WO2019193471A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2019193471A1
WO2019193471A1 PCT/IB2019/052581 IB2019052581W WO2019193471A1 WO 2019193471 A1 WO2019193471 A1 WO 2019193471A1 IB 2019052581 W IB2019052581 W IB 2019052581W WO 2019193471 A1 WO2019193471 A1 WO 2019193471A1
Authority
WO
WIPO (PCT)
Prior art keywords
storage device
power storage
initial parameter
battery
charge
Prior art date
Application number
PCT/IB2019/052581
Other languages
English (en)
French (fr)
Inventor
伊佐敏行
千田章裕
Original Assignee
株式会社半導体エネルギー研究所
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 株式会社半導体エネルギー研究所 filed Critical 株式会社半導体エネルギー研究所
Priority to JP2020512107A priority Critical patent/JP7446990B2/ja
Priority to CN201980021051.3A priority patent/CN111919128A/zh
Publication of WO2019193471A1 publication Critical patent/WO2019193471A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • 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

  • One embodiment of the present invention relates to an object, a method, or a manufacturing method. Further, one embodiment of the present invention relates to a process, a machine, a manufacture, or a composition (composition of matter). One embodiment of the present invention relates to a semiconductor device, a display device, a light-emitting device, a power storage device, a lighting device, or an electronic device. One embodiment of the present invention relates to a method for estimating a state of charge of a power storage device and a method for controlling charging of the power storage device. In particular, the present invention relates to a storage device charging state estimation system, a storage device charging system, and a storage device control system (also referred to as a BMS “battery management system”).
  • a power storage device refers to all elements and devices having a power storage function.
  • a storage battery also referred to as a secondary battery
  • a lithium ion secondary battery such as a lithium ion secondary battery, a lithium ion capacitor, a nickel metal hydride battery, an all-solid battery, and an electric double layer capacitor are included.
  • one embodiment of the present invention relates to a neural network and a control device for a power storage device using the neural network.
  • Another embodiment of the present invention relates to a vehicle having a BMS using a neural network.
  • Another embodiment of the present invention relates to an electronic device using a neural network.
  • One embodiment of the present invention is not limited to a vehicle, and can also be applied to a power storage device for storing power obtained from power generation equipment such as a solar power generation panel installed in a structure or the like.
  • Patent Document 1 discloses a technique for accurately estimating a state of a secondary battery at a low temperature by a state estimation unit based on information including a parameter associated with a temperature.
  • a vehicle equipped with a secondary battery can charge regenerative power generated during braking or the like to the secondary battery, and the secondary battery may not be used properly due to overcharging.
  • the present invention provides a charging state estimation method or a power storage device control method for a secondary battery with high estimation accuracy.
  • the SOC is defined as the ratio of the remaining capacity to the maximum capacity of the secondary battery.
  • the present invention provides a method for estimating the state of charge of a secondary battery with high estimation accuracy even when the deterioration of the secondary battery has progressed.
  • a secondary battery capacity measuring system that estimates SOC with high accuracy in a short time at low cost is provided.
  • the secondary battery state of charge estimation method disclosed in this specification uses a neural network to further improve the estimation accuracy of the SOC obtained by calculation processing using a regression model, for example, a Kalman filter.
  • a charge rate (SOC) is estimated by using artificial intelligence (AI: Artificial Intelligence) such as a neural network.
  • AI Artificial Intelligence
  • the configuration of the invention disclosed in this specification determines an electric circuit model of a power storage device, takes a current as an input and a voltage as an output with respect to the electric circuit model (Foster circuit model) of the power storage device, and The initial parameter (first value) of the electrical circuit model of the power storage device is calculated, the initial parameter group corresponding to the input value of the different current is stored, and the optimization is obtained.
  • An initial parameter (second value) is determined by neural network processing using the initial parameter group as teacher data, and the charging rate (SOC) is estimated by Kalman filter processing using the initial parameter (second value). It is a charge state estimation method.
  • the initial parameter group corresponding to the input values of different currents may be created by assigning conditions according to the type of power storage device used by the practitioner without using the measured cycle characteristics. Determining an electric circuit model of the electric storage device, taking an electric current as an input and a voltage as an output with respect to the electric circuit model of the electric storage device, and performing optimization to reduce an output error of the voltage of the electric storage device.
  • An initial parameter (first value) of the model is calculated, an initial parameter group different from the initial parameter is created, an initial parameter (second value) is determined by neural network processing using the initial parameter group as teacher data, This is a method for estimating the state of charge of a power storage device that estimates a charging rate (SOC) by using a Kalman filter process as an initial parameter.
  • SOC charging rate
  • the Kalman filter is a kind of infinite impulse response filter.
  • multiple regression analysis is one of multivariate analyses, in which multiple independent variables are used for regression analysis.
  • the multiple regression analysis there is a least square method.
  • regression analysis many time series of observation values are required.
  • the Kalman filter has an advantage that an optimal correction coefficient can be obtained sequentially as long as a certain amount of data is accumulated.
  • the Kalman filter can also be applied to non-stationary time series.
  • a nonlinear Kalman filter specifically, an unscented Kalman filter (also referred to as UKF)
  • An extended Kalman filter also called EKF
  • the initial parameters obtained by the optimization algorithm are collected every n (n is an integer, for example, 50) cycles, and those data groups are used as teacher data to perform neural network processing to estimate the SOC with high accuracy. it can.
  • the learning system includes a teacher creation device and a learning device.
  • the teacher data creation device creates teacher data to be used when the learning device learns.
  • the teacher data includes data whose processing target data and recognition target are the same, and evaluation of a label corresponding to the data.
  • the teacher data creation device includes an input data acquisition unit, an evaluation acquisition unit, and a teacher data creation unit.
  • the input data acquisition unit may acquire from the data stored in the storage device or may acquire learning input data via the Internet.
  • the input data is data used for learning, and is a secondary battery. Current value and voltage value.
  • the teacher data may not be actually measured data.
  • a charging rate is estimated by performing neural network processing using those predetermined characteristic databases as teacher data. May be. Based on the charge / discharge characteristics of a single battery, data close to actual measurement is created, and the neural network processing is performed using those predetermined characteristic databases as teacher data, so that SOC estimation of the same type of battery can be efficiently performed. You can also.
  • the characteristics of the battery are non-linear, and five initial parameters are obtained by a method of numerical optimization of the non-linear function.
  • the five initial parameters are a total capacity FCC (Full Charge Capacity), a DC resistance R S (R 0 ), a resistance R d due to the diffusion process, a diffusion capacity C d , and an initial SOC (0).
  • FCC also called full charge capacity, total capacity
  • FCC is a rated capacity at room temperature of 25 ° C.
  • a tool installed in Python (registered trademark) or Matlab (registered trademark) may be used to execute the optimization process for obtaining five initial parameters.
  • the initial parameter used for the calculation for estimating the SOC may be updated.
  • the initial parameter to be updated is calculated by an optimization algorithm using previously measured charge / discharge characteristic data.
  • a Kalman filter By calculating with a regression model using the updated initial parameters, for example, a Kalman filter, it is possible to estimate the SOC with high accuracy even after deterioration.
  • calculation processing using a Kalman filter is also expressed as Kalman filter processing.
  • the timing for updating the initial parameter may be arbitrary, but in order to estimate the SOC with high accuracy, it is preferable that the update frequency is high, and it is preferable to update the parameter periodically and continuously.
  • the voltage value or current value of the secondary battery is actually measured by the detection means (voltage detection circuit or current detection circuit). These data are acquired by a voltage measuring device or a current measuring device (also called a current sensor) and stored in a storage device.
  • the initial SOC (0) is calculated based on the voltage value obtained by the voltage measuring instrument, specifically, charge / discharge characteristic data.
  • the initial SOC (0) is an initial value of the SOC.
  • the initial Rs is an initial value (also referred to as R 2 O ) of the DC resistance Rs, and is a resistance due to an ion migration process.
  • the Nelder-Mead method is an algorithm that does not require a derivative.
  • a voltage detection circuit measures the open-circuit voltage of the battery before the start of use, and a map or correspondence table of the relationship between the open-circuit voltage OCV and the SOC obtained in advance. Can also be determined.
  • the OCV is a voltage when the battery is in an electrochemically balanced state and has a corresponding relationship with the SOC.
  • a fully connected neural network is constructed.
  • Five initial parameters can be calculated using the charging voltage characteristics as the input of the neural network and the initial parameter group of the battery model calculated by the Nelder-Mead method as the teacher data, and the SOC is estimated by performing the Kalman filter processing. It can be performed with high accuracy.
  • the configuration of the state of charge estimation device for the power storage device is also one aspect of the present invention, and the configuration includes a measurement unit, a storage unit, an estimation unit, and a calculation unit, and the measurement unit includes the power storage device.
  • the storage unit stores the data measured by the measurement unit, and the estimation unit provides the data obtained by the optimization algorithm as teacher data based on the data, and determines initial parameters.
  • the calculation unit is a state-of-charge estimation device for a power storage device that estimates SOC by Kalman filter processing using initial parameters.
  • the estimation unit includes a neural network. Neural network processing is performed using data in the storage unit. Further, in the above configuration, the optimization algorithm uses the Nelder-Mead method.
  • a neural network (also referred to as an artificial neural network) refers to a general model that imitates a biological neural network, determines the connection strength between neurons by learning, and has problem solving ability.
  • the neural network has an input layer, an intermediate layer (also referred to as a hidden layer), and an output layer.
