JP2020502535A - デバイスの将来機能予測のための動作中の電気化学デバイスの改善された特徴付け - Google Patents

デバイスの将来機能予測のための動作中の電気化学デバイスの改善された特徴付け Download PDF

Info

Publication number
JP2020502535A
JP2020502535A JP2019534352A JP2019534352A JP2020502535A JP 2020502535 A JP2020502535 A JP 2020502535A JP 2019534352 A JP2019534352 A JP 2019534352A JP 2019534352 A JP2019534352 A JP 2019534352A JP 2020502535 A JP2020502535 A JP 2020502535A
Authority
JP
Japan
Prior art keywords
current
functional
memory
operating point
function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2019534352A
Other languages
English (en)
Inventor
クリストフ・ケンドラー
Original Assignee
エレクトリシテ・ドゥ・フランス
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by エレクトリシテ・ドゥ・フランス filed Critical エレクトリシテ・ドゥ・フランス
Publication of JP2020502535A publication Critical patent/JP2020502535A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Secondary Cells (AREA)
  • Feedback Control In General (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Fuel Cell (AREA)

Abstract

本発明は、特に、所与のデバイスタイプについて、デバイスのそれぞれの動作点に従って、デバイスの少なくとも1つの機能パラメータの経時的な複数の変動モデルのメモリ(MEM)内への記憶、およびこのメモリにアクセスし、デバイスへの少なくとも1つの接続を備えるプロセッサ(PROC)の実施であって、- デバイスの現在の動作点に関連する情報の項目を取得し、- メモリにおいて、デバイスの現在の動作点に対応する少なくとも1つの変動モデルを回収し、- デバイスから、機能パラメータの現在値の少なくとも1つの測定結果を受け取り、- デバイスの機能を一時的に位置付けるために、前記測定結果をメモリから回収された変動モデルと比較し、かつ、そこから、- デバイスの機能予測を推定するためのプロセッサ(PROC)の実施を用いる、デバイスの将来機能予測のための動作中の電気化学デバイスの特徴付けを提案する。

Description

本発明は、電気化学デバイスに関し、より具体的には、そのようなデバイスの将来機能についての予測方法に関する。
一般に、エネルギー源もしくは電気化学的コンバータ(電池、燃料電池、スーパーキャパシタ、レドックス電池、もしくはその他)などのデバイス、または同様にセパレータおよび/もしくは膜を有するもしくは有さない電解槽を使用する電気化学的方法(電着、電食、電解浮選、もしくはその他のための)は、
- それらが介在する各応用、および
- そのようなデバイスの同じ構成要素に特有の動力学に従う。
それ故に、多数の物理的変数、例えば温度、絶対もしくは相対湿度、圧力、流量、生成されるもしくは消費されるパワー、および/またはその他が、考慮されなければならない。
通常、これらの変数は、非線形に結合され、その結果それらの1つの変化は、他のものに影響を及ぼす。
現在使用されるモデルは、計算パワーおよび/またはメモリ量増加を必要とする。これらのモデルの精度はそれ故に、低いことが判明することもある。これらのモデルはまた、多数のセンサを必要とすることもあり、それらのセンサは、動作可能なデバイスに統合することが困難である。
加えて、変数および/または機能制御部材および/または環境の間での結合および相互作用のために、動的挙動はしばしば、考慮するのが非常に困難である。さらに、現象は、急速に進展し、典型的には恒久的レジームは、観察することができず、最初に予測を見込むために経時的に極めて安定であることができない。
本発明は、その状況を改善する。
この目的を達成するために、本発明は、動作中の電気化学デバイスをデバイスの将来機能予測のために特徴付けるための方法を提案し、本方法は、
- 所与のデバイスタイプについて、デバイスのそれぞれの動作点に従って、デバイスの少なくとも1つの機能パラメータの経時的な変動の複数のモデルの事前メモリ記憶ステップと、
- 前記メモリにアクセスし、デバイスへの少なくとも1つの接続を備えるプロセッサによって実施される現在の後続ステップであって、
- デバイスの現在の動作点に関連する情報の項目を取得し、
- メモリにおいて、デバイスの現在の動作点に対応する少なくとも1つの変動モデルを回収し、
- デバイスから、機能パラメータの現在値の少なくとも1つの測定結果を受け取り、
- デバイスの機能を一時的に位置付けるために、前記測定結果をメモリから回収された変動モデルと比較し、かつ、そこから、
- デバイスの機能予測を推定する
ためのステップと
を含む。
一実施形態によると、機能パラメータは、デバイスの端子における電圧である(図3a、図4aおよび図4bを参照して以下で述べられるように)。
一実施形態によると、メモリに記憶される変動モデルは、異なる所与の動作点に従って、デバイスの端子における電圧を時間に従って減少させるためのモデルを備える(上述の図に例示されるように)。
一実施形態によると、機能予測は、メモリに記憶される複数のモデルに従って推定され、現在の動作点に従って定義されるそれぞれの重みによって重みを付けられる。
一実施形態によると、デバイスの現在の動作点は、
- 電気化学デバイスに課せられる機能パラメータに対応する少なくとも1つの入力変数、および
- 電気化学デバイスの機能に対して、電気化学デバイスが配送するパラメータに対応する少なくとも1つの出力変数に従って定義される。
そのような実施形態の一例では、電気化学デバイスは、電気エネルギーを提供する能力があり、それ故に、入力変数は、デバイスに課せられる機能電流であり(命令として)、一方出力変数は、デバイスが配送する電圧である。
一実施形態例では、前記少なくとも1つの出力変数に適用される補正は、デバイスの機能点の変化につながりがある少なくとも1つの推移の検出に従ってさらに提供される。
相補的にまたは変異形では、また前記少なくとも1つの出力変数に適用される補正は、デバイスの温度、湿度、またはその他などの、センサによって測定されるデバイスの少なくとも1つの重要なパラメータに従って提供されてもよい。
一実施形態では、デバイスの残りの寿命は、少なくともデバイスの現在の機能点に従って推定される(おそらくは、予測データの中から)。ここで、「現在の機能点」によって、これは、デバイスの現在の使用を定義するデータを意味する。それ故に、電気化学デバイスの寿命の推定は、もちろん、この現在の使用の関数である(将来使用の変化がない場合)。この使用は、例えばデバイスが配送しなければならないアンペア数またはその他に従って決定されてもよい。「現在の機能点」の概念は、上述の「動作点」の概念とは異なり、「動作点」の概念は、より一般的である。現在の動作点は典型的には、例えば将来の充電曲線を確立することを可能にする測定データ(入力および/または出力)から検出することができる。それ故に、現在の動作点のデータは、異なっているいくつかの可能な使用に対応することができる。残りの寿命は、以下で見られることになるように、少なくとも2つの連続する動作点(先行する動作点および現在の動作点)に従ってさらに推定することができることに気付くことになる。
実際、デバイスの残りの寿命は、デバイスの挙動を学習することによって決定される、デバイスの現在の劣化速度からさらに推定することができる。例えば、スライディング分析窓(図3a)は、デバイスが時間にわたって配送する電圧などのパラメータの劣化速度に追随することを可能にすることができる。
一実施形態では、標準偏差が、機能パラメータの前記現在値測定結果の時間にわたってさらに評価され、そのような標準偏差は有利には、デバイスの残りの寿命の推定について考察される、デバイスの機能ストレス度を定量化する。
一実施形態では、本方法は、複数の連続する動作点について繰り返し実施される。それ故に、デバイスの前記連続する動作点にそれぞれ対する情報の項目が、取得され、引き続いてメモリに記憶され、その結果デバイスの機能予測の推定は、現在の動作点に基づくだけでなく、また前記連続する動作点にも基づいてなされる。
本発明はまた、動作中の電気化学デバイスから来るデータを、デバイスの将来機能予測のために処理するためのモジュールであって、
- 所与のデバイスタイプについて、デバイスのそれぞれの動作点に従って、デバイスの少なくとも1つの機能パラメータの経時的な複数の変動モデルを記憶するためのメモリと、
- デバイスから、機能パラメータの現在値の少なくとも1つの測定結果を(ならびにおそらくは、この入力インターフェースによってまたは別のインターフェースを介して、デバイスの現在の動作点に関連する前記情報を、この情報が、デバイスの1つもしくは複数の機能パラメータの1つもしくは複数の現在および/または過去の値の測定結果から導き出すことができない程度まで)受け取るための入力インターフェースと、
- 上で提示される方法のステップを実行するためにメモリおよび入力インターフェースに接続されるプロセッサと、
- デバイスの機能予測を配送するための出力インターフェースと
を備える、モジュールも目指す。
そのようなモジュールは、図5に例として示される(かつそこでは参照符号MOTを有する)。
本発明はまた、コンピュータプログラムであって、このプログラムが、プロセッサによって実行されるとき、上で提示される方法の実施のための命令を含む、コンピュータプログラムも目指す。
一例として、図1は、そのようなプログラムの一般的アルゴリズムの可能な流れ図を提示する。図2は、デバイスの残りの寿命の推定のための可能な追加の考察に関係するアルゴリズムの詳細の可能な流れ図を例示する。
それ故に、本発明は、以下で詳述されるように、動力学レジームと定常機能レジームとの間での分離を実施する、電気化学デバイスの各機能点について残りの寿命を予測するまたは推定するためのモデルを作成することを可能にする。
この分離は、恒久的レジームにおいて異なる簡略化機能モデルによって運ばれる。これらのデバイスの残りの寿命の予測または推定に役に立たないかつ/または損傷を与える、複雑な動的挙動は、分析し、補正することができる。
これらの多重モデルのパラメータ化は、これらのモデルの1つだけまたはほんの少数だけの使用が、十分であるので、自動化することができ、それ故に電気化学デバイスの予測のまたは残りの寿命の推定について、必要な計算パワーを低減する。
本発明の手法によると、より容易に操作することができる下位部分に非線形効果を分解するために、より大きくかつ複雑であるということになる1つの単一モデルよりもむしろ、いくつかのモデルが、使用される。
本発明の他の利点および特徴は、以下で詳述される実施形態例の記述を読み、添付の図面を調べることで、明らかとなる。
本発明という意味での方法の一般的アルゴリズム手法例を提示する図である。 処理される信号経路および監督モジュールが機能点の変化の場合に異なるモデル間で傾くことができる仕方をこのように例示することによって、所与の機能点MPFのために使用されるモデル、ならびに監督モジュールSUPとのその相互作用サブアセンブリの原理および構造をより詳細に提示する図である。 表される例での燃料電池の機能の連続する動作点OPCをこのように変化させることによって、電圧(V)の時間変動を提示し、特に予測PROGによって予想される電圧を実際に測定される電圧MESと比較する図である。 表される例での燃料電池の機能の連続する動作点OPCをこのように変化させることによって、電流(I)の時間変動を提示する図である。 最初の数時間の使用について、表される例での再充電可能な電池の充電CHARおよび放電DISCの過程での電圧(V)および電流(I)の変動を提示する図である。 3300時間を超える使用後の、表される例での再充電可能な電池の充電CHARおよび放電DISCの過程での電圧(V)および電流(I)の変動を提示する図である。 本発明の実施のための、物理的(ハードウェア)処理モジュール例を示す図である。
図1を参照すると、予測システムの分解が、次の通りに提供され、すなわち、
- 考察される各機能点についての多重モデルMPF1、MPF2、・・・、MPFk、
- 監督モジュールSUP、
- 以下で述べられるような、システムの1つまたは複数の出力変数VOの補正モジュールCOR、および
- 最後に電気化学デバイスの残りの寿命DVEを推定するためのモジュールである。
図1に例示されるように、非線形システムを、それの機能を異なるレジームに分離することによって管理することが可能である(異なる機能点モデル)。
入力変数の異なるレベルは、機能点と考えることができる。入力変数が、新しい定数に固定されるが、しかし各機能点については異なると考えることができる。考察される入力変数は、使用すべきモデルを選択するための主たる基準として使用される。
それ故に、各機能点は、デバイスの老化速度を推定するために与えられる特定モデルと関連付けられるが、しかし、すべてのこれらのモデルが、比較可能な構造を、従って本発明の手法への関心を有するということが分かっている。
監督モジュールは、最適化のために、異なるモデルに適用すべき重み(0と1との間)を確定することができる。各モデルの入力は、監督モジュールによって確定される。その上、各モデルは、デバイスの出力から来る少なくとも1つの変数を使用し、この変数は、その機能点と関連付けられるように選択される。各モデルは、この変数の少なくとも1つの処理(例えば、考察される変数のスライディング窓内での標準偏差の計算)、ならびに現在の劣化速度(以下で提示されるような)を含有する。それはまた、機能点の変化につながりがある推移を処理するためのモジュール、および現在のストレス度を推定するモジュール、ならびにその履歴も含有する。
出力変数は、調整され、少なくとも1つの入力変数に依存するだけでなければならないが、しかしながら、この依存性が、電気化学デバイスの機能を制御するために監督モジュールを実施することができる調整ループにつながりがないという予防措置を取ることによる。これらの要素は、その残りの寿命を推定するために、電気化学デバイスの劣化速度を決定するために使用される。それ故に、監督モジュールは、寿命を推定するためのモジュールにデバイスの現在の機能のプロファイル、より具体的にはデバイスの現在の機能点を知らせることができる。監督モジュールの別のタスクは、図1に例示されるシステムの出力変数の少なくとも1つを補正するために、使用すべき機能点モデルを選択し、現在の推移タイプを知らせることである(以下で詳細に述べられるように、離散的事象モデルを介してかつ重要なパラメータの補正を介して)。これらのパラメータは典型的には、システムの出力変数への、しばしば老化のそれよりも大きい環境の影響を表す。
一実施形態では、システムの出力変数の補正は、ある変数の老化および異なる入力変数と関連する異なる動作条件にむしろ焦点を合わせるべき上述の推移に対する所与の出力信号の損傷効果を除去するために、進められる。
2つの機能点間の伝達期間は、機能点のそれに関して非常に短いこともあるが、しかしこの推移は、老化それ自体よりもかなり大きい影響を出力変数に対して有することもある。この問題を解決するために、「離散的事象モデル」が、出力変数を補正するために使用される。これらのモデルは、推移事象中に使用されるだけである。1つまたは複数の入力変数の推移の終わりは、モデルの実行を引き起こすために使用される。その時、監督モジュールは、機能点モデルの入力における出力変数の値を補正することができる。それ故に、推移の影響は、老化の影響を定量化するために除去することができる。新しい恒久的レジームが、達されるとき、離散的事象モデルは、機能点の次の変化まで無効にされる。
電気化学デバイスの非線形特性に起因して、各機能点モデルは、離散的事象モデルの入力において特有の一組のパラメータを使用する。実際、スロットまたはランプへの応答は、現在のレベルに従って異なり、システムの1つまたは複数の入力変数に先行する。出力変数の補正に対して適切な離散的事象モデルに影響を及ぼすために、監督モジュールは、機能点モデルに達成される推移タイプおよびこの推移がそれから始まった入力変数のレベルを知らせる。
その上、異なるパラメータ(例えば、温度)は、出力変数に対して老化それ自体よりも重要な影響を有することができる。これらのパラメータは従って、機能点モデルの入力において使用される前に補正される。
図2は、各機能点モデルが、入力変数のプロファイルに従って出力変数値を推定するために、残りの寿命の予想をモジュールに送るという情報を実例として提示する。
より具体的には、システムの入力変数VIから、機能点モデルMPFは、電気化学デバイスについて残りの寿命DVEを推定することを考慮して、現在の機能点PFAを決定することができる。しかしながら、この推定は、監督モジュールSUPが、
- 入力変数VIのレベル、
- 機能点変化の始まりおよび終わり、
- 機能プロファイル、
- ならびに/またはその他を配送することができ、特に定義することができるという情報によって洗練される。
この情報は、推移の考察のために離散的事象モデルMEDに伝達されてもよい(図2に示される例では機能点モデルMPFに統合される)。それ故に、この離散的事象モデルMEDは、特に、
- 現在の機能点PFA、および
- 現在の劣化速度VDAをより具体的に定義するために、システムの出力変数VO(ならびに例えば、温度のような、他の可能な重要なパラメータPAS)の解釈を補正することができる。
現在の機能点PFAおよび劣化速度VDA、ならびにおそらくは以下で見られることになるような機能中のデバイスのストレス度を定量化する標準偏差ETSのこれらの推定から、特に機能推移の場合に、残りの寿命DVEの推定を洗練することが可能である。
例えば、燃料電池の場合、次の関数、
SOVest = mage x SIV(tseq) + SOVact
が使用されてもよく、ただし、
- SOVestおよびSOVactは、それぞれ出力変数の推定値および測定値に対応し、
- SIV(tseq)は、考察される入力変数の期待されるプロファイル(ならびにその継続時間、tseqは時間を表す)に対応し、かつ
- mageは、劣化速度に対応する。
この劣化速度mageは、それぞれの動作点の連続に基づいていくつかの連続する推定(例えば、予測の)をすることによる学習によって決定されてもよく、その動作点のデータは一般に、メモリにおいて回収され、記憶されることが可能であり、これは、複数の連続する動作点を用いて本発明という意味での方法を繰り返し実施することによる。
システムの出力変数が、恒久的レジーム内にあると、劣化速度は、電気化学デバイスの寿命の終わりまで一定と思われる。もし動作条件が、変わるならば、しかしながら、寿命推定は、その新しい機能条件下でデバイスの劣化速度および寿命を再び推定するためにこの変化を考察する。
老化は、電気化学デバイスの機能条件およびその異なる変数につながりがある。もし電気化学デバイスが、正常条件下でまたは比較的ストレスのない機能点に対して機能するならば、デバイスは、より遅く老化し、この観察は、残りの寿命の推定のために考慮される。加えて、劣化速度は、デバイス内で不均一のこともある。これらの態様は、多重モデルによる手法によって考慮され、各機能モデルは、システムの入力変数の異なるレベルに対応し、その劣化速度を考慮する。
もちろん、デバイスから来る信号は、その現在の条件に入る。ストレスのある条件下での機能デバイスの出力変数の進化は、例えばノイズがより多いこともある。また、これらの変数は、増加するスライディン標準偏差ETSを有し、この標準偏差の値は、デバイスの安定性基準を表すことができる。
好ましくは、学習フェーズは、対応する劣化速度に割り当て、適用すべき補正を決定するように、各機能点および2つの機能点間での各変化を少なくとも一度経験するために提供される。
今から、図3aが、参照される。図3aは、述べられる例では、使用の過程における燃料電池の挙動を電圧で表す。電流(I)を直接示すセルの使用命令により、1つまたは複数の連続する動作点OPCの定義を確立することが可能であるように見える。ここで、電圧(V)は、出力変数の1つであり、電流(I)によって与えられる命令値は、モデルの入力変数の1つのこともある。所与の命令に対するそのような電気化学デバイスの反応が、デバイスの性質および同じ構成要素に特有であるように、この挙動の観測窓ANALYSは有利には、表される例では、最初の数サイクル時間に提供される。それ故に、これらの異なる動作点における電圧(V)の挙動の分析(窓ANALYS)は、同様の動作条件下で、しかしながら時間tにわたる(ここでは、時間単位で数えられる)連続する使用サイクルに固有の電圧(V)の減少を考慮すれば、予測PROGを決定することを可能にする。もちろん、この予測は、おそらくは前の分析窓において、上で識別され、決定された機能点に従ってさらに推定されてもよい。しかしながら、表される例では、電圧減少モデルPROGは、時間にわたって実際に測定される電圧MESの変動に追随する。実際、モデルPROGは、3つの電流(I)値(もちろんゼロ値以外の)によって課せられる電圧変動の3つのレベルに追随することに気付くことになる。また、示される例では、電圧(V)の変動の標準偏差が、時間とともに増加することにも気付くことができる。この観察は、時間による電圧の減少を推定するためにさらに有用である。
わずかな差がおそらくは、増加した数時間の終わりに、予測値と実際に測定される値との間で観察されることもある(後者は、測定される値よりもわずかに小さいこともあり得る)。この観察はそれ故に、電気化学デバイスそれ自体に固有であり、その使用環境において、そのコンポーネントの特定の老化に固有である。この場合、この推定を現在の観察に適合させるために、デバイスの将来挙動について予測値を補正することは、有用であることもある。
今から、図4aおよび図4bが、別のタイプの電気化学デバイス、ここでは再充電可能な電池について、本発明の適用を観察するために参照される。例えば、完全な充電CHARおよび完全な放電DISC(そのため機能点を定義する各充電および放電事象)の継続時間は、充電/放電サイクルの過程において増加するということが、観察される。それ故に、すでに、完全な放電または完全な充電の継続時間は、そのような電気化学デバイスの残りの寿命の予測指標である。その上、連続する使用サイクル中の(放電DISC期間中の)デバイスの挙動が、さらに観察されてもよい。この場合、電流(I)に対する電圧(V)挙動の微細観察はまた、上で述べられるように、電池の残りの寿命の推定を与えることができる。
図5を参照すると、本発明の実施のための処理モジュールMOTは、監視される電気化学デバイスDISから来るいくつかの信号を受け取るために、入力インターフェースINTEを備えることができ、その信号の中でも特に、
- 例えば上述のシステムの入力変数として、デバイスDISが供給しなければならない電流(I)などの、デバイスDISを制御するための命令、
- システムの出力変数として、デバイスDISの端子における電圧(V)などの、デバイスDISの機能変数、ならびに
- 例えば温度To_測定結果、湿度H測定結果、および/またはその他などの、電気化学デバイスDIS内に配置されるセンサから来るおそらくは1つまたは複数の信号である。
処理モジュールMOTは、このデータを処理するためのプロセッサPROC、ならびに一時的計算データ、本発明による方法の実施のためのコンピュータプログラムの命令などの永続的データ、およびもちろん各機能点と関連するモデルからのデータを記憶するためのメモリMEMをさらに備える。
処理モジュールMOTは、電気化学デバイスDISの予測PROG信号、およびおそらくは推定される残りの寿命を配送するための出力インターフェースINTSをさらに備える。もちろん、この信号PROGは、もし必要ならば、ユーザに残りの寿命を知らせるためにマンマシンインターフェース(表されず、スクリーンまたはその他などの)によって提供されてもよい。
ANALYS 観察窓
CHAR 充電
COR 補正モジュール
DIS 電気化学デバイス
DISC 放電
DVE 残りの寿命
ETS 標準偏差
INTE 入力インターフェース
INTS 出力インターフェース
MED 離散的事象モデル
MEM メモリ
MES 実際に測定される電圧
MOT 処理モジュール
MPF 機能点モデル
MPF1、MPF2、・・・、MPFk 機能点の多重モデル
OPC 動作点
PAS 重要なパラメータ
PFA 現在の機能点
PROC プロセッサ
PROG 予測、電圧減少モデル
SUP 監督モジュール
VDA 現在の劣化速度
VI システムの入力変数
VO システムの出力変数

Claims (14)

  1. 動作中の電気化学デバイスを前記デバイスの将来機能予測のために特徴付けるための方法において、方法が、
    所与のデバイスタイプについて、前記デバイスのそれぞれの動作点に従って、前記デバイスの少なくとも1つの機能パラメータの経時的な複数の変動モデルをメモリに記憶するための事前ステップと、
    前記メモリにアクセスし、前記デバイスへの少なくとも1つの接続を備えるプロセッサによって実施される現在の後続ステップであって、
    前記デバイスの現在の動作点に関連する情報の項目を取得し、
    前記メモリにおいて、前記デバイスの前記現在の動作点に対応する少なくとも1つの変動モデルを回収し、
    前記デバイスから、前記機能パラメータの現在値の少なくとも1つの測定結果を受け取り、
    前記デバイスの前記機能を一時的に位置付けるために、前記測定結果を前記メモリから回収された前記変動モデルと比較し、かつ、そこから、
    前記デバイスの機能予測を推定する
    ためのステップと
    を含むことを特徴とする、電気化学デバイスを特徴付けるための方法。
  2. 前記機能パラメータが、前記デバイスの端子における電圧であることを特徴とする、請求項1に記載の方法。
  3. 前記メモリに記憶される前記変動モデルが、異なる所与の動作点に従って、前記デバイスの端子における電圧を時間に従って減少させるためのモデルを備えることを特徴とする、請求項1または2に記載の方法。
  4. 前記機能予測が、メモリに記憶される複数のモデル(MPF1、MPF2、・・・、MPFk)に従って推定され、前記現在の動作点に従って定義されるそれぞれの重みによって重みを付けられることを特徴とする、請求項1から3のいずれか一項に記載の方法。
  5. 前記デバイスの前記現在の動作点が、
    前記電気化学デバイスに課せられる機能パラメータに対応する少なくとも1つの入力変数、および
    それの前記機能に対して、前記電気化学デバイスが配送するパラメータに対応する少なくとも1つの出力変数
    に従って定義されることを特徴とする、請求項1から4のいずれか一項に記載の方法。
  6. 前記電気化学デバイスが、電気エネルギーを供給する能力があり、入力変数が、前記デバイスに課せられる機能電流であり、一方出力変数が、前記デバイスの端子における電圧であることを特徴とする、請求項5に記載の方法。
  7. 前記デバイスの機能点の変化につながりがある少なくとも1つの推移の検出に従って、前記少なくとも1つの出力変数に適用される補正をさらに含むことを特徴とする、請求項5または6に記載の方法。
  8. 前記デバイスの少なくとも1つの温度および湿度の中から、センサによって測定される、前記デバイスの少なくとも1つの重要なパラメータに従って、前記少なくとも1つの出力変数に適用される補正をさらに含むことを特徴とする、請求項5から7のいずれか一項に記載の方法。
  9. 前記デバイスの残りの寿命が、少なくとも現在の機能点(PFA)に従って推定されることを特徴とする、請求項1から8のいずれか一項に記載の方法。
  10. 前記デバイスの前記残りの寿命が、前記デバイスの学習挙動によって決定される、前記デバイスの現在の劣化速度(VDA)からさらに推定されることを特徴とする、請求項9に記載の方法。
  11. 標準偏差が、前記機能パラメータの前記現在値の測定結果の時間にわたってさらに評価され、前記標準偏差が、前記デバイスの残りの寿命の推定について考察される、前記デバイスの機能ストレス度を定量化することを特徴とする、請求項1から10のいずれか一項に記載の方法。
  12. 複数の連続する動作点についてそれぞれ実施されること、前記デバイスの前記連続する動作点にそれぞれ対する情報が、取得され、引き続いてメモリに記憶されること、ならびに前記デバイスの前記機能予測の前記推定が、前記現在の動作点および前記連続する動作点に基づいてなされることを特徴とする、請求項1から11のいずれか一項に記載の方法。
  13. 動作中の電気化学デバイスから来るデータを、前記デバイスの将来機能予測のために処理するためのモジュールであって、それが、
    所与のデバイスタイプについて、前記デバイスのそれぞれの動作点に従って、前記デバイスの少なくとも1つの機能パラメータの経時的な複数の変動モデルを記憶するためのメモリ(MEM)と、
    前記デバイスから、前記機能パラメータの現在値の少なくとも1つの測定結果を(ならびにおそらくは、この入力インターフェースによってまたは別のインターフェースを介して、前記デバイスの現在の動作点に関連する情報を、この情報が、前記デバイスの前記1つもしくは複数の機能パラメータの1つもしくは複数の現在および/または過去の値の測定結果から導くことができない程度まで)受け取るための入力インターフェース(INTE)と、
    上で提示される前記方法のステップを実行するために前記メモリおよび前記入力インターフェースに接続されるプロセッサ(PROC)と、
    現在の動作点に従って前記デバイスの機能予測を配送するための出力インターフェース(INTS)と
    を備えることを特徴とする、データを処理するためのモジュール。
  14. コンピュータプログラムであって、このプログラムが、プロセッサによって実行されるとき、請求項1から12のいずれか一項に記載の方法の実施のための命令を含むことを特徴とする、コンピュータプログラム。
JP2019534352A 2016-12-22 2017-12-18 デバイスの将来機能予測のための動作中の電気化学デバイスの改善された特徴付け Pending JP2020502535A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1663122A FR3061307B1 (fr) 2016-12-22 2016-12-22 Caracterisation perfectionnee d'un dispositif electrochimique en operation pour un pronostic de fonctionnement futur du dispositif
FR1663122 2016-12-22
PCT/EP2017/083400 WO2018114860A1 (fr) 2016-12-22 2017-12-18 Caractérisation perfectionnée d'un dispositif électrochimique en opération pour un pronostic de fonctionnement futur du dispositif

Publications (1)

Publication Number Publication Date
JP2020502535A true JP2020502535A (ja) 2020-01-23

Family

ID=58707659

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019534352A Pending JP2020502535A (ja) 2016-12-22 2017-12-18 デバイスの将来機能予測のための動作中の電気化学デバイスの改善された特徴付け

Country Status (6)

Country Link
US (1) US11199588B2 (ja)
EP (1) EP3559688B1 (ja)
JP (1) JP2020502535A (ja)
CN (1) CN110337594B (ja)
FR (1) FR3061307B1 (ja)
WO (1) WO2018114860A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210028476A (ko) * 2019-09-04 2021-03-12 삼성전자주식회사 배터리 충전 장치 및 방법

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07282857A (ja) * 1994-04-05 1995-10-27 Mitsubishi Electric Corp 電池残量検出装置
JP2004056563A (ja) * 2002-07-22 2004-02-19 Matsushita Electric Ind Co Ltd 携帯電話機
JP2004150821A (ja) * 2002-10-28 2004-05-27 Sharp Corp 電池残量表示装置
JP2005315825A (ja) * 2004-03-30 2005-11-10 Seiko Epson Corp 情報端末、及び、電池残量算出方法
JP2005331482A (ja) * 2004-05-21 2005-12-02 Fuji Heavy Ind Ltd 蓄電デバイスの残存容量演算装置
JP2007005304A (ja) * 2005-06-21 2007-01-11 Gm Global Technology Operations Inc 可変忘却係数を持つ状態推定器を使用する制御及び監視の方法
JP2010539473A (ja) * 2007-09-13 2010-12-16 エルジー・ケム・リミテッド バッテリーの長期特性予測システム及び方法
JP2013543238A (ja) * 2010-10-22 2013-11-28 ニュークリアス サイエンティフィック， インコーポレイテッド バッテリを急速充電するための装置および方法
JP2016133514A (ja) * 2015-01-21 2016-07-25 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 (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090228225A1 (en) * 2008-03-04 2009-09-10 Eaton Corporation Battery Service Life Estimation Methods, Apparatus and Computer Program Products Using State Estimation Techniques Initialized Using a Regression Model
JP5493657B2 (ja) * 2009-09-30 2014-05-14 新神戸電機株式会社 蓄電池装置並びに蓄電池の電池状態評価装置及び方法
JP5798067B2 (ja) * 2012-03-13 2015-10-21 プライムアースＥｖエナジー株式会社 二次電池の状態推定装置
US9244129B2 (en) * 2013-01-29 2016-01-26 Mitsubishi Electronic Research Laboratories, Inc. Method for estimating a state of charge of batteries
US20140244193A1 (en) * 2013-02-24 2014-08-28 Fairchild Semiconductor Corporation Battery state of charge tracking, equivalent circuit selection and benchmarking
CN103488881B (zh) * 2013-09-06 2017-05-17 中国人民解放军第二炮兵工程大学 一种不确定退化测量数据下的设备剩余寿命预测方法
FR3010532B1 (fr) * 2013-09-11 2017-06-09 Commissariat Energie Atomique Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie
CN103698710A (zh) * 2013-12-12 2014-04-02 中南大学 一种电池寿命周期预测方法
KR102399720B1 (ko) * 2014-08-06 2022-05-19 삼성전자주식회사 패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07282857A (ja) * 1994-04-05 1995-10-27 Mitsubishi Electric Corp 電池残量検出装置
JP2004056563A (ja) * 2002-07-22 2004-02-19 Matsushita Electric Ind Co Ltd 携帯電話機
JP2004150821A (ja) * 2002-10-28 2004-05-27 Sharp Corp 電池残量表示装置
JP2005315825A (ja) * 2004-03-30 2005-11-10 Seiko Epson Corp 情報端末、及び、電池残量算出方法
JP2005331482A (ja) * 2004-05-21 2005-12-02 Fuji Heavy Ind Ltd 蓄電デバイスの残存容量演算装置
JP2007005304A (ja) * 2005-06-21 2007-01-11 Gm Global Technology Operations Inc 可変忘却係数を持つ状態推定器を使用する制御及び監視の方法
JP2010539473A (ja) * 2007-09-13 2010-12-16 エルジー・ケム・リミテッド バッテリーの長期特性予測システム及び方法
JP2013543238A (ja) * 2010-10-22 2013-11-28 ニュークリアス サイエンティフィック， インコーポレイテッド バッテリを急速充電するための装置および方法
JP2016133514A (ja) * 2015-01-21 2016-07-25 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

Also Published As

Publication number Publication date
EP3559688B1 (fr) 2023-08-23
EP3559688C0 (fr) 2023-08-23
US11199588B2 (en) 2021-12-14
WO2018114860A1 (fr) 2018-06-28
CN110337594B (zh) 2022-07-15
US20200116793A1 (en) 2020-04-16
EP3559688A1 (fr) 2019-10-30
FR3061307B1 (fr) 2021-05-07
FR3061307A1 (fr) 2018-06-29
CN110337594A (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
US10170924B2 (en) Modeling a change in battery degradation
US9846886B2 (en) Strategic modeling for economic optimization of grid-tied energy assets
JP6234946B2 (ja) 電池状態推定装置
Shen Adaptive online state-of-charge determination based on neuro-controller and neural network
US10830821B2 (en) Methods and apparatus for battery power and energy availability prediction
US9476947B2 (en) Method for ascertaining operating parameters of a battery, battery management system, and battery
KR101402802B1 (ko) 배터리 셀의 전압 변화 거동을 이용한 셀 밸런싱 장치 및 방법
CN114072684A (zh) 在服务器侧表征能重复充电的电池
WO2014155726A1 (ja) 電池特性推定方法、電池特性推定装置及びプログラム
CN103378376A (zh) 具有用于基于模型的电池控制的监视逻辑的电池控制器
KR20220029109A (ko) 배터리 상태 추정 방법 및 장치
Bockrath et al. State of charge estimation using recurrent neural networks with long short-term memory for lithium-ion batteries
US10436849B2 (en) System and corresponding method for estimating the charge status of a battery
CN109344967B (zh) 一种基于人工神经网络的智能电表生命周期预测方法
CN112117892A (zh) 电功率转换器
EP3936878A1 (fr) Procédé de détermination d'une fonction de vieillissement d'un accumulateur
JP2020502535A (ja) デバイスの将来機能予測のための動作中の電気化学デバイスの改善された特徴付け
US20190094931A1 (en) ENERGY HARVESTING and AMBIENT CONDITION TRACKING in IoT for ADAPTIVE SENSING and SELF-MODIFYING APPLICATIONS
WO2024023211A1 (en) A method for characterizing the evolution of state of health of a device with duration of operation
US11977126B1 (en) Systems and methods for state of health assessment in rechargeable batteries
US20220382940A1 (en) Simulation of a performance of an energy storage
CN116008843A (zh) 基于电池容量的健康预测方法、计算机设备及存储介质
KR20240108760A (ko) 배터리 수명 추정 장치 및 방법
CN117407776A (zh) 一种可变工况下估计储能电池健康状态的方法及系统
WO2024107464A1 (en) Systems and methods for managing capacity of an energy storage system

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190819

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200923

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201223

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210510

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20210810

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211011

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211108

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20220208

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220407

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20220613