KR20210054467A - 전지 관리 시스템, 전지 관리 방법, 및 세트 전지의 제조 방법 - Google Patents

전지 관리 시스템, 전지 관리 방법, 및 세트 전지의 제조 방법 Download PDF

Info

Publication number
KR20210054467A
KR20210054467A KR1020200145919A KR20200145919A KR20210054467A KR 20210054467 A KR20210054467 A KR 20210054467A KR 1020200145919 A KR1020200145919 A KR 1020200145919A KR 20200145919 A KR20200145919 A KR 20200145919A KR 20210054467 A KR20210054467 A KR 20210054467A
Authority
KR
South Korea
Prior art keywords
battery
ccv
waveform
predetermined
neural network
Prior art date
Application number
KR1020200145919A
Other languages
English (en)
Other versions
KR102587694B1 (ko
Inventor
준타 이즈미
아키히로 와타나베
도시키 호리
미사토 바바
Original Assignee
도요타 지도샤（주）
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 도요타 지도샤（주） filed Critical 도요타 지도샤（주）
Publication of KR20210054467A publication Critical patent/KR20210054467A/ko
Application granted granted Critical
Publication of KR102587694B1 publication Critical patent/KR102587694B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating 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]
    • G01R31/371—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with remote indication, e.g. on external chargers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/10—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles characterised by the energy transfer between the charging station and the vehicle
    • B60L53/14—Conductive energy transfer
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/68—Off-site monitoring or control, e.g. remote control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/80—Exchanging energy storage elements, e.g. removable batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/18—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/30—Administration of product recycling or disposal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • 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
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • 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
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M10/4257—Smart batteries, e.g. electronic circuits inside the housing of the cells or batteries
    • 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
    • H01M10/44—Methods for charging or discharging
    • H01M10/441—Methods for charging or discharging for several batteries or cells simultaneously or sequentially
    • 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
    • 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
    • H01M10/54—Reclaiming serviceable parts of waste accumulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/70—Interactions with external data bases, e.g. traffic centres
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/48—Control modes by fuzzy logic
    • 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
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • 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
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/14—Plug-in electric vehicles
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/84—Recycling of batteries or fuel cells
    • 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
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Economics (AREA)
  • Sustainable Development (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Sustainable Energy (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)

Abstract

전지 관리 시스템이 제어 장치(210) 및 기억 장치(220)를 구비한다. 기억 장치(220)는, 적어도 1개의 학습된 뉴럴 네트워크를 기억하고 있다. 학습된 뉴럴 네트워크는, 미리 정해진 픽셀수의 영역에 이차전지의 소정 CCV 파형(CCV 충전 파형 또는 CCV 방전 파형)이 그려진 화상에 있어서의 픽셀마다의 수치를 나타내는 입력 데이터를 접수하는 입력층을 구비하며, 입력층에 입력 데이터가 입력되면, 이차전지의 만충전 용량을 출력하도록 구성된다. 제어 장치(210)는, 대상 전지에 관하여 취득된 입력 데이터를 학습된 뉴럴 네트워크의 입력층에 입력함으로써, 대상 전지의 만충전 용량을 추정하도록 구성된다.

Description

전지 관리 시스템, 전지 관리 방법, 및 세트 전지의 제조 방법{BATTERY MANAGEMENT SYSTEM, BATTERY MANAGEMENT METHOD, AND METHOD OF MANUFACTURING BATTERY ASSEMBLY}
본 개시는 전지 관리 시스템, 전지 관리 방법, 및 세트 전지의 제조 방법에 관한 것이다.
이차전지의 특성을 평가하는 방법으로서 교류 임피던스법(이하, 「AC-IR법」이라고도 함)이 공지이다. 예를 들면, 일본공개특허 특개2003-317810호 공보에는, AC-IR법에 의해 취득된 이차전지의 반응 저항값에 기초하여, 이차전지에 있어서의 미소(微小) 단락의 유무를 판정하는 방법이 개시되어 있다.
근래, 이차전지를 동력원으로 하는 전동 차량(예를 들면, 전기 자동차 또는 하이브리드차)의 보급이 진척되고 있다. 또한, 자원의 유효 이용의 관점에서, 상기 전동 차량에 있어서 사용된 이차전지(이하, 「사용이 끝난 전지」라고도 함)를 재이용하는 것이 검토되고 있다. 예를 들면, 전동 차량으로부터 회수된 사용이 끝난 전지의 만충전(滿充電) 용량을 추정하고, 추정된 만충전 용량에 기초하여, 재이용의 가부를 판단하거나 용도(재이용의 태양(態樣))를 결정하는 시스템을 생각할 수 있다.
일반적으로, 차재용(車載用)의 세트 전지는 복수(예를 들면, 수 개∼십수 개)의 모듈을 포함하여 구성되고, 복수의 모듈의 각각은 복수(예를 들면, 수십 개)의 단전지를 포함하여 구성된다. 일반적으로, 세트 전지를 구성하는 단전지는 「셀」이라고 불린다. 금후, 전기 자동차의 보급이 더 진척되면, 사용이 끝난 전지의 수가 급격히 증가한다고 예상된다. 본원 발명자는, 이러한 예견에 기초하여, 대량의 사용이 끝난 전지의 만충전 용량을, 높은 정밀도로, 보다 빠르게, 보다 간단하게 추정할 수 있는 방법을 제안한다.
전술한 AC-IR법의 측정 결과를 이용하여 이차전지의 만충전 용량을 추정하는 방법도 생각할 수 있지만, 이러한 방법에는 이하에 나타내는 과제가 있다. AC-IR법에서는, 주파수 응답 애널라이저 및 포텐시오갈바노스탯과 같은 전용 기기를 사용한다. 이러한 전용 기기는 고가이다. 또한, AC-IR법의 측정 조건(온도 관리, 측정 케이블의 배선, 전원 노이즈 등)은 엄밀하고, 측정 결과로부터 등가 회로의 회로 상수를 구하기 위한 해석은 복잡하다. AC-IR법에 의한 측정에서는 전문 지식이 요구되고, 측정이 간단하지 않다. 또한, AC-IR법은, 비교적 빠르게 측정할 수 있지만, 아직 충분하다고는 할 수 없어, 측정 시간의 점에 있어서도 개선의 여지가 있다.
본 개시는, 상기 과제를 해결하기 위해 행해진 것으로서, 그 목적은, 이차전지의 만충전 용량을, 높은 정밀도로, 빠르게, 또한, 간단하게 추정하는 것이다.
본 개시에 관련되는 전지 관리 시스템은, 이차전지의 정보를 관리하도록 구성된다. 이 전지 관리 시스템은, 이하에 설명하는 기억 장치 및 추정 장치를 구비한다. 기억 장치는, 적어도 1개의 학습된 뉴럴 네트워크를 기억하고 있다. 추정 장치는, 학습된 뉴럴 네트워크를 이용하여, 소정의 이차전지인 대상 전지의 만충전 용량을 추정하도록 구성된다. 상기의 학습된 뉴럴 네트워크는, 미리 정해진 픽셀수의 영역에 이차전지의 소정 CCV 파형이 그려진 화상에 있어서의 픽셀마다의 수치를 나타내는 입력 데이터를 접수하는 입력층을 구비하며, 입력층에 입력 데이터가 입력되면, 이차전지의 만충전 용량을 출력하도록 구성된다. 상기의 소정 CCV 파형은, 이차전지의 정전류 충전 중의 CCV의 추이를 나타내는 CCV 충전 파형과, 이차전지의 정전류 방전 중의 CCV의 추이를 나타내는 CCV 방전 파형 중의 어느 것이다. 상기의 추정 장치는, 대상 전지에 관하여 취득된 상기의 입력 데이터를 학습된 뉴럴 네트워크의 입력층에 입력함으로써, 대상 전지의 만충전 용량을 추정하도록 구성된다.
또한, 상기 「CCV」는 폐로 전압(Closed Circuit Voltage)을 의미한다. 상기 「이차전지」는, 재충전 가능한 전지이고, 수계 전해액 전지, 비수계 전해액 전지, 전고체 전지, 및 연료 전지가 포함된다. 상기 「이차전지」는, 단전지여도 되고, 복수의 단전지를 포함하는 모듈(이하, 「MDL」이라고 기재하는 경우가 있음)이어도 되며, 복수의 단전지(셀)가 전기적으로 접속되어 구성되는 세트 전지여도 된다.
상기 전지 관리 시스템에서는, 만충전 용량의 추정에 상기 학습된 뉴럴 네트워크를 이용한다. 본원 발명자는, 상기의 정전류 충전 및 정전류 방전에 의해 얻어지는 CCV 충전 파형 및 CCV 방전 파형의 각각과 만충전 용량이 상관하는 것에 착안했다. 학습된 뉴럴 네트워크에 의한 추정 정밀도는, 주로 학습의 질 및 양에 의해 결정된다. 미학습 뉴럴 네트워크에 적절한 학습을 행함으로써, 높은 정밀도로 이차전지의 만충전 용량을 추정할 수 있는 학습된 뉴럴 네트워크가 얻어진다. 이러한 학습된 뉴럴 네트워크에 상기 입력 데이터를 입력하면, 이차전지의 만충전 용량이 출력된다. 추정을 위한 공수(工數)는 적고, 간단하게 추정을 행할 수 있다. 또한, 추정에 걸리는 시간은 짧다. 상기와 같은 학습된 뉴럴 네트워크를 이용함으로써, 특수한 측정 기기를 이용하거나, 복잡한 연산을 행하지 않아도, 높은 정밀도로, 빠르게, 또한, 간단하게 이차전지의 만충전 용량을 추정하는 것이 가능해진다.
이차전지의 만충전 용량은, 만충전 시에 이차전지에 축적되는 전기량에 상당한다. 이차전지의 만충전 용량은, 이차전지가 열화하면 적어진다. 이하, 다른 의미를 나타내는 설명이 없는 경우에는, 「만충전 용량」은, 현시점에 있어서의 이차전지의 만충전 용량을 의미한다. 즉, 현시점에 있어서 이차전지가 열화되어 있는 경우에는, 「만충전 용량」은, 열화한 이차전지의 만충전 용량을 의미한다. 또한, 이하에서는, 초기 상태의 이차전지(즉, 열화되어 있지 않은 이차전지)의 만충전 용량을 「초기 용량」이라고 기재하는 경우가 있다.
상기의 전지 관리 시스템은, 이하에 설명하는 충전 장치 및 제 1 작성 장치를 더 구비해도 된다. 충전 장치는, 대상 전지의 정전류 충전을 행함으로써, 대상 전지에 관하여 CCV 충전 파형인 소정 CCV 파형을 취득하도록 구성된다. 제 1 작성 장치는, 충전 장치에 의해 취득된 소정 CCV 파형을 이용하여 상기의 입력 데이터를 작성하도록 구성된다. 상기의 추정 장치는, 제 1 작성 장치에 의해 작성된 입력 데이터를 학습된 뉴럴 네트워크의 입력층에 입력함으로써, 대상 전지의 만충전 용량을 추정하도록 구성되어도 된다.
상기 전지 관리 시스템은, 대상 전지의 정전류 충전을 행하여 소정 CCV 파형(즉, CCV 충전 파형)을 취득하고, 학습된 뉴럴 네트워크에 대한 입력 데이터를 작성하며, 학습된 뉴럴 네트워크에 의해 대상 전지의 만충전 용량을 추정할 수 있다. 상기 충전 장치는, 소정 CCV 파형을 취득하기 위해, 예를 들면 1A∼5A의 범위로부터 선택된 일정한 전류값으로 1분 이상 30분 이하의 정전류 충전을 행해도 된다.
상기 제 1 작성 장치가 입력 데이터의 작성에 이용하는 소정 CCV 파형의 SOC 범위는, 0% 이상 10% 이하의 범위로부터 선택된 소정 SOC 범위여도 된다.
SOC(State Of Charge)는, 축전 잔량을 나타내며, 예를 들면, 만충전 상태의 축전량에 대한 현재의 축전량의 비율을 0∼100%로 나타낸 것이다. 이하, 전지가 실질적으로 전기를 축적하고 있지 않은 상태를, 「빈 상태」라고 기재하는 경우가 있다. 학습된 뉴럴 네트워크에 대한 입력 데이터의 작성에 초기 충전(보다 구체적으로는, 빈 상태로부터 10% 이하의 소정 SOC까지의 충전)의 CCV 충전 파형을 이용함으로써 이차전지의 만충전 용량을 높은 정밀도로 추정할 수 있는 것이, 본원 발명자의 실험에 의해 확인되었다. 초기 충전의 CCV 충전 파형은, 빈 상태의 대상 전지에 단시간의 정전류 충전을 행함으로써 취득할 수 있기 때문에, 취득이 용이하다. 상기 소정 SOC 범위는, SOC가 0%부터 5%까지의 범위여도 된다.
상술한 어느 전지 관리 시스템은, 이하에 설명하는 방전 장치 및 제 2 작성 장치를 더 구비해도 된다. 방전 장치는, 대상 전지의 정전류 방전을 행함으로써, 대상 전지에 관하여 CCV 방전 파형인 소정 CCV 파형을 취득하도록 구성된다. 제 2 작성 장치는, 방전 장치에 의해 취득된 소정 CCV 파형을 이용하여 상기의 입력 데이터를 작성하도록 구성된다. 상기의 추정 장치는, 제 2 작성 장치에 의해 작성된 입력 데이터를 학습된 뉴럴 네트워크의 입력층에 입력함으로써, 대상 전지의 만충전 용량을 추정하도록 구성되어도 된다.
상기 전지 관리 시스템은, 대상 전지의 정전류 방전을 행하여 소정 CCV 파형(즉, CCV 방전 파형)을 취득하고, 학습된 뉴럴 네트워크에 대한 입력 데이터를 작성하며, 학습된 뉴럴 네트워크에 의해 대상 전지의 만충전 용량을 추정할 수 있다.
상기 기억 장치에 기억되는 적어도 1개의 학습된 뉴럴 네트워크는, 복수의 학습된 뉴럴 네트워크를 포함해도 된다. 상기의 추정 장치는, 대상 전지에 관한 정보를 취득하고, 취득된 정보를 이용하여 복수의 학습된 뉴럴 네트워크 중에서 대상 전지에 대응하는 1개의 학습된 뉴럴 네트워크를 선택하며, 선택된 학습된 뉴럴 네트워크를 이용하여, 대상 전지의 만충전 용량을 추정하도록 구성되어도 된다.
이용자는, 예를 들면, 전지 관리 시스템에 의해 관리되는 각 전지의 특징에 맞춰 각 뉴럴 네트워크의 학습을 행하고, 각 전지에 맞는 복수의 학습된 뉴럴 네트워크를 상기 기억 장치에 기억시킬 수 있다. 상기 추정 장치는, 복수의 학습된 뉴럴 네트워크 중에서 대상 전지에 대응하는 1개의 학습된 뉴럴 네트워크를 선택하여 사용함으로써, 대상 전지의 만충전 용량을 높은 정밀도로 추정할 수 있다. 상기 기억 장치에 기억되는 복수의 학습된 뉴럴 네트워크는, 전지에 관한 정보에 의해 구별되어 관리되어도 된다. 전지에 관한 정보의 예로서는, 전지 메이커, 전지의 구조(예를 들면, 치수, 형상, 및 재료), 전지의 초기 용량을 들 수 있다.
상술한 어느 전지 관리 시스템은, 추정 장치에 의해 추정된 만충전 용량을 이용하여, 대상 전지의 용도를 결정하는 분별 장치를 더 구비해도 된다.
상기 전지 관리 시스템은, 각 전지의 만충전 용량에 기초하여 각 전지의 용도를 결정할 수 있다. 이에 의해, 각 전지를 용도별로 관리하는 것이 가능해진다. 상기 전지 관리 시스템은, 예를 들면 전지의 재이용에 적합하다.
본 개시에 관련되는 전지 관리 방법은, 이하에 설명하는 제 1∼제 3 단계를 포함한다. 제 1 단계에서는, 소정의 이차전지인 대상 전지의 소정 CCV 파형을 취득한다. 제 2 단계에서는, 제 1 단계에서 취득된 소정 CCV 파형을 이용하여, 학습된 뉴럴 네트워크의 입력 데이터를 작성한다. 제 3 단계에서는, 제 2 단계에서 작성된 입력 데이터가 학습된 뉴럴 네트워크에 입력되고, 학습된 뉴럴 네트워크가 대상 전지의 만충전 용량을 출력한다. 입력 데이터는, 미리 정해진 픽셀수의 영역에 대상 전지의 소정 CCV 파형이 그려진 화상에 있어서의 픽셀마다의 수치를 나타내는 데이터이다. 소정 CCV 파형은, 대상 전지의 정전류 충전 중의 CCV의 추이를 나타내는 CCV 충전 파형과, 대상 전지의 정전류 방전 중의 CCV의 추이를 나타내는 CCV 방전 파형 중의 어느 것이다.
상기 전지 관리 방법에서도, 상기 학습된 뉴럴 네트워크를 이용함으로써, 전술한 전지 관리 시스템과 마찬가지로, 특수한 측정 기기를 이용하거나, 복잡한 연산을 행하지 않아도, 높은 정밀도로, 빠르게, 또한, 간단하게 이차전지의 만충전 용량을 추정하는 것이 가능해진다.
상기 제 1∼제 3 단계는, 분석 장치가 이용자의 지시에 따라서 실행해도 된다. 또한, 상기 제 1∼제 3 단계는 전자동화되어도 된다. 예를 들면, 컴퓨터가 센서의 신호에 기초하여 자동적으로 제 1∼제 3 단계를 실행해도 된다. 제 1∼제 3 단계는, 복수의 컴퓨터에 의해 실행되어도 되고, 1개의 컴퓨터에 의해 실행되어도 된다.
상기의 전지 관리 방법은, 제 1 단계의 전에, 차량으로부터 이차전지를 회수하는 단계와, 회수된 이차전지의 잔존 방전을 행하는 단계와, 잔존 방전 후에 이차전지를 빈 상태로 보관하는 단계를 차량마다 행하여, 복수의 이차전지를 빈 상태로 보관해도 된다. 상기의 제 1 단계에서는, 상기 빈 상태로 보관되어 있는 복수의 이차전지 중에서 대상 전지를 선택하고, 대상 전지에 대하여 정전류 충전을 행함으로써, 대상 전지에 관하여 CCV 충전 파형인 소정 CCV 파형을 취득해도 된다.
상기 「잔존 방전」은, 전지가 빈 상태(즉, 실질적으로 전기를 축적하고 있지 않은 상태)가 될 때까지 방전하는 것을 의미한다. 이차전지는, 고(高) SOC 상태로 방치되면 열화하기 쉽다. 상기 전지 관리 방법에서는, 복수의 차량의 각각으로부터 회수한 복수의 이차전지를 빈 상태로 보관함으로써 보관 중의 전지 열화를 억제할 수 있다. 또한, 대상 전지를 빈 상태로부터 정전류 충전함으로써, 전술한 초기 충전의 CCV 충전 파형을 용이하게 취득할 수 있다. 상기 전지 관리 방법에 의하면, 각 차량으로부터 회수된 각 이차전지의 만충전 용량을, 높은 정밀도로, 빠르게, 또한, 간단하게 추정하는 것이 가능해진다.
상기 차량은 전동 차량이어도 된다. 전동 차량은, 이차전지에 축적된 전력을 이용하여 주행하도록 구성되는 차량이다. 전동 차량에는, EV(전기 자동차), HV(하이브리드차), 및 PHV(플러그인 하이브리드차) 외에, FC차(연료 전지 자동차), 레인지 익스텐더 EV 등도 포함된다.
상술한 어느 전지 관리 방법은, 제 3 단계의 후에, 제 3 단계에서 추정된 만충전 용량을 이용하여, 대상 전지를 분별하는 단계와, 분별의 결과에 따라서 대상 전지를 출하하는 단계를 더 포함해도 된다.
상기 「출하」는, 전지를 보관 장소로부터 밖으로 내보내는 것을 의미한다. 상기 전지 관리 방법에 의하면, 대상 전지의 출하 전에, 대상 전지의 만충전 용량을, 높은 정밀도로, 빠르게, 또한, 간단하게 추정할 수 있다. 그 후, 추정된 만충전 용량을 이용하여 대상 전지를 분별하고, 분별 결과에 따라서 대상 전지를 출하함으로써, 만충전 용량의 추정부터 출하까지의 공정이 원활해진다. 제 1 단계에 있어서 대상 전지에 정전류 충전을 행할 경우에는, 그 충전을 계속함으로써 출하까지 대상 전지를 만충전 상태로 해도 된다.
본 개시에 관련되는 세트 전지의 제조 방법은, 이하에 설명하는 제 1∼제 4 단계를 포함한다. 제 1 단계에서는, 소정의 이차전지인 대상 전지의 소정 CCV 파형을 취득한다. 제 2 단계에서는, 제 1 단계에서 취득된 소정 CCV 파형을 이용하여, 학습된 뉴럴 네트워크의 입력 데이터를 작성한다. 제 3 단계에서는, 제 2 단계에서 작성된 입력 데이터가 학습된 뉴럴 네트워크에 입력되고, 학습된 뉴럴 네트워크가 대상 전지의 만충전 용량을 출력한다. 제 4 단계에서는, 제 1∼제 3 단계를 거쳐 만충전 용량이 추정된 복수의 이차전지를 이용하여 세트 전지를 제조한다. 입력 데이터는, 미리 정해진 픽셀수의 영역에 대상 전지의 소정 CCV 파형이 그려진 화상에 있어서의 픽셀마다의 수치를 나타내는 데이터이다. 소정 CCV 파형은, 대상 전지의 정전류 충전 중의 CCV의 추이를 나타내는 CCV 충전 파형과, 대상 전지의 정전류 방전 중의 CCV의 추이를 나타내는 CCV 방전 파형 중의 어느 것이다.
상기 세트 전지의 제조 방법에 의하면, 상기 학습된 뉴럴 네트워크를 이용함으로써, 높은 정밀도로, 빠르게, 또한, 간단하게 이차전지의 만충전 용량을 추정하고, 이 추정 결과에 기초하여, 적절한 만충전 용량을 가지는 복수의 이차전지를 이용하여 세트 전지를 제조하는 것이 가능해진다.
상기 제 1∼제 3 단계는, 전술한 전지 관리 방법의 제 1∼제 3 단계와 동일하다. 제 4 단계는, 이용자가 스스로 행해도 되고, 제조 장치가 이용자의 지시에 따라서 행해도 된다. 또한, 상기 제 1∼제 4 단계가 전자동화되어도 된다.
이 발명의 상기 및 다른 목적, 특징, 국면 및 이점은, 첨부의 도면과 관련하여 이해되는 이 발명에 관한 다음의 상세한 설명으로부터 명확해질 것이다.
도 1은, 본 개시의 실시형태에 있어서의, 전지팩의 회수부터 제조·판매까지의 물류의 일 태양을 나타내는 도이다.
도 2는, 본 개시의 실시형태에 관련되는 전지 관리 시스템에 있어서 구축되는 통신 네트워크의 예를 나타내는 도이다.
도 3은, 관리 업자가 차량으로부터 전지팩을 회수한 후에 행하는 작업의 일례를 나타내는 플로우 차트이다.
도 4는, 본 개시의 실시형태에 관련되는 전지 관리 시스템의 개요를 나타내는 도이다.
도 5는, 본 개시의 실시형태에 관련되는 뉴럴 네트워크의 학습에 관하여 설명하기 위한 도이다.
도 6은, 도 5에 나타낸 뉴럴 네트워크의 학습에서 이용되는 학습용 화상의 일례를 나타내는 도이다.
도 7은, 본 개시의 실시예에 있어서, 리튬 이온 전지에 관하여 측정된 4개의 CCV 충전 파형을 나타내는 도이다.
도 8은, 본 개시의 실시예에 있어서, 리튬 이온 전지에 관하여 측정된 4개의 CCV 방전 파형을 나타내는 도이다.
도 9는, 본 개시의 실시예에 관련되는 제 1 학습된 NN의 평가 결과를 나타내는 도이다.
도 10은, 본 개시의 실시예에 관련되는 제 2 학습된 NN의 평가 결과를 나타내는 도이다.
도 11은, 도 4에 나타낸 전지 관리 장치가 보유하는 NN 정보의 일례를 나타내는 도이다.
도 12는, 도 4에 나타낸 전지 관리 장치가 보유하는 전지 정보의 일례를 나타내는 도이다.
도 13은, 본 개시의 실시형태에 관련되는 전지 관리 방법에 있어서 측정 장치가 실행하는 처리를 나타내는 플로우 차트이다.
도 14는, 본 개시의 실시형태에 관련되는 전지 관리 방법에 있어서 전지 관리 장치가 실행하는 처리를 나타내는 플로우 차트이다.
도 15는, 본 개시의 실시형태에 관련되는 전지 관리 방법에 있어서, 학습된 NN을 이용한 만충전 용량의 추정의 개요를 나타내는 도이다.
도 16은, 본 개시의 실시형태에 관련되는 대상 전지의 출하 태양을 나타내는 도이다.
도 17은, 도 13에 나타낸 처리의 변형례를 나타내는 도이다.
도 18은, 전지 관리 시스템의 변형례에 관하여 설명하기 위한 도이다.
본 개시의 실시형태에 관하여, 도면을 참조하면서 상세하게 설명한다. 또한, 도면 중 동일 또는 상당 부분에는 동일한 부호를 붙여 그 설명은 반복하지 않는다.
이하에 설명하는 실시형태에 있어서는, 차량으로부터 회수된 사용이 끝난 세트 전지의 재이용을 행한다. 세트 전지는, 복수의 모듈을 포함하여 구성된다. 세트 전지를 구성하는 복수의 모듈은, 서로 직렬로 접속되어 있어도 되고, 서로 병렬로 접속되어 있어도 된다. 복수의 모듈의 각각은, 전기적으로 접속(예를 들면, 직렬 접속)된 복수의 셀(단전지)을 포함한다. 세트 전지를 구성하는 각 셀로서는 임의의 이차전지를 채용 가능하지만, 이하에서는, 차재 배터리의 대표적인 예로서, 리튬 이온 전지 및 니켈 수소 전지에 관하여 주로 설명한다.
세트 전지의 「재이용」은, 모든 셀의 재이용(이하, 「전부 재이용」이라고도 함)과, 부분적인 셀의 재이용(이하, 「부분 재이용」이라고도 함)과, 자원 리사이클로 대별(大別)된다. 부분 재이용은, 파츠 이용과 리빌트로 추가로 대별된다.
전부 재이용에서는, 차량으로부터 회수된 세트 전지가, 적절한 성능 회복 처리 및 소정의 성능 검사를 거쳐, 셀의 교환을 행하지 않고 재이용된다.
부분 재이용에서는, 차량으로부터 회수된 세트 전지가 소정의 리유스 단위(reuse unit)(예를 들면, 모듈 또는 셀)로 해체된다. 이에 의해, 복수의 리유스 단위가 얻어진다.
파츠 이용에서는, 세트 전지의 해체에 의해 얻은 상기 복수의 리유스 단위에 소정의 출하 검사를 행하고, 출하 검사를 통과한 리유스 단위가 출하된다.
리빌트에서는, 세트 전지의 해체에 의해 얻은 상기 복수의 리유스 단위 중 재이용 가능한 리유스 단위를 이용하여, 세트 전지가 제조된다. 예를 들면, 재이용 가능한 복수의 리유스 단위를 조합하여, 새로운 세트 전지가 제조된다. 또는, 세트 전지의 일부가 재이용 가능한 리유스 단위로 교환되어, 세트 전지가 재구축된다. 이렇게 제조된 세트 전지(즉, 리빌트품)는 출하 검사를 거쳐 출하된다.
자원 리사이클에서는, 차량으로부터 회수된 세트 전지가 전지 재료로 분해되고, 세트 전지로부터 재생 가능한 재료가 취출된다.
도 1은, 본 개시의 실시형태에 있어서의, 전지팩의 회수부터 제조·판매까지의 물류의 일 태양을 나타내는 도이다. 이하에서는, 도 1에 나타내어지는 물류의 태양을 「전지 물류 모델」이라고 한다.
도 1을 참조하여, 이 전지 물류 모델은, 전지 관리 업자(30)(이하, 간단히 「관리 업자(30)」라고도 함), 전지팩 제조 업자(34)(이하, 간단히 「제조 업자(34)」라고도 함), 판매점(35), 리사이클 업자(36), 및 이하에 설명하는 전지 관리 시스템에 의해 구축된다.
도 2는, 이 실시형태에 관련되는 전지 관리 시스템에 있어서 구축되는 통신 네트워크의 예를 나타내는 도이다. 도 2를 참조하여, 전지 관리 시스템(1)은, 차량(10)과, 관리 서버(20)와, 단말(40, 44, 45)과, 통신 네트워크(50)를 포함한다. 차량(10), 관리 서버(20) 및 단말(40, 44, 45)은, 통신 네트워크(50)를 개재하여 서로 통신 가능하게 구성된다. 통신 네트워크(50)는, 인터넷과 기지국에 의해 구축되는 네트워크여도 된다. 통신 네트워크(50)는 기지국(51)을 포함한다. 차량(10)은, 통신 네트워크(50)의 기지국(51)과 무선 통신에 의해 정보의 수수(授受)가 가능하게 구성된다. 도 2에는 1대의 차량(10)만을 도시하고 있지만, 전지 관리 시스템(1)에는, 복수의 차량(예를 들면, 도 1에 나타내는 차량(60-1, 60-2, 60-3, …))이 포함된다. 관리 서버(20)는, 미리 등록된 모든 차량과 통신 가능하게 구성된다. 단말(40, 44, 45)은, 각각 도 1에 나타내어지는 관리 업자(30), 제조 업자(34), 판매점(35)의 단말이다.
도 1에 나타내어지는 관리 업자(30)는, 차량(60-1, 60-2, 60-3, …)으로부터 사용이 끝난 전지팩을 회수한다. 차량(60-1, 60-2, 60-3, …)은, 각각 전지팩(62-1, 62-2, 62-3, …)을 탑재하고 있고, 각 전지팩은, 복수의 모듈로 구성되는 세트 전지를 포함하여 구성된다. 관리 업자(30)는, 차량(10)으로부터 회수된 사용이 끝난 전지팩을 판매점(35)으로부터 수취해도 된다.
도 3은, 관리 업자(30)가 차량으로부터 전지팩을 회수한 후에 행하는 작업의 일례를 나타내는 플로우 차트이다.
도 1 및 도 2와 함께 도 3을 참조하여, 관리 업자(30)는, 단계(이하, 간단히 「S」라고도 표기함) 11에 있어서, 차량으로부터 회수한 전지팩으로부터 세트 전지를 취출하고, 세트 전지를 해체하여 리유스 단위를 회수한다. 리유스 단위는, 셀이어도 되고, 몇 개의 셀이 합쳐진 모듈이어도 된다. 이 실시형태에서는, 리유스 단위를 모듈(MDL)로 한다.
S12에서는, 관리 업자(30)가, 상기 세트 전지의 해체에 의해 얻은 복수의 리유스 단위(즉, 복수의 모듈)의 각각의 잔존 방전을 행한다. 이에 의해, 리유스 단위의 각 셀은, 빈 상태(즉, 실질적으로 전기를 축적하고 있지 않은 상태)가 된다.
S13에서는, 관리 업자(30)가, 상기 잔존 방전이 행해진 복수의 리유스 단위(즉, 복수의 모듈)를 소정의 보관 장소(예를 들면, 후술하는 도 4에 나타내는 보관고(500))에 보관한다. 관리 업자(30)는, 보관하는 모듈마다 당해 모듈을 특정하기 위한 ID(이하, 「M-ID」라고도 함)를 부여한다. 단말(40)에 있어서는, 관리 업자(30)가 보관하는 각 모듈의 정보가 M-ID와 연결시켜져 관리되고 있다. 관리 업자(30)는, 단말(40)을 이용하여 M-ID 및 모듈 정보를 관리 서버(20)에 송신한다. 또한, 도 1에는 관리 업자(30)만을 나타내고 있지만, 전지 관리 업자는 거점마다 존재한다. 각 거점의 전지 관리 업자가 관리하는 모듈 정보는, 각 거점의 전지 관리 업자로부터 관리 서버(20)에 집약된다. 관리 서버(20)는, 각 거점의 전지 관리 업자가 관리하는 모듈 정보를 거점마다(즉, 전지 관리 업자마다) 구별하여 일괄 관리하고 있다.
상기 S11∼S13은 차량마다 행해진다. 이에 의해, 복수의 모듈이 빈 상태(즉, 실질적으로 전기를 축적하고 있지 않은 상태)로 보관된다. 복수의 차량의 각각으로부터 회수한 복수의 모듈을 빈 상태로 보관함으로써 보관 중의 모듈 열화를 억제할 수 있다. 관리 업자(30)는, 상기 S12의 전에 성능 회복 처리를 상기 리유스 단위로 실시해도 된다. 성능 회복 처리는, 회복 가능한 전지의 성능 저하(예를 들면, 하이레이트 열화 또는 부속 부품의 불량)를 회복하기 위한 처리이다. 성능 회복 처리는, 하이레이트 열화를 회복시키기 위한 충전 또는 방전이어도 되고, 부속 부품의 교환이어도 된다.
다시 도 1 및 도 2를 참조하여, 관리 업자(30)는, 보관 중의 리유스 단위(이 실시형태에서는, 모듈)의 성능 검사를 행하고, 검사 결과에 따라 리유스 단위를 분별한다. 이 실시형태에서는, 성능 검사로서, 만충전 용량의 추정이 행해진다. 리유스 단위의 분별에 따라, 리유스 단위의 용도가 결정된다. 용도의 구분 방법은 임의이며, 예를 들면, 파츠 이용/리빌트/자원 리사이클과 같은 구분 방법이어도 되고, 자동차용 전지/정치용(定置用) 전지와 같은 구분 방법이어도 된다. 또한, 자동차용 전지를 추가로 대형차용 전지/소형차용 전지와 같이 분류해도 되고, 정치용 전지를 추가로 가정용 전지/빌딩용 전지/점포용 전지/공장용 전지와 같이 분류해도 된다. 정치용 전지는, 재생 가능 에너지(예를 들면, 태양 에너지)의 수급 조정에 이용되어도 된다.
관리 업자(30)에 의해 「자원 리사이클」로 분별된 리유스 단위(이 실시형태에서는, 모듈)는, 관리 업자(30)로부터 리사이클 업자(36)에게 보내진다. 리사이클 업자(36)는, 관리 업자(30)로부터 수취한 리유스 단위를 전지 재료로 분해함으로써, 새로운 셀 또는 기타 제품의 원료로서 이용하기 위한 재자원화를 행한다.
관리 업자(30)에 의해 「리빌트」로 분별된 리유스 단위(이 실시형태에서는, 모듈)는, 관리 업자(30)로부터 제조 업자(34)에게 보내진다. 제조 업자(34)는, 관리 업자(30)로부터 수취한 리유스 단위를 이용하여 세트 전지를 제조함과 함께, 제조된 세트 전지를 전지팩에 탑재한다. 또한, 제조 업자(34)는, 세트 전지에 대하여 부속 부품(예를 들면, 구속판, 센서, 및 릴레이)을 장착함으로써, 전지팩을 완성시킨다.
제조 업자(34)에 의해 제조된 세트 전지를 포함하는 전지팩은, 제조 업자(34)로부터 판매점(35)에 보내진다. 판매점(35)은, 전지팩을 판매하거나, 전지팩을 탑재한 신차를 판매하거나, 차량에서 사용된 세트 전지의 리빌트(재구축)의 주문을 접수한다.
판매점(35)은, 차량마다 당해 차량을 특정하기 위한 ID(이하, 「차량 ID」라고도 함)를 부여하고, 단말(45)에 있어서, 각 차량의 정보를 차량 ID와 연결시켜서 관리하고 있다. 차량의 정보에는, 각 차량에 탑재된 통신기기의 통신 어드레스가 포함된다. 판매점(35)은, 단말(45)을 이용하여 차량 ID 및 각 차량의 정보를 관리 서버(20)에 송신한다. 또한, 도 1에는 판매점(35)만을 나타내고 있지만, 판매점은 거점마다 존재한다. 각 거점의 판매점이 관리하는 차량의 정보는, 각 거점의 판매점 및 각 차량으로부터 관리 서버(20)에 집약된다. 관리 서버(20)는, 각 거점의 판매점이 관리하는 차량의 정보를 거점마다(즉, 판매점마다) 구별하여 일괄 관리하고 있다.
도 1에 나타내어지는 전지 물류 모델에 있어서, 전지팩의 상태가 좋지 않음을 느낀 차량(10)의 이용자가, 판매점(35)에 차량(10)을 반입하여 전지팩의 수리를 의뢰한 경우에는, 예를 들면 다음과 같은 순서로 전지팩의 수리가 행해진다.
차량(10)의 이용자는 판매점(35)에 차량(10)을 넘긴다. 판매점(35)은, 차량(10)에 차량 ID를 부여한다. 단, 이미 차량(10)에 차량 ID가 부여되어 있는 경우에는, 차량 ID의 부여는 생략된다. 판매점(35)은, 차량(10)에 탑재된 세트 전지에 관하여 전부 재이용이 가능한지의 여부를 판단한다.
전부 재이용이 가능하다고 판단된 경우에는, 판매점(35)은, 셀의 교환을 행하지 않고, 성능 회복 처리에 의해 세트 전지를 회복시킨다. 성능 회복 처리가 실시된 세트 전지는, 성능 검사를 거쳐, 차량(10)에 탑재된다.
전부 재이용이 불가능이라고 판단된 경우에는, 판매점(35)은, 세트 전지의 리빌트를 제조 업자(34)에게 발주한다. 이 때, 판매점(35)은, 차량(10)으로부터 회수한 전지팩을 차량 ID와 함께 제조 업자(34)에게 송부한다. 제조 업자(34)는, 리빌트에 필요한 리유스 단위(이 실시형태에서는, 모듈)를 관리 업자(30)에게 요구하고, 그 리유스 단위를 관리 업자(30)로부터 수취한다. 그리고, 제조 업자(34)는, 수취한 리유스 단위를 이용하여 세트 전지의 리빌트를 행한다. 제조된 세트 전지(즉, 리빌트품)를 포함하는 전지팩은, 차량(10)이 반입된 판매점(35)에 배송되고, 성능 검사를 거쳐, 판매점(35)에 있어서 차량(10)에 탑재된다.
도 1에서는, 관리 업자(30), 제조 업자(34), 및 판매점(35)을, 서로 개별의 업자로 했지만, 업자의 구분은 이에 한정되는 것은 아니다. 예를 들면, 관리 업자(30)와 제조 업자(34)와 판매점(35)이 하나의 업자여도 된다.
이 실시형태에 관련되는 전지 관리 시스템은, 관리 업자(30)의 거점에 설치된다. 전지 관리 시스템은, 이차전지의 정보를 관리하도록 구성된다. 상세는 후술하지만, 이 실시형태에 관련되는 전지 관리 시스템은, 학습된 뉴럴 네트워크를 이용하여, 이차전지의 만충전 용량을 추정하도록 구성된다. 도 4는, 이 실시형태에 관련되는 전지 관리 시스템의 개요를 나타내는 도이다.
도 1 및 도 2와 함께 도 4를 참조하여, 이 실시형태에 관련되는 전지 관리 시스템은, 이차전지의 정보를 취득하는 분석 장치와, 이차전지를 보관하는 보관고(500)를 구비한다. 분석 장치는, 측정 장치(100)와, 전지 관리 장치(200)와, 전원 장치(510)와, 충방전기(520)와, 센서 모듈(530)을 포함하여 구성된다. 이 실시형태에서는, 측정 장치(100), 전원 장치(510), 충방전기(520), 및 센서 모듈(530)이 보관고(500) 내에 설치되고, 전지 관리 장치(200)가 보관고(500)의 외측에 설치되어 있다. 전지 관리 장치(200)는, 예를 들면 도 2에 나타낸 단말(40)에 탑재된다. 보관고(500) 내에는, 추가로, 복수의 자동 방전 장치(540)와, 온도 관리 장치(550)가 설치되어 있다.
전원 장치(510)는, 충방전기(520)와 복수의 자동 방전 장치(540)의 각각과 전기적으로 접속되어 있다. 또한, 전원 장치(510)는 축전 장치를 포함한다. 관리 업자(30)는, 도 3의 S12에 있어서, 차량으로부터 회수된 모듈(M)을 자동 방전 장치(540)에 세팅한다. 이 작업은, 이용자가 스스로 행해도 되고, 전지 관리 장치(200)로부터의 지시 또는 소정의 프로그램에 따라서 로봇이 행해도 된다. 자동 방전 장치(540)는, 모듈(M)이 세팅되면, 자동적으로 모듈(M)의 잔존 방전(즉, 모듈(M)이 빈 상태가 될 때까지의 방전)을 행하도록 구성된다. 각 자동 방전 장치(540)에 세팅된 각 모듈(M)로부터 방전되는 전력은 전원 장치(510)에 출력되고, 축전 장치에 축적된다. 이러한 구성에 의하면, 도 3의 S12(잔존 방전) 및 S13(전지 보관)을 동시에 행하는 것(나아가서는, 공정 시간을 단축하는 것)이 가능해진다. 온도 관리 장치(550)는, 보관고(500) 내의 온도를 측정하면서 보관고(500) 내의 온도를 설정값으로 조정하도록 구성된다. 온도 관리 장치(550)는, 보관고(500) 내의 공기 조화를 행하도록 구성되어도 된다. 보관고(500) 내의 온도는, 온도 관리 장치(550)에 의해 소정의 온도(예를 들면, 약 25℃)로 유지된다.
전원 장치(510)는, 충방전기(520)에 전력을 공급하도록 구성된다. 전원 장치(510)는, 전력 계통(즉, 전기 사업자가 제공하는 전력망)에 접속되고, 전력 계통으로부터 공급되는 전력에 소정의 전력 변환을 행하며, 변환 후의 전력을 충방전기(520)에 공급하도록 구성되어도 된다.
관리 업자(30)는, 이차전지의 출하 전에, 분석 장치에 의해 이차전지의 성능 검사를 행한다. 관리 업자(30)는, 빈 상태로 보관되어 있는 복수의 모듈(M) 중, 출하 예정의 모듈(MD)(대상 전지)을 충방전기(520)에 접속한다. 이 작업은, 이용자가 스스로 행해도 되고, 전지 관리 장치(200)로부터의 지시 또는 소정의 프로그램에 따라서 로봇이 행해도 된다. 충방전기(520)는, 전원 장치(510)로부터 공급되는 전력을 이용하여, 모듈(MD)에 대하여 정전류 충전을 행하도록 구성된다. 보다 구체적으로는, 충방전기(520)는, 전원 장치(510)로부터 공급되는 전력을 정전류 충전에 적합한 전력으로 변환하고, 변환된 전력을 모듈(MD)에 공급함으로써, 일정한 전류값으로 모듈(MD)의 충전을 행하도록 구성된다.
충방전기(520)는, 전원 장치(510)로부터 모듈(MD)까지의 전력 경로의 접속/차단을 전환하는 릴레이와, 전력 변환 회로(모두 도시 생략)를 포함하여 구성된다. 전력 변환 회로는, 정류 회로, PFC(Power Factor Correction) 회로, 절연 회로(예를 들면, 절연 트랜스), DC/DC 컨버터, 인버터, 및 필터 회로의 적어도 1개를 포함해도 된다. 충방전기(520)에 포함되는 릴레이 및 전력 변환 회로의 각각은, 측정 장치(100)의 제어 장치(110)에 의해 제어된다. 충방전기(520)는, 제어 장치(110)로부터의 지시에 따라서, 모듈(MD)의 충전을 행하도록 구성된다. 또한, 충방전기(520)는, 제어 장치(110)로부터의 지시에 따라서, 모듈(MD)의 방전을 행하고, 모듈(MD)로부터 출력되는 전력을 전원 장치(510)에 출력하도록 구성된다.
센서 모듈(530)은, 충방전기(520)에 접속된 모듈(MD)의 상태(예를 들면, 전압, 전류, 및 온도)를 검출하는 각종 센서를 포함하고, 검출 결과를 측정 장치(100)에 출력한다. 센서 모듈(530)의 출력은, 측정 장치(100)의 제어 장치(110)에 입력된다. 제어 장치(110)는, 센서 모듈(530)의 출력에 기초하여, 모듈(MD)의 상태(예를 들면, 온도, 전류, 전압, SOC, 및 내부 저항)를 취득할 수 있다.
측정 장치(100)는, 제어 장치(110), 기억 장치(120), 및 통신 장치(130)를 구비한다. 전지 관리 장치(200)는, 제어 장치(210), 기억 장치(220), 통신 장치(230), 입력 장치(240), 및 표시 장치(250)를 구비한다. 제어 장치(110 및 210)의 각각으로서는, 프로세서 및 RAM(Random Access Memory)을 포함하는 마이크로 컴퓨터를 채용할 수 있다. 프로세서로서는, CPU(Central Processing Unit)를 채용할 수 있다. 기억 장치(120 및 220)의 각각은, 예를 들면 ROM(Read Only Memory) 및 고쳐 쓰기 가능한 불휘발성 메모리를 포함한다. 기억 장치(120 및 220)의 각각에는, 프로그램 외에, 프로그램에서 사용되는 정보(예를 들면, 맵, 수식, 및 각종 파라미터)가 기억되어 있다. 또한, 측정 장치(100) 및 전지 관리 장치(200)의 각각이 구비하는 프로세서의 수는 임의이고, 소정의 제어마다 프로세서가 준비되어도 된다.
통신 장치(130 및 230)의 각각은, 소정의 통신 I/F(인터페이스)를 포함하여 구성된다. 측정 장치(100)와 전지 관리 장치(200)는, 통신 장치(130 및 230)를 개재하여, 서로 통신 가능하게 구성된다. 통신 방식은 유선 및 무선 중 어느 것이어도 된다.
입력 장치(240)는, 이용자로부터의 입력을 접수하는 장치이다. 입력 장치(240)는, 이용자에 의해 조작되고, 이용자의 조작에 대응하는 신호를 제어 장치(210)에 출력한다. 예를 들면, 이용자는, 입력 장치(240)를 통해, 소정의 지시 또는 요구를 제어 장치(210)에 입력하거나, 파라미터의 값을 제어 장치(210)에 설정할 수 있다. 통신 방식은 유선이어도 무선이어도 된다. 입력 장치(240)로서는, 각종 포인팅 디바이스(마우스, 터치패드 등), 키보드, 또는 터치 패널을 채용할 수 있다. 또한, 입력 장치(240)는, 휴대 기기(예를 들면, 노트북, 스마트폰, 또는 웨어러블 디바이스)의 조작부여도 된다.
표시 장치(250)는, 제어 장치(210)로부터 입력되는 정보를 표시하도록 구성된다. 제어 장치(210)는, 표시 장치(250)를 통해 이용자에게 정보를 통지할 수 있다. 표시 장치(250)의 예로서는, CRT(Cathode Ray Tube) 디스플레이, 액정 디스플레이(LCD), 터치 패널 디스플레이를 들 수 있다. 표시 장치(250)는, 휴대 기기의 표시부여도 된다. 표시 장치(250)는 스피커 기능을 구비하고 있어도 된다.
제어 장치(110)는, 충방전 제어부(111)와, 정보 관리부(112)를 포함한다. 이들 각 부는, 예를 들면, 프로세서와, 프로세서에 의해 실행되는 프로그램에 의해 구체화된다. 단 이에 한정되지 않고, 이들 각 부는, 전용의 하드웨어(전자 회로)에 의해 구체화되어도 된다.
충방전 제어부(111)는, 충방전기(520)를 제어함으로써, 충방전기(520)에 접속된 모듈(MD)의 충전 및 방전을 제어하도록 구성된다. 이 실시형태에서는, 충방전 제어부(111)가, 충방전기(520)를 제어함으로써 모듈(MD)의 정전류 충전을 행하고, 모듈(MD)의 CCV 충전 파형(즉, 모듈(MD)의 정전류 충전 중의 CCV의 추이를 나타내는 파형)을 취득하도록 구성된다. 정보 관리부(112)는, 센서 모듈(530)의 검출 결과를 수신하도록 구성된다. 모듈(MD)의 정전류 충전 중에 있어서, 센서 모듈(530)은, 모듈(MD)의 전압(즉, CCV)을 차례로 검출하고, 검출된 CCV를 정보 관리부(112)에 차례로 출력한다. 정보 관리부(112)에는, 상기 CCV 충전 파형이 입력된다. 이 실시형태에서는, 전류값(2A)의 조건에서 모듈(MD)의 정전류 충전이 행해지도록, 충방전 제어부(111)가 충방전기(520)를 제어한다. 이에 의해, 모듈(MD)의 초기 충전의 CCV 충전 파형이, 정보 관리부(112)에 입력된다. 또한, 정전류 충전의 조건(예를 들면, 전류값)은, 상기에 한정되지 않고 임의로 설정할 수 있다.
정보 관리부(112)는, 센서 모듈(530)의 출력에 기초하여, 리얼타임으로 모듈(MD)의 CCV를 검출함과 함께, 모듈(MD)의 CCV의 추이를 나타내는 CCV 충전 파형을 기억 장치(120)에 기록한다. 정보 관리부(112)는, CCV 충전 파형의 취득이 종료하면, 기억 장치(120)에 기록된 CCV 충전 파형을 이용하여, 검사용 화상 데이터를 작성하고, 작성된 검사용 화상 데이터를 기억 장치(120)에 보존한다. 검사용 화상 데이터는, 미리 정해진 픽셀수의 영역에 CCV 충전 파형이 그려진 화상에 있어서의 픽셀마다의 수치를 나타내는 데이터이고, 후술하는 학습된 뉴럴 네트워크의 입력 데이터에 상당한다. 검사용 화상 데이터의 그래프 서식 및 화상 포맷은, 후술하는 학습용 화상(도 6 참조)과 동일하다. 이 실시형태에 관련되는 충방전 제어부(111), 정보 관리부(112), 전원 장치(510), 충방전기(520), 및 센서 모듈(530)은, 본 개시에 관련되는 「충전 장치」의 일례에 상당한다. 이 실시형태에 관련되는 정보 관리부(112)는, 본 개시에 관련되는 「제 1 작성 장치」의 일례에 상당한다.
제어 장치(210)는, 정보 관리부(211)와, 용량 추정부(212)와, 분별부(213)를 포함한다. 이들 각 부는, 예를 들면, 프로세서와, 프로세서에 의해 실행되는 프로그램에 의해 구체화된다. 단 이에 한정되지 않고, 이들 각 부는, 전용의 하드웨어(전자 회로)에 의해 구체화되어도 된다.
정보 관리부(211)는, 측정 장치(100)로부터 모듈(MD)의 검사용 화상 데이터를 취득하도록 구성된다. 측정 장치(100)의 제어 장치(110)는, 예를 들면 이용자로부터의 요구에 따라 상기와 같이 모듈(MD)의 검사용 화상 데이터를 작성하고, 작성된 검사용 화상 데이터를, 통신 장치(130 및 230)를 개재하여 제어 장치(210)에 송신한다. 그리고, 제어 장치(110)로부터 제어 장치(210)에 송신된 검사용 화상 데이터를, 정보 관리부(211)가 수신한다.
용량 추정부(212)는, 모듈(MD)에 관하여 취득된 검사용 화상 데이터를 학습된 뉴럴 네트워크의 입력층에 입력함으로써, 모듈(MD)의 만충전 용량을 추정하도록 구성된다. 학습된 뉴럴 네트워크는, 기억 장치(220)에 기억되어 있다. 분별부(213)는, 용량 추정부(212)에 의해 추정된 모듈(MD)의 만충전 용량을 이용하여, 모듈(MD)의 용도를 결정하도록 구성된다. 이 실시형태에 관련되는 용량 추정부(212), 분별부(213)는, 각각 본 개시에 관련되는 「추정 장치」, 「분별 장치」의 일례에 상당한다.
도 5는, 뉴럴 네트워크의 학습에 관하여 설명하기 위한 도이다. 도 5를 참조하여, 미학습 뉴럴 네트워크에 적절한 학습을 행함으로써, 학습된 뉴럴 네트워크가 얻어진다. 이 실시형태에서는, 관리 업자(30)가, 미학습 뉴럴 네트워크에 교사가 있는 기계 학습을 행함으로써, 학습된 뉴럴 네트워크를 얻는다. 이 실시형태에 있어서, 미학습 뉴럴 네트워크는, 범용의 기계 학습 알고리즘이고, 학습된 뉴럴 네트워크는, 이차전지의 만충전 용량을 추정하는 추정 모델로서 기능한다.
뉴럴 네트워크는, 입력층(x)과 숨김층(y)과 출력층(z)을 구비한다. 입력층(x)에는, 학습용 화상 및 검사용 화상 데이터의 각각이 입력된다. 입력층(x)은, 학습용 화상(나아가서는, 검사용 화상 데이터)의 픽셀수에 대응하는 수(N개)의 노드를 포함하여 구성된다. 출력층(z)의 노드수는, 필요한 출력수에 따라 결정된다. 예를 들면, 출력층(z)의 노드수가 101개이면, 출력층(z)은, 0Ah∼10Ah의 범위에서 0.1Ah 단위로 만충전 용량의 추정 결과를 출력하거나, 15Ah∼25Ah의 범위에서 0.1Ah 단위로 만충전 용량의 추정 결과를 출력하거나, 0Ah∼20Ah의 범위에서 0.2Ah 단위로 만충전 용량의 추정 결과를 출력하는 것이 가능해진다. 출력층(z)의 노드수는 임의로 설정할 수 있지만, 이 실시형태에서는, 출력층(z)의 노드수를 71개로 한다.
본원 발명자는, CCV 충전 파형 및 CCV 방전 파형의 각각과 만충전 용량이 상관하는 것에 착안했다. CCV 충전 파형은, 이차전지의 정전류 충전 중의 CCV의 추이를 나타내는 CCV 파형이다. CCV 방전 파형은, 이차전지의 정전류 방전 중의 CCV의 추이를 나타내는 CCV 파형이다.
이 실시형태에서는, 교사 데이터로서, 이차전지의 CCV 충전 파형을 소정의 그래프 서식 및 화상 포맷으로 표현한 학습용 화상(이하, 「CCV 충전 파형의 학습용 화상」이라고도 함)과, 정해(正解) 데이터(즉, 이차전지의 만충전 용량의 실측 데이터)를 이용하여, 미학습 뉴럴 네트워크에 교사가 있는 기계 학습을 행한다. 이에 의해, CCV 충전 파형의 화상 데이터(보다 특정적으로는, CCV 충전 파형의 학습용 화상과 동일한 그래프 서식 및 화상 포맷으로 표현된 화상 데이터)를 입력 데이터로 하여 높은 정밀도로 이차전지의 만충전 용량을 추정할 수 있는 학습된 뉴럴 네트워크가 얻어진다. 또한, 이 실시형태에서는, 교사 데이터로서, 이차전지의 CCV 방전 파형을 소정의 그래프 서식 및 화상 포맷으로 표현한 학습용 화상(이하, 「CCV 방전 파형의 학습용 화상」이라고도 함)과, 정해 데이터(즉, 이차전지의 만충전 용량의 실측 데이터)를 이용하여, 미학습 뉴럴 네트워크에 교사가 있는 기계 학습을 행한다. 이에 의해, CCV 방전 파형의 화상 데이터(보다 특정적으로는, CCV 방전 파형의 학습용 화상과 동일한 그래프 서식 및 화상 포맷으로 표현된 화상 데이터)를 입력 데이터로 하여 높은 정밀도로 이차전지의 만충전 용량을 추정할 수 있는 학습된 뉴럴 네트워크가 얻어진다.
도 6은, 뉴럴 네트워크의 학습에서 이용되는 학습용 화상의 일례를 나타내는 도이다. 도 6에 나타내어지는 학습용 화상은, 미리 정해진 픽셀수의 영역에 CCV 방전 파형이 그려진 화상에 있어서의 픽셀마다의 수치(즉, 화소값)를 나타내는 데이터이다. 이하, CCV 파형이 그려지는 상기 영역을, 「화상 영역」이라고도 한다. 화상 영역의 픽셀수는, 예를 들면 약 12000이다. 화상 영역의 일례에서는, 세로의 픽셀수가 약 60, 가로의 픽셀수가 약 200이다. 도 6에 나타내어지는 학습용 화상에서는, 흑백의 농담(백∼흑)이 그레이 스케일의 256계조(0∼255)로 나타내어져 있다. 화소값 0은 백을 나타내고, 화소값 255는 흑을 나타낸다. 화상 영역의 각 화소값은, 0∼255 중의 어느 값을 취하고, 픽셀이 흑에 가까워질수록 픽셀의 화소값은 커진다. 이 학습용 화상에 있어서, 가로축은 시간, 세로축은 CCV를 나타내고 있고, 실측 데이터(예를 들면, 도 4에 나타낸 센서 모듈(530)의 검출값)에 가까운 위치의 픽셀일수록 화소값은 커진다. 가로축에 있어서의 동일 시각의 CCV는, 예를 들면 2∼3개의 픽셀로 표현된다. 이러한 그래프 서식 및 화상 포맷에 의하면, 적은 픽셀수로도 높은 정밀도로 CCV 파형(즉, CCV의 추이)을 표현할 수 있다.
상기에서는, 도 6에 나타낸 CCV 방전 파형의 학습용 화상의 일례를 참조하여, 학습용 화상의 그래프 서식 및 화상 포맷에 관하여 설명했다. CCV 방전 파형의 학습용 화상과 CCV 충전 파형의 학습용 화상에서는, 화상 영역에 그려지는 CCV 파형이 상이할 뿐, 그래프 서식 및 화상 포맷은 동일하다. 이 때문에, CCV 충전 파형의 학습용 화상의 도시는 생략한다.
도 7은, 리튬 이온 전지에 관하여 측정된 4개의 CCV 충전 파형(즉, 정전류 충전 시의 CCV 파형)을 나타내는 도이다. 리튬 이온 전지의 만충전 용량은, 리튬 이온 전지의 열화가 진행될수록 저하한다. 본원 발명자는, 초기 용량 21Ah의 비수계 전해액 리튬 이온 전지를 전동 차량에서 사용하여 열화시키면서, 리튬 이온 전지의 만충전 용량이 측정 포인트(20Ah, 19Ah, 18Ah, 17Ah)까지 열화한 타이밍에 리튬 이온 전지의 CCV 충전 파형을 측정했다. 도 7에 있어서, 선 L11, L12, L13, L14는, 각각 리튬 이온 전지의 만충전 용량이 20Ah, 19Ah, 18Ah, 17Ah가 된 시점에 측정된 CCV 충전 파형을 나타내고 있다. 도 7에 나타내어지는 바와 같이, CCV 충전 파형과 만충전 용량은 상관 관계를 가진다.
도 8은, 리튬 이온 전지에 관하여 측정된 4개의 CCV 방전 파형(즉, 정전류 방전 시의 CCV 파형)을 나타내는 도이다. 본원 발명자는, 초기 용량 21Ah의 비수계 전해액 리튬 이온 전지를 전동 차량에서 사용하여 열화시키면서, 리튬 이온 전지의 만충전 용량이 측정 포인트(20Ah, 19Ah, 18Ah, 17Ah)까지 열화한 타이밍에 리튬 이온 전지의 CCV 방전 파형을 측정했다. 도 8에 있어서, 선 L21, L22, L23, L24는, 각각 리튬 이온 전지의 만충전 용량이 20Ah, 19Ah, 18Ah, 17Ah가 된 시점에 측정된 CCV 방전 파형을 나타내고 있다. 도 8에 나타내어지는 바와 같이, CCV 방전 파형과 만충전 용량은 상관 관계를 가진다.
다시 도 5를 참조하여, 전술한 교사 데이터를 이용하여 뉴럴 네트워크의 교사가 있는 기계 학습을 행함으로써, 뉴럴 네트워크의 목표 출력과 실제의 출력이 일치하도록, 입력층(x)과 숨김층(y)의 사이의 가중치(W1)와, 숨김층(y)과 출력층(z)의 사이의 가중치(W2)가 조정된다. 교사 신호에 의한 가중치(W1, W2)의 조정을 반복함으로써, 뉴럴 네트워크의 용량 추정 정밀도를 높일 수 있다.
본원 발명자는, 초기 용량 7Ah의 니켈 수소 전지에 관하여 CCV 충전 파형의 화상 데이터로부터 만충전 용량을 추정하도록 학습된 학습이 끝난 뉴럴 네트워크(이하, 「제 1 학습된 NN」이라고도 함)와, 초기 용량 21Ah의 비수계 전해액 리튬 이온 전지에 관하여 CCV 방전 파형의 화상 데이터로부터 만충전 용량을 추정하도록 학습된 학습이 끝난 뉴럴 네트워크(이하, 「제 2 학습된 NN」이라고도 함)의 각각에 관하여, 이하에 설명하는 방법으로 용량 추정 정밀도를 평가했다.
본원 발명자는, 각 학습된 NN에 관하여 336개의 평가용 데이터를 준비했다. 제 1 학습된 NN을 평가하기 위한 평가용 데이터로서는, 초기 용량 7Ah의 니켈 수소 전지의, CCV 충전 파형의 평가용 화상 및 정해 데이터(즉, 만충전 용량의 실측값)를 준비했다. 제 2 학습된 NN을 평가하기 위한 평가용 데이터로서는, 초기 용량 21Ah의 비수계 전해액 리튬 이온 전지의, CCV 방전 파형의 평가용 화상 및 정해 데이터(즉, 만충전 용량의 실측값)를 준비했다. 본원 발명자는, 평가용 화상을 학습된 NN(즉, 제 1 학습된 NN 또는 제 2 학습된 NN)에 입력하고, 학습된 NN의 출력값(즉, 만충전 용량의 추정값)을 얻었다. 본원 발명자는, 학습된 NN의 출력값과 만충전 용량의 실측값의 차의 절대값(이하, 「절대 오차」라고 함)을 산출했다. 본원 발명자는, 평가용 데이터마다 절대 오차를 산출하여, 336개의 절대 오차를 얻었다. 본원 발명자는, 336개의 절대 오차 중 0.5Ah 이하인 절대 오차의 개수 비율(이하, 「평가 결과 A」라고도 함)을 구했다. 또한, 336개의 절대 오차의 평균값(이하, 「평가 결과 B」라고도 함)을 구했다. 상기 평가에서는, 2개의 관점에서 학습된 NN의 용량 추정 정밀도가 평가된다. 평가 결과 A가 높을수록, 또한, 평가 결과 B가 작을수록, 학습된 NN의 용량 추정 정밀도는 높다고 평가된다.
도 9는, 제 1 학습된 NN의 평가 결과를 나타내는 도이다. 도 9를 참조하여, 제 1 학습된 NN의 평가에서는, 평가 결과 A가 88.54%, 평가 결과 B가 0.22Ah였다. 이와 같이, 제 1 학습된 NN을 이용함으로써, 이차전지(보다 특정적으로는, 초기 용량 7Ah의 니켈 수소 전지)의 만충전 용량을 높은 정밀도로 추정할 수 있었다.
도 10은, 제 2 학습된 NN의 평가 결과를 나타내는 도이다. 도 10을 참조하여, 제 2 학습된 NN의 평가에서는, 평가 결과 A가 92.38%, 평가 결과 B가 0.21Ah였다. 이와 같이, 제 2 학습된 NN을 이용함으로써, 이차전지(보다 특정적으로는, 초기 용량 21Ah의 비수계 전해액 리튬 이온 전지)의 만충전 용량을 높은 정밀도로 추정할 수 있었다.
이 실시형태에서는, 미리 정해진 픽셀수의 영역에 이차전지의 CCV 충전 파형이 그려진 화상에 있어서의 픽셀마다의 수치를 나타내는 제 1 입력 데이터를 접수하는 입력층을 구비하고, 입력층에 제 1 입력 데이터가 입력되면, 이차전지의 만충전 용량을 출력하는 학습된 뉴럴 네트워크(이하, 「충전형 NN」이라고도 함)를 사용한다. 상술의 제 1 학습된 NN은, 충전형 NN의 일례에 상당한다. 단, 상술과 같은 학습에 의해, 미리 정해진 픽셀수의 영역에 이차전지의 CCV 방전 파형이 그려진 화상에 있어서의 픽셀마다의 수치를 나타내는 제 2 입력 데이터를 접수하는 입력층을 구비하고, 입력층에 제 2 입력 데이터가 입력되면, 이차전지의 만충전 용량을 출력하는 학습된 뉴럴 네트워크(이하, 「방전형 NN」이라고도 함)를 생성하는 것도 가능하다. 상술의 제 2 학습된 NN은, 방전형 NN의 일례에 상당한다. 방전형 NN을 이용하는 실시형태(변형례)에 관해서는 후술한다.
다시 도 4를 참조하여, 상술과 같이 뉴럴 네트워크의 학습을 행하여, 용량 추정 정밀도가 충분히 높아진 학습된 뉴럴 네트워크가 기억 장치(220)에 저장된다. 이 실시형태에서는, 복수의 학습된 뉴럴 네트워크가 기억 장치(220)에 기억되어 있다. 복수의 학습된 뉴럴 네트워크는, 전지 메이커 및 형번(型番)에 의해 구별되어 관리되고 있다(후술하는 도 11 참조). 전지의 제조 조건은, 전지 메이커에 따라 상이하다. 형번은, 전지의 구조(예를 들면, 치수, 형상, 및 재료) 및 초기 용량을 나타낸다. 복수의 전지에 관하여, 전지 메이커 및 형번이 동일한 것은, 전지의 구조, 초기 용량, 및 제조 조건이 대략 동일한 것을 의미한다. 각 학습된 뉴럴 네트워크는, 대응하는 전지 메이커 및 형번의 이차전지를 이용하여 학습된 뉴럴 네트워크이다. 기억 장치(220)에 기억되어 있는 복수의 학습된 뉴럴 네트워크의 각각은, 충전형 NN의 일례에 상당한다. 이하, 뉴럴 네트워크를 「NN」이라고 기재하는 경우가 있다.
기억 장치(220)에는, 전지 메이커 및 형번과, 학습된 NN을 연결시키는 정보(이하, 「NN 정보」라고도 함)가 기억되어 있다. 도 11은, NN 정보의 일례를 나타내는 도이다. 도 11을 참조하여, NN 정보에 의해, 전지 메이커 및 형번과, 학습된 NN(NX-1, NX-2, NY-1, …)이 연결시켜져 있다. 또한, 도 11에 나타내는 NN 정보는, 각 학습된 NN에 관한 정보(예를 들면, 학습 조건)를 포함한다. 학습 조건의 예로서는, 입력 데이터의 그래프 서식 및 화상 포맷, 학습 시의 충전 레이트, 학습 시의 온도를 들 수 있다.
다시 도 4를 참조하여, 기억 장치(220)에는, 보관고(500)에 보관되는 각 모듈(M)의 정보(이하, 「전지 정보」라고도 함)가 M-ID에 의해 구별되어 기억되어 있다. 도 12는, 전지 정보의 일례를 나타내는 도이다. 도 12를 참조하여, 전지 정보는, 예를 들면, 전지 메이커와, 형번과, 전지 재료(비수계 전해액 리튬 이온 전지, 니켈 수소 전지, 전고체 리튬 이온 전지, …)와, 초기 용량을 포함한다. 전지 정보는, 도 12에 나타내어지지 않는 정보(예를 들면, 전지의 치수 및 형상)를 더 포함해도 된다.
다시 도 4를 참조하여, 제어 장치(210)는, 이용자로부터의 요구에 따라, 표시 장치(250)에 NN 정보(예를 들면, 도 11 참조) 및 전지 정보(예를 들면, 도 12 참조) 중 적어도 일방을 표시시키도록 구성된다. 이용자는, 입력 장치(240)를 통해 제어 장치(210)에 지시함으로써, 기억 장치(220)에 기억되어 있는 각 학습된 NN의 정보와, 보관고(500)에 보관되어 있는 각 모듈(M)의 정보를 확인할 수 있다.
이용자는, 보관고(500)에 보관되는 복수의 모듈(M) 중의 어느 것을 출하할 때에, 그 출하되는 모듈(M)을 충방전기(520)에 접속한다. 충방전기(520)에 접속된 모듈(M)은, 모듈(MD)(대상 전지)이 된다. 이용자는, 모듈(MD)을 출하하기 전에, 입력 장치(240)를 통해 제어 장치(210)에 모듈(MD)의 분별을 요구한다. 이 때, 이용자는 모듈(MD)의 M-ID를 제어 장치(210)에 입력한다. 제어 장치(210)의 정보 관리부(211)는, 이용자로부터의 요구에 따라, 측정 장치(100)의 제어 장치(110)에 검사용 화상 데이터의 송신을 요구한다. 제어 장치(110)는, 정보 관리부(211)로부터의 요구에 따라, 충방전기(520)를 제어하여 모듈(MD)의 정전류 충전을 행하고, 센서 모듈(530)의 출력으로부터 검사용 화상 데이터를 작성하며, 작성된 검사용 화상 데이터를 정보 관리부(211)에 송신한다. 정보 관리부(211)는, 수신한 검사용 화상 데이터를 용량 추정부(212)에 보낸다.
용량 추정부(212)는, 기억 장치(220) 내의 전지 정보와, 이용자에 의해 입력된 상기 M-ID를 이용하여, 모듈(MD)의 전지 메이커 및 형번을 취득한다. 그리고, 용량 추정부(212)는, 기억 장치(220) 내의 NN 정보를 참조하여, 기억 장치(220)에 기억되어 있는 복수의 학습된 NN 중에서, 모듈(MD)의 전지 메이커 및 형번에 대응하는 1개의 학습된 NN을 선택한다. 이렇게 함으로써, 모듈(MD)에 맞는 학습된 NN이 선택된다. 그 후, 용량 추정부(212)는, 정보 관리부(211)로부터 수취한 모듈(MD)의 검사용 화상 데이터를, 상기와 같이 선택된 학습된 NN의 입력층에 입력함으로써, 모듈(MD)의 만충전 용량을 추정한다.
용량 추정부(212)에 의해 추정된 모듈(MD)의 만충전 용량(추정 결과)은, 용량 추정부(212)로부터 분별부(213)에 보내진다. 분별부(213)는, 그 추정 결과에 기초하여 모듈(MD)의 용도를 결정한다. 분별부(213)는, 결정한 용도를, 기억 장치(220) 내의 전지 정보에 기록함과 함께, 정보 관리부(211)에 보낸다. 정보 관리부(211)는, 모듈(MD)의 용도를 수취하면, 그 용도를 표시 장치(250)에 표시시킨다. 이용자는, 표시 장치(250)의 화면을 보고, 분별 결과(즉, 모듈(MD)의 용도)를 확인하고, 분별 결과에 따라서 모듈(MD)을 출하한다.
도 13은, 전지 관리 장치(200)의 정보 관리부(211)로부터의 요구에 따라 측정 장치(100)의 제어 장치(110)가 실행하는 처리를 나타내는 플로우 차트이다. 이 플로우 차트에 나타내어지는 처리는, 정보 관리부(211)가 후술하는 도 14의 S31에 있어서 제어 장치(110)에 검사용 화상 데이터의 송신을 요구하면, 개시된다.
도 4와 함께 도 13을 참조하여, S21에서는, 충방전 제어부(111)가 모듈(MD)의 정전류 충전을 개시한다. 정전류 충전의 조건(예를 들면, 충전 레이트)은, 미리 결정된 조건이어도 되고, 이용자에 의해 지정되어도 된다.
S221에서는, 정보 관리부(112)가, 정전류 충전 중의 센서 모듈(530)의 출력(모듈(MD)의 CCV를 포함함)을 취득하여 기억 장치(120)에 기록한다. S222에서는, CCV 충전 파형의 취득이 완료되었는지의 여부를, 정보 관리부(112)가 판단한다. CCV 충전 파형의 취득이 완료할 때까지의 기간(즉, S222에서 NO라고 판단되고 있는 기간)은, S221 및 S222가 반복 실행된다. 이 실시형태에서는, 모듈(MD)의 SOC가 소정 SOC값(예를 들면, 5%)을 넘으면, S222에 있어서 YES(CCV 충전 파형의 취득이 완료되었다)라고 판단되고, 처리가 S23으로 진행된다. 단, S222에 있어서의 판단 조건은 상기에 한정되지 않는다. 예를 들면, 정보 관리부(112)는, S21에서 정전류 충전을 개시하고 나서 소정 시간(예를 들면, 1200초)이 경과했을 때에, S222에 있어서 YES라고 판단해도 된다. 이 실시형태에서는, 도 13의 S21, S221, S222가, 본 개시에 관련되는 「제 1 단계」의 일례에 상당한다.
S23에서는, 정보 관리부(112)가, 기억 장치(120)에 기록된 CCV 충전 파형을 이용하여, 검사용 화상 데이터를 작성하고, 작성된 검사용 화상 데이터를 기억 장치(120)에 보존한다. 이 실시형태에서는, 도 13의 S23이, 본 개시에 관련되는 「제 2 단계」의 일례에 상당한다.
S24에서는, 정보 관리부(112)가, 상기 S23에서 작성된 검사용 화상 데이터를 전지 관리 장치(200)에 송신한다. 그 후, 정보 관리부(112)는, 전지 관리 장치(200)로부터 분별 결과(즉, 후술하는 도 14의 S37에 있어서 송신되는 분별 결과)를 수신할 때까지 S25에서 대기한다. S25에서 대기하고 있는 동안(즉, S25에서 NO라고 판단되고 있는 기간)도, S21에서 개시된 충전은 계속해서 행해진다. 이 실시형태에서는, S21에서 충전이 개시되고 나서 충전의 조건이 변경되지 않고 충전이 계속되지만, S222에 있어서 YES라고 판단된 타이밍에 충전의 조건이 변경되어도 된다. 예를 들면, 제어 장치(110)는, 충전 레이트를 크게 해도 된다.
정보 관리부(112)가 전지 관리 장치(200)로부터 분별 결과를 수신하면(S25에서 YES), 처리는 S26으로 진행된다. 이 실시형태에서는, 분별 결과에 따라 모듈(MD)이 파츠 이용/리빌트/자원 리사이클 중의 어느 것으로 분별된다. S26에서는, 모듈(MD)이 자원 리사이클로 분별되었는지의 여부를, 충방전 제어부(111)가 판단한다.
S26에 있어서 NO(모듈(MD)이 파츠 이용 또는 리빌트로 분별되었다)라고 판단되면, 충방전 제어부(111)는, S27에 있어서 충전의 완료 조건이 성립하는지의 여부를 판단한다. 충전의 완료 조건이 성립하지 않는 기간(즉, S27에서 NO라고 판단되고 있는 기간)에 있어서는, 충방전 제어부(111)는 모듈(MD)의 충전을 계속한다. 이 실시형태에서는, 모듈(MD)의 SOC가 용도(보다 특정적으로는, 후술하는 S36에서 결정된 용도)에 적합한 SOC(예를 들면, 만충전 상태에 상당하는 SOC)가 되면, S27에 있어서 YES(충전의 완료 조건이 성립했다)라고 판단되고, S28에 있어서, 충방전 제어부(111)가 모듈(MD)의 충전을 정지한다. S28의 처리가 행해짐으로써, 도 13의 일련의 처리는 종료한다.
S26에 있어서 YES(모듈(MD)이 자원 리사이클로 분별되었다)라고 판단되면, 충방전 제어부(111)는, 모듈(MD)의 충전을 정지하고, 충방전기(520)를 제어하여 모듈(MD)의 잔존 방전을 행한다. S29의 처리가 행해짐으로써, 도 13의 일련의 처리는 종료한다.
도 14는, 이용자로부터의 요구에 따라 전지 관리 장치(200)의 제어 장치(210)가 실행하는 처리를 나타내는 플로우 차트이다. 이 플로우 차트에 나타내어지는 처리는, 이용자가, 제어 장치(210)에 모듈(MD)의 M-ID를 입력함과 함께 모듈(MD)의 분별을 요구하면, 개시된다.
도 4와 함께 도 14를 참조하여, S31에서는, 정보 관리부(211)가, 모듈(MD)의 검사용 화상 데이터의 송신을 요구하는 신호를 측정 장치(100)에 송신한다. 그 후, 정보 관리부(211)는, 측정 장치(100)로부터 검사용 화상 데이터(즉, 도 13의 S24에 있어서 송신되는 검사용 화상 데이터)를 수신할 때까지 S32에서 대기한다.
정보 관리부(211)가 측정 장치(100)로부터 모듈(MD)의 검사용 화상 데이터를 수신하면(S32에서 YES), 처리는 S33으로 진행된다. S33에서는, 용량 추정부(212)가, 기억 장치(220) 내의 전지 정보와, 이용자에 의해 입력된 상기 M-ID를 이용하여, 모듈(MD)의 전지 메이커 및 형번을 취득한다. S34에서는, 용량 추정부(212)가, 기억 장치(220) 내의 NN 정보를 참조하여, 기억 장치(220)에 기억되어 있는 복수의 학습된 NN 중에서, 모듈(MD)의 전지 메이커 및 형번에 대응하는 1개의 학습된 NN을 선택한다. S35에서는, 용량 추정부(212)가, 측정 장치(100)로부터 수신한 모듈(MD)의 검사용 화상 데이터를, S34에서 선택된 학습된 NN의 입력층에 입력함으로써, 모듈(MD)의 만충전 용량을 추정한다.
도 15는, 학습된 NN을 이용한 만충전 용량의 추정의 개요를 나타내는 도이다. 도 15에 나타내는 바와 같이, 도 14의 S35에 있어서, 학습된 NN의 입력층에 모듈(MD)의 검사용 화상 데이터(입력 화상)가 입력되면, 학습된 NN의 출력층으로부터 모듈(MD)의 만충전 용량이 출력된다. 이 실시형태에서는, 도 14의 S35가, 본 개시에 관련되는 「제 3 단계」의 일례에 상당한다.
다시 도 4와 함께 도 14를 참조하여, S36에서는, 분별부(213)가, 상기 S35에서 추정된 모듈(MD)의 만충전 용량에 기초하여 모듈(MD)을 분별한다. 모듈(MD)은, 용도에 따라 분별된다. 그리고, 분별부(213)는, 분별 결과(즉, 모듈(MD)의 용도)를 기억 장치(220)에 보존한다.
상기 S36에 있어서, 분별부(213)는, 먼저, 모듈(MD)을 파츠 이용/리빌트/자원 리사이클 중의 어느 것으로 분별한다. 분별부(213)는, 예를 들면, 모듈(MD)의 만충전 용량이 제 1 문턱값 미만이면, 모듈(MD)의 용도를 「자원 리사이클」로 결정한다. 또한, 분별부(213)는, 모듈(MD)의 만충전 용량이 제 1 문턱값 이상 제 2 문턱값 미만이면, 모듈(MD)의 용도를 「가정용 전지(파츠 이용)」로 결정하고, 모듈(MD)의 만충전 용량이 제 2 문턱값 이상 제 3 문턱값 미만이면, 모듈(MD)의 용도를 「공장용 전지(파츠 이용)」로 결정하며, 모듈(MD)의 만충전 용량이 제 3 문턱값 이상이면, 모듈(MD)의 용도를 「리빌트」로 결정한다. 상기 제 1∼제 3 문턱값은, 「제 1 문턱값＜제 2 문턱값＜제 3 문턱값」과 같은 관계를 가진다. 상기는 분별의 일 태양이고, 적절히 변경 가능하다. 예를 들면, 만충전 용량이 작은 이차전지를 「리빌트」에 할당해도 된다. 또한, 분별부(213)는, 추정된 모듈(MD)의 만충전 용량에 기초하여 부분 재이용/자원 리사이클의 분별만을 행해도 된다.
정보 관리부(211)는, 상기 S36에서 결정된 용도를, S37에 있어서 측정 장치(100)에 송신하고, S38에 있어서 표시 장치(250)에 표시시킨다. 표시 장치(250)는, 상기 S35에서 추정된 만충전 용량을, 용도와 함께 표시해도 된다. S38의 처리가 행해짐으로써, 도 14의 일련의 처리는 종료한다.
이용자는, 상기 S38의 처리에 의해 표시된 분별 결과(즉, 모듈(MD)의 용도)를 확인하고, 분별 결과에 따라서 모듈(MD)을 출하한다. 도 16은, 모듈(MD)의 출하 태양의 일례를 나타내는 도이다. 도 16에 있어서, 모듈(M1, M2, M3, M4)은 각각, 도 14의 S36에서 「리빌트」, 「가정용 전지(파츠 이용)」, 「공장용 전지(파츠 이용)」, 「자원 리사이클」로 분별된 모듈이다.
도 16을 참조하여, 모듈(M1∼M3)에는, 각각 태그(T1∼T3)가 장착되어 있다. 태그(T1∼T3)는, 모듈(M1∼M3)을 출하하는 타이밍에 장착되어도 되고, 모듈(M1∼M3)을 보관고(500)에 넣는 타이밍(예를 들면, 도 3의 S11)에 장착되어도 된다. 이 실시형태에 관련되는 태그(T1∼T3)의 각각은, 대응하는 모듈의 M-ID, 만충전 용량, 및 용도가 기억된 IC 태그이다. IC 태그로서는, 예를 들면 RFID(Radio Frequency IDentification) 태그를 채용할 수 있다. 전지 관리 장치(200)는, 무선 통신에 의해, 태그(T1∼T3)의 각각에 기억되는 정보의 판독 및 고쳐 쓰기를 행하도록 구성되어도 된다. 전지 관리 장치(200)는, 도 14의 S36에서 모듈(M1∼M3)의 용도를 결정했을 때에, 결정한 용도를 태그(T1∼T3)에 기록해도 된다.
모듈(M1∼M3)은, 도 14의 S36에서 결정된 용도에 대응하는 출하처에 출하된다. 모듈(M1)은, 도 1에 나타낸 제조 업자(34)에게 출하된다. 모듈(M2, M3)은, 정치용 전지의 판매점에 출하된다. 모듈(M4)은, 도 1에 나타낸 리사이클 업자(36)에게 보내진다. 리사이클 업자(36)는, 모듈(M4)을 전지 재료로 분해함으로써, 새로운 셀 또는 기타 제품의 원료로서 이용하기 위한 재자원화를 행한다.
이상 설명한 바와 같이, 이 실시형태에 관련되는 전지 관리 시스템에서는, 제어 장치(210)가, 모듈(MD)(대상 전지)에 관하여 취득된 CCV 충전 파형의 화상 데이터(즉, 검사용 화상 데이터)를 학습된 뉴럴 네트워크의 입력층에 입력함으로써, 모듈(MD)의 만충전 용량을 추정하도록 구성된다. 이 실시형태에 관련되는 용량 추정 방법은, AC-IR법과 비교하여, 추정을 위한 공수는 적고, 간단하게 추정을 행할 수 있다. 또한, 추정에 걸리는 시간은 짧다. 상기의 전지 관리 시스템에 의하면, 특수한 측정 기기를 이용하거나, 복잡한 연산을 행하지 않아도, 높은 정밀도로, 빠르게, 또한, 간단하게 이차전지의 만충전 용량을 추정하는 것이 가능해진다.
상기 실시형태에서는, 이차전지를 일정한 온도(예를 들면, 25℃)에서 보관하고, 뉴럴 네트워크의 학습 및 평가, 및 학습된 뉴럴 네트워크를 이용한 성능 검사를, 보관 온도에서 행하고 있다. 그러나, 모든 관리 업자가 이차전지를 일정한 온도에서 보관할 수 있다고는 할 수 없다. 보관 온도가 변동하는 상황에 있어서도 이차전지의 만충전 용량을 높은 정밀도로 추정하기 위해, 제어 장치(210)가, 이차전지의 만충전 용량(목적 변수)을 추정할 때에, 이차전지의 CCV 파형 취득 시의 온도를 설명 변수로서 취급하도록 구성되어도 된다.
상기 실시형태에 관련되는 전지 관리 시스템은, 충전형 NN을 이용하여 이차전지의 만충전 용량을 추정하고 있다. 그러나 이에 한정되지 않고, 전지 관리 시스템은, 방전형 NN을 이용하여 이차전지의 만충전 용량을 추정해도 된다. 도 3, 도 4, 도 14, 및 도 17을 이용하여, 방전형 NN을 이용하는 실시형태(변형례)에 관하여 설명한다.
도 3을 참조하여, 이 변형례에서는, 관리 업자(30)가, S12에 있어서, 차량으로부터 회수된 모듈(M)을, 자동 방전 장치(540)가 아니라, 충방전기(520)에 접속한다. 충방전기(520)에 모듈(M)이 접속되면, 도 17의 처리가 개시된다. 충방전기(520)에 접속된 모듈(M)은, 모듈(MD)(대상 전지)이 된다.
도 17은, 도 13에 나타낸 처리의 변형례를 나타내는 도이다. 도 4와 함께 도 17을 참조하여, S411에서는, 충방전 제어부(111)가, 충방전기(520)를 제어함으로써, 모듈(MD)의 SOC을 정전류 방전의 개시 SOC(예를 들면, 만충전 상태에 상당하는 SOC)로 조정한다. 정전류 방전의 개시 SOC는, 미리 결정된 SOC값이어도 되고, 이용자에 의해 지정되어도 된다.
S411의 처리 후, 충방전 제어부(111)는, S412에 있어서, 모듈(MD)의 정전류 방전을 개시한다. 이 변형례에서는, 전류값(2A)의 조건에서 모듈(MD)의 정전류 방전이 행해지도록, 충방전 제어부(111)가 충방전기(520)를 제어한다. 또한, 정전류 방전의 조건(예를 들면, 전류값)은, 상기에 한정되지 않고 임의로 설정할 수 있다. 정전류 방전의 조건(예를 들면, 방전 레이트)은, 미리 결정된 조건이어도 되고, 이용자에 의해 지정되어도 된다.
S421에서는, 정보 관리부(112)가, 정전류 방전 중의 센서 모듈(530)의 출력(모듈(MD)의 CCV를 포함함)을 취득하여 기억 장치(120)에 기록한다. S422에서는, CCV 방전 파형의 취득이 완료되었는지의 여부를, 정보 관리부(112)가 판단한다. CCV 방전 파형의 취득이 완료할 때까지의 기간(즉, S422에서 NO라고 판단되고 있는 기간)은, S421 및 S422가 반복 실행된다. 이 변형례에서는, 모듈(MD)의 SOC가 소정 SOC값(예를 들면, 90%)을 하회하면, S422에 있어서 YES(CCV 방전 파형의 취득이 완료되었다)라고 판단되고, 처리가 S43으로 진행된다. 단, S422에 있어서의 판단 조건은 상기에 한정되지 않는다. 예를 들면, 정보 관리부(112)는, S412에서 정전류 방전을 개시하고 나서 소정 시간(예를 들면, 1200초)이 경과했을 때에, S422에 있어서 YES라고 판단해도 된다. 이 변형례에 관련되는 충방전 제어부(111), 정보 관리부(112), 전원 장치(510), 충방전기(520), 및 센서 모듈(530)(도 4)은, 본 개시에 관련되는 「방전 장치」의 일례에 상당한다.
S43에서는, 정보 관리부(112)가, 기억 장치(120)에 기록된 CCV 방전 파형을 이용하여, 검사용 화상 데이터를 작성하고, 작성된 검사용 화상 데이터를 기억 장치(120)에 보존한다. 이 변형례에 관련되는 검사용 화상 데이터는, 미리 정해진 픽셀수의 영역에 CCV 방전 파형이 그려진 화상에 있어서의 픽셀마다의 수치를 나타내는 데이터이고, 학습된 뉴럴 네트워크의 입력 데이터에 상당한다. 이 변형례에 관련되는 정보 관리부(112)(도 4)는, 본 개시에 관련되는 「제 2 작성 장치」의 일례에 상당한다.
S44에서는, 정보 관리부(112)가, 상기 S43에서 작성된 검사용 화상 데이터를 전지 관리 장치(200)에 송신한다. 그 후, S45에 있어서, 모듈(MD)의 잔존 방전이 행해진다. 예를 들면, 충방전 제어부(111)가, S412에서 개시된 방전을 계속함으로써, 모듈(MD)의 잔존 방전이 행해져도 된다. S412에서 방전이 개시되고 나서 방전의 조건이 변경되지 않고 방전이 계속되어도 되고, S422에 있어서 YES라고 판단된 타이밍에 방전의 조건이 변경되어도 된다. 또한, 관리 업자(30)는, 모듈(MD)을 충방전기(520)로부터 분리하여 자동 방전 장치(540)에 세팅함으로써, 모듈(MD)의 잔존 방전을 행해도 된다. S45의 처리가 행해짐으로써, 도 17의 일련의 처리는 종료한다.
이 변형례에서는, 도 4에 나타낸 기억 장치(220)에 복수의 방전형 NN이 기억되어 있다. 복수의 방전형 NN은, 전지 메이커 및 형번에 의해 구별되어 관리되고 있다. 또한, S37 및 S38을 생략한 도 14의 처리가, 전지 관리 장치(200)의 제어 장치(210)에 의해 실행된다. 도 14의 S35에서는, 용량 추정부(212)가, 측정 장치(100)로부터 수신한 모듈(MD)의 검사용 화상 데이터(즉, 도 17의 S44에 있어서 송신되는 검사용 화상 데이터)를, S34에서 선택된 학습된 NN(보다 특정적으로는, 방전형 NN)의 입력층에 입력함으로써, 모듈(MD)의 만충전 용량을 추정한다.
상기와 같이 만충전 용량의 추정과 잔존 방전이 행해진 모듈(M)은, 보관고(500)에 보관된다(도 3의 S13). 또한, 충전형 NN과 방전형 NN의 양방이 기억 장치(220)에 기억되어 있고, 제어 장치(210)가, 대상 전지에 따라 충전형 NN과 방전형 NN을 구분하여 사용하도록 구성되어도 된다.
상기 실시형태에서는, 보관고(500) 및 전지 관리 장치(200)가 관리 업자(30)의 거점에 설치되어 있다. 그러나 이에 한정되지 않고, 보관고(500)가 제조 업자(34)의 거점에 설치되고, 전지 관리 장치(200)가 도 2에 나타낸 관리 서버(20)에 탑재되어도 된다. 또한, 전술의 전지 관리 시스템은, 제조 업자(34) 또는 판매점(35)의 거점에 설치되어도 된다. 도 18은, 제조 업자(34)의 거점에 설치된 전지 관리 시스템의 일례에 관하여 설명하기 위한 도이다.
도 1과 함께 도 18을 참조하여, 제조 업자(34)는, 도 14의 S36에 있어서 「리빌트」로 분별된 모듈(M61∼M63)(즉, 리빌트에 적합한 만충전 용량을 가지는 복수의 모듈)을 조합하여, 세트 전지(600)(즉, 리빌트품)를 제조한다. 이 세트 전지(600)를 제조하는 공정이, 본 개시에 관련되는 「제 4 단계」의 일례에 상당한다. 도 18에 예시되는 세트 전지(600)는, 복수의 셀(601)을 포함하여 구성된다. 세트 전지(600)에서는, 하나의 셀(601)의 정극 단자와, 인접하는 다른 셀(601)의 부극 단자가, 도전성을 가지는 버스 바(602)에 의해 전기적으로 접속되어 있다. 셀(601)끼리는 직렬로 접속되어 있다. 이러한 세트 전지(600)에 대하여 부속 부품을 장착함으로써, 전지팩이 제조된다. 전지팩에는, 세트 전지(600)를 구성하는 각 모듈의 정보(예를 들면, M-ID 및 만충전 용량)가 세트 전지(600)의 전지 ID와 함께 기억된 태그(T6)(예를 들면, RFID 태그)가 장착된다. 이렇게 제조된 세트 전지(600)를 포함하는 전지팩은 출하 검사를 거쳐 출하된다. 제조 업자(34)는, 도 14의 S36에 있어서 「자원 리사이클」로 분별된 모듈(M5)을, 리사이클 업자(36)에게 보낸다. 리사이클 업자(36)에 의해 모듈(M5) 재자원화가 행해진다.
전지 관리 시스템의 구성은, 도 4에 나타낸 구성에 한정되지 않는다. 예를 들면, 자동 방전 장치(540)는 생략 가능하다. 또한, 충전 및 방전의 양방을 행하는 충방전기(520) 대신에, 충전만을 행하는 충전 장치를 채용해도 되고, 방전만을 행하는 방전 장치를 채용해도 된다. 전지 관리 장치(200)는, 휴대 기기(예를 들면, 스마트폰)에 탑재되어도 된다. 측정 장치(100)와 전지 관리 장치(200)가 떨어져 배치되는 것은 필수는 아니다. 전지 관리 장치(200)는 측정 장치(100)와 함께 보관고(500) 내에 설치되어도 된다. 측정 장치(100)와 전지 관리 장치(200)는 일체화되어 있어도 된다. 기억 장치(220)가 기억하는 학습된 뉴럴 네트워크의 수는 임의이고, 1개여도 된다.
상기 실시형태 및 변형례에서는, 측정 장치(100)의 제어 장치(110)가 「제 1 작성 장치」 및 「제 2 작성 장치」로서 기능하지만, 전지 관리 장치(200)의 제어 장치(210)가 「제 1 작성 장치」 및 「제 2 작성 장치」로서 기능해도 된다. 즉, 검사용 화상 데이터는, 전지 관리 장치(200)에 있어서 작성되어도 된다.
전지 관리 시스템이 분별 장치를 구비하는 것(즉, 전지 관리 시스템이 대상 전지의 용도를 결정하는 것)은 필수는 아니다. 전지 관리 장치(200)에 의해 추정된 대상 전지(예를 들면, 모듈(MD))의 만충전 용량에 기초하여, 이용자가 대상 전지의 용도를 결정해도 된다.
상기 실시형태에서는, 차량으로부터 이차전지를 회수하는 예에 관하여 언급했지만, 전지 관리 시스템은, 다른 이동체(예를 들면, 배, 비행기, 무인 반송차, 농업 기계, 또는 드론)로부터 회수된 이차전지에 적용되어도 되고, 휴대 기기(즉, 이용자에 의해 휴대 가능한 전자기기)로부터 회수된 이차전지에 적용되어도 되며, 정치용의 이차전지에 적용되어도 된다. 대상 전지는, 모듈에 한정되지 않고, 단전지여도 되고, 세트 전지여도 된다. 전지 관리 시스템은, 차량으로부터 세트 전지를 회수했을 때(예를 들면, 도 3의 S11)에, 세트 전지의 만충전 용량을 추정하고, 추정된 만충전 용량에 기초하여, 그 세트 전지의 분별(예를 들면, 전부 재이용/자원 리사이클의 분별)을 행하도록 구성되어도 된다.
본 발명의 실시형태에 관하여 설명했지만, 금번에 개시된 실시형태는 모든 점에서 예시이며 제한적인 것이 아니라고 생각되어야 한다. 본 발명의 범위는 청구 범위에 의해 나타내어지고, 청구 범위와 균등한 의미 및 범위 내에서의 모든 변경이 포함되는 것이 의도된다.

Claims (10)

  1. 이차전지의 정보를 관리하는 전지 관리 시스템으로서,
    적어도 1개의 학습된 뉴럴 네트워크를 기억하는 기억 장치와,
    상기 학습된 뉴럴 네트워크를 이용하여, 소정의 이차전지인 대상 전지의 만충전 용량을 추정하는 추정 장치를 구비하고,
    상기 학습된 뉴럴 네트워크는, 미리 정해진 픽셀수의 영역에 이차전지의 소정 CCV 파형이 그려진 화상에 있어서의 픽셀마다의 수치를 나타내는 입력 데이터를 접수하는 입력층을 구비하며, 상기 입력층에 상기 입력 데이터가 입력되면, 상기 이차전지의 만충전 용량을 출력하도록 구성되고,
    상기 소정 CCV 파형은, 상기 이차전지의 정전류 충전 중의 CCV의 추이를 나타내는 CCV 충전 파형과, 상기 이차전지의 정전류 방전 중의 CCV의 추이를 나타내는 CCV 방전 파형 중의 어느 것이며,
    상기 추정 장치는, 상기 대상 전지에 관하여 취득된 입력 데이터를 상기 학습된 뉴럴 네트워크의 상기 입력층에 입력함으로써, 상기 대상 전지의 만충전 용량을 추정하도록 구성되는, 전지 관리 시스템.
  2. 제 1 항에 있어서,
    상기 대상 전지의 정전류 충전을 행함으로써, 상기 대상 전지에 관하여 상기 CCV 충전 파형인 상기 소정 CCV 파형을 취득하는 충전 장치와,
    상기 충전 장치에 의해 취득된 상기 소정 CCV 파형을 이용하여 상기 입력 데이터를 작성하는 제 1 작성 장치를 더 구비하고,
    상기 추정 장치는, 상기 제 1 작성 장치에 의해 작성된 상기 입력 데이터를 상기 학습된 뉴럴 네트워크의 상기 입력층에 입력함으로써, 상기 대상 전지의 만충전 용량을 추정하도록 구성되는, 전지 관리 시스템.
  3. 제 2 항에 있어서,
    상기 제 1 작성 장치가 상기 입력 데이터의 작성에 이용하는 상기 소정 CCV 파형의 SOC 범위는, 0% 이상 10% 이하의 범위로부터 선택된 소정 SOC 범위인, 전지 관리 시스템.
  4. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
    상기 대상 전지의 정전류 방전을 행함으로써, 상기 대상 전지에 관하여 상기 CCV 방전 파형인 상기 소정 CCV 파형을 취득하는 방전 장치와,
    상기 방전 장치에 의해 취득된 상기 소정 CCV 파형을 이용하여 상기 입력 데이터를 작성하는 제 2 작성 장치를 더 구비하고,
    상기 추정 장치는, 상기 제 2 작성 장치에 의해 작성된 상기 입력 데이터를 상기 학습된 뉴럴 네트워크의 상기 입력층에 입력함으로써, 상기 대상 전지의 만충전 용량을 추정하도록 구성되는, 전지 관리 시스템.
  5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
    상기 기억 장치에 기억되는 상기 적어도 1개의 학습된 뉴럴 네트워크는, 복수의 학습된 뉴럴 네트워크를 포함하고,
    상기 추정 장치는, 상기 대상 전지에 관한 정보를 취득하고, 상기 취득된 정보를 이용하여 상기 복수의 학습된 뉴럴 네트워크 중에서 상기 대상 전지에 대응하는 1개의 학습된 뉴럴 네트워크를 선택하며, 상기 선택된 학습된 뉴럴 네트워크를 이용하여, 상기 대상 전지의 만충전 용량을 추정하도록 구성되는, 전지 관리 시스템.
  6. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
    상기 추정 장치에 의해 추정된 상기 만충전 용량을 이용하여, 상기 대상 전지의 용도를 결정하는 분별 장치를 더 구비하는, 전지 관리 시스템.
  7. 소정의 이차전지인 대상 전지의 소정 CCV 파형을 취득하는 제 1 단계와,
    상기 제 1 단계에서 취득된 상기 소정 CCV 파형을 이용하여, 학습된 뉴럴 네트워크의 입력 데이터를 작성하는 제 2 단계와,
    상기 제 2 단계에서 작성된 상기 입력 데이터가 상기 학습된 뉴럴 네트워크에 입력되고, 상기 학습된 뉴럴 네트워크가 상기 대상 전지의 만충전 용량을 출력하는 제 3 단계를 포함하며,
    상기 입력 데이터는, 미리 정해진 픽셀수의 영역에 상기 대상 전지의 상기 소정 CCV 파형이 그려진 화상에 있어서의 픽셀마다의 수치를 나타내는 데이터이고,
    상기 소정 CCV 파형은, 상기 대상 전지의 정전류 충전 중의 CCV의 추이를 나타내는 CCV 충전 파형과, 상기 대상 전지의 정전류 방전 중의 CCV의 추이를 나타내는 CCV 방전 파형 중의 어느 것인, 전지 관리 방법.
  8. 제 7 항에 있어서,
    상기 제 1 단계의 전에,
    차량으로부터 이차전지를 회수하는 단계와,
    상기 회수된 이차전지의 잔존 방전을 행하는 단계와,
    상기 잔존 방전 후에 상기 이차전지를 빈 상태로 보관하는 단계
    를 차량마다 행하여 복수의 이차전지를 빈 상태로 보관하고,
    상기 제 1 단계에서는, 상기 빈 상태로 보관되어 있는 복수의 이차전지 중에서 상기 대상 전지를 선택하고, 상기 대상 전지에 대하여 정전류 충전을 행함으로써, 상기 대상 전지에 관하여 상기 CCV 충전 파형인 상기 소정 CCV 파형을 취득하는, 전지 관리 방법.
  9. 제 7 항 또는 제 8 항에 있어서,
    상기 제 3 단계의 후에,
    상기 제 3 단계에서 추정된 상기 만충전 용량을 이용하여, 상기 대상 전지를 분별하는 단계와,
    상기 분별의 결과에 따라서 상기 대상 전지를 출하하는 단계
    를 더 포함하는, 전지 관리 방법.
  10. 소정의 이차전지인 대상 전지의 소정 CCV 파형을 취득하는 제 1 단계와,
    상기 제 1 단계에서 취득된 상기 소정 CCV 파형을 이용하여, 학습된 뉴럴 네트워크의 입력 데이터를 작성하는 제 2 단계와,
    상기 제 2 단계에서 작성된 상기 입력 데이터가 상기 학습된 뉴럴 네트워크에 입력되고, 상기 학습된 뉴럴 네트워크가 상기 대상 전지의 만충전 용량을 출력하는 제 3 단계와,
    상기 제 1∼제 3 단계를 거쳐 만충전 용량이 추정된 복수의 이차전지를 이용하여 세트 전지를 제조하는 제 4 단계를 포함하고,
    상기 입력 데이터는, 미리 정해진 픽셀수의 영역에 상기 대상 전지의 상기 소정 CCV 파형이 그려진 화상에 있어서의 픽셀마다의 수치를 나타내는 데이터이며,
    상기 소정 CCV 파형은, 상기 대상 전지의 정전류 충전 중의 CCV의 추이를 나타내는 CCV 충전 파형과, 상기 대상 전지의 정전류 방전 중의 CCV의 추이를 나타내는 CCV 방전 파형 중의 어느 것인, 세트 전지의 제조 방법.
KR1020200145919A 2019-11-05 2020-11-04 전지 관리 시스템, 전지 관리 방법, 및 세트 전지의 제조 방법 KR102587694B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019200785A JP7151689B2 (ja) 2019-11-05 2019-11-05 電池管理システム、電池管理方法、及び組電池の製造方法
JPJP-P-2019-200785 2019-11-05

Publications (2)

Publication Number Publication Date
KR20210054467A true KR20210054467A (ko) 2021-05-13
KR102587694B1 KR102587694B1 (ko) 2023-10-12

Family

ID=75687350

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200145919A KR102587694B1 (ko) 2019-11-05 2020-11-04 전지 관리 시스템, 전지 관리 방법, 및 세트 전지의 제조 방법

Country Status (4)

Country Link
US (2) US11841400B2 (ko)
JP (1) JP7151689B2 (ko)
KR (1) KR102587694B1 (ko)
CN (1) CN112825167B (ko)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7368273B2 (ja) * 2020-02-28 2023-10-24 本田技研工業株式会社 情報提供システム
CN113511082B (zh) * 2021-05-31 2023-06-16 深圳先进技术研究院 基于规则和双深度q网络的混合动力汽车能量管理方法
CN113859552B (zh) * 2021-09-27 2023-10-24 深圳市道通智能航空技术股份有限公司 一种电池管理系统
US20230166630A1 (en) * 2021-11-30 2023-06-01 Livewire Ev, Llc Removable module
KR20230173842A (ko) * 2022-06-20 2023-12-27 현대모비스 주식회사 Ev에서 사용되는 적어도 하나 이상의 배터리를 거래하기 위한 방법 및 장치
CN115184813A (zh) * 2022-08-04 2022-10-14 爱德曼(淄博)氢能科技有限公司 一种基于神经网络的氢燃料电池状态诊断方法及系统
EP4321883A1 (en) * 2022-08-09 2024-02-14 CUSTOMCELLS Holding GmbH Method and system for specifying a target battery cell
JP7509181B2 (ja) 2022-09-20 2024-07-02 いすゞ自動車株式会社 保管方法
JP2024076833A (ja) * 2022-11-25 2024-06-06 株式会社デンソー 監視装置、制御装置、運航管理システム、およびプログラム
JP2024076834A (ja) * 2022-11-25 2024-06-06 株式会社デンソー 電池システム
WO2024161045A2 (en) * 2023-01-31 2024-08-08 Eatron Technologies Limited Systems and methods for using artificial intelligence to detect lithium plating

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1116607A (ja) * 1997-06-26 1999-01-22 Matsushita Electric Ind Co Ltd 二次電池の残存容量検出方法
JP2010217070A (ja) * 2009-03-18 2010-09-30 Toyota Motor Corp 容量推定装置および車両
KR20100111276A (ko) * 2008-01-25 2010-10-14 에버레디 배터리 컴퍼니, 인크. 전지의 수명 종료 결정
JP2014163861A (ja) * 2013-02-27 2014-09-08 Toyota Industries Corp 電池残容量推定方法及び装置
JP2015184146A (ja) * 2014-03-25 2015-10-22 株式会社デンソー 満充電容量推定装置
WO2019207399A1 (ja) * 2018-04-27 2019-10-31 株式会社半導体エネルギー研究所 蓄電装置の充電状態推定方法及び蓄電装置の充電状態推定システム

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6064180A (en) 1996-10-29 2000-05-16 General Motors Corporation Method and apparatus for determining battery state-of-charge using neural network architecture
JP2003317810A (ja) 2002-04-18 2003-11-07 Toyota Motor Corp 電池の特性評価方法
JP4609883B2 (ja) 2005-02-16 2011-01-12 株式会社デンソー 車両用蓄電装置の満充電容量演算装置
KR100880717B1 (ko) * 2005-02-14 2009-02-02 가부시키가이샤 덴소 뉴럴네트워크연산에 기초한 2차전지의 충전상태를 검출하기위한 방법 및 장치
JP5181508B2 (ja) * 2007-03-28 2013-04-10 三菱自動車工業株式会社 リチウムイオン電池の管理システム
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
JP6287509B2 (ja) * 2014-04-08 2018-03-07 株式会社豊田自動織機 二次電池のｓｏｃ推定装置および推定方法
US9893385B1 (en) * 2015-04-23 2018-02-13 Ambri Inc. Battery management systems for energy storage devices
CN106597288A (zh) * 2015-10-20 2017-04-26 郑州宇通客车股份有限公司 一种电源soc估算方法
CN105676138B (zh) * 2016-01-22 2018-09-14 广东志成冠军集团有限公司 一种预测电池的剩余电量的方法和系统
CN108445406B (zh) * 2018-03-13 2021-05-25 桂林电子科技大学 一种动力电池健康状态估计方法
CN109004696A (zh) * 2018-04-18 2018-12-14 国家电网公司 一种变电站用蓄电池多功能控制系统及其控制方法
JP7020273B2 (ja) 2018-04-26 2022-02-16 トヨタ自動車株式会社 電池情報処理システム、組電池、電池モジュールの容量算出方法、および、組電池の製造方法
KR20200026607A (ko) * 2018-09-03 2020-03-11 엘지전자 주식회사 배터리를 포함하는 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1116607A (ja) * 1997-06-26 1999-01-22 Matsushita Electric Ind Co Ltd 二次電池の残存容量検出方法
KR20100111276A (ko) * 2008-01-25 2010-10-14 에버레디 배터리 컴퍼니, 인크. 전지의 수명 종료 결정
JP2010217070A (ja) * 2009-03-18 2010-09-30 Toyota Motor Corp 容量推定装置および車両
JP2014163861A (ja) * 2013-02-27 2014-09-08 Toyota Industries Corp 電池残容量推定方法及び装置
JP2015184146A (ja) * 2014-03-25 2015-10-22 株式会社デンソー 満充電容量推定装置
WO2019207399A1 (ja) * 2018-04-27 2019-10-31 株式会社半導体エネルギー研究所 蓄電装置の充電状態推定方法及び蓄電装置の充電状態推定システム

Also Published As

Publication number Publication date
US11841400B2 (en) 2023-12-12
CN112825167A (zh) 2021-05-21
US20240061046A1 (en) 2024-02-22
CN112825167B (zh) 2024-07-05
JP7151689B2 (ja) 2022-10-12
JP2021077450A (ja) 2021-05-20
US20210132153A1 (en) 2021-05-06
KR102587694B1 (ko) 2023-10-12

Similar Documents

Publication Publication Date Title
KR20210054467A (ko) 전지 관리 시스템, 전지 관리 방법, 및 세트 전지의 제조 방법
CN111610459B (zh) 用于预测电池组的放电曲线的系统、方法和存储介质
US11065978B2 (en) Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack
Rezvanizaniani et al. Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility
US20200033414A1 (en) Battery information processing system, method of estimating capacity of secondary battery, and battery assembly and method of manufacturing battery assembly
JP7070044B2 (ja) 電池情報処理システム、電池モジュールの満充電容量算出方法、電池モジュールの内部抵抗算出方法、および、組電池の製造方法
JP7020273B2 (ja) 電池情報処理システム、組電池、電池モジュールの容量算出方法、および、組電池の製造方法
WO2019199219A1 (en) Methods and control units for determining an extended state of health of a component and for control of a component
CN112711892A (zh) 一种基于数字孪生和区块链技术的云电池管理系统及方法
JP2019191029A (ja) 電池情報処理システム、組電池、電池モジュールの特性評価方法、および、組電池の製造方法
US11084387B2 (en) Systems, methods, and storage media for arranging a plurality of cells in a vehicle battery pack
JP2020021592A (ja) 電池情報処理システム、二次電池の容量推定方法、ならびに、組電池、および、その組電池の製造方法
KR20220073829A (ko) 배터리 성능 예측
CN110323508B (zh) 电动汽车中动力电池的回收系统和方法
US12105152B2 (en) Battery capacity estimation method and battery capacity estimation system
US20230213587A1 (en) Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin
CN111191824A (zh) 一种动力电池容量衰减预测方法及系统
CN115219904A (zh) 用于运行用来提供电化学电池组模型的系统的方法和装置
Swarnkar et al. Electric vehicle lithium-ion battery ageing analysis under dynamic condition: A machine learning approach
US11380036B2 (en) Method of establishing visual images of models of battery status
Li Adaptive model-based state monitoring and prognostics for lithium-ion batteries
Xia et al. Technologies for Energy Storage Power Stations Safety Operation: Battery State Evaluation Survey and a Critical Analysis
Enache et al. Comparative study of screening methods for second life LiFePO4 batteries
Narayanan et al. Regression Analysis in Electrical Engineering Applications: A Machine Learning Approach
CN116256640A (zh) 用于提供老化状态模型以确定电蓄能器的当前和预测老化状态的计算机实现的方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right