  • determining the connection strength (also referred to as a weighting factor) between neurons from existing information may be referred to as “learning”.
  • the construction of a neural network using the connection strength obtained by learning and deriving a new conclusion therefrom may be referred to as “inference”.
  • the lithium ion secondary battery has been described as an example, but the present invention can also be applied to other batteries (for example, all solid state batteries).
  • the SOC can be estimated with high accuracy by appropriately changing the battery model according to the type of the battery.
  • the charging rate is expressed as a percentage of the sum of the remaining capacity and the amount of charged electricity with respect to the capacity when the secondary battery is fully charged.
  • SOC the charging rate
  • the amount of charge electricity can be calculated using the number of pulses per short time, the current value of the charge current, and the on-duty.
  • a neural network using the data obtained by the optimization algorithm as teacher data is used.
  • the SOC can be estimated with high accuracy by using the neural network.
  • a highly accurate SOC can be estimated with a relatively small calculation amount.
  • FIG. 10 is an example of a block diagram illustrating one embodiment of the present invention.
  • FIG. 3 is an example of a flowchart illustrating one embodiment of the present invention.
  • FIG. 3 is an example of a flowchart illustrating one embodiment of the present invention.
  • 1 is an example of a battery model illustrating one embodiment of the present invention. It is a graph which shows charge / discharge measured. It is a figure which shows the relationship between the total capacity FCC and the number of cycles. It is a figure which shows the relationship between DC resistance RS and the number of cycles. It is a figure which shows the relationship between the diffusion capacity Cd and the number of cycles. It is a view showing resistance R d and the number of cycles related by diffusion processes.
  • FIG. 1 It is a figure which shows the relationship between initial SOC (0) and the number of cycles.
  • (A) (B) is a perspective view which shows an example of a secondary battery, (C) is a schematic cross section of a secondary battery. The figure which shows an example of a moving body.
  • the electric vehicle is provided with a first battery 301 as a main driving secondary battery and a second battery 311 for supplying electric power to an inverter 312 for starting a motor 304.
  • state estimation unit 300 driven by the power supply of second battery 311 collectively monitors a plurality of secondary batteries constituting first battery 301.
  • the state estimation unit 300 performs charge state estimation.
  • the state estimation unit 300 includes a computer including a CPU (Central Processing Unit), a memory as a storage unit, and the like as main components.
  • the CPU includes a calculation unit that can support a plurality of secondary batteries.
  • the calculation unit determines a battery model of the secondary battery and estimates a value using a neural network. Teacher data is stored in the memory, and the SOC is estimated from the input current value and voltage value.
  • FIG. 2 shows an example of a flowchart for SOC estimation.
  • 2 includes step 1 (S1) for determining a circuit model of the secondary battery, step 2 (S2) for storing the measured current value or measured voltage value of the secondary battery in the storage unit, and 5 Step 3 (S3) for inputting the measured current value or the measured voltage value to the neural network using the initial parameter group as teacher data, and the five initial parameters (FCC, R S (R 0 ), R d , C d , the initial SOC (0)) is calculated in step 4 (S4).
  • the parameter indicating the abnormal value is changed to a value in the range where there is no abnormality (for example, the previous calculation result).
  • Step 6 (S6) for estimating the SOC using UKF is performed.
  • an abnormal value may be detected based on a change in the environmental temperature of the secondary battery, and the abnormal detection may be performed based on whether there is an abnormal value in the initial parameter in Step 4.
  • the teacher data is a data group obtained by measuring several charge / discharge characteristics of the secondary battery in advance and calculating five parameters using an optimization algorithm (Nelder Mead method in this embodiment).
  • learning by the state estimation unit 300 is referred to as initial learning.
  • charging / discharging of the secondary battery is repeated a plurality of times and the data is learned by the state estimation unit 300 after being deteriorated to some extent, that is, when the teacher data is added or updated, it is also called re-learning.
  • FIG. 3A shows an example of a learning flow.
  • a series of processes shown in FIG. 3A includes step 1 (S1) for determining the circuit model of the secondary battery, step 2 (S2) for actually measuring the charge / discharge characteristics of the secondary battery, and charging / recharging of the secondary battery.
  • step 3 (S3) for calculating five initial parameters by using the discharge characteristic to optimize by the Nelder-Mead method, and step 4 for constructing a neural network in which the five initial parameter groups are learned as teacher data (S4). ).
  • the teacher data may be the charge / discharge characteristics of the nth cycle (n is an integer of 2 or more) obtained in advance.
  • FIG. 3B shows an example of a learning flow.
  • a series of processes shown in FIG. 3B includes step 1 (S1) for determining the circuit model of the secondary battery, step 2 (S2) for actually measuring the charge / discharge characteristics of the secondary battery, and charging / recharging of the secondary battery.
  • Step 3 (S3) in which five initial parameters are calculated by optimization using the Nelder-Mead method using the discharge characteristics, and measured data of the secondary battery every n cycles if the measured cycle data can be obtained in advance.
  • step 15 (S15) for calculating five initial parameter groups every n cycles
  • step 17 (S17) for constructing a neural network in which the five initial parameter groups are learned as teacher data. .
  • step 16 for creating a virtual initial parameter group in which five initial parameters are conditionally set may be performed before step 17. Good.
  • This step 16 can be said to be an additional learning step.
  • This virtual initial parameter group can be said to be virtual teacher data.
  • teacher data is added or updated, which can be said to be relearning.
  • the first battery 301 mainly supplies power to a 42V system (high voltage system) vehicle-mounted device, and the second battery 311 supplies power to a 14V system (low voltage system) vehicle device.
  • a lead storage battery is often used because of its cost advantage.
  • Lead-acid batteries have larger self-discharge than lithium-ion secondary batteries, and have a drawback that they are easily deteriorated by a phenomenon called sulfation.
  • the second battery 311 as a lithium ion secondary battery, there is a possibility that an abnormality that cannot be discriminated at the time of manufacture occurs when it is used for a long period of time, for example, 3 years or more.
  • the motor cannot be activated even if the first battery 301 has a remaining capacity.
  • the second battery 311 is a lead-acid battery, power is supplied from the first battery to the second battery and the battery is charged so as to always maintain a fully charged state.
  • the second battery 311 may be a lead storage battery or an all solid state battery.
  • the regenerative energy generated by the rotation of the tire 316 is sent to the motor 304 via the gear 305 and supplied to the second battery 311 or supplied to the first battery 301 via the motor controller 303 and the battery controller 302.
  • the first battery 301 is mainly used to rotate the motor 304, but supplies power to 42V-system in-vehicle components (such as the electric power steering 307, the heater 308, and the defogger 309) via the DCDC circuit 306. Even when the rear wheel has a rear motor, the first battery 301 is used to rotate the rear motor.
  • the second battery 311 supplies electric power to the 14V in-vehicle components (audio 313, power window 314, lamps 315, etc.) via the DCDC circuit 310.
  • the first battery 301 is composed of a plurality of secondary batteries.
  • a cylindrical secondary battery 600 is used.
  • a module 615 may be configured by sandwiching a cylindrical secondary battery 600 between a conductive plate 613 and a conductive plate 614.
  • FIG. 1B does not show a switch between the secondary batteries.
  • the plurality of secondary batteries 600 may be connected in parallel, may be connected in series, or may be connected in series after being connected in parallel. By configuring the module 615 including a plurality of secondary batteries 600, large power can be extracted.
  • the battery controller 302 and the state estimation unit 300 are illustrated as separate configurations, but are not particularly limited, and may be configured as one IC chip on the same substrate. A single unit may be used. Further, the state estimation unit 300 may be configured by an LSI (Large Scale Integration) manufactured by being integrated on one chip. Further, the method of circuit integration is not limited to LSI, and implementation using a dedicated circuit or a general-purpose processor is also possible. Further, an FPGA (Field Programmable Gate Array) that can be programmed after manufacturing the LSI or a reconfigurable processor that can reconfigure the connection and setting of the circuit cells inside the LSI may be used. An IC (also called an inference chip) incorporating an AI system may be used.
  • LSI Large Scale Integration
  • FPGA Field Programmable Gate Array
  • An IC incorporating an AI system may be called a circuit (microcomputer) that performs a neural network operation.
  • the battery controller 302 may be referred to as a BMU (battery management unit).
  • the five initial parameters are stored in, for example, a memory of the state estimation unit 300 of the secondary battery, specifically, a ROM (Read Only Memory) or a RAM (Random Access Memory).
  • the state estimation unit 300 can calculate the SOC of the secondary battery more accurately.
  • a power storage control device or a management device including the secondary battery state estimation unit 300 can be realized.
  • a power storage control method that includes a plurality of steps by performing a plurality of processes including a neural network process in order.
  • a computer program which makes a computer perform each step contained in the electrical storage control method. Further, such a computer program can be stored in a recording medium or in a cloud via an Internet communication network and executed.
  • Software programs that execute computer programs include Python, Go, Perl, Ruby, Prolog, Visual Basic, C, C ++, Switch, Java (registered trademark),. Can be described in various programming languages such as NET.
  • An application may be created using a framework such as Chainer (available in Python), Caffe (available in Python and C ++), TenorFlow (available in C, C ++, and Python).
  • FIG. 4B shows an example of a battery model.
  • the battery model illustrated in FIG. 4B is a simplified model of the model illustrated in FIG.
  • the Warburg impedance part has an infinite number of stages, but in FIG. Of the 50 stages of the Warburg impedance portion shown in FIG. 4 (A), the 4th to 50th stages are resistances, and units with small time constants are summarized as DC resistances Rs in FIG. 4 (B).
  • FIG. 4B is shown as a series connection body of a DC resistance model and a diffusion resistance model.
  • Resistor R d by the diffusion process represents a resistance component
  • the diffusion capacitance C d denotes a capacitance component section.
  • the diffused resistor has a configuration in which a plurality of parallel connections of resistance components and capacitance components are connected in series (three stages in the figure).
  • An equivalent circuit formed by parallel connection of a resistance component and a capacitive line is called a Foster-type electric circuit model.
  • the Foster-type electric circuit model is preferable because the calculation amount can be smaller than that of the Cowell-type electric circuit model.
  • OCV can be represented by the following mathematical formula.
  • SOC (t) can be expressed by the following mathematical formula.
  • state variable x (t) can be expressed by the following mathematical formula.
  • the output equation can be expressed by the following mathematical formula.
  • these five initial parameters are calculated by optimization from actually measured voltage and current data.
  • an optimization algorithm there is a least square method, but since the secondary battery has a non-linear characteristic, the Nelder-Mead method is used as the optimization algorithm.
  • optimization is performed using the current data shown in FIG. 5A and the voltage data shown in FIG. 5B to calculate five initial parameters.
  • a neural network in which the values of the five initial parameters are learned as one of the teacher data is constructed.
  • Cycle test data is used for verification.
  • the cycle test data used is an environmental temperature of 45 ° C., a charge cut-off voltage of 4.2 V, a discharge cut-off current of 2.5 V, a charge method of CC-CV, and a charge rate at CC of 0.5 C (1.625 A).
  • the discharge rate is 1 C (3.25 V).
  • a fully-coupled neural network has an input layer 700 points, a first hidden layer 500 layer, a second hidden layer 500 layer, and an output layer 5 points (FCC, R S , R d , C d , initial SOC (0)). It is also called deep learning when hidden layers of neural networks overlap.
  • FCC FCC, R S , R d , C d , initial SOC (0).
  • the neural network processing is performed to calculate five parameters. This is indicated by a circle in FIG. 7, FIG. 8, FIG. 9, and FIG.
  • the initial parameter using the learned neural network using the teacher data obtained by the optimization algorithm can obtain almost the same value as the data actually optimized.
  • the calculation can be performed by the neural network processing using the optimized teacher data.
  • the initial parameter calculated by the neural network process using the optimized teacher data can be said to be an appropriate value as the initial parameter used in the Kalman filter, the accuracy of the SOC obtained by the Kalman filter process is improved.
  • the cylindrical secondary battery 600 has a positive electrode cap (battery cover) 601 on the top surface and a battery can (outer can) 602 on the side surface and the bottom surface.
  • the positive electrode cap 601 and the battery can (outer can) 602 are insulated by a gasket (insulating packing) 610.
  • FIG. 11B is a diagram schematically illustrating a cross section of a cylindrical secondary battery.
  • a battery element in which a strip-like positive electrode 604 and a negative electrode 606 are wound with a separator 605 interposed therebetween is provided.
  • the battery element is wound around a center pin.
  • the battery can 602 has one end closed and the other end open.
  • a metal such as nickel, aluminum, titanium, or the like having corrosion resistance to the electrolytic solution, or an alloy thereof or an alloy of these with another metal (for example, stainless steel) can be used. .
  • the secondary battery includes a positive electrode containing an active material such as lithium cobaltate (LiCoO 2 ) and lithium iron phosphate (LiFePO 4 ), a negative electrode made of a carbon material such as graphite capable of occluding and releasing lithium ions, and ethylene. It is composed of a non-aqueous electrolyte solution in which an electrolyte composed of a lithium salt such as LiBF 4 or LiPF 6 is dissolved in an organic solvent such as carbonate or diethyl carbonate.
  • an active material such as lithium cobaltate (LiCoO 2 ) and lithium iron phosphate (LiFePO 4 )
  • LiFePO 4 lithium iron phosphate
  • a positive electrode terminal (positive electrode current collecting lead) 603 is connected to the positive electrode 604, and a negative electrode terminal (negative electrode current collecting lead) 607 is connected to the negative electrode 606. Both the positive electrode terminal 603 and the negative electrode terminal 607 can use a metal material such as aluminum.
  • the positive terminal 603 is resistance-welded to the safety valve mechanism 612 and the negative terminal 607 is resistance-welded to the bottom of the battery can 602, respectively.
  • the safety valve mechanism 612 is electrically connected to the positive electrode cap 601 via a PTC (Positive Temperature Coefficient) element 611.
  • the safety valve mechanism 612 disconnects the electrical connection between the positive electrode cap 601 and the positive electrode 604 when the increase in the internal pressure of the battery exceeds a predetermined threshold value.
  • the PTC element 611 is a heat-sensitive resistance element whose resistance increases when the temperature rises, and prevents abnormal heat generation by limiting the amount of current by increasing the resistance.
  • barium titanate (BaTiO 3 ) -based semiconductor ceramics or the like can be used.
  • a lithium ion secondary battery using an electrolytic solution has a positive electrode, a negative electrode, a separator, an electrolytic solution, and an outer package.
  • the anode (anode) and cathode (cathode) are interchanged by charging and discharging, and the oxidation reaction and reduction reaction are interchanged. Therefore, the electrode having a high reaction potential is called the positive electrode, and the reaction potential An electrode with a low is called a negative electrode. Therefore, in the present specification, the positive electrode is referred to as “positive electrode” or “whether the battery is being charged, discharged, a reverse pulse current is applied, or a charge current is applied.
  • the positive electrode is referred to as a “positive electrode”, and the negative electrode is referred to as a “negative electrode” or a “ ⁇ electrode (negative electrode)”.
  • the terms anode (anode) and cathode (cathode) related to the oxidation reaction or reduction reaction are used, the charge and discharge are reversed, which may cause confusion. Therefore, the terms anode (anode) and cathode (cathode) are not used in this specification. If the terms anode (anode) or cathode (cathode) are used, specify whether charging or discharging, and indicate whether it corresponds to the positive electrode (positive electrode) or the negative electrode (negative electrode). To do.
  • a charger is connected to the two terminals illustrated in FIG. 11C, and the storage battery 1400 is charged. As the charging of the storage battery 1400 proceeds, the potential difference between the electrodes increases.
  • the battery flows from the external terminal of the storage battery 1400 toward the positive electrode 1402, flows in the storage battery 1400 from the positive electrode 1402 toward the negative electrode 1404, and flows from the negative electrode toward the external terminal of the storage battery 1400.
  • the direction of current is positive. That is, the direction in which the charging current flows is the current direction.
  • the present invention is not limited to a lithium ion secondary battery, and a material having, for example, an element A, an element X, and oxygen is used as a positive electrode material of the secondary battery.
  • the element A is preferably one or more selected from Group 1 elements and Group 2 elements.
  • an alkali metal such as lithium, sodium, or potassium can be used as the Group 1 element.
  • the Group 2 element for example, calcium, beryllium, magnesium, or the like can be used.
  • the element X for example, one or more selected from metal elements, silicon, and phosphorus can be used.
  • the element X is preferably one or more selected from cobalt, nickel, manganese, iron, and vanadium.
  • lithium cobalt composite oxide (LiCoO 2 ) and lithium iron phosphate (LiFePO 4 ) can be given.
  • the negative electrode has a negative electrode active material layer and a negative electrode current collector.
  • the negative electrode active material layer may have a conductive support agent and a binder.
  • an element capable of performing a charge / discharge reaction by an alloying / dealloying reaction with lithium can be used.
  • a material containing at least one of silicon, tin, gallium, aluminum, germanium, lead, antimony, bismuth, silver, zinc, cadmium, indium, and the like can be used.
  • Such an element has a larger capacity than carbon.
  • silicon has a large theoretical capacity of 4200 mAh / g.
  • the secondary battery preferably has a separator.
  • a separator for example, fibers including cellulose such as paper, non-woven fabric, glass fiber, ceramics, nylon (polyamide), vinylon (polyvinyl alcohol fiber), polyester, acrylic, polyolefin, synthetic fiber using polyurethane, etc. Can be used.
  • FIG. 12 illustrates a vehicle using the secondary battery charge state estimation device which is one embodiment of the present invention.
  • a secondary battery 8024 of the automobile 8400 illustrated in FIG. 12A can not only drive the electric motor 8406 but also supply power to a light-emitting device such as a headlight 8401 or a room light (not shown).
  • the cylindrical secondary battery 600 illustrated in FIG. 11B is sandwiched between the conductive plate 613 and the conductive plate 614 illustrated in FIG. You may use what you did.
  • FIG. 12B An automobile 8500 shown in FIG. 12B can charge a secondary battery of the automobile 8500 by receiving power from an external charging facility by a plug-in method, a non-contact power supply method, or the like.
  • FIG. 12B illustrates a state where the secondary battery 8024 mounted on the automobile 8500 is charged through the cable 8022 from the ground-mounted charging device 8021.
  • the charging method, connector standard, and the like may be appropriately performed by a predetermined method such as CHAdeMO (registered trademark) or a combo.
  • the charging device 8021 may be a charging station provided in a commercial facility, or may be a household power source.
  • the secondary battery 8024 mounted on the automobile 8500 can be charged by power supply from the outside by plug-in technology. Charging can be performed by converting AC power into DC power via a converter such as an ACDC converter.
  • the power receiving device can be mounted on the vehicle and charged by supplying power from the ground power transmitting device in a non-contact manner.
  • charging can be performed not only when the vehicle is stopped but also during traveling by incorporating a power transmission device on a road or an outer wall.
  • you may transmit / receive electric power between vehicles using this system of non-contact electric power feeding.
  • a solar battery may be provided in the exterior part of the vehicle, and the secondary battery may be charged when the vehicle is stopped or traveling.
  • An electromagnetic induction method or a magnetic field resonance method can be used for such non-contact power supply.
  • FIG. 12C illustrates an example of a two-wheeled vehicle using the secondary battery of one embodiment of the present invention.
  • a scooter 8600 illustrated in FIG. 12C includes a secondary battery 8602, a side mirror 8601, and a direction indicator lamp 8603.
  • the secondary battery 8602 can supply electricity to the direction indicator lamp 8603.
  • the scooter 8600 shown in FIG. 12C can store the secondary battery 8602 in the under-seat storage 8604.
  • the secondary battery 8602 can be stored in the under-seat storage 8604 even if the under-seat storage 8604 is small.
  • This embodiment mode can be combined with any of the other embodiment modes as appropriate.
  • 300 state estimation unit, 301: battery, 302: battery controller, 303: motor controller, 304: motor, 305: gear, 306: DCDC circuit, 307: electric power steering, 308: heater, 309: defogger, 310: DCDC circuit , 311: battery, 312: inverter, 313: audio, 314: power window, 315: lamps, 316: tire, 600: secondary battery, 601: positive electrode cap, 602: battery can, 603: positive electrode terminal, 604: Positive electrode, 605: separator, 606: negative electrode, 607: negative electrode terminal, 608: insulating plate, 609: insulating plate, 611: PTC element, 612: safety valve mechanism, 613: conductive plate, 614: conductive plate, 615: module, 1400 : Storage battery, 1402: Positive electrode, 1404: Negative 8021: Charging device, 8022: Cable, 8024: Secondary battery, 8400: Car, 8401: Headlight, 8406: Electric motor, 8

Abstract

要約書 二次電池の劣化が進んだとしても推定精度の高い二次電池の充電状態推定方法を提供する。 また、 短 時間、低コストでＳＯＣを高精度に推定する二次電池の容量測定システムを提供する。 回帰モデル、例えばカルマンフィルタで計算処理して得られるＳＯＣの推定精度をさらに高めるため にニューラルネットワークを利用する。最適化アルゴリズムで得られた教師データとするニューラル ネットワークを用いた初期パラメータを用いることで高精度にＳＯＣを推定することができる。

Description

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
本発明の一様態は、物、方法、又は、製造方法に関する。また、本発明の一様態は、プロセス、マシン、マニュファクチャ、又は、組成物（コンポジション・オブ・マター）に関する。本発明の一態様は、半導体装置、表示装置、発光装置、蓄電装置、照明装置または電子機器に関する。また、本発明の一様態は、蓄電装置の充電状態推定方法、及び蓄電装置の充電制御方法に関する。特に、蓄電装置の充電状態推定システム、蓄電装置の充電システム、および蓄電装置の制御システム（ＢＭＳ「バッテリーマネジメントシステム」とも呼ぶ）に関する。
なお、本明細書中において、蓄電装置とは、蓄電機能を有する素子及び装置全般を指すものである。例えば、リチウムイオン二次電池などの蓄電池（二次電池ともいう）、リチウムイオンキャパシタ、ニッケル水素電池、全固体電池、及び電気二重層キャパシタなどを含む。
　また、本発明の一態様は、ニューラルネットワーク、及びそれを用いた蓄電装置の制御装置に関する。また、本発明の一態様は、ニューラルネットワークを用いたＢＭＳを有する車両に関する。また、本発明の一態様は、ニューラルネットワークを用いた電子機器に関する。また、本発明の一態様は、車両に限定されず、構造体などに設置された太陽光発電パネルなどの発電設備から得られた電力を貯蔵するための蓄電装置にも適用できる。
二次電池の残量を推定する手法としてクーロンカウンタ法やＯＣＶ（Ｏｐｅｎ　Ｃｉｒｃｕｉｔ　Ｖｏｌｔａｇｅ）法がある。
従来の手法では、長期間運用して充電や放電を繰り返すと誤差が蓄積されて充電率、即ちＳＯＣ（Ｓｔａｔｅ　ｏｆ　Ｃｈａｒｇｅ）の推定精度が大きく低下する恐れがあった。また、電池の未使用状態での時間経過により、自己放電による初期ＳＯＣ（０）の変化もあるため、ＳＯＣの推定精度を上げることが困難である。クーロンカウンタ法は初期ＳＯＣ（０）の誤差を修正できないことや電流センサの誤差を蓄積してしまうなどの欠点がある。特許文献１には温度と関連付けたパラメータを含む情報に基づいて、状態推定手段によって低温時の二次電池の状態を高精度に推定する技術が開示されている。
特開２０１６−８０６９３号公報
二次電池を搭載した車両は、ブレーキ時などで生じる回生電力を二次電池に充電することができ、過充電により二次電池が適切に使用できなくなる恐れがある。過充電や過放電の問題を事前に発生しないようにするため二次電池の残量、即ち二次電池のＳＯＣを高い精度で推定することが求められている。本発明は、推定精度の高い二次電池の充電状態推定方法または蓄電装置制御方法を提供する。
二次電池は製造の際に活物質の量、電極サイズなどの組み立て時のわずかな違いによって同じ製造ロットであってもわずかに個体差がでる場合がある。車両などにおいては複数個の二次電池が使用されるため、多くの電池を組み合わせるとそれぞれの個体差が影響し、劣化によって車両間の容量の差が大きくなってしまう場合もある。
また、二次電池の劣化が進むとＳＯＣの推定精度が大きく低下する場合がある。なお、ＳＯＣは二次電池の最大容量に対する残存容量の割合で定義する。二次電池の最大容量は、満充電後に放電させて電流の時間積分から求めると放電時間に長時間かかる恐れがある。
本発明は、二次電池の劣化が進んだとしても推定精度の高い二次電池の充電状態推定方法を提供する。また、短時間、低コストでＳＯＣを高精度に推定する二次電池の容量測定システムを提供する。
本明細書で開示する二次電池の充電状態推定方法は、回帰モデル、例えばカルマンフィルタで計算処理して得られるＳＯＣの推定精度をさらに高めるためにニューラルネットワークを利用する。ニューラルネットワークなどの人工知能（ＡＩ：Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）を用いることによって充電率（ＳＯＣ）を推定する。
本明細書で開示する発明の構成は、蓄電装置の電気回路モデルを決定し、蓄電装置の電気回路モデル（フォスター型回路モデル）に対して入力に電流、出力に電圧を取り、蓄電装置の電圧の出力誤差が小さくなる最適化を行い、蓄電装置の電気回路モデルの初期パラメータ（第１の値）を算出し、異なる電流の入力値に対応する初期パラメータ群を記憶し、最適化で得られた初期パラメータ群を教師データとしてニューラルネットワーク処理により初期パラメータ（第２の値）を決定し、該初期パラメータ（第２の値）を用いてカルマンフィルタ処理により充電率（ＳＯＣ）を推定する蓄電装置の充電状態推定方法である。
また、異なる電流の入力値に対応する初期パラメータ群は、実測のサイクル特性を用いなくとも実施者が用いる蓄電装置の種類によって条件振りを行ってデータを作成すればよく、発明の他の構成は、蓄電装置の電気回路モデルを決定し、蓄電装置の電気回路モデルに対して入力に電流、出力に電圧を取り、蓄電装置の電圧の出力誤差が小さくなる最適化を行い、蓄電装置の電気回路モデルの初期パラメータ（第１の値）を算出し、該初期パラメータと異なる初期パラメータ群を作成し、初期パラメータ群を教師データとしてニューラルネットワーク処理により初期パラメータ（第２の値）を決定し、該初期パラメータをカルマンフィルタ処理により充電率（ＳＯＣ）を推定する蓄電装置の充電状態推定方法である。
カルマンフィルタは、無限インパルス応答フィルタの一種である。また、重回帰分析は多変量解析の一つであり、回帰分析の独立変数を複数にしたものである。重回帰分析としては、最小二乗法などがある。回帰分析では観測値の時系列が多く必要とされる一方、カルマンフィルタは、ある程度のデータの蓄積さえあれば、逐次的に最適な補正係数が得られるメリットを有する。また、カルマンフィルタは、非定常時系列に対しても適用できる。
二次電池の内部抵抗及び充電率（ＳＯＣ）を推定する方法として、非線形カルマンフィルタ（具体的には無香料カルマンフィルタ（ＵＫＦとも呼ぶ））を利用することができる。また、拡張カルマンフィルタ（ＥＫＦともよぶ）を用いることもできる。
最適化アルゴリズムにより得られた初期パラメータをｎ（ｎは整数、例えば５０）サイクル毎に集め、それらのデータ群を教師データに用いてニューラルネットワーク処理することで高精度のＳＯＣの推定を行うことができる。
学習システムは、教師作成装置及び学習装置を有する。教師データ作成装置は、学習装置が学習する際に利用する教師データを作成する。教師データとは処理対象データと認識対象が同一のデータと、そのデータに対応するラベルの評価とを含む。教師データ作成装置は、入力データ取得部、評価取得部、教師データ作成部とを有する。入力データ取得部は、記憶装置に記憶されたデータから取得してもよいし、インターネットを介して学習の入力データを取得してもよく、入力データとは学習に用いるデータであり、二次電池の電流値や電圧値を含む。また、教師データとしては、実測のデータでなくともよい。例えば、初期パラメータを条件振りすることで多様性を持たせ、実測に近いデータを作成し、それらの所定の特性データベースを教師データに用いてニューラルネットワーク処理することで充電率（ＳＯＣ）を推定してもよい。ある一つの電池の充放電特性を基に、実測に近いデータを作成し、それらの所定の特性データベースを教師データに用いてニューラルネットワーク処理することで、同種の電池のＳＯＣ推定を効率よく行うこともできる。
ＳＯＣ推定に最適化アルゴリズムのみを用いる場合、最適化アルゴリズムは計算量が多く、無意味な値への収束や最適値が決まらない発散などの問題がある。電池の特性は、非線形であり、非線形関数の数値最適化の手法で５個の初期パラメータを求める。５個の初期パラメータは、総容量ＦＣＣ（Ｆｕｌｌ　Ｃｈａｒｇｅ　Ｃａｐａｃｉｔｙ）、直流抵抗ＲＳ（Ｒ０）、拡散過程による抵抗Ｒｄ、拡散容量Ｃｄ、初期ＳＯＣ（０）である。なお、ＦＣＣ（満充電容量、総容量とも呼ぶ）は、常温２５℃の定格容量である。
５個の初期パラメータを得るための最適化処理の実行にはＰｙｔｈｏｎ（登録商標）やＭａｔｌａｂ（登録商標）に実装されているツールを用いればよい。
二次電池の劣化が進んだ場合、初期パラメータのＦＣＣが大きく変化するとＳＯＣの誤差が生じる恐れがあるため、ＳＯＣの推定のための演算に用いる初期パラメータを更新してもよい。更新する初期パラメータは、予め実測した充放電特性のデータを用いて最適化アルゴリズムにより算出する。更新された初期パラメータを用いた回帰モデル、例えばカルマンフィルタで計算処理することで、劣化後であっても高精度のＳＯＣの推定を行うことができる。本明細書ではカルマンフィルタを用いて計算処理することをカルマンフィルタ処理するとも表現する。
初期パラメータを更新するタイミングは任意でよいが、高い精度でＳＯＣの推定を行うためには、更新頻度は多い方が好ましく、定期的、連続的に更新するほうが好ましい。
ＳＯＣを推定する手順をより具体的に以下に説明する。
第１段階では、二次電池の電圧値、または電流値を検出手段（電圧検出回路や電流検出回路）により実測する。これらのデータは、電圧測定器や、電流測定器（電流センサともよぶ）によって取得され、記憶装置に保存される。電圧測定器で得られた電圧値、具体的には充放電特性データに基づいて初期ＳＯＣ（０）を算出する。初期ＳＯＣ（０）とは、ＳＯＣの初期値である。また、初期Ｒｓとは直流抵抗Ｒｓの初期値（ＲＯとも表記する。）であり、イオンの泳動過程による抵抗である。予め実測で求めた充放電特性から最適化アルゴリズム、具体的にはＮｅｌｄｅｒ−Ｍｅａｄ法を用いて５個の初期パラメータ、具体的には初期ＳＯＣ（０）、ＦＣＣ、Ｒ０、Ｒｄ、Ｃｄを得ることができる。なお、Ｎｅｌｄｅｒ−Ｍｅａｄ法は、導関数が不要なアルゴリズムである。
また、他の初期ＳＯＣ（０）の算出方法としては、電圧検出回路により使用開始前の電池の開放電圧を測定し、予め求めておいた開放端電圧ＯＣＶとＳＯＣとの関係のマップまたは対応表により決定することもできる。ＯＣＶとは、電池が電気化学的に平衡状態にあるときの電圧であり、ＳＯＣと対応関係にある。
第２段階では、全結合型のニューラルネットワークを構築する。ニューラルネットワークの入力に充電電圧特性を用い、教師データにＮｅｌｄｅｒ−Ｍｅａｄ法で算出された電池モデルの初期パラメータ群を用いて５個の初期パラメータを算出でき、カルマンフィルタ処理を行うことでＳＯＣの推定を高精度に行うことができる。
また、蓄電装置の充電状態推定装置の構成も本発明の一つであり、その構成は、測定部と、記憶部と、推定部と、演算部と、を有し、測定部は、蓄電装置の電流または電圧を測定し、記憶部は、測定部で測定されたデータを記憶し、推定部は、データに基づき、最適化アルゴリズムで得られたデータを教師データとして備え、初期パラメータを決定し、演算部は初期パラメータを用いてカルマンフィルタ処理によりＳＯＣを推定する蓄電装置の充電状態推定装置である。
上記構成において、推定部は、ニューラルネットワークを含んでいる。記憶部のデータを用いてニューラルネットワーク処理を行う。また、上記構成において、最適化アルゴリズムは、Ｎｅｌｄｅｒ−Ｍｅａｄ法を用いる。
　なお、本明細書においてニューラルネットワーク（人工ニューラルネットワークとも呼ぶ）とは、生物の神経回路網を模し、学習によってニューロン同士の結合強度を決定し、問題解決能力を持たせるモデル全般を指す。ニューラルネットワークは入力層、中間層（隠れ層ともいう）、出力層を有する。
　また、本明細書において、ニューラルネットワークについて述べる際に、既にある情報からニューロンとニューロンの結合強度（重み係数とも言う）を決定することを「学習」と呼ぶ場合がある。
　また、本明細書において、学習によって得られた結合強度を用いてニューラルネットワークを構成し、そこから新たな結論を導くことを「推論」と呼ぶ場合がある。
リチウムイオン二次電池を例に説明を行ったが、これ以外の電池（例えば全固体電池など）についても本発明を適用することもできる。本発明は、電池の種類に応じて電池モデルを適宜変更することでＳＯＣの推定を高精度に行うことができる。
本明細書において充電率（ＳＯＣ）は、二次電池の完全充電時の容量に対する残存容量と充電電気量との和の百分率として表される。充電率を算出するには充電電気量を求める必要があり、充電電気量は、短時間あたりのパルス数、充電電流の電流値、オンデューティを用いて算出できる。
カルマンフィルタ処理を行い、ＳＯＣの推定を行う際、最適化アルゴリズムで得られたデータを教師データとするニューラルネットワークを用いる。そのニューラルネットワークを用いることで高精度にＳＯＣを推定することができる。本発明の一態様により比較的小さい計算量で精度の高いＳＯＣを推定することができる。
本発明の一態様を示すブロック図の一例である。 本発明の一態様を示すフロー図の一例である。 本発明の一態様を示すフロー図の一例である。 本発明の一態様を示す電池モデルの一例である。 実測した充放電を示すグラフである。 総容量ＦＣＣとサイクル数の関係を示す図である。 直流抵抗ＲＳとサイクル数の関係を示す図である。 拡散容量Ｃｄとサイクル数の関係を示す図である。 拡散過程による抵抗Ｒｄとサイクル数の関係を示す図である。 初期ＳＯＣ（０）とサイクル数の関係を示す図である。 （Ａ）（Ｂ）は二次電池の一例を示す斜視図であり、（Ｃ）は二次電池の模式断面図である。 移動体の一例を示す図。
以下では、本発明の実施の形態について図面を用いて詳細に説明する。ただし、本発明は以下の説明に限定されず、その形態および詳細を様々に変更し得ることは、当業者であれば容易に理解される。また、本発明は以下に示す実施の形態の記載内容に限定して解釈されるものではない。
（実施の形態１）
　本実施の形態では、図１（Ａ）を用いて電池状態推定装置を電気自動車（ＥＶ）に用いる一例を示す。
電気自動車には、メインの駆動用の二次電池として第１のバッテリ３０１と、モータ３０４を始動させるインバータ３１２に電力を供給する第２のバッテリ３１１が設置されている。本実施の形態では、第２のバッテリ３１１の電源で駆動する状態推定ユニット３００が第１のバッテリ３０１を構成する複数の二次電池をまとめて監視する。状態推定ユニット３００は、充電状態推定を行う。
状態推定ユニット３００は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、記憶部としてのメモリなどを含むコンピュータを主要な構成要素としている。ＣＰＵは複数の二次電池に対応できる演算部を含む。演算部は二次電池の電池モデルを決定し、ニューラルネットワークを用いて値を推定する。メモリには教師データを記憶し、入力された電流値や電圧値からＳＯＣを推定する。
図２にＳＯＣ推定のフロー図の一例を示す。図２に示す一連の処理は、二次電池の回路モデルを決定するステップ１（Ｓ１）と、記憶部に二次電池の実測電流値または実測電圧値を記憶するステップ２（Ｓ２）と、５個の初期パラメータ群を教師データとしたニューラルネットワークへ、実測電流値または実測電圧値を入力するステップ３（Ｓ３）と、５個の初期パラメータ（ＦＣＣ、ＲＳ（Ｒ０）、Ｒｄ、Ｃｄ、初期ＳＯＣ（０））を算出するステップ４（Ｓ４）と、を有する。なお、ステップ４の初期パラメータで異常値があれば、その異常値を示すパラメータを異常のない範囲の値（例えば、１つ前の算出結果など）に変更するステップ５（Ｓ５）を行った後に、ＵＫＦを用いてＳＯＣを推定するステップ６（Ｓ６）を行う。例えば、二次電池の環境温度の変化によって異常値を検出する場合もあり、ステップ４の初期パラメータで異常値があるかどうかで異常検出を行うこともできる。
教師データは予め二次電池の充放電特性をいくつか実測で取得しておき、最適化アルゴリズム（本実施の形態ではＮｅｌｄｅｒ　Ｍｅａｄ法）を用いて５個のパラメータを算出したデータ群とする。予め実測したデータを用いる場合、状態推定ユニット３００の学習は初期学習と呼ぶ。また、二次電池の充放電を複数回繰り返し、ある程度劣化した後にデータを状態推定ユニット３００で学習させる場合、即ち教師データを追加または更新する場合は再学習とも呼ぶ。
図３（Ａ）に学習のフローの一例を示す。図３（Ａ）に示す一連の処理は、二次電池の回路モデルを決定するステップ１（Ｓ１）と、二次電池の充放電特性を実測するステップ２（Ｓ２）と、二次電池の充放電特性を用いてＮｅｌｄｅｒ−Ｍｅａｄ法により最適化して５個の初期パラメータを算出するステップ３（Ｓ３）と、５個の初期パラメータ群を教師データとして学習させたニューラルネットワークを構築するステップ４（Ｓ４）とを有する。
上記各処理のうち、全部または一部を自動的に行われるステップとすることもできる。また、一部のステップを使用者のタイミングで手動的に行うこともでき、定期的なタイミングで行ってもよい。図中で示したステップ手順、各種のデータやパラメータを含む情報については、任意に変更することができる。即ち、図面に示した情報は図示した順序に限られないことは言うまでもない。
また、教師データは予め得られているｎサイクル目（ｎは２以上の整数）の充放電特性であってもよい。
図３（Ｂ）に学習のフローの一例を示す。図３（Ｂ）に示す一連の処理は、二次電池の回路モデルを決定するステップ１（Ｓ１）と、二次電池の充放電特性を実測するステップ２（Ｓ２）と、二次電池の充放電特性を用いてＮｅｌｄｅｒ−Ｍｅａｄ法により最適化して５個の初期パラメータを算出するステップ３（Ｓ３）と、予め実測でのサイクルデータ取得できるのであれば、ｎサイクル毎の二次電池の実測データを最適化し、ｎサイクル毎の５個の初期パラメータ群を算出するステップ１５（Ｓ１５）と、５個の初期パラメータ群を教師データとして学習させたニューラルネットワークを構築するステップ１７（Ｓ１７）とを有する。
また、教師データの一部は、実測ではなく、実施者が仮定した充放電特性を用いてもよい。その場合、ステップ３の後に予め実測でのサイクルデータ取得できないのであれば、５個の初期パラメータを条件振りした仮想の初期パラメータ群を作成するステップ１６（Ｓ１６）をステップ１７の前に行ってもよい。このステップ１６は追加学習ステップと言える。この仮想の初期パラメータ群は仮想教師データとも言える。また、初期パラメータ群を変更する場合は教師データを追加または更新することになるため、再学習とも言える。
第１のバッテリ３０１は、主に４２Ｖ系（高電圧系）の車載機器に電力を供給し、第２のバッテリ３１１は１４Ｖ系（低電圧系）の車載機器に電力を供給する。第２のバッテリ３１１としては鉛蓄電池がコスト上有利のため採用されることが多い。鉛蓄電池はリチウムイオン二次電池と比べて自己放電が大きく、サルフェーションとよばれる現象により劣化しやすい欠点がある。第２のバッテリ３１１をリチウムイオン二次電池とすることでメンテナンスフリーとするメリットがあるが、長期間の使用、例えば３年以上となると、製造時には判別できない異常が生じる恐れがある。特にインバータを起動する第２のバッテリ３１１が動作不能となると、第１のバッテリ３０１に残容量があってもモータを起動させることができなくなる。これを防ぐため、第２のバッテリ３１１が鉛蓄電池の場合は、第１のバッテリから第２のバッテリに電力を供給し、常に満充電状態を維持するように充電されている。
本実施の形態では、第１のバッテリ３０１と第２のバッテリ３１１の両方にリチウムイオン二次電池を用いる一例を示す。第２のバッテリ３１１は鉛蓄電池や全固体電池を用いてもよい。
タイヤ３１６の回転による回生エネルギーは、ギア３０５を介してモータ３０４に送られ、モータコントローラ３０３やバッテリーコントローラ３０２を介して第２のバッテリ３１１に供給、または第１のバッテリ３０１に供給される。
第１のバッテリ３０１は主にモータ３０４を回転させることに使用されるが、ＤＣＤＣ回路３０６を介して４２Ｖ系の車載部品（電動パワステ３０７、ヒーター３０８、デフォッガ３０９など）に電力を供給する。後輪にリアモータを有している場合にも、第１のバッテリ３０１がリアモータを回転させることに使用される。
第２のバッテリ３１１は、ＤＣＤＣ回路３１０を介して１４Ｖ系の車載部品（オーディオ３１３、パワーウィンドウ３１４、ランプ類３１５など）に電力を供給する。
第１のバッテリ３０１は、複数の二次電池で構成される。例えば、円筒形の二次電池６００を用いる。図１（Ｂ）に示すように、円筒形の二次電池６００を、導電板６１３および導電板６１４の間に挟んでモジュール６１５を構成してもよい。図１（Ｂ）には二次電池間にスイッチを図示していない。複数の二次電池６００は、並列接続されていてもよいし、直列接続されていてもよいし、並列に接続された後、さらに直列に接続されていてもよい。複数の二次電池６００を有するモジュール６１５を構成することで、大きな電力を取り出すことができる。
図１（Ａ）においては、バッテリーコントローラ３０２と状態推定ユニット３００は、別々の構成で図示しているが、特に限定されず、同一基板上に１つのＩＣチップで構成してもよいし、まとめて一つのユニットとしてもよい。また、状態推定ユニット３００は、１つのチップ上に集積して製造されたＬＳＩ（Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｉｏｎ）から構成されているとしてもよい。また、集積回路化の手法はＬＳＩに限らず、専用回路または汎用プロセッサで実現してもよい。また、ＬＳＩ製造後にプログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、或いはＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブルプロセッサを用いてもよい。また、ＡＩシステムを組み込んだＩＣ（推論チップとも呼ぶ）を用いてもよい。ＡＩシステムを組み込んだＩＣは、ニューラルネット演算を行う回路（マイクロコンピュータ）と呼ぶ場合もある。また、バッテリーコントローラ３０２は、ＢＭＵ（バッテリーマネジメントユニット）と呼ぶ場合もある。５個の初期パラメータは例えば二次電池の状態推定ユニット３００のメモリ、具体的にはＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）やＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）に記憶させる。状態推定ユニット３００は、より正確に二次電池のＳＯＣを算出することができる。
二次電池の状態推定ユニット３００を備える蓄電制御装置または管理装置を実現することができる。また、ニューラルネットワーク処理を含む複数の処理を順序立てて行い、複数のステップを構成する蓄電制御方法を実現することができる。また、蓄電制御方法に含まれる各ステップをコンピュータに実行させるコンピュータプログラムとして実現することもできる。また、そのようなコンピュータプログラムを記録媒体、或いはインターネットの通信ネットワークを介したクラウドに保存し、実行することもできる。
コンピュータプログラムを実行するソフトウェアのプログラムは、Ｐｙｔｈｏｎ、Ｇｏ、Ｐｅｒｌ、Ｒｕｂｙ、Ｐｒｏｌｏｇ、Ｖｉｓｕａｌ　Ｂａｓｉｃ、Ｃ、Ｃ＋＋、Ｓｗｉｆｔ、Ｊａｖａ（登録商標）、．ＮＥＴなどの各種プログラミング言語で記述できる。また、アプリケーションをＣｈａｉｎｅｒ（Ｐｙｔｈｏｎで利用できる）、Ｃａｆｆｅ（ＰｙｔｈｏｎおよびＣ＋＋で利用できる）、ＴｅｎｓｏｒＦｌｏｗ（Ｃ、Ｃ＋＋、およびＰｙｔｈｏｎで利用できる）等のフレームワークを使用して作成してもよい。
（実施の形態２）
図４（Ｂ）は、電池モデルの一例を示している。
本実施の形態において図４（Ｂ）に示す電池モデルは、図４（Ａ）に示すモデルを簡略化したモデルである。ワールブルグインピーダンス部分は無限段あるが、図４（Ａ）では簡略して５０段として示している。図４（Ａ）に示したワールブルグインピーダンス部分である５０段のうち、４段目から５０段目を抵抗とし、時定数の小さいユニットを図４（Ｂ）では直流抵抗Ｒｓとしてまとめている。図４（Ｂ）は、直流抵抗モデルと拡散抵抗モデルの直列接続体として表されている。
拡散過程による抵抗Ｒｄは抵抗成分を示し、拡散容量Ｃｄは容量成分項を示す。拡散抵抗は、抵抗成分及び容量成分の並列接続体が複数個直列（図では３段）に接続された構成とする。抵抗成分と容量線分の並列接続による等価回路は、フォスター型の電気回路モデルと呼ばれる。フォスター型の電気回路モデルは、カウエル型の電気回路モデルよりも計算量が小さくできるため好ましい。
簡略された図４のモデルでは、３個のパラメータ（ＲＳ，Ｒｄ、Ｃｄ）で表すことができている。
また、ＯＣＶは、以下の数式で表すことができる。
Figure JPOXMLDOC01-appb-M000001
また、ＳＯＣ（ｔ）は、以下の数式で表すことができる。
Figure JPOXMLDOC01-appb-M000002
また、状態変数ｘ（ｔ）は以下の数式で表すことができる。
Figure JPOXMLDOC01-appb-M000003
また、出力方程式は以下の数式で表すことができる。
Figure JPOXMLDOC01-appb-M000004
従って、これらの数式は、以下に示す５個の初期パラメータが求められれば、状態空間表現による計算が可能となる。
Figure JPOXMLDOC01-appb-M000005
本実施の形態ではこの５個の初期パラメータを電圧と電流の実測データから最適化により算出する。最適化のアルゴリズムとしては最小二乗法があるが、二次電池は非線形の特性であるため、最適化のアルゴリズムとしてＮｅｌｄｅｒ−Ｍｅａｄ法を用いる。ここでは一例として図５（Ａ）に示した電流のデータと図５（Ｂ）に示した電圧のデータを用いて最適化を行い５個の初期パラメータを算出する。
５個の初期パラメータの値を教師データの一つとして学習させたニューラルネットワークを構築する。
検証のため、サイクル試験データを用いる。用いるサイクル試験データは、環境温度４５℃、充電カットオフ電圧４．２Ｖ、放電カットオフ電流２．５Ｖ、充電方式はＣＣ−ＣＶとし、ＣＣにおける充電レートは０．５Ｃ（１．６２５Ａ）とし、放電レートは１Ｃ（３．２５Ｖ）とする。
比較として１サイクル毎のデータを最適化して得られた５個の初期パラメータを黒線で示す。算出した値をそれぞれ図６、図７、図８、図９、図１０に示す。
全結合型のニューラルネットワークとし、入力層７００点、１つ目の隠れ層５００層、２つ目の隠れ層５００層、出力層を５点（ＦＣＣ、ＲＳ、Ｒｄ、Ｃｄ、初期ＳＯＣ（０））とする。ニューラルネットワークの隠れ層が何層も重なるとディープラーニングとも呼ばれる。本実施の形態では、全結合型のニューラルネットワークを用いる例を示すがニューラルネットワークの構造や学習方法については特に限定されない。
５０サイクル目、１５０サイクル目、２５０サイクル目、３５０サイクル目、４５０サイクル目、５５０サイクル目、６５０サイクル目においてもそれぞれニューラルネットワーク処理を行い５個のパラメータを算出し、それぞれのデータを図６、図７、図８、図９、図１０の図中の丸印で示す。
最適化アルゴリズムで得られた教師データを用い、学習させたニューラルネットワークを用いた初期パラメータは、実際に最適化を行ったデータとほぼ同じ値を得ることができている。最適化アルゴリズムを用いる場合は、無駄な反復処理や、物理的に無意味な値への収束や発散の問題の生じる可能性があり、最適化アルゴリズムのみを推定に用いるのが困難であったが、最適化を行った教師データを用いたニューラルネットワーク処理で算出が可能となる。
従って、最適化を行った教師データを用いたニューラルネットワーク処理で算出された初期パラメータは、カルマンフィルタで用いられる初期パラメータとして適正な値といえるため、カルマンフィルタ処理で得られるＳＯＣの精度が向上する。
（実施の形態３）
円筒型の二次電池の例について図１１（Ａ）及び図１１（Ｂ）を参照して説明する。円筒型の二次電池６００は、図１１（Ａ）に示すように、上面に正極キャップ（電池蓋）６０１を有し、側面および底面に電池缶（外装缶）６０２を有している。これら正極キャップ６０１と電池缶（外装缶）６０２とは、ガスケット（絶縁パッキン）６１０によって絶縁されている。
図１１（Ｂ）は、円筒型の二次電池の断面を模式的に示した図である。中空円柱状の電池缶６０２の内側には、帯状の正極６０４と負極６０６とがセパレータ６０５を間に挟んで捲回された電池素子が設けられている。図示しないが、電池素子はセンターピンを中心に捲回されている。電池缶６０２は、一端が閉じられ、他端が開いている。電池缶６０２には、電解液に対して耐腐食性のあるニッケル、アルミニウム、チタン等の金属、又はこれらの合金やこれらと他の金属との合金（例えば、ステンレス鋼等）を用いることができる。また、電解液による腐食を防ぐため、ニッケルやアルミニウム等を被覆することが好ましい。電池缶６０２の内側において、正極、負極およびセパレータが捲回された電池素子は、対向する一対の絶縁板６０８、６０９により挟まれている。また、電池素子が設けられた電池缶６０２の内部は、非水電解液（図示せず）が注入されている。二次電池は、コバルト酸リチウム（ＬｉＣｏＯ２）やリン酸鉄リチウム（ＬｉＦｅＰＯ４）などの活物質を含む正極と、リチウムイオンの吸蔵・放出が可能な黒鉛等の炭素材料からなる負極と、エチレンカーボネートやジエチルカーボネートなどの有機溶媒に、ＬｉＢＦ４やＬｉＰＦ６等のリチウム塩からなる電解質を溶解させた非水電解液などにより構成される。
円筒型の蓄電池に用いる正極および負極は捲回するため、集電体の両面に活物質を形成することが好ましい。正極６０４には正極端子（正極集電リード）６０３が接続され、負極６０６には負極端子（負極集電リード）６０７が接続される。正極端子６０３および負極端子６０７は、ともにアルミニウムなどの金属材料を用いることができる。正極端子６０３は安全弁機構６１２に、負極端子６０７は電池缶６０２の底にそれぞれ抵抗溶接される。安全弁機構６１２は、ＰＴＣ（Ｐｏｓｉｔｉｖｅ　Ｔｅｍｐｅｒａｔｕｒｅ　Ｃｏｅｆｆｉｃｉｅｎｔ）素子６１１を介して正極キャップ６０１と電気的に接続されている。安全弁機構６１２は電池の内圧の上昇が所定の閾値を超えた場合に、正極キャップ６０１と正極６０４との電気的な接続を切断するものである。また、ＰＴＣ素子６１１は温度が上昇した場合に抵抗が増大する熱感抵抗素子であり、抵抗の増大により電流量を制限して異常発熱を防止するものである。ＰＴＣ素子には、チタン酸バリウム（ＢａＴｉＯ３）系半導体セラミックス等を用いることができる。
電解液を用いるリチウムイオン二次電池は、正極と、負極と、セパレータと、電解液と、外装体とを有する。なお、リチウムイオン二次電池では、充電と放電でアノード（陽極）とカソード（陰極）が入れ替わり、酸化反応と還元反応とが入れ替わることになるため、反応電位が高い電極を正極と呼び、反応電位が低い電極を負極と呼ぶ。したがって、本明細書においては、充電中であっても、放電中であっても、逆パルス電流を流す場合であっても、充電電流を流す場合であっても、正極は「正極」または「＋極（プラス極）」と呼び、負極は「負極」または「−極（マイナス極）」と呼ぶこととする。酸化反応や還元反応に関連したアノード（陽極）やカソード（陰極）という用語を用いると、充電時と放電時とでは、逆になってしまい、混乱を招く可能性がある。したがって、アノード（陽極）やカソード（陰極）という用語は、本明細書においては用いないこととする。仮にアノード（陽極）やカソード（陰極）という用語を用いる場合には、充電時か放電時かを明記し、正極（プラス極）と負極（マイナス極）のどちらに対応するものかも併記することとする。
図１１（Ｃ）に示す２つの端子には充電器が接続され、蓄電池１４００が充電される。蓄電池１４００の充電が進めば、電極間の電位差は大きくなる。図１１（Ｃ）では、蓄電池１４００の外部の端子から、正極１４０２の方へ流れ、蓄電池１４００の中において、正極１４０２から負極１４０４の方へ流れ、負極から蓄電池１４００の外部の端子の方へ流れる電流の向きを正の向きとしている。つまり、充電電流の流れる向きを電流の向きとしている。
本実施の形態では、リチウムイオン二次電池の例を示すが、リチウムイオン二次電池に限定されず、二次電池の正極材料として例えば、元素Ａ、元素Ｘ、及び酸素を有する材料を用いることができる。元素Ａは第１族の元素および第２族の元素から選ばれる一以上であることが好ましい。第１族の元素として例えば、リチウム、ナトリウム、カリウム等のアルカリ金属を用いることができる。また、第２族の元素として例えば、カルシウム、ベリリウム、マグネシウム等を用いることができる。元素Ｘとして例えば金属元素、シリコン及びリンから選ばれる一以上を用いることができる。また、元素Ｘはコバルト、ニッケル、マンガン、鉄、及びバナジウムから選ばれる一以上であることが好ましい。代表的には、リチウムコバルト複合酸化物（ＬｉＣｏＯ２）や、リン酸鉄リチウム（ＬｉＦｅＰＯ４）が挙げられる。
負極は、負極活物質層および負極集電体を有する。また、負極活物質層は、導電助剤およびバインダを有していてもよい。
負極活物質として、リチウムとの合金化・脱合金化反応により充放電反応を行うことが可能な元素を用いることができる。例えば、シリコン、スズ、ガリウム、アルミニウム、ゲルマニウム、鉛、アンチモン、ビスマス、銀、亜鉛、カドミウム、インジウム等のうち少なくとも一つを含む材料を用いることができる。このような元素は炭素と比べて容量が大きく、特にシリコンは理論容量が４２００ｍＡｈ／ｇと大きい。
また、二次電池は、セパレータを有することが好ましい。セパレータとしては、例えば、紙をはじめとするセルロースを有する繊維、不織布、ガラス繊維、セラミックス、或いはナイロン（ポリアミド）、ビニロン（ポリビニルアルコール系繊維）、ポリエステル、アクリル、ポリオレフィン、ポリウレタンを用いた合成繊維等で形成されたものを用いることができる。
　図１２において、本発明の一態様である二次電池の充電状態推定装置を用いた車両を例示する。図１２（Ａ）に示す自動車８４００の二次電池８０２４は、電気モータ８４０６を駆動するだけでなく、ヘッドライト８４０１やルームライト（図示せず）などの発光装置に電力を供給することができる。自動車８４００の二次電池８０２４としては、図１１（Ｂ）に示した円筒形の二次電池６００を、図１（Ｂ）に示した導電板６１３および導電板６１４の間に挟んでモジュール６１５としたものを用いてもよい。
　図１２（Ｂ）に示す自動車８５００は、自動車８５００が有する二次電池にプラグイン方式や非接触給電方式等により外部の充電設備から電力供給を受けて、充電することができる。図１２（Ｂ）に、地上設置型の充電装置８０２１から、自動車８５００に搭載された二次電池８０２４に、ケーブル８０２２を介して充電を行っている状態を示す。充電に際しては、充電方法やコネクターの規格等はＣＨＡｄｅＭＯ（登録商標）やコンボ等の所定の方式で適宜行えばよい。充電装置８０２１は、商用施設に設けられた充電ステーションでもよく、また家庭の電源であってもよい。例えば、プラグイン技術によって、外部からの電力供給により自動車８５００に搭載された二次電池８０２４を充電することができる。充電は、ＡＣＤＣコンバータ等の変換装置を介して、交流電力を直流電力に変換して行うことができる。
　また、図示しないが、受電装置を車両に搭載し、地上の送電装置から電力を非接触で供給して充電することもできる。この非接触給電方式の場合には、道路や外壁に送電装置を組み込むことで、停車中に限らず走行中に充電を行うこともできる。また、この非接触給電の方式を利用して、車両同士で電力の送受信を行ってもよい。さらに、車両の外装部に太陽電池を設け、停車時や走行時に二次電池の充電を行ってもよい。このような非接触での電力の供給には、電磁誘導方式や磁界共鳴方式を用いることができる。
　また、図１２（Ｃ）は、本発明の一態様の二次電池を用いた二輪車の一例である。図１２（Ｃ）に示すスクータ８６００は、二次電池８６０２、サイドミラー８６０１、方向指示灯８６０３を備える。二次電池８６０２は、方向指示灯８６０３に電気を供給することができる。
　また、図１２（Ｃ）に示すスクータ８６００は、座席下収納８６０４に、二次電池８６０２を収納することができる。二次電池８６０２は、座席下収納８６０４が小型であっても、座席下収納８６０４に収納することができる。
　本実施の形態は、他の実施の形態の記載と適宜組み合わせることができる。
３００：状態推定ユニット、３０１：バッテリ、３０２：バッテリーコントローラ、３０３：モータコントローラ、３０４：モータ、３０５：ギア、３０６：ＤＣＤＣ回路、３０７：電動パワステ、３０８：ヒーター、３０９：デフォッガ、３１０：ＤＣＤＣ回路、３１１：バッテリ、３１２：インバータ、３１３：オーディオ、３１４：パワーウィンドウ、３１５：ランプ類、３１６：タイヤ、６００：二次電池、６０１：正極キャップ、６０２：電池缶、６０３：正極端子、６０４：正極、６０５：セパレータ、６０６：負極、６０７：負極端子、６０８：絶縁板、６０９：絶縁板、６１１：ＰＴＣ素子、６１２：安全弁機構、６１３：導電板、６１４：導電板、６１５：モジュール、１４００：蓄電池、１４０２：正極、１４０４：負極、８０２１：充電装置、８０２２：ケーブル、８０２４：二次電池、８４００：自動車、８４０１：ヘッドライト、８４０６：電気モータ、８５００：自動車、８６００：スクータ、８６０１：サイドミラー、８６０２：二次電池、８６０３：方向指示灯、８６０４：座席下収納

Claims (6)

  1. 蓄電装置の電気回路モデルを決定し、
    前記蓄電装置の電気回路モデルに対して入力を電流、出力を電圧とし、
    前記蓄電装置の電圧の出力誤差が小さくなる最適化を行い、前記蓄電装置の電気回路モデルの初期パラメータを算出し、
    異なる電流の入力値に対応する初期パラメータ群を記憶し、
    前記初期パラメータ群を教師データとしてニューラルネットワーク処理により初期パラメータ値を決定し、該初期パラメータをカルマンフィルタ処理により演算して充電率を推定する蓄電装置の充電状態推定方法。
  2. 蓄電装置の電気回路モデルを決定し、
    前記蓄電装置の電気回路モデルに対して入力を電流、出力を電圧とし、
    前記蓄電装置の電圧の出力誤差が小さくなる最適化を行い、前記蓄電装置の電気回路モデルの初期パラメータを算出し、
    該初期パラメータと異なる初期パラメータ群を作成し、
    前記初期パラメータ群を教師データとしてニューラルネットワーク処理により初期パラメータ値を決定し、該初期パラメータ値をカルマンフィルタ処理により充電率を推定する蓄電装置の充電状態推定方法。
  3. 請求項１または請求項２において、前記初期パラメータ値は、ＦＣＣ、ＲＳ、Ｒｄ、Ｃｄ、初期ＳＯＣ（０）のうち、少なくともいずれか一である蓄電装置の充電状態推定方法。
  4. 測定部と、記憶部と、推定部と、演算部と、を有し、
    前記測定部は、蓄電装置の電流または電圧を測定し、
    前記記憶部は、前記測定部で測定されたデータを記憶し、
    前記推定部は、前記データに基づいて最適化アルゴリズムで得られたデータを教師データとして備え、初期パラメータ値を決定し、
    前記演算部は前記初期パラメータ値を用いてカルマンフィルタ処理により充電率を推定する蓄電装置の充電状態推定装置。
  5. 請求項４において前記推定部は、ニューラルネットワークを含む蓄電装置の充電状態推定装置。
  6. 　請求項４または請求項５において、前記最適化アルゴリズムは、Ｎｅｌｄｅｒ−Ｍｅａｄ法を用いる蓄電装置の充電状態推定装置。
PCT/IB2019/052581 2018-04-06 2019-03-29 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 WO2019193471A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2020512107A JP7446990B2 (ja) 2018-04-06 2019-03-29 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
CN201980021051.3A CN111919128A (zh) 2018-04-06 2019-03-29 蓄电装置的充电状态推测方法及蓄电装置的充电状态推测系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-073724 2018-04-06
JP2018073724 2018-04-06

Publications (1)

Publication Number Publication Date
WO2019193471A1 true WO2019193471A1 (ja) 2019-10-10

Family

ID=68100611

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/IB2019/052581 WO2019193471A1 (ja) 2018-04-06 2019-03-29 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

Country Status (3)

Country Link
JP (1) JP7446990B2 (ja)
CN (1) CN111919128A (ja)
WO (1) WO2019193471A1 (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098845A (zh) * 2020-08-17 2020-12-18 四川大学 一种用于分布式储能系统的锂电池状态估计方法
WO2021088216A1 (zh) * 2019-11-04 2021-05-14 广东小鹏汽车科技有限公司 电池组荷电状态数据检测方法、装置、介质、终端及汽车
CN114295987A (zh) * 2021-12-30 2022-04-08 浙江大学 一种基于非线性卡尔曼滤波的电池soc状态估计方法
CN115469228A (zh) * 2022-09-15 2022-12-13 国网陕西省电力有限公司咸阳供电公司 可重构网络式储能系统电池荷电状态估计方法
KR20230160267A (ko) 2021-03-19 2023-11-23 가부시키가이샤 한도오따이 에네루기 켄큐쇼 축전 장치 관리 시스템 및 전자 기기
KR20230164094A (ko) 2021-03-26 2023-12-01 가부시키가이샤 한도오따이 에네루기 켄큐쇼 축전지 관리 시스템, 차량, 및 서버 장치
CN117686920A (zh) * 2024-02-02 2024-03-12 河南科技学院 一种用于电池系统内单体电池的端电压预测方法
CN115469228B (en) * 2022-09-15 2024-04-30 国网陕西省电力有限公司咸阳供电公司 Reconfigurable network type energy storage system battery state of charge estimation method

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113671388B (zh) * 2021-08-12 2023-07-04 清华大学深圳国际研究生院 一种电动汽车过度充电时间的计算方法
CN113884905B (zh) * 2021-11-02 2022-06-14 山东大学 基于深度学习的动力电池荷电状态估计方法及系统
CN114779082B (zh) * 2022-03-23 2023-07-25 泉州装备制造研究所 一种锂电池单体电压差预测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016031191A1 (ja) * 2014-08-28 2016-03-03 日本電気株式会社 情報処理装置、情報処理方法、及び、記録媒体
CN105487016A (zh) * 2016-01-21 2016-04-13 深圳市沃特玛电池有限公司 一种soc估值方法及其系统
JP2018159624A (ja) * 2017-03-23 2018-10-11 三菱自動車工業株式会社 バッテリ状態推定装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BRPI0419140B8 (pt) 2004-11-29 2023-01-10 Lg Chemical Ltd Método e aparato para estimar os valores descritivos da presente condição operacional de uma bateria
JP4649682B2 (ja) * 2008-09-02 2011-03-16 株式会社豊田中央研究所 二次電池の状態推定装置
CN103020445B (zh) * 2012-12-10 2016-07-06 西南交通大学 一种电动车车载磷酸铁锂电池的soc与soh预测方法
JP5946436B2 (ja) * 2013-10-21 2016-07-06 カルソニックカンセイ株式会社 バッテリのパラメータ推定装置及びパラメータ推定方法
KR20160128000A (ko) * 2015-04-28 2016-11-07 영남대학교 산학협력단 배터리 진단 장치 및 그 방법
CN105974327A (zh) 2016-06-12 2016-09-28 广州市香港科大霍英东研究院 一种基于神经网络和ukf的锂电池组soc预测方法
KR20230170991A (ko) 2017-05-03 2023-12-19 가부시키가이샤 한도오따이 에네루기 켄큐쇼 신경망, 전력 저장 시스템, 차량, 및 전자 기기
WO2019053557A1 (ja) 2017-09-14 2019-03-21 株式会社半導体エネルギー研究所 二次電池の異常検知システム及び二次電池の異常検出方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016031191A1 (ja) * 2014-08-28 2016-03-03 日本電気株式会社 情報処理装置、情報処理方法、及び、記録媒体
CN105487016A (zh) * 2016-01-21 2016-04-13 深圳市沃特玛电池有限公司 一种soc估值方法及其系统
JP2018159624A (ja) * 2017-03-23 2018-10-11 三菱自動車工業株式会社 バッテリ状態推定装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NATORI, KOHEI ET AL.: "Initial Parameter Value Estimatation Using the Frequency Response for State-of-charge Estimation of Lithium-ion Battery", TRANSACTIONS OF THE SOCIETY OF INSTRUMENT AND CONTROL ENGINEERS, vol. 53, no. 1, 31 July 2017 (2017-07-31), pages 112 - 120 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021088216A1 (zh) * 2019-11-04 2021-05-14 广东小鹏汽车科技有限公司 电池组荷电状态数据检测方法、装置、介质、终端及汽车
CN112098845A (zh) * 2020-08-17 2020-12-18 四川大学 一种用于分布式储能系统的锂电池状态估计方法
KR20230160267A (ko) 2021-03-19 2023-11-23 가부시키가이샤 한도오따이 에네루기 켄큐쇼 축전 장치 관리 시스템 및 전자 기기
KR20230164094A (ko) 2021-03-26 2023-12-01 가부시키가이샤 한도오따이 에네루기 켄큐쇼 축전지 관리 시스템, 차량, 및 서버 장치
CN114295987A (zh) * 2021-12-30 2022-04-08 浙江大学 一种基于非线性卡尔曼滤波的电池soc状态估计方法
CN114295987B (zh) * 2021-12-30 2024-04-02 浙江大学 一种基于非线性卡尔曼滤波的电池soc状态估计方法
CN115469228A (zh) * 2022-09-15 2022-12-13 国网陕西省电力有限公司咸阳供电公司 可重构网络式储能系统电池荷电状态估计方法
CN115469228B (en) * 2022-09-15 2024-04-30 国网陕西省电力有限公司咸阳供电公司 Reconfigurable network type energy storage system battery state of charge estimation method
CN117686920A (zh) * 2024-02-02 2024-03-12 河南科技学院 一种用于电池系统内单体电池的端电压预测方法
CN117686920B (zh) * 2024-02-02 2024-04-12 河南科技学院 一种用于电池系统内单体电池的端电压预测方法

Also Published As

Publication number Publication date
CN111919128A (zh) 2020-11-10
JPWO2019193471A1 (ja) 2021-05-13
JP7446990B2 (ja) 2024-03-11

Similar Documents

Publication Publication Date Title
WO2019193471A1 (ja) 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
JP7234140B2 (ja) 二次電池の異常検知装置、異常検知方法、プログラム、二次電池の状態推定方法、及び二次電池の充電状態推定装置
JP7134981B2 (ja) 二次電池の異常検知システム及び二次電池の異常検出方法
JP7337781B2 (ja) 蓄電装置の充電状態推定システム
JP7393102B2 (ja) 二次電池の異常検出装置
US10137792B2 (en) Vehicle control based on lithium plating detection in electrified vehicle battery
JP7104065B2 (ja) 充電制御装置
US11804622B2 (en) Abnormality detection method of power storage device and management device of power storage device
WO2019087018A1 (ja) 蓄電装置の容量推定方法および容量推定システム
Waseem et al. Battery technologies and functionality of battery management system for EVs: Current status, key challenges, and future prospectives
US10071648B1 (en) Avoidance of electrode plating in a battery cell
DE112020001752T5 (de) Verfahren zur Schätzung eines Ladezustands einer Sekundärbatterie, System zur Schätzung einesLadezustands einer Sekundärbatterie und Verfahren zur Anomalie-Erkennung einer Sekundärbatterie
Pozzi Optimal Control and Reinforcement-Learning Strategies for Advanced Management of Lithium-Ion Battery Packs

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: 19781443

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020512107

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: 19781443

Country of ref document: EP

Kind code of ref document: A1