JP2018059910A - 電池の状態を推定するためのシステム及び方法、および、非一時的コンピュータ可読記憶媒体 - Google Patents
電池の状態を推定するためのシステム及び方法、および、非一時的コンピュータ可読記憶媒体 Download PDFInfo
- Publication number
- JP2018059910A JP2018059910A JP2017170333A JP2017170333A JP2018059910A JP 2018059910 A JP2018059910 A JP 2018059910A JP 2017170333 A JP2017170333 A JP 2017170333A JP 2017170333 A JP2017170333 A JP 2017170333A JP 2018059910 A JP2018059910 A JP 2018059910A
- Authority
- JP
- Japan
- Prior art keywords
- battery
- model
- charge
- estimated
- extreme value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 230000001052 transient effect Effects 0.000 title description 3
- 230000015654 memory Effects 0.000 claims abstract description 45
- 230000006870 function Effects 0.000 claims description 57
- 230000000737 periodic effect Effects 0.000 claims description 10
- 230000003094 perturbing effect Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000010363 phase shift Effects 0.000 claims description 3
- 230000006866 deterioration Effects 0.000 claims 2
- 238000009877 rendering Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 24
- 238000005259 measurement Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 229910001416 lithium ion Inorganic materials 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000001311 chemical methods and process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229910010707 LiFePO 4 Inorganic materials 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
- B60L58/15—Preventing overcharging
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- 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
- B60L2260/44—Control modes by parameter estimation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Abstract
【課題】充電式電池の状態を推定するためのシステム及び方法を提供する。
【解決手段】センサー１２２を用いて電池の電荷を示す電池の物理量を求め、電池の測定電荷を生成することと、メモリ１２６内に記憶された電池のモデルを用いて電池の物理量を推定し、電池の推定電荷を生成することと、パラメーター学習（ＰＬ）コントローラー１２４を用いて電池のモデルの少なくとも１つのパラメーターを更新し、電池の測定電荷と電池の推定電荷との間の差を低減することと、プロセッサ１２０を用いて、電池の更新されたモデルを用いて電池の状態を判断することと、を含む方法。
【選択図】図１Ｂ
【解決手段】センサー１２２を用いて電池の電荷を示す電池の物理量を求め、電池の測定電荷を生成することと、メモリ１２６内に記憶された電池のモデルを用いて電池の物理量を推定し、電池の推定電荷を生成することと、パラメーター学習（ＰＬ）コントローラー１２４を用いて電池のモデルの少なくとも１つのパラメーターを更新し、電池の測定電荷と電池の推定電荷との間の差を低減することと、プロセッサ１２０を用いて、電池の更新されたモデルを用いて電池の状態を判断することと、を含む方法。
【選択図】図１Ｂ
Description
本開示は電池状態推定のための方法及びシステムに関する。より詳細には、本開示は、充電式電池の状態を推定するためのセンサーに関する。
電池の状態を知ることは、多数の電池管理アプリケーションにとって重要である。例えば、電池の状態は、電池内に残存する利用可能な電荷のパーセンテージと規定される充電率（ＳｏＣ：state of charge）を含むことができる。ＳｏＣは、電池が充電されるべき時点のインジケーションを与え、そのインジケーションにより、電池管理システムは、過放電イベント及び過充電イベントから電池を保護することによって、電池寿命を改善できるようになる可能性がある。電池の健全性の別のインジケーターは、電池の最大充電能力及び最大放電能力を示す充放電可能電力（ＳｏＰ：state of power）である。例えば、電気自動車の加速及び回生制動のために利用可能な最大電力を決定し、それにより、電池を過放電及び過充電するのを防ぐために、電池のピーク電力能力の推定が必要とされる。したがって、電池の状態を推定することが必要とされている。
充電式電池は、可逆的化学反応を通してエネルギーを蓄積する。従来、充電式電池は、低い使用コストを提供し、結果として、非充電式電池に比べて、環境に影響を与えることに関するグリーンイニシアチブを支援する。例えば、家庭用電化製品、住宅屋根太陽光発電システム、電気自動車、スマートグリッドシステム等を含む、数多くの適用例において、リチウムイオン（Ｌｉイオン）充電式電池が主要エネルギー蓄積構成要素として広く展開されてきた。異なる化学反応を伴う他のタイプの電池より優れたＬｉイオン電池の少なくとも幾つかの主な利点は、低い自己放電率、高いセル電圧、高いエネルギー密度、軽量、長寿命及び低いメンテナンスである。
しかしながら、Ｌｉイオン電池及び他のタイプの電池は、化学エネルギー蓄積源を含み、この化学エネルギーは直接アクセスすることができない。従来の電池状態推定技法は通常、モデルベース法及びデータ駆動ベース法に分類される。モデルベース法は、電池の化学的及び／又は物理的プロセスを取り込むモデルを利用する。データ駆動法は、トレーニングデータを用いて、電池の物理量の測定値を、電池の状態の対応する値にマッピングする。しかしながら、電池内のプロセスは非常に複雑であり、経時的に変化する可能性があり、それにより従来の状態推定方法の精度を低下させる。したがって、充電式電池の状態を推定するためのシステム及び方法が依然として必要とされている。
幾つかの実施形態は、電池の正確なモデルが既知であるとき、そのようなモデルを用いて、電池の状態を推定できるという認識に基づく。しかしながら、電池内部の化学的プロセス及び他のプロセスが複雑であることに起因して、モデルのパラメーターを推定するのは難しい可能性がある。さらに、電池のモデルのパラメーターは経時的に変化する可能性があり、それにより、最初に推定されたモデルの精度を低下させる。
幾つかの実施形態は、電池の状態を推定するためのデータ駆動法を用いて、モデルベース法の限界を克服できるという認識に基づく。しかしながら、電池内部のプロセスが極めて複雑であることに起因して、例えば、電荷と電池の状態との間のマッピングのトレーニングは、複雑なトレーニングプロセスを必要とする可能性があり、それは、グラウンドトゥルースデータが入手可能であるときにのみ可能である。そのようなグラウンドトゥルースデータは、あらかじめ入手可能であり、それによって、初期マッピングを可能にする場合がある。しかしながら、電池のパラメーターは経時的に変化する可能性があり、これにより初期マッピングが不正確になる可能性がある。
幾つかの実施形態は、電池の状態を推定するためのハイブリッドセンサーを形成するように、モデルベース法及びデータ駆動法を適応させることが可能であるという理解に基づく。そのため、幾つかの実施形態は、電池の状態を直接推定する代わりに、電池のモデルのパラメーターを推定するようにデータ駆動法を変更する。電池のモデルが更新された後に、モデルベース法を用いて、電池の状態を推定することができる。
幾つかの実施形態は、データ駆動法が、例えば、電池の測定電荷と、モデルのパラメーターを用いて推定された電池の電荷との比較に基づいて、電池のモデルのパラメーターを更新できるという理解に基づく。そのようにして、電池の測定電荷は、電池の寿命にわたってモデル更新のために使用することができるグラウンドトゥルース情報を提供することができる。
一実施形態は、モデルのパラメーターを調整して、電池の実際の性能を再現することができるので、電池のモデルを単純化できるという更なる理解に基づく。例えば、異なる実施形態は、電池内部の化学的プロセスを表すモデルを使用するのに加えて、又はその代わりに、電池の電気的モデル及び運動学的モデルを使用する。そのようなモデル単純化は、プロセッサが電池の状態を判断する場合の計算要件を緩和する。
一実施形態は、モデルフリー極値探索法を用いて、モデルのパラメーターを更新できるという理解に基づく。例えば、電池の測定電荷と推定電荷との間の差を低減することができるパラメーターを決定するために、極値探索は、終了条件が満たされるまで、予め設定された周波数を有する摂動信号でモデルのパラメーターを繰り返し摂動させることができる。極値探索は、モデルフリー学習法であり、それゆえ、モデル更新のために使用することができる。また、モデルの複数のパラメーターを更新することが必要な可能性がある。極値探索は、有利には、複数のパラメーターを同時に更新するように適応させることができる。
したがって、一実施形態は、電池の状態を推定するための方法を開示する。本方法は、センサーを用いて、前記電池の電荷を示す前記電池の物理量を求め、前記電池の測定電荷を生成することと、メモリ内に記憶された前記電池のモデルを用いて前記電池の前記物理量を推定し、前記電池の推定電荷を生成することと、前記電池の前記モデルの少なくとも１つのパラメーターを更新し、前記電池の前記測定電荷と前記電池の前記推定電荷との間の差を低減することと、前記電池の前記更新されたモデルを用いて前記電池の前記状態を判断することとを含む。前記方法のステップは、前記メモリ及び前記センサーに動作可能に接続されるプロセッサによって実行される。
別の実施形態は、電池の状態を推定するためのシステムであって、前記電池の電荷を示す前記電池の物理量を測定し、前記電池の測定電荷を生成するセンサーと、前記電池のモデルを記憶するメモリと、前記電池の前記モデルの少なくとも１つのパラメーターを更新し、前記電池の測定電荷と前記電池の前記モデルを用いて推定された前記電池の電荷との間の差を低減するパラメーター学習コントローラーと、前記電池の前記更新されたモデルを用いて前記電池の前記状態を判断するプロセッサとを備える、システムを開示する。
更に別の実施形態は、方法を実行するためのプロセッサによって実行可能なプログラムがその上に具現された非一時的コンピューター可読記憶媒体であって、前記方法は、センサーを用いて、前記電池の電荷を示す前記電池の物理量を求め、前記電池の測定電荷を生成することと、メモリ内に記憶された前記電池のモデルを用いて前記電池の前記物理量を推定し、前記電池の推定電荷を生成することと、前記電池の前記モデルの少なくとも１つのパラメーターを更新し、前記電池の前記測定電荷と前記電池の前記推定電荷との間の差を低減することと、前記電池の前記更新されたモデルを用いて前記電池の前記状態を判断することとを含む、非一時的コンピューター可読記憶媒体を開示する。
図１Ａは、一実施形態による、電池１１４の状態１１８を推定するためのハイブリッドセンサーの原理を示すブロック図を示す。その実施形態は、電池の状態を推定するためのハイブリッドセンサーを形成するようにモデルベース法及びデータ駆動法を適応させることができるという理解に基づく。そのため、幾つかの実施形態は、電池の状態を直接推定する代わりに、電池のモデル１１６のパラメーター１１０を推定するようにデータ駆動法１１２を変更する。電池のモデル１１０が更新された後に、モデルベース法１１６を用いて電池１１４の状態１１８を推定することができる。
幾つかの実施形態は、データ駆動法が、例えば、電池の測定電荷と、モデルのパラメーターを用いて推定された電池の電荷との比較に基づいて、電池のモデルのパラメーターを更新できるという理解に基づく。そのようにして、電池の測定電荷は、電池の寿命にわたってモデル更新のために使用することができるグラウンドトゥルース情報を提供することができる。さらに、幾つかの実施形態は、異なるモデルフリーパラメーター学習法を用いて、モデルのパラメーターを更新できるという理解に基づく。例えば、極値探索がモデルフリー学習法であり、それゆえ、モデル更新のために使用することができる。
図１Ｂは、一実施形態による、電池の充電率を推定するためのシステム１００のブロック図を示す。そのシステムは、電池の電荷を示す電池の物理量を測定するセンサー１２２と、電池のモデルを記憶するメモリ１２６と、電池のモデルの少なくとも１つのパラメーターを更新して、電池の測定電荷と、電池のモデルを用いて推定された電池の電荷との間の差を低減するパラメーター学習（ＰＬ）コントローラー１２４とを含む。また、システム１００は、電池の更新されたモデルを用いて電池の状態を判断するプロセッサ１２０も含む。
プロセッサ１２０は、シングルコアプロセッサ、マルチコアプロセッサ、コンピューティングクラスター、又は任意の数の他の構成とすることができる。メモリ１２６は、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、フラッシュメモリ、又は任意の他の適切なメモリシステムを含むことができる。プロセッサ１２０は、バス１２８を通して、メモリ１２６に、センサー１２２に、そして任意選択で、１つ以上の入力デバイス及び出力デバイスに接続される。
センサー１２２は、電池の電荷を示す電池の任意の物理量を測定するのに適した任意のタイプのセンサーとすることができる。例えば、そのような物理量は、電池の回路を通って流れる電流、及び／又は電池の端子にかかる電圧とすることができる。例えば、センサー１２２は、電流計及び／又は電圧計を含むことができる。
幾つかの実施形態において、ＰＬコントローラーは、終了条件が満たされるまで、予め設定された周波数を有する摂動信号でモデルのパラメーターを繰り返し摂動させる極値探索（ＥＳ）コントローラー１２４である。代替の実施形態において、ＰＬコントローラーは、ガウス過程及び／又は強化学習を用いて、モデルを更新することができる。ＰＬコントローラーは、種々のタイプのプロセッサ、マイクロプロセッサ、及び／又は種々の種類の集積回路を用いて実現することができる。例えば、ＥＳコントローラー１２４は、プロセッサ１２０を用いて実現することができる。
図１Ｃは、一実施形態による、電池の状態を推定するための方法のブロック図を示す。その方法は、システム１００を用いて実施することができる。例えば、その方法のステップは、メモリ１２６及びセンサー１２２に動作可能に接続されるプロセッサ１２０によって実行することができる。この実施形態は、データ駆動法が、電池の測定電荷と、モデルのパラメーターを用いて推定された電池の電荷との比較に基づいて、電池のモデルのパラメーターを更新できるという理解に基づく。そのようにして、電池の測定電荷は、電池の寿命にわたってモデル更新のために使用することができるグラウンドトゥルース情報を提供することができる。
そのため、その方法は、センサー１２２を用いて、電池の電荷を示す電池の物理量を測定し（１３０）、電池の測定電荷１３５を生成する。また、その方法は、メモリ１２６内に記憶された電池のモデル１４２を用いて電池の物理量を推定し（１４０）、電池の推定電荷１４５を生成する。電池の測定物理量の例は、電池を通って流れる電流及び電池の端子上で測定される電圧を含む。
その方法は、電池のモデルの少なくとも１つのパラメーターを更新して、電池の測定電荷と電池の推定電荷との間の差を低減し（１５０）、更新されたモデル１５５を生成する。種々の実施形態において、パラメーターは、終了条件１５２が満たされるまで繰り返し学習される。例えば、一実施形態において、更新１５０は、終了条件１５２が満たされるまで、予め設定された周波数を有する摂動信号でモデルのパラメーターを繰り返し摂動させるモデルフリー極値探索を使用する。終了条件の例は、更新１５０の反復数、及び／又は測定電荷１３５と推定電荷１４５との間の差を含む。
モデルが更新された後に、その方法は、更新されたモデル１５５を用いて電池の状態１１８を判断する（１６０）。電池の状態を推定するためのモデルベース法の例は、カルマンフィルター、制御理論ベース状態観測器、例えば、ランバーグ観測器（Lumbergue observer）、スライディングモード観測器及び適応フィルターを含む。
図１Ｂ及び図１Ｃのシステム及び方法は、モデルのパラメーターを調整して、電池の実際の性能を再現することができ、それにより、幾つか実施形態では、電池のモデルを単純化できるようになる。例えば、異なる実施形態は、電池内部の化学的プロセスを表すモデルを使用するのに加えて、又はその代わりに、電池の電気的モデル及び運動学的モデルを使用する。そのようなモデル単純化は、プロセッサが電池の状態を判断する場合の計算要件を緩和する。
図２Ａは、状態推定のために幾つかの実施形態に使用される電気回路電池モデル２０８の図を示す。電気回路電池モデルは、そのモデルが複雑でないこと、及び電池セルの電流−電圧（Ｉ−Ｖ）動態を特徴付けることができることに起因して、埋め込み適用例の場合に適している。充電と放電との間の電圧ヒステリシス効果が、Ｌｉイオン電池、特にＬｉＦｅＰＯ４タイプの場合に広く存在する。一実施形態では、１状態ヒステリシスを伴う一次抵抗器−キャパシタ（ＲＣ）モデルがＬｉＦｅＰＯ４セルのための良好な選択肢であるようであることがわかった。それゆえ、一実施形態において、ヒステリシスを伴う一次ＲＣモデル１０８を用いて、モデルの精度とモデルの複雑さとの均衡を図る。
開路電圧（ＯＣＶ）ＶＯＣ２００は２つの部分を含む。第１の部分、ＶＯＣ（ＳＯＣ）２０５は、ＳＯＣの関数としての平衡ＯＣＶを表す。第２の部分、Ｖｈ２０４は、ＯＣＶ曲線のヒステリシス挙動を取り込むヒステリシス電圧である。ＲＣ回路は、電池セルのＩ−Ｖ特性及び過渡応答をモデル化する。直列抵抗Ｒｓ２０１を用いて、セル内の充電／放電エネルギー損失を示し、電荷移動抵抗Ｒｃ２０２及び二重層キャパシタンスＣｄ２０３を用いて、セルの電荷移動及び短期拡散電圧、Ｖｄ（Ｃｄに沿った電圧）を特徴付ける。ＶＢ２０６は、セルの端子電圧を表す。
一実施形態において、以下の数学的電圧ヒステリシスモデルが使用される。
ただし、ρは収束率を表すヒステリシスパラメーターであり、ηはクーロン効率であり（η＝１と仮定する）、ｉＢは、電池に加えられる瞬時電流であり、ｖはヒステリシスを表すための自己放電乗数であり、ＳＤは自己放電率であり、Ｖｈｍａｘは最大ヒステリシス電圧である。モデル（１）は、電流、自己放電及びヒステリシス境界へのヒステリシス電圧Ｖｈの依存性を示す。パラメーターρは、シミュレーション及び実験それぞれからのＶＯＣ−ＳＯＣ曲線間の電圧誤差を最小化するように選択することができる。
電気回路モデル１０８及びヒステリシスモデル（１）を含む、離散時間電池モデルは、以下のように表すことができる。
ただし、Ｘ（ｋ＋１）＝［ＳＯＣ（ｋ＋１） Ｖｄ（ｋ＋１） Ｖｈ（ｋ＋１）］Ｔは状態であり、ｙ（ｋ）は測定出力であり、ｋは時間インデックスであり、Ｃｍａｘは電池の最大容量を示し、Ｔｓはサンプリング周期であり、
（ただし、τ＝ＲｃＣｄ）であり、Ｈ（ｉＢ）＝ｅｘｐ（−ρ｜ｉＢ｜Ｔｓ）であり、ａｊ（ただし、０≦ｊ≦５）は、ＶＯＣ−ＳＯＣ曲線をパラメーター化するために使用される係数である。係数ａｊ（ただし、０≦ｊ≦５）は、電池セルの過度応答を最小限に励起するために、小さな電流を使用するパルス電流試験又は定充電及び放電電流試験によって引き出すことができる。
図２Ｂは、幾つかの実施形態による、電池のモデルの学習ベースパラメーター推定のブロック図を示す。その方法のステップは、プロセッサ、例えば、ＰＬコントローラー１２４のプロセッサによって実行することができる。その方法は、電池のモデルを選択する（２１０）。一実施形態において、その方法は、一次抵抗器−キャパシタ（ＲＣ）モデル２０８を選択する。別の実施形態では、その方法は、運動学的電池モデル又は電気化学的モデルのような異なるモデルを選択する。次に、入力−出力信号測定２１１のために、実際の電池テストベッド要件が設定される。一実施形態において、電池テストベッドへの測定入力は電流であり、電池テストベッドからの測定出力は電圧である。この与えられた設定は、出力から入力へのフィードバックを必要としないので、開ループ測定設定２１１と呼ばれる。次に、同じ入力信号プロファイルの場合に、モデル推定２１２及びテストベッド測定２１３の両方が並行して実行される。
モデル推定及びリアルタイム測定から得られた信号を、その後、互いに比較して、学習コスト関数を計算する（２３０）。そのコスト関数の得られた値をモデルフリー学習同定法において用いて（２３３）、モデルパラメーターの推定値を更新する（２３６）。異なる実施形態は、異なる学習同定法を使用する。例えば、一実施形態は、学習同定法として極値探索を使用する。別の実施形態は、学習同定法としてガウス過程を使用する。更に別の実施形態は、強化学習法を用いて、モデルパラメーターを推定する。
図３Ａは、一実施形態による、電池のモデルを更新するための極値探索（ＥＳ）法のブロック図を示す。極値探索は、終了条件が満たされるまで、予め設定された周波数を有する摂動信号でモデルのパラメーターを繰り返し摂動させる。例えば、極値探索の１つの反復が、極値探索の先行する反復中に更新された摂動信号でモデルのパラメーターを摂動させ（３６０）、摂動させる（３６０）のに応答して、電池の測定電荷と、摂動したパラメーターを伴うモデルを用いて推定された電池の推定電荷との間の差のコスト関数を求める（３７０）。例えば、摂動信号は、予め設定された周波数の周期信号を含むことができる。
次に、反復は、摂動信号でコスト関数を変更することによってコスト関数の勾配を求め（３８０）、コスト関数の勾配について摂動信号を積分し（３９０）、極値探索の次の反復のために摂動信号を更新する。例えば、コスト関数の勾配は、コスト関数と、摂動信号と、極値探索の利得との積として求められる。極値探索の反復は、終了条件が満たされるまで繰り返すことができる。
図３Ｂは、幾つかの実施形態による、同定コスト関数を使用する極値探索法のブロック図を示す。その方法は、推定電荷と測定電荷との比較に関連する同定コスト関数３１５を決定する（３１０）。例えば、同定コスト関数は、電池と電池のモデルとの間の距離の指標を含むことができ、そのような指標は、信号測定値と、モデルによってモデル化された信号予測との間の二次誤差によって定量化することができる。そのような信号は、電池端子電圧、電池電力等とすることができる。極値探索は、コスト関数３１５を、時間の第１の周期信号３２５と乗算し（３２０）、摂動したコスト関数３２９を生成し、摂動したコスト関数３２９から、第１の周期信号３２５の位相に対して９０度の直角位相シフトを有する第２の周期信号３３７を減算し（３５０）、利得関数の導関数３５５を生成する。極値探索は、利得関数の導関数を時間積分し、時間の関数としてのパラメーター値３４５を生成する。
図３Ｃは、図３Ｂの方法を実施するＥＳコントローラーの概略図を示す。ＥＳコントローラーは、正弦波摂動ａｓｉｎωｔ３００をシステムに注入し、結果としてコスト関数の出力Ｑ（θ）３０３を得る。この出力Ｑ（θ）３０３は、その後、ａｓｉｎωｔ３００と乗算される。利得ｌを乗算した後に結果として生成される信号、
３０７は、コスト関数θに対するコスト関数の勾配の推定値である。勾配推定値は、その後、積分器１／ｓ３０６に通され、変調信号ａｓｉｎωｔ３００に加算される。
極値探索は、モデルフリー学習法であり、それゆえ、モデル更新のために使用することができる。また、モデルの複数のパラメーターを更新することが必要な可能性がある。例えば、電池のモデルが、電池の電気的構成要素によって形成される回路の電気的モデル２０８であるとき、極値探索は、電気的モデルの複数の構成要素のパラメーターを同時に更新する多変数極値探索とすることができる。
図３Ｄは、一実施形態による、マルチパラメーターＥＳコントローラーの概略図を示す。この実施形態において、マルチパラメーターＥＳは、異なる周波数を有する対応する摂動信号でパラメーターの組内のパラメーターを摂動させて、メモリ内に記憶されたモデルを更新する。幾つかの実施態様において、異なる周波数はそれぞれ、電池の周波数応答より大きい。それに加えて、又はその代わりに、幾つかの実施態様において、摂動信号の異なる周波数は、収束条件を満たし、組の第１の摂動信号の第１の周波数及び第２の摂動信号の第２の周波数の和が第３の摂動信号の第３の周波数に等しくないようにする。
例えば、推定すべきｎ個のパラメーターが存在するとき、図３ＣのＥＳコントローラーは、ｎ個のパラメーターθｉ３１１、３１６、３２１と、ｎ個のパラメーターξｉ３１３、３１８、３２３と、ｎ個の摂動信号３１０、３１５、３２０と、全ての推定パラメーターθ＝（θ１，．．．，θｎ）Ｔの関数である１つの共通のコスト関数３１２とを用いて、ｎ回繰り返される。
このマルチパラメーターＥＳは、以下のように式によって記述することができる。
ただし、摂動周波数ωｉは、ωｉ≠ωｊ、ωｉ＋ωｊ≠ωｋ、ｉ，ｊ，ｋ∈｛１，２，ｎ｝及びωｉ＞ω＊であるような値であり、ω＊は、収束を確実にするほど十分に大きい。パラメーターａｉ、ωｉ及びｌが適切に選択される場合には、コスト関数出力Ｑ（θ）は、最適なコスト関数値Ｑ（θ＊）の近傍に収束する。
リアルタイム埋め込みシステムにおいてＥＳアルゴリズムを実施するために、ＥＳアルゴリズムの離散バージョンが好都合である。ＥＳアルゴリズムの例示的な離散バージョンは、
である。ただし、ｋは時間ステップであり、ΔＴはサンプリング時間である。
例えば、電池のモデルが電池の電気的構成要素によって形成される回路の電気的モデルであるとき、マルチパラメーター極値探索は、電気的モデルの複数の構成要素のパラメーターを同時に更新することができ、すなわち、マルチパラメーターＥＳは、電池モデルのパラメーター、すなわち、（２）のＲｓ、Ｒｃ、Ｃｄ及びＣｍａｘを特定することができる。
例示的な実施形態
図４は、一実施形態による、リチウムイオン電池のためのＥＳベースパラメーター同定方法のブロック図を示す。電池のモデル４０４は、電池の電気的構成要素によって形成される回路の電気的モデルを含む。例えば、モデル４０４は、図２Ａのモデル２０８を含むことができる。
図４は、一実施形態による、リチウムイオン電池のためのＥＳベースパラメーター同定方法のブロック図を示す。電池のモデル４０４は、電池の電気的構成要素によって形成される回路の電気的モデルを含む。例えば、モデル４０４は、図２Ａのモデル２０８を含むことができる。
各時間ステップにおいて、特定の動作入力電流ｉＢ２０７下で、電池システム４０３の端子電圧ＶＢ２０６が測定される。測定されたＶＢ２０６は、電池モデル４０４を用いて推定された端子電圧
４０５と比較される（４０６）。例えば、端子電圧
４０５は、推定された電池モデルパラメーターを用いて、入力電流ｉＢ２０７に基づいて電池モデル４０４を用いて得られる。ＶＢと、
との間の誤差４０６を用いて、同定コスト関数４０１を生成し、それは、電池パラメーター４０２の収束を表す。電池パラメーター４０２はＥＳ法４００によって更新され、次の時間ステップにおける端子電圧
４０５の新たな値を生成するために使用される。終了条件が満たされるまで、例えば、コスト関数４０１が閾値未満になるか、又はその方法が最大反復数に達するまで、パラメーター更新プロセスは続行される。
例えば、推定パラメーターを用いるとき、式（２）において与えられる電池モデル４０４は以下のように表すことができる。
ただし、
、及び
である。
一実施形態において、反復ごとに以下のコスト関数４０１が使用される。
ただし、ｔ０及びＴはそれぞれ、コスト関数の計算中に端子電圧誤差を考慮し始める時刻及び考慮し終える時刻であり、Ｋｐは利得である。
電池モデルパラメーターは以下の形において更新される。
ただし、Ｒｓ，ｎｏｍｉｎａｌ、Ｒｃ，ｎｏｍｉｎａｌ、Ｃｄ，ｎｏｍｉｎａｌ及びＣｍａｘ，ｎｏｍｉｎａｌは、電池モデルパラメーターの公称初期値（nominal initial values）である。式（５）及び式（６）に続いて、特定された電池モデルパラメーター４００の変化が以下の式によって与えられる。
ただし、ａ１、ａ２、ａ３及びａ４は正であり、ｐ≠ｑ≠ｒの場合、ωｐ＋ωｑ≠ωｒ、ｐ，ｑ，ｒ∈｛１，２，３，４｝である。
図５Ａは、電池システムへの入力信号２０７の一例を示す。図５Ｂは、図５Ａの入力信号２０７に関連付けられる出力測定信号２０６を示す。図５Ｇは、コスト関数４０１の変化を示すグラフを示す。図５Ｃ、図５Ｄ、図５Ｅ及び図５Ｆは、電気的モデル２０８を含む電池のモデル４０４の異なるパラメーター４０２、例えば、パラメーターＲｓ、Ｒｃ、Ｃｄ及びＣｍａｘをＥＳ法の反復の関数として示すグラフである。
ＳＯＰ推定
種々の実施形態において、電池の状態は、電池の充電率（ＳＯＣ）、電池の劣化状態（ＳＯＨ：state-of-health）、電池の充放電可能電力（ＳＯＰ）及び電池の放電深度（ＤＯＤ：depth-of-discharge）の１つ又は組み合わせを含む。
種々の実施形態において、電池の状態は、電池の充電率（ＳＯＣ）、電池の劣化状態（ＳＯＨ：state-of-health）、電池の充放電可能電力（ＳＯＰ）及び電池の放電深度（ＤＯＤ：depth-of-discharge）の１つ又は組み合わせを含む。
例えば、安全かつ永続的な動作を保証するために、一実施形態において、リチウムイオンの作動電流及び電圧は、電池電力が以下の式によって与えられる２つの制限の最小値によって制限されるような範囲内に制限される。
ただし、ＳＯＰｄｉｓｃｈａｒｇｅ及びＳＯＰｃｈａｒｇｅはそれぞれ電池の最大放電能力及び最大充電能力であり、
及び
は電圧制限下での電池ＳＯＰであり、
及び
は電流制限下での電池ＳＯＰである。
電圧制限下での最大電力能力を予測するために、一実施形態は、式（７）を以下のように書き換える。
ただし、電池モデルパラメーターＲｓ、Ｒｃ、Ｃｄ及びＣｍａｘはＥＳアルゴリズムによって特定された。次の時間ステップのための推定電流
は所与のＶＢ（ｋ＋１）を用いて得ることができる。
式（１２）によれば、最大放電及び充電電流は、ＶＢ（ｋ＋１）を最小制限値及び最大制限値に設定することによって得ることができる。その後、最大放電及び充電電流を制限電圧と乗算することによって、電池ＳＯＰを得ることができる。例えば、一実施形態は、以下の式に基づいて、電池のＳＯＰを求める。
ただし、
及び
は、電圧制限下での次のサンプリング間隔の場合の最大放電能力及び最大充電能力であり、ＶＢｍａｘ及びＶＢｍｉｎはそれぞれ、電池動作のために許容される最大電圧及び最小電圧である。更新されたｉＢ（ｋ）及びＶＢ（ｋ）を用いて、その実施形態は、次の時間ステップのための電池のＳＯＰを周期的に予測することができる。
電池の最大充電電流及び最大放電電流も制限され、ＳＯＰ推定において考慮することができる。電流制限下での最大電力能力を予測するために、式（７）は以下のように書き換えられる。
ただし、電池モデルパラメーターＲｓ、Ｒｃ、Ｃｄ及びＣｍａｘはＥＳ法によって特定された。次の時間ステップのための推定電圧
は所与のｉＢ（ｋ＋１）を用いて得ることができる。
式（１４）によれば、ｉＢ（ｋ＋１）を最大放電電流Ｉｍａｘ又は最大充電電流Ｉｍｉｎに設定することによって、
を計算することができる。その際、電池ＳＯＰは以下のように表すことができる。
ただし、
及び
は、電流制限下での次のサンプリング間隔の場合の最大放電能力及び最大充電能力であり、Ｉｍａｘ及びＩｍｉｎはそれぞれ、電池動作のために許容される最大放電電流及び最大充電電流である。更新されたｉＢ（ｋ）及びＶＢ（ｋ）を用いて、上記の実施形態は、次の時間ステップのための電流制限下での電池のＳＯＰを周期的に更新することができる。
図６Ａは、幾つかの実施形態による、電気自動車６１０において設置された電池６３０の例示的なＳＯＰの判断を示す。例えば、幾つかの実施形態によって、車両６１０の運転者が、十分な電力が利用可能であるのを確実にするために電池システムを管理できるようになる。一般に、例えば、プロセッサ及びメモリを含む別のデバイス６２０が、コネクタ６４０を介して、電池６３０及び／又は電池６３０のセンサーに接続され、必要な測定を実行することができ、ＳｏＣを推定する。例えば、デバイス６２０はシステム１００を含むことができる。また、別のデバイス６２０は、数ある中でも、電池管理アプリケーションを含むことができると考えられる。また、異なる実施形態では、デバイス６２０は、電池の充電率（ＳＯＣ）、電池の劣化状態（ＳＯＨ）、電池の充放電可能電力（ＳＯＰ）及び電池の放電深度（ＤＯＤ）の１つ以上の組み合わせを求める。
図６Ｂは、車両６１０の例示的なインストルメンタルパネル６６２を示す。インストルメンタルパネル６６２は、ＳＯＰ推定の結果を車両の運転者に対して表示するための１つ又は複数のディスプレイ６６３及び６６４を含むことができる。ＳＯＰ推定は、自動的に、又はＳＯＰの臨界レベルに達したときに、ディスプレイ６６３、６６４上に表示することができる。それに加えて、又はその代わりに、例えば、コントロール６６５、及び／又はハンドル６６６上に位置するコントロール６６７、６６８及び６６９を介して、要求に応じてＳＯＰを表示することができる。ディスプレイはインストルメンタルパネル６６２から離れたワイヤレスデバイスにできることも考えられる。
図７は、本開示の幾つかの実施形態による、電池の状態を判断するために構成される例示的なシステム７００のブロック図を示す。システム７００は、電池と一体に実現することができるか、又は電池を有する機械とすることができる。それに加えて、又はその代わりに、システム７００は、電池の物理量を測定するセンサーに通信可能に接続することができる。
システム７００は、センサー７１０、慣性測定ユニット（ＩＭＵ）７３０、プロセッサ７５０、メモリ７６０、送受信機７７０、及びディスプレイ／スクリーン７８０のうちの１つ又は組み合わせを備えることができる。これらは、接続７２０を通じて他の構成要素に作動的に結合することができる。接続７２０は、バス、ライン、ファイバー、リンク又はそれらの組み合わせを含むことができる。
送受信機７７０は、例えば、１つ以上のタイプの無線通信ネットワークを通じて１つ以上の信号を送信することを可能にする送信機と、１つ以上のタイプの無線通信ネットワークを通じて送信された１つ以上の信号を受信する受信機とを備えることができる。送受信機７７０は、様々な技術に基づいて無線ネットワークとの通信を可能にすることができる。これらの技術は、標準規格のＩＥＥＥ８０２．１１ファミリーに基づくことができるフェムトセル、Ｗｉ−Ｆｉネットワーク又は無線ローカルエリアネットワーク（ＷＬＡＮ）、標準規格のＩＥＥＥ８０２．１５ｘファミリーに基づくＢｌｕｅｔｏｏｔｈ（登録商標）ネットワーク、近距離場通信（ＮＦＣ）ネットワーク等の無線パーソナルエリアネットワーク（ＷＰＡＮ）、及び／又はＬＴＥ、ＷｉＭＡＸ等の無線ワイドエリアネットワーク（ＷＷＡＮ）等であるが、これらに限定されるものではない。システム７００は、有線ネットワークを通じて通信する１つ以上のポートを備えることもできる。
幾つかの実施形態において、システム７００は、本明細書においてこれ以降「センサー７１０」と呼ばれる、電池の物理量を測定するためのセンサーを備えることができる。例えば、センサー７１０は、電池の電圧を測定するための電圧計、電池の電流を測定するための電流計、及び電池の温度を測定するための温度計を含むことができる。
また、システム７００は、電池の状態についての情報をレンダリングする画面又はディスプレイ７８０を含むことができる。幾つかの実施形態において、ディスプレイ７８０は、センサー７１０からの測定値を表示するためにも使用することができる。幾つかの実施形態では、ディスプレイ７８０は、ユーザーが、仮想キーボード、アイコン、メニュー、又は他のＧＵＩ、ユーザージェスチャー及び／又はスタイラス（styli）及び他の筆記用具等の入力デバイスの或る組み合わせを介してデータを入力することを可能にするタッチスクリーンを備えることができ及び／又はこのようなタッチスクリーンとともに収容することができる。幾つかの実施形態では、ディスプレイ４８０は、液晶ディスプレイ（ＬＣＤ）又は有機ＬＥＤ（ＯＬＥＤ）ディスプレイ等の発光ダイオード（ＬＥＤ）ディスプレイを用いて実施することができる。他の実施形態では、ディスプレイ４８０は、ウェアラブルディスプレイとすることができる。
幾つかの実施形態では、状態推定の結果をディスプレイ７８０にレンダリングすることもできるし、システム７００の内部又は外部に存在することができる異なるアプリケーションにサブミットすることもできる。例えば、プロセッサ７５０上で動作する電池管理アプリケーション７５５は、種々の電池管理方法を実施及び実行することができる。
例示的なシステム７００は、図示した機能ブロックのうちの１つ以上の追加、組み合わせ、又は省略等によって、本開示と整合性を有するように様々な方法で変更することもできる。例えば、幾つかの構成では、システム７００は、ＩＭＵ７３０又は送受信機７７０を備えていない。
プロセッサ７５０は、ハードウェア、ファームウェア及びソフトウェアの組み合わせを用いて実現することができる。プロセッサ７５０は、センサーフュージョン及び／又は融合した測定値を更に処理するための方法に関連付けられる計算手順又はプロセスの少なくとも一部を実行するように構成可能な１つ以上の回路を表すことができる。プロセッサ７５０は、メモリ７６０から命令及び／又はデータを引き出す。プロセッサ７５０は、１つ以上の特定用途向け集積回路（ＡＳＩＣ）、中央及び／又はグラフィカル処理ユニット（ＣＰＵ及び／又はＧＰＵ）、デジタルシグナルプロセッサ（ＤＳＰ）、デジタル信号処理デバイス（ＤＳＰＤ）、プログラマブル論理デバイス（ＰＬＤ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、コントローラー、マイクロコントローラー、マイクロプロセッサ、埋め込みプロセッサコア、電子デバイス、本明細書において記述される機能を実行するように設計された他の電子ユニット、又はその組み合わせを用いて実現することができる。
メモリ７６０は、プロセッサ７５０の内部に、及び／又はプロセッサ７５０の外部に実装することができる。本明細書において使用されるときに、「メモリ」という用語は、任意のタイプの長期、短期、揮発性、不揮発性又は他のメモリを指しており、任意の特定のタイプのメモリ若しくはメモリの数、又はメモリが記憶される物理媒体のタイプに制限されるべきではない。幾つかの実施形態において、メモリ７６０は、状態推定、及びプロセッサ７５０によって実行される他のタスクを容易にするプログラムコードを保持する。例えば、メモリ７６０は、トレーニングステージ中に求められた推定値だけでなく、センサーの測定値も記憶することができる。例えば、メモリ７６０は、本明細書において開示される１つ又は異なる種々の実施形態の方法を実行するためにプロセッサによって実行可能なプログラムがその上に具現された非一時的コンピューター可読記憶媒体を含むことができる。
一般に、メモリ７６０は、任意のデータ記憶機構を表すことができる。メモリ７６０は、例えば、一次メモリ及び／又は二次メモリを含むことができる。一次メモリは、例えば、ランダムアクセスメモリ、リードオンリーメモリ等を含むことができる。図７においてプロセッサ７５０とは別であるように示されるが、一次メモリの全て又は一部をプロセッサ７５０内に設けることができるか、又はそうでなくても、プロセッサ７５０と同一の場所に配置し、及び／又はプロセッサ７５０に結合することができることは理解されたい。
二次メモリは、例えば、一次メモリと同じ、又は類似のタイプのメモリ、及び／又は例えば、フラッシュ／ＵＳＢメモリドライブ、メモリカードドライブ、ディスクドライブ、光ディスクドライブ、テープドライブ、ソリッドステートドライブ、ハイブリッドドライブ等の１つ以上のデータ記憶デバイス又はシステムを含むことができる。或る特定の実施態様において、二次メモリは、取外し可能な媒体ドライブ（図示せず）内の非一時的コンピューター可読媒体に動作可能に収容可能であるか、又は別の方法で、動作可能に構成可能とすることができる。幾つかの実施形態において、非一時的コンピューター可読媒体は、メモリ７６０及び／又はプロセッサ７５０の一部を形成する。
本発明の上記で説明した実施形態は、多数の方法のうちの任意のもので実施することができる。例えば、実施形態は、ハードウェア、ソフトウェア又はそれらの組合せを用いて実施することができる。ソフトウェアで実施される場合、ソフトウェアコードは、単一のコンピューターに設けられるのか又は複数のコンピューター間に分散されるのかにかかわらず、任意の適したプロセッサ又はプロセッサの集合体において実行することができる。そのようなプロセッサは、１つ以上のプロセッサを集積回路部品に有する集積回路として実装することができる。ただし、プロセッサは、任意の適したフォーマットの回路類を用いて実装することができる。プロセッサは、当該技術分野において既知であるように、メモリ、送受信機及び入力／出力インターフェースに接続することができる。
Claims (20)
- 電池の状態を推定するための方法であって、
センサーを用いて、前記電池の電荷を示す前記電池の物理量を求め、前記電池の測定電荷を生成することと、
メモリ内に記憶された前記電池のモデルを用いて前記電池の前記物理量を推定し、前記電池の推定電荷を生成することと、
前記電池の前記モデルの少なくとも１つのパラメーターを更新し、前記電池の前記測定電荷と前記電池の前記推定電荷との間の差を低減することと、
前記電池の前記更新されたモデルを用いて前記電池の前記状態を判断することと、
を含み、前記方法のステップは、前記メモリ及び前記センサーに動作可能に接続されるプロセッサによって実行される、方法。 - 前記電池の前記物理量は、前記電池の電圧及び前記電池の電流のうちの１つ又は組み合わせを含み、それにより、前記電池の前記測定電荷は、前記電池の測定電圧及び前記電池の測定電流のうちの１つ又は組み合わせを含み、前記電池の前記推定電荷は、前記電池の推定電圧及び前記電池の推定電流のうちの１つ又は組み合わせを含む、請求項１に記載の方法。
- 前記電池の前記状態は、前記電池の充電率（ＳＯＣ）、前記電池の劣化状態（ＳＯＨ）、前記電池の充放電可能電力（ＳＯＰ）及び前記電池の放電深度（ＤＯＤ）のうちの１つ又は組み合わせを含む、請求項１に記載の方法。
- 前記電池の前記モデルは、前記電池の電気的構成要素によって形成される回路の電気的モデルである、請求項１に記載の方法。
- 前記更新することは、終了条件が満たされるまで、予め設定された周波数を有する摂動信号で前記モデルの前記パラメーターを繰り返し摂動させるモデルフリー極値探索を使用する、請求項１に記載の方法。
- 前記極値探索は、
前記電池の前記測定電荷と前記電池の前記推定電荷との間の前記差のコスト関数を時間の第１の周期信号と乗算し、摂動したコスト関数を生成することと、
前記摂動したコスト関数から、前記第１の周期信号の位相に対して９０度の直角位相シフトを有する第２の周期信号を減算し、利得関数の導関数を生成することと、
前記利得関数の前記導関数を時間積分し、前記モデルの前記パラメーターを時間の関数として更新することと、
を含む、請求項５に記載の方法。 - 前記極値探索は、前記モデルの複数のパラメーターを同時に更新する多変数極値探索である、請求項５に記載の方法。
- 前記電池の前記モデルは、前記電池の電気的構成要素によって形成される回路の電気的モデルであり、前記極値探索は、前記電気的モデルの複数の構成要素のパラメーターを同時に更新するマルチパラメーター極値探索である、請求項５に記載の方法。
- 前記極値探索の現在の反復は、
前記極値探索の前回の反復中に更新された前記摂動信号で前記モデルの前記パラメーターを摂動させることと、
前記摂動信号で前記モデルの前記パラメーターを摂動させるのに応答して、前記電池の前記測定電荷と摂動したパラメーターを有する前記モデルを用いて推定された前記電池の前記推定電荷との間の前記差のコスト関数を求めることと、
前記摂動信号で前記コスト関数を変更することによって、前記コスト関数の勾配を求めることと、
前記コスト関数の前記勾配について前記摂動信号を数学的に積分し、前記極値探索の次の反復のために前記摂動信号を更新することと、
を含む、請求項５に記載の方法。 - 前記コスト関数の前記勾配は、前記コスト関数と、前記摂動信号と、前記極値探索の利得との積として求められる、請求項９に記載の方法。
- 前記極値探索は前記モデルのパラメーターの組を一緒に更新するマルチパラメーター極値探索であり、
異なる周波数を有する対応する摂動信号で前記パラメーターの組内のパラメーターを摂動させて、前記メモリ内に記憶される前記モデルを更新することを更に含む、請求項５に記載の方法。 - 前記摂動信号の前記異なる周波数は、収束条件を満たし、前記組の第１の摂動信号の第１の周波数及び第２の摂動信号の第２の周波数の和が第３の摂動信号の第３の周波数に等しくないようにする、請求項１０に記載の方法。
- 前記異なる周波数はそれぞれ、前記電池の周波数応答より大きい、請求項１０に記載の方法。
- 電池の状態を推定するためのシステムであって、
前記電池の電荷を示す前記電池の物理量を測定し、前記電池の測定電荷を生成するセンサーと、
前記電池のモデルを記憶するメモリと、
前記電池の前記モデルの少なくとも１つのパラメーターを更新し、前記電池の前記測定電荷と前記電池の前記モデルを用いて推定された前記電池の電荷との間の差を低減するパラメーター学習コントローラーと、
前記電池の前記更新されたモデルを用いて前記電池の前記状態を判断するプロセッサと、
を備える、システム。 - 前記極値探索コントローラーは、終了条件が満たされるまで、予め設定された周波数を有する摂動信号で前記モデルの前記パラメーターを繰り返し摂動させる、請求項１４に記載のシステム。
- 前記極値探索コントローラーは、
前記電池の前記測定電荷と前記電池の前記推定電荷との間の前記差のコスト関数を時間の第１の周期信号と乗算し、摂動したコスト関数を生成することと、
前記摂動したコスト関数から、前記第１の周期信号の位相に対して９０度の直角位相シフトを有する第２の周期信号を減算し、利得関数の導関数を生成することと、
前記利得関数の前記導関数を時間積分し、前記モデルの前記パラメーターを時間の関数として更新することと、
を行うように構成される、請求項１５に記載のシステム。 - 前記電池の前記モデルは、前記電池の電気的構成要素によって形成される回路の電気的モデルであり、前記極値探索コントローラーは、前記電気的モデルの複数の構成要素のパラメーターを同時に更新するマルチパラメーター極値探索である、請求項１５に記載のシステム。
- 前記センサーは電流計及び電圧計のうちの１つ又は組み合わせを含み、それにより、前記電池の前記測定電荷は前記電池の測定電圧及び前記電池の測定電流のうちの１つ又は組み合わせを含み、前記電池の前記推定電荷は、前記電池の推定電圧及び前記電池の推定電流のうちの１つ又は組み合わせを含む、請求項１４に記載のシステム。
- 前記電池の前記状態は、前記電池の充電率（ＳＯＣ）、前記電池の劣化状態（ＳＯＨ）、前記電池の充放電可能電力（ＳＯＰ）及び前記電池の放電深度（ＤＯＤ）のうちの１つ又は組み合わせを含み、
前記電池の前記状態をレンダリングするための出力インターフェースを更に備える、請求項１４に記載のシステム。 - 方法を実行するためのプロセッサによって実行可能なプログラムがその上に具現された非一時的コンピューター可読記憶媒体であって、前記方法は、
センサーを用いて、前記電池の電荷を示す前記電池の物理量を求め、前記電池の測定電荷を生成することと、
メモリ内に記憶された前記電池のモデルを用いて前記電池の前記物理量を推定し、前記電池の推定電荷を生成することと、
前記電池の前記モデルの少なくとも１つのパラメーターを更新し、前記電池の前記測定電荷と前記電池の前記推定電荷との間の差を低減することと、
前記電池の前記更新されたモデルを用いて前記電池の前記状態を判断することと、
を含む、非一時的コンピューター可読記憶媒体。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/286,859 US10353008B2 (en) | 2016-10-06 | 2016-10-06 | Hybrid battery state sensor |
| US15/286,859 | 2016-10-06 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2018059910A true JP2018059910A (ja) | 2018-04-12 |
| JP2018059910A5 JP2018059910A5 (ja) | 2020-07-27 |
| JP6818657B2 JP6818657B2 (ja) | 2021-01-20 |
Family
ID=61828773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017170333A Active JP6818657B2 (ja) | 2016-10-06 | 2017-09-05 | 電池の状態を推定するためのシステム及び方法、および、非一時的コンピュータ可読記憶媒体 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US10353008B2 (ja) |
| JP (1) | JP6818657B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020204584A1 (ko) | 2019-04-05 | 2020-10-08 | 주식회사 엘지화학 | 배터리 관리 장치 및 방법 |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11462929B2 (en) * | 2016-10-04 | 2022-10-04 | University Of Washington | Systems and methods for direct estimation of battery parameters using only charge/discharge curves |
| US20180292463A1 (en) * | 2017-04-10 | 2018-10-11 | Lear Corporation | Method and system for battery state of charge calculation |
| CN108845273B (zh) * | 2018-08-30 | 2020-11-03 | 北京经纬恒润科技有限公司 | 一种动力电池功率状态估算功能测试方法和装置 |
| WO2020057715A1 (en) * | 2018-09-17 | 2020-03-26 | Volvo Truck Corporation | A method and system for estimating the state-of-health of a battery |
| CN109799458B (zh) * | 2019-01-14 | 2022-02-25 | 欣旺达电子股份有限公司 | 测试峰值功率的方法、测试装置和计算机可读存储介质 |
| CN111948539A (zh) * | 2019-05-17 | 2020-11-17 | 天津科技大学 | 一种基于深度强化学习的卡尔曼滤波锂离子电池soc估计方法 |
| DE102019119736A1 (de) * | 2019-07-22 | 2021-01-28 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | System und Verfahren zur Bestimmung eines Ladezustands einer elektrischen Batterie |
| KR20210028476A (ko) * | 2019-09-04 | 2021-03-12 | 삼성전자주식회사 | 배터리 충전 장치 및 방법 |
| US11275119B2 (en) | 2019-09-13 | 2022-03-15 | Semiconductor Components Industries, Llc | Methods and system for a battery |
| DE102019126245A1 (de) * | 2019-09-30 | 2021-04-01 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | System und Verfahren zur Bestimmung des Funktionszustandes und/oder Gesundheitszustandes einer elektrischen Batterie |
| KR20210047682A (ko) * | 2019-10-22 | 2021-04-30 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
| WO2022069699A1 (en) * | 2020-10-02 | 2022-04-07 | Univerza V Ljubljani | A computer-implemented method and data processing system for modelling and/or simulating and/or emulating a battery |
| CN115993549A (zh) * | 2021-11-17 | 2023-04-21 | 江苏天合储能有限公司 | 一种储能电池管理系统的修正方法、装置、系统及介质 |
| US11527786B1 (en) | 2022-03-28 | 2022-12-13 | Eatron Technologies Ltd. | Systems and methods for predicting remaining useful life in batteries and assets |
| US20230400846A1 (en) * | 2022-06-14 | 2023-12-14 | Novity, Inc. | Hybrid reasoning based on physics and machine learning for prognostics of systems with conflated degradation modes |
| CN117087497B (zh) * | 2023-08-17 | 2024-03-08 | 广州巨湾技研有限公司 | 动力电池系统的功率控制方法、动力电池系统及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010016109A1 (ja) * | 2008-08-05 | 2010-02-11 | 富士通株式会社 | サンプルの帰属クラス予測方法、帰属クラス予測プログラムおよび帰属クラス予測装置 |
| WO2010016110A1 (ja) * | 2008-08-05 | 2010-02-11 | 富士通株式会社 | 重回帰分析による予測モデルの作成方法、作成システムおよび作成プログラム |
| JP2015230193A (ja) * | 2014-06-04 | 2015-12-21 | ソニー株式会社 | 劣化状態推定装置、充電状態推定装置、ｏｃｖカーブ算出生成装置および蓄電装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8890480B2 (en) * | 2006-11-30 | 2014-11-18 | The Boeing Company | Health management of rechargeable batteries |
| US10288691B2 (en) * | 2014-06-05 | 2019-05-14 | Ford Global Technologies, Llc | Method and system for estimating battery model parameters to update battery models used for controls |
| CN104198941A (zh) * | 2014-07-09 | 2014-12-10 | 联发科技（新加坡）私人有限公司 | 一种电池电量测量方法和装置 |
| US9843069B2 (en) * | 2014-09-26 | 2017-12-12 | Ford Global Technologies, Llc | Battery capacity degradation resolution methods and systems |
-
2016
- 2016-10-06 US US15/286,859 patent/US10353008B2/en active Active
-
2017
- 2017-09-05 JP JP2017170333A patent/JP6818657B2/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010016109A1 (ja) * | 2008-08-05 | 2010-02-11 | 富士通株式会社 | サンプルの帰属クラス予測方法、帰属クラス予測プログラムおよび帰属クラス予測装置 |
| WO2010016110A1 (ja) * | 2008-08-05 | 2010-02-11 | 富士通株式会社 | 重回帰分析による予測モデルの作成方法、作成システムおよび作成プログラム |
| JP2015230193A (ja) * | 2014-06-04 | 2015-12-21 | ソニー株式会社 | 劣化状態推定装置、充電状態推定装置、ｏｃｖカーブ算出生成装置および蓄電装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020204584A1 (ko) | 2019-04-05 | 2020-10-08 | 주식회사 엘지화학 | 배터리 관리 장치 및 방법 |
| KR20200117794A (ko) | 2019-04-05 | 2020-10-14 | 주식회사 엘지화학 | 배터리 관리 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US10353008B2 (en) | 2019-07-16 |
| JP6818657B2 (ja) | 2021-01-20 |
| US20180100898A1 (en) | 2018-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6818657B2 (ja) | 電池の状態を推定するためのシステム及び方法、および、非一時的コンピュータ可読記憶媒体 | |
| CN109196366B (zh) | 使用高斯过程回归估计电池充电状态的方法和系统 | |
| Tang et al. | Aging trajectory prediction for lithium-ion batteries via model migration and Bayesian Monte Carlo method | |
| Murnane et al. | A closer look at state of charge (SOC) and state of health (SOH) estimation techniques for batteries | |
| CN107690585B (zh) | 用于确定锂硫电池组的健康状况和充电状态的方法和装置 | |
| Wang et al. | An adaptive remaining energy prediction approach for lithium-ion batteries in electric vehicles | |
| Waag et al. | Adaptive on-line prediction of the available power of lithium-ion batteries | |
| EP3588115B1 (en) | Apparatus and method for estimating a state of charge of a battery | |
| US11415630B2 (en) | Methods and apparatus for updating a fuel gauge and estimating state of health of an energy storage cell | |
| He et al. | Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles | |
| He et al. | Online estimation of model parameters and state-of-charge of LiFePO4 batteries in electric vehicles | |
| US10664562B2 (en) | Battery state of charge tracking, equivalent circuit selection and benchmarking | |
| US20180106868A1 (en) | Method for estimating a battery state of health | |
| KR101355959B1 (ko) | 추정 배터리 상태 벡터와 추정 배터리 파라미터 벡터를 결정하는 시스템 및 방법 | |
| JP6234946B2 (ja) | 電池状態推定装置 | |
| KR20160000317A (ko) | 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 | |
| US20210181263A1 (en) | Method and battery management system for ascertaining a state of health of a secondary battery | |
| WO2021044134A1 (en) | Method and system for predicting battery degradation | |
| KR102090476B1 (ko) | 클라우드 및 빅데이터를 활용한 bms 최적화 시스템 | |
| Chang et al. | A probabilistic approach for prognosis of battery pack aging | |
| JP2023139227A (ja) | 電池健康状態予測方法、装置、電子機器及び可読記憶媒体 | |
| CN114585936A (zh) | 用于确定充电电池的荷电状态和健康状态的方法和装置 | |
| CN103760494A (zh) | 电池容量在线估计方法及系统 | |
| Selvabharathi et al. | Experimental analysis on battery based health monitoring system for electric vehicle | |
| Ramezani-al et al. | A novel combined online method for SOC estimation of a Li-Ion battery with practical and industrial considerations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200608 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200608 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200608 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200615 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200825 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200914 |
|
| 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: 20201201 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201228 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6818657 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |