JP6881428B2 - 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム - Google Patents
学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム Download PDFInfo
- Publication number
- JP6881428B2 JP6881428B2 JP2018247207A JP2018247207A JP6881428B2 JP 6881428 B2 JP6881428 B2 JP 6881428B2 JP 2018247207 A JP2018247207 A JP 2018247207A JP 2018247207 A JP2018247207 A JP 2018247207A JP 6881428 B2 JP6881428 B2 JP 6881428B2
- Authority
- JP
- Japan
- Prior art keywords
- storage battery
- capacity
- voltage
- estimation
- learning
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2220/00—Batteries for particular applications
- H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Description
[先行技術文献]
[非特許文献]
[非特許文献1] Soichiro Torai,他、"State−of−health estimation of LiFePO4/graphite batteries based on a model using differential capacity"、Journal of Power Sources 306(2016)
[非特許文献2] Ho−Ta Lin,他、"Estimation of Battery State of Health Using Probabilistic Neural Network"、IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS、VOL.9、NO.2、2013年5月
12 電池セル
14 電流センサ
100 学習装置
110 電圧センサ
120 温度センサ
130 A/D変換器
140 データ取得部
150 算出部
160 特性取得部
170 学習部
180 モデル出力部
300 推定モデル
310 モジュール
700 推定装置
710 モデル取得部
720 推定部
730 結果出力部
1010 パワーコンディショニングサブシステム
1020 ゲートウェイ
1030 ホームネットワーク
1050 サーバコンピュータ
1060 測定データベース
2200 コンピュータ
2201 DVD−ROM
2210 ホストコントローラ
2212 CPU
2214 RAM
2216 グラフィックコントローラ
2218 ディスプレイデバイス
2220 入/出力コントローラ
2222 通信インターフェイス
2224 ハードディスクドライブ
2226 DVD−ROMドライブ
2230 ROM
2240 入/出力チップ
2242 キーボード
Claims (20)
- 蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得する特性取得部と、
前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性との関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する学習部と、
を備え、
前記学習部は、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて前記推定モデルを生成する、学習装置。 - 蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得する特性取得部と、
前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性との関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する学習部と、
を備え、
前記特性は、前記蓄電池の容量を電圧で微分した容量微分特性である、学習装置。 - 前記学習部は、各条件のそれぞれについて、前記蓄電池の最大容量を対応付ける、請求項2に記載の学習装置。
- 前記学習部は、前記容量微分特性を前記蓄電池の電圧で積分した積分特性に基づいて、各条件に対応付ける前記蓄電池の最大容量を算出する、請求項3に記載の学習装置。
- 蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得する特性取得部と、
前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性との関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する学習部と、
を備え、
前記特性は、前記蓄電池の電圧を容量で微分した電圧微分特性である、学習装置。 - 前記学習部は、前記複数の条件下のうちの少なくとも1つの条件下での前記関係から、異なる条件下での前記関係を補間する前記推定モデルを生成する、請求項1から5のいずれか一項に記載の学習装置。
- 蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、の関係から、前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを取得するモデル取得部と、
前記蓄電池の電圧および電流の時系列データを取得するデータ取得部と、
前記蓄電池の電圧および電流の時系列データに基づいて、前記特性を算出する算出部と、
前記推定モデルを用いて、前記蓄電池の電圧および容量のいずれか一方と算出した前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定部と、
を備え、
前記推定モデルは、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて学習されたものである、推定装置。 - 前記推定モデルは、前記複数の条件下のうちの少なくとも1つの条件下での前記関係から、異なる条件下での前記関係が補間されたものである、請求項7に記載の推定装置。
- 前記特性は、前記蓄電池の容量を電圧で微分した容量微分特性である、請求項7または8に記載の推定装置。
- 前記推定部は、前記容量微分特性を前記蓄電池の電圧で積分した積分特性に基づいて、前記蓄電池の最大容量を推定する、請求項9に記載の推定装置。
- 前記特性は、前記蓄電池の電圧を容量で微分した電圧微分特性である、請求項7または8に記載の推定装置。
- 前記推定部は、前記推定モデルから、前記蓄電池の電圧を容量で微分したモデル電圧微分特性を取得し、前記モデル電圧微分特性をリファレンスとして前記蓄電池の残存容量を推定する、請求項9から11のいずれか一項に記載の推定装置。
- 前記推定部は、前記蓄電池の電圧および電流の時系列データに基づいて算出した、前記蓄電池の電圧を容量で微分した部分電圧微分特性を、前記モデル電圧微分特性をリファレンスとしてフィッティングして、前記蓄電池の残存容量を推定する、請求項12に記載の推定装置。
- 前記推定部は、前記蓄電池の電圧および電流の時系列データに基づいて前記蓄電池の最大容量および残存容量の少なくとも一方の推定可否を判定する、請求項7から13のいずれか一項に記載の推定装置。
- 学習装置が学習する学習方法であって、
蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得することと、
前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性と、の関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成することと、
を備え、
前記推定モデルを生成することは、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて前記推定モデルを生成することを含む、学習方法。 - 学習装置が学習する学習方法であって、
蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得することと、
前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性と、の関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成することと、
を備え、
前記特性は、前記蓄電池の容量を電圧で微分した容量微分特性、および、前記蓄電池の電圧を容量で微分した電圧微分特性のいずれかである、学習方法。 - 推定装置が推定する推定方法であって、
蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性との関係から、前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを取得することと、
前記蓄電池の電圧および電流の時系列データを取得することと、
前記蓄電池の電圧および電流の時系列データに基づいて、前記特性を算出することと、
前記推定モデルを用いて、前記蓄電池の電圧および容量のいずれか一方と算出した前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定することと、
を備え、
前記推定モデルは、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて学習されたものである、推定方法。 - コンピュータにより実行されて、前記コンピュータを、
蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得する特性取得部と、
前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性との関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する学習部と、
して機能させ、
前記学習部は、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて前記推定モデルを生成する、学習プログラム。 - コンピュータにより実行されて、前記コンピュータを、
蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得する特性取得部と、
前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性との関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する学習部と、
して機能させ、
前記特性は、前記蓄電池の容量を電圧で微分した容量微分特性、および、前記蓄電池の電圧を容量で微分した電圧微分特性であるのいずれかである、学習プログラム。 - コンピュータにより実行されて、前記コンピュータを、
蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、の関係から、前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを取得するモデル取得部と、
前記蓄電池の電圧および電流の時系列データを取得するデータ取得部と、
前記蓄電池の電圧および電流の時系列データに基づいて、前記特性を算出する算出部と、
前記推定モデルを用いて、前記蓄電池の電圧および容量のいずれか一方と算出した前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定部と、
して機能させ、
前記推定モデルは、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて学習されたものである、推定プログラム。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018247207A JP6881428B2 (ja) | 2018-12-28 | 2018-12-28 | 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム |
EP19902756.6A EP3904894B1 (en) | 2018-12-28 | 2019-10-18 | Training device, estimation device, training method, estimation method, training program, and estimation program |
PCT/JP2019/041167 WO2020137114A1 (ja) | 2018-12-28 | 2019-10-18 | 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム |
CN201980086400.XA CN113227808A (zh) | 2018-12-28 | 2019-10-18 | 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序 |
US17/359,638 US20210325469A1 (en) | 2018-12-28 | 2021-06-28 | Learning apparatus, estimation apparatus, learning method, estimation method, recording medium having recorded thereon learning program, and recording medium having recorded thereon estimation program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018247207A JP6881428B2 (ja) | 2018-12-28 | 2018-12-28 | 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020106470A JP2020106470A (ja) | 2020-07-09 |
JP6881428B2 true JP6881428B2 (ja) | 2021-06-02 |
Family
ID=71128395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018247207A Active JP6881428B2 (ja) | 2018-12-28 | 2018-12-28 | 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210325469A1 (ja) |
EP (1) | EP3904894B1 (ja) |
JP (1) | JP6881428B2 (ja) |
CN (1) | CN113227808A (ja) |
WO (1) | WO2020137114A1 (ja) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7082603B2 (ja) * | 2019-12-25 | 2022-06-08 | 本田技研工業株式会社 | 機械学習装置、機械学習方法、充電率推定装置、および充電率推定システム |
KR20220114915A (ko) * | 2021-02-09 | 2022-08-17 | 주식회사 엘지에너지솔루션 | 배터리 진단 장치 및 방법 |
JP7423583B2 (ja) | 2021-09-30 | 2024-01-29 | 横河電機株式会社 | 診断装置、診断方法及び診断プログラム |
CN114210591B (zh) * | 2021-12-02 | 2023-12-22 | 格林美股份有限公司 | 一种基于ic曲线的锂电池梯次利用分选方法及装置 |
CN114280491B (zh) * | 2021-12-23 | 2024-01-05 | 中山大学 | 一种基于主动学习的退役电池剩余容量估计方法 |
WO2023189368A1 (ja) * | 2022-03-30 | 2023-10-05 | ヌヴォトンテクノロジージャパン株式会社 | 蓄電池の劣化推定装置、及び蓄電池の劣化推定方法 |
JP2023154613A (ja) * | 2022-04-07 | 2023-10-20 | 株式会社デンソー | 電池残量推定装置 |
JP2023154612A (ja) * | 2022-04-07 | 2023-10-20 | 株式会社デンソー | 電池残量推定装置 |
KR20230167664A (ko) * | 2022-06-02 | 2023-12-11 | 주식회사 엘지에너지솔루션 | 배터리 셀 수명 진단 장치 및 그것의 동작 방법 |
CN115954992B (zh) * | 2023-03-14 | 2023-05-23 | 银河航天(西安)科技有限公司 | 基于马尔科夫链的蓄电池过放保护方法 |
CN117390015A (zh) * | 2023-09-27 | 2024-01-12 | 希维科技(广州)有限公司 | 电池护照的存储方法、设备及存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09236641A (ja) * | 1995-12-28 | 1997-09-09 | Yazaki Corp | バッテリー残量容量計測装置 |
JP3520886B2 (ja) * | 1996-03-08 | 2004-04-19 | サンケン電気株式会社 | 二次電池の状態判定方法 |
US6526361B1 (en) * | 1997-06-19 | 2003-02-25 | Snap-On Equipment Limited | Battery testing and classification |
US20030184307A1 (en) * | 2002-02-19 | 2003-10-02 | Kozlowski James D. | Model-based predictive diagnostic tool for primary and secondary batteries |
JP3935099B2 (ja) * | 2003-04-15 | 2007-06-20 | 株式会社デンソー | 車両用蓄電装置の内部状態検出システム |
CN103091642B (zh) * | 2013-01-22 | 2014-12-10 | 北京交通大学 | 一种锂电池容量快速估计方法 |
JP6370902B2 (ja) * | 2014-06-24 | 2018-08-15 | 株式会社東芝 | 蓄電池システムの劣化制御装置及びその方法 |
JP6295858B2 (ja) * | 2014-07-02 | 2018-03-20 | 日産自動車株式会社 | バッテリ管理装置 |
CN205583754U (zh) * | 2016-04-13 | 2016-09-14 | 华北电力大学(保定) | 基于分组轮换的蓄电池组充放电智能均衡系统 |
JP6326452B2 (ja) * | 2016-06-15 | 2018-05-16 | 本田技研工業株式会社 | 電池状態推定装置および電池状態推定方法 |
JP6477610B2 (ja) * | 2016-06-22 | 2019-03-06 | 横河電機株式会社 | 二次電池容量測定システムおよび二次電池容量測定方法 |
KR20180037760A (ko) * | 2016-10-05 | 2018-04-13 | 삼성전자주식회사 | 배터리 상태 추정 장치 및 방법 |
CN107273445A (zh) * | 2017-05-26 | 2017-10-20 | 电子科技大学 | 一种大数据分析中缺失数据混合多重插值的装置和方法 |
-
2018
- 2018-12-28 JP JP2018247207A patent/JP6881428B2/ja active Active
-
2019
- 2019-10-18 WO PCT/JP2019/041167 patent/WO2020137114A1/ja unknown
- 2019-10-18 EP EP19902756.6A patent/EP3904894B1/en active Active
- 2019-10-18 CN CN201980086400.XA patent/CN113227808A/zh active Pending
-
2021
- 2021-06-28 US US17/359,638 patent/US20210325469A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20210325469A1 (en) | 2021-10-21 |
WO2020137114A1 (ja) | 2020-07-02 |
EP3904894B1 (en) | 2023-03-22 |
EP3904894A1 (en) | 2021-11-03 |
EP3904894A4 (en) | 2022-03-02 |
CN113227808A (zh) | 2021-08-06 |
JP2020106470A (ja) | 2020-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6881428B2 (ja) | 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム | |
Wang et al. | A critical review of online battery remaining useful lifetime prediction methods | |
Peng et al. | Novel prediction and memory strategies for dynamic multiobjective optimization | |
Lin et al. | State of health estimation of lithium-ion battery based on an adaptive tunable hybrid radial basis function network | |
Liu et al. | Future ageing trajectory prediction for lithium-ion battery considering the knee point effect | |
Liu et al. | State of charge prediction framework for lithium-ion batteries incorporating long short-term memory network and transfer learning | |
Ting et al. | Tuning of Kalman filter parameters via genetic algorithm for state-of-charge estimation in battery management system | |
Chen et al. | A long short-term memory neural network based Wiener process model for remaining useful life prediction | |
Nichiforov et al. | Deep learning techniques for load forecasting in large commercial buildings | |
Luzi et al. | A novel neural networks ensemble approach for modeling electrochemical cells | |
JP2023520970A (ja) | リチウム電池のsoc推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
Bai et al. | Prognostics of Lithium-Ion batteries using knowledge-constrained machine learning and Kalman filtering | |
Sesidhar et al. | A review on data-driven SOC estimation with Li-Ion batteries: Implementation methods & future aspirations | |
Zhang et al. | State of health estimation of lithium-ion batteries based on modified flower pollination algorithm-temporal convolutional network | |
Li et al. | An optimal stacking ensemble for remaining useful life estimation of systems under multi-operating conditions | |
De Sousa et al. | Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms | |
Zhao et al. | Battery prognostics and health management from a machine learning perspective | |
Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
Ghaeminezhad et al. | Review on state of charge estimation techniques of lithium-ion batteries: A control-oriented approach | |
Lutska et al. | Forecasting the efficiency of the control system of the technological object on the basis of neural networks | |
Myilsamy et al. | State-of-Health Prediction for Li-ion Batteries for Efficient Battery Management System Using Hybrid Machine Learning Model | |
US20240149728A1 (en) | Methods and systems for an electric vehicle charging connector | |
Chen et al. | State of health estimation for lithium-ion battery based on particle swarm optimization algorithm and extreme learning machine | |
Li et al. | State-of-health estimation method for fast-charging lithium-ion batteries based on stacking ensemble sparse Gaussian process regression | |
Uddin et al. | State of health estimation of lithium-ion batteries in vehicle-to-grid applications using recurrent neural networks for learning the impact of degradation stress factors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200220 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210112 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210301 |
|
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: 20210406 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210419 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6881428 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |