JP2024059625A - バッテリー性能予測 - Google Patents
バッテリー性能予測 Download PDFInfo
- Publication number
- JP2024059625A JP2024059625A JP2024010431A JP2024010431A JP2024059625A JP 2024059625 A JP2024059625 A JP 2024059625A JP 2024010431 A JP2024010431 A JP 2024010431A JP 2024010431 A JP2024010431 A JP 2024010431A JP 2024059625 A JP2024059625 A JP 2024059625A
- Authority
- JP
- Japan
- Prior art keywords
- data
- test
- battery
- battery performance
- charge
- 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.)
- Withdrawn
Links
- 238000012360 testing method Methods 0.000 claims abstract description 327
- 238000000034 method Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 76
- 238000004891 communication Methods 0.000 claims abstract description 53
- 238000011161 development Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 52
- 239000000463 material Substances 0.000 claims description 30
- 239000010406 cathode material Substances 0.000 claims description 26
- 238000011056 performance test Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 description 31
- 238000005259 measurement Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 15
- 210000004027 cell Anatomy 0.000 description 12
- 230000006399 behavior Effects 0.000 description 9
- 238000013500 data storage Methods 0.000 description 9
- 238000010200 validation analysis Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000001994 activation Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 239000003792 electrolyte Substances 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- OIFBSDVPJOWBCH-UHFFFAOYSA-N Diethyl carbonate Chemical compound CCOC(=O)OCC OIFBSDVPJOWBCH-UHFFFAOYSA-N 0.000 description 2
- KMTRUDSVKNLOMY-UHFFFAOYSA-N Ethylene carbonate Chemical compound O=C1OCCO1 KMTRUDSVKNLOMY-UHFFFAOYSA-N 0.000 description 2
- 229910032387 LiCoO2 Inorganic materials 0.000 description 2
- 229910052493 LiFePO4 Inorganic materials 0.000 description 2
- 229910013710 LiNixMnyCozO2 Inorganic materials 0.000 description 2
- 229910001290 LiPF6 Inorganic materials 0.000 description 2
- 239000010405 anode material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- IEJIGPNLZYLLBP-UHFFFAOYSA-N dimethyl carbonate Chemical compound COC(=O)OC IEJIGPNLZYLLBP-UHFFFAOYSA-N 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000010439 graphite Substances 0.000 description 2
- 229910002804 graphite Inorganic materials 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 229910000625 lithium cobalt oxide Inorganic materials 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- MHCFAGZWMAWTNR-UHFFFAOYSA-M lithium perchlorate Chemical compound [Li+].[O-]Cl(=O)(=O)=O MHCFAGZWMAWTNR-UHFFFAOYSA-M 0.000 description 2
- 229910001486 lithium perchlorate Inorganic materials 0.000 description 2
- 229910001496 lithium tetrafluoroborate Inorganic materials 0.000 description 2
- VGYDTVNNDKLMHX-UHFFFAOYSA-N lithium;manganese;nickel;oxocobalt Chemical compound [Li].[Mn].[Ni].[Co]=O VGYDTVNNDKLMHX-UHFFFAOYSA-N 0.000 description 2
- BFZPBUKRYWOWDV-UHFFFAOYSA-N lithium;oxido(oxo)cobalt Chemical compound [Li+].[O-][Co]=O BFZPBUKRYWOWDV-UHFFFAOYSA-N 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 229910052987 metal hydride Inorganic materials 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N nickel Substances [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- -1 nickel metal hydride Chemical class 0.000 description 2
- 239000003960 organic solvent Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000032677 cell aging Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000003936 working memory Effects 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
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/003—Measuring mean values of current or voltage during a given time interval
-
- 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
-
- 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
-
- 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
- G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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]
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
【課題】テスト環境でのバッテリー構成の開発中のバッテリー性能を決定するための装置及び方法を提供する。【解決手段】テストシステム110は、少なくとも1つの通信インターフェース114と、少なくとも1つの処理装置122とを備えている。テストシステム110は、通信インターフェース114を介して少なくとも1つのテストプロトコルを示す作動データを受信するように構成される。テストシステム110は、通信インターフェース114を介してバッテリー性能入力データを受信するように構成される。処理装置122は、少なくとも1つのデータ駆動型モデルを使用して、前記バッテリー性能入力データ及び前記作動データに基づいて、バッテリー性能を示す少なくとも1つの状態変数の少なくとも1つの予測時系列を決定するように構成される。テストシステム110は、前記状態変数の前記予測時系列の少なくとも一部を提供するように構成される。【選択図】図1
Description
本発明は、テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するためのテストシステム、及び少なくとも1つのテストプロトコルに基づいて、少なくとも1つのバッテリーで少なくとも1つのバッテリー性能テストを実行するように構成されたテストリグに関する。本発明はさらに、テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するための少なくとも1つのデータ駆動型モデルを決定するための方法、テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータ実装方法(implemented method)、及びテスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータプログラムに関する。テスト中のバッテリーは、電気自動車などの自動車産業、スマートフォン、ラップトップなどの消費者装置、及び、例えば再生可能エネルギー源から得られたエネルギーを貯蔵するためのエネルギー貯蔵装置として使用され得る。本発明による方法、装置及びシステムは、具体的には、テストスタンドにおけるバッテリーの寿命を決定するために使用されることができる。他の用途も可能である。
バッテリーは、さまざまな技術分野で、例えば車両、特に消費者装置の電気自動車の加速用に、さらには例えば再生可能エネルギー源から得られるエネルギーを貯蔵するためのエネルギー貯蔵装置に使用される。バッテリー性能は、経時的に変化する場合がある。具体的には、バッテリーの性能は、充放電サイクルの回数によって劣化する場合がある。バッテリー性能の信頼可能で迅速な予測は、上記の技術分野のすべてにおいて必要である。
特定の用途のための新たな有利なバッテリー材料、特にカソード材料を開発するために、バッテリー性能は、多くの実験を行うことによってテストされる。続いて、実験結果が分析され、テスト中のカソード材料が「良好」又は「不良」のカソード材料として分類されることができる。得られた実験結果は、カソード材料の改変が必要かどうかを決定するために使用されることができる。
バッテリーの開発中の、バッテリー性能を決定するための既知のテスト方法の使用は、長いテスト時間を必要とする。具体的には、テストスタンドでのバッテリー性能の決定は、バッテリーの寿命にわたって多くの充電-放電サイクル(charge-discharge cycles)を必要とすることが多く、数ヶ月に及ぶこともある。例えば、使用されるカソード材料が「良好」又は「不良」なカソード材料として分類できるかどうかが決定され得るまで、通常6ヶ月を要する。これは長い時間であり、長いリードタイムにつながる。長いテスト時間は、テストスタンド能力のロジスティック計画に問題を生じることさえある。多くの場合、100を超えるチャネルが管理され得、テストスタンドの能力の信頼性ある予測が必要である。
Kristen A.Severson等による、「Data-driven prediction of battery cycle life before capacity degradation」,Nature Energy,https://doi.org/10.1038/s41560-019-0356-8は、技術開発を加速するためのリチウムイオンバッテリーの寿命の予測について述べている。初期サイクルからの放電電圧曲線を用いて容量劣化を示すために使用され、機械学習ツールがサイクル寿命によってセルの予測と分類の両方のために説明されている。
US2019/0115778A1は、テスト対象の複数のバッテリーセルのパラメータ空間を定義することと、パラメータ空間を離散化することと、パラメータ空間全体からのサンプリングポリシーのために、だめになるまでサイクルされたセルの予備セットを収集することとを含み、及び、該ポリシーを複数回繰り返すことと、リソースハイパーパラメータ、パラメータ空間ハイパーパラメータ、及びアルゴリズムハイパーパラメータを指定することと、充電ポリシーのランダムなサブセットを選択することと、バッテリー寿命の早期予測のために必要なサイクル数が達成されるまで、前記充電ポリシーのランダムなサブセットをテストすることと、早期予測を得るために、早期予測のためのサイクルデータを早期予測アルゴリズムに入力することと、少なくとも1回の次のテストを実行するための推奨を得るために前記早期予測を最適実験計画(OED)アルゴリズムに入力することと、上記のランダムサブセットのテストステップからの推奨テストを繰り返し実行することと、最終的に推奨されたポリシーを検証すること、を含むバッテリーセルテストプロトコルの多次元パラメータ空間を探査する方法を記載している。
WO2019/017991A1は、充電状態(state of charge)などの再充電バッテリー(rechargeable battery)の状態をリアルタイムで推定するためのモジュールを含む車両用バッテリー管理システム(BMS)を記載している。該モジュールは、感知されたバッテリーの電圧、電流及び温度に加えて、車両の使用状況及び車両に固有の関連要因に基づいて、バッテリーの状態を予測するための学習モデルを含む。
Kristen A.Severson等による、「Data-driven prediction of battery cycle life before capacity degradation」,Nature Energy,https://doi.org/10.1038/s41560-019-0356-8」
"A Practical Guide to Applying Echo State Networks",Mantas Lukosevicius,Neural Networksで公開:Tricks of the Trade 2012.DOI:10.1007/978-3-642-35289-8_36;http://minds.jacobs-university.de/uploads/papers/PracticalESN.pdf
したがって、上記の技術的課題を解決する方法及び装置を提供することが望ましい。具体的には、テスト環境でのバッテリー構成の開発中のバッテリー性能を決定するための装置及び方法を提供し、それによって、バッテリー材料のテストスタンドにおける測定時間の短縮を確実にする。さらに、カソード材料の特定用途への改変をより短時間で加速するために、必要な実験回数の削減を確実にする必要がある。
この問題は、独立請求項の特徴によって、テスト環境でのバッテリー構成の開発中のバッテリー性能を決定するためのテストシステムと、少なくとも1つのテストプロトコルに基づいて少なくとも1つのバッテリーについて少なくとも1つのバッテリー性能テストを行うように構成されたテストリグと、テスト環境でバッテリー構成の開発中のバッテリー性能を決定するための少なくとも1つのデータ駆動型モデルを決定する方法と、テスト環境でバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータ実装方法と、テスト環境でのバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータプログラムと、によって対処される。単独の態様又は任意の組み合わせで実現され得る有利な実施形態が、従属請求項に記載されている。
以下で使用される場合、「有する」、「備える」、又は「含む」という用語、又はそれらの任意の文法上の変形は、非排他的な方法で使用される。したがって、これらの用語は、これらの用語によって導入された特徴の他に、この文脈で説明されている実体にさらなる特徴が存在しない状況と、1つ以上のさらなる特徴が存在する状況の両方を指し得る。一例として、「AはBを有する」、「AはBを備える」、及び「AはBを含む」という表現は、B以外にAに他の要素が存在しない状況(つまり、Aは専らかつ排他的にBを構成する状況)と、Bに加えて、1つ以上の要素、例えば要素C、要素CとD、又はさらに要素などが実体Aに存在する状況の双方を指し得る。
さらに、「少なくとも1つ」、「1つ以上」という用語、又は、特徴もしくは要素が1回以上存在し得ることを示す同様の表現は、典型的には、それぞれの特徴又は要素を導入するときに1回だけ使用されることに留意されたい。以下では、ほとんどの場合、それぞれの特徴又は要素を参照するときに、「少なくとも1つ」又は「1つ以上」という表現は、それらの特徴又は要素が1回以上現れ得るという事実にもかかわらず、繰り返されないことに留意されたい。
さらに、以下で使用される場合、「好ましくは」、「より好ましくは」、「特に」、「より特に」、「具体的に」、「より具体的に」という用語、又は、同様の用語は、代替の可能性を制限することなく、任意の特徴に関連して使用される。したがって、これらの用語によって導入される特徴は、任意の特徴であり、いかなる意味でも特許請求の範囲を限定することを意図するものではない。本発明は、当業者であれば認識するように、代替的特徴を用いて実施することができる。同様に、「本発明の一実施形態では」又は同様の表現によって導入される特徴は、本発明の代替実施形態に関するいかなる制限もなく、本発明の範囲に関するいかなる制限もなく、及び、そのような方法で導入される特徴を本発明の他の任意の又は非任意の特徴と組み合わせる可能性に関するいかなる制限もなく、任意の特徴であることが意図されている。
本発明の第1の態様では、テスト環境でバッテリー構成の開発中のバッテリー性能を決定するテストシステムが提案されている。テストシステムは、少なくとも1つの通信インターフェースと、少なくとも1つの処理装置とを備えている。テストシステムは、通信インターフェースを介して少なくとも1つのテストプロトコルを示す作動データを受信するように構成されている。テストシステムは、通信インターフェースを介してバッテリー性能入力データを受信するように構成されている。処理装置は、少なくとも1つのデータ駆動型モデルを使用した作動データと、バッテリー性能入力データとに基づいて、バッテリー性能を示す少なくとも1つの状態変数の少なくとも1つの予測時系列を決定するように構成されている。テストシステムは、状態変数の予測時系列の少なくとも一部を提供するように構成されている。
バッテリーの開発中、異なる材料及び材料組成物が使用され、経時的に、性能及び/又は特性及び/又は挙動、特に、充放電特性及び/又は挙動に関してテストされる。これらのテストは、温度条件などの所定のテスト条件内のテスト環境で実施され得る。具体的には、テスト環境は、バッテリーに、特に複数のバッテリーに、少なくとも1つのテストを適用するように構成されたテストリグであってよい。これらのテスト中、テストされているバッテリーは、少なくとも1つのテストプロトコルに従って複数の充電-放電サイクルを受けることがある。容量が初期値の80%に低下する前に充電サイクル数のみが決定されるバッテリーの品質管理とは対照的に、バッテリーの開発におけるバッテリーテストはより複雑である。バッテリーの開発中のバッテリーテストについては、時間特性及びバッテリー特性の経時的進展を決定する必要がある。本発明は、長期テストを行わずに、学習させたデータ駆動型モデルを用いて、バッテリー性能入力データに基づいて、バッテリーの開発中のバッテリー性能を予測することを可能にするテストシステムを提案する。
本明細書で使用される「テストシステム」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、経時的な、バッテリー性能の展開、特に、充放電特性及び/又は挙動を、決定及び/又は予測するように構成された1つ以上のユニットを含む装置を指し得る。
本明細書で使用される「バッテリー」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、少なくとも1つのアノード、少なくとも1つのカソード及び少なくとも1つの電解質を含む電気化学セルを指し得る。具体的には、バッテリーは、化学エネルギーを電気エネルギーに、及びその逆に変換するように構成されている。バッテリーは、エネルギー貯蔵装置であってよい。バッテリーは、再充電可能なバッテリーであってよい。本明細書で使用される「充電」という用語は、外部供給源から供給される電気エネルギーをバッテリー内の化学エネルギーに変換することを指す。本明細書で使用される「放電」という用語は、バッテリーの化学エネルギーを電気エネルギーに変換することを指す。バッテリーは:リチウムイオンバッテリー(Li-Ion);ニッケルカドミウム(Ni-Cd);ニッケル金属水素化物(Ni-MH)からなる群から選択され得る。例えば、バッテリーは:LiCoO2(コバルト酸リチウム);LiNixMnyCozO2(ニッケルマンガンコバルト酸リチウム)及びLiFePO4(リン酸鉄リチウム)からなる群から選択される少なくとも1つのカソード材料を含んでいてよい。例えば、バッテリーは:グラファイト、シリコンからなる群から選択される少なくとも1つのアノード材料を含んでいてよい。例えば、バッテリーは有機溶媒、例えば、エチレンカーボネート、ジメチルカーボネート、及びジエチルカーボネート中のLiPF6、LiBF4又はLiClO4、からなる群から選択される少なくとも1つの電解質を含んでいてよい。
本明細書で使用される「バッテリーの開発中のバッテリー性能」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、バッテリーの経時的な挙動の展開を指し得る。バッテリーの性能は、1つ以上のパラメータ、例えば、充電容量、放電容量、放電電流、充電-放電曲線、平均電圧、開回路電圧、微分容量、クーロン効率、又は内部抵抗などの経時的な展開によって特徴付けられてよい。特に、バッテリーの開発中のバッテリー性能は、これらのパラメータのうち少なくとも1つの予測時系列を決定することにより決定される。本明細書で使用される「時系列」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、時系列順のデータストリームを指し得る。
本明細書で使用される、バッテリーの「容量」という用語は、バッテリーが公称電圧で供給する電荷の量を指す。本明細書で使用される「充電容量」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、バッテリーに充電することができる容量を指し得る。本明細書で使用される「放電容量」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、バッテリーから放電され得る容量を指し得る。
本明細書で使用される「放電電流」という用語は、Cレートとも表記され、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、特に、バッテリーがその最大容量に対して放電又は充電される速度の大きさを指し得る。
本明細書で使用される「充電-放電曲線」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、バッテリー容量の関数として電圧での充電及び放電の展開を指し得る。充電及び/又は放電曲線の形状は、所定の電圧間隔にわたる容量の変化によってパラメータ化することができる。充電及び/又は放電曲線の形状は、電気化学及び劣化メカニズムに関する情報を含み得る。
本明細書で使用される「平均電圧」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、放電サイクルの中間点における公称電圧を指し得る。
本明細書で使用される「開回路電圧」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、負荷がかかっていない状態でのバッテリーの端子間の電圧を指し得る。
本明細書で使用される「微分容量」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、電圧Eの容量Qの一次微分値、dQ/dEを指し得る。
本明細書で使用される「クーロン効率」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、電子が移転される充電効率を指し得る。
本明細書で使用される「内部抵抗」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、バッテリーの経年劣化とともに増加するバッテリーの抵抗を指し得る。内部抵抗は、特に、材料の表面がどの程度経年劣化しているかの尺度を与えることができる。
上記のパラメータは、バッテリー性能を決定するため、特に経時的なバッテリー性能の展開を予測するために使用されることができる。これらのパラメータとバッテリー性能の関係は、当業者に一般的に知られている。
本明細書で使用される「バッテリー性能を決定する」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、少なくとも1つの状態変数の将来値の時系列及び/又は経時的な展開を予測すること、推定すること及び分類することの1つ以上を指し得る。バッテリー性能の決定は、出力又は結果として、時系列に対するバッテリー性能の少なくとも1つの予測を有することができる。異なる時点の状態変数の値に対する予測は、複数の将来時点のため、反復的に決定されてよい。本明細書で使用される「予測」という用語は、将来における状態変数の期待値を指す。バッテリー性能の決定の結果は、状態変数の経時的な展開を示すヒストグラムなどの状態変数の予測時系列であってよい。バッテリー性能の決定は、バッテリー寿命の予測及び/又は分類を含んでよい。本明細書で使用される「分類」という用語は、例えば「良好」又は「不良」などの、バッテリー及び/又はカソード材料の分類を指し得る。例えば、バッテリーは、将来の時点における状態変数が予め定められた又は予め定義された条件を満たす場合、及び/又は、決定された寿命が予め定められた又は予め定義された限界を超えている場合、「良好」と分類され得る。例えば、バッテリーは、状態変数の予測時系列が予め定められた又は予め定義された条件を満たさない場合、「不良」と分類され得る。例えば、バッテリーは、将来時点における状態変数が予め定められた又は予め定義された条件を満たさない場合、及び/又は、決定された寿命が予め定められた又は予め定義された限界を下回る場合、「不良」と分類され得る。テストシステムは、状態変数の予測時系列の少なくとも一部に関する情報を含む少なくとも1つの出力を出力するように構成された少なくとも1つの出力インターフェースを備えることができる。
本明細書で使用される「処理装置」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、コンピュータ又はシステムの基本的な動作を実行するように構成された任意の論理回路、及び/又は、一般に、計算又は論理演算を実行するように構成された装置を指し得る。処理装置は、少なくとも1つのプロセッサ及び/又は処理ユニットを含んでいてよい。特に、処理装置は、コンピュータ又はシステムを駆動する基本命令を処理するように構成されることができる。一例として、処理装置は、少なくとも1つの算術論理ユニット(ALU)、少なくとも1つの浮動小数点ユニット(FPU)、例えば、数学コプロセッサ又は数値コプロセッサなど、複数のレジスタ及びメモリ、例えば、キャッシュメモリなどを含むことができる。特に、処理装置は、マルチコアプロセッサであってよい。具体的には、処理装置は、中央処理装置(CPU)であってもよく、又はそれを備えていてよい。追加的に又は代替的に、処理装置は、1つ以上の特定用途向け集積回路(ASIC)及び/又は1つ以上のフィールドプログラマブルゲートアレイ(FPGA)などであってよく、又はそれらを備えていてよい。
本明細書で使用される「通信インターフェース」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、情報を転送するように構成されたバウンダリーを形成するアイテム又は要素を指し得る。特に、通信インターフェースは、計算装置、例えばコンピュータから、例えば別の装置に情報を送信又は出力するように、情報を転送するように構成されてよい。追加的に又は代替的に、通信インターフェースは、情報を受信するように、計算装置、例えばコンピュータに情報を転送するように構成されてよい。通信インターフェースは、特に、情報を転送又は交換するための手段を提供することができる。特に、通信インターフェースは、データ転送接続、例えば、Bluetooth、NFC、誘導結合などを提供することができる。一例として、通信インターフェースは、ネットワーク又はインターネットポート、USBポート及びディスクドライブのうちの1つ以上を含む少なくとも1つのポートであってよく、又はそれを含んでいてよい。通信インターフェースは、少なくとも1つのウェブインターフェースであってよい。
テストシステムは、少なくとも1つのデータベースを含むことができる。本明細書で使用される「データベース」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、少なくとも1つのデータ記憶装置に記憶された情報などの任意の情報の集合を指し得る。データベースは、そこに記憶された情報を有する少なくとも1つのデータ記憶装置を備えることができる。特に、データベースは、任意の情報の集合を含んでよい。データベースは:少なくとも1つのサーバ、複数のサーバを含む少なくとも1つのサーバシステム、少なくとも1つのクラウドサーバ又はクラウドコンピューティングインフラストラクチャからなる群から選択される少なくとも1つのデータベースであってよく、又はこれらを含んでいてよい。データベースは、通信インターフェースを介して受信したデータを記憶するように構成された少なくとも1つの記憶ユニットを含んでいてよい。
本明細書で使用される「作動データ」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、テストリグ内のバッテリーに対して行われる少なくとも1つのテストプログラムに関する情報、特に作動条件、テスト順序、プロセスなどのうちの1つ以上に関するデータを指し得る。少なくとも1つのテストプロトコルを示す作動データは、例えば、異なる充電サイクル及び/又は放電サイクルの少なくとも1つのシーケンスを含む。本明細書で使用される「テストプロトコル」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、テストリグ内のバッテリーに対して実行される複数の異なるテストプログラムに応じたガイドラインを指し得る。テストプロトコルは、予め定義されていてよい。テストプロトコルは、既知であり得る。特に、放電電流及び定電圧作動の持続時間などの量は、テストプロトコルによって制御及び/又は定義され得る。テストプロトコルは、少なくとも1つの規格に従って実行されてよい。テストプロトコルは、各テストセットアップに固有のものであってよい。以下に詳細に概説されるように、テストプロトコルは、バッテリー材料、特にカソード及び/又はアノードの性能を予測することを可能にし得る。テストプロトコルは、テストプログラムの順序及び/又はテストプログラムのシーケンス及び/又は各テストプログラムの期間を定義することができる。テストプログラムのそれぞれは、少なくとも1つの充電-放電サイクルを含んでいてよく、テストプログラムのうち少なくとも2つの充電-放電サイクルは異なっている。テストプロトコルは、少なくとも1つのバッテリー性能テストに関する情報を含むことができる。バッテリー性能テストは、異なる充電サイクル及び/又は放電サイクルの少なくとも1つのシーケンスを含むことができる。バッテリー性能テストにおいて、放電-充電曲線は、サイクルごとに決定されてよい。バッテリー性能テストは、顧客によって実施されてよい。顧客は、通信インターフェースを介してテストシステムにバッテリー性能入力データを提供することができる。テストプログラムとも呼ばれるテストプロトコルは、異なる材料特性を決定するために異なるブロックを含むことができる。例えば、サイクルテストプロトコルは、各サイクルについて、放電ステップが後に続く充電ステップを有することができ、ステップ間の任意の休止を含むことができる。充電ステップは、セル電圧が所定の閾値に達するまで、セルに一定の電流を流し、次いで、電流が別の所定の閾値を下回るまで、又は時間閾値に達するまで、電圧を維持することができる。放電ステップは、電圧が所定の閾値を下回るまで一定の電流を維持することができる。多くのこのようなサイクルは、測定されたセルの経年劣化に対して連続的に実施されることができる。
具体的には、データ駆動型モデルは、少なくとも1つのテストプロトコル及びバッテリー性能入力データを示す作動データに基づいてパラメータ化された。データ駆動型モデルは、将来のバッテリー性能を予測するために、少なくとも1つのテストプロトコルに従った過去及び将来の充電-放電サイクルの知識を使用することができる。特に、過去及び将来の充電-放電サイクルに関する知識は、データ駆動型モデルの入力として使用されてよい。データ駆動型モデルは、各時間ステップにおいて、先行又は以前の測定値、データ駆動型モデルによって行われた先行又は以前の予測値、及び、少なくとも1つのテストプロトコルによって制御及び/又は定義される量の将来の値を考慮することができる。データ駆動型モデルは、将来、特に将来のバッテリー性能を予測するために、過去の充電-放電サイクルの知識を使用することができる。データ駆動型モデルは、将来のバッテリー性能を予測するために、テストプロトコルから、将来の充電-放電サイクルの知識を使用することができる。テストプロトコルは、放電電流、充電電流、休止ステップ、新しいサイクルを開始するための閾値などの量を制御及び/又は定義することができる。具体的には、制御及び/又は定義された量の将来値の知識は、将来のバッテリー性能を予測するために使用される。特に、将来のサイクル中にバッテリーがどの程度ストレスを受けるかに関する情報(テストプロトコルによって予め定義されている)は、将来のバッテリー性能の予測のための追加的かつ有用な情報として使用されることができる。したがって、本発明は、特に、将来のバッテリーの状態、言い換えれば、将来のNサイクルの作動後にバッテリーがどの程度供給するかを評価することを可能にするという問題を解決するものであり、作動の詳細は、サイクル手順及び/又はテストプロトコルによって指定されることができる。本発明は、特に、テストプロトコルを使用することを提案し、これにより、データ駆動型モデルへの入力として、計画されたサイクル手順を使用することを提案する。プロトコルで将来のテストパラメータの知識の情報を使用することは、さらに性能の予測を改善することを可能にし得る。特に、定義された、特に予め定義された及び/又は既知のテストプロトコルの使用は、過去及び将来の充電-放電サイクルの知識を有し、かつ、使用することを可能にする。対照的に、例えばWO2019/017991A1に記載されているような車両用バッテリー管理システム(そこでは、バッテリーの使用がテストプロトコルに従わない)では、以前のバッテリー使用からの、特に構造化されていない履歴データからのデータを考慮することだけが可能である。WO2019/017991A1は、バッテリーが現在残っているサイクル数を予測するだけであるが、一方、本発明は、特に、テストプロトコルに従って予め定義された方法でバッテリーをさらに取り扱った場合、将来的に何サイクルが残っているかを予測することを提案している。本発明は、テストプロトコルに従った使用に基づいて又はそれを考慮して、バッテリーの将来の能力を予測することを可能にし得る。
具体的には、データ駆動型モデルは、時間メモリを有してよく、及び/又は、データ駆動型モデルは、時間依存型モデルであってよい。入力データは、ある時点で得られた測定データに関する情報を含むデータ駆動型モデルに供給されてよい。データ駆動型モデルは、少なくとも1つの出力、特に、いわゆる「潜在」変数を提供することができる。潜在変数は、予測される将来のバッテリー挙動に関する情報を含んでいてよく、及び/又は、予測される将来のバッテリー挙動に関する情報が、潜在変数から導出可能であってよい。後続の時間ステップについては、データ駆動型モデルは、その時点までに得られた追加の測定データ及び/又は潜在変数の少なくとも1つを考慮し、特に入力データとして使用することができる。データ駆動型モデルは、個々の潜在変数の関連性を決定するように、及び、潜在変数に重みを割り当てるように、構成されてよい。データ駆動型モデルは、さらなる予測のために、重み付けされた潜在的変数を考慮してよい。関連性の決定及び重みの割り当ては、繰り返し実行されてよい。上記で概説したように、データ駆動型モデルは、少なくとも1つのテストプロトコルによって予め定義された制御及び/又は定義された量の将来値の知識をさらに考慮し、特に入力データとしての使用することができる。WO2019/017991A1に記載されているような既知の方法は、「固定ウィンドウ」又は「固定ホライゾン」と呼ばれるアプローチを使用する。それらは、特に、時間依存性を有するデータ駆動型モデルを提案する本発明によって提案されるような「時系列」方法を使用しない。本発明は、特に、時間にわたってステップスルーし、関連するメモリを保持するデータ駆動型モデルを使用することを提案する。対照的に、「固定ウィンドウ」又は「固定ホライゾン」のアプローチは、過去からの情報を使用し、それが固定された将来時間における挙動とどのように相関するかを見る。
本明細書で使用される「バッテリー性能入力データ」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、テストプロトコルに応答して生成されたバッテリーの挙動及び/又は性能に関する情報を含むデータを指し得る。バッテリー性能入力データは、テストプロトコルに応答して生成されたデータを含んでよい。バッテリー性能入力データは、生データ及び/又は前処理されたデータであってよく、又はこれらを含んでよい。バッテリー性能入力データは、特に、少なくとも1つのテストプロトコルに従って、上記で概説したように、少なくとも1つのテストプログラムを実行することによって決定されてよい。テストプログラムは、バッテリーの少なくとも1つの放電-充電曲線を決定することを含んでよい。テストプログラムは、テストリグで実行されてよい。バッテリー性能入力データは、リアルタイムで、又はバルク転送で遅延して、通信インターフェースを介してテストシステムに転送されてよい。
バッテリー性能の入力データは、放電-充電サイクルデータを含み得る。本明細書で使用される「サイクル」という用語は、再充電に続く放電のシーケンス、又はその逆を指す。放電-充電サイクルデータは、少なくとも1つの充電-放電曲線を含むことができる。バッテリー性能入力データは、放電容量に関する情報、充電容量に関する情報、充電-放電曲線の形状に関する情報、平均電圧に関する情報、開回路電圧に関する情報、微分容量に関する情報、クーロン効率に関する情報、及び内部抵抗に関する情報のうちの1つ以上を含むことができる。
バッテリー性能入力データは、カソード材料及びセル設定のうちの1つ以上に関するメタデータを含むことができる。本明細書で使用される「メタデータ」という用語は、放電-充電サイクルデータに関する情報を含むデータを指す。メタデータは、例えば、カソード材料及び/又はセル設定を考慮するなど、適切な学習済みモデル(trained model)を選択するために使用されてよい。
処理装置は、バッテリー性能入力データを検証するように構成されてよい。検証は、検索されたバッテリー性能入力データが、完全であるか、及び/又はバッテリー性能を決定するために十分なサイクルを含むかを決定することを含んでよい。本明細書で使用される「検証する」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、バッテリー性能入力データをレビューすること、検査すること、又はテストすることのうちの1つ以上のプロセスを指し得る。具体的には、検証は、検索されたバッテリー性能入力データが完全であるか、及び/又は、バッテリー性能の決定のために十分なサイクルを含むかを決定することを含んでよい。例えば、検証によって、取得したバッテリー性能入力データが完全でない、及び/又はバッテリー性能を決定するのに十分なサイクルを含んでないことが明らかになった場合、通信インターフェースを使用することによって、追加データを提供するよう顧客に対して要求することができる。
本明細書で使用される「状態変数」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、バッテリー性能を特徴付けることができる少なくとも1つのパラメータの定量化可能な変数を指し得る。状態変数は、少なくとも1つの充電-放電曲線から導出され、又は導出可能であってよい。状態変数は、放電容量、充電容量、充電-放電曲線の形状、平均電圧、開回路電圧、微分容量、クーロン効率、及び内部抵抗からなる群から選択される少なくとも1つの変数であってよい。各サイクルにおいて、モデルは、続くサイクルでモデル入力として使用するための利用可能なすべての特徴を予測できる。
処理装置は、将来の展開が予測される状態変数に応じて、バッテリー性能入力データから情報を選択するように構成されてよい。処理装置は、将来の展開が予測される状態変数に応じて、バッテリー性能入力データをランク付けするように構成されてよい。例えば、状態変数は、放電容量であってよい。ランク付けは、以下の通り:以前のサイクルからの充電容量及び/又は以前のサイクルからの放電容量は、予測されるべき状態変数に非常に近いため、最も関連性が高いと考えられ得る。以前のサイクルからの充電曲線及び/又は放電曲線の形状、並びに内部抵抗は、以前のサイクルからの充電容量及び/又は以前のサイクルからの放電容量よりも関連性が低いと考えられ得る。内部抵抗などの他の状態変数については、ランキングが異なる場合がある。
本明細書で使用される「状態変数の予測時系列」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、少なくとも1つのデータ駆動型モデルを使用して決定された状態変数の予想される時系列を指し得る。バッテリーのバッテリー性能入力データは、実験データであってよい。状態変数の予測時系列は、データ駆動型モデルを使用することによって、決定、特に予測されることができ、ここで、バッテリー性能入力データは、データ駆動型モデルの入力として使用される。バッテリー性能入力データは、状態変数の予測時系列がそれに基づいて予測される実験データを含んでよい。さらに、予測時系列は、作動データに基づいて決定される。テストシステムは、少なくとも1つの記憶装置を含み得、そこには、複数の異なるデータ駆動型モデルが記憶され得る。例えば、記憶装置は、異なるテストプロトコルのための異なるデータ駆動型モデルを含んでよい。特に、処理装置は、バッテリーテストに使用されるテストプロトコルに基づいてデータ駆動型モデルを選択するように構成されてよい。追加的に又は代替的に、データ記憶装置は、予測される状態変数に応じて、異なるデータ駆動型モデルを含んでよい。処理装置は、1つの状態変数又は複数の状態変数の予測される時系列を決定するように構成されてよい。状態変数の任意の組み合わせの時系列は、同時に予測されることもできる。
本明細書で使用される「データ駆動型モデル」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、経験的予測モデルを指し得る。具体的には、データ駆動型モデルは、実験データの分析から導かれる。データ駆動型モデルは、機械学習ツールであってよい。データ駆動型モデルは、少なくとも1つの学習済みモデルを含んでいてよい。本明細書で使用される「学習済みモデル」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、学習データとも表記される少なくとも1つの学習データセットで学習されたバッテリー性能を予測するためのモデルを指し得る。例えば、データ駆動型モデルは、少なくとも1つの学習データセットで学習され、学習データセットは、少なくとも1つの既知のバッテリー構成及び少なくとも1つの既知のテストプロトコルの充放電サイクルの履歴データの時系列を含む。学習データは、十分に定義されたテストプロトコルに従って得られることができる。学習データセットは、例えばバッテリー性能を特徴付けるパラメータのうちの1つ以上のためのバッテリーテストの複数の実験結果を含み得る。学習データセットは、異なるサイクルなど、少なくとも2つの時点において決定されたバッテリーテストの複数の実験結果を含み得る。モデルの学習のために、例えばテスト中の異なるバッテリーに関連して複数の学習データセットが使用され得る。
データ駆動型モデルは、特徴に基づくモデルであってよく、そこでは、特徴又は特徴のサブセットがバッテリー性能を予測するために使用される。学習データは、学習済みモデルの特徴を選択するために使用されてよい。特徴の選択は、モデル構築で使用するために、関連する特徴のサブセット、特に変数及び予測子(predictor)を選択することを含んでよい。特徴の選択は、特定の時点、例えば充電又は放電曲線、内部抵抗、開回路電圧、微分容量の関連時点などの特定時点における電気化学的側面を導き出すことを含むことができる。特徴は、材料クラスによる不規則性を考慮して選択されることができる。学習データは、生データを含んでいてよい。特徴の選択は、サイクルごとにステップごとなどのデータアグリゲーションを含むことができる。特徴は、電気化学の知識及び/又は応答と高い相関を有する特徴を保持するような従来の特徴選択方法を用いてよい。電気化学の知識は、例えば、関心の相転移が予想される電圧間隔に関する情報、及び、したがって、特徴が抽出されるべき曲線の領域に関する情報を含んでいてよい。
データ駆動型モデルは、少なくとも1つのエコーステートネットワークなどの少なくとも1つのリカレントニューラルネットワークを含んでよい。本明細書で使用される「エコーステートネットワーク」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、リーク積分された離散時間連続値ユニットを有するリカレントニューラルネットワークを指し得る。データ駆動型モデルのさらなる詳細に関しては、以下でより詳細に説明するように、テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するための少なくとも1つのデータ駆動型モデルを決定するための方法の説明を参照することができる。
処理装置は、データ駆動型モデルを用いて状態変数の予測時系列を決定するための入力パラメータとして、バッテリー性能入力データを使用するように構成されてよい。テスト下のバッテリーのバッテリー性能を決定するために、バッテリー性能入力データは、データ駆動型モデルへの入力として処理され、適用され得る。処理は、データアグリゲーションを含み得る。処理は、時系列がデータ駆動型モデルによって予測されるバッテリー性能を特徴付けるパラメータの少なくとも1つ(ターゲット状態変数としても示される)に関連する情報の選択を含み得る。この場合、データ駆動型モデルによって生成される出力は、ターゲット状態変数の予測時系列又は状態変数の行列であり得る。
処理装置は、データ駆動型モデルを用いて状態変数の予測時系列を決定するための入力パラメータとして、バッテリー性能入力データを使用するように構成されてよい。具体的には、処理装置は、テストプロトコル及び/又は異なる充電サイクル及び/又は放電サイクルのシーケンスに関する受信情報に基づくなど、受信したバッテリー性能入力データに基づいて、少なくとも1つの適切なデータ駆動型モデルを選択するように構成されてよい。処理装置は、複数のデータ駆動型モデルを含んでいてよく、そこでは、処理装置は、テストプロトコルに応じて状態変数の予測時系列を決定するためのデータ駆動型モデルのうちの1つを選択するように構成されている。例えば、複数のデータ駆動型モデルのそれぞれは、異なるテストプロトコルを使用することによって導出されたデータで学習されてよい。モデルは、複雑さを制御する異なるフィッティングパラメータ及び異なるハイパーパラメータを有し得る。しかし、一般的な構造は、すべてのモデルで同じであってよい。最も適切なデータ駆動型モデルを選択するための他の基準も可能であり得る。例えば、処理装置は、例えば材料特性に応じて複数のデータ駆動型モデルを含んでいてよい。処理装置は、バッテリー性能入力データを分析するように構成されてよく、そこでは、分析は、少なくとも1つの材料特性を決定することを含む。処理装置は、材料特性に基づいてデータ駆動型モデルの少なくとも1つを選択するように構成されてよい。材料特性に関する情報は、メタデータからなど、バッテリー性能入力データから決定されてよい。
処理装置は、少なくとも1つの信頼性テストを実行するように構成され得、そこでは、決定された状態変数は実験的なテスト結果と比較される。本明細書で使用される「信頼性テスト」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、1つ以上の実験的テスト結果との適合のためにデータ駆動型モデルの出力をレビューすること、検査すること、又はテストすることのうち1つ以上のプロセスを指し得る。信頼性テストにおいて、状態変数の予測時系列は、実験テスト結果と比較されてよい。異なるバッテリータイプ又は材料に関する実験結果は、少なくとも1つのデータストレージに保存され得、信頼性テストでの比較に使用され得る。
テストシステムは、状態変数の予測時系列の少なくとも一部を提供するように構成されている。本明細書で使用される「少なくとも一部」という用語は、状態変数の完全な予測時系列が提供される実施形態、及び/又は状態変数の予測時系列の少なくとも1つの特定の時間範囲又は時点が提供される実施形態、及び/又は予測時系列に関する他の情報が提供される実施形態を指す。テストシステムは、状態変数の予測時系列の少なくとも一部に関する情報を含む少なくとも1つの出力を出力するように構成された少なくとも1つの出力インターフェースを備えていてよい。出力は、状態変数の経時的な展開を示す少なくとも1つのヒストグラムのうちの1つ以上を含んでいてよい。出力は、さらに、バッテリー寿命の少なくとも1つの予測、及び/又は少なくとも1つの分類に関する情報を含んでいてよい。テストシステムは、状態変数の予測時系列に応じて少なくとも1つの測定を実行するように構成されてもよく、測定は、勧告を発すること;警告を発すること;バッテリーのカソード材料の変更が要求されているという表示を発することのうち1つ以上を含んでいる。本明細書で使用される「測定」という用語は、バッテリー性能の決定結果に応じた任意の動作を指す。テストシステムは、決定されたバッテリーの性能に関する少なくとも1つの情報をバッテリーの顧客に提供するように構成されてよい。例えば、情報は、出力インターフェースによって顧客に提供されてもよい。情報は、さらに、テストリグ内のバッテリーのランキング、バッテリーの分類、カソード材料の分類、又は少なくとも1つの勧告のうち1つ以上を含んでいてよい。出力は、テストリグ内のバッテリーのランキング、及び/又は、バッテリーの測定が停止され得る勧告を含むことができる。通信インターフェースは、テストリグの状態を監視できるように構成されてよい。これにより、バッテリー性能の決定結果に基づいて、次の実験の準備及び設計を行うことができる。
本発明のさらなる態様では、少なくとも1つのバッテリーのバッテリー性能を決定するための少なくとも1つのテストプロトコルに基づいて、少なくとも1つのバッテリーについて少なくとも1つのバッテリー性能テストを実施するように構成されたテストリグが、提案される。
本明細書で使用される「テストリグ」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、少なくとも1つのバッテリーの特性をテストするための環境を指し得る。テストリグは、複数のバッテリーをテストするように構成されてよい。テストリグは、テスト又はテストシーケンスの間、バッテリーを格納するための少なくとも1つの格納装置を含んでいてよい。
バッテリー性能テストは、異なる充電サイクル及び/又は放電サイクルの少なくとも1つのシーケンスを含む。バッテリー性能テストは、各サイクルについて放電-充電曲線を決定することを含む。テストリグは、テストプロトコルを示す作動データ及びバッテリー性能入力データを、本発明による少なくとも1つのテストシステムに提供するように構成された少なくとも1つの通信インターフェースを備えている。テストリグの定義及び実施形態に関しては、テストシステムの説明を参照されたい。
本発明のさらなる態様では、テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するための少なくとも1つのデータ駆動型モデルを決定するための方法が提案されている。本方法は、少なくとも1つの学習データセットでデータ駆動型モデルを学習することを含む。学習データセットは、少なくとも1つの既知のバッテリー構成の充電及び放電サイクルの履歴データ及び少なくとも1つの既知のテストプロトコルを含む。定義及び実施形態に関しては、上記又は以下でさらに詳細に説明されるようなテストシステムの説明を参照されたい。
本方法は、以下のステップ:
- 少なくとも1つのランダム動的リザーバーを生成するステップと;
- 少なくとも1つの入力ユニット及び少なくとも1つの出力ユニットを決定するステップと;
- 入力-リザーバー接続及び出力-リザーバー接続を生成するステップと;
- 少なくとも1つの入力重み行列Win及び少なくとも1つのリザーバー重み行列Wを選択するステップと;
- 学習データを使用してデータ駆動型モデルを学習することによって出力重みを決定するステップであって、前記出力重みは、回帰分析を使用して決定されるステップと、
を含んでいてよい。
- 少なくとも1つのランダム動的リザーバーを生成するステップと;
- 少なくとも1つの入力ユニット及び少なくとも1つの出力ユニットを決定するステップと;
- 入力-リザーバー接続及び出力-リザーバー接続を生成するステップと;
- 少なくとも1つの入力重み行列Win及び少なくとも1つのリザーバー重み行列Wを選択するステップと;
- 学習データを使用してデータ駆動型モデルを学習することによって出力重みを決定するステップであって、前記出力重みは、回帰分析を使用して決定されるステップと、
を含んでいてよい。
例えば、データ駆動型モデルは、少なくとも1つのエコーステートネットワークであってよい。ランダムダイナミックリザーバーは、任意のニューロンモデルを用いて生成されてよい。データ駆動型モデルの決定は、学習データ、特に、学習テストバッテリーのバッテリー性能を特徴付ける少なくとも1つのパラメータを測定することによって第1時点において実験的に決定された学習データを、入力u(n)として、ランダムダイナミカルリザーバーに適用することを含んでよい。したがって、入力u(n)は、入力状態として入力ユニットへ入力されてよく、リザーバーニューロン活性化のベクトルx(n)が生成されるように、リザーバーに適用されてよい。データ駆動型モデルの決定は、出力フィードバックを可能にするように、出力-リザーバー接続を生成することを含み得る。出力ユニットは、学習データのいわゆる教師出力y(n)、特に、学習テストバッテリーのバッテリー性能を特徴付ける少なくとも1つのパラメータを測定することによって、第1時点から遅延した第2時点で実験的に決定された、学習データのいわゆる教師出力y(n)で満たされてよい。出力重み
は、リザーバー状態x(n)での教師出力y(n)の回帰分析、特に線形回帰を使用して決定され得る。出力重み
は、出力-リザーバー接続に使用される。学習は、例えば、異なるカソード材料などの異なる学習データセットを使用する複数の学習サイクルを含み得る。
エコーステートネットワークは、以下のシステム方程式を用いることができ、
式中、u(n)は、エコーステートネットワークの入力行列であり、
はリザーバーニューロン活性化のベクトルであり、
は時間nでの更新であり、fは活性化関数、特にロジスティックシグモイド又はtanh関数などのシグモイド関数であり、要素ごとに適用され、[;]は垂直ベクトル、又は行列の連結を表し、
はそれぞれ入力重み行列と反復重み行列であり、
はリーク率であり、「A Practical Guide to Applying Echo State Networbs」、Mantas Lukosevicius、Neural Networks:Tricks of the Trade 2012、DOI:10.1007/978-3-642-35289-8_36及びhttp://minds.jacobs-university.de/uploads/papers/PracticalESN.pdfを参照されたい。教師出力y(n)は、
によって与えられ、式中、gは出力活性化関数であり、
は出力重み行列であり、z(n)は拡張システム状態であり、時間nにおける
は、リザーバー状態と入力状態の連結である。上記のように、学習段階において、エコーステートネットワーク出力重み
は、学習データセットから導出された所望の出力に関する回帰分析を用いて決定され得る。学習後、エコーステートネットワークは、テスト下のバッテリーのバッテリー性能を決定するために使用されることができる。
テスト下のバッテリーのバッテリー性能を決定するために、バッテリー性能入力データは、エコーステートネットワークへの入力として処理され適用されてよい。処理は、ターゲット状態変数とも示される学習済みエコーステートネットワークによって決定され得るバッテリー性能を特徴付けるパラメータの1つ以上に関連する情報のデータアグリゲーション及び/又は選択を含み得る。この場合のエコーステートネットワークの出力y(n)は、目標状態変数又は特定の将来時点又は将来サイクルに対する状態変数の行列であってよい。
本発明のさらなる態様では、テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータ実装方法が提案されている。本方法では、本発明による少なくとも1つのテストシステムが使用される。したがって、本方法の実施形態及び定義に関しては、上記又は以下でさらに詳細に説明されるテストシステムの説明を参照されたい。
本明細書で使用される「コンピュータ実装」という用語は、広義の用語であり、当業者にとって通常で慣用的な意味を与えられるべきであり、特別な意味又はカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されることなく、少なくとも1つのプロセッサ含むデータ処理手段などのデータ処理手段を使用して完全又は部分的に実施される処理を指し得る。したがって、「コンピュータ」という用語は、一般に、少なくとも1つのプロセッサなどの少なくとも1つのデータ処理手段を有する、装置又は装置の組み合わせもしくはネットワークを指し得る。コンピュータは、さらに、1つ以上のさらなる構成要素、例えばデータ記憶装置、電子インターフェース又はヒューマンマシンインターフェースの少なくとも1つを含むことができる。
本方法は、具体的には所与の順序で実行され得る以下のステップを含む。ただし、異なる順序も可能である。また、2つ以上の方法ステップを全部又は部分的に同時に実行することも可能である。さらに、1つ以上、あるいはすべての方法ステップを1回、又は一回~数回など繰り返し実行することができる。さらに、該方法は、記載されていない追加の方法ステップを含んでよい。
該方法は、以下のステップ:
a)少なくとも1つの通信インターフェースを介して、少なくとも1つのテストプロトコルを示す作動データを検索するステップと;
b)前記通信インターフェースを介して、バッテリー性能の入力データを検索するステップと;
c)処理装置を使用することによって、データ駆動型モデルを用いる前記バッテリー性能入力データ及び前記作動データに基づいて、バッテリー性能を示す状態変数の予測時系列を決定するステップと;
d)前記状態変数の予測時系列の少なくとも一部を提供するステップと、
を含む。
a)少なくとも1つの通信インターフェースを介して、少なくとも1つのテストプロトコルを示す作動データを検索するステップと;
b)前記通信インターフェースを介して、バッテリー性能の入力データを検索するステップと;
c)処理装置を使用することによって、データ駆動型モデルを用いる前記バッテリー性能入力データ及び前記作動データに基づいて、バッテリー性能を示す状態変数の予測時系列を決定するステップと;
d)前記状態変数の予測時系列の少なくとも一部を提供するステップと、
を含む。
方法ステップa)~d)は、コンピュータに実装された態様で完全に又は部分的に実行されてよい。方法ステップa)及びb)において、少なくとも1つのテストプロトコルを示す作動データ及びバッテリー性能入力データは、通信インターフェースを介して、例えばウェブインターフェースによって、ステップc)における分析のために、テストシステム、特に処理装置に転送され得る。
本発明のさらなる態様では、テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータプログラムが提案されている。コンピュータプログラムは、プログラムがコンピュータ又はコンピュータシステムによって実行されるときに、コンピュータ又はコンピュータシステムに、上記又は以下でさらに詳細に説明されるバッテリー性能を決定するための方法を実行させる命令を含む。特に、上記に示した方法のステップa)~d)のうちの1つ、2つ以上、又はさらにはすべては、コンピュータ又はコンピュータネットワークを使用することによって、好ましくはコンピュータプログラムを使用することによって実行されることができる。したがって、本明細書で使用される用語の大部分の可能な定義については、上記の又は以下でさらに詳細に説明されるテスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータ実装方法の説明を参照することができる。
具体的には、コンピュータプログラムの一方又は両方は、コンピュータ可読データ担体及び/又はコンピュータ可読記憶媒体に格納されていてよい。本明細書で使用される「コンピュータ可読データ担体」及び「コンピュータ可読記憶媒体」という用語は、具体的には、コンピュータ実行可能命令をその上に格納したハードウェア記憶媒体などの非一時的データ記憶手段を指し得る。コンピュータ可読データ担体又は記憶媒体は、具体的には、ランダムアクセスメモリ(RAM)及び/又はリードオンリーメモリ(ROM)などの記憶媒体であってよく、又はそれらを含んでいてよい。
本明細書でさらに開示及び提案されるのは、プログラムがコンピュータ又はコンピュータネットワーク上で実行されるときに、本明細書に含まれる実施形態の1つ以上において、本発明によるテスト環境でのバッテリー構成の開発中のバッテリー性能を決定する方法を実行するためのプログラムコード手段を有するコンピュータプログラム製品である。具体的には、プログラムコード手段は、コンピュータ可読データ担体及び/又はコンピュータ可読記憶媒体に格納され得る。
本明細書でさらに開示及び提案されるのは、その上に格納されたデータ構造を有するデータ担体であって、該データ構造は、コンピュータ又はコンピュータネットワーク、例えばコンピュータ又はコンピュータネットワークのワーキングメモリ又はメインメモリにロードした後に、本明細書に開示される1以上の実施形態によるテスト環境でのバッテリー構成の開発中のバッテリー性能を決定する方法を実行することができるものである。
本明細書でさらに開示され提案されるのは、プログラムがコンピュータ又はコンピュータネットワーク上で実行されるときに、本明細書に開示される1つ以上の実施形態によるテスト環境でのバッテリー構成の開発中のバッテリー性能を決定する方法を実行するために、機械可読担体上に格納されたプログラムコード手段を備えるコンピュータプログラム製品である。本明細書で使用される場合、コンピュータプログラム製品は、取引可能な製品としてのプログラムを指す。該製品は、一般に、紙形式などの任意の形式で存在してもよく、又はコンピュータ可読データ担体上に存在してもよい。具体的には、コンピュータプログラム製品は、データネットワークを介して配布されることができる。
本発明のさらなる態様では、合成及び/又はバッテリー材料及び/又はバッテリー形状などの製造パラメータを最適化するための、本発明によるテスト環境でのバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータ実装方法の使用が提案されている。
本発明のさらなる態様では、本発明によるテスト環境でのバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータ実装方法によって決定された状態変数の予測時系列の少なくとも一部を、バッテリー材料及び/又はバッテリー形状を最適化するシステムに提供する方法が提案されている。
最適化は、少なくとも1つのシミュレーションを実行することを含み得る。
本発明の方法、システム及びプログラムは、当該技術分野で既知の方法、システム及びプログラムを超える多くの利点を有する。特に、本明細書に開示される方法、システム、及びプログラムは、バッテリー材料の開発中のテストリグにおける測定時間を、数ヶ月から数週間に短縮することを可能にし得る。さらに、本発明の方法、システム及びプログラムは、少なくとも1つのテストプロトコルによって定義されるようにさらに処理される場合の、バッテリーの健康状態だけでなく、さらにバッテリーの将来特性をも予測することを可能にすることができる。
さらなる可能な実施形態を除外することなく要約すると、以下の実施形態が想定され得る:
実施形態1:テスト環境でのバッテリー構成の開発中のバッテリー性能を決定するためのテストシステムであって、前記テストシステムは、少なくとも1つの通信インターフェースと、少なくとも1つの処理装置とを備え、前記テストシステムは、前記通信インターフェースを介して少なくとも1つのテストプロトコルを示す作動データを受信するように構成され、前記テストシステムは、前記通信インターフェースを介してバッテリー性能入力データを受信するように構成され、前記処理装置は、少なくとも1つのデータ駆動型モデルを使用して、前記バッテリー性能入力データ及び前記作動データに基づいて、バッテリー性能を示す少なくとも1つの状態変数の少なくとも1つの予測時系列を決定するように構成され、前記テストシステムは、前記状態変数の前記予測時系列の少なくとも一部を提供するように構成されている、テストシステム。
実施形態1:テスト環境でのバッテリー構成の開発中のバッテリー性能を決定するためのテストシステムであって、前記テストシステムは、少なくとも1つの通信インターフェースと、少なくとも1つの処理装置とを備え、前記テストシステムは、前記通信インターフェースを介して少なくとも1つのテストプロトコルを示す作動データを受信するように構成され、前記テストシステムは、前記通信インターフェースを介してバッテリー性能入力データを受信するように構成され、前記処理装置は、少なくとも1つのデータ駆動型モデルを使用して、前記バッテリー性能入力データ及び前記作動データに基づいて、バッテリー性能を示す少なくとも1つの状態変数の少なくとも1つの予測時系列を決定するように構成され、前記テストシステムは、前記状態変数の前記予測時系列の少なくとも一部を提供するように構成されている、テストシステム。
実施形態2:前記データ駆動型モデルは、少なくとも1つのエコーステートネットワークなどの少なくとも1つのリカレントニューラルネットワークを含む、先行する実施形態によるテストシステム。
実施形態3:前記状態変数は、少なくとも1つの充電-放電曲線から導出可能であって、前記状態変数は、放電容量;充電容量;充電-放電曲線の形状;平均電圧;開回路電圧;微分容量;クーロン効率;及び内部抵抗からなる群から選択される少なくとも1つの変数である、先行する実施形態のいずれか1つによるテストシステム。
実施形態4:少なくとも1つのテストプロトコルを示す前記作動データは、異なる充電サイクル及び/又は放電サイクルの少なくとも1つのシーケンスを含む、先行する実施形態のいずれか1つによるテストシステム。
実施形態5:前記データ駆動型モデルは、少なくとも1つの学習データセットで学習され、前記学習データセットは、少なくとも1つの既知のバッテリー構成の充放電サイクルの履歴データの時系列、及び、少なくとも1つの既知のテストプロトコルを含む、先行する実施形態のいずれか1つによるテストシステム。
実施形態6:前記処理装置は、前記データ駆動型モデルを用いて前記状態変数の前記予測時系列を決定するため、入力パラメータとして前記テストプロトコルを使用するように構成され、及び/又は、前記処理装置は、複数のデータ駆動型モデルを含み、前記処理装置は、前記テストプロトコルに応じて前記状態変数の前記予測時系列を決定するために前記データ駆動型モデルのうちの1つを選択するように構成されている、先行する実施形態のいずれか1つによるテストシステム。
実施形態7:前記処理装置は、前記データ駆動型モデルを用いて前記状態変数の前記予測時系列を決定するために、入力パラメータとして前記バッテリー性能入力データを使用するように構成されている、先行する実施形態のいずれか1つによるテストシステム。
実施形態8:前記処理装置は、複数のデータ駆動型モデルを含み、前記処理装置は、前記バッテリー性能入力データを分析するように構成され、前記分析は、少なくとも1つの材料特性を決定することを含み、データ駆動型モデルの少なくとも1つは、前記材料特性に基づいて選択される、先行する実施形態によるテストシステム。
実施形態9:前記バッテリー性能入力データは、前記テストプロトコルに応答して生成されたデータを含む、先行する実施形態のいずれか1つによるテストシステム。
実施形態10:前記テストプロトコルは、予め定義されている、先行する実施形態のいずれか1つによるテストシステム。
実施形態11:前記データ駆動型モデルは、前記少なくとも1つのテストプロトコルを示す作動データ及びバッテリー性能入力データに基づいてパラメータ化される、先行する実施形態のいずれか1つによるテストシステム。
実施形態12:前記データ駆動型モデルは、将来のバッテリー性能を予測するために、前記少なくとも1つのテストプロトコルに従った過去及び将来の充電-放電サイクルの知識を使用する、先行する実施形態によるテストシステム。
実施形態13:前記データ駆動型モデルは、時間メモリを有し、及び/又は、前記データ駆動型モデルは、時間依存型モデルである、先行する実施形態のいずれか1つによるテストシステム。
実施形態14:前記テストプロトコルは、少なくとも1つのバッテリー性能テストに関する情報を含み、前記バッテリー性能テストは、異なる充電サイクル及び/又は放電サイクルの少なくとも1つのシーケンスを含み、前記バッテリー性能テストにおいて、放電-充電曲線は各サイクルについて決定される、先行する実施形態のいずれか1つによるテストシステム。
実施形態15:バッテリー性能テストは、顧客によって実行され、前記顧客は、前記通信インターフェースを介して前記テストシステムに前記バッテリー性能入力データを提供し、前記テストシステムは、前記状態変数の前記予測時系列の少なくとも一部を前記顧客に提供するように構成されている、先行する実施形態によるテストシステム。
実施形態16:前記テストシステムは、前記状態変数の前記予測時系列の少なくとも一部に関する情報を含む少なくとも1つの出力を出力するように構成された少なくとも1つの出力インターフェースを備える、先行する実施形態のいずれか1つによるテストシステム。
実施形態17:前記出力は、前記状態変数の経時的な展開を示す少なくとも1つのヒストグラムのうちの1つ以上を含み、前記出力は、さらに、バッテリー寿命の少なくとも1つの予測、及び/又は少なくとも1つの分類に関する情報を含む、先行する実施形態によるテストシステム。
実施形態18:前記テストシステムは、前記状態変数の前記予測時系列に応じて少なくとも1つの測定を実行するように構成され、前記測定は、勧告を発すること;警告を発すること;前記バッテリーのカソード材料の変更が要求されているという表示を発することのうちの1つ以上を含む、先行する実施形態のいずれか1つによるテストシステム。
実施形態19:前記バッテリー性能入力データは、放電-充電サイクルデータを含み、前記放電-充電サイクルデータは、少なくとも1つの充電-放電曲線を含む、先行する実施形態のいずれか1つによるテストシステム。
実施形態20:前記バッテリー性能入力データは、放電容量に関する情報;充電容量に関する情報;充電-放電曲線の形状に関する情報;平均電圧に関する情報;開回路電圧に関する情報;微分容量に関する情報;クーロン効率に関する情報;及び内部抵抗に関する情報のうちの1つ以上を含む、先行する実施形態のいずれか1つによるテストシステム。
実施形態21:前記バッテリー性能入力データは、カソード材料及びセル設定のうちの1つ以上に関するメタデータを含む、先行する実施形態のいずれか1つによるテストシステム。
実施形態22:前記処理装置は、前記バッテリー性能入力データを検証するように構成され、前記検証は、検索された前記バッテリー性能入力データが完全であるか、及び/又は前記バッテリー性能を決定するために十分なサイクルを含んでいるかを決定することを含む、先行する実施形態のいずれか1つによるテストシステム。
実施形態23:前記処理装置は、少なくとも1つの信頼性テストを実行するように構成され、前記信頼性テストにおいて、決定された前記状態変数は実験的なテスト結果と比較される、先行する実施形態のいずれか1つによるテストシステム。
実施形態24:少なくとも1つのテストプロトコルに基づいて、少なくとも1つのバッテリーについて少なくとも1つのバッテリー性能テストを実施するように構成されたテストリグであって、前記バッテリー性能テストは、異なる充電サイクル及び/又は放電サイクルの少なくとも1つのシーケンスを含み、前記バッテリー性能テストは、各サイクルについて放電-充電曲線を決定することを含み、前記テストリグは、テストプロトコルを示す作動データ及びバッテリー性能入力データを、先行する実施形態のいずれか1つによるテストシステムに提供するように構成された少なくとも1つの通信インターフェースを備えている、テストリグ。
実施形態25:テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定する少なくとも1つのデータ駆動型モデルを決定する方法であって、前記方法は、少なくとも1つの学習データセットで前記データ駆動型モデルを学習することを含み、前記学習データセットは、少なくとも1つの既知のバッテリー構成の充電及び放電サイクルの履歴データ及び少なくとも1つの既知のテストプロトコルを含む、方法。
実施形態26:前記方法は、以下のステップ:
- 少なくとも1つのランダム動的リザーバーを生成するステップと;
- 少なくとも1つの入力ユニット及び少なくとも1つの出力ユニットを決定するステップと;
- 入力-リザーバー接続及び出力-リザーバー接続を生成するステップと;
- 少なくとも1つの入力重み行列及び少なくとも1つのリザーバー重み行列を選択するステップと;
- 前記学習データを使用して前記データ駆動型モデルを学習することによって出力重みを決定するステップであって、前記出力重みは、回帰分析を使用して決定されるステップと、
を含む、先行する実施形態による方法。
- 少なくとも1つのランダム動的リザーバーを生成するステップと;
- 少なくとも1つの入力ユニット及び少なくとも1つの出力ユニットを決定するステップと;
- 入力-リザーバー接続及び出力-リザーバー接続を生成するステップと;
- 少なくとも1つの入力重み行列及び少なくとも1つのリザーバー重み行列を選択するステップと;
- 前記学習データを使用して前記データ駆動型モデルを学習することによって出力重みを決定するステップであって、前記出力重みは、回帰分析を使用して決定されるステップと、
を含む、先行する実施形態による方法。
実施形態27:テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータ実装方法であって、前記方法においては、テストシステムを参照する先行する実施形態のいずれか1つによる少なくとも1つのテストシステムが使用され、前記方法は、以下のステップ:
a)少なくとも1つの通信インターフェースを介して、少なくとも1つのテストプロトコルを示す作動データを検索するステップと;
b)前記通信インターフェースを介して、バッテリー性能入力データを検索するステップと;
c)処理装置を使用することによって、データ駆動型モデルを用いて前記バッテリー性能入力データ及び前記作動データに基づいて、バッテリー性能を示す状態変数の予測時系列を決定するステップと;
d)前記状態変数の予測時系列の少なくとも一部を提供するステップと、
を含む、コンピュータ実装方法。
a)少なくとも1つの通信インターフェースを介して、少なくとも1つのテストプロトコルを示す作動データを検索するステップと;
b)前記通信インターフェースを介して、バッテリー性能入力データを検索するステップと;
c)処理装置を使用することによって、データ駆動型モデルを用いて前記バッテリー性能入力データ及び前記作動データに基づいて、バッテリー性能を示す状態変数の予測時系列を決定するステップと;
d)前記状態変数の予測時系列の少なくとも一部を提供するステップと、
を含む、コンピュータ実装方法。
実施形態28:コンピュータ又はコンピュータネットワーク上で実行されたときに、コンピュータ又はコンピュータネットワークに、先行する実施形態によるテスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するための方法を完全に又は部分的に実行させるように構成されたコンピュータプログラムであって、前記コンピュータプログラムは、先行する実施形態によるテスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するための前記方法の少なくともステップa)~d)を実行ように構成されている、コンピュータプログラム。
実施形態29:バッテリー材料及び/又はバッテリー形状を最適化するための、実施形態27によるテスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータ実装方法の使用。
実施形態30:実施形態27の方法によって決定された状態変数の予測時系列の少なくとも一部を、バッテリー材料及び/又はバッテリー形状を最適化するためのシステムに提供する方法。
さらなる任意の特徴及び実施形態は、後続の実施形態の説明において、好ましくは従属請求項に関連して、より詳細に開示される。そこでは、それぞれの任意の特徴は、当業者が理解するように、分離された態様で、また任意の実行可能な組み合わせで実現されてよい。本発明の範囲は、好ましい実施形態によって制限されない。実施形態は、図に概略的に示されている。その中で、これらの図において同一の参照番号は、同一の又は機能的に互換可能な要素を示す。
本発明によるテストシステム及びテストリグの一実施形態を概略的に示す図である。
本発明によるテスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するための方法の一実施形態を概略的に示す図である。
本発明による方法を用いた予測と実験結果の比較を示す図である。
図4A、図4Bは、例示的な充電-放電曲線及びバッテリー性能入力データの抽出を示す図である。
実施形態の詳細説明:
図1は、テストでのバッテリー構成の開発中のバッテリー性能を決定するためのテストシステム110の実施形態を非常に概略的に示している。例示的なバッテリー112が示されている。バッテリー112は、再充電可能バッテリーであってよい。バッテリー112は:リチウムイオンバッテリー(Li-Ion);ニッケルカドミウム(Ni-Cd);ニッケル金属水素化物(Ni-MH)からなる群から選択され得る。例えば、バッテリーは:LiCoO2(コバルト酸リチウム);LiNixMnyCozO2(ニッケルマンガンコバルト酸リチウム)及びLiFePO4(リン酸鉄リチウム)からなる群から選択される少なくとも1つのカソード材料を含んでいてよい。例えば、バッテリーは:グラファイト、シリコンからなる群から選択される少なくとも1つのアノード材料を含んでいてよい。例えば、バッテリーは有機溶媒、例えば、エチレンカーボネート、ジメチルカーボネート、及びジエチルカーボネート中のLiPF6、LiBF4又はLiClO4、からなる群から選択される少なくとも1つの電解質を含んでいてよい。
図1は、テストでのバッテリー構成の開発中のバッテリー性能を決定するためのテストシステム110の実施形態を非常に概略的に示している。例示的なバッテリー112が示されている。バッテリー112は、再充電可能バッテリーであってよい。バッテリー112は:リチウムイオンバッテリー(Li-Ion);ニッケルカドミウム(Ni-Cd);ニッケル金属水素化物(Ni-MH)からなる群から選択され得る。例えば、バッテリーは:LiCoO2(コバルト酸リチウム);LiNixMnyCozO2(ニッケルマンガンコバルト酸リチウム)及びLiFePO4(リン酸鉄リチウム)からなる群から選択される少なくとも1つのカソード材料を含んでいてよい。例えば、バッテリーは:グラファイト、シリコンからなる群から選択される少なくとも1つのアノード材料を含んでいてよい。例えば、バッテリーは有機溶媒、例えば、エチレンカーボネート、ジメチルカーボネート、及びジエチルカーボネート中のLiPF6、LiBF4又はLiClO4、からなる群から選択される少なくとも1つの電解質を含んでいてよい。
テストシステム110は、少なくとも1つの通信インターフェース114を備えている。テストシステム110は、通信インターフェース114を介して、バッテリー112のバッテリー性能入力データを受信するように構成されている。通信インターフェース114は、バッテリー性能入力データを記憶するように構成された少なくとも1つのデータ記憶装置を備えることができる。通信インターフェース114は、特に、情報を転送又は交換するための手段を提供することができる。特に、通信インターフェース114は、データ転送接続、例えば、Bluetooth、NFC、誘導結合などを提供することができる。一例として、通信インターフェース114は、ネットワーク又はインターネットポート、USBポート及びディスクドライブのうちの1つ以上を含む少なくとも1つのポートであってよく、又はそれを含んでいてよい。通信インターフェース114は、少なくとも1つのウェブインターフェースであってよい。通信インターフェース114は:少なくとも1つのサーバ、複数のサーバを含む少なくとも1つのサーバシステム、少なくとも1つのクラウドサーバ又はクラウドコンピューティングインフラストラクチャからなる群から選択される少なくとも1つのデータベースであってよく、又はこれらを含んでよい。通信インターフェース114は、受信したバッテリー性能入力データを記憶するように構成された少なくとも1つの記憶ユニットを含んでいてよい。
バッテリー性能入力データは、テストプロトコルに応答して生成されたバッテリーの挙動及び/又は性能に関する情報を含むデータであり得る。バッテリー性能入力データは、少なくとも1つのテストプロトコルに応答して生成されたデータを含んでよい。バッテリー性能入力データは、生データ及び/又は前処理されたデータであってよく、又はこれらを含んでよい。バッテリー性能入力データは、少なくとも1つのテストプログラムを実行することによって決定されてよい。テストプログラムは、バッテリー112の少なくとも1つの放電-充電曲線を決定することを含んでよい。テストプログラムは、テストリグ116で実行されてよい。バッテリー性能入力データは、リアルタイムで又はバルク転送で遅延して通信インターフェース114を介してテストシステム110に転送されてよい。
バッテリー性能の入力データは、放電-充電サイクルデータを含み得る。放電-充電サイクルデータは、少なくとも1つの充電-放電曲線を含むことができる。バッテリー性能入力データは、放電容量に関する情報;充電容量に関する情報;充電-放電曲線の形状に関する情報;平均電圧に関する情報;開回路電圧に関する情報;微分容量に関する情報;クーロン効率に関する情報;及び内部抵抗に関する情報のうち1つ以上を含むことができる。バッテリー性能入力データは、カソード材料及びセル設定のうち1つ以上に関するメタデータを含むことができる。メタデータは、例えば、カソード材料及び/又はセル設定を考慮して、適切な学習済みモデル(trained model)を選択するために使用されてよい。
テストシステム110は、通信インターフェース114を介してテストプロトコルを示す作動データを受信するように構成されている。作動データは、テストリグ116においてバッテリー112について実行される少なくとも1つのテストプログラムに関する情報、特に作動条件、テストの順序、処理などのうちの1つ以上に関する情報を含んでいてよい。テスト装置116は、テスト中にバッテリーを収容するように構成されたバッテリー格納装置118と、バッテリーに複数の充電-放電サイクルを適用するように構成されたサイクルマシン120とを含むことができる。サイクルマシン120は、バッテリー性能の入力データを記録するように構成されてよい。少なくとも1つのテストプロトコルを示す作動データは、例えば、異なる充電サイクル及び/又は放電サイクルの少なくとも1つのシーケンスを含む。テストプロトコルは,テストプログラムの順序及び/又はテストプログラムのシーケンス及び/又は各テストプログラムの期間を定義することができる。テストプログラムのそれぞれは、少なくとも1つの充電-放電サイクルを含んでいてよく、テストプログラムのうち少なくとも2つの充電-放電サイクルは異なっていてよい。テストプロトコルは、少なくとも1つのバッテリー性能テストに関する情報を含むことができる。バッテリー性能テストは、異なる充電サイクル及び/又は放電サイクルの少なくとも1つのシーケンスを含むことができる。バッテリー性能テストにおいて、放電-充電曲線は、サイクルごとに決定されてよい。バッテリー性能テストは、顧客によって実施されてよい。顧客は、通信インターフェース114を介してテストシステム110にバッテリー性能入力データを提供することができる。
テストシステム110は、少なくとも1つの処理装置122を含む。処理装置122は、バッテリー性能入力データを検証するように構成され得る。処理装置122は、図1において参照番号124で示される少なくとも1つのデータ駆動型モデルを使用して、バッテリー性能入力データ及び作動データに基づいて、バッテリー性能を示す少なくとも1つの状態変数の少なくとも1つの予測時系列を決定するように構成されている。検証とは、検索されたバッテリー性能入力データが完全であるか、及び/又はバッテリー性能を決定するために十分なサイクルを含むかを決定することを含んでよい。検証は、バッテリー性能入力データをレビューすること、検査すること、又はテストすることの1つ以上を含むことができる。具体的には、検証は、検索されたバッテリー性能入力データが完全であるか、及び/又は、バッテリー性能の決定のために十分なサイクルを含むかを決定することを含んでよい。例えば、検証によって、検索されたバッテリー性能入力データが完全でないこと、及び/又はバッテリー性能を決定するのに十分なサイクルを含んでないことが明らかになった場合、通信インターフェース114を使用することによって、追加データを提供するように顧客に対して要求が発せられ得る。
状態変数は、少なくとも1つの充電-放電曲線から導出されてよく、又は導出可能であってもよい。状態変数は、放電容量;充電容量;充電-放電曲線の形状;平均電圧;開回路電圧;微分容量;クーロン効率;及び内部抵抗からなる群から選択される少なくとも1つの変数であってよい。状態変数は同時に使用され得る。
処理装置122は、将来の展開が予測される状態変数に応じて、バッテリー性能入力データから情報を選択するように構成されてよい。処理装置122は、将来の展開が予測される状態変数に応じて、バッテリー性能入力データをランク付けするように構成されてよい。例えば、状態変数は、放電容量であってよい。ランク付けは、以下の通りであってよい:以前のサイクルからの充電容量及び/又は以前のサイクルからの放電容量は、それらが、予測されるべき状態変数に非常に近いため、最も関連性が高いと考えられ得る。以前のサイクルからの充電曲線及び/又は放電曲線の形状、並びに内部抵抗は、以前のサイクルからの充電容量及び/又は以前のサイクルからの放電容量よりも関連性が低いと考えられ得る。内部抵抗などの他の状態変数については、ランキングが異なってよい。
状態変数の予測時系列は、少なくとも1つのデータ駆動型モデルを用いて決定された状態変数の予測時系列であり得る。バッテリーのバッテリー性能入力データは、実験データであってよい。状態変数の予測時系列は、データ駆動型モデルを使用することによって、決定、特に予測されることができ、ここで、バッテリー性能入力データは、データ駆動型モデルの入力として使用される。バッテリー性能入力データは、状態変数の予測時系列がそれに基づいて予測される実験データを含んでよい。さらに、予測時系列は、作動データに基づいて決定される。テストシステム110は、少なくとも1つの記憶装置を含み得、そこには、複数の異なるデータ駆動型モデルが記憶され得る。例えば、記憶装置は、異なるテストプロトコルのための異なるデータ駆動型モデルを含んでよい。特に、処理装置112は、バッテリーテストに使用されるテストプロトコルに基づいてデータ駆動型モデルを選択するように構成されてよい。追加的に又は代替的に、データ記憶装置は、予測される状態変数に応じて、異なるデータ駆動型モデルを含んでよい。処理装置112は、1つの状態変数又は複数の状態変数について予測時系列を決定するように構成されてよい。状態変数の任意の組み合わせの時系列も、同時に予測されることができる。
データ駆動型モデルは、実験データの分析から導出されてよい。データ駆動型モデルは、機械学習ツールであってよい。データ駆動型モデルは、少なくとも1つの学習済みモデルを含んでいてよい。例えば、データ駆動型モデルは、少なくとも1つの学習データセットで学習され、学習データセットは、少なくとも1つの既知のバッテリー構成の充放電サイクルの履歴データの時系列及び少なくとも1つの既知のテストプロトコルを含む。学習データセットは、バッテリーテストの複数の実験結果、例えばバッテリー性能を特徴付けるパラメータのうち1つ以上を含み得る。学習データセットは、異なるサイクルなど、少なくとも2つの時点において決定されたバッテリーテストの複数の実験結果を含み得る。モデルの学習のために、例えばテスト中の異なるバッテリーに関連する複数の学習データセットが使用され得る。
データ駆動型モデルは、特徴に基づくモデルであってよく、特徴又は特徴のサブセットバッテリー性能を予測するのに使用される。学習データは、学習済みモデルの特徴を選択するために使用されてよい。特徴の選択は、モデル構築で使用するために、関連する特徴のサブセット、特に変数及び予測子(predictor)を選択することを含んでよい。特徴の選択は、特定の時点、例えば充電又は放電曲線、内部抵抗、開回路電圧、微分容量の関連する時点における電気化学的側面を導き出すことを含むことができる。特徴は、材料クラスによる不規則性を考慮して選択されることができる。学習データは、生データを含んでいてよい。特徴の選択は、サイクルごとにステップごとなどのデータアグリゲーションを含むことができる。特徴は、電気化学の知識及び/又は応答と高い相関を有する特徴を保持するような従来の特徴選択方法を用いてよい。電気化学の知識は、例えば、関心の相転移が予想される電圧間隔に関する情報、及び、したがって、特徴が抽出されるべき曲線の領域に関する情報を含んでいてよい。
データ駆動型モデルは、少なくとも1つのエコーステートネットワークなどの少なくとも1つのリカレントニューラルネットワークを含んでよい。
処理装置122は、データ駆動型モデルを用いて状態変数の予測時系列を決定するための入力パラメータとして、バッテリー性能入力データを使用するように構成されてよい。テスト下のバッテリー112のバッテリー性能を決定するために、バッテリー性能入力データは、データ駆動型モデルへの入力として処理され、適用され得る。処理は、データアグリゲーションを含み得る。処理は、時系列がデータ駆動型モデルによって予測され、バッテリー性能を特徴付けるパラメータの少なくとも1つ(ターゲット状態変数としても示される)に関連する情報の選択を含み得る。この場合、データ駆動型モデルによって生成される出力は、ターゲット状態変数の予測時系列又は状態変数の行列であり得る。
処理装置122は、データ駆動型モデルを用いて状態変数の予測時系列を決定するための入力パラメータとして、バッテリー性能入力データを使用するように構成されてよい。具体的には、処理装置は、テストプロトコル及び/又は異なる充電サイクル及び/又は放電サイクルのシーケンスに関する受信情報に基づくなど、受信したバッテリー性能入力データに基づいて、少なくとも1つの適切なデータ駆動型モデルを選択するように構成されてよい。処理装置122は、複数のデータ駆動型モデルを含んでいてよく、そこでは、処理装置122は、テストプロトコルに応じて状態変数の予測時系列を決定するためのデータ駆動型モデルのうちの1つを選択するように構成されている。例えば、複数のデータ駆動型モデルのそれぞれは、異なるテストプロトコルを使用することによって導出されたデータで学習されてよい。モデルは、複雑さを制御する異なるフィッティングパラメータ及び異なるハイパーパラメータを有し得る。しかし、一般的な構造は、すべてのモデルで同じであってよい。最も適切なデータ駆動型モデルを選択するための他の基準も可能であり得る。例えば、処理装置122は、例えば材料特性に応じて複数のデータ駆動型モデルを含んでいてよい。処理装置122は、バッテリー性能入力データを分析するように構成されてよく、そこでは、分析は、少なくとも1つの材料特性を決定することを含む。処理装置122は、材料特性に基づいてデータ駆動型モデルの少なくとも1つを選択するように構成されてよい。材料特性に関する情報は、メタデータからなど、バッテリー性能入力データから決定されてよい。
処理装置122は、少なくとも1つの信頼性テストを実行するように構成され得、そこでは、決定された状態変数は実験的なテスト結果と比較される。信頼性テストにおいて、状態変数の予測時系列は、実験テスト結果と比較されてよい。異なるバッテリータイプ又は材料に関する実験結果は、少なくとも1つのデータストレージに保存され得、信頼性テストでの比較に使用され得る。
テストシステム110は、状態変数の予測時系列の少なくとも一部を提供するように構成されている。テストシステム110は、状態変数の予測時系列の少なくとも一部に関する情報を含む少なくとも1つの出力を出力するように構成された少なくとも1つの出力インターフェース126を含んでよい。図1では、通信インターフェース114と出力インターフェース126は同一である。出力は、状態変数の経時的な展開を示す少なくとも1つのヒストグラムのうちの1つ以上を含んでいてよい。出力は、さらに、バッテリー寿命の少なくとも1つの予測、及び/又は少なくとも1つの分類に関する情報を含んでいてよい。テストシステム110は、状態変数の予測時系列に応じて少なくとも1つの測定を実行するように構成されてもよく、測定は、勧告を発すること;警告を発すること;バッテリーのカソード材料の変更が要求されているという表示を発することのうち1つ以上を含んでいる。テストシステム110は、決定されたバッテリーの性能に関する少なくとも1つの情報をバッテリー112の顧客に提供するように構成されてよい。例えば、情報は、出力インターフェース126によって顧客に提供されてもよい。情報は、さらに、テストリグ116内のバッテリーのランキング、バッテリーの分類、カソード材料の分類、又は少なくとも1つの勧告のうち1つ以上を含んでいてよい。出力は、テストリグ116内のバッテリーのランキング、及び/又は、バッテリーの測定が停止され得る勧告を含むことができる。通信インターフェース114は、テストリグ116の状態を監視できるように構成されてよい。これにより、バッテリー性能の決定結果に基づいて、次の実験の準備及び設計を行うことができる。
テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータ実装方法の実施形態を図2に概略的に示す。
本方法は、以下のステップ:
- 少なくとも1つの通信インターフェースを介して少なくとも1つのテストプロトコルを示す作動データを取得し、通信インターフェースを介してバッテリー性能の入力データを検索するステップ(参照番号128で示される)と;
- 処理装置122を使用することによって、データ駆動型モデルを使用して、バッテリー性能入力データ及び前記作動データに基づいて、バッテリー性能を示す状態変数の予測時系列を決定するステップ(参照番号130で示される)と、
を含む。
- 少なくとも1つの通信インターフェースを介して少なくとも1つのテストプロトコルを示す作動データを取得し、通信インターフェースを介してバッテリー性能の入力データを検索するステップ(参照番号128で示される)と;
- 処理装置122を使用することによって、データ駆動型モデルを使用して、バッテリー性能入力データ及び前記作動データに基づいて、バッテリー性能を示す状態変数の予測時系列を決定するステップ(参照番号130で示される)と、
を含む。
本方法はさらに、意思決定のステップ132を含んでよく、テストシステム110の出力に応じて、顧客は、バッテリー112及び使用されるカソード材料が「良好」又は「不良」とみなされるかを決定することができる。カソード材料が「不良」とみなされる場合、顧客は、カソード材料の変更又は修正を進め、方法ステップa)から新たに開始することができる。したがって、方法ステップa)及びb)は、1回実行されてもよく、又は特に異なるバッテリー112及び/又は異なるカソード材料に対して、1回又は数回繰り返すなど、繰り返し実行されてもよい。
図3は、本発明による方法を用いた予測と実験結果との比較を示す図である。特に、日単位の時間tの関数としてのバッテリー容量cは、学習データセット134及び予測136について示されている。ここに示された予測では、入力として初期データ138が使用された。予測値と測定値の良好な一致を確認できる。図3では、モデルと実験の偏差は、200サイクル先で約2%であり、これは約3週間である。
図4Aは、テストリグ116で決定された例示的な充電-放電曲線、特に容量の関数としての電圧を示す図である。充電-放電曲線は、矢印aで示される放電容量などのバッテリー性能を示すいくつかのパラメータを決定するために使用されることができる。さらに、電圧降下(矢印bで表示される)が示され、これは内部抵抗を計算するために使用される。さらに、図4では、cで表示される平均電圧、dで表示されるdQ/dV曲線、eで表示される放電開回路電圧、fで表示される充電開回路電圧が示されている。図4Aは、さらに、gで表示される充電容量を示し、細い破線は定充電容量、太い破線は定電圧充電容量を示している。
図4Bは、2130回の充放電テストで得られた実験データからのバッテリー性能入力データの抽出を示している。具体的には、電圧と電流の経時変化が示されている。電流(細い実線)は、各充放電ステップの大部分で定電流が維持されるが、ステップ状に変化することが示されている。電圧曲線の中央にある二重の矢印は、モデルの入力として使用できる特徴の一部を示している。これらは、図4Bの水平線で示される、あらかじめ定義された電圧間隔にかかる充電中の容量の変化に対応している。電流降下は、バッテリーを平衡状態までリラックスさせる定電圧と休止のステップに対応する。
110 テストシステム
112 バッテリー
114 通信インターフェース
116 テストリグ
118 バッテリー格納装置
120 サイクルマシン
122 処理装置
124 データ駆動型モデル
126 出力インターフェース
128 データ検索
130 予測決定
132 意思決定
134 学習データセット
136 予測
138 早期データ
112 バッテリー
114 通信インターフェース
116 テストリグ
118 バッテリー格納装置
120 サイクルマシン
122 処理装置
124 データ駆動型モデル
126 出力インターフェース
128 データ検索
130 予測決定
132 意思決定
134 学習データセット
136 予測
138 早期データ
参照文献
Kristen A.Severson等による、「Data-driven prediction of battery cycle life before capacity degradation」,Nature Energy,https://doi.org/10.1038/s41560-019-0356-8」
US2019/0115778A1
“A Practical Guide to Applying Echo State Networks”,Mantas Lukosevicius,Neural Networksで公開:Tricks of the Trade 2012.
DOI:10.1007/978-3-642-35289-8_36;
http://minds.jacobs-university.de/uploads/papers/PracticalESN.pdf
WO2019/017991A1
Kristen A.Severson等による、「Data-driven prediction of battery cycle life before capacity degradation」,Nature Energy,https://doi.org/10.1038/s41560-019-0356-8」
US2019/0115778A1
“A Practical Guide to Applying Echo State Networks”,Mantas Lukosevicius,Neural Networksで公開:Tricks of the Trade 2012.
DOI:10.1007/978-3-642-35289-8_36;
http://minds.jacobs-university.de/uploads/papers/PracticalESN.pdf
WO2019/017991A1
Claims (24)
- テスト環境でのバッテリー構成の開発中のバッテリー性能を決定するためのテストシステム(110)であって、前記テストシステム(110)は、少なくとも1つの通信インターフェース(114)と、少なくとも1つの処理装置(122)とを備え、前記テストシステム(110)は、前記通信インターフェース(114)を介して少なくとも1つのテストプロトコルを示す作動データを受信するように構成され、前記テストシステム(110)は、前記通信インターフェース(114)を介してバッテリー性能入力データを受信するように構成され、前記処理装置(122)は、少なくとも1つのデータ駆動型モデルを使用して、前記バッテリー性能入力データ及び前記作動データに基づいて、バッテリー性能を示す少なくとも1つの状態変数の少なくとも1つの予測時系列を決定するように構成され、前記テストシステム(110)は、前記状態変数の前記予測時系列の少なくとも一部を提供するように構成されている、テストシステム(110)。
- 前記データ駆動型モデルは、少なくとも1つのエコーステートネットワークなどの少なくとも1つのリカレントニューラルネットワークを含む、請求項1に記載のテストシステム(110)。
- 前記状態変数は、少なくとも1つの充電-放電曲線から導出可能であって、前記状態変数は、放電容量;充電容量;充電-放電曲線の形状;平均電圧;開回路電圧;微分容量;クーロン効率;及び内部抵抗からなる群から選択される少なくとも1つの変数である、請求項1又は2に記載のテストシステム(110)。
- 少なくとも1つのテストプロトコルを示す前記作動データは、異なる充電サイクル及び/又は放電サイクルの少なくとも1つのシーケンスを含む、請求項1~3のいずれか1項に記載のテストシステム(110)。
- 前記データ駆動型モデルは、少なくとも1つの学習データセットで学習され、前記学習データセットは、少なくとも1つの既知のバッテリー構成の充放電サイクルの履歴データの時系列、及び、少なくとも1つの既知のテストプロトコルを含む、請求項1~4のいずれか1項に記載のテストシステム(110)。
- 前記処理装置(122)は、前記データ駆動型モデルを用いて前記状態変数の前記予測時系列を決定するため、入力パラメータとして前記テストプロトコルを使用するように構成され、及び/又は、前記処理装置(122)は、複数のデータ駆動型モデルを含み、前記処理装置(122)は、前記テストプロトコルに応じて前記状態変数の前記予測時系列を決定するために前記データ駆動型モデルのうちの1つを選択するように構成されている、請求項1~5のいずれか1項に記載のテストシステム(110)。
- 前記処理装置(122)は、前記データ駆動型モデルを用いて前記状態変数の前記予測時系列を決定するために、入力パラメータとして前記バッテリー性能入力データを使用するように構成されている、請求項1~6のいずれか1項に記載のテストシステム(110)。
- 前記処理装置(122)は、複数のデータ駆動型モデルを含み、前記処理装置(122)は、前記バッテリー性能入力データを分析するように構成され、前記分析は、少なくとも1つの材料特性を決定することを含み、前記データ駆動型モデルの少なくとも1つは、前記材料特性に基づいて選択される、請求項7に記載のテストシステム(110)。
- 前記バッテリー性能入力データは、前記テストプロトコルに応答して生成されたデータを含む、請求項1~8のいずれか1項に記載のテストシステム(110)。
- 前記テストプロトコルは、予め定義されている、請求項1~9のいずれか1項に記載のテストシステム(110)。
- 前記データ駆動型モデルは、前記少なくとも1つのテストプロトコルを示す作動データ及びバッテリー性能入力データに基づいてパラメータ化される、請求項1~10のいずれか1項に記載のテストシステム(110)。
- 前記データ駆動型モデルは、将来のバッテリー性能を予測するために、前記少なくとも1つのテストプロトコルに従った過去及び将来の充電-放電サイクルの知識を使用する、請求項11に記載のテストシステム(110)。
- 前記データ駆動型モデルは、時間メモリを有し、及び/又は、前記データ駆動型モデルは、時間依存型モデルである、請求項1~12のいずれか1項に記載のテストシステム(110)。
- 前記テストプロトコルは、少なくとも1つのバッテリー性能テストに関する情報を含み、前記バッテリー性能テストは、異なる充電サイクル及び/又は放電サイクルの少なくとも1つのシーケンスを含み、前記バッテリー性能テストにおいて、放電-充電曲線は各サイクルについて決定される、請求項1~13のいずれか1項に記載のテストシステム(110)。
- 前記バッテリー性能入力データは、放電-充電サイクルデータを含み、前記放電-充電サイクルデータは、少なくとも1つの充電-放電曲線を含む、請求項1~14のいずれか1項に記載のテストシステム(110)。
- 前記バッテリー性能入力データは、放電容量に関する情報;充電容量に関する情報;充電-放電曲線の形状に関する情報;平均電圧に関する情報;開回路電圧に関する情報;微分容量に関する情報;クーロン効率に関する情報;及び内部抵抗に関する情報のうちの1つ以上を含む、請求項1~15のいずれか1項に記載のテストシステム(110)。
- 前記バッテリー性能入力データは、カソード材料及びセル設定のうちの1つ以上に関するメタデータを含む、請求項1~16のいずれか1項に記載のテストシステム(110)。
- 少なくとも1つのテストプロトコルに基づいて、少なくとも1つのバッテリー(112)について少なくとも1つのバッテリー性能テストを実施するように構成されたテストリグ(116)であって、前記バッテリー性能テストは、異なる充電サイクル及び/又は放電サイクルの少なくとも1つのシーケンスを含み、前記バッテリー性能テストは、各サイクルについて放電-充電曲線を決定することを含み、前記テストリグ(116)は、テストプロトコルを示す作動データ及びバッテリー性能入力データを、請求項1~17のいずれか1つによる少なくとも1つのテストシステムに提供するように構成された少なくとも1つの通信インターフェースを備えている、テストリグ(116)。
- テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定する少なくとも1つのデータ駆動型モデルを決定する方法であって、前記方法は、少なくとも1つの学習データセットで前記データ駆動型モデルを学習することを含み、前記学習データセットは、少なくとも1つの既知のバッテリー構成の充電及び放電サイクルの履歴データ及び少なくとも1つの既知のテストプロトコルを含む、方法。
- 以下のステップ:
- 少なくとも1つのランダム動的リザーバーを生成するステップと;
- 少なくとも1つの入力ユニット及び少なくとも1つの出力ユニットを決定するステップと;
- 入力-リザーバー接続及び出力-リザーバー接続を生成するステップと;
- 少なくとも1つの入力重み行列及び少なくとも1つのリザーバー重み行列を選択するステップと;
- 前記学習データを使用して前記データ駆動型モデルを学習することによって出力重みを決定するステップであって、前記出力重みは、回帰分析を使用して決定されるステップと、
を含む、請求項19に記載の方法。 - テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータ実装方法であって、前記方法においては、請求項1~17のいずれか1項による少なくとも1つのテストシステム(110)が使用され、前記方法は、以下のステップ:
a)少なくとも1つの通信インターフェース(114)を介して、少なくとも1つのテストプロトコルを示す作動データを検索するステップと;
b)前記通信インターフェース(114)を介して、バッテリー性能入力データを検索するステップと;
c)処理装置(122)を使用することによって、データ駆動型モデルを用いて前記バッテリー性能入力データ及び前記作動データに基づいて、バッテリー性能を示す状態変数の予測時系列を決定するステップと;
d)前記状態変数の前記予測時系列の少なくとも一部を提供するステップと、
を含む、コンピュータ実装方法。 - テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータプログラムであって、コンピュータ又はコンピュータネットワーク上で実行されたときに、コンピュータ又はコンピュータネットワークに、請求項21による、テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するための方法を実行させるように構成され、前記コンピュータプログラムは、請求項21によるテスト環境におけるバッテリー構成の開発中のバッテリー性能を決定する前記方法の少なくともステップa)~d)を実行ように構成されている、コンピュータプログラム。
- バッテリー材料及び/又はバッテリー形状を最適化するための、請求項21による、テスト環境におけるバッテリー構成の開発中のバッテリー性能を決定するためのコンピュータ実装方法の使用。
- 請求項21の方法によって決定された前記状態変数の前記予測時系列の少なくとも一部を、バッテリー材料及び/又はバッテリー形状を最適化するためのシステムに提供する方法。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19207777 | 2019-11-07 | ||
EP19207777.4 | 2019-11-07 | ||
PCT/EP2020/081300 WO2021089786A1 (en) | 2019-11-07 | 2020-11-06 | Battery performance prediction |
JP2022526393A JP7497432B2 (ja) | 2019-11-07 | 2020-11-06 | バッテリー性能予測 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022526393A Division JP7497432B2 (ja) | 2019-11-07 | 2020-11-06 | バッテリー性能予測 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024059625A true JP2024059625A (ja) | 2024-05-01 |
Family
ID=68502957
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022526393A Active JP7497432B2 (ja) | 2019-11-07 | 2020-11-06 | バッテリー性能予測 |
JP2024010431A Withdrawn JP2024059625A (ja) | 2019-11-07 | 2024-01-26 | バッテリー性能予測 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022526393A Active JP7497432B2 (ja) | 2019-11-07 | 2020-11-06 | バッテリー性能予測 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220373601A1 (ja) |
EP (1) | EP4055399A1 (ja) |
JP (2) | JP7497432B2 (ja) |
KR (1) | KR20220073829A (ja) |
CN (1) | CN114651183A (ja) |
WO (1) | WO2021089786A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023283341A2 (en) * | 2021-07-08 | 2023-01-12 | The Regents Of The University Of Michigan | Early-life diagnostics for fast battery formation protocols and their impacts to long-term aging |
EP4123321A1 (de) * | 2021-07-23 | 2023-01-25 | Siemens Aktiengesellschaft | Verfahren, vorrichtung und computerprogrammprodukt zur restwertbestimmung von batteriespeichern |
EP4123319B1 (de) | 2021-07-23 | 2024-02-14 | Siemens Aktiengesellschaft | Verfahren, vorrichtung und computerprogrammprodukt zur lebensdauerabschätzung von batteriespeichern |
EP4123320B1 (de) * | 2021-07-23 | 2024-03-13 | Siemens Aktiengesellschaft | Verfahren zum bestimmen eines kapazitätsverlusts eines batteriespeichers, vorrichtung und computerprogrammprodukt |
US20230117908A1 (en) * | 2021-10-14 | 2023-04-20 | Arm Limited | Battery cell monitoring systems, battery packs, and methods of operation of the same |
CN114966413B (zh) * | 2022-05-27 | 2023-03-24 | 深圳先进技术研究院 | 一种储能电池包的荷电状态预测方法 |
KR20230167664A (ko) * | 2022-06-02 | 2023-12-11 | 주식회사 엘지에너지솔루션 | 배터리 셀 수명 진단 장치 및 그것의 동작 방법 |
CN116148681A (zh) * | 2023-04-24 | 2023-05-23 | 北京和瑞储能科技有限公司 | 一种铁-铬液流电池性能预测方法 |
CN117725389B (zh) * | 2024-02-08 | 2024-06-21 | 宁德时代新能源科技股份有限公司 | 电池出站方法及电池出站*** |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100936892B1 (ko) * | 2007-09-13 | 2010-01-14 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
KR102424528B1 (ko) * | 2015-06-11 | 2022-07-25 | 삼성전자주식회사 | 배터리의 상태를 추정하는 장치 및 방법 |
TWI727957B (zh) | 2015-06-26 | 2021-05-21 | 國立研究開發法人宇宙航空研究開發機構 | 電池之充電狀態或放電深度之推定方法及系統 |
US10191116B2 (en) * | 2015-10-15 | 2019-01-29 | Johnson Controls Technology Company | Battery test system for predicting battery test results |
WO2018016531A1 (ja) | 2016-07-21 | 2018-01-25 | 日立化成株式会社 | 二次電池システム |
US11691518B2 (en) | 2017-07-21 | 2023-07-04 | Quantumscape Battery, Inc. | Predictive model for estimating battery states |
US11226374B2 (en) | 2017-10-17 | 2022-01-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven model for lithium-ion battery capacity fade and lifetime prediction |
US10992156B2 (en) | 2017-10-17 | 2021-04-27 | The Board Of Trustees Of The Leland Stanford Junior University | Autonomous screening and optimization of battery formation and cycling procedures |
US11171498B2 (en) * | 2017-11-20 | 2021-11-09 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge estimation |
JP2019190905A (ja) | 2018-04-20 | 2019-10-31 | 株式会社Gsユアサ | 状態推定方法、及び状態推定装置 |
-
2020
- 2020-11-06 CN CN202080077333.8A patent/CN114651183A/zh active Pending
- 2020-11-06 EP EP20799964.0A patent/EP4055399A1/en active Pending
- 2020-11-06 KR KR1020227014915A patent/KR20220073829A/ko unknown
- 2020-11-06 WO PCT/EP2020/081300 patent/WO2021089786A1/en unknown
- 2020-11-06 US US17/774,169 patent/US20220373601A1/en active Pending
- 2020-11-06 JP JP2022526393A patent/JP7497432B2/ja active Active
-
2024
- 2024-01-26 JP JP2024010431A patent/JP2024059625A/ja not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
CN114651183A (zh) | 2022-06-21 |
EP4055399A1 (en) | 2022-09-14 |
JP2023501995A (ja) | 2023-01-20 |
WO2021089786A1 (en) | 2021-05-14 |
JP7497432B2 (ja) | 2024-06-10 |
KR20220073829A (ko) | 2022-06-03 |
US20220373601A1 (en) | 2022-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7497432B2 (ja) | バッテリー性能予測 | |
Park et al. | LSTM-based battery remaining useful life prediction with multi-channel charging profiles | |
US12034319B2 (en) | Server-side characterization of rechargeable batteries | |
Chen et al. | State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network | |
Li et al. | Data-driven health estimation and lifetime prediction of lithium-ion batteries: A review | |
Chen et al. | A novel state-of-charge estimation method of lithium-ion batteries combining the grey model and genetic algorithms | |
US20200386819A1 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
US10992156B2 (en) | Autonomous screening and optimization of battery formation and cycling procedures | |
CN110806540B (zh) | 电芯测试数据处理方法、装置、***和存储介质 | |
Fei et al. | Early-stage lifetime prediction for lithium-ion batteries: A deep learning framework jointly considering machine-learned and handcrafted data features | |
Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
CN117595462A (zh) | 一种二次储能电池组的自适应充放电控制***及其控制方法 | |
Vatani et al. | Cycling lifetime prediction model for lithium-ion batteries based on artificial neural networks | |
Bhatt et al. | Machine learning approach to predict the second-life capacity of discarded ev batteries for microgrid applications | |
Fouka et al. | A Machine Learning Framework for Li-Ion Battery Lifetime Prognostics | |
Lin et al. | Li-ion battery state of health prediction based on long short-term memory recurrent neural network | |
Meis et al. | Guide for the Focused Utilization of Aging Models for Lithium-Ion Batteries-An Automotive Perspective | |
Bockrath et al. | Generalized State of Health Estimation Approach based on Neural Networks for Various Lithium-Ion Battery Chemistries | |
Basia et al. | Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries | |
Geslin et al. | Battery lifetime predictions: information leakage from unblinded training | |
Jafari et al. | Accurate remaining useful life estimation of lithium-ion batteries in electric vehicles based on a measurable feature-based approach with explainable AI | |
Sui et al. | Early Prediction of Lithium-Ion Batteries Lifetime via Few-Shot Learning | |
Elouazzani et al. | Advancing Lithium-Ion Battery Management with Deep Learning: A Comprehensive Review | |
Pyne et al. | Toward the Use of Operational Cycle Data for Capacity Estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240216 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240216 |
|
A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20240628 |