WO2023027048A1 - 電池パラメータ推定方法、装置、デバイス及び媒体 - Google Patents
電池パラメータ推定方法、装置、デバイス及び媒体 Download PDFInfo
- Publication number
- WO2023027048A1 WO2023027048A1 PCT/JP2022/031639 JP2022031639W WO2023027048A1 WO 2023027048 A1 WO2023027048 A1 WO 2023027048A1 JP 2022031639 W JP2022031639 W JP 2022031639W WO 2023027048 A1 WO2023027048 A1 WO 2023027048A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- model
- data
- battery parameter
- module
- parameter estimation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 108
- 238000012545 processing Methods 0.000 claims abstract description 53
- 230000015654 memory Effects 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000013500 data storage Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Definitions
- the present invention provides a computer storage medium storing a computer program for executing the steps of the above battery parameter estimation method when the computer program is executed by a processor.
- the input data is acquired by the input data acquisition module 230.
- the input data acquisition module 230 acquires input data from a storage battery state detection probe (ammeter, voltmeter, thermometer, etc.).
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本発明は、電池パラメータ推定装置、方法、デバイス及び媒体に関し、前記方法は電池パラメータ推定装置に適用され、前記方法は、前記モデル生成装置を使用してモデルを生成し、モデルを更新するステップと、前記データ処理装置を使用してトレーニング用データを読み取り、保存するステップと、前記モデル生成装置の更新後のモデル及び前記データ処理装置が保存したトレーニング用データに基づいて、電池パラメータの推定計算を行って出力するステップと、出力された電池パラメータの推定計算結果に基づいて、モデルの現在のパラメータが要求を満たしているか否かを判断し、満たす場合は現在のパラメータでモデルを保存し、満たさない場合はモデルパラメータを保存し、モデルパラメータを解析し計算した後に新たなモデルパラメータを生成してモデルを更新するステップと、を含む。
Description
本発明は、データ処理の技術分野に関し、より具体的には、本発明は電池パラメータ推定方法、装置、デバイス及び媒体に関する。
電池の使用寿命の推定は非常に重要であるものの、従来の技術は、例えば使用寿命等の電池の状態を推定するユーザのニーズを満たすことができていなかった。
従来の技術ではユーザの電池パラメータ推定のニーズを満たすことができないという技術課題を解決することを目的として、本発明は、主に、深層学習／機械学習によって電池状態を推定するための方法、装置、デバイス及び媒体を提供する。
上記の技術目的を達成するために、本発明は、モデル生成装置及びデータ処理装置を含む電池パラメータ推定装置を提供し、
前記モデル生成装置は、
トレーニングデータを格納するためのトレーニングデータ記憶モジュールと、
前記トレーニングデータ記憶モジュールからトレーニングデータを読み取ってモデルトレーニングを行うためのトレーニングデータ取得モジュールと、
前記トレーニングデータ取得モジュールにより読み取られたトレーニングデータを使用してモデルトレーニングを行って、電池パラメータ推定モデル（以下、単に「モデル」ということもある）を取得するためのモデルトレーニングモジュールと、
前記モデルトレーニングモジュールがトレーニングを行って取得された前記電池パラメータ推定モデルを格納するための第１モデル記憶モジュールと、
前記モデルトレーニングモジュールがトレーニングを行った後の前記電池パラメータ推定モデルを送信するためのモデル送信モジュールと、を含み、
前記トレーニングデータ記憶モジュール、前記トレーニングデータ取得モジュール、前記モデルトレーニングモジュール、前記第１モデル記憶モジュール及び前記モデル送信モジュールは、この順に接続されており、
前記データ処理装置は、
前記モデル送信モジュールが送信する前記電池パラメータ推定モデルを読み取るためのモデルパラメータ取得モジュールと、
前記モデルパラメータ取得モジュールが取得した前記電池パラメータ推定モデルを格納するための第２モデル記憶モジュールと、
測定対象に関連する入力データを取得して格納するための入力データ取得モジュールと、
前記第２モデル記憶モジュールに格納されている前記電池パラメータ推定モデルを呼び出し、且つ前記入力データ取得モジュールにおける入力データを読み取って計算した後に出力するための出力データ生成モジュールと、
ここで、前記入力データ取得モジュールは、入力データ取得サブモジュール及び入力データ記憶サブモジュールを含み、
前記出力データ生成モジュールは、出力データ計算サブモジュール及び出力データ出力サブモジュールを含み、
前記出力データ生成モジュールの出力データを呼び出し、且つ処理を行って表示可能なデータを取得するための表示処理モジュールと、
前記表示処理モジュールが処理を行った後に取得した表示可能なデータを表示するための表示モジュールと、を含む。
前記モデル生成装置は、
トレーニングデータを格納するためのトレーニングデータ記憶モジュールと、
前記トレーニングデータ記憶モジュールからトレーニングデータを読み取ってモデルトレーニングを行うためのトレーニングデータ取得モジュールと、
前記トレーニングデータ取得モジュールにより読み取られたトレーニングデータを使用してモデルトレーニングを行って、電池パラメータ推定モデル（以下、単に「モデル」ということもある）を取得するためのモデルトレーニングモジュールと、
前記モデルトレーニングモジュールがトレーニングを行って取得された前記電池パラメータ推定モデルを格納するための第１モデル記憶モジュールと、
前記モデルトレーニングモジュールがトレーニングを行った後の前記電池パラメータ推定モデルを送信するためのモデル送信モジュールと、を含み、
前記トレーニングデータ記憶モジュール、前記トレーニングデータ取得モジュール、前記モデルトレーニングモジュール、前記第１モデル記憶モジュール及び前記モデル送信モジュールは、この順に接続されており、
前記データ処理装置は、
前記モデル送信モジュールが送信する前記電池パラメータ推定モデルを読み取るためのモデルパラメータ取得モジュールと、
前記モデルパラメータ取得モジュールが取得した前記電池パラメータ推定モデルを格納するための第２モデル記憶モジュールと、
測定対象に関連する入力データを取得して格納するための入力データ取得モジュールと、
前記第２モデル記憶モジュールに格納されている前記電池パラメータ推定モデルを呼び出し、且つ前記入力データ取得モジュールにおける入力データを読み取って計算した後に出力するための出力データ生成モジュールと、
ここで、前記入力データ取得モジュールは、入力データ取得サブモジュール及び入力データ記憶サブモジュールを含み、
前記出力データ生成モジュールは、出力データ計算サブモジュール及び出力データ出力サブモジュールを含み、
前記出力データ生成モジュールの出力データを呼び出し、且つ処理を行って表示可能なデータを取得するための表示処理モジュールと、
前記表示処理モジュールが処理を行った後に取得した表示可能なデータを表示するための表示モジュールと、を含む。
更に、前記モデルトレーニングモジュールにおけるモデルトレーニングのパラメータをトレーニングするためのモデルトレーニングパラメータのトレーニングモジュールを含む。
更に、前記モデルトレーニングパラメータのトレーニングモジュールは、深層学習モデル、機械学習モデル及び／又は線形回帰分析方法を使用して前記モデルトレーニングモジュールにおけるパラメータに対してトレーニングを行うために用いられる。
更に、前記深層学習モデルは、ディープニューラルネットワーク、畳み込みニューラルネットワーク、リカレントニューラルネットワーク、リカーシブニューラルネットワーク、長・短期記憶ネットワーク及び／又は双方向の長・短期記憶ネットワークを含む。
上記の技術目的を実現するために、本発明は、上記の電池パラメータ推定装置に適用する電池パラメータ推定方法を提供し、前記方法は、
前記モデル生成装置を使用してモデルを生成し、モデルを更新するステップと、
前記データ処理装置を使用してトレーニング用データを読み取り、保存するステップと、
前記モデル生成装置の更新後のモデル及び前記データ処理装置が保存したトレーニング用データに基づいて、電池パラメータの推定計算を行って出力するステップと、
出力された電池パラメータの推定計算結果に基づいて、モデルの現在のパラメータが要求を満たしているか否かを判断し、満たす場合は現在のパラメータでモデルを保存し、満たさない場合はモデルパラメータを保存し、モデルパラメータを解析し計算した後に新たなモデルパラメータを生成してモデルを更新するステップと、を含む。
前記モデル生成装置を使用してモデルを生成し、モデルを更新するステップと、
前記データ処理装置を使用してトレーニング用データを読み取り、保存するステップと、
前記モデル生成装置の更新後のモデル及び前記データ処理装置が保存したトレーニング用データに基づいて、電池パラメータの推定計算を行って出力するステップと、
出力された電池パラメータの推定計算結果に基づいて、モデルの現在のパラメータが要求を満たしているか否かを判断し、満たす場合は現在のパラメータでモデルを保存し、満たさない場合はモデルパラメータを保存し、モデルパラメータを解析し計算した後に新たなモデルパラメータを生成してモデルを更新するステップと、を含む。
更に、前述した前記モデル生成装置の更新後のモデル及び前記データ処理装置が保存したトレーニング用データに基づいて、電池パラメータの推定計算を行って出力することは、以下を含む。
第１電池パラメータ推定モデルグループにおいてｎ個の独立したモデルを含み、
セグメントａi～ａjのデータをそれぞれｎ個のモデルに入力して入力パラメータとし、ここで、ａiは電池パラメータ入力セグメントの開始時点を表し、ａjは電池パラメータ入力セグメントの終了時点を表し、ｎは２以上の整数であり、
各段階の第１電池パラメータ推定モデルは、それぞれ前記セグメントａi～ａjのデータを保存し、ｎ個の独立したモデルは、それぞれ前記セグメントａi～ａjのデータを使用してそれが担当している出力段階の第１電池パラメータの推定結果を計算し、例えば１番目のモデルはｂi1～ｂj1を計算し、２番目のモデルはｂi2～ｂj2を計算し、……ｎ番目のモデルはｂin～ｂjnを計算し、
前記第１電池パラメータの推定結果をまとめて処理し、格納する。
第１電池パラメータ推定モデルグループにおいてｎ個の独立したモデルを含み、
セグメントａi～ａjのデータをそれぞれｎ個のモデルに入力して入力パラメータとし、ここで、ａiは電池パラメータ入力セグメントの開始時点を表し、ａjは電池パラメータ入力セグメントの終了時点を表し、ｎは２以上の整数であり、
各段階の第１電池パラメータ推定モデルは、それぞれ前記セグメントａi～ａjのデータを保存し、ｎ個の独立したモデルは、それぞれ前記セグメントａi～ａjのデータを使用してそれが担当している出力段階の第１電池パラメータの推定結果を計算し、例えば１番目のモデルはｂi1～ｂj1を計算し、２番目のモデルはｂi2～ｂj2を計算し、……ｎ番目のモデルはｂin～ｂjnを計算し、
前記第１電池パラメータの推定結果をまとめて処理し、格納する。
更に、前述した前記モデル生成装置の更新後のモデル及び前記データ処理装置が保存したトレーニング用データに基づいて、電池パラメータの推定計算を行って出力することは、以下を含む。
第２電池パラメータモデルグループにおいてｍ個の独立したモデルを含み、
セグメントａi～ａjを入力データとしてｍ個のセグメントに分けてｍ個のモデルに入力して入力データとし、ここで、ａiは電池パラメータ入力セグメントの開始時点を表し、ａjは電池パラメータ入力セグメントの終了時点を表し、ｍは２以上の整数であり、
前記各第２電池パラメータ推定モデルは、前記セグメントａi～ａjのデータをセグメント化した後のデータを各モデルの入力データとし、
前記各第２電池パラメータ推定モデルは、属する各モデルの入力データを使用して、それぞれ前記各モデルが担当する第２電池パラメータデータセグメントの推定出力データを計算して格納し、
各グループの前記第２電池パラメータの推定出力データを解析モデルに入力して解析し、
前記解析後の結果を格納して第２電池パラメータモデルグループの出力結果とする。
第２電池パラメータモデルグループにおいてｍ個の独立したモデルを含み、
セグメントａi～ａjを入力データとしてｍ個のセグメントに分けてｍ個のモデルに入力して入力データとし、ここで、ａiは電池パラメータ入力セグメントの開始時点を表し、ａjは電池パラメータ入力セグメントの終了時点を表し、ｍは２以上の整数であり、
前記各第２電池パラメータ推定モデルは、前記セグメントａi～ａjのデータをセグメント化した後のデータを各モデルの入力データとし、
前記各第２電池パラメータ推定モデルは、属する各モデルの入力データを使用して、それぞれ前記各モデルが担当する第２電池パラメータデータセグメントの推定出力データを計算して格納し、
各グループの前記第２電池パラメータの推定出力データを解析モデルに入力して解析し、
前記解析後の結果を格納して第２電池パラメータモデルグループの出力結果とする。
更に、前述した前記モデル生成装置の更新後のモデル及び前記データ処理装置が保存したトレーニング用データに基づいて、電池パラメータの推定計算を行って出力することは、以下を含む。
第３電池パラメータモデルグループは、ｋ個の独立したモデルを含み、
セグメントａi～ａjのデータを１番目の第３電池パラメータ推定モデルに入力し、前記１番目の第３電池パラメータ推定モデルは前記セグメントａi～ａjのデータを格納し、ここで、ａiは電池パラメータ入力セグメントの開始時点を表し、ａjは電池パラメータ入力セグメントの終了時点を表し、
前記１番目の第３電池パラメータ推定モデルを、前記セグメントａi～ａjのデータを使用して計算した後に、計算結果を２番目の第３電池パラメータ推定モデルに入力して２番目のモデルの入力データとし、ｋ－１番目の第３電池パラメータ推定モデルの計算結果をｋ番目の第３電池パラメータ推定モデルに入力するまで順に循環し、ここで、ｋは２以上の整数であり、
ｋ個の第３電池パラメータ推定モデルの計算結果を処理して第３電池パラメータモデルグループの推定結果を取得する。
第３電池パラメータモデルグループは、ｋ個の独立したモデルを含み、
セグメントａi～ａjのデータを１番目の第３電池パラメータ推定モデルに入力し、前記１番目の第３電池パラメータ推定モデルは前記セグメントａi～ａjのデータを格納し、ここで、ａiは電池パラメータ入力セグメントの開始時点を表し、ａjは電池パラメータ入力セグメントの終了時点を表し、
前記１番目の第３電池パラメータ推定モデルを、前記セグメントａi～ａjのデータを使用して計算した後に、計算結果を２番目の第３電池パラメータ推定モデルに入力して２番目のモデルの入力データとし、ｋ－１番目の第３電池パラメータ推定モデルの計算結果をｋ番目の第３電池パラメータ推定モデルに入力するまで順に循環し、ここで、ｋは２以上の整数であり、
ｋ個の第３電池パラメータ推定モデルの計算結果を処理して第３電池パラメータモデルグループの推定結果を取得する。
上記の技術目的を実現するために、本発明は、コンピュータプログラムが格納されているコンピュータ記憶媒体であって、プロセッサによりコンピュータプログラムを実行する際に、上記の電池パラメータ推定方法のステップを実行するために用いられるコンピュータ記憶媒体を更に提供できる。
上記の技術目的を実現するために、本発明は、メモリ、プロセッサ及びメモリに格納され且つプロセッサにより実行されるコンピュータプログラムを含む電子デバイスであって、プロセッサがコンピュータプログラムを実行する際に、上記の電池パラメータ推定方法のステップが実行される電子デバイスを更に提供する。
以下、図面を参照して、本発明の実施例を説明する。ただし、理解すべきことは、これらの説明は、例示的なものにすぎず、本発明の範囲を限定するものではない。なお、以下の説明において、本発明の概念に対する不要な混同を回避するために、公知の構造及び技術に対する説明を省略した。
図面において、本発明の実施例による各構造模式図を示す。これらの図面は比例して描いたものではなく、目的を明確に表現するために、ある細部は拡大し、且つある細部は省略した可能性がある。図に示す各種の領域、層の形状及びそれらの間の相対的な大きさ、位置関係は、例示的なものにすぎず、実際において、製造公差又は技術的制限により差異が発生する可能性があり、且つ当業者は実際の要求に応じて、異なる形状、大きさ、相対位置を有する領域／層を別途設計したり、実際の状況に応じて、図面における論理関係及び／又はトポロジー構造に対して調整を行ってもよい。
実施例１
実施例１
図１に示すように、
本発明は、モデル生成装置１０及びデータ処理装置２０
を含む電池パラメータ推定装置を提供し、
ここで、前記モデル生成装置１０は、
トレーニングデータを格納するためのトレーニングデータ記憶モジュールと、
前記トレーニングデータ記憶モジュールからトレーニングデータを読み取ってモデルトレーニングを行うためのトレーニングデータ取得モジュールと、
前記トレーニングデータ取得モジュールにより読み取られたトレーニングデータを使用してモデルトレーニングを行って、電池パラメータ推定モデルを取得するためのモデルトレーニングモジュールと、
前記モデルトレーニングモジュールがトレーニングを行って取得された前記電池パラメータ推定モデルを格納するための第１モデル記憶モジュールと、
前記モデルトレーニングモジュールがトレーニングを行った後の前記電池パラメータ推定モデルを送信するためのモデル送信モジュールと、を含み、
前記トレーニングデータ記憶モジュールは、前記トレーニングデータ取得モジュール、前記モデルトレーニングモジュール、前記第１モデル記憶モジュール及び前記モデル送信モジュールに順に接続され、
ここで、前記データ処理装置２０は、
前記モデル送信モジュールが送信する電池パラメータの推定計算モデルを読み取るためのモデルパラメータ取得モジュールと、
前記モデルパラメータ取得モジュールが取得したモデルを格納するための第２モデル記憶モジュールと、
測定対象に関連する入力データを取得して格納するための入力データ取得モジュールと、
前記第２モデル記憶モジュールに格納されているモデルを呼び出し、且つ前記入力データ取得モジュールにおける入力データを読み取って計算した後に出力するための出力データ生成モジュールと、
ここで、前記入力データ取得モジュールは、入力データ取得サブモジュール及び入力データ記憶サブモジュールを含み、
前記出力データ生成モジュールは、出力データ計算サブモジュール及び出力データ出力サブモジュールを含み、
前記出力データ生成モジュールの出力データを呼び出し、且つ処理を行って表示可能なデータを取得するための表示処理モジュールと、
前記表示処理モジュールが処理を行った後に取得した表示可能なデータを表示するための表示モジュールと、を含む。
本発明は、モデル生成装置１０及びデータ処理装置２０
を含む電池パラメータ推定装置を提供し、
ここで、前記モデル生成装置１０は、
トレーニングデータを格納するためのトレーニングデータ記憶モジュールと、
前記トレーニングデータ記憶モジュールからトレーニングデータを読み取ってモデルトレーニングを行うためのトレーニングデータ取得モジュールと、
前記トレーニングデータ取得モジュールにより読み取られたトレーニングデータを使用してモデルトレーニングを行って、電池パラメータ推定モデルを取得するためのモデルトレーニングモジュールと、
前記モデルトレーニングモジュールがトレーニングを行って取得された前記電池パラメータ推定モデルを格納するための第１モデル記憶モジュールと、
前記モデルトレーニングモジュールがトレーニングを行った後の前記電池パラメータ推定モデルを送信するためのモデル送信モジュールと、を含み、
前記トレーニングデータ記憶モジュールは、前記トレーニングデータ取得モジュール、前記モデルトレーニングモジュール、前記第１モデル記憶モジュール及び前記モデル送信モジュールに順に接続され、
ここで、前記データ処理装置２０は、
前記モデル送信モジュールが送信する電池パラメータの推定計算モデルを読み取るためのモデルパラメータ取得モジュールと、
前記モデルパラメータ取得モジュールが取得したモデルを格納するための第２モデル記憶モジュールと、
測定対象に関連する入力データを取得して格納するための入力データ取得モジュールと、
前記第２モデル記憶モジュールに格納されているモデルを呼び出し、且つ前記入力データ取得モジュールにおける入力データを読み取って計算した後に出力するための出力データ生成モジュールと、
ここで、前記入力データ取得モジュールは、入力データ取得サブモジュール及び入力データ記憶サブモジュールを含み、
前記出力データ生成モジュールは、出力データ計算サブモジュール及び出力データ出力サブモジュールを含み、
前記出力データ生成モジュールの出力データを呼び出し、且つ処理を行って表示可能なデータを取得するための表示処理モジュールと、
前記表示処理モジュールが処理を行った後に取得した表示可能なデータを表示するための表示モジュールと、を含む。
一例として、入力データは、測定対象３０の状態のテスト指標データであり、少なくとも複数のテスト指標における一部を含む。出力データは、測定対象３０の現在又は将来の状態を表すデータである。例えば、出力データは、測定対象３０の複数のテスト指標のうち、入力データ部分におけるデータとされていない現在又は将来の推定値であってもよく、測定対象３０の少なくとも１つの指標の将来値の推定値であってもよい。後者の場合、出力データに含まれる指標が入力データに出現してもよい。
例えば、測定対象３０が蓄電池である場合、入力データに少なくとも含まれる複数の指標は、例えば蓄電池の出力電圧、出力電流値、及び温度のうちの少なくとも１つである。ただし、対象物及び指標は、これに限定されない。出力データには、少なくとも、例えば測定対象３０の残容量（単位Ａｈ）、充電率（ＳＯＣ：ｓｔａｔｅ ｏｆ ｃｈａｒｇｅ）及び健全性（ＳＯＨ：ｓｔａｔｅ ｏｆ ｈｅａｌｔｈ）のうちの少なくとも１つが含まれているが、出力電圧、出力電流、温度のうちの少なくとも１つが含まれていればよい。
ＳＯＨ＝現在の満充電容量（Ａｈ）／初期の満充電容量（Ａｈ）＊１００％
なお、測定対象３０が蓄電池である場合、データ処理装置２０の一部の機能を、測定対象３０のＢＭＳ（ｂａｔｔｅｒｙ ｍａｎａｇｅｍｅｎｔ ｓｙｓｔｅｍ）として使用してもよい。この図に示す態様の場合、１つのデータ処理装置２０が複数の測定対象３０に接続されることで、複数の測定対象３０に対して処理を実行する。
測定対象３０が蓄電池である場合、測定対象３０は、機器に給電し、例えば機器は電気自動車等の車両であり得る。ただし、測定対象３０が家庭用蓄電池である場合、機器は家庭電器等の類似の用途の電器であり、この場合、測定対象３０は機器の外部に設けられる。なお、測定対象３０は、システム給電ネットに接続されてもよく、この場合、測定対象３０は供給電量を均等化するために用いられる。具体的には、機器の電量に残量がある場合、電量を蓄え、機器の電量が足りない場合、給電する。
上記のように、データ処理装置２０は、出力データを生成する際にこのモデルを適用する。モデル生成装置１０は、機械学習、例えばニューラルネットワークによって、データ処理装置２０が使用する少なくとも１種のモデルを生成し更新する。
図２に示すように、
図２は、モデル生成装置１０の機能構造の一例である。
図２は、モデル生成装置１０の機能構造の一例である。
図２に示すように、
トレーニングデータ記憶モジュール１１０は、トレーニングデータを格納するために用いられ、
トレーニングデータ取得モジュール１２０は、前記トレーニングデータ記憶モジュールからトレーニングデータを読み取ってモデルトレーニングを行うために用いられ、
モデルトレーニングモジュール１３０は、前記トレーニングデータ取得モジュールにより読み取られたトレーニングデータを使用してモデルトレーニングを行って、電池パラメータ推定モデルを取得するために用いられ、
第１モデル記憶モジュール１４０は、前記モデルトレーニングモジュールがトレーニングを行って取得された前記電池パラメータ推定モデルを格納するために用いられ、
モデル送信モジュール１５０は、前記モデルトレーニングモジュールがトレーニングを行った後の前記電池パラメータ推定モデルを送信するために用いられる。
トレーニングデータ記憶モジュール１１０は、トレーニングデータを格納するために用いられ、
トレーニングデータ取得モジュール１２０は、前記トレーニングデータ記憶モジュールからトレーニングデータを読み取ってモデルトレーニングを行うために用いられ、
モデルトレーニングモジュール１３０は、前記トレーニングデータ取得モジュールにより読み取られたトレーニングデータを使用してモデルトレーニングを行って、電池パラメータ推定モデルを取得するために用いられ、
第１モデル記憶モジュール１４０は、前記モデルトレーニングモジュールがトレーニングを行って取得された前記電池パラメータ推定モデルを格納するために用いられ、
モデル送信モジュール１５０は、前記モデルトレーニングモジュールがトレーニングを行った後の前記電池パラメータ推定モデルを送信するために用いられる。
前記トレーニングデータ記憶モジュール１１０、前記トレーニングデータ取得モジュール１２０、前記モデルトレーニングモジュール１３０、前記第１モデル記憶モジュール１４０及び前記モデル送信モジュール１５０は、この順に接続されている。
トレーニングデータ取得モジュール１２０は複数のトレーニングデータを取得し、モデルトレーニングモジュール１３０はトレーニングデータ取得モジュール１２０により取得された複数のトレーニングデータに対して機械学習を行うことで、モデルを生成する。モデルトレーニングモジュール１３０は、複数の機械学習アルゴリズム（例えば、ＬＳＴＭ（ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ）、ＤＮＮ（ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、ＬＲ（ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ）、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）、ＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ））等によって、複数の異なるモデルを生成する。
トレーニングデータ取得モジュール１２０は、トレーニングデータ記憶モジュール１１０からトレーニングデータを取得する。トレーニングデータ記憶モジュール１１０は、モデル生成装置１０の一部であってもよく、モデル生成装置１０の外部に配置されてもよい。
モデルトレーニングモジュール１３０により生成されたモデルを第１モデル記憶モジュール１４０に保存し、その後、モデル送信モジュール１５０は第１モデル記憶モジュール１４０に保存されているモデルをデータ処理装置２０に送信する。図に示すように、第１モデル記憶モジュール１４０及びモデル送信モジュール１５０は、いずれもモデル生成装置１０の一部である。ただし、第１モデル記憶モジュール１４０及びモデル送信モジュール１５０は、モデル生成装置１０の外部に設置されてもよい。
データ処理装置２０の機能構造の一例は、図３に示す通りである。
ここで、前記データ処理装置２０は、
前記モデル送信モジュールが送信する前記電池パラメータの推定計算モデルを読み取るためのモデルパラメータ取得モジュール２１０と、
前記モデルパラメータ取得モジュールが取得したモデルを格納するための第２モデル記憶モジュール２２０と、
測定対象に関連する入力データを取得して格納するための入力データ取得モジュール２３０と、
前記第２モデル記憶モジュールに格納されているモデルを呼び出し、且つ前記入力データ取得モジュールにおける入力データを読み取って計算した後に出力するための出力データ生成モジュール２４０と、
ここで、前記入力データ取得モジュール２３０は、入力データ取得サブモジュール２３０１及び入力データ記憶サブモジュール２３０２を含み、
前記出力データ生成モジュール２４０は、出力データ計算サブモジュール２４０１及び出力データ出力サブモジュール２４０２を含み、
前記出力データ生成モジュールの出力データを呼び出し、且つ処理を行って表示可能なデータを取得するための表示処理モジュール２５０と、
前記表示処理モジュールが処理を行った後に取得した表示可能なデータを表示するための表示モジュール２６０と、を含む。
前記モデル送信モジュールが送信する前記電池パラメータの推定計算モデルを読み取るためのモデルパラメータ取得モジュール２１０と、
前記モデルパラメータ取得モジュールが取得したモデルを格納するための第２モデル記憶モジュール２２０と、
測定対象に関連する入力データを取得して格納するための入力データ取得モジュール２３０と、
前記第２モデル記憶モジュールに格納されているモデルを呼び出し、且つ前記入力データ取得モジュールにおける入力データを読み取って計算した後に出力するための出力データ生成モジュール２４０と、
ここで、前記入力データ取得モジュール２３０は、入力データ取得サブモジュール２３０１及び入力データ記憶サブモジュール２３０２を含み、
前記出力データ生成モジュール２４０は、出力データ計算サブモジュール２４０１及び出力データ出力サブモジュール２４０２を含み、
前記出力データ生成モジュールの出力データを呼び出し、且つ処理を行って表示可能なデータを取得するための表示処理モジュール２５０と、
前記表示処理モジュールが処理を行った後に取得した表示可能なデータを表示するための表示モジュール２６０と、を含む。
入力データは、入力データ取得モジュール２３０により取得される。例えば、測定対象３０が蓄電池である場合、入力データ取得モジュール２３０は、蓄電池状態検出プローブ（電流計、電圧計、温度計等）から入力データを取得する。
出力データ生成モジュール２４０は、モデル生成装置１０により生成されたモデル処理入力データを使用して出力データを発生させる。ここで、出力データは、測定対象３０の入力データとされていない現在又は将来の推定値であってよく、また、データの個数は予測したい任意のデータ数である。例えば、入力データが１番目から１０００番目迄の１０００個のデータであった場合に、１００１番目から１２００番目迄の２００個のデータを出力データとすることができる。
モデルパラメータ取得モジュール２１０は、モデル生成装置１０からモデルを取得し、第２モデル記憶モジュール２２０に格納する。モデルパラメータ取得モジュール２１０は、モデル生成装置１０から更新用パラメータ（例えばモデルのパラメータ）を取得する場合、このパラメータを使用して第２モデル記憶モジュール２２０に記録されているモデルを更新する。このような更新処理は、繰り返して操作するのが好適である。
表示処理モジュール２５０は、出力データ生成モジュール２４０により生成されたデータを表示モジュール２６０に表示してもよい。表示モジュール２６０は、ユーザのニーズに応じて、使用が便利な位置に設けることができる。
実施例２
実施例２
図４に示すように、本発明は、電池パラメータ推定方法を更に提供することができ、以下を含む。
Ｓ４０１：前記モデル生成装置を使用してモデルを生成し、モデルを更新するステップ。
Ｓ４０２：前記データ処理装置を使用してトレーニング用データを読み取り、保存するステップ。
Ｓ４０３：前記モデル生成装置の更新後のモデル及び前記データ処理装置が保存したトレーニング用データに基づいて、電池パラメータの推定計算を行って出力するステップ。
Ｓ４０４：出力された電池パラメータの推定計算結果に基づいて、モデルの現在のパラメータが要求を満たしているか否かを判断し、満たす場合は現在のパラメータでモデルを保存し、満たさない場合はモデルパラメータを保存し、モデルパラメータを解析し計算した後に新たなモデルパラメータを生成してモデルを更新するステップ。
Ｓ４０１：前記モデル生成装置を使用してモデルを生成し、モデルを更新するステップ。
Ｓ４０２：前記データ処理装置を使用してトレーニング用データを読み取り、保存するステップ。
Ｓ４０３：前記モデル生成装置の更新後のモデル及び前記データ処理装置が保存したトレーニング用データに基づいて、電池パラメータの推定計算を行って出力するステップ。
Ｓ４０４：出力された電池パラメータの推定計算結果に基づいて、モデルの現在のパラメータが要求を満たしているか否かを判断し、満たす場合は現在のパラメータでモデルを保存し、満たさない場合はモデルパラメータを保存し、モデルパラメータを解析し計算した後に新たなモデルパラメータを生成してモデルを更新するステップ。
図５に示すように、
前記Ｓ４０３は、実施形態Ｓ４０３－ａに分けられ、
第１電池パラメータ推定モデルグループにおいてｎ個の独立したモデルを含む。セグメントａi～ａjのデータをそれぞれｎ個のモデルに入力して入力パラメータとし、ここで、ａiは電池パラメータ入力セグメントの開始時点を表し、ａjは電池パラメータ入力セグメントの終了時点を表し、ｎは２以上の整数であり、
各段階の第１電池パラメータ推定モデルは、それぞれ前記セグメントａi～ａjのデータを保存し、ｎ個の独立したモデルは、それぞれ前記セグメントａi～ａjのデータを使用してそれが担当している出力段階の第１電池パラメータの推定結果を計算し、例えば１番目のモデルはｂi1～ｂj1を計算し、２番目のモデルはｂi2～ｂj2を計算し、……ｎ番目のモデルはｂin～ｂjnを計算し、
前記第１電池パラメータの推定結果をまとめて処理し、格納する。
ここで、１番目～ｎ番目のモデルの出力データは、入力データとされていない現在又は将来の推定値であってよく、また、データの個数は予測したい任意のデータ数である。例えば、入力データが１番目から１０００番目迄の１０００個のデータであった場合に、１００１番目から１２００番目迄の２００個のデータを出力データとすることができる。
前記Ｓ４０３は、実施形態Ｓ４０３－ａに分けられ、
第１電池パラメータ推定モデルグループにおいてｎ個の独立したモデルを含む。セグメントａi～ａjのデータをそれぞれｎ個のモデルに入力して入力パラメータとし、ここで、ａiは電池パラメータ入力セグメントの開始時点を表し、ａjは電池パラメータ入力セグメントの終了時点を表し、ｎは２以上の整数であり、
各段階の第１電池パラメータ推定モデルは、それぞれ前記セグメントａi～ａjのデータを保存し、ｎ個の独立したモデルは、それぞれ前記セグメントａi～ａjのデータを使用してそれが担当している出力段階の第１電池パラメータの推定結果を計算し、例えば１番目のモデルはｂi1～ｂj1を計算し、２番目のモデルはｂi2～ｂj2を計算し、……ｎ番目のモデルはｂin～ｂjnを計算し、
前記第１電池パラメータの推定結果をまとめて処理し、格納する。
ここで、１番目～ｎ番目のモデルの出力データは、入力データとされていない現在又は将来の推定値であってよく、また、データの個数は予測したい任意のデータ数である。例えば、入力データが１番目から１０００番目迄の１０００個のデータであった場合に、１００１番目から１２００番目迄の２００個のデータを出力データとすることができる。
図６に示すように、
前記Ｓ４０３は、実施形態Ｓ４０３－ｂに分けられ、
第２電池パラメータモデルグループにおいてｍ個の独立したモデルを含み、
セグメントａi～ａjを入力データとして、データ数をｘ個単位としたｍ個の分割セグメントに分けてｍ個のモデルに入力して入力データとし、ここで、ａiは電池パラメータ入力セグメントの開始時点を表し、ａjは電池パラメータ入力セグメントの終了時点を表し、ｍは２以上の整数であり、ｘは全データ個数をｍで除した自然数であり、
前記各第２電池パラメータ推定モデルは、前記セグメントａi～ａjのデータを分割セグメントとした後のデータを各モデルの入力データとし、
前記各第２電池パラメータ推定モデルは、属する各モデルの入力データを使用して、それぞれ前記各モデルが担当する第２電池パラメータデータの分割セグメントの推定出力データを計算して格納し、
各グループの前記第２電池パラメータの推定出力データを解析モデルに入力して解析し、
前記解析後の結果を格納して第２電池パラメータモデルグループの出力結果とする。
なお、それぞれの分割セグメントの出力データとして格納される出力データ１，出力データ２…出力データｍは、入力データとされていない現在又は将来の推定値であってよく、また、データの個数は予測したい任意のデータ数である。例えば、入力データが１番目から１０００番目迄の１０００個のデータであった場合に、１００１番目から１２００番目迄の２００個のデータを出力データとすることができるのであり、それはｍ個のモデル各々によって求められることになる。
前記Ｓ４０３は、実施形態Ｓ４０３－ｂに分けられ、
第２電池パラメータモデルグループにおいてｍ個の独立したモデルを含み、
セグメントａi～ａjを入力データとして、データ数をｘ個単位としたｍ個の分割セグメントに分けてｍ個のモデルに入力して入力データとし、ここで、ａiは電池パラメータ入力セグメントの開始時点を表し、ａjは電池パラメータ入力セグメントの終了時点を表し、ｍは２以上の整数であり、ｘは全データ個数をｍで除した自然数であり、
前記各第２電池パラメータ推定モデルは、前記セグメントａi～ａjのデータを分割セグメントとした後のデータを各モデルの入力データとし、
前記各第２電池パラメータ推定モデルは、属する各モデルの入力データを使用して、それぞれ前記各モデルが担当する第２電池パラメータデータの分割セグメントの推定出力データを計算して格納し、
各グループの前記第２電池パラメータの推定出力データを解析モデルに入力して解析し、
前記解析後の結果を格納して第２電池パラメータモデルグループの出力結果とする。
なお、それぞれの分割セグメントの出力データとして格納される出力データ１，出力データ２…出力データｍは、入力データとされていない現在又は将来の推定値であってよく、また、データの個数は予測したい任意のデータ数である。例えば、入力データが１番目から１０００番目迄の１０００個のデータであった場合に、１００１番目から１２００番目迄の２００個のデータを出力データとすることができるのであり、それはｍ個のモデル各々によって求められることになる。
図７に示すように、
前記Ｓ４０３は、実施形態Ｓ４０３－ｃ－１に分けられ、
第３電池パラメータモデルグループは、ｋ個の独立したモデルを含み、
セグメントａi～ａjのデータを１番目の第３電池パラメータ推定モデルに入力し、前記１番目の第３電池パラメータ推定モデルは前記セグメントａi～ａjのデータを格納し、ここで、ａiは電池パラメータ入力セグメントの開始時点を表し、ａjは電池パラメータ入力セグメントの終了時点を表し、
前記１番目の第３電池パラメータ推定モデルを、前記セグメントａi～ａjのデータを使用して計算した後に、計算結果を２番目の第３電池パラメータ推定モデルに入力して２番目のモデルの入力データとし、ｋ－１番目の第３電池パラメータ推定モデルの計算結果をｋ番目の第３電池パラメータ推定モデルに入力するまで順に循環し、ここで、ｋは２以上の整数であり、
ｋ個の第３電池パラメータ推定モデルの計算結果を処理して第３電池パラメータモデルグループの推定結果を取得する。
前記Ｓ４０３は、実施形態Ｓ４０３－ｃ－１に分けられ、
第３電池パラメータモデルグループは、ｋ個の独立したモデルを含み、
セグメントａi～ａjのデータを１番目の第３電池パラメータ推定モデルに入力し、前記１番目の第３電池パラメータ推定モデルは前記セグメントａi～ａjのデータを格納し、ここで、ａiは電池パラメータ入力セグメントの開始時点を表し、ａjは電池パラメータ入力セグメントの終了時点を表し、
前記１番目の第３電池パラメータ推定モデルを、前記セグメントａi～ａjのデータを使用して計算した後に、計算結果を２番目の第３電池パラメータ推定モデルに入力して２番目のモデルの入力データとし、ｋ－１番目の第３電池パラメータ推定モデルの計算結果をｋ番目の第３電池パラメータ推定モデルに入力するまで順に循環し、ここで、ｋは２以上の整数であり、
ｋ個の第３電池パラメータ推定モデルの計算結果を処理して第３電池パラメータモデルグループの推定結果を取得する。
更に、図８に示すように、実施形態Ｓ４０３－ｃ－１に基づいて、改良を更に行うことができ、
セグメントａi～ａjのデータを１番目の第３電池パラメータ推定モデルに入力し、前記１番目の第３電池パラメータ推定モデルは前記セグメントａi～ａjのデータを格納し、ここで、ａiは電池パラメータ推定の開始時点を表し、ａjは電池パラメータ推定の終了時点を表し、
前記１番目の第３電池パラメータ推定モデルは、計算した後に、計算結果を２番目の第３電池パラメータ推定モデルに入力し、
前記１番目の第３電池パラメータ推定モデルが計算した後の結果及び前記２番目の第３電池パラメータ推定モデルが計算した後の結果を３番目の第３電池パラメータ推定モデルに導入し、１番目の第３電池パラメータ推定モデルが計算した後の結果からｋ－１番目の第３電池パラメータ推定モデルが計算した後の結果をｋ番目の第３電池パラメータ推定モデルに導入して計算を行うまで順に循環し、ここで、ｋは２以上の整数であり、
ｋ番目の第３電池パラメータ推定モデルの計算結果を第３電池パラメータの推定結果とする。
セグメントａi～ａjのデータを１番目の第３電池パラメータ推定モデルに入力し、前記１番目の第３電池パラメータ推定モデルは前記セグメントａi～ａjのデータを格納し、ここで、ａiは電池パラメータ推定の開始時点を表し、ａjは電池パラメータ推定の終了時点を表し、
前記１番目の第３電池パラメータ推定モデルは、計算した後に、計算結果を２番目の第３電池パラメータ推定モデルに入力し、
前記１番目の第３電池パラメータ推定モデルが計算した後の結果及び前記２番目の第３電池パラメータ推定モデルが計算した後の結果を３番目の第３電池パラメータ推定モデルに導入し、１番目の第３電池パラメータ推定モデルが計算した後の結果からｋ－１番目の第３電池パラメータ推定モデルが計算した後の結果をｋ番目の第３電池パラメータ推定モデルに導入して計算を行うまで順に循環し、ここで、ｋは２以上の整数であり、
ｋ番目の第３電池パラメータ推定モデルの計算結果を第３電池パラメータの推定結果とする。
ここで、強調すべきことは、他の類似する変形例、例えば、複数の第３電池パラメータ推定モデルの結果をまとめて次のセグメントの第３電池パラメータ推定モデルの入力とする形態は、同じ構成及び類似するアイデアに属するため、本態様の変形例に属する。変形の形態は多様であるので、ここでは省略する。
実施例３
実施例３
本発明は、コンピュータプログラムが格納されているコンピュータ記憶媒体であって、プロセッサによりコンピュータプログラムを実行する際に、上記の電池パラメータ推定方法のステップを実行するために用いられるコンピュータ記憶媒体を更に提供できる。
本発明のコンピュータ記憶媒体は、半導体メモリ、磁気コアメモリ、磁気ドラムメモリ又は磁気ディスクメモリを採用して実現できる。
半導体メモリは、主にコンピュータの半導体記憶素子に使用され、主にＭＯＳ及びバイポーラ型の２つがある。ＭＯＳ素子は、集積度が高く、プロセスが簡単であるが、スピードが遅い。バイポーラ型素子は、プロセスが複雑で、電力消費が大きく、集積度が低いが、スピードが速い。ＮＭＯＳ及びＣＭＯＳが出現した後、ＭＯＳメモリが半導体メモリにおいて主要な位置を占め始めた。ＮＭＯＳはスピードが速く、例えばインテル社の１Ｋビットのスタティックランダムメモリのアクセスタイムは４５ｎｓである。ＣＭＯＳは消費電力が少なく、４ＫビットのＣＭＯＳスタティックメモリのアクセスタイムは３００ｎｓである。上記の半導体メモリは、いずれもランダムアクセスメモリ（ＲＡＭ）であり、即ち作業過程において、新たな内容の読み書きをランダムに行うことができる。半導体読み取り専用メモリ（ＲＯＭ）は、作業過程においてランダムに読み取ることができるが、書き込むことができず、これは、固定済みのプログラム及びデータの保存に用いられる。ＲＯＭはまた、書き換え不可能なヒューズ式の読み取り専用メモリ──ＰＲＯＭと、書き換え可能な読み取り専用メモリＥＰＲＯＭの２つに分けられる。
磁気コアメモリは、コストが低く、信頼性が高い特徴を有し、且つ２０年以上の実用経験がある。７０年代半ばまでは、磁気コアメモリが主メモリとして広く使用された。そのストレージ容量は１０ビット以上に達することが可能で、最速のアクセスタイムは３００ｎｓである。世界で代表的な磁気コアメモリ容量は４ＭＳ～８ＭＢであり、アクセスサイクルは１．０～１．５μｓである。半導体メモリが急速に発展して磁気コアメモリの代わりに主メモリとなった後も、磁気コアメモリは、大容量増設メモリとして適用できる。
磁気ドラムメモリは、磁気記録用の外部メモリである。これは、情報のアクセススピードが速く、作業が安定的で確実であるため、その容量が比較的小さく、徐々に磁気ディスクメモリに置き換わっているが、リアルタイム過程の制御用コンピュータ及び中型、大型コンピュータの外部メモリとして用いられる。小型及びミニコンピュータの需要に適応するために、体積が小さく、軽量で、信頼性が高く、使用が便利な超小型磁気ドラムが出現した。
磁気ディスクメモリは、磁気記録用の外部メモリである。これは、磁気ドラム及び磁気テープメモリの利点を兼ね備え、即ちそのストレージ容量は磁気ドラム容量より大きく、アクセススピードは磁気テープメモリより速く、またオフラインでも保存できるので、各種のコンピュータシステムにおいて、磁気ディスクは大容量の外部メモリとして広く用いられる。磁気ディスクは、通常、ハードディスク及びフロッピーディスクメモリの２種類に分けられる。
ハードディスクメモリの種類は多様である。構造的には、リムーバブル式及び固定式の２つに分けられる。リムーバブル式磁気ディスクのプラッタは交換可能であり、固定式磁気ディスクのプラッタは固定されている。リムーバブル式及び固定式磁気ディスクはいずれもマルチピースの組み合わせ及びシングルピースの構成の２種類を有し、またそれぞれ固定磁気ヘッド型及び可動磁気ヘッド型に分けられる。固定磁気ヘッド型磁気ディスクは、容量が小さく、記録密度が低く、アクセススピードが速いが、生産コストが高い。可動磁気ヘッド型磁気ディスクは、記録密度が高い（１０００～６２５０ビット／インチ）ので、容量が大きいが、アクセススピードは固定磁気ヘッド型磁気ディスクより低い。磁気ディスク製品のストレージ容量は数百メガバイトに達することができ、ビット密度は６２５０ビット／インチであり、トラック密度は４７５トラック／インチである。ここで、マルチピースのリムーバブル式磁気ディスクメモリは、ディスクの組み合わせが交換可能で、大きなオフライン容量を有し、且つ容量が大きく、スピードが速く、大容量の情報資料を格納できるので、オンライン情報検索システム、データベース管理システムに広く適用されている。
実施例４
実施例４
本発明は、メモリ、プロセッサ及びメモリに格納され且つプロセッサにより実行されるコンピュータプログラムを含む電子デバイスであって、プロセッサがコンピュータプログラムを実行する際に、上記の電池パラメータ推定方法のステップが実行される電子デバイスを更に提供する。
図９は、一実施例における電子デバイスの内部構造の模式図である。図９に示すように、この電子デバイスは、システムバスを介して接続されたプロセッサ、記憶媒体、メモリ及びネットワークインターフェースを含む。ここで、このコンピュータデバイスの記憶媒体には、オペレーティングシステム、データベース及びコンピュータ可読命令が格納されており、データベースにはウィジェット情報シーケンスを格納することができ、プロセッサによりこのコンピュータ可読命令を実行する際に、プロセッサに電池パラメータ推定方法を実行させるようにする。この電子デバイスのプロセッサは、計算及びコントロール能力を提供し、コンピュータデバイス全体の運行を支持するために用いられる。このコンピュータデバイスのメモリにはコンピュータ可読命令を格納することができ、プロセッサによりこのコンピュータ可読命令を実行する際に、プロセッサに電池パラメータ推定方法を実行させるようにする。このコンピュータデバイスのネットワークインターフェースは、端末との接続通信のために用いられる。図９に示す構造は、本出願の態様に関連する一部の構造のブロック図にすぎず、本出願の態様が適用されるコンピュータデバイスを限定するものではなく、具体的なコンピュータデバイスは、図面に示すものより多くの部材又は少ない部材を含んでもよく、或いはある部材と組み合わせたり、異なる部材の配置を有したりしてもよいことを当業者は理解できる。
この電子デバイスには、スマートフォン、コンピュータ、タブレットコンピュータ、ウェアラブルスマートデバイス、人工知能デバイス、パワーバンク等が含まれるが、これに限定されない。
ある実施例において、前記プロセッサは、集積回路で構成されることができ、例えば単一パッケージの集積回路で構成されてよく、複数の同じ機能又は異なる機能のパッケージの集積回路で構成されてよく、１つ又は複数の中央処理装置（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ：ＣＰＵ）、マイクロプロセッサ、デジタル処理チップ、図形プロセッサ及び各種のコントロールチップの組み合わせ等を含む。前記プロセッサは、前記電子デバイスのコントロールユニット（Ｃｏｎｔｒｏｌ Ｕｎｉｔ）であり、各種のインターフェース及び回路を使用して電子デバイス全体の各部材を接続し、前記メモリ内に格納されているプログラム又はモジュール（例えば、リモートデータの読み書きを実行するプログラム等）を運行又は実行し、且つ前記メモリ内に格納されているデータを呼び出すことによって、電子デバイスの各種の機能を実行し、データを処理する。
前記バスは、ペリフェラルコンポーネントインターコネクト（ｐｅｒｉｐｈｅｒａｌ ｃｏｍｐｏｎｅｎｔ ｉｎｔｅｒｃｏｎｎｅｃｔ、ＰＣＩと略される）バス又は拡張業界標準アーキテクチャ（ｅｘｔｅｎｄｅｄ ｉｎｄｕｓｔｒｙ ｓｔａｎｄａｒｄ ａｒｃｈｉｔｅｃｔｕｒｅ、ＥＩＳＡと略される）バス等であってよい。このバスは、アドレスバス、データバス、コントロールバス等に分けられる。前記バスは、前記メモリと少なくとも１つのプロセッサ等の間との接続通信を実現するために設けられる。
図９は、部材を有する電子デバイスのみを示し、図９に示す構造は前記電子デバイスを限定するものではなく、図面に示すものより少ない部材又は多くの部材を含んでもよく、或いはある部材と組み合わせたり、異なる部材の配置を有したりしてもよいことを当業者は理解できる。
例えば、示していないが、前記電子デバイスは、各部材に給電する電源（例えば電池）を更に含んでもよく、好ましくは、電源は、電源管理装置を介して前記少なくとも１つのプロセッサと論理的に接続されることで、電源管理装置により充電管理、放電管理、及び電力消費管理等の機能を実行する。電源は、１つ以上の直流又は交流電源、再充電装置、電源故障検出回路、電力変換器又はインバータ、電源状態指示器等の任意の部品を更に含んでよい。前記電子デバイスは、複数のセンサ、ブルートゥースモジュール、Ｗｉ－Ｆｉモジュール等を含んでよく、ここでは説明を省略する。
更に、前記電子デバイスは、ネットワークインターフェースを更に含んでよく、選択的に、前記ネットワークインターフェースは、有線インターフェース及び／又は無線インターフェース（例えば、ＷＩ－ＦＩインターフェース、ブルートゥースインターフェース等）を含んでよく、通常、この電子デバイスと他の電子デバイスとの間に通信接続を構築するために用いられる。
選択的に、この電子デバイスはユーザインターフェースを更に含んでよく、ユーザインターフェースはディスプレイ（Ｄｉｓｐｌａｙ）、入力ユニット（例えば、キーボード（Ｋｅｙｂｏａｒｄ））であってもよく、選択的に、ユーザインターフェースは、標準的な有線インターフェース、無線インターフェースであってもよい。選択的に、ある実施例において、ディスプレイは、ＬＥＤディスプレイ、液晶ディスプレイ、タッチ液晶ディスプレイ及びＯＬＥＤ（Ｏｒｇａｎｉｃ Ｌｉｇｈｔ－Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ：有機発光ダイオード）タッチデバイス等であってもよい。ここで、ディスプレイは、適当にディスプレイパネル又はディスプレイユニットと称してもよく、電子デバイスにおいて処理された情報を表示するために用いられ、且つ可視化されたユーザインターフェースを表示するために用いられる。
更に、前記コンピュータが使用可能な記憶媒体には、主に記憶プログラムゾーン及び記憶データゾーンを含むことができ、ここで、記憶プログラムゾーンにはオペレーティングシステム、少なくとも１つの機能に必要な適用プログラム等を含むことができ、記憶データゾーンにはブロックチェーンノードに基づいて作成したデータ等を格納することができる。
本発明で提供された幾つかの実施例において、開示されたデバイス、装置及び方法は、他の形態により実現してもよいことを理解すべきである。例えば、以上で説明した装置の実施例は例示的なものにすぎず、例えば、前記モジュールの区画は、論理的機能の区画にすぎず、実際に実施する場合は、他の区画形態があり得る。
前述の分離部材として説明したモジュールは、物理的に分離されたものであってもよく、又は物理的に分離されていないものであってもよく、モジュールとして表示した部材は、物理的なユニットであってもよく、又は物理的なユニットでなくてもよく、即ち、１つの場所に位置してもよく、又は複数のネットワークユニット上に分布されていてもよい。実際の必要に基づいて、一部又は全てのモジュールを選択して本実施例態様の目的を実現してもよい。
なお、本発明の各実施例における各機能モジュールは１つの処理ユニットに集積されていてもよく、各ユニットが物理的に独立に存在してもよく、２つ以上のユニットが１つの処理ユニットに集積されていてもよい。上記の集積されたユニットは、ハードウェアの形式で実現されてもよく、ハードウェアとソフトウェアを兼ね備える機能モジュールの形式で実現されてもよい。
以上、本発明の実施例を説明した。ただし、これらの実施例は、説明の目的のためのものにすぎず、本発明の範囲の制限を意図するものではない。本発明の範囲は、添付の請求の範囲及びその同等物により限定される。本発明の範囲を逸脱しない限り、当業者は、種々の置き換え及び修正を行うことができ、これらの置き換え及び修正は、いずれも本発明の範囲に属するべきである。
１０ モデル生成装置
２０ データ処理装置
３０ 測定対象
１１０ トレーニングデータ記憶モジュール
１２０ トレーニングデータ取得モジュール
１３０ モデルトレーニングモジュール
１４０ 第１モデル記憶モジュール
１５０ モデル送信モジュール
２１０ モデルパラメータ取得モジュール
２２０ 第２モデル記憶モジュール
２３０ 入力データ取得モジュール
２４０ 出力データ生成モジュール
２５０ 表示処理モジュール
２６０ 表示モジュール
２３０１ 入力データ取得サブモジュール
２３０２ 入力データ記憶サブモジュール
２４０１ 出力データ計算サブモジュール
２４０２ 出力データ出力サブモジュール
２０ データ処理装置
３０ 測定対象
１１０ トレーニングデータ記憶モジュール
１２０ トレーニングデータ取得モジュール
１３０ モデルトレーニングモジュール
１４０ 第１モデル記憶モジュール
１５０ モデル送信モジュール
２１０ モデルパラメータ取得モジュール
２２０ 第２モデル記憶モジュール
２３０ 入力データ取得モジュール
２４０ 出力データ生成モジュール
２５０ 表示処理モジュール
２６０ 表示モジュール
２３０１ 入力データ取得サブモジュール
２３０２ 入力データ記憶サブモジュール
２４０１ 出力データ計算サブモジュール
２４０２ 出力データ出力サブモジュール
Claims (10)
- モデル生成装置及びデータ処理装置を含む電池パラメータ推定装置であって、
前記モデル生成装置は、トレーニングデータを格納するためのトレーニングデータ記憶モジュールと、
前記トレーニングデータ記憶モジュールからトレーニングデータを読み取ってモデルトレーニングを行うためのトレーニングデータ取得モジュールと、
前記トレーニングデータ取得モジュールにより読み取られたトレーニングデータを使用してモデルトレーニングを行って、電池パラメータ推定モデルを取得するためのモデルトレーニングモジュールと、
前記モデルトレーニングモジュールがトレーニングを行って取得された前記電池パラメータ推定モデルを格納するための第１モデル記憶モジュールと、
前記モデルトレーニングモジュールがトレーニングを行った後の前記電池パラメータ推定モデルを送信するためのモデル送信モジュールと、を含み、
前記トレーニングデータ記憶モジュール、前記トレーニングデータ取得モジュール、前記モデルトレーニングモジュール、前記第１モデル記憶モジュール及び前記モデル送信モジュールは、この順に接続されており、
前記データ処理装置は、
前記モデル送信モジュールが送信する前記電池パラメータ推定モデルを読み取るためのモデルパラメータ取得モジュールと、
前記モデルパラメータ取得モジュールが取得した前記電池パラメータ推定モデルを格納するための第２モデル記憶モジュールと、
測定対象に関連する入力データを取得して格納するための入力データ取得モジュールと、
前記第２モデル記憶モジュールに格納されている前記電池パラメータ推定モデルを呼び出し、且つ前記入力データ取得モジュールにおける入力データを読み取って計算した後に出力するための出力データ生成モジュールと、
ここで、前記入力データ取得モジュールは、入力データ取得サブモジュール及び入力データ記憶サブモジュールを含み、
前記出力データ生成モジュールは、出力データ計算サブモジュール及び出力データ出力サブモジュールを含み、
前記出力データ生成モジュールの出力データを呼び出し、且つ処理を行って表示可能なデータを取得するための表示処理モジュールと、
前記表示処理モジュールが処理を行った後に取得した表示可能なデータを表示するための表示モジュールと、を含むことを特徴とする電池パラメータ推定装置。 - 前記モデルトレーニングモジュールにおけるモデルトレーニングのパラメータをトレーニングするためのモデルトレーニングパラメータのトレーニングモジュールを更に含むことを特徴とする請求項１に記載の装置。
- 前記モデルトレーニングパラメータのトレーニングモジュールは、深層学習モデル、機械学習モデル及び／又は線形回帰分析方法を使用して前記モデルトレーニングモジュールにおけるパラメータに対してトレーニングを行うことを特徴とする請求項２に記載の装置。
- 前記深層学習モデルは、ディープニューラルネットワーク、畳み込みニューラルネットワーク、リカレントニューラルネットワーク、リカーシブニューラルネットワーク、長・短期記憶ネットワーク及び／又は双方向の長・短期記憶ネットワークを含むことを特徴とする請求項３に記載の装置。
- 請求項１から４のいずれか一項に記載の装置に適用される電池パラメータ推定方法であって、
前記モデル生成装置を使用してモデルを生成し、モデルを更新するステップと、
前記データ処理装置を使用してトレーニング用データを読み取り、保存するステップと、
前記モデル生成装置の更新後のモデル及び前記データ処理装置が保存したトレーニング用データに基づいて、電池パラメータの推定計算を行って出力するステップと、
出力された電池パラメータの推定計算結果に基づいて、モデルの現在のパラメータが要求を満たしているか否かを判断し、満たす場合は現在のパラメータでモデルを保存し、満たさない場合はモデルパラメータを保存し、モデルパラメータを解析し計算した後に新たなモデルパラメータを生成してモデルを更新するステップと、を含むことを特徴とする電池パラメータ推定方法。 - 前述した前記モデル生成装置の更新後のモデル及び前記データ処理装置が保存したトレーニング用データに基づいて、電池パラメータの推定計算を行って出力することは、
セグメントａi～ａjのデータをそれぞれｎ個の段階の第１電池パラメータ推定モデルに入力する（ここで、ａiは電池パラメータ推定の開始時点を表し、ａjは電池パラメータ推定の終了時点を表し、ｎは２以上の整数である）ステップと、
各段階の第１電池パラメータ推定モデルは、前記セグメントａi～ａjのデータをそれぞれ保存し、電池の前記セグメントａi～ａjのデータが位置する段階の第１電池パラメータの推定結果をそれぞれ計算するステップと、
前記第１電池パラメータの推定結果をまとめて格納するステップと、を含むことを特徴とする請求項５に記載の方法。 - 前述した前記モデル生成装置の更新後のモデル及び前記データ処理装置が保存したトレーニング用データに基づいて、電池パラメータの推定計算を行って出力することは、
セグメントａi～ａjのデータをｍ個のセグメントに分けてｍ個の第２電池パラメータ推定モデルに入力する（ここで、ａiは電池パラメータ推定の開始時点を表し、ａjは電池パラメータ推定の終了時点を表し、ｍは２以上の整数である）ステップと、
前記第２電池パラメータ推定モデルをそれぞれ使用して前記セグメントａi～ａjのデータがセグメント化された後のデータを保存するステップと、
前記第２電池パラメータ推定モデルをそれぞれ使用して、前記セグメントａi～ａjのデータのセグメント全部のデータに対応する第２電池パラメータの推定出力データをそれぞれ計算し、格納するステップと、
各グループの前記第２電池パラメータの推定出力データを解析モデルに入力して解析するステップと、
前記解析後の結果を格納するステップと、を含むことを特徴とする請求項５に記載の方法。 - 前述した前記モデル生成装置の更新後のモデル及び前記データ処理装置が保存したトレーニング用データに基づいて、電池パラメータの推定計算を行って出力することは、
セグメントａi～ａjのデータを１番目の第３電池パラメータ推定モデルに入力し、前記１番目の第３電池パラメータ推定モデルは前記セグメントａi～ａjのデータを格納する（ここで、ａiは電池パラメータ推定の開始時点を表し、ａjは電池パラメータ推定の終了時点を表す）ステップと、
前記１番目の第３電池パラメータ推定モデルは、計算した後に、計算結果を２番目の第３電池パラメータ推定モデルに入力し、ｋ－１番目の第３電池パラメータ推定モデルの計算結果をｋ番目の第３電池パラメータ推定モデル入力するまで順に循環する（ここで、ｋは２以上の整数である）ステップと、
ｋ番目の第３電池パラメータ推定モデルの計算結果を第３電池パラメータの推定結果とするステップと、を含むことを特徴とする請求項５に記載の方法。 - メモリ、プロセッサ及びメモリに格納され且つプロセッサにより実行されるコンピュータプログラムを含む電子デバイスであって、プロセッサがコンピュータプログラムを実行する際に、請求項５から８のいずれか一項に記載の電池パラメータ推定方法に対応するステップが実行される電子デバイス。
- コンピュータプログラム命令が格納されているコンピュータ記憶媒体であって、プロセッサにより前記プログラム命令を実行する際に、請求項１から７のいずれか一項に記載の電池パラメータ推定方法に対応するステップを実行するために用いられることを特徴とするコンピュータ記憶媒体。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110977584.8 | 2021-08-24 | ||
| CN202110977584.8A CN113866638A (zh) | 2021-08-24 | 2021-08-24 | 一种电池参数推测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023027048A1 true WO2023027048A1 (ja) | 2023-03-02 |
Family
ID=78988271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/JP2022/031639 WO2023027048A1 (ja) | 2021-08-24 | 2022-08-23 | 電池パラメータ推定方法、装置、デバイス及び媒体 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113866638A (ja) |
| WO (1) | WO2023027048A1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117054892A (zh) * | 2023-10-11 | 2023-11-14 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170205469A1 (en) * | 2016-01-14 | 2017-07-20 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating state of battery |
| JP2019036527A (ja) * | 2017-08-17 | 2019-03-07 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | バッテリ状態推定方法及び装置 |
| JP2019512858A (ja) * | 2016-03-31 | 2019-05-16 | ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ | 複数のオブザーバを備えた電池管理システム |
| JP2021060230A (ja) * | 2019-10-03 | 2021-04-15 | 株式会社Ｇｓユアサ | 推定装置、推定方法、及びコンピュータプログラム |
| US20210138927A1 (en) * | 2019-11-13 | 2021-05-13 | Lg Electronics Inc. | Device, system and method for predicting battery consumption of electric vehicle |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11131713B2 (en) * | 2018-02-21 | 2021-09-28 | Nec Corporation | Deep learning approach for battery aging model |
| CN109754014B (zh) * | 2018-12-29 | 2021-04-27 | 北京航天数据股份有限公司 | 工业模型训练方法、装置、设备及介质 |
| CN109816158A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技（深圳）有限公司 | 预测模型的组合方法、装置、设备及可读存储介质 |
| CN110765701A (zh) * | 2019-10-24 | 2020-02-07 | 华南理工大学 | 一种led荧光粉胶涂覆厚度的预测方法 |
| CN111695301A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院深圳先进技术研究院 | 电池电荷状态的预测方法及预测装置、存储介质、设备 |
| CN111768096A (zh) * | 2020-06-24 | 2020-10-13 | 平安银行股份有限公司 | 基于算法模型的评级方法、装置、电子设备及存储介质 |
| CN112001496B (zh) * | 2020-08-27 | 2022-09-27 | 展讯通信（上海）有限公司 | 神经网络结构搜索方法及系统、电子设备及存储介质 |
| CN112200389A (zh) * | 2020-11-11 | 2021-01-08 | 深圳前海微众银行股份有限公司 | 数据预测方法、装置、设备及存储介质 |
| CN112288191B (zh) * | 2020-11-19 | 2022-05-06 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
| CN112561058B (zh) * | 2020-12-15 | 2023-06-06 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
| CN113064093B (zh) * | 2021-03-22 | 2024-03-08 | 百思科新能源技术(青岛)有限公司 | 储能电池荷电状态与健康状态联合估算方法及系统 |
| CN113219341B (zh) * | 2021-03-23 | 2023-04-07 | 陈九廷 | 一种模型生成及电池劣化推测装置、方法、介质及设备 |
| CN113240128A (zh) * | 2021-04-07 | 2021-08-10 | 睿蜂群(北京)科技有限公司 | 数据不平衡的协同训练方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-24 CN CN202110977584.8A patent/CN113866638A/zh active Pending
-
2022
- 2022-08-23 WO PCT/JP2022/031639 patent/WO2023027048A1/ja unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170205469A1 (en) * | 2016-01-14 | 2017-07-20 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating state of battery |
| JP2019512858A (ja) * | 2016-03-31 | 2019-05-16 | ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ | 複数のオブザーバを備えた電池管理システム |
| JP2019036527A (ja) * | 2017-08-17 | 2019-03-07 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | バッテリ状態推定方法及び装置 |
| JP2021060230A (ja) * | 2019-10-03 | 2021-04-15 | 株式会社Ｇｓユアサ | 推定装置、推定方法、及びコンピュータプログラム |
| US20210138927A1 (en) * | 2019-11-13 | 2021-05-13 | Lg Electronics Inc. | Device, system and method for predicting battery consumption of electric vehicle |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117054892A (zh) * | 2023-10-11 | 2023-11-14 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
| CN117054892B (zh) * | 2023-10-11 | 2024-02-27 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113866638A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110442936A (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
| CN104516894B (zh) | 用于管理时间序列数据库的方法和装置 | |
| CN113219341B (zh) | 一种模型生成及电池劣化推测装置、方法、介质及设备 | |
| CN112766512B (zh) | 基于元算子的深度学习框架诊断系统、方法、装置、设备及介质 | |
| CN108197132A (zh) | 一种基于图数据库的电力资产画像构建方法及装置 | |
| WO2023027048A1 (ja) | 電池パラメータ推定方法、装置、デバイス及び媒体 | |
| CN107003685A (zh) | 系统最大电流保护 | |
| CN116341131B (zh) | 基于数字孪生的再制造设计仿真系统、方法、设备及介质 | |
| KR20200039964A (ko) | 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치 | |
| CN107636623A (zh) | 基于电力状态的巡查刷洗时段 | |
| US11928481B2 (en) | Method and system for determining optimal computing configuration for executing computing operation | |
| US20080270099A1 (en) | Clock control module simulator and method thereof | |
| WO2023286650A1 (ja) | 電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル | |
| CN112348213A (zh) | 运维故障排查实现方法、装置、介质及设备 | |
| CN112330488A (zh) | 基于迁移学习的电网频率态势预测方法 | |
| Li et al. | Fault identification in power network based on deep reinforcement learning | |
| CN113704487A (zh) | 知识图谱的生成方法、装置、计算机设备及存储介质 | |
| US10957450B2 (en) | Automatic prediction of patient length of stay and detection of medical center readmission diagnoses | |
| Wang et al. | Research on estimation model of the battery state of charge in a hybrid electric vehicle based on the classification and regression tree | |
| Gourabpasi et al. | BIM-based automated fault detection and diagnostics of HVAC systems in commercial buildings | |
| CN109917290A (zh) | 一种车用动力电池组的温度确定方法和装置 | |
| Jampala et al. | Practical challenges of integrating synchrophasor applications into an EMS | |
| JP7170913B2 (ja) | 機器状態判定システム、電力量計、および機器状態判定方法 | |
| Fu et al. | A modified tabu search algorithm to solve vehicle routing problem | |
| Berezovskaya et al. | A hybrid fault detection and diagnosis method in server rooms’ cooling systems |
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: 22861336 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |