JP2020148560A - 電池寿命学習装置、方法、プログラム、電池寿命予測装置、方法及びプログラム - Google Patents
電池寿命学習装置、方法、プログラム、電池寿命予測装置、方法及びプログラム Download PDFInfo
- Publication number
- JP2020148560A JP2020148560A JP2019045250A JP2019045250A JP2020148560A JP 2020148560 A JP2020148560 A JP 2020148560A JP 2019045250 A JP2019045250 A JP 2019045250A JP 2019045250 A JP2019045250 A JP 2019045250A JP 2020148560 A JP2020148560 A JP 2020148560A
- Authority
- JP
- Japan
- Prior art keywords
- vehicle battery
- life
- learning
- series data
- battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- 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]
-
- 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]
- G01R31/367—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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Abstract
【課題】車両用電池の残寿命を予測する際の予測精度を向上させる。【解決手段】電池寿命学習装置８０は、寿命を迎えた学習用の車両用電池１４の過去所定時点における劣化指標の時系列データと残寿命とを含む学習用データに基づいて、車両用電池１４の劣化指標の時系列データから車両用電池１４の残寿命を予測するための予測モデルを学習させて学習済みの予測モデルを得る。また、電池寿命予測装置２２は、予測対象の車両用電池１４の劣化指標の時系列データと前記学習済みの予測モデルとに基づいて、予測対象の車両用電池１４の残寿命を予測する。【選択図】図１
Description
本発明は電池寿命学習装置、電池寿命学習方法、電池寿命学習プログラム、電池寿命予測装置、電池寿命予測方法及び電池寿命予測プログラムに関する。
特許文献１に記載の技術は、時刻ごとに測定された電池の使用時間と劣化指標（例えば内部抵抗）の測定値に基づいて劣化指標の時間変化量を求め、劣化指標の時間変化量に基づいて個々の電池ごとに劣化指標の予測関数を、一次式や二次式、指数関数などの何れかから選択している。そして、劣化指標の予測関数に基づいて劣化指標の予測値を求め、劣化指標の予測値に基づいて電池の寿命を診断している。
しかしながら、車両に搭載された車両用電池（バッテリ）は、車両の使用状況などによって充電量が変化するため、内部抵抗などの劣化指標が一時的に大きく変化することがある。例えば、車両が長期間駐車されたなどの場合に一時的な過放電が発生して車両用電池の充電量が低下すると、一例として図１１にも示すように、車両用電池の内部抵抗も一時的に大きく増加する。特許文献１に記載の技術は、車両用電池の内部抵抗などの劣化指標が一時的に大きく変化した場合に予測関数の切り替えが発生することで、車両用電池の寿命の予測値が大幅に変動する可能性がある。
本発明は上記事実を考慮して成されたもので、車両用電池の残寿命を予測する際の予測精度を向上できる電池寿命学習装置、電池寿命学習方法、電池寿命学習プログラム、電池寿命予測装置、電池寿命予測方法及び電池寿命予測プログラムを得ることが目的である。
請求項１記載の発明に係る電池寿命学習装置は、寿命を迎えた学習用の車両用電池の過去所定時点における劣化指標の時系列データと前記学習用の車両用電池の前記所定時点における残寿命とを含む学習用データに基づいて、車両用電池の劣化指標の時系列データから車両用電池の残寿命を予測するための予測モデルを学習させて、車両用電池の劣化指標の時系列データから車両用電池の残寿命を予測する学習済みの予測モデルを得る学習部を含んでいる。
請求項１記載の発明において、寿命を迎えた学習用の車両用電池の劣化指標の時系列データの中には、学習用の車両用電池の劣化指標の一時的な変動を示すデータが含まれている可能性がある。このような学習用の車両用電池の劣化指標の時系列データを含む学習用データを用いて学習を行うことで、車両用電池の劣化指標の時系列データにおける劣化指標の一時的な変動から車両用電池の残寿命無しと誤って予測されることが抑制されるように、予測モデルが学習されることになる。従って、請求項１記載の発明によれば、車両用電池の残寿命を予測する際の予測精度を向上できる予測モデルを得ることができる。
請求項２記載の発明は、請求項１記載の発明において、前記学習用の車両用電池の劣化指標の時系列データを取得し、取得した前記時系列データを所定期間毎に分割し、分割した部分時系列データの各々に前記学習用の車両用電池の残寿命をラベルとして付与することで、前記学習用データとして複数の部分時系列データを生成する生成部を更に含んでいる。
請求項２記載の発明では、所定期間毎に分割されて残寿命がラベルとして付与された個々の部分時系列データを単位として、予測モデルの学習が行われることになる。これにより、系列長の異なるデータであっても同じ予測モデルの学習に用いることができる（例えば、系列長が１年分の時系列データであっても、系列長が３年分の時系列データであっても、同じ予測モデルの学習に用いることができる）と共に、予測モデルの学習や、学習済みの予測モデルを用いた残寿命の予測における演算負荷を減少させることができる。
請求項３記載の発明に係る電池寿命予測装置は、予測対象の車両用電池の劣化指標の時系列データを取得する取得部と、前記取得部によって取得された、前記予測対象の車両用電池の劣化指標の時系列データと、寿命を迎えた学習用の車両用電池の過去所定時点における劣化指標の時系列データと前記学習用の車両用電池の前記所定時点における残寿命とを含む学習用データから予め学習された学習済みの予測モデルと、に基づいて、前記予測対象の車両用電池の残寿命を予測する予測部と、を含んでいる。
請求項３記載の発明では、寿命を迎えた学習用の車両用電池の劣化指標の時系列データを含む学習用データから予め学習された学習済みの予測モデルを用いて予測対象の車両用電池の残寿命を予測するので、予測対象の車両用電池の劣化指標の時系列データの中に、予測対象の車両用電池の劣化指標の一時的な変動を示すデータが含まれていたとしても、この劣化指標の一時的な変動から車両用電池の残寿命無しと誤って予測されることが抑制される。従って、請求項３記載の発明によれば、車両用電池の残寿命を予測する際の予測精度を向上させることができる。
請求項４記載の発明は、請求項３記載の発明において、前記予測部は、前記取得部によって取得された前記予測対象の車両用電池の劣化指標の時系列データにおいて、前記劣化指標の未計測部分の出現頻度が所定値以上の場合には、前記予測対象の車両用電池の残寿命の予測を中止する。
請求項４記載の発明では、予測対象の車両用電池の劣化指標の時系列データにおいて、例えば車両の使用頻度が低いなどの理由で、前記劣化指標の未計測部分の出現頻度が所定値以上であり、前記未計測部分に劣化指標の推定値を挿入して予測を行うことで予測精度が低下すると推定される場合に、予測対象の車両用電池の残寿命について誤った予測を出力することを抑制することができる。
請求項５記載の発明は、請求項３又は請求項４記載の発明において、表示部に、前記予測対象の車両用電池の劣化指標の時系列データを表示させると共に、前記予測部によって予測された前記予測対象の車両用電池の残寿命に応じた注釈を表示させる表示制御部を更に含んでいる。
請求項５記載の発明では、ユーザが、車両用電池の劣化指標の時系列データを解釈することに不慣れであっても、表示部に表示された注釈から、車両用電池の劣化指標の時系列データの意味を理解することができる。
請求項６記載の発明に係る電池寿命学習方法は、寿命を迎えた学習用の車両用電池の過去所定時点における劣化指標の時系列データと前記学習用の車両用電池の前記所定時点における残寿命とを含む学習用データに基づいて、車両用電池の劣化指標の時系列データから車両用電池の残寿命を予測するための予測モデルを学習させて、車両用電池の劣化指標の時系列データから車両用電池の残寿命を予測する学習済みの予測モデルを得る処理をコンピュータが実行する。これにより、請求項１の発明と同様に、車両用電池の残寿命を予測する際の予測精度を向上できる予測モデルを得ることができる。
請求項７記載の発明に係る電池寿命予測方法は、予測対象の車両用電池の劣化指標の時系列データを取得し、取得した前記予測対象の車両用電池の劣化指標の時系列データと、寿命を迎えた学習用の車両用電池の過去所定時点における劣化指標の時系列データと前記学習用の車両用電池の前記所定時点における残寿命とを含む学習用データから予め学習された学習済みの予測モデルと、に基づいて、前記予測対象の車両用電池の残寿命を予測する処理をコンピュータが実行する。これにより、請求項３の発明と同様に、車両用電池の残寿命を予測する際の予測精度を向上させることができる。
請求項８記載の発明に係る電池寿命学習プログラムは、寿命を迎えた学習用の車両用電池の過去所定時点における劣化指標の時系列データと前記学習用の車両用電池の前記所定時点における残寿命とを含む学習用データに基づいて、車両用電池の劣化指標の時系列データから車両用電池の残寿命を予測するための予測モデルを学習させて、車両用電池の劣化指標の時系列データから車両用電池の残寿命を予測する学習済みの予測モデルを得る処理をコンピュータに実行させる。これにより、請求項１の発明と同様に、車両用電池の残寿命を予測する際の予測精度を向上できる予測モデルを得ることができる。
請求項９記載の発明に係る電池寿命予測プログラムは、予測対象の車両用電池の劣化指標の時系列データを取得し、取得した前記予測対象の車両用電池の劣化指標の時系列データと、寿命を迎えた学習用の車両用電池の過去所定時点における劣化指標の時系列データと前記学習用の車両用電池の前記所定時点における残寿命とを含む学習用データから予め学習された学習済みの予測モデルと、に基づいて、前記予測対象の車両用電池の残寿命を予測する処理をコンピュータに実行させる。これにより、請求項３の発明と同様に、車両用電池の残寿命を予測する際の予測精度を向上させることができる。
本発明は、車両用電池の残寿命を予測する際の予測精度を向上できる、という効果を有する。
以下、図面を参照して本発明の実施形態の一例を詳細に説明する。図１に示す電池寿命予測システム１０は、車両に搭載された充放電システム１２と、電池寿命学習装置８０と、電池寿命予測装置２２と、車両のメインテナンスなどを行う拠点（例えば車両のディーラー）に設置された寿命予測結果出力装置４４と、を含んでいる。充放電システム１２、電池寿命予測装置２２及び寿命予測結果出力装置４４はネットワーク６０を介して通信可能に接続されており、電池寿命学習装置８０は電池寿命予測装置２２と通信可能に接続されている。なお、図１は充放電システム１２が搭載された車両を１台のみ示しているが、充放電システム１２は、実際には複数台の車両に各々搭載されている。
充放電システム１２は、車両の補機バッテリとして使用される車両用電池１４と、車両用電池１４に付加された電池用センサ１６と、車両用電池１４の管理を含む電源管理を行うコントローラ１８と、通信部２０と、を含んでいる。本実施形態では、車両用電池１４の内部抵抗、電圧、電流、温度、充電量、満充電容量などの電池状態を表す各種パラメータのうち、一部のパラメータが電池用センサ１６によって計測され、残りのパラメータがコントローラ１８によって計測される。コントローラ１８は、車両のイグニッションスイッチがオンされる都度、電池状態を表す各種のパラメータを電池情報として収集し（図６の「(1)劣化指標の観測」も参照）、収集した情報を通信部２０を介して電池寿命予測装置２２へ送信する。
なお、電池用センサ１６を省略し、電池状態を表す各種パラメータの全てをコントローラ１８が計測するように構成することも可能である。
電池寿命学習装置８０は、ＣＰＵ（Central Processing Unit）８１、ＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）などのメモリ８２、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）などの不揮発性の記憶部８３及び通信部８４を含んでいる。ＣＰＵ８１、メモリ８２、記憶部８３及び通信部８４は内部バス８５を介して相互に通信可能に接続されている。
記憶部８３は、電池寿命学習プログラム３４が記憶されており、電池情報記憶領域８６が設けられている。電池寿命学習装置８０は、電池寿命学習プログラム３４が記憶部８３から読み出されてメモリ８２に展開され、メモリ８２に展開された電池寿命学習プログラム３４がＣＰＵ８１によって実行されることで、後述する電池寿命学習処理を行う。これにより、電池寿命学習装置８０は電池寿命学習装置の一例として機能する。
電池寿命予測装置２２は、ＣＰＵ２４、ＲＯＭやＲＡＭなどのメモリ２６、ＨＤＤやＳＳＤなどの不揮発性の記憶部２８及び通信部３０を含んでいる。ＣＰＵ２４、メモリ２６、記憶部２８及び通信部３０は内部バス３２を介して相互に通信可能に接続されている。
記憶部２８は、電池寿命予測プログラム３６が記憶されており、電池情報記憶領域３８、予測モデル記憶領域４０及び予測結果記憶領域４２が設けられている。電池寿命予測装置２２は、充放電システム１２から電池情報を受信する都度、受信した電池情報を車両毎（車両用電池１４毎）に区別して電池情報記憶領域３８に記憶する。
電池寿命予測装置２２は、電池寿命予測プログラム３６が記憶部２８から読み出されてメモリ２６に展開され、メモリ２６に展開された電池寿命予測プログラム３６がＣＰＵ２４によって実行されることで、後述する電池寿命予測処理を行う。これにより、電池寿命予測装置２２は、次に説明する寿命予測結果出力装置４４と共に電池寿命予測装置の一例として機能する。
寿命予測結果出力装置４４は、ＣＰＵ４６、ＲＯＭやＲＡＭなどのメモリ４８、ＨＤＤやＳＳＤなどの不揮発性の記憶部５０、通信部５２及びディスプレイ５４を含んでいる。ＣＰＵ４６、メモリ４８、記憶部５０、通信部５２及びディスプレイ５４は内部バス５６を介して相互に通信可能に接続されている。なお、ディスプレイ５４は表示部の一例である。
記憶部５０は予測結果表示プログラム５８が記憶されている。寿命予測結果出力装置４４は、予測結果表示プログラム５８が記憶部５０から読み出されてメモリ４８に展開され、メモリ４８に展開された予測結果表示プログラム５８がＣＰＵ４６によって実行されることで、後述する予測結果表示処理を行う。
なお、電池寿命学習プログラム３４は電池寿命学習プログラムの一例であり、電池寿命予測プログラム３６及び予測結果表示プログラム５８は電池寿命予測プログラムの一例である。
次に本実施形態の作用を説明する。電池寿命予測装置２２は、数年以上の長期間に亘って、充放電システム１２から受信した電池情報を記憶部２８の電池情報記憶領域３８に蓄積している。このため、電池情報記憶領域３８には、個々の車両用電池１４毎に電池情報の時系列データが蓄積記憶される（図６の「(2)劣化指標の蓄積」も参照）。また、電池情報記憶領域３８に記憶されている電池情報の時系列データの中には、寿命を迎えて既に交換された車両用電池１４（以下、これを学習用の車両用電池１４という）の電池情報の時系列データも含まれている。
次に図２を参照し、電池寿命学習装置８０によって行われる電池寿命学習処理を説明する。ステップ１００において、電池寿命学習装置８０は、電池寿命予測装置２２の電池情報記憶領域３８に記憶されている複数の車両用電池１４の電池情報の時系列データの中から、寿命を迎えた全ての学習用の車両用電池１４の劣化指標（例えば内部抵抗）の時系列データを各々取得し、取得した時系列データを電池情報記憶領域８６に記憶させる。なお、ここで取得される劣化指標の時系列データは、車両用電池１４が新品の状態から寿命を迎える迄の全期間のデータである。
次のステップ１０２において、電池寿命学習装置８０は、ステップ１００で取得した劣化指標の時系列データを所定期間（例えば３０日間）毎の劣化指標の部分時系列データｘに分割する（図３の「(1)複数の車両から劣化指標を表すデータを取得する」も参照）。なお、所定期間毎の時系列データｘへの分割は、以下のように行ってもよい。
すなわち、分割前の劣化指標の時系列データにおける最終日付を末尾とし、末尾から２９日前の日付を先頭とする所定期間のデータを劣化指標の部分時系列データとして分割・抽出することを、所定期間の末尾の日付を所定日数（例えば１日）ずつずらしながら繰り返す。これにより、分割前の劣化指標の時系列データから、所定日数ずつ抽出期間がずれた複数の劣化指標の部分時系列データが得られる。
ステップ１０４において、電池寿命学習装置８０は、個々の所定期間毎の劣化指標の部分時系列データｘに対し、部分時系列データｘとして抽出した期間における学習用の車両用電池１４の残寿命をラベルとして付与する（図３の「(2)データを一定の区間に区切ってラベル付を行う」も参照）。
例えば、分割前の劣化指標の時系列データから学習用の車両用電池１４が残寿命１ヶ月の所定期間のデータを分割・抽出することで得られた劣化指標の部分時系列データｘに対しては、残寿命１ヶ月のラベルを付与する。また、例えば、分割前の劣化指標の時系列データから学習用の車両用電池１４が残寿命３ヶ月の所定期間のデータを分割・抽出することで得られた劣化指標の部分時系列データｘに対しては、残寿命３ヶ月のラベルを付与する。
なお、残寿命のラベルを付与した劣化指標の部分時系列データｘは、学習用データの一例である。また、ステップ１００〜１０４は生成部による処理の一例である。
ステップ１０６において、電池寿命学習装置８０は、残寿命のラベルを付与した劣化指標の部分時系列データｘに基づいて、車両用電池１４の劣化指標の時系列データから車両用電池１４の残寿命を予測する（残寿命のクラス毎の確率を出力する）ための予測モデルを学習させることで、学習済の予測モデルを生成する。本実施形態では、予測モデルの一例として、図４に示すようなニューラルネットワークを用いることができ、学習には例えば勾配降下法を用いることができる。
予測モデルによる車両用電池１４の残寿命の予測は、一例としてニューラルネットワークが三層の場合、次の(１),(２)式で表すことができる。
ａ＝ｆ（Ｗ1ｘ＋ｂ1） …（１）
ｙ＝ｇ（Ｗ2ａ＋ｂ2） …（２）
なお、Ｗ1,Ｗ2は重み、ｂ1,ｂ2はバイアス、ｙは残寿命の確率値であり、関数ｆ( ）としては、sigmoid関数、tanh関数、ReLU関数など様々な関数が使用できる。関数ｇ( ）としてはsoftmax関数が使用できる。
ａ＝ｆ（Ｗ1ｘ＋ｂ1） …（１）
ｙ＝ｇ（Ｗ2ａ＋ｂ2） …（２）
なお、Ｗ1,Ｗ2は重み、ｂ1,ｂ2はバイアス、ｙは残寿命の確率値であり、関数ｆ( ）としては、sigmoid関数、tanh関数、ReLU関数など様々な関数が使用できる。関数ｇ( ）としてはsoftmax関数が使用できる。
ステップ１０６では、与えられた車両用電池１４の劣化指標の所定期間の時系列データｘから、車両用電池１４の残寿命を確率値ｙで出力するように、勾配降下法によって重みＷ及びバイアスｂを決定する。例えば、残寿命１ヶ月のラベルが付与された劣化指標の部分時系列データｘを用いた学習においては、残寿命１ヶ月のクラスの確率値ｙが１に近づき、その他のクラス（残寿命２ヶ月や残寿命３ヶ月のクラス）の確率値ｙが０に近づくように、重みＷ及びバイアスｂを調整する（図３の「(3)予測関数にデータとラベルのペアを記憶させる」も参照）。
なお、ステップ１０６は学習部による処理の一例である。また、ニューラルネットワークは四層以上であってもよい。また、勾配降下法とは異なる学習アルゴリズムを用いてもよい。
ステップ１０８において、電池寿命学習装置８０は、ステップ１０６の処理によって得られた予測モデル（ウェイトＷ及びバイアスｂ）を電池寿命予測装置２２へ送信し、電池寿命予測装置２２の記憶部２８の予測モデル記憶領域４０に記憶させ、電池寿命学習処理を終了する。
次に図５を参照し、電池寿命予測装置２２によって行われる電池寿命予測処理を説明する。なお、この電池寿命予測処理は、個々の予測対象の車両用電池１４を処理対象として、定期的に（例えば毎日）実行される。なお、ここでいう予測対象の車両用電池１４は、まだ寿命を迎えていない車両用電池１４である。
ステップ１２０において、電池寿命予測装置２２は、予測対象の車両用電池１４の所定期間（例えば現在の日付を末尾とし、末尾から２９日前の日付を先頭とする最新の所定期間）の劣化指標の時系列データｘを、記憶部２８の電池情報記憶領域３８から取得する（図６の「(3)予測に用いるデータを区間を抽出」も参照）。なお、ステップ１２０は取得部による処理の一例である。
ステップ１２２において、電池寿命予測装置２２は、ステップ１２０で取得した予測対象の車両用電池１４の劣化指標の時系列データｘをスキャンし、所定期間のうち、車両のイグニッションスイッチがオンされなかったために劣化指標が計測されていない日にち（未計測部分の出現頻度）を計数する。そして、電池寿命予測装置２２は、計数した日にちが所定値以上か否かを判定することで、劣化指標の時系列データｘに占める未計測部分の出現頻度が所定値以上か否かを判定する。
後述する車両用電池１４の残寿命予測では、予測対象の車両用電池１４の劣化指標の時系列データｘに未計測部分が含まれる場合、未計測部分に劣化指標の推定値を挿入して予測を行う。このため、例えば車両の使用頻度が低いなどの理由により、劣化指標の時系列データｘに占める未計測部分の出現頻度が所定値以上の場合、車両用電池１４の残寿命予測の予測精度が低下するものと推定される。従って、ステップ１２２の判定が肯定された場合は、車両用電池１４の残寿命予測を行うことなく電池寿命予測処理を終了する。
一方、劣化指標の時系列データｘに占める未計測部分の出現頻度が所定値未満の場合には、ステップ１２２の判定が否定されてステップ１２４へ移行する。ステップ１２４において、電池寿命予測装置２２は、記憶部２８の予測モデル記憶領域４０から予測モデル（ウェイトＷ、バイアスｂ）を読み出す。
ステップ１２６において、電池寿命予測装置２２は、予測対象の車両用電池１４の劣化指標の時系列データｘを、ステップ１２４で読み出した予測モデルに入力し、多層ニューラルネットワークの信号処理を行うことにより、予測対象の車両用電池１４の残寿命の確率値ｙを演算する（図６の「(4)予測処理」も参照）。なお、予測モデルからは、例えば、予測対象の車両用電池１４の残寿命が１ヶ月である確率値ｙ＝６０％、残寿命が２ヶ月である確率値ｙ＝３０％、残寿命が３ヶ月である確率値ｙ＝１０％といった形式で情報が出力される。ステップ１２６は、ステップ１２２、後述するステップ１３０と共に、予測部による処理の一例である。
ステップ１２８において、電池寿命予測装置２２は、ステップ１２６で得られた予測対象の車両用電池１４の残寿命の確率値ｙを記憶部２８の予測結果記憶領域４２に記憶させる。
次のステップ１３０において、電池寿命予測装置２２は、予測結果記憶領域４２に記憶されている予測対象の車両用電池１４の残寿命の確率値ｙの履歴を参照し、一定期間内における残寿命の確率値ｙが閾値を上回ったか否かに基づいて、残寿命の予測が確定したか否か判定する（図６の「(5)予測の確定」も参照）。一例として、残寿命が１ヶ月である確率値ｙが閾値0.7を３日連続で上回った場合には、残寿命が１ヶ月の予測が確定したと判断する。
ステップ１３０の判定が否定された場合は電池寿命予測処理を終了する。また、ステップ１３０の判定が肯定された場合はステップ１３２へ移行する。ステップ１３２において、電池寿命予測装置２２は、予測対象の車両用電池１４の確定した残寿命の予測値を、予測対象の車両用電池１４の劣化指標の時系列データ（例えば過去６ヶ月のデータ）と共に寿命予測結果出力装置へ送信し、電池寿命予測処理を終了する。なお、電池寿命予測装置２２から送信された予測対象の車両用電池１４の残寿命の予測値及び劣化指標の時系列データは、寿命予測結果出力装置４４の記憶部５０に記憶される。
次に図７を参照し、寿命予測結果出力装置４４によって行われる予測結果表示処理を説明する。この予測結果表示処理は、ディーラーの従業員が寿命予測結果出力装置４４に対して特定の車両（予測対象の車両用電池１４が搭載された車両）に関する情報を出力させる指示が入力すると実行される。なお、予測結果表示処理は表示制御部による処理の一例である。
ステップ１４０において、寿命予測結果出力装置４４は、例として図８に示すように、特定の車両に関する情報を表示すると共に、予測対象の車両用電池１４の劣化指標の時系列データを表示するウインドウ７２が付加された時系列データ表示画面７０をディスプレイ５４に表示させる。
ウインドウ７２内には、注釈へのリンク（「ガイド」と表記したボタン）７４が表示されている。次のステップ１４２において、寿命予測結果出力装置４４は、注釈へのリンク７４が選択されたか否か判定する。ステップ１４２の判定が否定された場合は、判定が肯定される迄ステップ１４２を繰り返す。注釈へのリンク７４が選択されると、ステップ１４２の判定が肯定されてステップ１４４へ移行する。
ステップ１４４において、寿命予測結果出力装置４４は、特定の車両に搭載された予測対象の車両用電池１４の残寿命の予測値を記憶部５０から読み出す。そしてステップ１４６において、寿命予測結果出力装置４４は、記憶部５０から読み出した残寿命の予測値に応じた注釈を記載した注釈表示画面７６をディスプレイ５４に表示させる。
具体的には、特定の車両に搭載された予測対象の車両用電池１４の残寿命の予測値が１ヶ月以内の場合には、例として図９に示す注釈表示画面７６Ａをディスプレイ５４に表示させる。注釈表示画面７６Ａは、車両用電池１４が劣化しているケースと、車両用電池１４の劣化指標が異常値を示しているために誤判定しているケースと、のそれぞれについて、凡例と共に注釈を表示している。これにより、ディーラーの従業員が予測対象の車両用電池１４に対する寿命予測結果が適当な判定か誤判定かを判断する補助となり、予測対象の車両用電池１４の使用者（特定車両の使用者）に対する通知をより適切に行うことができる。
また、特定の車両に搭載された予測対象の車両用電池１４の残寿命の予測値が１ヶ月を超えている場合には、例として図９に示す注釈表示画面７６Ｂをディスプレイ５４に表示させる。注釈表示画面７６Ｂについても、車両用電池１４が標準的に使用されているケースと、車両用電池１４の使用頻度が少ないケースと、のそれぞれについて、凡例と共に注釈を表示している。これにより、ディーラーの従業員が、車両用電池１４の使用者（特定車両の使用者）に対して車両用電池１４の使用状況に応じたアドバイスを行うことができる。
以上説明したように、本実施形態では、寿命を迎えた学習用の車両用電池１４の過去所定時点における劣化指標の時系列データと学習用の車両用電池１４の所定時点における残寿命とを含む学習用データに基づいて、車両用電池１４の劣化指標の時系列データから車両用電池１４の残寿命を予測するための予測モデルを学習させて、車両用電池の劣化指標の時系列データから車両用電池の残寿命を予測する学習済みの予測モデルを得ている。これにより、車両用電池１４の残寿命を予測する際の予測精度を向上できる予測モデルを得ることができる。
また、本実施形態では、学習用の車両用電池１４の劣化指標の時系列データを取得し、取得した劣化指標の時系列データを所定期間毎に分割し、分割した部分時系列データの各々に学習用の車両用電池１４の残寿命をラベルとして付与することで、前記学習用データとして複数の部分時系列データを生成する。これにより、系列長の異なるデータであっても同じ予測モデルの学習に用いることができる（例えば、系列長が１年分の時系列データであっても、系列長が３年分の時系列データであっても、同じ予測モデルの学習に用いることができる）と共に、予測モデルの学習や、学習済みの予測モデルを用いた残寿命の予測における演算負荷を減少させることができる。
また、本実施形態では、予測対象の車両用電池１４の劣化指標の時系列データを取得し、取得した、予測対象の車両用電池１４の劣化指標の時系列データと、寿命を迎えた学習用の車両用電池１４の過去所定時点における劣化指標の時系列データと学習用の車両用電池１４の所定時点における残寿命とを含む学習用データから予め学習された学習済みの予測モデルと、に基づいて、予測対象の車両用電池１４の残寿命を予測している。これにより、車両用電池の残寿命を予測する際の予測精度を向上させることができる。
また、本実施形態では、取得した予測対象の車両用電池１４の劣化指標の時系列データにおいて、劣化指標の未計測部分の出現頻度が所定値以上の場合には、予測対象の車両用電池の残寿命の予測を中止するので、予測対象の車両用電池の残寿命について誤った予測を出力することを抑制することができる。
また、本実施形態では、ディスプレイ５４に、予測対象の車両用電池１４の劣化指標の時系列データを表示させると共に、予測された予測対象の車両用電池１４の残寿命に応じた注釈を表示させる。これにより、ユーザが、車両用電池の劣化指標の時系列データを解釈することに不慣れであっても、表示部に表示された注釈から、車両用電池の劣化指標の時系列データの意味を理解することができる。
なお、上記では車両用電池１４の劣化指標の一例として内部抵抗を挙げたが、これに限定されるものではなく、満充電容量などの他のパラメータを用いてもよい。
また、上記では車両用電池１４として補機バッテリを適用した態様を説明したが、これに限定されるものではなく、車両用電池１４として、ハイブリッド車両（ＨＶ：Hybrid Vehicle）や電気自動車（ＥＶ：Electric Vehicle）におけるメインバッテリを適用してもよい。
また、上記では予測結果出力処理（図７）を寿命予測結果出力装置４４が行う態様を説明したが、これに限定されるものではなく、予測結果出力処理を車両で行って車室内のディスプレイに寿命予測結果を表示させるようにしてもよい。
更に、上記では電池寿命予測処理（図５）を電池寿命予測装置２２が行う態様を説明したが、これに限定されるものでもなく、電池寿命予測処理も車両で行うようにしてもよい。
また、上記では予測モデルの一例としてニューラルネットワークを用いる態様を説明したが、これに限定されるものではなく、ＣＮＮ（Convolutional Neural Network）や決定木などを予測モデルとして用いてもよい。
また、上記では、予測モデルを生成する電池寿命学習装置８０と車両用電池１４の寿命予測を行う電池寿命予測装置２２とを別に設けた態様を説明したが、これに限定されるものではなく、予測モデルを生成する装置と車両用電池１４の寿命予測を行う装置とが一体となっていてもよい。
また、上記では電池寿命学習プログラム３４、電池寿命予測プログラム３６及び予測結果表示プログラム５８が記憶部２８，５０に予め記憶（インストール）されている態様を説明したが、これらのプログラムは、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ及びマイクロＳＤカードなどの記録媒体の何れかに記録されている形態で提供することも可能である。
１０ 電池寿命予測システム
１２ 充放電システム
１４ 車両用電池
１６ 電池用センサ
１８ コントローラ
２２ 電池寿命予測装置
２８ 記憶部
３４ 電池寿命学習プログラム
３６ 電池寿命予測プログラム
４４ 寿命予測結果出力装置
５０ 記憶部
５４ ディスプレイ
５８ 予測結果表示プログラム
７０ 時系列データ表示画面
７６Ａ 注釈表示画面
７６Ｂ 注釈表示画面
８０ 電池寿命学習装置
１２ 充放電システム
１４ 車両用電池
１６ 電池用センサ
１８ コントローラ
２２ 電池寿命予測装置
２８ 記憶部
３４ 電池寿命学習プログラム
３６ 電池寿命予測プログラム
４４ 寿命予測結果出力装置
５０ 記憶部
５４ ディスプレイ
５８ 予測結果表示プログラム
７０ 時系列データ表示画面
７６Ａ 注釈表示画面
７６Ｂ 注釈表示画面
８０ 電池寿命学習装置
Claims (9)
- 寿命を迎えた学習用の車両用電池の過去所定時点における劣化指標の時系列データと前記学習用の車両用電池の前記所定時点における残寿命とを含む学習用データに基づいて、車両用電池の劣化指標の時系列データから車両用電池の残寿命を予測するための予測モデルを学習させて、車両用電池の劣化指標の時系列データから車両用電池の残寿命を予測する学習済みの予測モデルを得る学習部を含む電池寿命学習装置。
- 前記学習用の車両用電池の劣化指標の時系列データを取得し、取得した前記時系列データを所定期間毎に分割し、分割した部分時系列データの各々に前記学習用の車両用電池の残寿命をラベルとして付与することで、前記学習用データとして複数の部分時系列データを生成する生成部を更に含む請求項１記載の電池寿命学習装置。
- 予測対象の車両用電池の劣化指標の時系列データを取得する取得部と、
前記取得部によって取得された、前記予測対象の車両用電池の劣化指標の時系列データと、寿命を迎えた学習用の車両用電池の過去所定時点における劣化指標の時系列データと前記学習用の車両用電池の前記所定時点における残寿命とを含む学習用データから予め学習された学習済みの予測モデルと、に基づいて、前記予測対象の車両用電池の残寿命を予測する予測部と、
を含む電池寿命予測装置。 - 前記予測部は、前記取得部によって取得された前記予測対象の車両用電池の劣化指標の時系列データにおいて、前記劣化指標の未計測部分の出現頻度が所定値以上の場合には、前記予測対象の車両用電池の残寿命の予測を中止する請求項３記載の電池寿命予測装置。
- 表示部に、前記予測対象の車両用電池の劣化指標の時系列データを表示させると共に、前記予測部によって予測された前記予測対象の車両用電池の残寿命に応じた注釈を表示させる表示制御部を更に含む請求項３又は請求項４記載の電池寿命予測装置。
- 寿命を迎えた学習用の車両用電池の過去所定時点における劣化指標の時系列データと前記学習用の車両用電池の前記所定時点における残寿命とを含む学習用データに基づいて、車両用電池の劣化指標の時系列データから車両用電池の残寿命を予測するための予測モデルを学習させて、車両用電池の劣化指標の時系列データから車両用電池の残寿命を予測する学習済みの予測モデルを得る処理をコンピュータが実行する電池寿命学習方法。
- 予測対象の車両用電池の劣化指標の時系列データを取得し、
取得した前記予測対象の車両用電池の劣化指標の時系列データと、寿命を迎えた学習用の車両用電池の過去所定時点における劣化指標の時系列データと前記学習用の車両用電池の前記所定時点における残寿命とを含む学習用データから予め学習された学習済みの予測モデルと、に基づいて、前記予測対象の車両用電池の残寿命を予測する
処理をコンピュータが実行する電池寿命予測方法。 - 寿命を迎えた学習用の車両用電池の過去所定時点における劣化指標の時系列データと前記学習用の車両用電池の前記所定時点における残寿命とを含む学習用データに基づいて、車両用電池の劣化指標の時系列データから車両用電池の残寿命を予測するための予測モデルを学習させて、車両用電池の劣化指標の時系列データから車両用電池の残寿命を予測する学習済みの予測モデルを得る処理をコンピュータに実行させるための電池寿命学習プログラム。
- 予測対象の車両用電池の劣化指標の時系列データを取得し、
取得した前記予測対象の車両用電池の劣化指標の時系列データと、寿命を迎えた学習用の車両用電池の過去所定時点における劣化指標の時系列データと前記学習用の車両用電池の前記所定時点における残寿命とを含む学習用データから予め学習された学習済みの予測モデルと、に基づいて、前記予測対象の車両用電池の残寿命を予測する
処理をコンピュータに実行させるための電池寿命予測プログラム。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019045250A JP7200762B2 (ja) | 2019-03-12 | 2019-03-12 | 予測モデル生成装置、方法、プログラム、電池寿命予測装置、方法及びプログラム |
| US16/778,353 US11300621B2 (en) | 2019-03-12 | 2020-01-31 | Battery life learning device, battery life prediction device, method and non-transitory computer readable medium |
| EP20155699.0A EP3709039B1 (en) | 2019-03-12 | 2020-02-05 | Battery life learning device, battery life prediction device, method and program |
| CN202010115536.3A CN111688542B (zh) | 2019-03-12 | 2020-02-25 | 电池寿命学习装置、电池寿命预测装置、方法及存储有程序的存储介质 |
| US17/686,587 US11774503B2 (en) | 2019-03-12 | 2022-03-04 | Battery life learning device, battery life prediction device, method and non-transitory computer readable medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019045250A JP7200762B2 (ja) | 2019-03-12 | 2019-03-12 | 予測モデル生成装置、方法、プログラム、電池寿命予測装置、方法及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020148560A true JP2020148560A (ja) | 2020-09-17 |
| JP7200762B2 JP7200762B2 (ja) | 2023-01-10 |
Family
ID=69500629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019045250A Active JP7200762B2 (ja) | 2019-03-12 | 2019-03-12 | 予測モデル生成装置、方法、プログラム、電池寿命予測装置、方法及びプログラム |
Country Status (4)
| Country | Link |
|---|---|
| US (2) | US11300621B2 (ja) |
| EP (1) | EP3709039B1 (ja) |
| JP (1) | JP7200762B2 (ja) |
| CN (1) | CN111688542B (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113504483A (zh) * | 2021-07-09 | 2021-10-15 | 北京航空航天大学 | 考虑不确定性的锂离子电池剩余寿命集成预测方法 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022073195A (ja) * | 2020-10-30 | 2022-05-17 | 本田技研工業株式会社 | 状態推定システム、中継装置、状態推定方法、学習済みモデル生成方法、及び状態推定プログラム |
| CN112559305B (zh) * | 2020-11-10 | 2023-01-17 | 深圳有电物联科技有限公司 | 不间断电源系统内部关键模块性能预测方法、装置和设备 |
| CN112698232A (zh) * | 2020-12-14 | 2021-04-23 | 尼讯(上海)科技有限公司 | 基于电池检测的电池健康状态追踪云系统 |
| CN112881518B (zh) * | 2021-01-08 | 2022-07-12 | 东冶及策河北能源技术有限公司 | 一种动态滤波补偿器剩余寿命预测方法 |
| CN113022378B (zh) * | 2021-03-01 | 2023-03-07 | 中国第一汽车股份有限公司 | 温度一致性预测方法、装置、预测设备及存储介质 |
| US20220294027A1 (en) * | 2021-03-12 | 2022-09-15 | Zebra Technologies Corporation | Battery management system for monitoring a battery status |
| DE102021125478B4 (de) | 2021-09-30 | 2023-11-02 | TWAICE Technologies GmbH | Bestimmung eines alterungswerts für batterien mit strom-spannungs-zeitreihen in zeitdomäne und belastungsdomäne |
| CN114019380A (zh) * | 2021-10-29 | 2022-02-08 | 天津市捷威动力工业有限公司 | 一种电芯的日历寿命扩展预测方法 |
| KR20240047189A (ko) * | 2022-10-04 | 2024-04-12 | 주식회사 엘지에너지솔루션 | 배터리 셀 상태 판단 장치 및 그것의 동작 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004311257A (ja) * | 2003-04-08 | 2004-11-04 | Mitsubishi Motors Corp | バッテリの内部インピーダンス推定装置 |
| JP2010022154A (ja) * | 2008-07-11 | 2010-01-28 | Toyota Motor Corp | 蓄電装置の劣化表示システムおよび蓄電装置の劣化表示方法 |
| JP2013217897A (ja) * | 2012-04-05 | 2013-10-24 | Samsung Sdi Co Ltd | バッテリーの寿命予測システム |
| JP2017026616A (ja) * | 2015-07-21 | 2017-02-02 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | バッテリの状態を推定する方法及び装置 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100911316B1 (ko) | 2007-08-23 | 2009-08-11 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
| KR102241683B1 (ko) * | 2014-07-30 | 2021-04-19 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
| KR102343967B1 (ko) * | 2014-12-04 | 2021-12-28 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
| US10197631B2 (en) | 2015-06-01 | 2019-02-05 | Verizon Patent And Licensing Inc. | Systems and methods for determining vehicle battery health |
| JP6441188B2 (ja) * | 2015-09-01 | 2018-12-19 | 日立オートモティブシステムズ株式会社 | 電池管理装置、電池システムおよびハイブリッド車両制御システム |
| JP2017125825A (ja) * | 2016-01-15 | 2017-07-20 | 株式会社東芝 | 電気自動車の走行支援装置、車載装置及び走行支援方法 |
| KR20180037760A (ko) | 2016-10-05 | 2018-04-13 | 삼성전자주식회사 | 배터리 상태 추정 장치 및 방법 |
| KR20180085165A (ko) * | 2017-01-18 | 2018-07-26 | 삼성전자주식회사 | 배터리 관리 방법 및 장치 |
| US10672199B2 (en) * | 2017-01-18 | 2020-06-02 | Ford Global Technologies, Llc | Method for monitoring component life |
| JP2018179733A (ja) | 2017-04-12 | 2018-11-15 | 日立化成株式会社 | 電池の寿命診断装置及び電池の寿命診断方法 |
| US10978883B2 (en) * | 2018-09-19 | 2021-04-13 | International Business Machines Corporation | Predictive rechargeable battery management system |
| CN109298351B (zh) * | 2018-09-30 | 2021-07-27 | 清华大学深圳研究生院 | 一种基于模型学习的新能源车载电池剩余寿命估计方法 |
-
2019
- 2019-03-12 JP JP2019045250A patent/JP7200762B2/ja active Active
-
2020
- 2020-01-31 US US16/778,353 patent/US11300621B2/en active Active
- 2020-02-05 EP EP20155699.0A patent/EP3709039B1/en active Active
- 2020-02-25 CN CN202010115536.3A patent/CN111688542B/zh active Active
-
2022
- 2022-03-04 US US17/686,587 patent/US11774503B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004311257A (ja) * | 2003-04-08 | 2004-11-04 | Mitsubishi Motors Corp | バッテリの内部インピーダンス推定装置 |
| JP2010022154A (ja) * | 2008-07-11 | 2010-01-28 | Toyota Motor Corp | 蓄電装置の劣化表示システムおよび蓄電装置の劣化表示方法 |
| JP2013217897A (ja) * | 2012-04-05 | 2013-10-24 | Samsung Sdi Co Ltd | バッテリーの寿命予測システム |
| JP2017026616A (ja) * | 2015-07-21 | 2017-02-02 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | バッテリの状態を推定する方法及び装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113504483A (zh) * | 2021-07-09 | 2021-10-15 | 北京航空航天大学 | 考虑不确定性的锂离子电池剩余寿命集成预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11774503B2 (en) | 2023-10-03 |
| US20220187377A1 (en) | 2022-06-16 |
| EP3709039B1 (en) | 2023-06-21 |
| US11300621B2 (en) | 2022-04-12 |
| US20200292620A1 (en) | 2020-09-17 |
| CN111688542A (zh) | 2020-09-22 |
| EP3709039A1 (en) | 2020-09-16 |
| JP7200762B2 (ja) | 2023-01-10 |
| CN111688542B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2020148560A (ja) | 電池寿命学習装置、方法、プログラム、電池寿命予測装置、方法及びプログラム | |
| Richardson et al. | Battery health prediction under generalized conditions using a Gaussian process transition model | |
| CN109196366B (zh) | 使用高斯过程回归估计电池充电状态的方法和系统 | |
| KR102343967B1 (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
| KR102215450B1 (ko) | 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 | |
| US20130096858A1 (en) | System, method, and program for predicting state of battery | |
| JP6488538B2 (ja) | 劣化係数決定システム、劣化予測システム、劣化係数決定方法およびプログラム | |
| JP5743367B2 (ja) | バッテリー管理システムおよびバッテリー管理方法 | |
| EP3316387A1 (en) | Energy storage system | |
| WO2015041093A1 (ja) | 蓄電池性能評価装置およびその方法 | |
| JP6411538B2 (ja) | 予測システム、予測プログラム、予測装置 | |
| US11125822B2 (en) | Method for evaluating an electric battery state of health | |
| WO2009025512A2 (en) | System and method for estimating long term characteristics of battery | |
| US11099240B2 (en) | Device and method for evaluating energy storage device and evaluation system | |
| WO2015076002A1 (ja) | 蓄電池劣化検出システムおよびその方法、ならびにプログラム | |
| CN111984513A (zh) | 一种预测性维护方法、装置、设备以及存储介质 | |
| CN114444370A (zh) | 一种考虑运行工况的充电电池累计损耗寿命预测方法、装置、电子设备及可读存储介质 | |
| CN114846710A (zh) | 评估装置、计算机程序以及评估方法 | |
| EP3875976A1 (en) | Electricity storage element evaluating device, computer program, electricity storage element evaluating method, learning method, and creation method | |
| CN115392134A (zh) | 车辆动力电池综合性能评估方法及相关装置 | |
| US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
| KR20230080112A (ko) | 배터리 현재 상태 예측을 위한 배터리 진단 장치 | |
| CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
| US20210288511A1 (en) | Charge and discharge control method, battery-mounted device, management system, management method, management server, and non-transitory storage medium | |
| US20240104269A1 (en) | Transferable hybrid prognostics based on fundamental degradation modes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210624 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220613 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220621 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220808 |
|
| 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: 20221122 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221205 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7200762 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |