电池有关的所述电阻指标值与所述容量指标值的相关关系进行分析，以生成与各该倾向组对应的所述相关关系信息。
4.根据权利要求1至3中任一项所述的二次电池容量推定系统，其特征在于：
所述样本二次电池信息中所含的表示所述使用历史的信息由与表示所述样本二次电池的使用历史的多个项目有关的信息构成，
所述分类模型构成为，使用针对表示所述样本二次电池的使用历史的所述项目的加权值将所述对象二次电池分类到所述倾向组中，
所述二次电池容量推定系统具备生成所述分类模型的学习部，该学习部构成为：
将所述样本二次电池信息作为学习数据进行机器学习而算出针对所述项目的所述加权值，将排除了所述加权值为规定以下的所述项目后的信息作为学习数据再次进行机器学习，从而生成所述分类模型。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022-053027 | 2022-03-29 | ||
| JP2022053027A JP7276928B1 (ja) | 2022-03-29 | 2022-03-29 | 二次電池容量推定システム |
| PCT/JP2022/045986 WO2023188582A1 (ja) | 2022-03-29 | 2022-12-14 | 二次電池容量推定システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117716248A true CN117716248A (zh) | 2024-03-15 |
Family
ID=86378128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280053020.8A Pending CN117716248A (zh) | 2022-03-29 | 2022-12-14 | 二次电池容量推定系统 |
Country Status (7)
| Country | Link |
|---|---|
| EP (1) | EP4365611A1 (zh) |
| JP (1) | JP7276928B1 (zh) |
| KR (1) | KR20240034799A (zh) |
| CN (1) | CN117716248A (zh) |
| CA (1) | CA3228132A1 (zh) |
| TW (1) | TWI842294B (zh) |
| WO (1) | WO2023188582A1 (zh) |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4032934B2 (ja) * | 2002-11-15 | 2008-01-16 | ソニー株式会社 | 電池容量算出方法、電池容量算出装置、及び電池容量算出プログラム |
| JP4010288B2 (ja) * | 2003-07-29 | 2007-11-21 | ソニー株式会社 | 二次電池の残容量算出方法およびバッテリパック |
| JP5219485B2 (ja) * | 2007-12-12 | 2013-06-26 | 三洋電機株式会社 | 充電方法 |
| JP5289083B2 (ja) * | 2009-02-05 | 2013-09-11 | 三洋電機株式会社 | 二次電池の異常検出装置および二次電池装置 |
| EP3163669B1 (en) | 2014-06-24 | 2019-10-30 | Kabushiki Kaisha Toshiba | Degradation control device of storage battery system and method for same |
| JP6145824B2 (ja) * | 2014-10-31 | 2017-06-14 | エンネット株式会社 | 電池診断装置および電池診断方法 |
| JP2018169161A (ja) | 2015-08-31 | 2018-11-01 | 日立化成株式会社 | 電池の劣化診断装置、劣化診断方法、及び劣化診断システム |
| TWI585429B (zh) * | 2015-12-31 | 2017-06-01 | 環旭電子股份有限公司 | 估計電池容量的方法 |
| JP6485708B2 (ja) | 2016-01-13 | 2019-03-20 | トヨタ自動車株式会社 | 電池システム |
| JP6928228B2 (ja) * | 2016-11-25 | 2021-09-01 | ミツミ電機株式会社 | 電池監視回路 |
| JP2018072346A (ja) | 2017-11-14 | 2018-05-10 | 株式会社東芝 | 二次電池の電池状態推定装置 |
| JP7066390B2 (ja) * | 2017-12-13 | 2022-05-13 | 大和製罐株式会社 | 蓄電池の経済性推定装置および経済性推定方法 |
| KR102492114B1 (ko) * | 2017-12-27 | 2023-01-27 | 퓨처 사이언스 리서치 가부시키가이샤 | 2차 전지 관리 장치 및 2차 전지 관리 프로그램 |
| TWI835767B (zh) * | 2017-12-27 | 2024-03-21 | 日商Ｆ Ｓ Ｒ股份有限公司 | 二次電池 |
| CA3095272C (en) | 2018-03-28 | 2021-11-30 | Toyo System Co., Ltd. | Degradation state determination device and degradation state determination method |
| WO2020027203A1 (ja) | 2018-07-31 | 2020-02-06 | 本田技研工業株式会社 | 推定システム、推定装置、推定方法、プログラム、及び記憶媒体 |
| JP7056528B2 (ja) * | 2018-11-26 | 2022-04-19 | トヨタ自動車株式会社 | 電池情報処理システム |
| JP2022011802A (ja) * | 2020-06-30 | 2022-01-17 | 株式会社デンソー | 二次電池の劣化度判定システム用のサーバ及び外部端末、劣化度判定システム |
-
2022
- 2022-03-29 JP JP2022053027A patent/JP7276928B1/ja active Active
- 2022-12-14 CA CA3228132A patent/CA3228132A1/en active Pending
- 2022-12-14 WO PCT/JP2022/045986 patent/WO2023188582A1/ja active Application Filing
- 2022-12-14 EP EP22933884.3A patent/EP4365611A1/en active Pending
- 2022-12-14 CN CN202280053020.8A patent/CN117716248A/zh active Pending
- 2022-12-14 KR KR1020247004883A patent/KR20240034799A/ko active Search and Examination
- 2022-12-23 TW TW111149744A patent/TWI842294B/zh active
Also Published As
| Publication number | Publication date |
|---|---|
| CA3228132A1 (en) | 2023-10-05 |
| TWI842294B (zh) | 2024-05-11 |
| WO2023188582A1 (ja) | 2023-10-05 |
| TW202338389A (zh) | 2023-10-01 |
| EP4365611A1 (en) | 2024-05-08 |
| JP7276928B1 (ja) | 2023-05-18 |
| KR20240034799A (ko) | 2024-03-14 |
| JP2023146043A (ja) | 2023-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Richardson et al. | Battery health prediction under generalized conditions using a Gaussian process transition model | |
| US11598816B2 (en) | Method and system for online assessing state of health of a battery | |
| Xiong et al. | A data-driven method for extracting aging features to accurately predict the battery health | |
| Chen et al. | Remaining useful life prediction of battery using a novel indicator and framework with fractional grey model and unscented particle filter | |
| US9255973B2 (en) | System and method for estimating long term characteristics of battery | |
| Thelen et al. | Augmented model-based framework for battery remaining useful life prediction | |
| CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
| US11346891B2 (en) | Battery diagnostic system for estimating remaining useful life (RUL) of a battery | |
| CN111381168A (zh) | 电池特性评价装置以及电池特性评价方法 | |
| EP2206191A2 (en) | System and method for estimating long term characteristics of battery | |
| CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
| CN116699446A (zh) | 退役电池快速分选方法、装置、设备及存储介质 | |
| Zhao et al. | Battery degradation stage detection and life prediction without accessing historical operating data | |
| Peng et al. | Data-driven battery capacity estimation based on partial discharging capacity curve for lithium-ion batteries | |
| CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
| Hatherall et al. | Remaining discharge energy estimation for lithium-ion batteries using pattern recognition and power prediction | |
| Eleftheriadis et al. | Comparative study of machine learning techniques for the state of health estimation of li-ion batteries | |
| Zhang et al. | Online state of health estimation for lithium-ion batteries based on gene expression programming | |
| CN117716248A (zh) | 二次电池容量推定系统 | |
| Pohlmann et al. | State-of-Health prediction of lithium-ion batteries based on a low dimensional Gaussian Process Regression | |
| Greenbank | Data-driven battery state of health diagnostics and prognostics | |
| WO2024166450A1 (ja) | 情報処理システム、情報処理方法および情報処理プログラム | |
| Sheikhani et al. | Lithium-Ion Battery SOH Forecasting With Deep Learning Augmented By Explainable Machine Learning | |
| Dias | EV Battery Degradation: A Data Mining Approach | |
| Ko et al. | Using partial discharge data to identify highly sensitive electrochemical parameters of aged lithium-ion batteries |
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 |