JP7457575B2 - 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム - Google Patents
劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム Download PDFInfo
- Publication number
- JP7457575B2 JP7457575B2 JP2020090373A JP2020090373A JP7457575B2 JP 7457575 B2 JP7457575 B2 JP 7457575B2 JP 2020090373 A JP2020090373 A JP 2020090373A JP 2020090373 A JP2020090373 A JP 2020090373A JP 7457575 B2 JP7457575 B2 JP 7457575B2
- Authority
- JP
- Japan
- Prior art keywords
- storage battery
- charging
- measurement data
- discharging
- state
- 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
- 230000006866 deterioration Effects 0.000 title claims description 86
- 238000000034 method Methods 0.000 title claims description 53
- 238000012549 training Methods 0.000 claims description 130
- 238000007599 discharging Methods 0.000 claims description 104
- 238000005259 measurement Methods 0.000 claims description 102
- 238000004364 calculation method Methods 0.000 claims description 99
- 238000012545 processing Methods 0.000 claims description 48
- 238000010801 machine learning Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 23
- 230000007704 transition Effects 0.000 claims description 15
- 230000015556 catabolic process Effects 0.000 claims description 9
- 238000006731 degradation reaction Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 description 31
- 238000010586 diagram Methods 0.000 description 21
- 239000011159 matrix material Substances 0.000 description 20
- 238000006243 chemical reaction Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000013480 data collection Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- H02J7/005—Detection of 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]
- G01R31/378—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
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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]
- G01R31/382—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
- G06N20/00—Machine learning
-
- 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
- G06N3/09—Supervised learning
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- General Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Description
処理対象となる対象蓄電池の充放電回数が前記αiからαjのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のSOHの推移の推定結果を算出する算出部と、
を備え、
前記αiからαjは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定装置が提供される。
処理対象となる対象蓄電池の充放電回数が前記αiのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルに前記算出用測定データを入力することにより、前記対象蓄電池のSOHの推定結果を算出する算出部と、
を備え、
前記αiは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定装置が提供される。
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αiからαjのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のSOHの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成部と、
を備えるモデル生成装置が提供される。
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αiのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のSOHの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成部と、
を備えるモデル生成装置が提供される。
充放電回数がαiからαj(ただしj≧i)のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αj)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理と、
処理対象となる対象蓄電池の充放電回数が前記αiからαjのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のSOHの推移の推定結果を算出する算出処理と、
を行い、
前記αiからαjは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定方法が提供される。
充放電回数がαiのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αi)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理と、
処理対象となる対象蓄電池の充放電回数が前記αiのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のSOHの推移の推定結果を算出する算出処理と、
を行い、
前記αiは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定方法が提供される。
充放電回数がαiからαj(ただしj≧i)のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αj)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得処理と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αiからαjのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のSOHの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成処理と、
を行うモデル生成方法が提供される。
充放電回数がαiのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αi)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得処理と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αiのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のSOHの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成処理と、
を行うモデル生成方法が提供される。
充放電回数がαiからαj(ただしj≧i)のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αj)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理機能と、
処理対象となる対象蓄電池の充放電回数が前記αiからαjのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のSOHの推移の推定結果を算出する算出処理機能と、
を持たせ、
前記αiからαjは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっているプログラムが提供される。
充放電回数がαiのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αi)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理機能と、
処理対象となる対象蓄電池の充放電回数が前記αiのときの前記状態を測定した結果である算出用測定データを取得し、前記少なくとも一つのモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のSOHの推移の推定結果を算出する算出処理機能と、
を持たせ、
前記αiは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっているプログラムが提供される。
充放電回数がαiからαj(ただしj≧i)のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αj)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得機能と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αiからαjのとき前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のSOHの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成機能と、
を持たせるプログラムが提供される。
充放電回数がαiのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αi)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得機能と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αiのとき前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のSOHの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成機能と、
を持たせるプログラムが提供される。
(1)処理対象となる行列から、デジタルフィルタと同じ行数および列数からなる部分行列を切り出す。
(2)部分行列にデジタルフィルタを演算し、当該演算結果の各成分を足し合わせた値を、処理後の行列の成分とする。ここで行われる演算は、例えば乗算であるが、加算、減算、又は割算であってもよいし、四則演算を適宜組み合わせたものであってもよい。なお、処理後の行列の成分の位置は、部分行列を切り出した位置に対応している。例えば、最も左上の部分行列を用いて算出された値は、処理後の行列の一行目かつ一列目の成分になる。また、最も右下の部分行列を用いて算出された値は、処理後の行列の最も右下の成分になる。
上記した実施形態において、訓練用測定データ及び算出用測定データは、充放電回数がαiからαjの各々で得られるデータであった。これに対して本変形例では、訓練用測定データ及び算出用測定データは、いずれも充放電回数がαiの時のデータである。このため、本変形例によると、劣化推定装置は、充放電回数が1増えるたびに、劣化の推定結果を更新することができる。
20 劣化推定装置
30 蓄電池
40 機器
50 データ収集装置
110 実績取得部
120 実績記憶部
130 訓練データ取得部
140 事前処理部
150 モデル生成部
160 モデル記憶部
170 モデル送信部
180 検証用データ取得部
210 記憶処理部
220 モデル記憶部
230 算出用データ取得部
240 算出部
250 表示処理部
260 ディスプレイ
270 データ記憶部
280 データ送信部
Claims (22)
- 充放電回数がαiからαj(ただしj≧i)のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αj)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理部と、
処理対象となる対象蓄電池の充放電回数が前記αiからαjのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のSOHの推移の推定結果を算出する算出部と、
を備え、
前記αiおよびαjは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定装置。 - 請求項1に記載の劣化推定装置において、
前記訓練用測定データ及び前記算出用測定データは、いずれも電流、電圧、及び温度を含む劣化推定装置。 - 請求項2に記載の劣化推定装置において、
前記訓練用測定データ及び前記算出用測定データは、いずれも電流、電圧、及び温度からなる劣化推定装置。 - 請求項1~3のいずれか一項に記載の劣化推定装置において、
前記モデルは、複数の前記蓄電池に関する前記訓練データを用いて生成されている劣化推定装置。 - 請求項1~4のいずれか一項に記載の劣化推定装置において、
前記記憶処理部は、外部の装置から少なくとも一つの前記モデルを更新するためのデータを取得し、当該データを用いて前記記憶部に記憶されている前記モデルを更新する劣化推定装置。 - 請求項5に記載の劣化推定装置において、
前記対象蓄電池の充放電回数が前記αiからαjのときの前記算出用測定データと、前記対象蓄電池の充放電回数が前記βのときのSOHを特定するためのデータとを、前記訓練データとして前記外部の装置に送信するデータ送信部をさらに備える劣化推定装置。 - 充放電回数がαiのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αi)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理部と、
処理対象となる対象蓄電池の充放電回数が前記αiのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のSOHの推移の推定結果を算出する算出部と、
を備え、
前記αiは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定装置。 - 充放電回数がαiからαj(ただしj≧i)のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αj)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得部と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αiからαjのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のSOHの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成部と、
を備えるモデル生成装置。 - 請求項8に記載のモデル生成装置において、
前記モデル生成部は、少なくとも一つの前記βにおいて、複数の機械学習アルゴリズムを用いて複数の前記モデルを生成するモデル生成装置。 - 請求項8又は9に記載のモデル生成装置において、
前記モデル生成部は、少なくとも一つの前記βにおいて、他の前記βとは異なる機械学習アルゴリズムを用いる、モデル生成装置。 - 請求項8~10のいずれか一項に記載のモデル生成装置において、
前記訓練データは前記蓄電池の種類別に準備されており、
前記モデル生成部は、前記モデルを前記蓄電池の種類別に生成するモデル生成装置。 - 請求項8~11のいずれか一項に記載のモデル生成装置において、
前記訓練用測定データ及び前記算出用測定データは、いずれも電流、電圧、及び温度を含むモデル生成装置。 - 請求項12に記載のモデル生成装置において、
前記訓練用測定データ及び前記算出用測定データは、いずれも電流、電圧、及び温度からなるモデル生成装置。 - 充放電回数がαiのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αi)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得部と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αiのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のSOHの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成部と、
を備えるモデル生成装置。 - コンピュータが、
充放電回数がαiからαj(ただしj≧i)のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αj)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理と、
処理対象となる対象蓄電池の充放電回数が前記αiからαjのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のSOHの推移の推定結果を算出する算出処理と、
を行い、
前記αiおよびαjは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定方法。 - コンピュータが、
充放電回数がαiのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αi)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理と、
処理対象となる対象蓄電池の充放電回数が前記αiのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のSOHの推移の推定結果を算出する算出処理と、
を行い、
前記αiは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定方法。 - コンピュータが、
充放電回数がαiからαj(ただしj≧i)のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αj)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得処理と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αiからαjのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のSOHの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成処理と、
を行うモデル生成方法。 - コンピュータが、
充放電回数がαiのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αi)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得処理と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αiのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のSOHの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成処理と、
を行うモデル生成方法。 - コンピュータに、
充放電回数がαiからαj(ただしj≧i)のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αj)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理機能と、
処理対象となる対象蓄電池の充放電回数が前記αiからαjのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のSOHの推移の推定結果を算出する算出処理機能と、
を持たせ、
前記αiおよびαjは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっているプログラム。 - コンピュータに、
充放電回数がαiのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αi)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理機能と、
処理対象となる対象蓄電池の充放電回数が前記αiのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のSOHの推移の推定結果を算出する算出処理機能と、
を持たせ、
前記αiは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっているプログラム。 - コンピュータに、
充放電回数がαiからαj(ただしj≧i)のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αj)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得機能と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αiからαjのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のSOHの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成機能と、
を持たせるプログラム。 - コンピュータに、
充放電回数がαiのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ(ただしβ>αi)のときの前記蓄電池の劣化状態を示すSOHを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得機能と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αiのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のSOHの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成機能と、
を持たせるプログラム。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020090373A JP7457575B2 (ja) | 2020-05-25 | 2020-05-25 | 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム |
PCT/JP2021/016928 WO2021241115A1 (ja) | 2020-05-25 | 2021-04-28 | 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム |
EP21812723.1A EP4160784A4 (en) | 2020-05-25 | 2021-04-28 | DETERIORATION ESTIMATION DEVICE, MODEL GENERATION DEVICE, DETERIORATION ESTIMATION METHOD, MODEL GENERATION METHOD AND PROGRAM |
CN202180038308.3A CN115698738A (zh) | 2020-05-25 | 2021-04-28 | 劣化推定装置、模型生成装置、劣化推定方法、模型生成方法及程序 |
US17/999,834 US20230213585A1 (en) | 2020-05-25 | 2021-04-28 | Deterioration estimation apparatus, model generation apparatus, deterioration estimation method, model generation method, and non-transitory computer-readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020090373A JP7457575B2 (ja) | 2020-05-25 | 2020-05-25 | 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021185354A JP2021185354A (ja) | 2021-12-09 |
JP2021185354A5 JP2021185354A5 (ja) | 2023-03-28 |
JP7457575B2 true JP7457575B2 (ja) | 2024-03-28 |
Family
ID=78745276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020090373A Active JP7457575B2 (ja) | 2020-05-25 | 2020-05-25 | 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230213585A1 (ja) |
EP (1) | EP4160784A4 (ja) |
JP (1) | JP7457575B2 (ja) |
CN (1) | CN115698738A (ja) |
WO (1) | WO2021241115A1 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902121B (zh) * | 2021-07-15 | 2023-07-21 | 陈九廷 | 一种电池劣化推测装置校验的方法、装置、设备及介质 |
WO2023149011A1 (ja) * | 2022-02-07 | 2023-08-10 | 株式会社デンソー | 二次電池状態検出装置、学習部、二次電池状態検出方法 |
JPWO2023181101A1 (ja) * | 2022-03-22 | 2023-09-28 | ||
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 |
JP7459161B2 (ja) | 2022-03-31 | 2024-04-01 | 本田技研工業株式会社 | モデル評価装置、フィルタ生成装置、モデル評価方法、フィルタ生成方法及びプログラム |
JP2024018139A (ja) * | 2022-07-29 | 2024-02-08 | 株式会社Gsユアサ | 推定装置、推定方法及びコンピュータプログラム |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006220616A (ja) | 2005-02-14 | 2006-08-24 | Denso Corp | 車両用蓄電装置の内部状態検出方式 |
WO2017094759A1 (ja) | 2015-11-30 | 2017-06-08 | 積水化学工業株式会社 | 診断用周波数決定方法、蓄電池劣化診断方法、診断用周波数決定システムおよび蓄電池劣化診断装置 |
WO2018147194A1 (ja) | 2017-02-07 | 2018-08-16 | 日本電気株式会社 | 蓄電池制御装置、充放電制御方法、及び記録媒体 |
WO2019021099A1 (ja) | 2017-07-25 | 2019-01-31 | 株式会社半導体エネルギー研究所 | 蓄電システム、電子機器及び車両、並びに推定方法 |
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 |
WO2019181728A1 (ja) | 2018-03-20 | 2019-09-26 | 株式会社Gsユアサ | 劣化推定装置、コンピュータプログラム及び劣化推定方法 |
WO2019181729A1 (ja) | 2018-03-20 | 2019-09-26 | 株式会社Gsユアサ | 劣化推定装置、コンピュータプログラム及び劣化推定方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107340476B (zh) * | 2016-04-29 | 2021-01-26 | 株式会社日立制作所 | 电池的电气状态监测系统和电气状态监测方法 |
CN107329088B (zh) * | 2016-04-29 | 2021-05-14 | 株式会社日立制作所 | 电池的健康状态诊断装置和方法 |
KR20180037760A (ko) * | 2016-10-05 | 2018-04-13 | 삼성전자주식회사 | 배터리 상태 추정 장치 및 방법 |
KR101792975B1 (ko) * | 2017-04-25 | 2017-11-02 | 한국기술교육대학교 산학협력단 | 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법 |
WO2019162749A1 (en) * | 2017-12-07 | 2019-08-29 | Yazami Ip Pte. Ltd. | Method and system for online assessing state of health of a battery |
CN108414937A (zh) * | 2017-12-08 | 2018-08-17 | 国网北京市电力公司 | 充电电池荷电状态确定方法及装置 |
WO2020027203A1 (ja) * | 2018-07-31 | 2020-02-06 | 本田技研工業株式会社 | 推定システム、推定装置、推定方法、プログラム、及び記憶媒体 |
JP7062775B2 (ja) * | 2018-08-28 | 2022-05-06 | 本田技研工業株式会社 | 診断装置、診断方法、及びプログラム |
JP7145035B2 (ja) * | 2018-10-29 | 2022-09-30 | 本田技研工業株式会社 | 学習装置、学習方法、及びプログラム |
JP6767463B2 (ja) | 2018-12-07 | 2020-10-14 | 日本海上工事株式会社 | 板状体の吊り枠装置および敷設工法 |
WO2020130422A1 (en) * | 2018-12-21 | 2020-06-25 | Samsung Electronics Co., Ltd. | Method and system for predicting onset of capacity fading in a battery |
CN110068774B (zh) * | 2019-05-06 | 2021-08-06 | 清华四川能源互联网研究院 | 锂电池健康状态的估计方法、装置及存储介质 |
-
2020
- 2020-05-25 JP JP2020090373A patent/JP7457575B2/ja active Active
-
2021
- 2021-04-28 CN CN202180038308.3A patent/CN115698738A/zh active Pending
- 2021-04-28 EP EP21812723.1A patent/EP4160784A4/en active Pending
- 2021-04-28 WO PCT/JP2021/016928 patent/WO2021241115A1/ja unknown
- 2021-04-28 US US17/999,834 patent/US20230213585A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006220616A (ja) | 2005-02-14 | 2006-08-24 | Denso Corp | 車両用蓄電装置の内部状態検出方式 |
WO2017094759A1 (ja) | 2015-11-30 | 2017-06-08 | 積水化学工業株式会社 | 診断用周波数決定方法、蓄電池劣化診断方法、診断用周波数決定システムおよび蓄電池劣化診断装置 |
WO2018147194A1 (ja) | 2017-02-07 | 2018-08-16 | 日本電気株式会社 | 蓄電池制御装置、充放電制御方法、及び記録媒体 |
WO2019021099A1 (ja) | 2017-07-25 | 2019-01-31 | 株式会社半導体エネルギー研究所 | 蓄電システム、電子機器及び車両、並びに推定方法 |
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 |
WO2019181728A1 (ja) | 2018-03-20 | 2019-09-26 | 株式会社Gsユアサ | 劣化推定装置、コンピュータプログラム及び劣化推定方法 |
WO2019181729A1 (ja) | 2018-03-20 | 2019-09-26 | 株式会社Gsユアサ | 劣化推定装置、コンピュータプログラム及び劣化推定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115698738A (zh) | 2023-02-03 |
EP4160784A1 (en) | 2023-04-05 |
EP4160784A4 (en) | 2024-01-17 |
US20230213585A1 (en) | 2023-07-06 |
WO2021241115A1 (ja) | 2021-12-02 |
JP2021185354A (ja) | 2021-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7457575B2 (ja) | 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム | |
EP3748380B1 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
CN110068774B (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
JP6757602B2 (ja) | バッテリ状態推定装置及び方法 | |
CN104459560B (zh) | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 | |
EP3351953B1 (en) | Battery management method and apparatus | |
CN108089130B (zh) | 基于误差校正的用于估计电池的状态的方法和设备 | |
CN110658460B (zh) | 一种电池包的电池寿命预测方法及装置 | |
CN110333450B (zh) | 电池开路电压预估方法及系统 | |
CN115684947A (zh) | 电池模型构建方法及电池劣化预测装置 | |
CN113505534A (zh) | 一种考虑需求响应的负荷预测方法 | |
EP4330696A1 (en) | Health monitoring of electrochemical energy supply elements | |
WO2021210526A1 (ja) | 残容量推定装置、モデル生成装置、残容量推定方法、モデル生成方法、及びプログラム | |
WO2022075215A1 (ja) | データ処理システム、モデル生成装置、データ処理方法、モデル生成方法、及びプログラム | |
JP7443218B2 (ja) | データ処理装置、モデル生成装置、データ処理方法、モデル生成方法、及びプログラム | |
KR20210128181A (ko) | 전지의 용량 측정 장치 및 방법 | |
CN117574984B (zh) | 容量保持率判断模型的训练、应用方法、装置及存储介质 | |
Wannera et al. | Diagnosis and remaining useful life prediction of end-of-life battery systems for second-life applications | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
WO2024013794A1 (ja) | 深層学習モデル生成装置、及び蓄電池の特性値算出装置 | |
US20220097561A1 (en) | Method and Device for the Robust Prediction of the Aging Behavior of an Energy Storage Unit in a Battery-Operated Machine | |
WO2024115934A1 (ja) | 電池劣化状態推定方法、及び電池劣化状態推定装置 | |
CN116610926A (zh) | 电池老化特征的确定方法、装置、存储介质和车辆 | |
Jagwani et al. | SoC Estimation for an Electric Two-Wheeler Using Machine Learning Techniques | |
CN117970121A (zh) | 锂电池剩余寿命的预测方法、装置、服务器及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230317 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230317 |
|
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: 20240305 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240315 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7457575 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |