JP4038788B2 - バッテリの残存容量判定方法と、その装置 - Google Patents
バッテリの残存容量判定方法と、その装置 Download PDFInfo
- Publication number
- JP4038788B2 JP4038788B2 JP2002047209A JP2002047209A JP4038788B2 JP 4038788 B2 JP4038788 B2 JP 4038788B2 JP 2002047209 A JP2002047209 A JP 2002047209A JP 2002047209 A JP2002047209 A JP 2002047209A JP 4038788 B2 JP4038788 B2 JP 4038788B2
- Authority
- JP
- Japan
- Prior art keywords
- battery
- neural network
- remaining capacity
- deterioration state
- determination
- 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.)
- Expired - Lifetime
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Description
【発明の属する技術分野】
この発明は、バッテリの稼動パラメータを計測し、バッテリの劣化状態、残存容量をリアルタイムに適確に自動判定することができるバッテリの残存容量判定方法と、その装置に関する。
【0002】
【従来の技術】
人力による駆動力を電気的に補助する電動自転車や、エンジンによる駆動力を電気的に補助する電気自動車(いわゆるハイブリッドカー)が普及しつつある。
【0003】
一方、電動自転車や電気自動車に使用されるバッテリは、密閉構造のシール形鉛蓄電池が主流となって来ている。シール形鉛蓄電池は、液漏れがないので、設置方向を問わず、メインテナンスフリーの運転が可能であるからである。
【0004】
【発明が解決しようとする課題】
かかる従来技術によるときは、シール形鉛蓄電池は、電解液の比重測定が不可能であるため、その劣化状態や残存容量を判定することが容易でないという問題があった。なお、バッテリの劣化状態や残存容量の判定ができないと、バッテリの交換時期や充電時期を誤るおそれがあり、システムの円滑な稼動を阻害する可能性がある。
【0005】
そこで、この発明の目的は、かかる従来技術の問題に鑑み、ニューラルネットワークを使用することによって、稼動中のバッテリの劣化状態、残存容量をリアルタイムに適確に自動判定することができるバッテリの残存容量判定方法と、その装置を提供することにある。
【0006】
【課題を解決するための手段】
かかる目的を達成するためのこの出願に係る第1発明の構成は、稼動中のバッテリの残存容量を自動判定するに際し、バッテリの劣化状態の判定論理を第1のニューラルネットワークに学習させ、バッテリの残存容量の判定論理を第2のニューラルネットワークに学習させ、バッテリの稼動パラメータとしての電圧、電流、内部インピーダンス、温度に基づき、第1のニューラルネットワークによってバッテリの劣化状態を判定し、バッテリの稼動パラメータと第1のニューラルネットワークの判定結果とに基づき、第2のニューラルネットワークによってバッテリの残存容量を判定することをその要旨とする。
【0007】
第2発明の構成は、バッテリの稼動パラメータとしての電圧、電流、内部インピーダンス、温度を計測する計測ユニットと、バッテリの劣化状態の判定論理を学習させた第1のニューラルネットワークと、バッテリの残存容量の判定論理を学習させた第2のニューラルネットワークとを備えてなり、第1のニューラルネットワークは、計測ユニットからの稼動パラメータに基づいてバッテリの劣化状態を判定し、第2のニューラルネットワークは、計測ユニットからの稼動パラメータと第1のニューラルネットワークの判定結果とに基づいてバッテリの残存容量を判定することをその要旨とする。
【0008】
なお、第1、第2のニューラルネットワークは、それぞれ応答関数をシグモイド関数とする3層フィードフォワードネットワークとし、学習則としてバックプロパゲーション法を適用することができる。
【0009】
また、第1のニューラルネットワークは、出力層のニューロン数を3に設定してもよく、第2のニューラルネットワークは、出力層のニューロン数を10に設定してもよく、第1、第2のニューラルネットワークは、それぞれの中間層のニューロン数を20〜80に設定してもよい。
【0010】
さらに、計測ユニットは、バッテリの稼動パラメータを周期的にサンプリングして計測することができる。
【0011】
【作用】
かかる第1発明の構成によるときは、バッテリの稼動パラメータに基づいて、第1のニューラルネットワークによってバッテリの劣化状態を判定し、第2のニューラルネットワークによってバッテリの残存容量を判定することができる。ただし、第1、第2のニューラルネットワークは、それぞれ事前にバッテリの劣化状態、残存容量の判定論理を学習させるものとする。ちなみに、バッテリの劣化状態、残存容量は、一般にバッテリの電圧、電流、内部インピーダンス、温度をパラメータとして判定することができるが、それぞれのパラメータの相関関係が複雑であり、数式化が困難である。そこで、ニューラルネットワークに対し、さまざまな劣化状態、残存容量のバッテリのパラメータを組合せパターンとして入力させることにより、バッテリの劣化状態、残存容量の判定論理を個別に学習させ、学習済みのニューラルネットワークにバッテリの稼動パラメータを入力することにより、稼動中のバッテリの劣化状態、残存容量をリアルタイムに自動判定することができる。
【0012】
なお、バッテリの残存容量は、バッテリのパラメータに加えて、バッテリの劣化状態によっても大きく左右されるから、ニューラルネットワークは、劣化状態判定用の第1のニューラルネットワークと、第1のニューラルネットワークの判定結果を利用する残存容量判定用の第2のニューラルネットワークとを準備するものとする。また、ニューラルネットワークの学習の際には、バッテリの実際の稼働状況を模擬するようにバッテリの負荷状態を変化させ、バッテリのパラメータの組合せパターンを時系列的にサンプリングして、十分多くのデータを集積する。ただし、データ集積に使用するバッテリは、自動判定の対象となるバッテリと同一メーカ、同一形式のものについて、種々の劣化状態、残存容量のものを集めることが好ましい。
【0013】
第2発明の構成によるときは、劣化状態判定用の第1のニューラルネットワーク、残存容量判定用の第2のニューラルネットワークは、それぞれバッテリの劣化状態、残存容量の判定論理を学習済みであるから、計測ユニットからの稼動パラメータを入力することにより、稼動中のバッテリの劣化状態、残存容量をリアルタイムに自動判定することができる。
【0014】
第1、第2のニューラルネットワークは、3層フィードフォワードネットワークとし、各層のニューロンの応答関数をシグモイド関数とし、学習則としてバックプロパゲーション法を適用することによって、計算手法が確立されているたとえば最急降下法による前向き演算、後向き演算を実行して劣化状態、残存容量の各判定論理を速やかに学習させることができる。ただし、各ニューラルネットワークの入力層には、計測ユニットからの稼動パラメータなどを実数0〜1に正規化して与えるものとする。各ニューラルネットワークを学習させる際のバッテリのパラメータなどについても、全く同様である。
【0015】
第1のニューラルネットワークの出力層のニューロン数を3に設定すれば、出力層の各ニューロンをバッテリの劣化状態の「正常」、「注意」、「劣化」の3段階に対応させることができる。ただし、劣化状態の「正常」、「注意」、「劣化」とは、満充電したバッテリの放電終止電圧までの放電容量が新品のバッテリのたとえば80%超過、60〜80%、60%未満の場合をいう。
【0016】
第2のニューラルネットワークの出力層のニューロン数を10に設定すれば、出力層の各ニューロンに対し、バッテリの残存容量の0〜100%を10%ごとの帯域に分割して対応させることができる。
【0017】
第1、第2のニューラルネットワークは、それぞれの中間層のニューロン数を20〜80に設定することが好ましい。ニューロン数が20未満では、バッテリの劣化状態、残存容量の判定精度が実用レベルを割り込むおそれがあり、80超過では、学習や判定の際の計算時間が過大になるからである。なお、一般に、中間層のニューロン数は、約50が最適である。ニューロン数50以上としても、計算時間が増大するだけで判定精度の顕著な向上を期待することができないからである。
【0018】
計測ユニットは、バッテリの稼動パラメータを周期的にサンプリングして計測することによって、第1のニューラルネットワークに対して稼動パラメータの時系列的な組合せパターンを入力し、第1のニューラルネットワークによるバッテリの劣化状態の判定精度を一層向上させることができる。
【0019】
計測ユニットは、バッテリの内部インピーダンスを計測することにより、劣化の進行によって増大する内部インピーダンスの影響を劣化状態、残存容量の判定結果に適切に反映させることができる。なお、このときの第1、第2のニューラルネットワークは、それぞれの判定論理の学習の際にも、バッテリのパラメータとして内部インピーダンスを入力させることは、いうまでもない。
【0020】
【発明の実施の形態】
以下、図面を以って発明の実施の形態を説明する。
【0021】
バッテリの残存容量判定装置10は、第1のニューラルネットワーク11、第2のニューラルネットワーク12に対し、計測ユニット13を前置してなる(図1)。なお、第1、第2のニューラルネットワーク11、12の出力には、それぞれ表示手段11a、12aが接続されている。
【0022】
稼動中のバッテリBは、コントローラCを介し、負荷としてのモータMに給電している。ただし、バッテリBは、図示しない発電機、充電器を介し、随時フローティング充電されていてもよい。
【0023】
計測ユニット13は、稼動中のバッテリBの稼動パラメータとして、バッテリBの電圧V、電流I、内部インピーダンスZ、温度Tを周期的にサンプリングして計測することができる。なお、バッテリBの内部インピーダンスZは、たとえばAC1kHz 、100mAの測定信号をバッテリBに加えて計測する。また、温度Tは、バッテリBの内部温度に代えて、表面温度または周囲温度を使用してもよい。
【0024】
計測ユニット13からの稼動パラメータは、第1、第2のニューラルネットワーク11、12に並列に分岐入力されている。また、第1のニューラルネットワーク11の出力は、バッテリBの劣化状態Dとして、表示手段11a、第2のニューラルネットワーク12に分岐入力されており、第2のニューラルネットワーク12の出力は、バッテリBの残存容量Rとして、表示手段12aに入力されている。
【0025】
第1のニューラルネットワーク11は、十分多数のニューロンを備える入力層L1 と、ニューロン数50の中間層L2 と、ニューロン数3の出力層L3 とを有する3層フィードフォワードネットワークである(図2)。なお、各ニューロンの応答関数は、シグモイド関数とし、ネットワークの学習則は、バックプロパゲーション法を適用するものとする。
【0026】
入力層L1 の各ニューロンには、計測ユニット13によって周期的にサンプリングして計測されるバッテリBの稼動パラメータ、すなわち電圧V、電流I、内部インピーダンスZ、温度Tがそれぞれ実数0〜1に正規化され、時刻t、(t−δ)、(t−2δ)…ごとの時系列的な組合せパターンとして入力されている。ただし、δは、計測ユニット13のサンプル周期であり、図2の符号13a、13a…は、サンプル周期δを表わす仮想の時間遅れである。また、出力層L3 の各ニューロンは、バッテリBの劣化状態Dの「正常」、「注意」、「劣化」に対応付けられている。そこで、表示手段11aは、第1のニューラルネットワーク11によるバッテリBの劣化状態Dの判定結果を「正常」、「注意」、「劣化」に区分して表示することができる。
【0027】
第2のニューラルネットワーク12は、ニューロン数5の入力層L1 と、ニューロン数50の中間層L2 と、ニューロン数10の出力層L3 とを有する3層フィードフォワードネットワークである(図3)。ただし、各ニューロンの応答関数、ネットワークの学習則は、第1のニューラルネットワーク11のそれらと同一である。入力層L1 の各ニューロンには、時刻tにおけるバッテリBの稼動パラメータと、第1のニューラルネットワーク11からのバッテリBの劣化状態Dとがそれぞれ実数0〜1に正規化されて入力されており、出力層L3 の各ニューロンには、バッテリBの残存容量R=0〜100%が10%ごとの帯域に分割されて対応付けられている。そこで、表示手段12aは、第2のニューラルネットワーク12によるバッテリBの残存容量R(%)の判定結果を10%ごとに区分して表示することができる。
【0028】
第1、第2のニューラルネットワーク11、12には、それぞれバッテリBの劣化状態D、残存容量Rの判定論理を学習させる必要がある。ただし、以下の説明において、バッテリBは、電動自転車に使用するアメリカHawker Batteries社製シール形鉛蓄電池CYCLON X(12V、5Ah)とする。なお、このバッテリの定格容量0.5A×10h=5.0Ah、満充電電圧13.8V、放電終止電圧10.8Vである。
【0029】
バッテリBと同一メーカ、同一形式であって、劣化状態Dが「正常」、「注意」、「劣化」相当のバッテリを各50個、10個、10個、計70個を用意し、稼動中のバッテリBの負荷状態を模擬した変動負荷を印加して(図4)、バッテリのパラメータ、すなわち電圧V、電流I、内部インピーダンスZ、温度Tの組合せパターンを時系列的にサンプリングして計測し、第1、第2のニューラルネットワーク11、12の各入力層L1 に与えるとともに、「正常」、「注意」、「劣化」の劣化状態Dと、各バッテリの残存容量R(%)とを教師信号として第1、第2のニューラルネットワーク11、12の各出力層L3 に与え、第1、第2のニューラルネットワーク11、12を学習させた。ただし、図4は、時刻tの経過に対する電流I(A)の変化パターンを示し、同図において、T1 =T2 =30秒、T3 =90秒、T4 =6秒、T=T1 +T2 +T3 =150秒である。また、図5は、3秒ごとに通電、無通電を繰り返す電流Iの各通電サイクルにおける電圧V、電流I、内部インピーダンスZ、温度Tの計測タイミングを示している。
【0030】
図6は、このようにして3秒ごとにパラメータをサンプリングして集積した場合、サンプリング数nに対する「正常」なバッテリの電圧V、内部インピーダンスZの変化の一例である。ただし、同図には、電流Iの通電パターンも、負極性にして併せて図示されている。図6によれば、サンプリング数n≒1500において、内部インピーダンスZが過大になり、電圧Vが放電終止電圧に到達している。そこで、劣化状態Dが「正常」なバッテリの理論的な残存容量R(%)は、サンプリング数nに対し、図7のように規定することができる。また、劣化状態Dが「注意」、「劣化」のバッテリの残存容量R(%)は、充電電流0.5Aにて満充電になるまでに要する時間(h)を測定し、電流0.5Aにおける定格容量10hに対する割合を求めて実測することができる。
【0031】
以上のようにしてバッテリBの劣化状態Dの判定論理を学習させた第1のニューラルネットワーク11を使用して、稼動中のバッテリBの劣化状態Dを判定した(図8)。ただし、同図において、「単発」とは、図2において、バッテリBの電圧V、電流I、内部インピーダンスZ、温度Tの稼動パラメータとして、特定の時刻tにおける1組の組合せパターンのみを使用した場合を示し、「15秒間」、「30秒間」とは、計測ユニット13のサンプル周期δ=3秒として、それぞれ15秒間、30秒間における稼動パラメータの連続的な5組、10組の組合せパターンを使用した場合を示している。図8によれば、第1のニューラルネットワーク11は、バッテリBの稼動パラメータを30秒間に亘って周期的にサンプリングすることにより、稼動中のバッテリBの劣化状態Dを殆ど誤りなく判定可能であることがわかる。
【0032】
バッテリBの残存容量Rの判定論理を学習させた第2のニューラルネットワーク12による稼動中のバッテリBの判定試験結果を図9に示す。なお、このとき、第2のニューラルネットワーク12には、第1のニューラルネットワーク11によるバッテリBの劣化状態Dの判定結果が併せ入力されている(図1、図3)。図9において、横軸は、3秒ごとのサンプリング数nを示し、縦軸は、残存容量R(%)を示している。また、同図(A)、(B)、(C)は、それぞれ劣化状態Dが「正常」、「注意」、「劣化」のバッテリBについての試験結果であり、影付きのパターンは、それぞれのバッテリBの理論的な残存容量R(%)を示し、実線は、第2のニューラルネットワーク12による判定結果を示す。
【0033】
なお、図9の残存容量R(%)は、第2のニューラルネットワーク12に入力される稼動パラメータとしての電流I≠5Aのとき、第2のニューラルネットワーク12によって算出された残存容量Rc (%)を電流I=5Aにおける残存容量R(%)に換算して示している(図10)。たとえば、稼動パラメータとしての電流I=7.5Aのとき、第2のニューラルネットワーク12からの残存容量Rc =20%であると、電流I=5Aにおける残存容量R≒30%である。
【0034】
図9によれば、「正常」なバッテリBについては、その容量の全領域について十分正確な残存容量R(%)の判定が可能である。一方、「注意」、「劣化」のバッテリBについては、それぞれサンプリング数n=400、600付近、サンプリング数n=250、400付近において判定結果が部分的に乱れる他、同様の良好な判定が可能である。しかしながら、このような特定領域における乱れは、適当なフィルタ処理を行なって簡単に除去することができる。
【0035】
以上の説明において、第1、第2のニューラルネットワーク11、12には、それぞれバッテリBの劣化状態D、残存容量Rの判定論理が事前に記憶されていれば十分である。よって、第1、第2のニューラルネットワーク11、12は、それぞれに対して判定論理を実際に学習させる必要はなく、事前に確立された判定論理をそのまま記憶させ、学習済みのネットワークとして、バッテリBを使用する電動自転車や電気自動車などに計測ユニット13とともに搭載して使用すればよい。
【0036】
また、第1、第2のニューラルネットワーク11、12は、計測ユニット13を使用して集積する稼動中のバッテリBの稼動パラメータを利用して、既に記憶している判定論理を修正学習させてもよい。新品のバッテリBを満充電した場合、計測ユニット13は、「正常」なバッテリBの任意の残存容量Rに対する稼動パラメータと教師信号とを容易に計測して取得することができるから、これを利用して判定論理を修正すれば、第1、第2のニューラルネットワーク11、12は、バッテリBの製品ばらつきや、判定論理を確立した際の模擬負荷状態と現実の負荷状態との差などに基づく判定精度の低下要因を有効に是正することができる。
【0037】
なお、この発明は、シール形鉛蓄電池の他、開放形鉛蓄電池、ニッケル−カドミウム電池、カーボンリチウム二次電池(電気二重層電池)、ナトリウム−硫黄電池(セラミック電池)などの他の形式のバッテリに対しても広く適用することができる。
【0038】
【発明の効果】
以上説明したように、この出願に係る第1発明によれば、第1、第2のニューラルネットワークにそれぞれバッテリの劣化状態、残存容量の判定論理を学習させることによって、第1のニューラルネットワークは、バッテリの稼動パラメータに基づいてバッテリの劣化状態を判定することができ、第2のニューラルネットワークは、バッテリの稼動パラメータと第1のニューラルネットワークの判定結果とに基づいてバッテリの残存容量を判定することができるから、稼動中のバッテリの劣化状態、残存容量をリアルタイムに適確に自動判定することができるという優れた効果がある。
【0039】
第2発明によれば、計測ユニットと、学習済みの第1、第2のニューラルネットワークとを組み合わせることによって、第1発明を容易に実施することができる。
【図面の簡単な説明】
【図1】 全体構成ブロック系統図
【図2】 第1のニューラルネットワークの構成概念図
【図3】 第2のニューラルネットワークの構成概念図
【図4】 試験データを示す線図(1)
【図5】 試験データを示す線図(2)
【図6】 試験データを示す線図(3)
【図7】 試験データを示す線図(4)
【図8】 試験データを示す図表
【図9】 試験データを示す線図(5)
【図10】 試験データを示す線図(6)
【符号の説明】
B…バッテリ
D…劣化状態
R…残存容量
Z…内部インピーダンス
L1 …入力層
L2 …中間層
L3 …出力層
10…残存容量判定装置
11…第1のニューラルネットワーク
12…第2のニューラルネットワーク
13…計測ユニット
Claims (7)
- 稼動中のバッテリの残存容量を自動判定するに際し、バッテリの劣化状態の判定論理を第1のニューラルネットワークに学習させ、バッテリの残存容量の判定論理を第2のニューラルネットワークに学習させ、バッテリの稼動パラメータとしての電圧、電流、内部インピーダンス、温度に基づき、第1のニューラルネットワークによってバッテリの劣化状態を判定し、バッテリの稼動パラメータと第1のニューラルネットワークの判定結果とに基づき、第2のニューラルネットワークによってバッテリの残存容量を判定することを特徴とするバッテリの残存容量判定方法。
- バッテリの稼動パラメータとしての電圧、電流、内部インピーダンス、温度を計測する計測ユニットと、バッテリの劣化状態の判定論理を学習させた第1のニューラルネットワークと、バッテリの残存容量の判定論理を学習させた第2のニューラルネットワークとを備えてなり、前記第1のニューラルネットワークは、前記計測ユニットからの稼動パラメータに基づいてバッテリの劣化状態を判定し、前記第2のニューラルネットワークは、前記計測ユニットからの稼動パラメータと前記第1のニューラルネットワークの判定結果とに基づいてバッテリの残存容量を判定することを特徴とするバッテリの残存容量判定装置。
- 前記第1、第2のニューラルネットワークは、それぞれ応答関数をシグモイド関数とする3層フィードフォワードネットワークとし、学習則としてバックプロパゲーション法を適用することを特徴とする請求項2記載のバッテリの残存容量判定装置。
- 前記第1のニューラルネットワークは、出力層のニューロン数を3に設定することを特徴とする請求項3記載のバッテリの残存容量判定装置。
- 前記第2のニューラルネットワークは、出力層のニューロン数を10に設定することを特徴とする請求項3または請求項4記載のバッテリの残存容量判定装置。
- 前記第1、第2のニューラルネットワークは、それぞれの中間層のニューロン数を20〜80に設定することを特徴とする請求項3ないし請求項5のいずれか記載のバッテリの残存容量判定装置。
- 前記計測ユニットは、バッテリの稼動パラメータを周期的にサンプリングして計測することを特徴とする請求項2ないし請求項6のいずれか記載のバッテリの残存容量判定装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002047209A JP4038788B2 (ja) | 2002-02-22 | 2002-02-22 | バッテリの残存容量判定方法と、その装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002047209A JP4038788B2 (ja) | 2002-02-22 | 2002-02-22 | バッテリの残存容量判定方法と、その装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2003249271A JP2003249271A (ja) | 2003-09-05 |
JP4038788B2 true JP4038788B2 (ja) | 2008-01-30 |
Family
ID=28660323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002047209A Expired - Lifetime JP4038788B2 (ja) | 2002-02-22 | 2002-02-22 | バッテリの残存容量判定方法と、その装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4038788B2 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10935608B2 (en) | 2016-01-14 | 2021-03-02 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating state of battery |
EP3812783A1 (en) | 2019-10-23 | 2021-04-28 | Novum engineerING GmbH | Estimating a battery state from electrical impedance measurements using convolutional neural network means |
EP3812782A1 (en) | 2019-10-23 | 2021-04-28 | Novum engineerING GmbH | Estimating a temperature of an electrochemical battery |
EP3812781A1 (en) | 2019-10-23 | 2021-04-28 | Novum engineerING GmbH | Estimating a battery state of an electrochemical battery |
EP3812780A1 (en) | 2019-10-23 | 2021-04-28 | Novum engineerING GmbH | Estimating a battery state from gradients of electrical impedance measurements |
EP3812779A1 (en) | 2019-10-23 | 2021-04-28 | Novum engineerING GmbH | Analyzing electrical impedance measurements of an electrochemical battery |
KR20220089200A (ko) * | 2020-12-21 | 2022-06-28 | 경북대학교 산학협력단 | 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치 |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7321220B2 (en) | 2003-11-20 | 2008-01-22 | Lg Chem, Ltd. | Method for calculating power capability of battery packs using advanced cell model predictive techniques |
CN100570388C (zh) | 2003-12-18 | 2009-12-16 | 株式会社Lg化学 | 使用神经网络评估电池的充电状态的设备和方法 |
US7554296B2 (en) | 2005-02-14 | 2009-06-30 | Denso Corporation | Method and apparatus for detecting charged state of secondary battery based on neural network calculation |
JP4623448B2 (ja) * | 2005-04-20 | 2011-02-02 | 株式会社デンソー | 二次電池の残存容量演算方法 |
US7723957B2 (en) | 2005-11-30 | 2010-05-25 | Lg Chem, Ltd. | System, method, and article of manufacture for determining an estimated battery parameter vector |
JP4786355B2 (ja) | 2006-01-31 | 2011-10-05 | 株式会社日本自動車部品総合研究所 | 車両用電源電圧制御方法 |
JP5366166B2 (ja) * | 2006-02-09 | 2013-12-11 | 株式会社デンソー | 二次電池の状態量演算方式 |
CN101067644B (zh) * | 2007-04-20 | 2010-05-26 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
KR100911316B1 (ko) * | 2007-08-23 | 2009-08-11 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
US7994755B2 (en) | 2008-01-30 | 2011-08-09 | Lg Chem, Ltd. | System, method, and article of manufacture for determining an estimated battery cell module state |
US8341449B2 (en) | 2010-04-16 | 2012-12-25 | Lg Chem, Ltd. | Battery management system and method for transferring data within the battery management system |
US8449998B2 (en) | 2011-04-25 | 2013-05-28 | Lg Chem, Ltd. | Battery system and method for increasing an operational life of a battery cell |
US8859119B2 (en) | 2011-06-30 | 2014-10-14 | Lg Chem, Ltd. | Heating system for a battery module and method of heating the battery module |
US8974928B2 (en) | 2011-06-30 | 2015-03-10 | Lg Chem, Ltd. | Heating system for a battery module and method of heating the battery module |
US8993136B2 (en) | 2011-06-30 | 2015-03-31 | Lg Chem, Ltd. | Heating system for a battery module and method of heating the battery module |
US8974929B2 (en) | 2011-06-30 | 2015-03-10 | Lg Chem, Ltd. | Heating system for a battery module and method of heating the battery module |
CN102288921A (zh) * | 2011-09-05 | 2011-12-21 | 中国科学院上海硅酸盐研究所 | 电池批量检测方法及*** |
JP6145824B2 (ja) * | 2014-10-31 | 2017-06-14 | エンネット株式会社 | 電池診断装置および電池診断方法 |
CN104849671B (zh) * | 2015-05-22 | 2017-07-11 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测*** |
KR102613749B1 (ko) * | 2017-05-03 | 2023-12-13 | 가부시키가이샤 한도오따이 에네루기 켄큐쇼 | 신경망, 전력 저장 시스템, 차량, 및 전자 기기 |
JPWO2019021099A1 (ja) | 2017-07-25 | 2020-08-06 | 株式会社半導体エネルギー研究所 | 蓄電システム、電子機器及び車両、並びに推定方法 |
EP3742540A4 (en) | 2018-01-16 | 2021-03-17 | GS Yuasa International Ltd. | MONITORING DEVICE, MONITORING METHOD, COMPUTER PROGRAM, DEGRADATION DETERMINATION METHOD, DEGRADATION DETERMINATION DEVICE AND DEGRADATION DETERMINATION SYSTEM |
JP6988728B2 (ja) * | 2018-07-31 | 2022-01-05 | トヨタ自動車株式会社 | 電池情報処理システム、二次電池の容量推定方法、および、組電池の製造方法 |
US20210181256A1 (en) * | 2018-07-31 | 2021-06-17 | Honda Motor Co., Ltd. | Estimation system, estimation device, estimation method, program, and storage medium |
US20220113354A1 (en) * | 2018-12-28 | 2022-04-14 | Gs Yuasa International Ltd. | Data processing apparatus, data processing method and computer readable medium |
JP7310137B2 (ja) * | 2018-12-28 | 2023-07-19 | 株式会社Gsユアサ | データ処理装置、データ処理方法、及びコンピュータプログラム |
JP7392421B2 (ja) * | 2019-11-25 | 2023-12-06 | 株式会社Gsユアサ | 情報処理装置、情報処理方法、及びコンピュータプログラム |
JP7448201B2 (ja) * | 2020-05-21 | 2024-03-12 | アクソンデータマシン株式会社 | 人工知能技術を用いた2次電池の状態推定装置 |
JP2022136663A (ja) * | 2021-03-08 | 2022-09-21 | 本田技研工業株式会社 | 二次電池の状態推定モデルの学習方法、状態推定方法、および状態推定装置 |
JP2022136662A (ja) * | 2021-03-08 | 2022-09-21 | 本田技研工業株式会社 | 二次電池の状態推定モデルの学習方法、状態推定方法、および状態推定装置 |
-
2002
- 2002-02-22 JP JP2002047209A patent/JP4038788B2/ja not_active Expired - Lifetime
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10935608B2 (en) | 2016-01-14 | 2021-03-02 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating state of battery |
EP3812783A1 (en) | 2019-10-23 | 2021-04-28 | Novum engineerING GmbH | Estimating a battery state from electrical impedance measurements using convolutional neural network means |
EP3812782A1 (en) | 2019-10-23 | 2021-04-28 | Novum engineerING GmbH | Estimating a temperature of an electrochemical battery |
EP3812781A1 (en) | 2019-10-23 | 2021-04-28 | Novum engineerING GmbH | Estimating a battery state of an electrochemical battery |
EP3812780A1 (en) | 2019-10-23 | 2021-04-28 | Novum engineerING GmbH | Estimating a battery state from gradients of electrical impedance measurements |
EP3812779A1 (en) | 2019-10-23 | 2021-04-28 | Novum engineerING GmbH | Analyzing electrical impedance measurements of an electrochemical battery |
US11280841B2 (en) | 2019-10-23 | 2022-03-22 | NOVUM engineerING GmbH | Estimating a temperature of an electrochemical battery |
US11385296B2 (en) | 2019-10-23 | 2022-07-12 | NOVUM engineerING GmbH | Estimating a battery state of an electrochemical battery |
US11385294B2 (en) | 2019-10-23 | 2022-07-12 | NOVUM engineerING GmbH | Estimating a battery state from gradients of electrical impedance measurements |
US11474158B2 (en) | 2019-10-23 | 2022-10-18 | NOVUM engineerING GmbH | Analyzing electrical impedance measurements of an electromechanical battery |
KR20220089200A (ko) * | 2020-12-21 | 2022-06-28 | 경북대학교 산학협력단 | 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치 |
KR102595386B1 (ko) * | 2020-12-21 | 2023-10-26 | 경북대학교 산학협력단 | 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
JP2003249271A (ja) | 2003-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4038788B2 (ja) | バッテリの残存容量判定方法と、その装置 | |
Chaoui et al. | State of charge and state of health estimation for lithium batteries using recurrent neural networks | |
Ismail et al. | Battery state of charge estimation using an Artificial Neural Network | |
Farmann et al. | A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles | |
Jiménez-Bermejo et al. | Using dynamic neural networks for battery state of charge estimation in electric vehicles | |
CN107533109B (zh) | 电池控制装置以及电动车辆*** | |
JP4075925B2 (ja) | 車両用鉛蓄電池の内部状態検出システム | |
US9252624B2 (en) | Battery control device and battery system | |
CN104773086B (zh) | 使用滚动时域回归分析来估计电池阻抗参数的方法和*** | |
JP5419831B2 (ja) | バッテリの劣化度推定装置 | |
KR100901252B1 (ko) | 슬라이딩 모드 관측기를 이용한 2차 전지 soc 예측방법 및 장치 | |
Eddahech et al. | Adaptive voltage estimation for EV Li-ion cell based on artificial neural networks state-of-charge meter | |
Zhu et al. | The SOH estimation of LiFePO4 battery based on internal resistance with Grey Markov Chain | |
Liu et al. | An improved SoC estimation algorithm based on artificial neural network | |
CN106662620A (zh) | 电池状态探测装置、二次电池***、程序产品、电池状态探测方法 | |
Sheikhan et al. | State of charge neural computational models for high energy density batteries in electric vehicles | |
Alamin et al. | A machine learning-based digital twin for electric vehicle battery modeling | |
US20220283229A1 (en) | Learning method, state estimation method, and state estimation device for state estimation model of secondary battery | |
Mawonou et al. | Li-ion battery pack SoC estimation for electric vehicles | |
US20230191945A1 (en) | Learning method of characteristic estimation model for secondary battery, characteristic estimation method, and characteristic estimation device for secondary battery | |
KR101348251B1 (ko) | 배터리 관리 시스템 테스트 장치 | |
Vieira et al. | Feedforward and NARX Neural Network Battery State of Charge Estimation with Robustness to Current Sensor Error | |
JP2006105821A (ja) | 二次電池の充電容量推定装置およびその方法 | |
WO2019187680A1 (ja) | 二次電池制御装置 | |
US20220283235A1 (en) | Learning method and open circuit voltage estimation method of open circuit voltage estimation model of secondary battery, and state estimation method of secondary battery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050106 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070424 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070717 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070807 |
|
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: 20071016 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20071026 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101116 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4038788 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101116 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111116 Year of fee payment: 4 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111116 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20161116 Year of fee payment: 9 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
EXPY | Cancellation because of completion of term |