JP7497432B2 - バッテリー性能予測 - Google Patents
バッテリー性能予測 Download PDFInfo
- Publication number
- JP7497432B2 JP7497432B2 JP2022526393A JP2022526393A JP7497432B2 JP 7497432 B2 JP7497432 B2 JP 7497432B2 JP 2022526393 A JP2022526393 A JP 2022526393A JP 2022526393 A JP2022526393 A JP 2022526393A JP 7497432 B2 JP7497432 B2 JP 7497432B2
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 claims description 319
- 238000000034 method Methods 0.000 claims description 75
- 238000012545 processing Methods 0.000 claims description 74
- 238000012549 training Methods 0.000 claims description 52
- 238000004891 communication Methods 0.000 claims description 50
- 238000011161 development Methods 0.000 claims description 36
- 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
- 230000015654 memory Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 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
- 238000013528 artificial neural network Methods 0.000 description 7
- 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
- 230000000306 recurrent effect 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)
Description
- 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。
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。
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。
- 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。
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。
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。
- 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。
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
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 (20)
- 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少なくとも1つのテストプロトコルを示す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おり、
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-放電曲線を含み、且つ
前記状態変数は、少なくとも1つの充電-放電曲線から導出され、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、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又は2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1~3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1~4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、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5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1~6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1~7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1~8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9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1~10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1~11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1~12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1~13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1~14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み、
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;
- 前記学習データセット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、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1~14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17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17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)を実行させる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17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17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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2024010431A JP2024059625A (ja) | 2019-11-07 | 2024-01-26 | バッテリー性能予測 |
Applications Claiming Priority (3)
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 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2024010431A Division JP2024059625A (ja) | 2019-11-07 | 2024-01-26 | バッテリー性能予測 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023501995A JP2023501995A (ja) | 2023-01-20 |
JP7497432B2 true JP7497432B2 (ja) | 2024-06-10 |
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 After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2024010431A Withdrawn JP2024059625A (ja) | 2019-11-07 | 2024-01-26 | 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*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016208745A1 (ja) | 2015-06-26 | 2016-12-29 | 国立研究開発法人宇宙航空研究開発機構 | 電池の充電状態又は放電深度を推定する方法及びシステム、及び、電池の健全性を評価する方法及びシステム |
WO2018016531A1 (ja) | 2016-07-21 | 2018-01-25 | 日立化成株式会社 | 二次電池システム |
US20190157891A1 (en) | 2017-11-20 | 2019-05-23 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge estimation |
JP2019113524A (ja) | 2017-10-17 | 2019-07-11 | ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー | リチウムイオン電池の容量低下と寿命予測のためのデータ駆動モデル |
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 |
Family Cites Families (5)
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 |
US10191116B2 (en) * | 2015-10-15 | 2019-01-29 | Johnson Controls Technology Company | Battery test system for predicting battery test results |
US11691518B2 (en) | 2017-07-21 | 2023-07-04 | Quantumscape Battery, Inc. | Predictive model for estimating battery states |
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 |
-
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
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016208745A1 (ja) | 2015-06-26 | 2016-12-29 | 国立研究開発法人宇宙航空研究開発機構 | 電池の充電状態又は放電深度を推定する方法及びシステム、及び、電池の健全性を評価する方法及びシステム |
WO2018016531A1 (ja) | 2016-07-21 | 2018-01-25 | 日立化成株式会社 | 二次電池システム |
JP2019113524A (ja) | 2017-10-17 | 2019-07-11 | ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー | リチウムイオン電池の容量低下と寿命予測のためのデータ駆動モデル |
US20190157891A1 (en) | 2017-11-20 | 2019-05-23 | 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 |
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 |
JP2024059625A (ja) | 2024-05-01 |
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 | |
CN109800446B (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
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 | |
Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
CN117330987A (zh) | 基于时间的电池健康状态评估的方法、***、介质和设备 | |
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 | |
Elouazzani et al. | Advancing Lithium-Ion Battery Management with Deep Learning: A Comprehensive Review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220608 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220712 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230524 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230530 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230830 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230926 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240126 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20240208 |
|
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: 20240430 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240529 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7497432 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |