WO2019207399A1 - 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
WO2019207399A1
WO2019207399A1 PCT/IB2019/053018 IB2019053018W WO2019207399A1 WO 2019207399 A1 WO2019207399 A1 WO 2019207399A1 IB 2019053018 W IB2019053018 W IB 2019053018W WO 2019207399 A1 WO2019207399 A1 WO 2019207399A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
time
battery
storage device
series data
Prior art date
Application number
PCT/IB2019/053018
Other languages
English (en)
French (fr)
Inventor
田島亮太
千田章裕
塩川将隆
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 JP2020515307A priority Critical patent/JP7337781B2/ja
Priority to US17/050,388 priority patent/US11493558B2/en
Priority to CN201980027358.4A priority patent/CN112020656B/zh
Publication of WO2019207399A1 publication Critical patent/WO2019207399A1/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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L50/00—Electric propulsion with power supplied within the vehicle
    • B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
    • B60L50/60—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by batteries
    • B60L50/64—Constructional details of batteries specially adapted for electric vehicles
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—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
    • H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/342—The other DC source being a battery actively interacting with the first one, i.e. battery to battery charging
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/549—Current
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/40—The network being an on-board power network, i.e. within a vehicle
    • H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power
    • H02J50/10—Circuit arrangements or systems for wireless supply or distribution of electric power using inductive coupling
    • 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
    • H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power
    • H02J50/10—Circuit arrangements or systems for wireless supply or distribution of electric power using inductive coupling
    • H02J50/12—Circuit arrangements or systems for wireless supply or distribution of electric power using inductive coupling of the resonant type
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Definitions

  • One embodiment of the present invention relates to an object, a method, or a manufacturing method. Or this 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, an electronic device, or a manufacturing method thereof.
  • One embodiment of the present invention relates to a vehicle or a vehicle electronic device provided in the vehicle.
  • 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, 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 power storage system using the neural network. Another embodiment of the present invention relates to a vehicle using a neural network. Another embodiment of the present invention relates to an electronic device using a neural network. Another embodiment of the present invention relates to a charging control system using a neural network.
  • lithium ion secondary batteries with high output and high energy density are portable information terminals such as mobile phones, smartphones, tablets, or notebook computers, portable music players, digital cameras, medical devices, or hybrid vehicles (HEV).
  • EVs electric vehicles
  • PHEVs plug-in hybrid vehicles
  • a plurality of secondary batteries are connected in series or in parallel to provide a protection circuit and used as a battery pack (also called an assembled battery).
  • neural networks In recent years, machine learning techniques such as artificial neural networks (hereinafter referred to as neural networks) have been actively developed.
  • Patent Document 1 shows an example in which a neural network is used for calculating the remaining capacity of a secondary battery.
  • 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 secondary battery In order to prevent the problem of overcharge and overdischarge in advance, it is required to estimate the remaining amount of the secondary battery, that is, the SOC of the secondary battery with high accuracy.
  • a secondary battery state of charge estimation method or a power storage device control method with high estimation accuracy is provided.
  • the SOC is defined as the ratio of the remaining capacity to the maximum capacity of the secondary battery.
  • a method for estimating a charged state of a secondary battery with high estimation accuracy even when the deterioration of the secondary battery is advanced is provided.
  • a secondary battery capacity measuring system that estimates SOC with high accuracy in a short time at low cost is provided.
  • the data of the rest period is removed.
  • normalization is performed by setting the voltage on the vertical axis of the first charging characteristic data to 1 and the current on the vertical axis of the second charging characteristic data to 1, and a square matrix (n rows and n columns, where n is an integer of 50 or more) ) Data.
  • one of the two data whose horizontal axis is time is rotated by 90 degrees (that is, the vertical axis is time), and one learning image data obtained by superimposing the two data is labeled ( Here, evaluation and learning are performed separately.
  • a plurality of such learning image data is prepared and a database is constructed.
  • the SOC of the secondary battery is calculated based on the learned content using a neural network (NN) model or a convolutional neural network (CNN) model.
  • NN neural network
  • CNN convolutional neural network
  • the configuration disclosed in this specification includes means for acquiring time series data of voltage measurement values and current measurement values of the first power storage device, means for normalizing time series data of voltage measurement values, A database that creates means for normalizing time-series data and a database that associates time series data with a time axis on the vertical axis and time series data with a time axis on the horizontal axis in association with the SOC of the first power storage device
  • a neural network is configured using the creation unit and a database created in advance as learning data, and the time series data of the second power storage device is overlapped with time series data with the vertical axis and time series data with the horizontal axis of the time axis.
  • a neural network unit that inputs data and outputs an estimated value of the SOC of the second power storage device.
  • normalization means that data and the like are transformed based on a certain rule, arranged for efficient handling, and easy to use.
  • the normalization includes processing the data so that both become the data of the same number of square matrices.
  • normalization includes deleting a region with little change (such as a pause period or a period during which CCCV charging is performed) from the data.
  • learning data is prepared by superimposing temperature data, and the first charging characteristic data in which the vertical axis is voltage and the horizontal axis is time, and the second charging characteristic is that the vertical axis is current and the horizontal axis is time.
  • the SOC calculation or the like may be performed using one piece of data and a total of three pieces of temperature data.
  • the second power storage device is not limited to one battery cell, and may be a battery pack including a plurality of battery cells.
  • the database creation unit has the voltage value of the first power storage device on the vertical axis, the data on the time axis on the horizontal axis, the current value of the first power storage device on the horizontal axis, and the time axis on the time axis. Overlay the data on the vertical axis.
  • the method of superimposing data is not particularly limited as long as the time axes do not overlap.
  • the database creation unit includes data having the current value of the first power storage device on the vertical axis and the time axis on the horizontal axis.
  • the voltage value of one power storage device may be overlapped with the data with the horizontal axis representing the voltage value and the vertical axis representing the time axis.
  • the estimation accuracy of the SOC increases.
  • the algorithm is not limited to NN, and CNN, SVR, RVM (Relevance Vector Machine), random forest, or the like may be used. Further, although the circuit configuration becomes large, calculation may be performed by combining CNN and LSTM (Long Short-Term Memory).
  • 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 charged electricity can be calculated using the number of pulses per short time, the current value of the charging current, and the on-duty ratio.
  • a neural network can be configured by performing learning for each type of power storage device, and a system that outputs a highly accurate SOC can be provided.
  • FIG. 6 is a flowchart illustrating one embodiment of the present invention.
  • FIG. 6 is a flowchart illustrating one embodiment of the present invention. It is a graph which shows an example of the time series data of a secondary battery, and the inferred value of SOC. It is another example of the time series data of a secondary battery.
  • the figure which shows the structure of a secondary battery. It is a block diagram of a mobile body and a perspective view of an assembled battery.
  • the figure which shows the structure of a moving body. is a block diagram of a moving body. It is a graph which shows the inferred value of SOC of a comparative example.
  • FIG. 1 is an example of a configuration diagram of a storage device charge state estimation system according to one embodiment of the present invention.
  • the power storage device charging state estimation system first uses the database creation unit 14 using the current time series data, voltage time series data, and learning SOC data of the secondary battery 10 for learning, and the neural network unit 23. Create Secondly, the current time series data and voltage time series data of the secondary battery 20 are input to the created learned neural network unit 23, and the SOC of the target secondary battery 20 is output. The current time series data and the voltage time series data are measured and stored in a memory or the like by the data acquisition unit 11.
  • the data creation unit 12 stores the acquired data in the database creation unit 14 as normalized data. Further, the learning SOC data corresponding to the normalized data is stored in the label storage unit 13 and is associated by the database creation unit 14.
  • the power storage device charge state estimation system includes a data acquisition unit 21, a data creation unit 22, and a neural network unit 23.
  • the neural network unit 23 includes a circuit (microcomputer) that performs a neural network operation, and is, for example, an IC in which an AI (Artificial Intelligence) system is incorporated.
  • AI Artificial Intelligence
  • the charge state estimation system for the power storage device can output an estimated value of the SOC according to the flowchart shown in FIG.
  • the data acquisition unit 21 that acquires parameters such as electrical characteristics and temperature of the secondary battery acquires voltage time-series data and current time-series data, and normalizes each data.
  • the order of normalization of voltage characteristics (voltage time series data) (S1) and normalization of current characteristics (current time series data) (S2) may be reversed.
  • a part of a small change area for example, a pause period
  • one data also called two-dimensional data or image pattern
  • one data is created by superimposing the voltage time series data with the time axis of the normalized current time series data as the vertical axis (S3).
  • the lengths of the vertical axis and the horizontal axis are substantially matched, and the data is appropriately adjusted so that the blank portion of the data is not too large.
  • FIG. 3A is an example of a learning flowchart.
  • FIG. 3B shows normalized voltage time series data
  • FIG. 3C shows normalized current time series data
  • the description is made using the charge / discharge cycle pattern described in IEC62660-01, but it is preferable to use the charge / discharge data corresponding to the actual behavior of the assumed application for learning.
  • the secondary battery for learning is the same size and type as the secondary battery to be investigated, and it is preferable that the SOC be output with higher accuracy when the battery is preferably close in production time, more preferably the same lot. Can do.
  • FIG. 3D is a conceptual diagram in which the time axis of the normalized current time series data is set as the vertical axis and superimposed with the voltage time series data.
  • learning data is stored as a learning image data by labeling the corresponding SOC, and a database is created.
  • the learning image data is encoded digital data.
  • the digital data can also represent a time axis according to lightness (grayscale value).
  • This learning image data uses the same method as that of a data set called MNIST.
  • the learning unit learns which feature is which correct answer label (here, the SOC value) by generalizing the feature amount of the image (pixel information of the image (range of 0 to 255)).
  • FIG. 4A a large amount of data is prepared as shown in FIG.
  • 100 pieces of data for 100 seconds are prepared for a total of 10,000 rows.
  • a neural network is constructed based on this database (S5).
  • the corresponding SOC is a value in the last data on the time axis.
  • FIG. 5 shows an example different from FIG. 4A in which the data field and the time are expressed in line light and dark so that they can be set separately.
  • a large amount of data is prepared with the maximum lightness being line-shaped data at the point of 100 seconds and the maximum darkness being line-shaped data at the time of 1 second.
  • data having a total of 10,000 columns may be used as learning data. In this way, learning data can be efficiently prepared by processing data so that features appear in an image in which data is superimposed.
  • FIG. 4B shows the result of outputting the SOC of the secondary battery to be investigated.
  • FIG. 11A shows one piece of graphic data overlaid for 100 seconds.
  • FIG. 11B the accuracy of the inferred value of SOC is lower than that in FIG. 4B, and it can be said that the method shown in this embodiment is effective.
  • the target of the survey is actually periodically or in real time.
  • the secondary battery usage history data can be acquired and the SOC can be accurately estimated.
  • steps S4 and S5 shown in FIG. 2 in the first embodiment that is, an example of the configuration of the neural network NN used for the neural network processing when classifying the state of the secondary battery is shown.
  • the neural network processing may be performed using a tool implemented in Python (registered trademark) or Matlab (registered trademark).
  • FIG. 6 shows an example of a neural network according to one embodiment of the present invention.
  • the neural network NN shown in FIG. 6 has an input layer IL, an output layer OL, and a hidden layer (intermediate layer) HL.
  • the neural network NN can be configured by a neural network having a plurality of hidden layers HL, that is, a deep neural network. Note that learning in a deep neural network is sometimes called deep learning.
  • the output layer OL, the input layer IL, and the hidden layer HL each have a plurality of neuron circuits, and neuron circuits provided in different layers are connected via a synapse circuit.
  • the neural network NN a function of analyzing the state of the storage battery is added by learning.
  • arithmetic processing is performed in each layer. Arithmetic processing in each layer is executed by, for example, a product-sum operation between the output of the neuron circuit included in the previous layer and the weight coefficient.
  • the coupling between layers may be a total coupling in which all the neuron circuits are coupled, or a partial coupling in which some neuron circuits are coupled.
  • a convolutional neural network in which only a specific unit has a connection between adjacent layers and has a convolutional layer and a pooling layer may be used.
  • the CNN is used, for example, for classification of image data converted from charging characteristic data.
  • the convolution layer for example, a product-sum operation between the image data and the weight parameter is performed.
  • the pooling layer is preferably disposed immediately after the convolution layer.
  • the convolution layer has a function of performing convolution on image data.
  • the convolution is performed by repeating a product-sum operation between part of the image data and the filter value of the weight parameter.
  • the features of the image data are extracted by convolution in the convolution layer.
  • a weight parameter also called a weight filter
  • the image data input to the convolution layer is subjected to filter processing using weight parameters.
  • the convolved data is converted by the activation function and then output to the pooling layer.
  • the activation function ReLU (Rectified Linear Units) or the like can be used.
  • ReLU is a normalized linear function that outputs “0” when the input value is negative, and outputs the input value as it is when the input value is “0” or more.
  • a sigmoid function, a tanh function, etc. can also be used as an activation function.
  • the pooling layer has a function of pooling image data input from the convolution layer. Pooling is a process of dividing image data into a plurality of regions, extracting predetermined data for each region, and arranging the data in a matrix. Pooling reduces the image data while leaving the features extracted by the convolutional layer. As pooling, maximum pooling, average pooling, Lp pooling, or the like can be used.
  • the convolutional neural network extracts features by the above convolution processing and pooling processing.
  • the CNN can be composed of a plurality of convolution layers and pooling layers.
  • the entire bonding layer is arranged.
  • a plurality of all bonding layers may be arranged. It is preferable that the all coupling layer has a function of determining whether the secondary battery is normal or abnormal by using the image data that has been convolved and pooled.
  • 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. 7B is a diagram schematically showing 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 inside the hollow cylindrical battery can 602.
  • 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.
  • the safety valve mechanism 612 is electrically connected to the positive electrode cap 601 via a PTC element (Positive Temperature Coefficient) 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 that increases in resistance 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 “positive electrode”, and the negative electrode is referred to as “negative electrode” or “ ⁇ negative electrode”. If 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. 7C, and the storage battery 1400 is charged. As the charging of the storage battery 1400 proceeds, the potential difference between the electrodes increases. In FIG. 7C, 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 high theoretical capacity of 4200 mAh / g.
  • the secondary battery preferably has a separator.
  • a separator for example, fibers including cellulose such as paper, nonwoven fabric, glass fiber, ceramics, nylon (polyamide), vinylon (polyvinyl alcohol fiber), polyester, acrylic, polyolefin, synthetic fiber using polyurethane, etc. Can be used.
  • FIG. 8A is an example of a block diagram of an electric vehicle.
  • 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.
  • the neural network unit 300 driven by the power source of the second battery 311 individually selects and uses a plurality of secondary batteries constituting the first battery 301.
  • 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.
  • the second battery 311 is often employed because a lead storage battery is advantageous in terms of cost.
  • 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.
  • There is a merit that maintenance is free by using the second battery 311 as a lithium ion secondary battery.
  • an abnormality that cannot be identified during manufacture may occur.
  • the second battery 311 is a lead-acid battery in order to prevent the motor from starting up even if the first battery 301 has a remaining capacity. In such a case, 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 the second battery 311 is charged from the motor controller 303 and the battery controller 302 or the first battery 301 is charged.
  • the first battery 301 is mainly used for rotating the motor 304, and supplies power to 42V-system in-vehicle components (electric power steering 307, heater 308, defogger 309, etc.) 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 power to 14V-system 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. As shown in FIG. 8B, a first battery 301 may be configured in which a cylindrical secondary battery 600 is sandwiched between a conductive plate 613 and a conductive plate 614 to form a module. FIG. 8B 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 a module having a plurality of secondary batteries 600, large electric power can be taken out.
  • the in-vehicle secondary battery has a service plug or a circuit breaker that can cut off a high voltage without using a tool in order to cut off power from the plurality of secondary batteries, and is provided in the first battery 301.
  • a service plug or a circuit breaker is provided between the 24th and 25th cells.
  • a circuit that performs a neural network operation may be mounted on a vehicle component other than the battery controller, or may be mounted on a passenger's portable information terminal.
  • the microcomputer has a CPU, ROM, RAM, and the like.
  • the neural network operation may communicate with another computer and use data stored in the other computer. When communicating with other computers and performing a neural network operation using data stored in the other computer, the neural network operation can be performed using a huge amount of data.
  • the neural network unit 300 learns in advance using a battery of the same type as the first battery 301, the SOC of the first battery 301 can be output with high accuracy.
  • Embodiment 1 can be freely combined with Embodiment 1 or Embodiment 2.
  • FIG. 9 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. 9A 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. 7B may be used as the first battery 301 with the conductive plate 613 and the conductive plate 614 interposed therebetween. Good.
  • the automobile 8500 shown in FIG. 9B can charge the secondary battery 8024 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. 9B illustrates a state where the secondary battery 8024 mounted on the automobile 8500 is charged through the cable 8022 from the ground-installed 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.
  • this non-contact power feeding method may be used to transmit and receive power between vehicles.
  • 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. 9C illustrates an example of a two-wheeled vehicle using the secondary battery charge state estimation device of one embodiment of the present invention.
  • a scooter 8600 illustrated in FIG. 9C 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. 9C 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.
  • FIG. 10 shows an example of a block diagram of the scooter 8600.
  • the voltage of the secondary battery 8602 of the scooter 8600 is 48 V or 60 V, and power is supplied to the motor 8606.
  • Electric components such as a direction indicator lamp 8603 are supplied with electric power after being stepped down to 12V by a converter.
  • An in-wheel motor in which a motor is directly set on a wheel serving as a drive wheel can also be used.
  • Charging of the secondary battery 8602 of the scooter 8600 is controlled by the charge control circuit 8608, and the SOC of the secondary battery 8602 is estimated by the neural network unit 8607.
  • a regenerative circuit 8621 and a regenerative battery 8622 may be provided.
  • the regenerative circuit 8621 and the regenerative battery 8622 can be omitted.
  • a signal from the accelerator operation detection unit 8610 is transmitted to the control circuit 8609, and the power of the secondary battery is transmitted to the motor in accordance with the opening of the accelerator.
  • a signal from the brake operation detection unit 8611 is transmitted to the control circuit 8609, and the regenerative power at the time of deceleration is once charged in the regenerative battery 8622, and the secondary battery is connected via the charge control circuit 8608.
  • Charging to 8602 is performed. These charging histories are learned by the neural network unit 8607, and feedback is performed.
  • This embodiment mode can be combined with any of the other embodiment modes as appropriate.

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Sustainable Development (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Energy (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Secondary Cells (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)
  • Measurement Of Resistance Or Impedance (AREA)

Abstract

要約書 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。 第１の蓄電装置の電圧測定値及び電流測定値の時系列データを取得する手段と、電圧測定値の時系列 データを正規化する手段と、 電流測定値の時系列データを正規化する手段と、 時間軸が縦軸の時系列 データと時間軸が横軸の時系列データとを重ねたデータを第１の蓄電装置のＳＯＣと関連づけたデ ータベースを作成するデータベース作成部と、予め作成したデータベースを学習データとして用いて、 ニューラルネットワークを構成し、第２の蓄電装置の時間軸が縦軸の時系列データと時間軸が横軸の 時系列データとを重ねたデータを入力し、第２の蓄電装置のＳＯＣの推定値を出力するニューラルネ ットワーク部と、を有する蓄電装置の充電状態推定システムである。

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。または、本発明は、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、電子機器、またはそれらの製造方法に関する。本発明の一態様は、車両、または車両に設けられる車両用電子機器に関する。
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、全固体電池、及び電気二重層キャパシタなどを含む。
　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システムに関する。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、ニューラルネットワークを用いた充電制御システムに関する。
近年、リチウムイオン二次電池、リチウムイオンキャパシタ、空気電池等、種々の蓄電装置の開発が盛んに行われている。特に高出力、高エネルギー密度であるリチウムイオン二次電池は、携帯電話、スマートフォン、タブレット、もしくはノート型コンピュータ等の携帯情報端末、携帯音楽プレーヤ、デジタルカメラ、医療機器、又は、ハイブリッド車（ＨＥＶ）、電気自動車（ＥＶ）、もしくはプラグインハイブリッド車（ＰＨＥＶ）等の次世代クリーンエネルギー自動車など、半導体産業の発展と併せて急速にその需要が拡大し、充電可能なエネルギーの供給源として現代の情報化社会に不可欠なものとなっている。
携帯情報端末や電気自動車などにおいては、複数の二次電池を直列接続または並列接続して保護回路を設け、電池パック（組電池ともよぶ）として使用される。
　近年、人工ニューラルネットワーク（以下、ニューラルネットワークと呼ぶ）などの機械学習技術の開発が盛んに行われている。
　特許文献１には、二次電池の残存容量の演算に、ニューラルネットワークを用いる一例が示されている。
米国特許公開第２００６／０１８１２４５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。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。
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に長時間かかる恐れがある。
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。
縦軸を電圧とし、横軸を時間とした第１の充電特性データと、縦軸を電流とし、横軸を時間とした第２の充電特性データとを用い、休止の区間のデータを除去し、ＣＣＣＶ充電期間のデータを除去する。そして、第１の充電特性データの縦軸の電圧を１とし、第２の充電特性データの縦軸の電流を１として正規化を行い正方行列（ｎ行ｎ列、ただしｎは５０以上の整数）のデータとする。最後に、横軸が時間である２つのデータのうち、一方のデータを９０度回転させ（即ち縦軸を時間とし）、２つのデータを重ねあわせた１つの学習用画像データに対してラベル（ここではＳＯＣの値）分けして評価、学習する。このような学習用画像データを複数用意しデータベースを構築する。ニューラルネットワーク（ＮＮ：Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）モデル、または、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）モデルを用いて、学習させた内容を基に二次電池のＳＯＣを算出する。
本明細書で開示する構成は、第１の蓄電装置の電圧測定値及び電流測定値の時系列データを取得する手段と、電圧測定値の時系列データを正規化する手段と、電流測定値の時系列データを正規化する手段と、時間軸が縦軸の時系列データと時間軸が横軸の時系列データとを重ねたデータを第１の蓄電装置のＳＯＣと関連づけたデータベースを作成するデータベース作成部と、予め作成したデータベースを学習データとして用いて、ニューラルネットワークを構成し、第２の蓄電装置の時間軸が縦軸の時系列データと時間軸が横軸の時系列データとを重ねたデータを入力し、第２の蓄電装置のＳＯＣの推定値を出力するニューラルネットワーク部と、を有する蓄電装置の充電状態推定システムである。
なお、正規化とは、データなどを一定のルールに基づいて変形し、効率よく扱うために整理し、利用しやすくすることである。本明細書においては、２つのデータを重ねるため、どちらも同じ数の正方行列のデータとなるようにデータを加工することも正規化に含む。また、学習においては、データのうち、変化の少ない領域（休止期間やＣＣＣＶ充電を行っている期間など）を削除することも正規化に含む。
さらに温度データを重ねた学習データを用意して、縦軸を電圧とし、横軸を時間とした第１の充電特性データと、縦軸を電流とし、横軸を時間とした第２の充電特性データと、温度データを合計３つ重ねた１つのデータを用いてＳＯＣ算出などを行ってもよい。
また、上記構成において、第２の蓄電装置は、一つの電池セルに限定されず、複数の電池セルを有する組電池であってもよい。
また、上記構成において、データベース作成部は、第１の蓄電装置の電圧値を縦軸に、時間軸を横軸にしたデータと、第１の蓄電装置の電流値を横軸に、時間軸を縦軸にしたデータとを重ねる。
また、データの重ね方は、時間軸が重ならなければ特に限定されず、例えばデータベース作成部は、第１の蓄電装置の電流値を縦軸に、時間軸を横軸にしたデータと、第１の蓄電装置の電圧値を横軸に、時間軸を縦軸にしたデータとを重ねる方法としてもよい。時間軸を一致させて重なる場合に比べて、時間軸が縦軸と横軸にそれぞれ配置されるように重なると、ＳＯＣの推定精度が上がる。
また、アルゴリズムは、ＮＮに限定されず、ＣＮＮ、ＳＶＲ、ＲＶＭ（Ｒｅｌｅｖａｎｃｅ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ）、ランダムフォレストなどを用いてもよい。また、回路構成が大きくなるが、ＣＮＮとＬＳＴＭ（Ｌｏｎｇ　Ｓｈｏｒｔ‐Ｔｅｒｍ　Ｍｅｍｏｒｙ）とを組み合わせて演算してもよい。
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、オンデューティ比を用いて算出できる。
蓄電装置の電気特性の時系列データを正規化し、２つのデータの一方を９０度回転させて重ねてニューラルネットワークを構成し、入力することで精度の高いＳＯＣを出力することができる。蓄電装置の種類ごとに学習を行ってニューラルネットワークを構成することができ、精度の高いＳＯＣを出力するシステムを提供することができる。
本発明の一態様を示す蓄電装置の充電状態推定システムの構成図である。 本発明の一態様を示すフロー図である。 本発明の一態様を示すフロー図である。 二次電池の時系列データの一例及びＳＯＣの推論値を示すグラフである。 二次電池の時系列データの他の一例である。 ニューラルネットワークの構成を示す図。 二次電池の構成を示す図。 移動体のブロック図及び組電池の斜視図である。 移動体の構成を示す図。 移動体のブロック図である。 比較例のＳＯＣの推論値を示すグラフである。
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）
図１は、本発明の一態様を示す蓄電装置の充電状態推定システムの構成図の一例である。
蓄電装置の充電状態推定システムは、第１に学習用の二次電池１０の電流時系列データ、電圧時系列データ、学習用のＳＯＣデータを用いたデータベース作成部１４を用いて、ニューラルネットワーク部２３を作成する。第二に二次電池２０の電流時系列データ、電圧時系列データを、作成した学習済みニューラルネットワーク部２３に入力し、対象の二次電池２０のＳＯＣを出力する。電流時系列データ、及び電圧時系列データは、データ取得部１１で測定およびメモリなどに記憶する。データ作成部１２は、取得したデータを正規化したデータとしてデータベース作成部１４に記憶させる。また、正規化したデータに対応する学習用ＳＯＣデータはラベル記憶部１３に記憶させ、データベース作成部１４にて関連づけする。
蓄電装置の充電状態推定システムは、データ取得部２１と、データ作成部２２と、ニューラルネットワーク部２３とを備えている。ニューラルネットワーク部２３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）で構成され、例えば、ＡＩ（人工知能：Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）システムを組み込んだＩＣである。
蓄電装置の充電状態推定システムは、図２に示すフロー図に従って、ＳＯＣの推定値を出力することができる。
まず、二次電池の電気特性や温度などのパラメータを取得するデータ取得部２１で、電圧時系列データや電流時系列データを取得し、それぞれのデータを正規化する。電圧特性（電圧時系列データ）の正規化（Ｓ１）と電流特性（電流時系列データ）の正規化（Ｓ２）は、順序が逆であってもよい。正規化においては、変化の小さい領域（例えば休止期間など）を一部削除してもよい。
そして、正規化した電流時系列データの時間軸を縦軸として電圧時系列データと重ねて１つのデータ（二次元データ、または画像パターンとも呼べる）を作成する（Ｓ３）。この一つのデータを作る際には、縦軸と横軸の長さがほぼ一致するようにし、データの空白部分が大きすぎないように適宜調節する。
そして学習済みのニューラルネットワークへの入力（Ｓ４）を行う。以上の一連の流れに従って、ニューラルネットワーク部２３での演算により高精度のＳＯＣの推定（Ｓ５）がなされる。
また、ここでニューラルネットワークの学習について図３を用いて以下に説明する。図３（Ａ）は、学習のフロー図の一例である。
本実施の形態では、ＳＯＣの精度を確認するため、一つの電池セルＮＣＲ１８６５０Ｂを用い、国際規格ＩＥＣ６２６６０−０１に記載のＥＶ用充放電サイクル試験パターンで取得したデータ（ＳＯＣの値を含む）を用いて学習を行う。図３（Ｂ）には、正規化した電圧時系列データを示し、図３（Ｃ）には、正規化した電流時系列データを示している。
ここではＩＥＣ６２６６０−０１に記載の充放電サイクルパターンを用いた説明をしているが、想定アプリケーションの実挙動に応じた充放電データを学習に用いる方が好ましい。データを複数用意する場合には繰り返しデータを蓄積すればよく、環境温度を変えた測定、サイクル劣化が進んだセルでの測定を加えると更に好ましい。なお、学習用の二次電池は、調査対象の二次電池と同じサイズ、同じ種類とし、好ましくは製造時期が近い、さらに好ましくは同じロットのものを用いるとより高精度にＳＯＣを出力することができる。
そして、正規化した電流時系列データの時間軸を縦軸として電圧時系列データと重ねた概念図が図３（Ｄ）である。図３（Ｄ）に示す一つのデータは学習用画像データとして、対応するＳＯＣをラベル付けすることで学習データを蓄積し、データベースを作成する。学習用画像データは、符号化されたデジタルデータである。そのデジタルデータは、明度（グレースケール値）に応じて時間軸を表現することもできる。この学習用画像データは、ＭＮＩＳＴと呼ばれるデータセットと同様の手法を用いる。画像の特徴量（画像のピクセル情報（０以上２５５以下のレンジ））を一般化して、どの特徴がどの正解ラベル（ここではＳＯＣ値）なのかを学習部が学ぶ。データベースでは、図４（Ａ）に示すように多くのデータを用意する。図４（Ａ）においては、時間１００秒間のデータを１００個それぞれ用意し、合計１万列としている。また、このデータベースに基づいてニューラルネットワークを構築（Ｓ５）する。なお、対応するＳＯＣは、時間軸の最後のデータでの値とする。図５にデータフィールドと時間を別々に設定できるようにライン明暗で表現させ、図４（Ａ）とは異なる例を示す。図５においては最大の明度を１００秒経過時点でのライン状のデータとし、最大の暗度を１秒時点でのライン状のデータとして多くのデータを用意している。同様に合計１万列としたデータを学習用データとして用いてもよい。このように、データを重ねた画像に特徴が出るようにデータを加工することで効率よく学習データを用意することができる。
調査対象の二次電池のＳＯＣを出力した結果を図４（Ｂ）に示す。
また、比較例として、正規化した電流時系列データと、正規化した電圧時系列データの時間軸をどちらも横軸として重ねてデータベースを作成し、ＳＯＣを出力した結果を図１１（Ｂ）に示す。なお、図１１（Ａ）は、１００秒間の重ねた図形データの一つを示している。図１１（Ｂ）は図４（Ｂ）に比べてＳＯＣの推論値の精度が低下しており、本実施の形態に示す手法が有効であると言える。
　本実施の形態では、測定済みのＩＥＣデータを用いた例を示したが、予め学習用二次電池のデータに基づくニューラルネットワークが構成されていれば、実際には、定期的またはリアルタイムに調査対象の二次電池の使用履歴データを取得し、精度よくＳＯＣを推定することができる。
（実施の形態２）
　本実施の形態では、実施の形態１において図２に示したステップＳ４及びＳ５、即ち二次電池の状態を分類する時のニューラルネットワーク処理に用いるニューラルネットワークＮＮの構成の一例を示す。ニューラルネットワーク処理は、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。
　図６には、本発明の一態様のニューラルネットワークの一例を示す。図６に示すニューラルネットワークＮＮは、入力層ＩＬ、出力層ＯＬ、及び隠れ層（中間層）ＨＬを有する。ニューラルネットワークＮＮは、隠れ層ＨＬを複数有するニューラルネットワーク、すなわち、ディープニューラルネットワークによって構成することができる。なお、ディープニューラルネットワークにおける学習を、ディープラーニングと呼ぶことがある。出力層ＯＬ、入力層ＩＬ、隠れ層ＨＬはそれぞれ複数のニューロン回路を有し、異なる層に設けられたニューロン回路同士は、シナプス回路を介して接続されている。
　ニューラルネットワークＮＮには、蓄電池の状態を解析する機能が、学習によって付加されている。そして、測定された蓄電池のパラメータがニューラルネットワークＮＮに入力されると、各層において演算処理が行われる。各層における演算処理は、前層が有するニューロン回路の出力と重み係数との積和演算などにより実行される。なお、層と層との結合は、全てのニューロン回路同士が結合する全結合としてもよいし、一部のニューロン回路同士が結合する部分結合としてもよい。
　例えば、隣接層間において、特定のユニットのみが結合を持ち、畳み込み層とプーリング層を有する、畳み込みニューラルネットワーク（ＣＮＮ）を用いてもよい。ＣＮＮは例えば、充電特性のデータから変換された画像用データの分類に用いられる。畳み込み層では、例えば、画像用データと重みパラメータとの積和演算が行われる。プーリング層は畳み込み層の直後に配置することが好ましい。
　畳み込み層は、画像用データに対して畳み込みを行う機能を有する。畳み込みは、画像用データの一部と重みパラメータのフィルタ値との積和演算を繰り返すことにより行われる。畳み込み層における畳み込みにより、画像用データの特徴が抽出される。
　畳み込みには、重みパラメータ（重みフィルタとも呼ぶ）を用いることができる。畳み込み層に入力された画像用データには、重みパラメータを用いたフィルタ処理が施される。
　畳み込みが施されたデータは、活性化関数によって変換された後、プーリング層に出力される。活性化関数としては、ＲｅＬＵ（Ｒｅｃｔｉｆｉｅｄ　Ｌｉｎｅａｒ　Ｕｎｉｔｓ）等を用いることができる。ＲｅＬＵは、入力値が負である場合は“０”を出力し、入力値が“０”以上である場合は入力値をそのまま出力する正規化線形関数である。また、活性化関数として、シグモイド関数、ｔａｎｈ関数等を用いることもできる。
　プーリング層は、畳み込み層から入力された画像用データに対してプーリングを行う機能を有する。プーリングは、画像用データを複数の領域に分割し、当該領域ごとに所定のデータを抽出してマトリクス状に配置する処理である。プーリングにより、畳み込み層によって抽出された特徴を残しつつ、画像用データが縮小される。なお、プーリングとしては、最大プーリング、平均プーリング、Ｌｐプーリング等を用いることができる。
　畳み込みニューラルネットワーク（ＣＮＮ）は、上記の畳み込み処理およびプーリング処理により特徴を抽出する。なお、ＣＮＮは、複数の畳み込み層およびプーリング層によって構成することができる。
　畳み込み層とプーリング層を例えば交互に数層ずつ配置させた後には、全結合層が配置されることが好ましい。全結合層は複数層、配置されてもよい。全結合層は、畳み込みおよびプーリングが行われた画像用データを用いて、二次電池が正常または異常の判定を行う機能を有することが好ましい。
また、本実施の形態は、実施の形態１と自由に組み合わせることができる。
（実施の形態３）
円筒型の二次電池の例について図７（Ａ）及び図７（Ｂ）を参照して説明する。円筒型の二次電池６００は、図７（Ｂ）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７（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素子（Ｐｏｓｉｔｉｖｅ　Ｔｅｍｐｅｒａｔｕｒｅ　Ｃｏｅｆｆｉｃｉｅｎｔ）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７（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７（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と高い。
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。
また、図８（Ａ）は、電気自動車のブロック図の一例である。
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の電源で駆動するニューラルネットワーク部３００が第１のバッテリ３０１を構成する複数の二次電池を個別に選択して使用する。
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発生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とを防ぐため、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。
また、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から第２のバッテリ３１１に充電、または第１のバッテリ３０１に充電される。
また、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。
また、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。
また、第１のバッテリ３０１は、複数の二次電池で構成される。図８（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とした第１のバッテリ３０１を構成してもよい。図８（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を構成することで、大きな電力を取り出すことができる。
車載の二次電池において、複数の二次電池からの電力を遮断するため、工具を使わずに高電圧を遮断できるサービスプラグまたはサーキットブレーカを有しており、第１のバッテリ３０１に設けられる。例えば、２個から１０個のセルを有する電池モジュールを４８個直接に接続する場合には、２４個目と２５個目の間にサービスプラグまたはサーキットブレーカを有している。
また、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）は、バッテリーコントローラ以外の車両部品に搭載されていてもよいし、搭乗者の携帯情報端末に搭載されていてもよい。マイクロコンピュータはＣＰＵやＲＯＭやＲＡＭなどを有する。また、ニューラルネット演算は、他のコンピュータと通信を行い、他のコンピュータに蓄積されているデータを用いてもよい。他のコンピュータと通信を行い、他のコンピュータに蓄積されているデータを用いてニューラルネット演算を行う場合には膨大な量のデータを用いてニューラルネット演算を行うことができる。
ニューラルネットワーク部３００は、予め第１のバッテリ３０１と同じ型の電池を用いて学習させているため、第１のバッテリ３０１のＳＯＣを精度よく出力できる。
また、本実施の形態は、実施の形態１または実施の形態２と自由に組み合わせることができる。
（実施の形態４）
　図９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９（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は、図７（Ｂ）に示した円筒形の二次電池６００を、導電板６１３および導電板６１４の間に挟んで第１のバッテリ３０１としたものを用いてもよい。
　図９（Ｂ）に示す自動車８５００は、自動車８５００が有する二次電池８０２４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９（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、車両どうし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９（Ｃ）は、本発明の一態様の二次電池の充電状態推定装置を用いた二輪車の一例である。図９（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９（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。
図１０にスクータ８６００のブロック図の一例を示す。
スクータ８６００の二次電池８６０２の電圧は４８Ｖまたは６０Ｖであり、モータ８６０６に電力供給する。方向指示灯８６０３などの電装品にはコンバータで１２Ｖに降圧して電力供給する。駆動輪となるホイールに直接モータがセットされているインホイールモータを用いることもできる。
スクータ８６００の二次電池８６０２の充電は充電制御回路８６０８によって制御され、二次電池８６０２のＳＯＣはニューラルネットワーク部８６０７で推定される。
また、回生電力を充電に用いる場合には、回生回路８６２１と回生用電池８６２２を設けてもよい。回生電力を充電に用いない場合には、回生回路８６２１と回生用電池８６２２は不要とすることもできる。
また、運転者がアクセル操作をすると、アクセル操作検出部８６１０からの信号が制御回路８６０９に伝えられ、アクセルの開度に合わせて二次電池の電力をモータに伝える。また運転者がブレーキ操作をすると、ブレーキ操作検出部８６１１からの信号が制御回路８６０９に伝えられ、減速時の回生電力を回生用電池８６２２に一度充電し、充電制御回路８６０８を介して二次電池８６０２へ充電が行われる。これらの充電の履歴はニューラルネットワーク部８６０７で学習され、フィードバックが行われる。
　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。
１０：二次電池、１１：データ取得部、１２：データ作成部、１３：ラベル記憶部、１４：データベース作成部、２０：二次電池、２１：データ取得部、２２：データ作成部、２３：ニューラルネットワーク部、３００：ニューラルネットワーク部、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、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、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、８６０６：モータ、８６０７：ニューラルネットワーク部、８６０８：充電制御回路、８６０９：制御回路、８６１０：アクセル操作検出部、８６１１：ブレーキ操作検出部、８６２１：回生回路、８６２２：回生用電池

Claims (5)

  1. 第１の蓄電装置の電圧測定値及び電流測定値の時系列データを取得する手段と、
    前記電圧測定値の時系列データを正規化する手段と、
    前記電流測定値の時系列データを正規化する手段と、
    時間軸が縦軸の時系列データと時間軸が横軸の時系列データとを重ねたデータを前記第１の蓄電装置のＳＯＣと関連づけたデータベースを作成するデータベース作成部と、
    予め作成した前記データベースを学習データとして用いて、ニューラルネットワークを構成し、
    第２の蓄電装置の時間軸が縦軸の時系列データと時間軸が横軸の時系列データとを重ねたデータを入力し、前記第２の蓄電装置のＳＯＣの推定値を出力するニューラルネットワーク部と、
    を有する蓄電装置の充電状態推定システム。
  2. 請求項１において、前記第２の蓄電装置は、複数の電池セルを有する蓄電装置の充電状態推定システム。
  3. 請求項１または請求項２において、前記ニューラルネットワークはＣＮＮである蓄電装置の充電状態推定システム。
  4. 請求項１乃至３のいずれか一において、前記データベース作成部は、前記第１の蓄電装置の電圧値を縦軸に、時間軸を横軸にしたデータと、前記第１の蓄電装置の電流値を横軸に、時間軸を縦軸にしたデータとを重ねる蓄電装置の充電状態推定システム。
  5. 　請求項１乃至３のいずれか一において、前記データベース作成部は、前記第１の蓄電装置の電流値を縦軸に、時間軸を横軸にしたデータと、前記第１の蓄電装置の電圧値を横軸に、時間軸を縦軸にしたデータとを重ねる蓄電装置の充電状態推定システム。
PCT/IB2019/053018 2018-04-27 2019-04-12 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 WO2019207399A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2020515307A JP7337781B2 (ja) 2018-04-27 2019-04-12 蓄電装置の充電状態推定システム
US17/050,388 US11493558B2 (en) 2018-04-27 2019-04-12 Estimation method of state of charge of power storage device and estimation system of state of charge of power storage device
CN201980027358.4A CN112020656B (zh) 2018-04-27 2019-04-12 蓄电装置的充电状态推测的方法以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
JP2018-086611 2018-04-27
JP2018086611 2018-04-27

Publications (1)

Publication Number Publication Date
WO2019207399A1 true WO2019207399A1 (ja) 2019-10-31

Family

ID=68293770

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/IB2019/053018 WO2019207399A1 (ja) 2018-04-27 2019-04-12 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 (5)

Country Link
US (1) US11493558B2 (ja)
JP (1) JP7337781B2 (ja)
CN (1) CN112020656B (ja)
TW (1) TWI803623B (ja)
WO (1) WO2019207399A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112269137A (zh) * 2020-10-19 2021-01-26 中山大学 一种基于动态参数识别的电池健康状态估算方法
KR20210054467A (ko) * 2019-11-05 2021-05-13 도요타 지도샤（주） 전지 관리 시스템, 전지 관리 방법, 및 세트 전지의 제조 방법
EP3955450A1 (en) * 2020-08-12 2022-02-16 SKAIChips Co., Ltd. Dc-dc converter with intelligent controller
WO2022130095A1 (ja) * 2020-12-16 2022-06-23 株式会社半導体エネルギー研究所 蓄電池システム、二次電池及び蓄電池システムの動作方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113169546A (zh) 2018-12-19 2021-07-23 株式会社半导体能源研究所 二次电池的过放电防止电路及二次电池模块
EP3696744A1 (en) * 2019-02-13 2020-08-19 Robert Bosch GmbH Safeguarding resources of physical entites in a shared environment
WO2021021874A1 (en) * 2019-07-30 2021-02-04 Briggs & Stratton Corporation Battery system and related management system
CN112949931B (zh) * 2021-03-19 2024-03-08 北京交通大学 数据驱动和模型混合的充电站数据的预测方法和装置
JP7408594B2 (ja) * 2021-03-25 2024-01-05 本田技研工業株式会社 車両及び制御装置
CN113702836B (zh) * 2021-07-23 2023-08-18 国家电网有限公司西北分部 一种基于emd-gru锂离子电池荷电状态估计方法
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
CN115877223B (zh) * 2023-03-03 2023-07-04 浙江天能新材料有限公司 锂电池检测方法、装置、设备及存储介质
CN116577677B (zh) * 2023-07-14 2023-09-29 赣州吉锐新能源科技股份有限公司 退役动力电池的放电测试系统及其方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004333472A (ja) * 2003-04-15 2004-11-25 Nippon Soken Inc 車両用蓄電装置の内部状態検出システム
JP2007518973A (ja) * 2003-12-18 2007-07-12 エルジー・ケム・リミテッド 神経網を用いたバッテリ残存量推定装置及び方法
JP2007240308A (ja) * 2006-03-08 2007-09-20 Toyota Motor Corp バッテリーの制御装置
JP2008232758A (ja) * 2007-03-19 2008-10-02 Nippon Soken Inc 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置
WO2018203170A1 (en) * 2017-05-03 2018-11-08 Semiconductor Energy Laboratory Co., Ltd. Neural network, power storage system, vehicle, and electronic device

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100395516B1 (ko) * 1998-11-19 2003-12-18 금호석유화학 주식회사 비선형등가회로모형을이용한축전장치의특성인자수치화방법및장치
US6794844B2 (en) 2001-08-31 2004-09-21 Visteon Global Technologies, Inc. Method and system for fuel cell control
KR100880717B1 (ko) 2005-02-14 2009-02-02 가부시키가이샤 덴소 뉴럴네트워크연산에 기초한 2차전지의 충전상태를 검출하기위한 방법 및 장치
EP1933158B1 (en) * 2005-09-16 2018-04-25 The Furukawa Electric Co., Ltd. Secondary cell degradation judgment method, secondary cell degradation judgment device, and power supply system
TW200919210A (en) 2007-07-18 2009-05-01 Steven Kays Adaptive electronic design
KR102332399B1 (ko) * 2015-02-06 2021-11-29 삼성전자주식회사 배터리 상태 추정 장치 및 방법
CN111788492B (zh) * 2018-03-16 2024-09-13 株式会社半导体能源研究所 二次电池的充电状态推测装置、二次电池的异常检测装置、二次电池的异常检测方法及二次电池的管理系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004333472A (ja) * 2003-04-15 2004-11-25 Nippon Soken Inc 車両用蓄電装置の内部状態検出システム
JP2007518973A (ja) * 2003-12-18 2007-07-12 エルジー・ケム・リミテッド 神経網を用いたバッテリ残存量推定装置及び方法
JP2007240308A (ja) * 2006-03-08 2007-09-20 Toyota Motor Corp バッテリーの制御装置
JP2008232758A (ja) * 2007-03-19 2008-10-02 Nippon Soken Inc 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置
WO2018203170A1 (en) * 2017-05-03 2018-11-08 Semiconductor Energy Laboratory Co., Ltd. Neural network, power storage system, vehicle, and electronic device

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210054467A (ko) * 2019-11-05 2021-05-13 도요타 지도샤（주） 전지 관리 시스템, 전지 관리 방법, 및 세트 전지의 제조 방법
JP2021077450A (ja) * 2019-11-05 2021-05-20 トヨタ自動車株式会社 電池管理システム、電池管理方法、及び組電池の製造方法
CN112825167A (zh) * 2019-11-05 2021-05-21 丰田自动车株式会社 电池管理系统、电池管理方法以及电池组的制造方法
JP7151689B2 (ja) 2019-11-05 2022-10-12 トヨタ自動車株式会社 電池管理システム、電池管理方法、及び組電池の製造方法
KR102587694B1 (ko) 2019-11-05 2023-10-12 도요타 지도샤（주） 전지 관리 시스템, 전지 관리 방법, 및 세트 전지의 제조 방법
EP3955450A1 (en) * 2020-08-12 2022-02-16 SKAIChips Co., Ltd. Dc-dc converter with intelligent controller
US11955888B2 (en) 2020-08-12 2024-04-09 Skaichips Co., Ltd. DC-DC converter with intelligent controller
CN112269137A (zh) * 2020-10-19 2021-01-26 中山大学 一种基于动态参数识别的电池健康状态估算方法
WO2022130095A1 (ja) * 2020-12-16 2022-06-23 株式会社半導体エネルギー研究所 蓄電池システム、二次電池及び蓄電池システムの動作方法

Also Published As

Publication number Publication date
JP7337781B2 (ja) 2023-09-04
TWI803623B (zh) 2023-06-01
TW201945986A (zh) 2019-12-01
US20210116511A1 (en) 2021-04-22
JPWO2019207399A1 (ja) 2021-07-01
US11493558B2 (en) 2022-11-08
CN112020656A (zh) 2020-12-01
CN112020656B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
WO2019207399A1 (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
TWI814765B (zh) 二次電池的異常檢測裝置、異常檢測方法、充電狀態推測方法、充電狀態推測裝置以及電腦可讀取媒體
Waseem et al. Battery technologies and functionality of battery management system for EVs: Current status, key challenges, and future prospectives
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
CN111919128B (zh) 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
WO2019175707A1 (ja) 二次電池の充電状態推定装置、二次電池の異常検出装置、二次電池の異常検出方法、及び二次電池の管理システム
US11480621B2 (en) Capacity estimation method and capacity estimation system for power storage device
US20160344065A1 (en) Electric vehicle propulsion system and method utilizing solid-state rechargeable electrochemical cells
US9350055B2 (en) Electric vehicle propulsion system and method utilizing solid-state rechargeable electrochemical cells
JP7104065B2 (ja) 充電制御装置
JP7344724B2 (ja) 全固体リチウムイオン二次電池システム、および全固体リチウムイオン二次電池用充電装置
CN110247101A (zh) 用于对电池快速充电的方法
CN111133616A (zh) 固态可充电电化学电池单元

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: 19793916

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020515307

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: 19793916

Country of ref document: EP

Kind code of ref document: A1