JP7216870B2 - リチウムイオンバッテリーの寿命予測方法、放電容量維持率予測方法、寿命予測プログラム、放電容量維持率予測プログラム及び情報処理装置 - Google Patents
リチウムイオンバッテリーの寿命予測方法、放電容量維持率予測方法、寿命予測プログラム、放電容量維持率予測プログラム及び情報処理装置 Download PDFInfo
- Publication number
- JP7216870B2 JP7216870B2 JP2022509178A JP2022509178A JP7216870B2 JP 7216870 B2 JP7216870 B2 JP 7216870B2 JP 2022509178 A JP2022509178 A JP 2022509178A JP 2022509178 A JP2022509178 A JP 2022509178A JP 7216870 B2 JP7216870 B2 JP 7216870B2
- Authority
- JP
- Japan
- Prior art keywords
- cycle
- predicted
- cell
- data
- life
- 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
- 238000012423 maintenance Methods 0.000 title claims description 69
- 238000000034 method Methods 0.000 title claims description 68
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims description 23
- 229910001416 lithium ion Inorganic materials 0.000 title claims description 23
- 230000010365 information processing Effects 0.000 title claims description 12
- 238000005259 measurement Methods 0.000 claims description 112
- 238000009826 distribution Methods 0.000 claims description 43
- 238000012360 testing method Methods 0.000 claims description 38
- 230000014759 maintenance of location Effects 0.000 claims description 33
- 238000007493 shaping process Methods 0.000 claims description 20
- 238000010277 constant-current charging Methods 0.000 claims description 15
- 238000007599 discharging Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013144 data compression Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 description 18
- 238000007600 charging Methods 0.000 description 17
- 230000000704 physical effect Effects 0.000 description 17
- 238000005070 sampling Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012952 Resampling Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010280 constant potential charging Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012827 research and development Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000004334 sorbic acid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Description
一つ以上の予測実行サイクル数に対して、前記学習データを用いて寿命予測モデルの学習を行い、それぞれの予測実行サイクル数に対応した学習済み寿命予測モデルの集合を得るステップ(b)と、
予測対象であるバッテリーの予測用サイクル測定データを、前記予測実行サイクル数まで逐次取得するステップ(c)と、
予測実行サイクル数まで取得された予測用サイクル測定データを、対応する予測実行サイクル数の学習済み寿命予測モデルにそれぞれ入力して、出力として、それぞれの予測実行サイクル数における寿命の確率分布を取得するステップ(d)と、をコンピュータが実行することを特徴とするリチウムイオンバッテリーの寿命予測方法。
前記サイクル測定データを固定長データに整形するデータ整形部と、
前記固定長データを、圧縮して圧縮データとする特徴量抽出部と、
前記圧縮データを、高次元空間にマップした非線形特徴量データに変換して非線形特徴量データとする非線形変換部と、を有し、
前記非線形特徴量データを入力とし、寿命の確率分布を出力する回帰部とが、この順番で連結して構成されていることを特徴とする、[1]に記載のリチウムイオンバッテリーの寿命予測方法。
一つ以上の予測実行サイクル数に対して、前記学習データを用いて各サイクルにおける放電容量維持率の学習を行い、それぞれの予測実行サイクル数に対応した学習済み放電容量維持率予測モデルの集合を得るステップ(b)と、
予測対象であるバッテリーの予測用サイクル測定データを、前記予測実行サイクル数まで逐次取得するステップ(c)と、
予測実行サイクル数まで取得された予測用サイクル測定データを、対応する予測実行サイクル数の学習済み放電容量維持率予測モデルにそれぞれ入力して、出力として、それぞれの予測実行サイクル数から寿命までの間の各サイクルでの放電容量維持率の確率分布を取得するステップ(d)と、をコンピュータが実行することを特徴とするリチウムイオンバッテリーの放電容量維持率予測方法。
一つ以上の予測実行サイクル数に対して、前記学習データを用いて寿命予測モデルの学習を行い、それぞれの予測実行サイクル数に対応した学習済み寿命予測モデルの集合を得るステップ(b)と、
予測対象であるバッテリーの予測用サイクル測定データを、前記予測実行サイクル数まで逐次取得するステップ(c)と、
予測実行サイクル数まで取得された予測用サイクル測定データを、対応する予測実行サイクル数の学習済み寿命予測モデルにそれぞれ入力して、出力として、それぞれの予測実行サイクル数における寿命の確率分布を取得するステップ(d)と、をコンピュータに実行させるための寿命予測プログラム。
一つ以上の予測実行サイクル数に対して、前記学習データを用いて各サイクルにおける放電容量維持率の学習を行い、それぞれの予測実行サイクル数に対応した学習済み放電容量維持率予測モデルの集合を得るステップ(b)と、
予測対象であるバッテリーの予測用サイクル測定データを、前記予測実行サイクル数まで逐次取得するステップ(c)と、
予測実行サイクル数まで取得された予測用サイクル測定データを、対応する予測実行サイクル数の学習済み放電容量維持率予測モデルにそれぞれ入力して、出力として、それぞれの予測実行サイクル数から寿命までの間の各サイクルでの放電容量維持率の確率分布を取得するステップ(d)と、をコンピュータに実行させるための放電容量維持率予測プログラム。
一つ以上の予測実行サイクル数に対して、前記学習データを用いて寿命予測モデルの学習を行い、それぞれの予測実行サイクル数に対応した学習済み寿命予測モデルの集合を得るステップ(b)と、
予測対象であるバッテリーの予測用サイクル測定データを、前記予測実行サイクル数まで逐次取得するステップ(c)と、
予測実行サイクル数まで取得された予測用サイクル測定データを、対応する予測実行サイクル数の学習済み寿命予測モデルにそれぞれ入力して、出力として、それぞれの予測実行サイクル数における寿命の確率分布を取得するステップ(d)と、を実行する情報処理装置。
一つ以上の予測実行サイクル数に対して、前記学習データを用いて各サイクルにおける放電容量維持率の学習を行い、それぞれの予測実行サイクル数に対応した学習済み放電容量維持率予測モデルの集合を得るステップ(b)と、
予測対象であるバッテリーの予測用サイクル測定データを、前記予測実行サイクル数まで逐次取得するステップ(c)と、
予測実行サイクル数まで取得された予測用サイクル測定データを、対応する予測実行サイクル数の学習済み放電容量維持率予測モデルにそれぞれ入力して、出力として、それぞれの予測実行サイクル数から寿命までの間の各サイクルでの放電容量維持率の確率分布を取得するステップ(d)と、を実行する情報処理装置。
本発明のリチウムイオンバッテリーの寿命予測方法は、バッテリーのサイクル測定データと寿命データとを含む学習データを取得するステップ(a)と、一つ以上の予測実行サイクル数に対して、前記学習データを用いて寿命予測モデルの学習を行い、それぞれの予測実行サイクル数に対応した学習済み寿命予測モデルの集合を得るステップ(b)と、予測対象であるバッテリーの予測用サイクル測定データを、前記予測実行サイクル数まで逐次取得するステップ(c)と、予測実行サイクル数まで取得された予測用サイクル測定データを、対応する予測実行サイクル数の学習済み寿命予測モデルにそれぞれ入力して、出力として、それぞれの予測実行サイクル数における寿命の確率分布を取得するステップ(d)と、を含む。
以下に、本実施形態に基づく実施例を説明する。
上記第1の実施形態では、予測用サイクル測定データに基づいて予測する予測項目として、寿命の確率分布を予測する場合について説明した。しかしながら、予測項目は寿命の確率分布に限定されず、例えば、予測実行サイクル数から予測寿命に到達するまで、または予測寿命を超えた先までの間の各サイクルにおける予測放電容量維持率を更に予測するように構成してもよい。以下、第2の実施形態について、上記第1の実施形態との相違点を中心に説明する。
式(1):変換値=log(ymi/(yni-ymi))
ただし、ymiは、予測したいサイクル数miにおける予測放電容量維持率であり、yniは、予測実行サイクル数niにおける放電容量維持率である。
上記第2の実施形態では、寿命の確率分布の予測と、放電容量維持率の確率分布の予測とを、一体のモデル(寿命予測及び放電容量維持率予測モデル)を用いて実現する場合について説明した。しかしながら、寿命の確率分布の予測と、放電容量維持率の確率分布の予測とは、別体のモデル(寿命予測モデル、放電容量維持率予測モデル)を用いて実現してもよい。具体的には、寿命予測プログラムと放電容量維持率予測プログラムとを別々に用意し、情報処理装置500が、それぞれのプログラムを独立して実行できるように構成してもよい。
Claims (9)
- バッテリーの各セルに対して定電流充電のステップとその後に定電流放電のステップとを含む充放電試験を行うことで、各セルに加わる電圧と各セルを流れる電流と電流容量とを記録したサイクル測定データと寿命データとを含む学習データを取得するステップ(a)と、
一つ以上の予測実行サイクル数ni(iは1以上の整数)に対して、前記学習データの各セルのサイクル測定データから初期niサイクル数を切り出した、学習用サイクル測定データAniを説明変数、前記学習データの寿命データを目的変数として寿命予測モデルの学習を行い、前記予測実行サイクル数niの数に対応した数の学習済み寿命予測モデルCniの集合を得るステップ(b)と、
予測対象のバッテリーのセルに対して定電流充電のステップとその後に定電流放電のステップとを含む、予測実行サイクル数nx(xは1以上のいずれかの整数)の充放電試験を行うことで、該セルに加わる電圧と該セルを流れる電流と電流容量とを記録した予測用サイクル測定データを取得するステップ(c)と、
前記予測実行サイクル数nxまで取得された予測用サイクル測定データを、前記予測実行サイクル数ni(ただし、i=x)の学習済み寿命予測モデルCni(ただし、i=x)に入力して、出力として、前記予測実行サイクル数nxにおける寿命の確率分布を取得するステップ(d)と、
をコンピュータが実行することを特徴とするリチウムイオンバッテリーの寿命予測方法。 - 前記寿命予測モデルは、
各セルについて初期niサイクル数が切り出された前記学習用サイクル測定データAniを受け取り、各サイクルの各測定項目の値を、列数を増やす方向に配列することで固定長のデータを生成し、生成した固定長のデータを、セルの数だけ行数を増やす方向に配列することで、行列形式の固定長データに整形するデータ整形部と、
前記行列形式の固定長データを、圧縮して圧縮データとする特徴量抽出部と、
前記圧縮データを、高次元空間にマップした非線形特徴量データに変換する非線形変換部と、
前記非線形特徴量データを入力とし、寿命の確率分布を出力する回帰部とが、この順番で連結して構成されていることを特徴とする、請求項1に記載のリチウムイオンバッテリーの寿命予測方法。 - 前記特徴量抽出部におけるデータ圧縮手法として、次元削減手法を用いることを特徴とする請求項2に記載のリチウムイオンバッテリーの寿命予測方法。
- 前記次元削減手法が、主成分分析であることを特徴とする請求項3に記載のリチウムイオンバッテリーの寿命予測方法。
- バッテリーの各セルに対して定電流充電のステップとその後に定電流放電のステップとを含む充放電試験を行うことで、各セルに加わる電圧と各セルを流れる電流と電流容量とを記録したサイクル測定データと各セルの各サイクルにおける放電容量維持率とを含む学習データを取得するステップ(a)と、
一つ以上の予測実行サイクル数ni(iは1以上の整数)に対して、前記学習データの各セルのサイクル測定データから初期niサイクル数を切り出した学習用サイクル測定データAniを説明変数、各セルの各サイクルにおける放電容量維持率B'を目的変数として、放電容量維持率予測モデルの学習を行い、前記予測実行サイクル数niの数に対応した数の学習済み放電容量維持率予測モデルC'niの集合を得るステップ(b)と、
予測対象のバッテリーのセルに対して定電流充電のステップとその後に定電流放電のステップとを含む、予測実行サイクル数nx(xは1以上のいずれかの整数)の充放電試験を行うことで、該セルに加わる電圧と該セルを流れる電流と電流容量とを記録した予測用サイクル測定データを取得するステップ(c)と、
前記予測実行サイクル数nxまで取得された予測用サイクル測定データを、前記予測実行サイクル数ni(ただし、i=x)の学習済み放電容量維持率予測モデルC'ni(ただし、i=x)に入力して、出力として、前記予測実行サイクル数nxから寿命までの間の各サイクルでの放電容量維持率の確率分布を取得するステップ(d)と、
をコンピュータが実行することを特徴とするリチウムイオンバッテリーの放電容量維持率予測方法。 - バッテリーの各セルに対して定電流充電のステップとその後に定電流放電のステップとを含む充放電試験を行うことで、各セルに加わる電圧と各セルを流れる電流と電流容量とを記録したサイクル測定データと寿命データとを含む学習データを取得するステップ(a)と、
一つ以上の予測実行サイクル数ni(iは1以上の整数)に対して、前記学習データの各セルのサイクル測定データから初期niサイクル数を切り出した、学習用サイクル測定データAniを説明変数、前記学習データの寿命データを目的変数として寿命予測モデルの学習を行い、前記予測実行サイクル数niの数に対応した数の学習済み寿命予測モデルCniの集合を得るステップ(b)と、
予測対象のバッテリーのセルに対して定電流充電のステップとその後に定電流放電のステップとを含む、予測実行サイクル数nx(xは1以上のいずれかの整数)の充放電試験を行うことで、該セルに加わる電圧と該セルを流れる電流と電流容量とを記録した予測用サイクル測定データを取得するステップ(c)と、
前記予測実行サイクル数nxまで取得された予測用サイクル測定データを、前記予測実行サイクル数ni(ただし、i=x)の学習済み寿命予測モデルCni(ただし、i=x)に入力して、出力として、前記予測実行サイクル数nxにおける寿命の確率分布を取得するステップ(d)と、
をコンピュータに実行させるための寿命予測プログラム。 - バッテリーの各セルに対して定電流充電のステップとその後に定電流放電のステップとを含む充放電試験を行うことで、各セルに加わる電圧と各セルを流れる電流と電流容量とを記録したサイクル測定データと各セルの各サイクルにおける放電容量維持率とを含む学習データを取得するステップ(a)と、
一つ以上の予測実行サイクル数ni(iは1以上の整数)に対して、前記学習データの各セルのサイクル測定データから初期niサイクル数を切り出した学習用サイクル測定データAniを説明変数、各セルの各サイクルにおける放電容量維持率B'を目的変数として、放電容量維持率予測モデルの学習を行い、前記予測実行サイクル数niの数に対応した数の学習済み放電容量維持率予測モデルC'niの集合を得るステップ(b)と、
予測対象のバッテリーのセルに対して定電流充電のステップとその後に定電流放電のステップとを含む、予測実行サイクル数nx(xは1以上のいずれかの整数)の充放電試験を行うことで、該セルに加わる電圧と該セルを流れる電流と電流容量とを記録した予測用サイクル測定データを取得するステップ(c)と、
前記予測実行サイクル数nxまで取得された予測用サイクル測定データを、前記予測実行サイクル数ni(ただし、i=x)の学習済み放電容量維持率予測モデルC'ni(ただし、i=x)に入力して、出力として、前記予測実行サイクル数nxから寿命までの間の各サイクルでの放電容量維持率の確率分布を取得するステップ(d)と、
をコンピュータに実行させるための放電容量維持率予測プログラム。 - バッテリーの各セルに対して定電流充電のステップとその後に定電流放電のステップとを含む充放電試験を行うことで、各セルに加わる電圧と各セルを流れる電流と電流容量とを記録したサイクル測定データと寿命データとを含む学習データを取得するステップ(a)と、
一つ以上の予測実行サイクル数ni(iは1以上の整数)に対して、前記学習データの各セルのサイクル測定データから初期niサイクル数を切り出した、学習用サイクル測定データAniを説明変数、前記学習データの寿命データを目的変数として寿命予測モデルの学習を行い、前記予測実行サイクル数niの数に対応した数の学習済み寿命予測モデルCniの集合を得るステップ(b)と、
予測対象のバッテリーのセルに対して定電流充電のステップとその後に定電流放電のステップとを含む、予測実行サイクル数nx(xは1以上のいずれかの整数)の充放電試験を行うことで、該セルに加わる電圧と該セルを流れる電流と電流容量とを記録した予測用サイクル測定データを取得するステップ(c)と、
前記予測実行サイクル数nxまで取得された予測用サイクル測定データを、前記予測実行サイクル数ni(ただし、i=x)の学習済み寿命予測モデルCni(ただし、i=x)に入力して、出力として、前記予測実行サイクル数nxにおける寿命の確率分布を取得するステップ(d)と、
を実行する情報処理装置。 - バッテリーの各セルに対して定電流充電のステップとその後に定電流放電のステップとを含む充放電試験を行うことで、各セルに加わる電圧と各セルを流れる電流と電流容量とを記録したサイクル測定データと各セルの各サイクルにおける放電容量維持率とを含む学習データを取得するステップ(a)と、
一つ以上の予測実行サイクル数ni(iは1以上の整数)に対して、前記学習データの各セルのサイクル測定データから初期niサイクル数を切り出した学習用サイクル測定データAniを説明変数、各セルの各サイクルにおける放電容量維持率B'を目的変数として、放電容量維持率予測モデルの学習を行い、前記予測実行サイクル数niの数に対応した数の学習済み放電容量維持率予測モデルC'niの集合を得るステップ(b)と、
予測対象のバッテリーのセルに対して定電流充電のステップとその後に定電流放電のステップとを含む、予測実行サイクル数nx(xは1以上のいずれかの整数)の充放電試験を行うことで、該セルに加わる電圧と該セルを流れる電流と電流容量とを記録した予測用サイクル測定データを取得するステップ(c)と、
前記予測実行サイクル数nxまで取得された予測用サイクル測定データを、前記予測実行サイクル数ni(ただし、i=x)の学習済み放電容量維持率予測モデルC'ni(ただし、i=x)に入力して、出力として、前記予測実行サイクル数nxから寿命までの間の各サイクルでの放電容量維持率の確率分布を取得するステップ(d)と、
を実行する情報処理装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023007597A JP2023037027A (ja) | 2020-10-15 | 2023-01-20 | リチウムイオンバッテリーの寿命予測方法、寿命予測プログラム、及び情報処理装置 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020174106 | 2020-10-15 | ||
JP2020174106 | 2020-10-15 | ||
PCT/JP2021/037761 WO2022080377A1 (ja) | 2020-10-15 | 2021-10-12 | リチウムイオンバッテリーの寿命予測方法、放電容量維持率予測方法、寿命予測プログラム、放電容量維持率予測プログラム及び情報処理装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023007597A Division JP2023037027A (ja) | 2020-10-15 | 2023-01-20 | リチウムイオンバッテリーの寿命予測方法、寿命予測プログラム、及び情報処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2022080377A1 JPWO2022080377A1 (ja) | 2022-04-21 |
JP7216870B2 true JP7216870B2 (ja) | 2023-02-01 |
Family
ID=81208057
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022509178A Active JP7216870B2 (ja) | 2020-10-15 | 2021-10-12 | リチウムイオンバッテリーの寿命予測方法、放電容量維持率予測方法、寿命予測プログラム、放電容量維持率予測プログラム及び情報処理装置 |
JP2023007597A Pending JP2023037027A (ja) | 2020-10-15 | 2023-01-20 | リチウムイオンバッテリーの寿命予測方法、寿命予測プログラム、及び情報処理装置 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023007597A Pending JP2023037027A (ja) | 2020-10-15 | 2023-01-20 | リチウムイオンバッテリーの寿命予測方法、寿命予測プログラム、及び情報処理装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230366936A1 (ja) |
EP (1) | EP4231027A1 (ja) |
JP (2) | JP7216870B2 (ja) |
CN (1) | CN116529615A (ja) |
WO (1) | WO2022080377A1 (ja) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2023149011A1 (ja) * | 2022-02-07 | 2023-08-10 | ||
CN114814631B (zh) * | 2022-04-25 | 2023-07-18 | 浙江大学 | 一种基于云计算与特征选择的锂电池在线寿命预测方法 |
CN115078999B (zh) * | 2022-05-20 | 2024-04-26 | 合肥工业大学 | 基于自适应隐藏层bp神经网络的锂电池状况预测方法 |
KR102618037B1 (ko) * | 2022-06-20 | 2023-12-27 | 주식회사 엘지에너지솔루션 | 배터리 진단 장치, 배터리 진단 방법 및 배터리 진단 시스템 |
CN115879359B (zh) * | 2022-06-21 | 2024-02-23 | 广州汽车集团股份有限公司 | 电子元件寿命预测方法、装置、电子设备及存储介质 |
CN116908705B (zh) * | 2023-09-12 | 2024-02-23 | 宁德时代新能源科技股份有限公司 | 容量衰减模型建立方法、电池循环寿命测试方法及装置 |
CN117054893B (zh) * | 2023-10-12 | 2024-03-29 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
CN117374469B (zh) * | 2023-12-07 | 2024-02-09 | 深圳市普裕时代新能源科技有限公司 | 基于浸没式液冷储能系统的控制方法 |
CN117554846B (zh) * | 2024-01-12 | 2024-03-22 | 烟台海博电气设备有限公司 | 计及约束条件的锂电池寿命预测方法及系统 |
CN117686920B (zh) * | 2024-02-02 | 2024-04-12 | 河南科技学院 | 一种用于电池系统内单体电池的端电压预测方法 |
CN118171095B (zh) * | 2024-05-14 | 2024-07-23 | 国网山东省电力公司枣庄供电公司 | 一种智能雷达防外破监测数据的高效处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
US20140092375A1 (en) | 2012-09-28 | 2014-04-03 | Palo Alto Research Center Incorporated | Monitoring and management for energy storage devices |
JP2019113524A (ja) | 2017-10-17 | 2019-07-11 | ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー | リチウムイオン電池の容量低下と寿命予測のためのデータ駆動モデル |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020174106A (ja) | 2019-04-10 | 2020-10-22 | 株式会社ディスコ | ウェーハの加工方法 |
-
2021
- 2021-10-12 WO PCT/JP2021/037761 patent/WO2022080377A1/ja active Application Filing
- 2021-10-12 JP JP2022509178A patent/JP7216870B2/ja active Active
- 2021-10-12 EP EP21880115.7A patent/EP4231027A1/en active Pending
- 2021-10-12 US US18/248,429 patent/US20230366936A1/en active Pending
- 2021-10-12 CN CN202180070525.0A patent/CN116529615A/zh active Pending
-
2023
- 2023-01-20 JP JP2023007597A patent/JP2023037027A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
US20140092375A1 (en) | 2012-09-28 | 2014-04-03 | Palo Alto Research Center Incorporated | Monitoring and management for energy storage devices |
JP2019113524A (ja) | 2017-10-17 | 2019-07-11 | ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー | リチウムイオン電池の容量低下と寿命予測のためのデータ駆動モデル |
Also Published As
Publication number | Publication date |
---|---|
EP4231027A1 (en) | 2023-08-23 |
WO2022080377A1 (ja) | 2022-04-21 |
JP2023037027A (ja) | 2023-03-14 |
US20230366936A1 (en) | 2023-11-16 |
JPWO2022080377A1 (ja) | 2022-04-21 |
CN116529615A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7216870B2 (ja) | リチウムイオンバッテリーの寿命予測方法、放電容量維持率予測方法、寿命予測プログラム、放電容量維持率予測プログラム及び情報処理装置 | |
Widodo et al. | Intelligent prognostics for battery health monitoring based on sample entropy | |
Janczura et al. | Efficient estimation of Markov regime-switching models: An application to electricity spot prices | |
US20220128614A1 (en) | Partial discharge determination apparatus and partial discharge determination method | |
CN104569844B (zh) | 阀控密封式铅酸蓄电池健康状态监测方法 | |
CA2366782A1 (en) | Distributed hierarchical evolutionary modeling and visualization of empirical data | |
CN115147012B (zh) | 一种基于神经网络模型的碳排放量核算方法及装置 | |
CN116401954A (zh) | 一种锂电池循环寿命的预测方法、预测装置、设备及介质 | |
KR20210127735A (ko) | 배터리 잔존 가치 결정 시스템 | |
CN117074965A (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN115098999A (zh) | 一种多模态融合的燃料电池系统性能衰减预测方法 | |
CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
CN114611799B (zh) | 基于监督学习的时序神经网络新能源出力多步预测方法 | |
CN115600728A (zh) | 一种动力电池的年度碳排放量估算方法及装置 | |
CN115980588A (zh) | 基于自编码器提取特征的锂离子电池健康状态估计方法 | |
CN117825970A (zh) | 电池退化分析方法、装置、设备及存储介质 | |
CN116227245B (zh) | 基于运行数据的风电机组多目标控制性能评估方法及装置 | |
CN117368732A (zh) | 基于多维高斯模型单体电池特性离群评估方法及相关装置 | |
WO2024023211A1 (en) | A method for characterizing the evolution of state of health of a device with duration of operation | |
CN116908727A (zh) | 一种基于多特征组合的储能电站锂电池容量估计方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN113567863A (zh) | 基于量子同化与数据填充的异常退化锂电池容量预测方法 | |
Jiao et al. | A methodology for state of health estimation of battery using short-time working condition aging data | |
Ünlük et al. | Prediction of monthly electricity consumption used in Mu ş Alparslan University Complex by means of Classical and Deep Learning methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220304 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220304 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220531 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220722 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221004 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221107 |
|
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: 20230110 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230120 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7216870 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20230131 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20230201 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |