WO2016071941A1 - 予測システム、予測プログラム、予測装置 - Google Patents

予測システム、予測プログラム、予測装置 Download PDF

Info

Publication number
WO2016071941A1
WO2016071941A1 PCT/JP2014/005557 JP2014005557W WO2016071941A1 WO 2016071941 A1 WO2016071941 A1 WO 2016071941A1 JP 2014005557 W JP2014005557 W JP 2014005557W WO 2016071941 A1 WO2016071941 A1 WO 2016071941A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction
secondary battery
internal state
state quantity
predicted
Prior art date
Application number
PCT/JP2014/005557
Other languages
English (en)
French (fr)
Inventor
忠俊 石井
星野　昌幸
重和 宮坂
賢 石井
Original Assignee
株式会社東芝
東芝ソリューション株式会社
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 株式会社東芝, 東芝ソリューション株式会社 filed Critical 株式会社東芝
Priority to PCT/JP2014/005557 priority Critical patent/WO2016071941A1/ja
Priority to JP2016557356A priority patent/JP6411538B2/ja
Publication of WO2016071941A1 publication Critical patent/WO2016071941A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • 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

Definitions

  • Embodiments of the present invention relate to a technique for estimating and predicting a deterioration state of a lithium ion secondary battery.
  • the deterioration state of the battery is predicted based on the information of the usage history of the secondary battery itself currently used.
  • the prediction is extrapolated (using known data, a value outside the range of the known data is obtained). Will be used. For example, when the value suddenly drops on the time axis or when the value rises rapidly, it is difficult to predict a sudden change in value by extrapolation.
  • the problem to be solved by the present invention is to provide a technique for improving the prediction accuracy of the future deterioration state of the lithium ion secondary battery currently in use.
  • the prediction system of the embodiment is a system for predicting the lifetime of a secondary battery based on internal state quantities that are characteristic data of materials constituting the lithium ion secondary battery, and includes a storage unit and a control unit.
  • the storage unit stores internal state quantities of secondary batteries of the same product that are different from the secondary battery to be predicted.
  • the control unit acquires the internal state quantity of the secondary battery to be predicted, searches the storage unit for an internal state quantity that matches or approximates the internal state quantity, and uses the internal state quantity of the search result to The secondary battery life prediction result is calculated.
  • FIG. 1 It is a figure which shows the system configuration example of embodiment. It is a figure which shows the hardware structural example of a prediction server. It is a figure which shows an example of the functional block of the system of embodiment. It is a flowchart which shows the operation example of the prediction server of embodiment. It is a figure which shows an example of the log hit by search. It is a figure which shows an example of the log on the other use conditions which carried out the search hit. It is a figure which shows an example of the ratio of the period from a diagnostic reference date to a prediction date when the use start date of a diagnostic object cell, the capacity maintenance rate in a diagnostic reference date, and the period from a use start date to a diagnostic reference date are set to 1. is there.
  • a system for predicting the lifetime of a lithium ion secondary battery mounted on an EV vehicle (EV: Electric Vehicle) will be described.
  • the life prediction is performed by predicting how much the capacity maintenance rate decreases in this example.
  • the system of the embodiment is performed using the internal state quantity of the secondary battery of the same product, which is different from the prediction target secondary battery.
  • usage histories of secondary batteries that are separate from each other such as secondary batteries of the same product that have been used in advance and secondary batteries of the same product that have reached the end of product life, are registered in a plurality of databases.
  • the current state of the prediction target is matched by searching from the usage history of the secondary battery registered in the database using the current internal state quantity of the prediction target secondary battery.
  • extract data of past products that are approximate The system of the embodiment uses this extracted data to predict the lifetime of the secondary battery to be predicted.
  • life prediction is performed using an index called an internal state quantity.
  • Each cell (secondary battery) has a configuration including materials such as a positive electrode active material and a negative electrode active material.
  • the internal state quantity is made up of characteristic data of each material constituting the cell. That is, the internal state quantity is characteristic data of each of a plurality of materials.
  • the capacity of the active material A for example, lithium manganate
  • the capacity of the active material B for example, lithium cobaltate
  • the negative electrode It includes characteristic data such as capacity (for example, graphite and lithium titanate), charge amount of the active material A constituting the positive electrode, charge amount of the active material B constituting the positive electrode, charge amount of the negative electrode, and internal resistance value.
  • the accuracy of the prediction result is not high because factors other than the characteristic data are not considered.
  • life prediction is performed using a plurality of different types of characteristic data, it is possible to improve the accuracy of search results.
  • FIG. 1 is a diagram illustrating an example of a system configuration of the embodiment.
  • the system 100 includes a prediction server 1 and an EV vehicle 2, which transmit / receive data to / from each other via the Internet 3 (wide area network).
  • the prediction server 1 is installed in a place connected via the Internet 3, that is, a place far from the EV vehicle 2.
  • the prediction server 1 receives the current value, voltage value, and battery temperature of the secondary battery mounted on the EV vehicle 2 via the Internet 3, calculates the life prediction result, and transmits the result to the EV vehicle 2.
  • the prediction server 1 is described as a single computer in the embodiment, it may be a server group including a plurality of computers, or a cloud system including a large-capacity storage and a network device.
  • the EV vehicle 2 is an electric vehicle that has a lithium ion secondary battery and an electric motor, and travels by driving the motor with electric power supplied from the secondary battery.
  • the EV vehicle 2 has a mechanism that enables communication with the prediction server 1 via the Internet 3.
  • the EV vehicle 2 measures the current value, voltage value, and battery temperature of the secondary battery, and transmits these measurement results to the prediction server 1. This transmission is a conventional communication means.
  • FIG. 2 is a diagram illustrating a hardware configuration example of the prediction server 1.
  • the prediction server 1 is a computer in this embodiment, and includes a processor 11, a memory 12, a ROM (Read Only Memory) 13, an HDD (Hard Disk Drive) 14, an input device 15, an output device 16, and a network I / F (Interface). 17. These devices transmit and receive control signals and data to and from each other via the communication bus 18.
  • the processor 11 is an arithmetic processing device such as a CPU (Central Processing Unit), for example, and loads a program stored in the ROM 13 or the HDD 14 into the memory 12 and executes the calculation. Thereby, the processor 11 performs various processes according to the program and controls each hardware.
  • the memory 12 is a volatile main storage device.
  • the ROM 13 is a non-volatile storage device that stores permanently, and BIOS (Basic Input Input Output System) at the time of system startup is stored in advance.
  • BIOS Basic Input Input Output System
  • the HDD 14 is a nonvolatile auxiliary storage device that can be permanently stored, and data, programs, and operating systems used by the user are stored in the HDD 14.
  • the input device 15 is a device that receives information input from the user to the prediction server 1, and is a keyboard, a mouse, or the like.
  • the output device 16 is a device that notifies the user of the processing contents and processing results of the prediction server 1, and is a monitor, a printer, or the like.
  • the input device 15 and the output device 16 are used when the administrator of the prediction server 1 performs maintenance, for example.
  • the network I / F 17 is a unit responsible for communication with an external device of the prediction server 1 and includes a LAN (Local Area Network) board. Note that the information obtained from the EV vehicle 2 is obtained via the network I / F 17.
  • LAN Local Area Network
  • FIG. 3 is a functional block diagram of the system of the embodiment.
  • the EV vehicle 2 includes a battery pack 201, a control unit 210, and a display operation unit 204.
  • the battery pack 201 is a module in which a plurality of modules formed by combining a plurality of cells are connected and accommodated in a case.
  • the cell is a lithium ion secondary battery.
  • the control unit 210 is a unit that controls the battery pack 201 via a CAN (Controller Area Network), and includes a measuring instrument 202 and a measurement result DB 203.
  • the measuring device 202 receives and measures monitoring information on the current value, voltage value, and temperature of each cell accommodated in the battery pack 201 from a sensor attached in the battery pack 201. These measurement values are accumulated in the measurement result DB 203 that is a storage unit, and then transmitted to the prediction server 1 in accordance with a user operation or periodically. In the case of an EV vehicle that does not have a storage unit, the measurement value obtained by the measuring device 202 is transmitted to the prediction server 1 as it is.
  • the display operation unit 204 is a control panel that receives a user operation for controlling the EV vehicle 2 and displays a vehicle state and the like.
  • the control panel of the car navigation system may be used.
  • the prediction server 1 includes a past battery state DB 101, an internal state amount calculation unit 102, a deterioration transition DB 104, a search unit 105, a prediction calculation unit 107, and a prediction result DB 108.
  • Temporary data includes the current internal state quantity 103 and the coincidence log 106.
  • the internal state quantity calculation unit 102, the search unit 105, and the prediction calculation unit 107 are different from each other when the processor 11 shown in FIG. It is a functional part realized in cooperation with the hardware resource of.
  • the past battery state DB 101, deterioration transition DB 104, and prediction result DB 108 are realized by a data management mechanism of RDBMS (Relational database management management system) introduced in advance, but realized by other means for data storage. May be.
  • RDBMS Relational database management management system
  • the past battery state DB 101 stores current, voltage, and temperature measurement results obtained from the same product of an individual different from the secondary battery to be predicted (battery pack 201 in this example). That is, the past battery state DB 101 stores the measurement results collected in the past for secondary batteries that are separate from the secondary battery to be predicted and are the same product. As indicated by the broken line arrows in FIG. 3, the current value, voltage value, and temperature measurement value currently transmitted from the EV vehicle 2 are registered in the past battery state DB 101, and the battery pack mounted on the other vehicle. When the lifetime is predicted, the measurement value may be used as past data.
  • the same product refers to, for example, a car that is sold with the same name equipped with a cell composed of the same positive electrode material and the same negative electrode material as a main material, or a cell composed of the same positive electrode material and the same negative electrode material as a main material.
  • a stationary storage battery system sold under the same name.
  • battery modules and battery packs for cars equipped with cells sold under the same name may be the same product, or battery modules and battery packs for stationary applications equipped with cells sold under the same name. May be the same product.
  • the internal state quantity calculation unit 102 acquires the measurement result of the secondary battery to be predicted, which is transmitted from the EV vehicle 2, and calculates the internal state quantity. This calculation result is shown as the current internal state quantity 103 in FIG.
  • the internal state quantity is various characteristic data of each material used in the secondary battery, which is calculated by a conventional technique, for example, the battery performance estimation method disclosed in Patent Document 2.
  • the internal state quantity calculation unit 102 obtains accumulated data accumulated in the past battery state DB 101 and calculates the internal state quantity. This calculation result is accumulated in the deterioration transition DB 104.
  • the deterioration transition DB 104 is an internal state quantity of the same product of an individual different from the secondary battery to be predicted, such as a secondary battery of the same product used in advance or a secondary battery of the same product whose product life has expired. And the performance of the battery, for example, the transition of the capacity maintenance rate, are accumulated in correspondence (hereinafter referred to as a log). At this time, logs having different use conditions (temperature, SOC range, charge / discharge current, and their patterns) are accumulated, but details of use conditions are not necessarily accumulated.
  • the prediction result DB 108 permanently stores the prediction results obtained by the prediction calculation unit 107 and accumulates data.
  • the search unit 105 the prediction calculation unit 107, and the match log 106 will be described with reference to the flowchart of FIG.
  • the search unit 105 refers to the deterioration transition DB 104 based on the internal state quantity of the secondary battery to be diagnosed, and searches for one or more secondary batteries having the same or similar internal state quantity in the deterioration transition DB 104. (S001). For example, the deterioration transition DB 104 is searched using the elapsed time from the start of use of the battery pack 201 to the present and the current internal state quantity, and the relationship between the elapsed time and the internal state quantity is identical or similar. Extract logs. For the similarity determination, for example, the closest value is used, or one or a plurality of values within a certain range are used.
  • the search unit may be any of a pack unit, a module unit, and a cell unit. In this example, the search unit is described as a cell unit.
  • the prediction server 1 calculates the capacity maintenance rate from the difference of the searched internal state quantity with respect to the internal state quantity at the start of use in the searched and extracted cell.
  • the capacity maintenance ratio is a capacity ratio at the time of measurement with respect to the initial capacity.
  • FIG. 5 is a diagram showing a transition graph (log) of the capacity maintenance rate of the cell that has been searched for among the cells stored in the deterioration transition DB 104. P1 indicated by a circle indicates the hit value of the current internal state quantity 103.
  • FIG. 6 is a transition graph of the capacity maintenance rate for the log under another use condition of the cell that has been searched for, and the circle indicates the hit value of the current internal state quantity 103. This transition graph corresponds to the matching log 106.
  • the initial capacity is a voltage defined as 0% of a cell predetermined at the time of product completion or product purchase (for example, discharge end voltage) until reaching an open circuit voltage (for example, end-of-charge voltage) defined as 100%.
  • an open circuit voltage for example, end-of-charge voltage
  • Various values such as total charge capacity [Ah] when charged can be defined and used.
  • the prediction calculation unit 107 calculates a prediction deterioration rate based on the obtained matching log 106 (S002). Calculation of the predicted deterioration rate is performed in the following order.
  • the prediction calculation unit 107 calculates a ratio between the period from the use start date of the diagnosis target cell to the diagnosis reference date (data acquisition date) and the period from the diagnosis reference date to the prediction destination.
  • FIG. 7 is a diagram showing the change over time of the capacity maintenance rate of the battery pack 201.
  • the use start date in FIG. 7 is the date when the battery pack 201 is used, and the diagnosis reference date is the current date.
  • the prediction calculation unit 107 sets the period (15 months) from the use start date to the diagnosis reference date to 1, and the ratio of the period from the diagnosis reference date to the prediction date (3 months in this example) to this. calculate. In this example, since the period from the use start date to the diagnosis reference date is 15 months, the ratio is 0.2.
  • the prediction calculation unit 107 applies the ratio calculated above to the coincidence log 106 and extracts the deterioration rate at the prediction destination.
  • FIG. 8 is the log shown in FIG.
  • the prediction calculation unit 107 obtains the capacity maintenance rate of the value 0.2 (P2) ahead of the search hit value (P1), and calculates the difference between the capacity maintenance rates of P1 and P2.
  • P2 the capacity maintenance rate of the value 0.2
  • P1 the search hit value
  • the predicted deterioration rate with the predicted date 3 months after the diagnosis reference date is extracted.
  • the predicted calculation unit 107 is not limited to this, but the same applies to other predicted dates such as 1 month and 2 months later.
  • the predicted deterioration rate is calculated by the method.
  • FIG. 9 shows a list of predicted deterioration rates of the searched cells after one month, two months, and three months.
  • the logs of the cells 1 to 8 are searched and extracted, and the predicted deterioration rate after 1 to 3 months is calculated for the cells 1 to 8.
  • the list shown in FIG. 9 corresponds to the predicted deterioration rate 301 shown in the flowchart of FIG.
  • the prediction calculation unit 107 calculates the distribution of the predicted deterioration rate (S003).
  • the prediction calculation unit 107 calculates the distribution of the predicted deterioration rate for each prediction date and determines the final prediction range.
  • the prediction range is obtained from the average value ⁇ standard deviation ( ⁇ ⁇ ⁇ ) of the predicted deterioration rate.
  • the life prediction result calculated in this way is data of this final prediction range, and is accumulated and stored in the prediction result DB 108.
  • the life prediction result calculated according to the flowchart of FIG. 4 is transmitted to the EV vehicle 2, and the display operation unit 204 of the EV vehicle 2 displays each data of the life prediction result as a graph.
  • FIG. 10 is a display example at this time. As shown in FIG. 10, the user can select cell units, module units, pack units, and, in the case of cell units, select cell identification information. The predicted date can also be selected, and the display operation unit 204 performs redisplay according to the setting selected by the user. In this way, the user can confirm future life predictions.
  • the prediction device 3 shown in FIG. 11 is a stationary or easy-to-carry device, and includes a microprocessor 311, an ASIC 312 (ASIC: Application specific integrated circuit), a memory 313, a nonvolatile auxiliary storage device 314, a display unit 315, an operation A portion 316 and an input / output terminal 317.
  • ASIC Application specific integrated circuit
  • the microprocessor 311 comprehensively controls hardware in the apparatus.
  • the ASIC 312 is an integrated circuit for performing a specific process at high speed, and performs a part or all of the processes described above at high speed.
  • the input / output terminal 317 is a terminal for directly connecting a cable to the control unit 210 of the EV vehicle 2, but may be a LAN connection or the like.
  • the memory 313, the auxiliary storage device 314, the display unit 315, and the operation unit 316 employ conventional units.
  • the display unit 315 and the operation unit 316 may be a touch panel display.
  • the prediction device 3 is realized by software control or ASIC 312 in the microprocessor 311.
  • the prediction device 3 may have a configuration without the past battery state DB 101 and the prediction result DB 108.
  • data registration in the deterioration transition DB 104 is performed in advance and stored in the auxiliary storage device 315.
  • the life prediction result calculated according to the flowchart of FIG. 4 is displayed as a graph on the display unit 315 as it is.
  • the battery pack of an EV vehicle has been described as a prediction target, but the present invention is also applicable to a battery of a notebook PC, for example. That is, any aspect may be used as long as it is a lithium ion secondary battery.
  • the future prediction is performed by extrapolating using the past data of the secondary battery itself to be predicted, but the prediction result is extrapolated until an appropriate prediction model is constructed. It is difficult to get.
  • interpolation is performed using past data of the same product (determining the range of each section of the data string based on the existing data string). To predict.
  • the lifetime prediction of the target secondary battery is performed based on the past actual value of the same product, it is possible to predict a sudden change in value that is difficult to predict by extrapolation.
  • the display operation unit 204 displays a message indicating that it is out of the scope of application. May be.
  • life prediction can be performed using past data of internal state quantities of secondary batteries of the same product, which are different from the secondary battery to be predicted. Thereby, lifetime prediction can be performed without requiring information such as the usage history of the prediction target cell itself.
  • an internal state quantity which is composed of characteristic data of each material constituting the cell, is employed as an index. That is, by using the internal state quantity, it is possible to perform life prediction using a plurality of and many kinds of characteristic data.
  • the characteristic data A matches or approximates
  • the characteristic data B matches or approximates
  • the characteristic data C matches or approximates when searching.
  • the search condition can be narrowed down and the search result can be obtained with higher accuracy than the case of using one characteristic data or a small number of characteristic data.
  • life prediction includes deterioration prediction, performance prediction, and performance estimation of lithium ion batteries.
  • life prediction includes a concept for predicting and estimating a future battery state such as a state prediction and a deterioration state prediction of a lithium ion battery.
  • the present invention is not limited to this, and the same function may be downloaded from the network to the apparatus.
  • Those having these functions stored in a recording medium may be installed in the apparatus.
  • the recording medium may take any form as long as it can store a program such as a CD-ROM and can be read by the apparatus.
  • the function obtained by installing or downloading in advance may be realized in cooperation with an OS (operating system) inside the apparatus.
  • the term “cell” is used in the present embodiment, it may be referred to as a battery, a single battery, a secondary battery, a storage battery, or a battery cell.
  • the battery module and the battery pack may each include a control board.
  • this embodiment has been described using a battery mounted on an EV vehicle, it may be replaced with a stationary storage battery system.
  • the prediction accuracy of the future deterioration state of the lithium ion battery can be improved.

Abstract

【課題】今現在使用しているリチウムイオン二次電池の将来の劣化状態の予測精度を向上させる技術を提供する。 【解決手段】実施形態の予測システムは、リチウムイオン二次電池を構成する材料の特性データである内部状態量に基づき、二次電池の寿命予測を行う予測システムであって、記憶部と、制御部とを有する。記憶部は、予測対象の二次電池とは異なる個体の、同一製品の二次電池の内部状態量を蓄積する。制御部は、予測対象の二次電池の内部状態量を取得し、その内部状態量と一致もしくは近似した内部状態量を記憶部から検索し、検索結果の内部状態量を用いて、予測対象の二次電池の寿命予測結果を算出する。

Description

予測システム、予測プログラム、予測装置
　本発明の実施形態は、リチウムイオン二次電池の劣化状態を推定、予測する技術に関する。
　従来技術において、リチウムイオン二次電池の将来の劣化状態を推定、予測する場合、今現在使用している二次電池自体の使用履歴の情報をもとに、その電池の劣化状態を予測する。
　以下の文献が開示されている。
特開２０１３－１８１８７５号公報 特開２０１４－１４９２８０号公報
　従来技術においては、自己の過去の使用履歴を用いるため履歴データを都度保存して蓄積する必要がある。また履歴データが保存できない二次電池については、劣化を予測することができない等の問題がある。
　また従来技術においては、今現在使用している二次電池での過去の使用履歴を用いるため、その予測には外挿（既知のデータを用いて、その既知データの範囲外の数値を求める）を用いることとなる。例えば、時間軸上急激に値が落ちる場合や急激に値が上昇する場合などでは、外挿では急激な値の変化を予測することが困難となる。
　本発明が解決しようとする課題は、今現在使用しているリチウムイオン二次電池の将来の劣化状態の予測精度を向上させる技術を提供することである。
　実施形態の予測システムは、リチウムイオン二次電池を構成する材料の特性データである内部状態量に基づき、二次電池の寿命予測を行うシステムであって、記憶部と、制御部とを有する。記憶部は、予測対象の二次電池とは異なる個体の、同一製品の二次電池の内部状態量を蓄積する。制御部は、予測対象の二次電池の内部状態量を取得し、その内部状態量と一致もしくは近似した内部状態量を記憶部から検索し、検索結果の内部状態量を用いて、予測対象の二次電池の寿命予測結果を算出する。
実施形態のシステム構成例を示す図である。 予測サーバのハードウェア構成例を示す図である。 実施形態のシステムの機能ブロックの一例を示す図である。 実施形態の予測サーバの動作例を示すフローチャートである。 検索ヒットしたログの一例を示す図である。 検索ヒットした他の使用条件でのログの一例を示す図である。 診断対象セルの使用開始日、診断基準日での容量維持率及び使用開始日から診断基準日までの期間を１とした場合の診断基準日から予測日までの期間の比率の一例を示す図である。 予測劣化率の導出手法を説明する図である。 検索結果で得られるセルの予測劣化率の一覧を例示した図である。 実施形態の予測結果の表示例を示す図である。 実施形態の予測装置のハードウェア構成例を示す図である。
　実施形態では、ＥＶ車両（ＥＶ：Electric Vehicle）に搭載されたリチウムイオン二次電池の寿命予測を行うシステムについて説明する。寿命予測は、本例では容量維持率がどの程度低下するかを予測することで行われる。
　実施形態のシステムは、予測対象の二次電池とは異なる個体の、同一製品の二次電池の内部状態量を用いて行う。実施形態では、先行して使用されている同一製品の二次電池、製品寿命となった同一製品の二次電池など、それぞれ互いに別体の二次電池の使用履歴が複数データベースに登録されている。実施形態のシステムでは、データベースに登録されている二次電池の使用履歴の中から、予測対象の二次電池の現在の内部状態量を用いて検索することで、予測対象の現在の状態と一致または近似している過去製品のデータを抽出する。実施形態のシステムは、この抽出データを用いて、予測対象の二次電池の寿命予測を行う。
　本実施形態では、内部状態量という指標を用いて寿命予測を行う。各セル（二次電池）は、正極活物質、負極活物質などの材料を有する構成となっている。内部状態量は、セルを構成する各材料の特性データで成るものとする。すなわち、内部状態量は、複数材料それぞれの特性データであり、例えば正極を構成する活物質Ａ（例えばマンガン酸リチウム）の容量、正極を構成する活物質Ｂ（例えばコバルト酸リチウム）の容量、負極（例えば黒鉛やチタン酸リチウム）の容量、正極を構成する活物質Ａの充電量、正極を構成する活物質Ｂの充電量、負極の充電量、内部抵抗値などの特性データを含んでいる。
　例えば着目する特性データを１つのみとし、その特性データのみを用いて寿命予測を行う場合、当該特性データ以外の要因を考慮しないため予測結果の精度は高くない。本実施形態では、種類の異なる複数の特性データを用いて寿命予測を行うため、検索結果の精度を高めることができる。
　以下、図面を参照しつつ実施形態の態様を説明する。図１は、実施形態のシステム構成例を示す図である。実施形態のシステム１００は、予測サーバ１、ＥＶ車両２を有し、これらがインターネット３（広域ネットワーク）を介して互いにデータの送受信を行う。予測サーバ１は、インターネット３を介して接続される場所、すなわちＥＶ車両２から遠い場所に設置されている。
　予測サーバ１は、ＥＶ車両２に搭載される二次電池の電流値、電圧値、電池温度をインターネット３を介して受信し、寿命予測結果を算出してＥＶ車両２に送信する。予測サーバ１は、実施形態では１台のコンピュータとして説明するが、複数台のコンピュータにより構成されるサーバ群や、これに大容量ストレージやネットワーク機器を含めたクラウドシステムであってもよい。
　ＥＶ車両２は、リチウムイオン二次電池、電気モータを有し、二次電池から供給される電力でモータを駆動させることで走行する電気自動車である。またＥＶ車両２は、インターネット３を介して予測サーバ１と通信可能となる機構を有する。ＥＶ車両２は、二次電池の現在の電流値、電圧値、電池温度を計測し、これら計測結果を予測サーバ１に送信する。この送信は、従前技術の通信手段とする。
　図２は、予測サーバ１のハードウェア構成例を示す図である。予測サーバ１は、本実施形態ではコンピュータであり、プロセッサ１１、メモリ１２、ＲＯＭ（Read Only Memory）１３、ＨＤＤ（Hard Disk Drive）１４、入力装置１５、出力装置１６、ネットワークＩ／Ｆ（Interface）１７を有する。これらは通信バス１８により互いに制御信号、データの送受信を行う。
　プロセッサ１１は、例えばＣＰＵ（Central Processing Unit）などの演算処理装置であり、ＲＯＭ１３やＨＤＤ１４などに格納されているプログラムをメモリ１２にロードし、演算実行する。これによりプロセッサ１１は、プログラムに従い様々な処理を行うとともに、各ハードウェアを制御する。メモリ１２は、揮発性の主記憶装置である。ＲＯＭ１３は、永続的に記憶する不揮発性の記憶装置であり、システム起動時のＢＩＯＳ（Basic Input Output System）などが事前に記憶されている。ＨＤＤ１４は、永続的に記憶可能な不揮発性の補助記憶装置であり、ユーザが使用するデータやプログラム、オペレーティングシステムはＨＤＤ１４に記憶される。
　入力装置１５は、ユーザから予測サーバ１への情報入力を受け付ける装置であり、キーボード、マウスなどである。出力装置１６は、予測サーバ１の処理内容や処理結果をユーザに通知する装置であり、モニター、プリンタなどである。入力装置１５、出力装置１６は、予測サーバ１の管理者が例えばメンテナンスを行う際に使用される。
　ネットワークＩ／Ｆ１７は、予測サーバ１の外部機器と通信を担うユニットであり、ＬＡＮ（Local Area Network）ボードを含む。尚、ＥＶ車両２から得られる情報は、ネットワークＩ／Ｆ１７を経由して得られるものとする。
　図３は、実施形態のシステムの機能ブロック図である。まずＥＶ車両２の構成から説明する。ＥＶ車両２は、電池パック２０１、コントロールユニット２１０、表示操作部２０４を有する。電池パック２０１は、複数のセルを組み合わせて成るモジュールを、複数接続してケースに収容したものである。セルは、実施形態ではリチウムイオン二次電池とする。
　コントロールユニット２１０は、ＣＡＮ（Controller Area Network）を介して電池パック２０１を制御するユニットであり、測定器２０２、測定結果ＤＢ２０３を有する。測定器２０２は、電池パック２０１内に取り付けられるセンサから、電池パック２０１に収容されるセルそれぞれの現在の電流値、電圧値、温度の監視情報を受信して計測する。これら測定値は、記憶部である測定結果ＤＢ２０３に蓄積され、その後ユーザ操作に従い、または定期的に予測サーバ１に送信される。尚、記憶部を有さないＥＶ車両である場合、測定器２０２で得られた測定値はそのまま予測サーバ１に送信される。
　表示操作部２０４は、ＥＶ車両２を制御するためのユーザ操作を受け付け、また車両状態などを表示するコントロールパネルである。尚、カーナビゲーションシステムのコントロールパネルを流用してもよい。
　次に、予測サーバ１の構成について説明する。予測サーバ１は、過去の電池状態ＤＢ１０１、内部状態量算出部１０２、劣化推移ＤＢ１０４、検索部１０５、予測算出部１０７、予測結果ＤＢ１０８を有する。また一時的なデータとして、現在の内部状態量１０３、一致ログ１０６がある。尚、内部状態量算出部１０２、検索部１０５、予測算出部１０７は、図２に示すプロセッサ１１が、ＨＤＤ１４に事前に導入されているプログラムをメモリ１２に展開して演算実行することで、他のハードウェアリソースと協働して実現される機能部である。また過去の電池状態ＤＢ１０１、劣化推移ＤＢ１０４、予測結果ＤＢ１０８は、事前に導入されているＲＤＢＭＳ（Relational database management system）のデータ管理機構により実現されるが、データ蓄積を目的とした他の手段で実現されてもよい。
　過去の電池状態ＤＢ１０１は、予測対象の二次電池（本例では電池パック２０１）とは異なる個体の、同一製品で得られた電流値、電圧値、温度の計測結果を蓄積している。すなわち過去の電池状態ＤＢ１０１は、予測対象の二次電池とは別個体であり同一製品である二次電池の、過去に集計した計測結果を蓄積している。尚、図３の破線矢印で示すように、ＥＶ車両２から今現在送信される電流値、電圧値、温度の測定値を過去の電池状態ＤＢ１０１に登録し、他の車両に搭載された電池パックの寿命予測を行う際には当該測定値を過去データとして用いる、という実装でもよい。
　同一製品とは、例えば同じ正極材料および同じ負極材料を主材料として構成されるセルを搭載した同一の名称で販売される車や、同じ正極材料および同じ負極材料を主材料として構成されるセルを搭載した同一の名称で販売される定置型蓄電池システムをいう。その他、同一の名称で販売されるセルを搭載した車向け用の電池モジュールや電池パックを同一製品としてもよいし、同一の名称で販売されるセルを搭載した定置用途向けの電池モジュールや電池パックを同一製品とするなどしてもよい。
　内部状態量算出部１０２は、ＥＶ車両２より送信される、予測対象の二次電池の計測結果を取得し、内部状態量を算出する。この算出結果は、図３では現在の内部状態量１０３として記されている。内部状態量は、従前技術、例えば上記特許文献２に示される電池性能推定方法で算出される、二次電池で使用される各材料の各種特性データである。また一方で、内部状態量算出部１０２は、過去の電池状態ＤＢ１０１に蓄積されている蓄積データを取得して内部状態量を算出する。この算出結果は、劣化推移ＤＢ１０４に蓄積される。
　劣化推移ＤＢ１０４は、先行して使用されている同一製品の二次電池、製品寿命となった同一製品の二次電池など、予測対象の二次電池とは異なる個体の、同一製品の内部状態量の推移と電池の性能、例えば容量維持率の推移を対応させて蓄積している（以下、ログという）。この時、複数の使用条件（温度、ＳＯＣ範囲、充放電電流、およびそれらのパターン）が異なるログが蓄積されているが、必ずしも使用条件の詳細については蓄積する必要が無い。
　予測結果ＤＢ１０８は、予測算出部１０７により得られた予測結果を永続的に保存し、データを蓄積する。
　検索部１０５、予測算出部１０７、および一致ログ１０６については、図４のフローチャートを参照しつつ説明する。
　検索部１０５は、診断対象の二次電池の内部状態量をもとに、劣化推移ＤＢ１０４を参照し、劣化推移ＤＢ１０４内の一致もしくは類似する内部状態量の二次電池を１つまたは複数検索する（Ｓ００１）。例えば、電池パック２０１の使用開始から今現在までの経過時間と今現在の内部状態量とを用いて、劣化推移ＤＢ１０４を検索し、当該経過時間と当該内部状態量との関係が一致もしくは類似するログを抽出する。類似判定は、例えば、最も値の近いものを採用したり、一定範囲内のものを１つまたは複数採用したりする。また検索単位としては、パック単位、モジュール単位、セル単位のいずれであってもよいが、本例ではセル単位として説明する。
　予測サーバ１は、検索抽出されたセルにおいて、使用開始時点の内部状態量に対する、検索された内部状態量の差から容量維持率を算出する。容量維持率とは、初期容量に対する計測時の容量比である。図５は、劣化推移ＤＢ１０４に蓄積されたセル中の、検索ヒットしたセルの容量維持率の推移グラフ（ログ）を示した図である。また丸印で示すＰ１は、現在の内部状態量１０３のヒット値を示している。また図６は、検索ヒットしたセルの他の使用条件でのログについての容量維持率の推移グラフであり、丸印は、現在の内部状態量１０３のヒット値を示している。この推移グラフが一致ログ１０６に相当する。
　初期容量とは、製品完成時や製品購入時にあらかじめ定められたセルの０％と定義した電圧（例えば放電終止電圧）から、１００％と定義した開回路電圧（例えば充電終止電圧）に到達するまで充電した場合の総充電容量［Ａｈ］など各種値を定義し用いることができる。
　図４のフローチャートの説明に戻る。次に予測算出部１０７は、得られた一致ログ１０６に基づき予測劣化率算出を行う（Ｓ００２）。予測劣化率の算出は、以下の順で行われる。
　予測算出部１０７は、診断対象セルの使用開始日から診断基準日（データ取得日）の期間と、診断基準日から予測する先までの期間の比率を算出する。図７は、電池パック２０１の容量維持率の時間変化について示した図である。図７にある使用開始日は、電池パック２０１を使い始めた日付であり、診断基準日は今現在の日付である。ここで、予測算出部１０７は、使用開始日から診断基準日までの期間（１５ヶ月）を１とし、これに対する診断基準日から予測日までの期間（本例では３ヶ月とする）の比率を算出する。本例では、使用開始日から診断基準日までの期間が１５ヶ月であるため、比率は０．２となる。
　次に予測算出部１０７は、一致ログ１０６に対して上記で算出した比率を適用し、予測先における劣化率を抽出する。図８は、図５で示したログである。予測算出部１０７は、検索ヒット値（Ｐ１）から０．２先の値（Ｐ２）の容量維持率を求め、Ｐ１とＰ２の容量維持率の差を算出する。ここでは０．０１低下していることが導き出され、これを予測劣化率とする。予測算出部１０７は、全ての一致ログに対して上記方法で予測劣化率を抽出する。
　上記では診断基準日から３ヶ月後を予測日とした予測劣化率を抽出したが、予測算出部１０７は、これのみならず１ヶ月後や２ヶ月後等の他の予測日に対しても同様の方法で予測劣化率を算出する。検索される各セルの１か月後、２か月後、３か月後の予測劣化率を図９の一覧に示す。図９の例では、セル１～セル８のログが検索抽出され、セル１～セル８について、１～３か月後の予測劣化率を算出している。図９に示す一覧が図４のフローチャートに示す予測劣化率３０１に相当する。
　図４のフローチャートの説明に戻る。次に予測算出部１０７は、予測劣化率の分布算出を行う（Ｓ００３）。予測算出部１０７は、予測日毎に予測劣化率の分布を算出し、最終的な予測範囲を確定する。本例では、予測範囲を予測劣化率の平均値±標準偏差(μ±σ)から求めることとする。このようにして算出される寿命予測結果は、この最終的な予測範囲のデータであり、予測結果ＤＢ１０８に蓄積して保存される。
　図４のフローチャートに従い算出される寿命予測結果は、ＥＶ車両２に送信され、ＥＶ車両２の表示操作部２０４は寿命予測結果の各データをグラフ化して表示する。図１０は、このときの表示例である。図１０に示すように、ユーザはセル単位、モジュール単位、パック単位の選択、およびセル単位の場合はセルの識別情報を選択することができる。また予測日も選択することが可能となっており、表示操作部２０４は、ユーザにより選択される設定に従い再表示を行う。このようにして、ユーザは将来の寿命予測を確認することができる。
　上記実施形態では、予測演算を行うユニットの一形態として、サーバ（コンピュータ）を用いる態様を説明した。これは、複数のＥＶ車両からの要求を同時に処理するため、また複数データの収集や集計を大規模に行うための実装例である。一方で、ユーザがその場で手軽に対象電池の予測結果を得るためのデバイスを提供してもよい。図１１に示す予測装置３は、据置型もしくは持ち運びが容易な装置であり、マイクロプロセッサ３１１、ＡＳＩＣ３１２（ＡＳＩＣ：Application specific integrated circuit）、メモリ３１３、不揮発性の補助記憶装置３１４、表示部３１５、操作部３１６、入出力端子３１７を有する。マイクロプロセッサ３１１は、装置内のハードウェアを統括的に制御する。ＡＳＩＣ３１２は、特定処理を高速に行うための集積回路であり、上記で説明した処理の一部もしくは全てを高速演算する。入出力端子３１７は、ＥＶ車両２のコントロールユニット２１０と直接的にケーブル接続するための端子であるとするが、ＬＡＮ接続などでも構わない。メモリ３１３、補助記憶装置３１４、表示部３１５、操作部３１６は従前のユニットを採用する。尚、表示部３１５、操作部３１６は、タッチパネルディスプレイでもよい。
　図３に示す内部状態量算出部１０２、検索部１０５、予測算出部１０７の各機能部は、マイクロプロセッサ３１１でのソフトウェア制御もしくはＡＳＩＣ３１２で実現される。また小型化を図るため、予測装置３は、過去の電池状態ＤＢ１０１や予測結果ＤＢ１０８を有さない構成でもよい。この場合、劣化推移ＤＢ１０４へのデータ登録を事前にしておき、補助記憶装置３１５に記憶しておく。図４のフローチャートに従い算出される寿命予測結果は、表示部３１５にそのままグラフ化されて表示される。
　本実施形態では、ＥＶ車両の電池パックを予測対象として説明したが、例えばノートＰＣのバッテリなどにも適用される。すなわち、リチウムイオン二次電池であれば、どのような態様であってもよい。
　従来技術では、予測対象の二次電池自体の過去データを用いて、外挿を行うことで将来の予測を行っているが、適切な予測モデルが構築されるまでは、外挿で予測結果を得るのは困難である。一方本実施形態では、図５、図６、図８に示すように、同一製品の過去データを用いて内挿（既存データ列を基にして、そのデータ列の区間それぞれの範囲内を求める）を行って予測する。このように、同一製品の過去の実績値に基づき対象二次電池の寿命予測を行うことから、外挿では予測困難な急激な値の変化をも予測することが可能である。
　このように同一製品の過去データに基づき内挿で予測するため、同一製品の過去データの範囲外を予測日として指定された場合、表示操作部２０４は、適用範囲外である旨のメッセージを表示してもよい。
　本実施形態のように、予測対象の二次電池とは異なる個体の、同一製品の二次電池の内部状態量の過去データを用いて寿命予測を行うことができる。これにより、予測対象セル自身の使用履歴等の情報を必要とせずに寿命予測を行うことができる。
　本実施形態では、内部状態量という、セルを構成する各材料の特性データで成るものを指標として採用している。すなわち、内部状態量を用いることで、複数且つ多種類の特性データを活用して寿命予測を行うことができる。本実施形態のように、多種類の特性データを用いることで、検索の際には、特性データＡが一致もしくは近似、且つ、特性データＢが一致もしくは近似、且つ、特性データＣが一致もしくは近似、且つ、・・・というように、検索条件を絞ることが可能となり、１つの特性データや少数の特性データを用いる場合よりも高精度の検索結果を得ることができる。
　寿命予測の用語は、リチウムイオン電池の劣化予測、性能予測、性能推定も含む。また寿命予測の用語は、リチウムイオン電池の状態予測、劣化状態予測など、将来の電池状態を予測、推定する概念も含む。
　各実施形態では、装置内部に各実施形態の態様を実施する機能が予め記録されている場合で説明をしたが、これに限らず同様の機能をネットワークから装置にダウンロードしても良いし、同様の機能を記録媒体に記憶させたものを装置にインストールしてもよい。記録媒体としては、ＣＤ－ＲＯＭ等プログラムを記憶でき、かつ装置が読み取り可能な記録媒体であれば、その形態は何れの形態であっても良い。またこのように予めインストールやダウンロードにより得る機能は装置内部のＯＳ（オペレーティング・システム）等と協働してその機能を実現させるものであってもよい。
　また、本実施形態ではセルとの用語を用いているが、その他にも、電池、単電池、二次電池、蓄電池、電池セルと称される場合もある。また、電池モジュール、電池パックは、それぞれ制御基板を備えている場合もある。また、本実施形態ではＥＶ車両に搭載された電池を用いて説明しているが、定置型蓄電池システムに代えてもよい。
　実施形態により、リチウムイオン電池の将来の劣化状態の予測精度を向上させることができる。
　なお、本発明の実施形態を説明したが、当該実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

Claims (10)

  1. 　リチウムイオン二次電池を構成する材料の特性データである内部状態量に基づき、該二次電池の寿命予測を行う予測システムであって、
    　予測対象の二次電池とは異なる個体の、同一製品の二次電池の内部状態量を蓄積する記憶部と、
    　予測対象の二次電池の内部状態量を取得し、該内部状態量と一致もしくは近似した内部状態量を前記記憶部から検索し、検索結果の内部状態量を用いて、前記予測対象の二次電池の寿命予測結果を算出する制御部と、
    　を有する予測システム。
  2. 　請求項１に記載の予測システムにおいて、
    　前記制御部は、検索結果の内部状態量を内挿して、前記予測対象の二次電池の寿命予測結果を算出する。
  3. 　請求項１に記載の予測システムにおいて、
    　前記内部状態量は、リチウムイオン二次電池を構成する材料の複数の特性データである。
  4. 　請求項１に記載の予測システムにおいて、
    　前記記憶部は、先行して使用されている同一製品の二次電池の内部状態量または製品寿命となった同一製品の二次電池の内部状態量のいずれかもしくは両方を記憶する。
  5. 　請求項１に記載の予測システムにおいて、さらに、
    　予測対象の二次電池の電流、電圧、電池温度を測定し、送信するコントロールユニットと、
    　予測対象の二次電池の電流、電圧、電池温度の測定値を受信し、前記寿命予測結果を送信するインターフェイス部と、
    　前記寿命予測結果を受信し、グラフ化して表示する表示部と、を有し、
    　前記制御部は、前記インターフェイス部で受信される測定値に基づき内部状態量を算出して取得し、算出した前記予測対象の二次電池の寿命予測結果を、前記インターフェイス部を介して送信制御する。
  6. 　請求項５に記載の予測システムにおいて、
    　前記記憶部、前記インターフェイス部、前記制御部は、前記コントロールユニットから広域ネットワークを介して接続される位置に設置されている。
  7. 　リチウムイオン二次電池を構成する材料の特性データである内部状態量に基づき、該二次電池の寿命予測を行う処理を、コンピュータに実行させるためのプログラムであって、
    　予測対象の二次電池の内部状態量を取得し、
    　該内部状態量と一致もしくは近似した内部状態量を、予測対象の二次電池とは異なる個体の、同一製品の二次電池の内部状態量を蓄積した記憶部から検索し、
    　検索結果の内部状態量を用いて、前記予測対象の二次電池の寿命予測結果を算出する
    　処理を、コンピュータに実行させるための予測プログラム。
  8. 　請求項７に記載の予測プログラムにおいて、
    　検索結果の内部状態量を内挿して、前記予測対象の二次電池の寿命予測結果を算出する処理を、コンピュータに実行させるための予測プログラム。
  9. 　リチウムイオン二次電池を構成する材料の特性データである内部状態量に基づき、該二次電池の寿命予測を行う予測装置であって、
    　予測対象の二次電池とは異なる個体の、同一製品の二次電池の内部状態量を蓄積する記憶部と、
    　予測対象の二次電池の電流、電圧、電池温度の測定値を入力する第１端子と、
    　前記第１端子で受信される測定値に基づき、前記予測対象の二次電池の内部状態量を算出し、該内部状態量と一致もしくは近似した内部状態量を前記記憶部から検索し、検索結果の内部状態量を用いて、前記予測対象の二次電池の寿命予測結果を算出する制御部と、
    　を有する予測装置。
  10. 　請求項９に記載の予測装置において、
    　前記制御部は、検索結果の内部状態量を内挿して、前記予測対象の二次電池の寿命予測結果を算出する。
PCT/JP2014/005557 2014-11-05 2014-11-05 予測システム、予測プログラム、予測装置 WO2016071941A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2014/005557 WO2016071941A1 (ja) 2014-11-05 2014-11-05 予測システム、予測プログラム、予測装置
JP2016557356A JP6411538B2 (ja) 2014-11-05 2014-11-05 予測システム、予測プログラム、予測装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2014/005557 WO2016071941A1 (ja) 2014-11-05 2014-11-05 予測システム、予測プログラム、予測装置

Publications (1)

Publication Number Publication Date
WO2016071941A1 true WO2016071941A1 (ja) 2016-05-12

Family

ID=55908698

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2014/005557 WO2016071941A1 (ja) 2014-11-05 2014-11-05 予測システム、予測プログラム、予測装置

Country Status (2)

Country Link
JP (1) JP6411538B2 (ja)
WO (1) WO2016071941A1 (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018120785A (ja) * 2017-01-26 2018-08-02 トヨタ自動車株式会社 電池システムおよび推定システム
WO2019131825A1 (ja) * 2017-12-27 2019-07-04 Ｆｕｔｕｒｅ Ｓｃｉｅｎｃｅ Ｒｅｓｅａｒｃｈ株式会社 二次電池管理装置、二次電池および二次電池管理プログラム
CN110871709A (zh) * 2018-09-03 2020-03-10 本田技研工业株式会社 容量推定系统、容量推定方法及存储介质
WO2020161972A1 (ja) * 2019-02-04 2020-08-13 本田技研工業株式会社 バッテリ特定システムおよびバッテリ特定方法
JP2020190525A (ja) * 2019-05-23 2020-11-26 本田技研工業株式会社 バッテリ状態判定システム、車載装置、サーバ、バッテリ状態判定方法、及びプログラム
WO2020255557A1 (ja) * 2019-06-17 2020-12-24 日置電機株式会社 電池劣化診断システム、診断処理装置、測定装置及びプログラム
WO2020261435A1 (ja) * 2019-06-26 2020-12-30 三菱電機株式会社 蓄電池の劣化予測装置
JP2021136830A (ja) * 2020-02-28 2021-09-13 本田技研工業株式会社 診断装置、診断システム、診断方法、及びプログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7096008B2 (ja) * 2018-02-19 2022-07-05 旭化成株式会社 非水系リチウム型蓄電素子の容量劣化率推定方法および容量劣化率推定装置、システム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014054083A (ja) * 2012-09-07 2014-03-20 Nissan Motor Co Ltd 電池劣化予測システム
JP2014077785A (ja) * 2012-09-20 2014-05-01 Sekisui Chem Co Ltd 蓄電池管理装置、蓄電池管理方法及びプログラム
JP2014092471A (ja) * 2012-11-05 2014-05-19 Toyo System Co Ltd 二次電池評価方法および評価プログラム
WO2014155726A1 (ja) * 2013-03-29 2014-10-02 株式会社日立製作所 電池特性推定方法、電池特性推定装置及びプログラム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011247841A (ja) * 2010-05-31 2011-12-08 Toyota Motor Corp リチウムイオン電池の内部抵抗の測定方法およびその装置
JP5889548B2 (ja) * 2011-05-31 2016-03-22 株式会社東芝 電池劣化算出装置
JP6239241B2 (ja) * 2013-02-04 2017-11-29 株式会社東芝 電池性能推定方法および電池性能推定装置
JP6038275B2 (ja) * 2013-02-22 2016-12-07 株式会社日立製作所 二次電池の劣化診断方法およびそれを用いた装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014054083A (ja) * 2012-09-07 2014-03-20 Nissan Motor Co Ltd 電池劣化予測システム
JP2014077785A (ja) * 2012-09-20 2014-05-01 Sekisui Chem Co Ltd 蓄電池管理装置、蓄電池管理方法及びプログラム
JP2014092471A (ja) * 2012-11-05 2014-05-19 Toyo System Co Ltd 二次電池評価方法および評価プログラム
WO2014155726A1 (ja) * 2013-03-29 2014-10-02 株式会社日立製作所 電池特性推定方法、電池特性推定装置及びプログラム

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10493849B2 (en) 2017-01-26 2019-12-03 Toyota Jidosha Kabushiki Kaisha Battery system and estimation system
JP2018120785A (ja) * 2017-01-26 2018-08-02 トヨタ自動車株式会社 電池システムおよび推定システム
JPWO2019131825A1 (ja) * 2017-12-27 2021-01-14 Ｆｕｔｕｒｅ Ｓｃｉｅｎｃｅ Ｒｅｓｅａｒｃｈ株式会社 二次電池管理装置、二次電池および二次電池管理プログラム
WO2019131825A1 (ja) * 2017-12-27 2019-07-04 Ｆｕｔｕｒｅ Ｓｃｉｅｎｃｅ Ｒｅｓｅａｒｃｈ株式会社 二次電池管理装置、二次電池および二次電池管理プログラム
TWI818892B (zh) * 2017-12-27 2023-10-11 日商Ｆ Ｓ Ｒ股份有限公司 二次電池管理裝置及用於二次電池管理之程式製品
US11525866B2 (en) 2017-12-27 2022-12-13 Future Science Research Inc. Secondary battery management device, secondary battery, and secondary battery management program
JP7062307B2 (ja) 2017-12-27 2022-05-06 Ｆｕｔｕｒｅ Ｓｃｉｅｎｃｅ Ｒｅｓｅａｒｃｈ株式会社 二次電池管理装置および二次電池管理プログラム
JP6997056B2 (ja) 2018-09-03 2022-01-17 本田技研工業株式会社 容量推定システム、容量推定方法、及びプログラム
JP2020038102A (ja) * 2018-09-03 2020-03-12 本田技研工業株式会社 容量推定システム、容量推定方法、及びプログラム
CN110871709A (zh) * 2018-09-03 2020-03-10 本田技研工业株式会社 容量推定系统、容量推定方法及存储介质
JPWO2020161972A1 (ja) * 2019-02-04 2021-11-11 本田技研工業株式会社 バッテリ特定システムおよびバッテリ特定方法
WO2020161972A1 (ja) * 2019-02-04 2020-08-13 本田技研工業株式会社 バッテリ特定システムおよびバッテリ特定方法
JP7090750B2 (ja) 2019-02-04 2022-06-24 本田技研工業株式会社 バッテリ特定システムおよびバッテリ特定方法
JP2020190525A (ja) * 2019-05-23 2020-11-26 本田技研工業株式会社 バッテリ状態判定システム、車載装置、サーバ、バッテリ状態判定方法、及びプログラム
JP7079223B2 (ja) 2019-05-23 2022-06-01 本田技研工業株式会社 バッテリ状態判定システム、車載装置、サーバ、バッテリ状態判定方法、及びプログラム
WO2020255557A1 (ja) * 2019-06-17 2020-12-24 日置電機株式会社 電池劣化診断システム、診断処理装置、測定装置及びプログラム
WO2020261435A1 (ja) * 2019-06-26 2020-12-30 三菱電機株式会社 蓄電池の劣化予測装置
JP2021136830A (ja) * 2020-02-28 2021-09-13 本田技研工業株式会社 診断装置、診断システム、診断方法、及びプログラム
JP7424862B2 (ja) 2020-02-28 2024-01-30 本田技研工業株式会社 診断装置、診断システム、診断方法、及びプログラム

Also Published As

Publication number Publication date
JP6411538B2 (ja) 2018-10-24
JPWO2016071941A1 (ja) 2017-06-22

Similar Documents

Publication Publication Date Title
JP6411538B2 (ja) 予測システム、予測プログラム、予測装置
Hu et al. State estimation for advanced battery management: Key challenges and future trends
Wassiliadis et al. Review of fast charging strategies for lithium-ion battery systems and their applicability for battery electric vehicles
WO2022161002A1 (zh) 电池健康状态预测方法、装置、电子设备和可读存储介质
KR102343967B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
EP3904894B1 (en) Training device, estimation device, training method, estimation method, training program, and estimation program
EP2530482B1 (en) Battery deterioration-calculation method and apparatus
JP2019510215A (ja) バッテリーの充電状態を推定する方法及びセンサーシステム
US11243261B2 (en) Battery charger, charging method, non-transitory storage medium, and battery provision system
KR20160000317A (ko) 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
CN108780930B (zh) 在高速率电池放电期间估计放电持续时间的方法
WO2015041093A1 (ja) 蓄電池性能評価装置およびその方法
WO2016208251A1 (ja) 蓄電システム
CN110324383B (zh) 云服务器、电动汽车及其中动力电池的管理系统、方法
CN109100655B (zh) 一种动力电池的数据处理方法和装置
JP2020148560A (ja) 電池寿命学習装置、方法、プログラム、電池寿命予測装置、方法及びプログラム
Wang et al. An integrated online adaptive state of charge estimation approach of high-power lithium-ion battery packs
JP2014054083A (ja) 電池劣化予測システム
WO2022143880A1 (zh) 换电站推荐方法、系统、电子设备和存储介质
WO2022024885A1 (ja) 電池パックの診断方法、セルの診断方法、電池パックの診断装置及びセルの診断装置
WO2023124220A1 (zh) 车辆检测方法及装置
JP2023139227A (ja) 電池健康状態予測方法、装置、電子機器及び可読記憶媒体
Liu et al. Comparative study of incremental capacity curve determination methods for lithium-ion batteries considering the real-world situation
CN115214424A (zh) 电池热管理系统的温度确定方法、装置及电子设备
CN115610252A (zh) 一种车辆电池热管理启用方法、装置、设备及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14905465

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016557356

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14905465

Country of ref document: EP

Kind code of ref document: A1