JP2021150290A - 電池の残存耐用寿命(rul)を推定するための電池診断システム - Google Patents
電池の残存耐用寿命(rul)を推定するための電池診断システム Download PDFInfo
- Publication number
- JP2021150290A JP2021150290A JP2021043631A JP2021043631A JP2021150290A JP 2021150290 A JP2021150290 A JP 2021150290A JP 2021043631 A JP2021043631 A JP 2021043631A JP 2021043631 A JP2021043631 A JP 2021043631A JP 2021150290 A JP2021150290 A JP 2021150290A
- Authority
- JP
- Japan
- Prior art keywords
- battery
- rul
- test
- capacity
- features
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 238000012360 testing method Methods 0.000 claims abstract description 138
- 238000005259 measurement Methods 0.000 claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000007477 logistic regression Methods 0.000 claims description 26
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 description 25
- 210000004027 cell Anatomy 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000013459 approach Methods 0.000 description 6
- 238000004146 energy storage Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- NDPGDHBNXZOBJS-UHFFFAOYSA-N aluminum lithium cobalt(2+) nickel(2+) oxygen(2-) Chemical compound [Li+].[O--].[O--].[O--].[O--].[Al+3].[Co++].[Ni++] NDPGDHBNXZOBJS-UHFFFAOYSA-N 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- VGYDTVNNDKLMHX-UHFFFAOYSA-N lithium;manganese;nickel;oxocobalt Chemical compound [Li].[Mn].[Ni].[Co]=O VGYDTVNNDKLMHX-UHFFFAOYSA-N 0.000 description 1
- 238000012045 magnetic resonance elastography Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
Description
本発明は一般に、電池診断システムに関し、より具体的には、電池の残存耐用寿命(RUL: remaining useful life)を推定するための電池診断システムに関する。
現在、充電式電池は、電気自動車、携帯端末およびデバイスなどにおいて広く利用されている。充電式電池は、繰り返し充電および/または放電され得るので、使用の容易さの恩恵を提供する。しかしながら、これらの充電式電池は、時間および/または使用により経年変化し、電気自動車および他のデバイスに対応する用途での使用には古いものとなる。典型的には、これらの充電式電池は、電池のセカンドライフ(second-life)用途のような異なる用途における再利用のためにリサイクルされる。セカンドライフ用途は、家庭用、商業用もしくは工業用エネルギー貯蔵システム(ESS: energy storage system)、または、グリッドスケールのエネルギー貯蔵システムを含み得る。ESSベースの充電式電池技術は、電気自動車の拡大により徐々に増加している。これにより、巨大なセカンドライフ電池市場が作り出されることになる。このようなセカンドライフ電池市場の出現は、充電式電池の再使用を促進している。
いくつかの実施形態は、電池のRULが、電池の以前の使用および性能に関する情報を必要とすることなく、家庭用または商業用などのエネルギー貯蔵システムといった、セカンドライフ市場または用途の目的で電池を再利用するための正確かつ実行可能な態様で推定され得るという認識に基づいている。
以下の説明では、説明目的のために、本開示の完全な理解を提供するよう、多くの具体的な詳細が記載される。しかしながら、本開示は、これらの具体的な詳細がなくても実施され得ることが当業者には明白であろう。他の場合では、装置および方法は、本開示を不明瞭にすることを避けるためにブロック図の形式のみで示される。
提案される方法および電池診断システムは、同じ条件下で、同じ化学的性質および/または製造者を共有するある数の電池のキャパシティおよび充放電電圧/電流のしばしば取得される測定の学習データセットに基づく。たとえば、当該学習データセットは、寿命の終了まで数回の試験サイクルに晒される124個の電池またはセルを含み得る。提案される方法は、学習データセットにおける電圧および電荷測定を含む測定のセットに対応する波形を処理することによって特徴のセットを抽出することを含む。さらに、測定のセットは、電池を短RULクラスおよび長RULクラスに分類し、当該電池についてのRULサイクルを予測するよう、マシンラーニングアルゴリズムを学習させるために使用される。動作/オンラインステージでは、ある数の充電/放電試験サイクルにわたる試験電池/電流測定のキャパシティ、内部抵抗、等放電電圧差の時間間隔(TIEDVD)、キャパシティフェード、キャパシタンスピーク、および、キャパシタンスピーク電圧を含む特徴の抽出されたセットと、学習データセットとに基づいて、健全性および以前の使用パターンの未知の状態の試験電池のRULが予測される。
図3Aは、本開示のいくつかの実施形態に従った、各特徴が提供する情報の量の測定として、電池114の寿命期間に沿った各特徴の変動性のグラフ表示300を示す。グラフ表示300は、キャパシティ(C)波形302、内部抵抗(IR)波形304、TIEDVD波形306、キャパシティフェード(ΔC)波形308、キャパシタンスピーク(Cpk)波形310、および、キャパシタンスピーク電圧(Vpk)波形312を含む。電池114のキャパシティはアンペア時(Ah: Ampere-hour)で測定され、IRはΩで測定され、TIEDVDは分(min)で測定され、ΔCはAhで測定され、CpkはAh V−1で測定され、Vpkは電圧Vで測定される。波形302〜312の各々は、電池114のRULの異なる瞬間/ステージにおける特徴の各々の測定といった情報を提供する。たとえば、電池114の寿命の終わり(EoL: end-of-life)において、キャパシティ波形302、IR波形304、TIEDVD波形306、ΔC波形308およびCpk波形310は、C、IR、TIEDVD、ΔCおよびCpkの対応する特徴がより多くの情報を提供することを示している。電池114が経年変化するにつれて、特徴C、IR、TIEDVD、ΔCおよびCpkが有意味になる。
図7は、本開示のいくつかの実施形態に従った、電池114を分類するためのマルチプルエキスパートシステム700のブロック図を示す。メモリ104に格納されるニューラルネットワーク106は、RUL分類器702、入力ユニット704、および、出力ユニット706を含むマルチプルエキスパートシステム700を含み得る。さらに、マルチプルエキスパートシステム700は、短RULエキスパート708および長RULエキスパート710を含む。RUL分類器702は、電池114を分類するために、シャローマシンラーニングアルゴリズムといった実行可能命令のセットを含み得る。いくつかの実施形態は、電池を分類するために、所定の分類しきい値に基づいてRUL分類器702の実行可能命令のセットを実行するという認識に基づいている。
xは、n次元特徴配列であり、
wは、n次元重み配列である。
典型的には、試験サイクルの数(δで示される)がより多ければ、式(4)によって示される電池114のRULに関するより多くの情報の収集が可能になる。
さらに、電池診断システム102は、RUL分類器702による電池114の分類に基づいて、電池114の実際のRUL推定を行う。本明細書におけるRUL推定は、直接的なRUL推定アプローチに対応する。RUL推定は、プロセッサ108が特徴318〜326の選択されたセットをニューラルネットワーク106に送出すると、開始される。いくつかの実施形態では、ニューラルネットワーク106は、多変量線形回帰(MLR: multivariable linear regression)アルゴリズムに対応する。MLRアルゴリズムは、式(5)により、入力配列としての特徴318〜326のセットについての予測出力を計算する。
図14は、本開示の1つの例示的な実施形態に従った、セカンドライフ用途の目的で電池114を再利用するための例示的なシナリオ1400を示す。例示的なシナリオ1400は、充電式電池(すなわち、電池114)および電池診断システム102を含み得る電気自動車1402を含むように示される。電気自動車1402は、充電式電池(すなわち電池114)によって電力供給される。電気自動車1402のための電池114のサービスがひとたび完了すると、電池114は電池診断システム102によって診断される。電池診断システム102は、図1および図7の説明において記載されるように、推定されたRUL1404を提供する。電池114は、推定されたRUL1404に基づいて、セカンドライフ用途に再利用される。セカンドライフ用途は、用途1406および用途1408を含み得る。たとえば、用途1406はソーラーベースのエネルギー貯蔵システムに対応し、用途1408は再生可能エネルギーベースのエネルギー貯蔵システムに対応する。
Claims (13)
- 電池診断システムであって、
試験電池の電池サイクルおよび前記試験電池のキャパシティを示す特徴の所定のセットから前記試験電池の残存耐用寿命(RUL)を推定するように学習されたニューラルネットワークを格納するように構成されるメモリと、
前記試験電池の前記電池サイクルおよび前記キャパシティの測定のセットを提供するよう、前記試験電池を充電および放電するように構成される充電システムと、
プロセッサとを含み、
前記プロセッサは、測定の前記セットから特徴の前記所定のセットを抽出することを行うように構成され、抽出された前記特徴は、前記試験電池のキャパシティ、内部抵抗、等放電電圧差の時間間隔(TIEDVD)、キャパシティフェード、キャパシタンスピーク、および、キャパシタンスピーク電圧を含み、
前記プロセッサはさらに、前記試験電池の前記RULを推定するよう、抽出された前記特徴を前記ニューラルネットワークに送出することを行うように構成され、
前記電池診断システムはさらに、
前記試験電池の推定された前記RULを出力するように構成される出力インターフェイスを含む、電池診断システム。 - 前記キャパシティ、前記内部抵抗、前記TIEDVD、前記キャパシティフェード、前記キャパシタンスピーク、および、前記キャパシタンスピーク電圧は、前記試験電池の電圧波形および放電波形に基づいて決定され、前記電圧波形および前記放電波形は、前記電池サイクルにおいて生成される、請求項1に記載の電池診断システム。
- 前記TIEDVDは、最小電圧しきい値と最大電圧しきい値との間の放電電圧差に対応する時間間隔として測定され、少なくとも前記最小電圧しきい値は、前記最小電圧しきい値の異なる値について決定される前記TIEDVDに基づいて、RULの線形回帰のための平均平方二乗誤差(RMSE)値を最小化するように選択される、請求項1に記載の電池診断システム。
- 前記試験電池の電池寿命の異なるステージが、抽出された前記特徴の進展に基づいて示され、前記電池寿命の任意のステージは、少なくとも1つの抽出された特徴によって示される、請求項1に記載の電池診断システム。
- 前記プロセッサはさらに、
ロジスティック回帰アルゴリズムに基づいて、前記試験電池についての確率値を決定することと、
前記確率値に基づいて、前記試験電池を短RULクラスまたは長RULクラスに分類することと
を行うように構成される、請求項1に記載の電池診断システム。 - 前記短RULクラスは、所定の分類しきい値より小さい前記試験電池の前記確率値に関連付けられ、前記長RULクラスは、前記所定の分類しきい値より大きい前記確率値に関連付けられる、請求項5に記載の電池診断システム。
- 前記プロセッサはさらに、前記電池の前記分類に基づいて、前記短RULまたは前記長RULの各々について対応するエキスパートシステムを選択することを行うように構成される、請求項6に記載の電池診断システム。
- 前記ニューラルネットワークは、多変量線形回帰、フィードフォワードニューラルネットワーク、または多層パーセプトロンのうちの1つを含む、請求項1に記載の電池診断システム。
- 試験電池の残存耐用寿命(RUL)を推定するための方法であって、
前記試験電池の電池サイクルおよびキャパシティの測定のセットを提供することと、
測定の前記セットから特徴の所定のセットを抽出することとを含み、特徴の抽出された前記セットは、前記試験電池のキャパシティ、内部抵抗、等放電電圧差の時間間隔(TIEDVD)、キャパシティフェード、キャパシタンスピーク、およびキャパシタンスピーク電圧を含み、
前記方法はさらに、
前記試験電池の推定された前記RULを出力することを含む、方法。 - 前記電池サイクルにおいて生成される前記試験電池の電圧波形および放電波形に基づいて、前記キャパシティ、前記内部抵抗、前記TIEDVD、前記キャパシティフェード、前記キャパシタンスピーク、および、前記キャパシタンスピーク電圧を決定することをさらに含む、請求項9に記載の方法。
- 前記試験電池の電池寿命の異なるステージは、特徴の抽出された前記セットの各々の進展に基づいて示される、請求項9に記載の方法。
- 前記電池寿命の前記異なるステージにおいて、特徴の抽出された前記セットの各々の進展における差を組み合わせることをさらに含む、請求項11に記載の方法。
- ロジスティック回帰アルゴリズムに基づいて、前記試験電池に関連付けられる確率値を決定することと、
前記確率値に基づいて、前記試験電池を短RULクラスまたは長RULクラスに分類することと、
をさらに含む、請求項9に記載の方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/824,752 US11346891B2 (en) | 2020-03-20 | 2020-03-20 | Battery diagnostic system for estimating remaining useful life (RUL) of a battery |
US16/824,752 | 2020-03-20 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021150290A true JP2021150290A (ja) | 2021-09-27 |
JP2021150290A5 JP2021150290A5 (ja) | 2023-11-01 |
JP7403491B2 JP7403491B2 (ja) | 2023-12-22 |
Family
ID=77747780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021043631A Active JP7403491B2 (ja) | 2020-03-20 | 2021-03-17 | 電池の残存耐用寿命(rul)を推定するための電池診断システム |
Country Status (2)
Country | Link |
---|---|
US (1) | US11346891B2 (ja) |
JP (1) | JP7403491B2 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11768249B2 (en) * | 2020-10-29 | 2023-09-26 | Toyota Research Institute, Inc. | Systems and methods for predicting battery life using data from a diagnostic cycle |
CN114167284B (zh) * | 2021-11-02 | 2023-12-22 | 江苏博强新能源科技股份有限公司 | 基于bms大数据和集成学习的锂电池rul预测方法及设备 |
US11922737B2 (en) * | 2021-12-02 | 2024-03-05 | Ford Global Technologies, Llc | System and method for a purchase advisor for preowned battery electric vehicles (BEVs) |
CN114216558B (zh) * | 2022-02-24 | 2022-06-14 | 西安因联信息科技有限公司 | 一种无线振动传感器电池剩余寿命预测方法及*** |
CN115575843A (zh) * | 2022-10-25 | 2023-01-06 | 楚能新能源股份有限公司 | 一种锂离子电池寿命预测方法 |
CN116660761B (zh) * | 2023-08-02 | 2023-09-22 | 深圳市神通天下科技有限公司 | 一种锂离子电池检测方法及*** |
CN117289141A (zh) * | 2023-11-22 | 2023-12-26 | 深圳市麦迪瑞科技有限公司 | 基于人工智能的电动自行车充电状态监测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8855954B1 (en) * | 2007-11-30 | 2014-10-07 | Intellectual Assets Llc | System and method for prognosticating capacity life and cycle life of a battery asset |
US8332342B1 (en) * | 2009-11-19 | 2012-12-11 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Model-based prognostics for batteries which estimates useful life and uses a probability density function |
CN103954915B (zh) | 2014-05-16 | 2017-02-01 | 哈尔滨工业大学 | 基于概率集成的锂离子电池剩余寿命间接预测方法 |
CN104459560B (zh) * | 2014-12-29 | 2017-04-05 | 合肥工业大学 | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 |
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
KR102608468B1 (ko) * | 2017-11-28 | 2023-12-01 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
US11072258B2 (en) * | 2017-12-11 | 2021-07-27 | Ford Global Technologies, Llc | Method for predicting battery life |
-
2020
- 2020-03-20 US US16/824,752 patent/US11346891B2/en active Active
-
2021
- 2021-03-17 JP JP2021043631A patent/JP7403491B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
US20210293890A1 (en) | 2021-09-23 |
JP7403491B2 (ja) | 2023-12-22 |
US11346891B2 (en) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7403491B2 (ja) | 電池の残存耐用寿命(rul)を推定するための電池診断システム | |
Song et al. | Combined CNN-LSTM network for state-of-charge estimation of lithium-ion batteries | |
Li et al. | Random forest regression for online capacity estimation of lithium-ion batteries | |
Deng et al. | Battery health estimation with degradation pattern recognition and transfer learning | |
Wei et al. | Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression | |
Dong et al. | Data-driven battery health prognosis using adaptive Brownian motion model | |
CN105807227B (zh) | 估计电池状态的方法和设备 | |
Wu et al. | Health prognosis with optimized feature selection for lithium-ion battery in electric vehicle applications | |
Li et al. | A comparative study of battery state-of-health estimation based on empirical mode decomposition and neural network | |
Li et al. | On-line estimation method of lithium-ion battery health status based on PSO-SVM | |
JPWO2019171688A1 (ja) | 二次電池の残存性能評価方法、二次電池の残存性能評価プログラム、演算装置、及び残存性能評価システム | |
Sanz-Gorrachategui et al. | Remaining useful life estimation for LFP cells in second-life applications | |
CN103229068A (zh) | 满充电检测装置以及满充电检测方法 | |
Xu et al. | A hybrid ensemble deep learning approach for early prediction of battery remaining useful life | |
US20220011370A1 (en) | Apparatus for mining battery characteristic data having sensitivity to solid phase diffusion coefficient of battery electrode and method thereof | |
US20220099743A1 (en) | Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods | |
Peng et al. | Data-driven battery capacity estimation based on partial discharging capacity curve for lithium-ion batteries | |
Zhao et al. | Battery degradation stage detection and life prediction without accessing historical operating data | |
Pau et al. | Microcontroller architectures for battery state of charge prediction with tiny neural networks | |
Eleftheriadis et al. | Comparative study of machine learning techniques for the state of health estimation of li-ion batteries | |
Zhang et al. | Online state of health estimation for lithium-ion batteries based on gene expression programming | |
CN114325393B (zh) | 基于pf和gpr的锂离子电池组soh自适应估算方法 | |
CN116413606A (zh) | 动力电池健康状态估计方法、***及介质 | |
Yang et al. | Remaining Useful Life Prediction of Lithium-ion Batteries with Limited Degradation History Using Random Forest | |
Aliberti et al. | Comparative Analysis of Neural Networks Techniques for Lithium-ion Battery SOH Estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231024 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231024 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20231024 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231114 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231212 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7403491 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |