JP2003249271A - バッテリの残存容量判定方法と、その装置 - Google Patents

バッテリの残存容量判定方法と、その装置

Info

Publication number
JP2003249271A
JP2003249271A JP2002047209A JP2002047209A JP2003249271A JP 2003249271 A JP2003249271 A JP 2003249271A JP 2002047209 A JP2002047209 A JP 2002047209A JP 2002047209 A JP2002047209 A JP 2002047209A JP 2003249271 A JP2003249271 A JP 2003249271A
Authority
JP
Grant status
Application
Patent type
Prior art keywords
battery
neural
capacity
state
residual
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.)
Granted
Application number
JP2002047209A
Other languages
English (en)
Other versions
JP4038788B2 (ja )
Inventor
Tsutomu Yamazaki
努 山崎
Original Assignee
Akuson Data Machine Kk
アクソンデータマシン株式会社
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

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Apparatus for testing electrical condition of accumulators or electric batteries, e.g. capacity or charge condition
    • G01R31/3644Various constructional arrangements
    • G01R31/3679Various constructional arrangements for determining battery ageing or deterioration, e.g. state-of-health (SoH), state-of-life (SoL)

Abstract

(57)【要約】 【課題】 バッテリBの劣化状態D、残存容量Rをリア
ルタイムに判定する。 【解決手段】 計測ユニット13と、バッテリBの劣化
状態D、残存容量Rの判定論理を学習させた第1、第2
のニューラルネットワーク11、12とを組み合わせ
る。第1のニューラルネットワーク11は、計測ユニッ
ト13からのバッテリBの稼動パラメータに基づいて劣
化状態Dを判定し、第2のニューラルネットワーク12
は、バッテリBの稼動パラメータと第1のニューラルネ
ットワーク11からの劣化状態Dとに基づいて残存容量
Rを判定することができる。

Description

【発明の詳細な説明】 【0001】 【発明の属する技術分野】この発明は、バッテリの稼動
パラメータを計測し、バッテリの劣化状態、残存容量を
リアルタイムに適確に自動判定することができるバッテ
リの残存容量判定方法と、その装置に関する。 【0002】 【従来の技術】人力による駆動力を電気的に補助する電
動自転車や、エンジンによる駆動力を電気的に補助する
電気自動車(いわゆるハイブリッドカー)が普及しつつ
ある。 【0003】一方、電動自転車や電気自動車に使用され
るバッテリは、密閉構造のシール形鉛蓄電池が主流とな
って来ている。シール形鉛蓄電池は、液漏れがないの
で、設置方向を問わず、メインテナンスフリーの運転が
可能であるからである。 【0004】 【発明が解決しようとする課題】かかる従来技術による
ときは、シール形鉛蓄電池は、電解液の比重測定が不可
能であるため、その劣化状態や残存容量を判定すること
が容易でないという問題があった。なお、バッテリの劣
化状態や残存容量の判定ができないと、バッテリの交換
時期や充電時期を誤るおそれがあり、システムの円滑な
稼動を阻害する可能性がある。 【0005】そこで、この発明の目的は、かかる従来技
術の問題に鑑み、ニューラルネットワークを使用するこ
とによって、稼動中のバッテリの劣化状態、残存容量を
リアルタイムに適確に自動判定することができるバッテ
リの残存容量判定方法と、その装置を提供することにあ
る。 【0006】 【課題を解決するための手段】かかる目的を達成するた
めのこの出願に係る第1発明の構成は、稼動中のバッテ
リの残存容量を自動判定するに際し、バッテリの劣化状
態の判定論理を第1のニューラルネットワークに学習さ
せ、バッテリの残存容量の判定論理を第2のニューラル
ネットワークに学習させ、バッテリの稼動パラメータに
基づき、第1のニューラルネットワークによってバッテ
リの劣化状態を判定し、バッテリの稼動パラメータと第
1のニューラルネットワークの判定結果とに基づき、第
2のニューラルネットワークによってバッテリの残存容
量を判定することをその要旨とする。 【0007】第2発明の構成は、バッテリの稼動パラメ
ータを計測する計測ユニットと、バッテリの劣化状態の
判定論理を学習させた第1のニューラルネットワーク
と、バッテリの残存容量の判定論理を学習させた第2の
ニューラルネットワークとを備えてなり、第1のニュー
ラルネットワークは、計測ユニットからの稼動パラメー
タに基づいてバッテリの劣化状態を判定し、第2のニュ
ーラルネットワークは、計測ユニットからの稼動パラメ
ータと第1のニューラルネットワークの判定結果とに基
づいてバッテリの残存容量を判定することをその要旨と
する。 【0008】なお、第1、第2のニューラルネットワー
クは、それぞれ応答関数をシグモイド関数とする3層フ
ィードフォワードネットワークとし、学習則としてバッ
クプロパゲーション法を適用することができる。 【0009】また、第1のニューラルネットワークは、
出力層のニューロン数を3に設定してもよく、第2のニ
ューラルネットワークは、出力層のニューロン数を10
に設定してもよく、第1、第2のニューラルネットワー
クは、それぞれの中間層のニューロン数を20〜80に
設定してもよい。 【0010】さらに、計測ユニットは、バッテリの稼動
パラメータを周期的にサンプリングして計測することが
でき、バッテリの稼動パラメータとしてバッテリの内部
インピーダンスを計測することができる。 【0011】 【作用】かかる第1発明の構成によるときは、バッテリ
の稼動パラメータに基づいて、第1のニューラルネット
ワークによってバッテリの劣化状態を判定し、第2のニ
ューラルネットワークによってバッテリの残存容量を判
定することができる。ただし、第1、第2のニューラル
ネットワークは、それぞれ事前にバッテリの劣化状態、
残存容量の判定論理を学習させるものとする。ちなみ
に、バッテリの劣化状態、残存容量は、一般にバッテリ
の電圧、電流、内部インピーダンス、温度をパラメータ
として判定することができるが、それぞれのパラメータ
の相関関係が複雑であり、数式化が困難である。そこ
で、ニューラルネットワークに対し、さまざまな劣化状
態、残存容量のバッテリのパラメータを組合せパターン
として入力させることにより、バッテリの劣化状態、残
存容量の判定論理を個別に学習させ、学習済みのニュー
ラルネットワークにバッテリの稼動パラメータを入力す
ることにより、稼動中のバッテリの劣化状態、残存容量
をリアルタイムに自動判定することができる。 【0012】なお、バッテリの残存容量は、バッテリの
パラメータに加えて、バッテリの劣化状態によっても大
きく左右されるから、ニューラルネットワークは、劣化
状態判定用の第1のニューラルネットワークと、第1の
ニューラルネットワークの判定結果を利用する残存容量
判定用の第2のニューラルネットワークとを準備するも
のとする。また、ニューラルネットワークの学習の際に
は、バッテリの実際の稼働状況を模擬するようにバッテ
リの負荷状態を変化させ、バッテリのパラメータの組合
せパターンを時系列的にサンプリングして、十分多くの
データを集積する。ただし、データ集積に使用するバッ
テリは、自動判定の対象となるバッテリと同一メーカ、
同一形式のものについて、種々の劣化状態、残存容量の
ものを集めることが好ましい。 【0013】第2発明の構成によるときは、劣化状態判
定用の第1のニューラルネットワーク、残存容量判定用
の第2のニューラルネットワークは、それぞれバッテリ
の劣化状態、残存容量の判定論理を学習済みであるか
ら、計測ユニットからの稼動パラメータを入力すること
により、稼動中のバッテリの劣化状態、残存容量をリア
ルタイムに自動判定することができる。 【0014】第1、第2のニューラルネットワークは、
3層フィードフォワードネットワークとし、各層のニュ
ーロンの応答関数をシグモイド関数とし、学習則として
バックプロパゲーション法を適用することによって、計
算手法が確立されているたとえば最急降下法による前向
き演算、後向き演算を実行して劣化状態、残存容量の各
判定論理を速やかに学習させることができる。ただし、
各ニューラルネットワークの入力層には、計測ユニット
からの稼動パラメータなどを実数0〜1に正規化して与
えるものとする。各ニューラルネットワークを学習させ
る際のバッテリのパラメータなどについても、全く同様
である。 【0015】第1のニューラルネットワークの出力層の
ニューロン数を3に設定すれば、出力層の各ニューロン
をバッテリの劣化状態の「正常」、「注意」、「劣化」
の3段階に対応させることができる。ただし、劣化状態
の「正常」、「注意」、「劣化」とは、満充電したバッ
テリの放電終止電圧までの放電容量が新品のバッテリの
たとえば80%超過、60〜80%、60%未満の場合
をいう。 【0016】第2のニューラルネットワークの出力層の
ニューロン数を10に設定すれば、出力層の各ニューロ
ンに対し、バッテリの残存容量の0〜100%を10%
ごとの帯域に分割して対応させることができる。 【0017】第1、第2のニューラルネットワークは、
それぞれの中間層のニューロン数を20〜80に設定す
ることが好ましい。ニューロン数が20未満では、バッ
テリの劣化状態、残存容量の判定精度が実用レベルを割
り込むおそれがあり、80超過では、学習や判定の際の
計算時間が過大になるからである。なお、一般に、中間
層のニューロン数は、約50が最適である。ニューロン
数50以上としても、計算時間が増大するだけで判定精
度の顕著な向上を期待することができないからである。 【0018】計測ユニットは、バッテリの稼動パラメー
タを周期的にサンプリングして計測することによって、
第1のニューラルネットワークに対して稼動パラメータ
の時系列的な組合せパターンを入力し、第1のニューラ
ルネットワークによるバッテリの劣化状態の判定精度を
一層向上させることができる。 【0019】計測ユニットは、バッテリの内部インピー
ダンスを計測することにより、劣化の進行によって増大
する内部インピーダンスの影響を劣化状態、残存容量の
判定結果に適切に反映させることができる。なお、この
ときの第1、第2のニューラルネットワークは、それぞ
れの判定論理の学習の際にも、バッテリのパラメータと
して内部インピーダンスを入力させることは、いうまで
もない。 【0020】 【発明の実施の形態】以下、図面を以って発明の実施の
形態を説明する。 【0021】バッテリの残存容量判定装置10は、第1
のニューラルネットワーク11、第2のニューラルネッ
トワーク12に対し、計測ユニット13を前置してなる
(図1)。なお、第1、第2のニューラルネットワーク
11、12の出力には、それぞれ表示手段11a、12
aが接続されている。 【0022】稼動中のバッテリBは、コントローラCを
介し、負荷としてのモータMに給電している。ただし、
バッテリBは、図示しない発電機、充電器を介し、随時
フローティング充電されていてもよい。 【0023】計測ユニット13は、稼動中のバッテリB
の稼動パラメータとして、バッテリBの電圧V、電流
I、内部インピーダンスZ、温度Tを周期的にサンプリ
ングして計測することができる。なお、バッテリBの内
部インピーダンスZは、たとえばAC1kHz 、100m
Aの測定信号をバッテリBに加えて計測する。また、温
度Tは、バッテリBの内部温度に代えて、表面温度また
は周囲温度を使用してもよい。 【0024】計測ユニット13からの稼動パラメータ
は、第1、第2のニューラルネットワーク11、12に
並列に分岐入力されている。また、第1のニューラルネ
ットワーク11の出力は、バッテリBの劣化状態Dとし
て、表示手段11a、第2のニューラルネットワーク1
2に分岐入力されており、第2のニューラルネットワー
ク12の出力は、バッテリBの残存容量Rとして、表示
手段12aに入力されている。 【0025】第1のニューラルネットワーク11は、十
分多数のニューロンを備える入力層L1 と、ニューロン
数50の中間層L2 と、ニューロン数3の出力層L3 と
を有する3層フィードフォワードネットワークである
(図2)。なお、各ニューロンの応答関数は、シグモイ
ド関数とし、ネットワークの学習則は、バックプロパゲ
ーション法を適用するものとする。 【0026】入力層L1 の各ニューロンには、計測ユニ
ット13によって周期的にサンプリングして計測される
バッテリBの稼動パラメータ、すなわち電圧V、電流
I、内部インピーダンスZ、温度Tがそれぞれ実数0〜
1に正規化され、時刻t、(t−δ)、(t−2δ)…
ごとの時系列的な組合せパターンとして入力されてい
る。ただし、δは、計測ユニット13のサンプル周期で
あり、図2の符号13a、13a…は、サンプル周期δ
を表わす仮想の時間遅れである。また、出力層L3の各
ニューロンは、バッテリBの劣化状態Dの「正常」、
「注意」、「劣化」に対応付けられている。そこで、表
示手段11aは、第1のニューラルネットワーク11に
よるバッテリBの劣化状態Dの判定結果を「正常」、
「注意」、「劣化」に区分して表示することができる。 【0027】第2のニューラルネットワーク12は、ニ
ューロン数5の入力層L1 と、ニューロン数50の中間
層L2 と、ニューロン数10の出力層L3 とを有する3
層フィードフォワードネットワークである(図3)。た
だし、各ニューロンの応答関数、ネットワークの学習則
は、第1のニューラルネットワーク11のそれらと同一
である。入力層L1 の各ニューロンには、時刻tにおけ
るバッテリBの稼動パラメータと、第1のニューラルネ
ットワーク11からのバッテリBの劣化状態Dとがそれ
ぞれ実数0〜1に正規化されて入力されており、出力層
L3 の各ニューロンには、バッテリBの残存容量R=0
〜100%が10%ごとの帯域に分割されて対応付けら
れている。そこで、表示手段12aは、第2のニューラ
ルネットワーク12によるバッテリBの残存容量R
(%)の判定結果を10%ごとに区分して表示すること
ができる。 【0028】第1、第2のニューラルネットワーク1
1、12には、それぞれバッテリBの劣化状態D、残存
容量Rの判定論理を学習させる必要がある。ただし、以
下の説明において、バッテリBは、電動自転車に使用す
るアメリカHawker Batteries社製シー
ル形鉛蓄電池CYCLON X(12V、5Ah)とす
る。なお、このバッテリの定格容量0.5A×10h=
5.0Ah、満充電電圧13.8V、放電終止電圧1
0.8Vである。 【0029】バッテリBと同一メーカ、同一形式であっ
て、劣化状態Dが「正常」、「注意」、「劣化」相当の
バッテリを各50個、10個、10個、計70個を用意
し、稼動中のバッテリBの負荷状態を模擬した変動負荷
を印加して(図4)、バッテリのパラメータ、すなわち
電圧V、電流I、内部インピーダンスZ、温度Tの組合
せパターンを時系列的にサンプリングして計測し、第
1、第2のニューラルネットワーク11、12の各入力
層L1 に与えるとともに、「正常」、「注意」、「劣
化」の劣化状態Dと、各バッテリの残存容量R(%)と
を教師信号として第1、第2のニューラルネットワーク
11、12の各出力層L3 に与え、第1、第2のニュー
ラルネットワーク11、12を学習させた。ただし、図
4は、時刻tの経過に対する電流I(A)の変化パター
ンを示し、同図において、T1 =T2=30秒、T3 =
90秒、T4 =6秒、T=T1 +T2 +T3 =150秒
である。また、図5は、3秒ごとに通電、無通電を繰り
返す電流Iの各通電サイクルにおける電圧V、電流I、
内部インピーダンスZ、温度Tの計測タイミングを示し
ている。 【0030】図6は、このようにして3秒ごとにパラメ
ータをサンプリングして集積した場合、サンプリング数
nに対する「正常」なバッテリの電圧V、内部インピー
ダンスZの変化の一例である。ただし、同図には、電流
Iの通電パターンも、負極性にして併せて図示されてい
る。図6によれば、サンプリング数n≒1500におい
て、内部インピーダンスZが過大になり、電圧Vが放電
終止電圧に到達している。そこで、劣化状態Dが「正
常」なバッテリの理論的な残存容量R(%)は、サンプ
リング数nに対し、図7のように規定することができ
る。また、劣化状態Dが「注意」、「劣化」のバッテリ
の残存容量R(%)は、充電電流0.5Aにて満充電に
なるまでに要する時間(h)を測定し、電流0.5Aに
おける定格容量10hに対する割合を求めて実測するこ
とができる。 【0031】以上のようにしてバッテリBの劣化状態D
の判定論理を学習させた第1のニューラルネットワーク
11を使用して、稼動中のバッテリBの劣化状態Dを判
定した(図8)。ただし、同図において、「単発」と
は、図2において、バッテリBの電圧V、電流I、内部
インピーダンスZ、温度Tの稼動パラメータとして、特
定の時刻tにおける1組の組合せパターンのみを使用し
た場合を示し、「15秒間」、「30秒間」とは、計測
ユニット13のサンプル周期δ=3秒として、それぞれ
15秒間、30秒間における稼動パラメータの連続的な
5組、10組の組合せパターンを使用した場合を示して
いる。図8によれば、第1のニューラルネットワーク1
1は、バッテリBの稼動パラメータを30秒間に亘って
周期的にサンプリングすることにより、稼動中のバッテ
リBの劣化状態Dを殆ど誤りなく判定可能であることが
わかる。 【0032】バッテリBの残存容量Rの判定論理を学習
させた第2のニューラルネットワーク12による稼動中
のバッテリBの判定試験結果を図9に示す。なお、この
とき、第2のニューラルネットワーク12には、第1の
ニューラルネットワーク11によるバッテリBの劣化状
態Dの判定結果が併せ入力されている(図1、図3)。
図9において、横軸は、3秒ごとのサンプリング数nを
示し、縦軸は、残存容量R(%)を示している。また、
同図(A)、(B)、(C)は、それぞれ劣化状態Dが
「正常」、「注意」、「劣化」のバッテリBについての
試験結果であり、影付きのパターンは、それぞれのバッ
テリBの理論的な残存容量R(%)を示し、実線は、第
2のニューラルネットワーク12による判定結果を示
す。 【0033】なお、図9の残存容量R(%)は、第2の
ニューラルネットワーク12に入力される稼動パラメー
タとしての電流I≠5Aのとき、第2のニューラルネッ
トワーク12によって算出された残存容量Rc (%)を
電流I=5Aにおける残存容量R(%)に換算して示し
ている(図10)。たとえば、稼動パラメータとしての
電流I=7.5Aのとき、第2のニューラルネットワー
ク12からの残存容量Rc =20%であると、電流I=
5Aにおける残存容量R≒30%である。 【0034】図9によれば、「正常」なバッテリBにつ
いては、その容量の全領域について十分正確な残存容量
R(%)の判定が可能である。一方、「注意」、「劣
化」のバッテリBについては、それぞれサンプリング数
n=400、600付近、サンプリング数n=250、
400付近において判定結果が部分的に乱れる他、同様
の良好な判定が可能である。しかしながら、このような
特定領域における乱れは、適当なフィルタ処理を行なっ
て簡単に除去することができる。 【0035】以上の説明において、第1、第2のニュー
ラルネットワーク11、12には、それぞれバッテリB
の劣化状態D、残存容量Rの判定論理が事前に記憶され
ていれば十分である。よって、第1、第2のニューラル
ネットワーク11、12は、それぞれに対して判定論理
を実際に学習させる必要はなく、事前に確立された判定
論理をそのまま記憶させ、学習済みのネットワークとし
て、バッテリBを使用する電動自転車や電気自動車など
に計測ユニット13とともに搭載して使用すればよい。 【0036】また、第1、第2のニューラルネットワー
ク11、12は、計測ユニット13を使用して集積する
稼動中のバッテリBの稼動パラメータを利用して、既に
記憶している判定論理を修正学習させてもよい。新品の
バッテリBを満充電した場合、計測ユニット13は、
「正常」なバッテリBの任意の残存容量Rに対する稼動
パラメータと教師信号とを容易に計測して取得すること
ができるから、これを利用して判定論理を修正すれば、
第1、第2のニューラルネットワーク11、12は、バ
ッテリBの製品ばらつきや、判定論理を確立した際の模
擬負荷状態と現実の負荷状態との差などに基づく判定精
度の低下要因を有効に是正することができる。 【0037】なお、この発明は、シール形鉛蓄電池の
他、開放形鉛蓄電池、ニッケル−カドミウム電池、カー
ボンリチウム二次電池(電気二重層電池)、ナトリウム
−硫黄電池(セラミック電池)などの他の形式のバッテ
リに対しても広く適用することができる。 【0038】 【発明の効果】以上説明したように、この出願に係る第
1発明によれば、第1、第2のニューラルネットワーク
にそれぞれバッテリの劣化状態、残存容量の判定論理を
学習させることによって、第1のニューラルネットワー
クは、バッテリの稼動パラメータに基づいてバッテリの
劣化状態を判定することができ、第2のニューラルネッ
トワークは、バッテリの稼動パラメータと第1のニュー
ラルネットワークの判定結果とに基づいてバッテリの残
存容量を判定することができるから、稼動中のバッテリ
の劣化状態、残存容量をリアルタイムに適確に自動判定
することができるという優れた効果がある。 【0039】第2発明によれば、計測ユニットと、学習
済みの第1、第2のニューラルネットワークとを組み合
わせることによって、第1発明を容易に実施することが
できる。

【図面の簡単な説明】 【図1】 全体構成ブロック系統図 【図2】 第1のニューラルネットワークの構成概念図 【図3】 第2のニューラルネットワークの構成概念図 【図4】 試験データを示す線図(1) 【図5】 試験データを示す線図(2) 【図6】 試験データを示す線図(3) 【図7】 試験データを示す線図(4) 【図8】 試験データを示す図表 【図9】 試験データを示す線図(5) 【図10】 試験データを示す線図(6) 【符号の説明】 B…バッテリ D…劣化状態 R…残存容量 Z…内部インピーダンス L1 …入力層 L2 …中間層 L3 …出力層 10…残存容量判定装置 11…第1のニューラルネットワーク 12…第2のニューラルネットワーク 13…計測ユニット

Claims (1)

  1. 【特許請求の範囲】 【請求項1】 稼動中のバッテリの残存容量を自動判定
    するに際し、バッテリの劣化状態の判定論理を第1のニ
    ューラルネットワークに学習させ、バッテリの残存容量
    の判定論理を第2のニューラルネットワークに学習さ
    せ、バッテリの稼動パラメータに基づき、第1のニュー
    ラルネットワークによってバッテリの劣化状態を判定
    し、バッテリの稼動パラメータと第1のニューラルネッ
    トワークの判定結果とに基づき、第2のニューラルネッ
    トワークによってバッテリの残存容量を判定することを
    特徴とするバッテリの残存容量判定方法。 【請求項2】 バッテリの稼動パラメータを計測する計
    測ユニットと、バッテリの劣化状態の判定論理を学習さ
    せた第1のニューラルネットワークと、バッテリの残存
    容量の判定論理を学習させた第2のニューラルネットワ
    ークとを備えてなり、前記第1のニューラルネットワー
    クは、前記計測ユニットからの稼動パラメータに基づい
    てバッテリの劣化状態を判定し、前記第2のニューラル
    ネットワークは、前記計測ユニットからの稼動パラメー
    タと前記第1のニューラルネットワークの判定結果とに
    基づいてバッテリの残存容量を判定することを特徴とす
    るバッテリの残存容量判定装置。 【請求項3】 前記第1、第2のニューラルネットワー
    クは、それぞれ応答関数をシグモイド関数とする3層フ
    ィードフォワードネットワークとし、学習則としてバッ
    クプロパゲーション法を適用することを特徴とする請求
    項2記載のバッテリの残存容量判定装置。 【請求項4】 前記第1のニューラルネットワークは、
    出力層のニューロン数を3に設定することを特徴とする
    請求項3記載のバッテリの残存容量判定装置。 【請求項5】 前記第2のニューラルネットワークは、
    出力層のニューロン数を10に設定することを特徴とす
    る請求項3または請求項4記載のバッテリの残存容量判
    定装置。 【請求項6】 前記第1、第2のニューラルネットワー
    クは、それぞれの中間層のニューロン数を20〜80に
    設定することを特徴とする請求項3ないし請求項5のい
    ずれか記載のバッテリの残存容量判定装置。 【請求項7】 前記計測ユニットは、バッテリの稼動パ
    ラメータを周期的にサンプリングして計測することを特
    徴とする請求項2ないし請求項6のいずれか記載のバッ
    テリの残存容量判定装置。 【請求項8】 前記計測ユニットは、バッテリの稼動パ
    ラメータとしてバッテリの内部インピーダンスを計測す
    ることを特徴とする請求項2ないし請求項7のいずれか
    記載のバッテリの残存容量判定装置。
JP2002047209A 2002-02-22 2002-02-22 バッテリの残存容量判定方法と、その装置 Active JP4038788B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2002047209A JP4038788B2 (ja) 2002-02-22 2002-02-22 バッテリの残存容量判定方法と、その装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2002047209A JP4038788B2 (ja) 2002-02-22 2002-02-22 バッテリの残存容量判定方法と、その装置

Publications (2)

Publication Number Publication Date
JP2003249271A true true JP2003249271A (ja) 2003-09-05
JP4038788B2 JP4038788B2 (ja) 2008-01-30

Family

ID=28660323

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2002047209A Active JP4038788B2 (ja) 2002-02-22 2002-02-22 バッテリの残存容量判定方法と、その装置

Country Status (1)

Country Link
JP (1) JP4038788B2 (ja)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005059579A1 (en) * 2003-12-18 2005-06-30 Lg Chem, Ltd. Apparatus and method for estimating state of charge of battery using neural network
EP1691209A1 (en) 2005-02-14 2006-08-16 Denso Corporation Method and apparatus for detecting charged state of secondary battery based on neural network calculation
JP2007240521A (ja) * 2006-02-09 2007-09-20 Denso Corp 二次電池の状態量演算方式
WO2009025512A2 (en) 2007-08-23 2009-02-26 Lg Chem, Ltd. System and method for estimating long term characteristics of battery
CN100529786C (zh) 2005-12-22 2009-08-19 佛山市顺德区顺达电脑厂有限公司;神基科技股份有限公司 多电池电量自动学习的系统及其方法
JP2010519691A (ja) * 2007-04-20 2010-06-03 杭州高特電子設備有限公司 蓄電池の性能を分析するためのエキスパート診断方法
US7777446B2 (en) 2006-01-31 2010-08-17 Denso Corporation Method and apparatus for calculating battery state and apparatus for controlling power voltage in vehicle
US7965059B2 (en) 2005-11-30 2011-06-21 Lg Chem, Ltd. System, method, and article of manufacture for determining an estimated battery parameter vector
US7969120B2 (en) 2003-11-20 2011-06-28 Lg Chem, Ltd. Method for calculating power capability of battery packs using advanced cell model predictive techniques
CN102288921A (zh) * 2011-09-05 2011-12-21 上海市电力公司 电池批量检测方法及系统
US8341449B2 (en) 2010-04-16 2012-12-25 Lg Chem, Ltd. Battery management system and method for transferring data within the battery management system
US8449998B2 (en) 2011-04-25 2013-05-28 Lg Chem, Ltd. Battery system and method for increasing an operational life of a battery cell
US8519675B2 (en) 2008-01-30 2013-08-27 Lg Chem, Ltd. System, method, and article of manufacture for determining an estimated battery cell module state
US8859119B2 (en) 2011-06-30 2014-10-14 Lg Chem, Ltd. Heating system for a battery module and method of heating the battery module
US8974929B2 (en) 2011-06-30 2015-03-10 Lg Chem, Ltd. Heating system for a battery module and method of heating the battery module
US8974928B2 (en) 2011-06-30 2015-03-10 Lg Chem, Ltd. Heating system for a battery module and method of heating the battery module
US8993136B2 (en) 2011-06-30 2015-03-31 Lg Chem, Ltd. Heating system for a battery module and method of heating the battery module
CN104849671A (zh) * 2015-05-22 2015-08-19 大连理工大学 一种基于组合神经网络的电池组容量检测系统
JP2016090346A (ja) * 2014-10-31 2016-05-23 エンネット株式会社 電池診断装置および電池診断方法
DE102006018208B4 (de) * 2005-04-20 2017-11-23 Denso Corporation Verfahren und Vorrichtung zum Detektieren eines geladenen Zustandes einer sekundären Batterie basierend auf einer Berechnung eines neuronalen Netzwerks

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7969120B2 (en) 2003-11-20 2011-06-28 Lg Chem, Ltd. Method for calculating power capability of battery packs using advanced cell model predictive techniques
US7583059B2 (en) 2003-12-18 2009-09-01 Lg Chem, Ltd. Apparatus and method for estimating state of charge of battery using neural network
CN100570388C (zh) 2003-12-18 2009-12-16 株式会社Lg化学 使用神经网络评估电池的充电状态的设备和方法
WO2005059579A1 (en) * 2003-12-18 2005-06-30 Lg Chem, Ltd. Apparatus and method for estimating state of charge of battery using neural network
US7554296B2 (en) 2005-02-14 2009-06-30 Denso Corporation Method and apparatus for detecting charged state of secondary battery based on neural network calculation
KR100880717B1 (ko) 2005-02-14 2009-02-02 가부시키가이샤 닛폰 소켄 뉴럴네트워크연산에 기초한 2차전지의 충전상태를 검출하기위한 방법 및 장치
EP1691209A1 (en) 2005-02-14 2006-08-16 Denso Corporation Method and apparatus for detecting charged state of secondary battery based on neural network calculation
DE102006018208B4 (de) * 2005-04-20 2017-11-23 Denso Corporation Verfahren und Vorrichtung zum Detektieren eines geladenen Zustandes einer sekundären Batterie basierend auf einer Berechnung eines neuronalen Netzwerks
US7965059B2 (en) 2005-11-30 2011-06-21 Lg Chem, Ltd. System, method, and article of manufacture for determining an estimated battery parameter vector
CN100529786C (zh) 2005-12-22 2009-08-19 佛山市顺德区顺达电脑厂有限公司;神基科技股份有限公司 多电池电量自动学习的系统及其方法
US7777446B2 (en) 2006-01-31 2010-08-17 Denso Corporation Method and apparatus for calculating battery state and apparatus for controlling power voltage in vehicle
JP2007240521A (ja) * 2006-02-09 2007-09-20 Denso Corp 二次電池の状態量演算方式
JP2010519691A (ja) * 2007-04-20 2010-06-03 杭州高特電子設備有限公司 蓄電池の性能を分析するためのエキスパート診断方法
EP2188642A4 (en) * 2007-08-23 2014-01-22 Lg Chemical Ltd System and method for estimating long term characteristics of battery
US9255973B2 (en) 2007-08-23 2016-02-09 Lg Chem, Ltd. System and method for estimating long term characteristics of battery
EP2188642A2 (en) * 2007-08-23 2010-05-26 LG Chem. Ltd. System and method for estimating long term characteristics of battery
WO2009025512A2 (en) 2007-08-23 2009-02-26 Lg Chem, Ltd. System and method for estimating long term characteristics of battery
US8519675B2 (en) 2008-01-30 2013-08-27 Lg Chem, Ltd. System, method, and article of manufacture for determining an estimated battery cell module state
US8341449B2 (en) 2010-04-16 2012-12-25 Lg Chem, Ltd. Battery management system and method for transferring data within the battery management system
US8449998B2 (en) 2011-04-25 2013-05-28 Lg Chem, Ltd. Battery system and method for increasing an operational life of a battery cell
US8859119B2 (en) 2011-06-30 2014-10-14 Lg Chem, Ltd. Heating system for a battery module and method of heating the battery module
US8974928B2 (en) 2011-06-30 2015-03-10 Lg Chem, Ltd. Heating system for a battery module and method of heating the battery module
US8993136B2 (en) 2011-06-30 2015-03-31 Lg Chem, Ltd. Heating system for a battery module and method of heating the battery module
US8974929B2 (en) 2011-06-30 2015-03-10 Lg Chem, Ltd. Heating system for a battery module and method of heating the battery module
CN102288921A (zh) * 2011-09-05 2011-12-21 上海市电力公司 电池批量检测方法及系统
JP2016090346A (ja) * 2014-10-31 2016-05-23 エンネット株式会社 電池診断装置および電池診断方法
CN104849671A (zh) * 2015-05-22 2015-08-19 大连理工大学 一种基于组合神经网络的电池组容量检测系统

Also Published As

Publication number Publication date Type
JP4038788B2 (ja) 2008-01-30 grant

Similar Documents

Publication Publication Date Title
US6441586B1 (en) State of charge prediction method and apparatus for a battery
Pang et al. Battery state-of-charge estimation
US7003410B2 (en) Electronic battery tester with relative test output
US7453238B2 (en) State of charge tracking system for battery systems based on relaxation voltage
Caumont et al. Energy gauge for lead-acid batteries in electric vehicles
US6359419B1 (en) Quasi-adaptive method for determining a battery's state of charge
US20080224709A1 (en) Battery management system and driving method thereof
Meissner et al. The challenge to the automotive battery industry: the battery has to become an increasingly integrated component within the vehicle electric power system
Shen et al. Adaptive neuro-fuzzy modeling of battery residual capacity for electric vehicles
US20050073315A1 (en) Method and apparatus for estimating state of charge of secondary battery
US20040257087A1 (en) Method for estimating polarization voltage of secondary cell, method and device for estimating remaining capacity of secondary cell, battery pack system, and vehicle
US20110224928A1 (en) Battery state estimator using multiple sampling rates
JPH09298806A (ja) 電動車両用電力供給方法及びその装置
US20100072955A1 (en) Method of Estimating Surface Ion Density
JP2003346919A (ja) 蓄電システム
CN101359036A (zh) 电池荷电状态的测定方法
US20030076109A1 (en) State of charge method and apparatus
JP2008014702A (ja) バッテリの劣化演算装置
US20050017725A1 (en) Method and device for estimating remaining capacity of secondary cell battery pack system and electric vehicle
JP2002243813A (ja) 二次電池の電池容量劣化演算装置
JPH1132442A (ja) 蓄電池残容量推定方法及び蓄電池残容量推定システム
US6947855B2 (en) Adaptive algorithm to control and characterize super-capacitor performance
JP2006215001A (ja) バッテリの管理装置
JP2008122165A (ja) 電池の劣化度の検出方法
KR20080032454A (ko) 자동차 배터리 관리 시스템

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20050106

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20070424

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20070717

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20070807

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20071016

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20071026

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20101116

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20101116

Year of fee payment: 3

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20111116

Year of fee payment: 4

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20111116

Year of fee payment: 4

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20161116

Year of fee payment: 9

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250