JPH09243716A - 二次電池の状態判定方法 - Google Patents
二次電池の状態判定方法Info
- Publication number
- JPH09243716A JPH09243716A JP8080716A JP8071696A JPH09243716A JP H09243716 A JPH09243716 A JP H09243716A JP 8080716 A JP8080716 A JP 8080716A JP 8071696 A JP8071696 A JP 8071696A JP H09243716 A JPH09243716 A JP H09243716A
- Authority
- JP
- Japan
- Prior art keywords
- secondary battery
- voltage
- value
- values
- ocv
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
- Stand-By Power Supply Arrangements (AREA)
Abstract
(57)【要約】
【課題】 二次電池の寿命及び使用可能な容量を迅速且
つ正確に判定する方法を提供する。 【解決手段】 学習用二次電池の開路電圧ＯＣＶと放電
開始直後の電圧ＶＯとを複数の使用経過時点で測定し、
且つ二次電池の５分間放電後の電圧Ｖh 及び容量Ｔe を
実測する。また学習用二次電池の寿命Ｌを求め、計算に
よって各使用経過時点における残りの寿命Ｌを求める。
ニューラルネットワーク１にＯＣＶ、ＶＯ、Ｖh 、Ｔe
、Ｌを与えてこのニューラルネットワーク１を学習さ
せる。学習済のニューラルネットワーク１に被判定二次
電池のＯＣＶ、ＶＯを入力させてＶh、Ｔe 、Ｌを判定
する。
つ正確に判定する方法を提供する。 【解決手段】 学習用二次電池の開路電圧ＯＣＶと放電
開始直後の電圧ＶＯとを複数の使用経過時点で測定し、
且つ二次電池の５分間放電後の電圧Ｖh 及び容量Ｔe を
実測する。また学習用二次電池の寿命Ｌを求め、計算に
よって各使用経過時点における残りの寿命Ｌを求める。
ニューラルネットワーク１にＯＣＶ、ＶＯ、Ｖh 、Ｔe
、Ｌを与えてこのニューラルネットワーク１を学習さ
せる。学習済のニューラルネットワーク１に被判定二次
電池のＯＣＶ、ＶＯを入力させてＶh、Ｔe 、Ｌを判定
する。
Description
【０００１】
【産業上の利用分野】本発明は無停電電源装置（以下、
ＵＰＳと言う）に使用されている鉛蓄電池などの二次電
池の容量、寿命等の電池状態を判定する方法に関する。
ＵＰＳと言う）に使用されている鉛蓄電池などの二次電
池の容量、寿命等の電池状態を判定する方法に関する。
【０００２】
【従来の技術】ＵＰＳは、通常時は一般の電力系統を電
源としている負荷に対し、電力系統の異常が生じた時に
二次電池により電力を供給する装置である。そのため二
次電池に異常があるとＵＰＳの役割はまるで果たせなく
なる。このことから二次電池の信頼性はＵＰＳ自体の信
頼性に大きく関与している。従って、二次電池の容量及
び寿命を判断することが必要になる。二次電池の容量、
寿命は使用温度、使用期間、充電電圧、放電回数などの
条件により大きく影響を受ける。そのため、二次電池の
容量、寿命は一定ではなく使用中にそれらを判定するこ
とは難しい。
源としている負荷に対し、電力系統の異常が生じた時に
二次電池により電力を供給する装置である。そのため二
次電池に異常があるとＵＰＳの役割はまるで果たせなく
なる。このことから二次電池の信頼性はＵＰＳ自体の信
頼性に大きく関与している。従って、二次電池の容量及
び寿命を判断することが必要になる。二次電池の容量、
寿命は使用温度、使用期間、充電電圧、放電回数などの
条件により大きく影響を受ける。そのため、二次電池の
容量、寿命は一定ではなく使用中にそれらを判定するこ
とは難しい。
【０００３】二次電池の容量、寿命判定方法として二次
電池の寿命末期や不良発生時に高くなる内部抵抗を用い
る方法が知られている。また、容量を判定するのに長時
間にわたって二次電池の放電電圧を測定し、その測定結
果に対応して表示を行う方法もある。
電池の寿命末期や不良発生時に高くなる内部抵抗を用い
る方法が知られている。また、容量を判定するのに長時
間にわたって二次電池の放電電圧を測定し、その測定結
果に対応して表示を行う方法もある。
【０００４】
【発明が解決しようとする課題】長期間の使用によって
二次電池が古くなると新しい二次電池に比べ放電電圧が
急速に下がる傾向がある。そのため単に放電電圧を測定
し容量を判定していると誤差がでてくる。また、常に二
次電池の状態を知るためにはそのたびに長時間の放電を
行い電圧を測定しなければならない。このため二次電池
の寿命を短くするという欠点がある。また、二次電池を
バックアップ電源として使用している場合には、寿命判
定時にバックアップ時間が短くなる。
二次電池が古くなると新しい二次電池に比べ放電電圧が
急速に下がる傾向がある。そのため単に放電電圧を測定
し容量を判定していると誤差がでてくる。また、常に二
次電池の状態を知るためにはそのたびに長時間の放電を
行い電圧を測定しなければならない。このため二次電池
の寿命を短くするという欠点がある。また、二次電池を
バックアップ電源として使用している場合には、寿命判
定時にバックアップ時間が短くなる。
【０００５】従って、本発明の目的は、常に二次電池の
状態を監視するために長時間の放電をせずに正確な容量
又は寿命等の電池状態を判定する方法を提供し、二次電
池の維持管理を適切に行えるようにすることにある。
状態を監視するために長時間の放電をせずに正確な容量
又は寿命等の電池状態を判定する方法を提供し、二次電
池の維持管理を適切に行えるようにすることにある。
【０００６】
【課題を解決するための手段】上記目的を達成するため
の請求項１に従う本発明は、二次電池の残りの容量、寿
命及び放電開始から所定時間後の電圧の内の少なくとも
１つの電池状態を判定する方法であって、前記判定を行
うための被判定二次電池と実質的に同一構成の学習用二
次電池の使用開始以後の複数の経過時点における開路電
圧ＯＣＶ及び放電開始直後の電圧ＶＯと前記電池状態と
の関係を示す情報を予め格納するメモリ手段と、前記被
判定二次電池の開路電圧ＯＣＶ及び放電開始直後の電圧
ＶＯを示すデータと前記メモリ手段の前記情報とを使用
して前記電池状態を予測する手段とを用意するステップ
と、前記被判定二次電池の開路電圧ＯＣＶと放電開始直
後の電圧ＶＯとを測定するステップと、測定によって得
られた前記被判定二次電池の開路電圧ＯＣＶ及び放電開
始直後の電圧ＶＯと前記メモリ手段の前記情報とを使用
して前記予測する手段によって前記被判定二次電池の前
記電池状態を判定するステップとを備えていることを特
徴とする二次電池の状態判定方法に係わるものである。
なお、請求項２に示すように開路電圧ＯＣＶの使用開始
時点からの差分ΔＯＣＶＯ、１つ前の時点の値との差分
ΔＯＣＶ、放電開始直後の電圧ＶＯの使用開始時点から
の差分ΔＶＯＯと１つ前の時点の値との差分ΔＶＯを考
慮して判定することが望ましい。また、請求項３、４及
び５に示すように内部抵抗Ｒ、又は内部抵抗Ｒとこの内
部抵抗Ｒの使用開始時点からの差分ΔＲＯと１つ前の時
点の値との差分ΔＲを考慮して判定することができる。
の請求項１に従う本発明は、二次電池の残りの容量、寿
命及び放電開始から所定時間後の電圧の内の少なくとも
１つの電池状態を判定する方法であって、前記判定を行
うための被判定二次電池と実質的に同一構成の学習用二
次電池の使用開始以後の複数の経過時点における開路電
圧ＯＣＶ及び放電開始直後の電圧ＶＯと前記電池状態と
の関係を示す情報を予め格納するメモリ手段と、前記被
判定二次電池の開路電圧ＯＣＶ及び放電開始直後の電圧
ＶＯを示すデータと前記メモリ手段の前記情報とを使用
して前記電池状態を予測する手段とを用意するステップ
と、前記被判定二次電池の開路電圧ＯＣＶと放電開始直
後の電圧ＶＯとを測定するステップと、測定によって得
られた前記被判定二次電池の開路電圧ＯＣＶ及び放電開
始直後の電圧ＶＯと前記メモリ手段の前記情報とを使用
して前記予測する手段によって前記被判定二次電池の前
記電池状態を判定するステップとを備えていることを特
徴とする二次電池の状態判定方法に係わるものである。
なお、請求項２に示すように開路電圧ＯＣＶの使用開始
時点からの差分ΔＯＣＶＯ、１つ前の時点の値との差分
ΔＯＣＶ、放電開始直後の電圧ＶＯの使用開始時点から
の差分ΔＶＯＯと１つ前の時点の値との差分ΔＶＯを考
慮して判定することが望ましい。また、請求項３、４及
び５に示すように内部抵抗Ｒ、又は内部抵抗Ｒとこの内
部抵抗Ｒの使用開始時点からの差分ΔＲＯと１つ前の時
点の値との差分ΔＲを考慮して判定することができる。
【０００７】請求項１〜４の発明に従う二次電池の状態
判定方法の原理を図１に基づいて説明する。図１には二
次電池の放電曲線の経年変化が示されている。図１のＡ
は新しい電池の放電曲線、Ｂは経年変化した後の二次電
池の放電曲線、Ｃは更に大きく経年変化した後の二次電
池の放電曲線を示す。なお、図１においてｔ0 は放電開
始時点を示し、Ｔb はＵＰＳで要求されるバックアップ
時間、Ｔh はバックアップ時間Ｔb の半分の時間であ
る。本願においてはｔ0 で放電を開始して半分の時間Ｔ
h が経過した時点ｔ1 における電池電圧Ｖh が放電終始
電圧Ｖe 以下になった時に電池の寿命が終ったと定義し
ている。この実施例ではバックアップ時間Ｔb が１０分
間であるので半分の時間Ｔh は５分間である。
判定方法の原理を図１に基づいて説明する。図１には二
次電池の放電曲線の経年変化が示されている。図１のＡ
は新しい電池の放電曲線、Ｂは経年変化した後の二次電
池の放電曲線、Ｃは更に大きく経年変化した後の二次電
池の放電曲線を示す。なお、図１においてｔ0 は放電開
始時点を示し、Ｔb はＵＰＳで要求されるバックアップ
時間、Ｔh はバックアップ時間Ｔb の半分の時間であ
る。本願においてはｔ0 で放電を開始して半分の時間Ｔ
h が経過した時点ｔ1 における電池電圧Ｖh が放電終始
電圧Ｖe 以下になった時に電池の寿命が終ったと定義し
ている。この実施例ではバックアップ時間Ｔb が１０分
間であるので半分の時間Ｔh は５分間である。
【０００８】図１から明らかなように実線で示す新しい
電池の放電曲線Ａに従う放電開始時点ｔ0 よりも前の開
路電圧ＯＣＶ1 即ち放電回路が開放されている時の電池
電圧は、鎖線及び点線で示す経年変化後の開路電圧ＯＣ
Ｖ2 及びＯＣＶ3 よりも低い。他方、ｔ0 で放電を開始
した直後の電圧ＶＯは、曲線Ａで示す新しい電池の場合
に最も高い値ＶＯ1 となり、経年変化した電池の場合に
はＶＯ1 よりも低い値ＶＯ2 、ＶＯ3 となる。本願の発
明では、電池の開路電圧ＯＣＶと放電開始直後の電圧Ｖ
Ｏとの経年変化に着目して二次電池の放電可能時間（容
量）Ｔe 、使用可能期間（寿命）Ｌ、及び放電開始から
所定時間（例えば５分間）後の電圧Ｖh の内の少なくと
も１つを決定する。また、本願の請求項２及び４の発明
では、放電曲線の放電開始後のカーブの変化に着目して
放電可能時間Ｔe 、使用可能期間Ｌ、及び放電開始から
所定時間後の電圧Ｖh を決定する。放電曲線の傾きは図
１のＡ、Ｂ、Ｃの比較から明らかなように経年変化が大
きくなるに従って急になる。また、請求項３、４、５で
使用する内部抵抗Ｒは経年変化によって高くなる。そこ
で、本願では内部抵抗の変化を電池状態の判定に使用す
る。
電池の放電曲線Ａに従う放電開始時点ｔ0 よりも前の開
路電圧ＯＣＶ1 即ち放電回路が開放されている時の電池
電圧は、鎖線及び点線で示す経年変化後の開路電圧ＯＣ
Ｖ2 及びＯＣＶ3 よりも低い。他方、ｔ0 で放電を開始
した直後の電圧ＶＯは、曲線Ａで示す新しい電池の場合
に最も高い値ＶＯ1 となり、経年変化した電池の場合に
はＶＯ1 よりも低い値ＶＯ2 、ＶＯ3 となる。本願の発
明では、電池の開路電圧ＯＣＶと放電開始直後の電圧Ｖ
Ｏとの経年変化に着目して二次電池の放電可能時間（容
量）Ｔe 、使用可能期間（寿命）Ｌ、及び放電開始から
所定時間（例えば５分間）後の電圧Ｖh の内の少なくと
も１つを決定する。また、本願の請求項２及び４の発明
では、放電曲線の放電開始後のカーブの変化に着目して
放電可能時間Ｔe 、使用可能期間Ｌ、及び放電開始から
所定時間後の電圧Ｖh を決定する。放電曲線の傾きは図
１のＡ、Ｂ、Ｃの比較から明らかなように経年変化が大
きくなるに従って急になる。また、請求項３、４、５で
使用する内部抵抗Ｒは経年変化によって高くなる。そこ
で、本願では内部抵抗の変化を電池状態の判定に使用す
る。
【０００９】ところで、同じ二次電池でも使われる環境
や二次電池それぞれの性能の差によって経年変化が違
う。こういったことにより近似式により二次電池の容
量、寿命を正確に判定することは難しい。そこで、請求
項６の発明においては、図１に示す放電曲線の経年変化
の特徴をニューラルネットワーク（Neural Network ）
に学習させることによって電池状態の正確な判定が行わ
れる。このニューラルネットワークの特徴は動物の脳の
神経細胞をモデル化したものであり、アルゴリズムで表
せないことを学習をすることによって写像することがで
きることである。
や二次電池それぞれの性能の差によって経年変化が違
う。こういったことにより近似式により二次電池の容
量、寿命を正確に判定することは難しい。そこで、請求
項６の発明においては、図１に示す放電曲線の経年変化
の特徴をニューラルネットワーク（Neural Network ）
に学習させることによって電池状態の正確な判定が行わ
れる。このニューラルネットワークの特徴は動物の脳の
神経細胞をモデル化したものであり、アルゴリズムで表
せないことを学習をすることによって写像することがで
きることである。
【００１０】ニューラルネットワークを用いた二次電池
の状態判定を行う場合には、被判定二次電池と実質的に
同一構成の学習用二次電池を用意し、一般に教師データ
と呼ばれるデータ（例えば容量Ｔe 、寿命Ｌ、放電開始
から所定時間後の電圧Ｖh ）をニューラルネットワーク
に与えると共に、開路電圧（以下、単にＯＣＶと呼ぶこ
ともある）、放電開始直後の電圧（以下、単にＶＯと呼
ぶこともある）、二次電池の内部抵抗（以下、単にＲと
呼ぶこともある）、放電５分後の放電電圧（以下、単に
Ｖh と呼ぶこともある）、ＯＣＶの最初に使用開始した
時点の値と複数の経過時点の値とのそれぞれの差分（以
下、単にΔＯＣＶＯと呼ぶこともある）、ＯＣＶの１つ
前の時点の値との差分（以下、単にΔＯＣＶと呼ぶこと
もある）、放電開始直後の電圧ＶＯの使用開始時点の値
との差分（以下、単にΔＶＯＯと呼ぶこともある）、及
びＶＯの１つ前の時点の値との差分（以下、単にΔＶＯ
と呼ぶこともある）の内から選択された複数のデ−タを
ニューラルネットワークに入力させる。ニューラルネッ
トワークは与えられたデータに基づいて学習し、電池状
態（Ｔe 、Ｌ、Ｖh ）を予測するために必要な荷重（ウ
エイト）を決定する。このウエイトはニューラルネット
ワークの入力データ（ＯＣＶ、ＶＯ等）と電池状態（Ｔ
e 、Ｌ、Ｖh ）との相互関係を示す情報を含んでいる。
従って、被判定二次電池からＯＣＶ、ＶＯ等を測定して
ニューラルネットワークに入力させると、比較的高い精
度で電池状態（例えばＴe 、Ｌ、Ｖh ）を判定すること
ができる。
の状態判定を行う場合には、被判定二次電池と実質的に
同一構成の学習用二次電池を用意し、一般に教師データ
と呼ばれるデータ（例えば容量Ｔe 、寿命Ｌ、放電開始
から所定時間後の電圧Ｖh ）をニューラルネットワーク
に与えると共に、開路電圧（以下、単にＯＣＶと呼ぶこ
ともある）、放電開始直後の電圧（以下、単にＶＯと呼
ぶこともある）、二次電池の内部抵抗（以下、単にＲと
呼ぶこともある）、放電５分後の放電電圧（以下、単に
Ｖh と呼ぶこともある）、ＯＣＶの最初に使用開始した
時点の値と複数の経過時点の値とのそれぞれの差分（以
下、単にΔＯＣＶＯと呼ぶこともある）、ＯＣＶの１つ
前の時点の値との差分（以下、単にΔＯＣＶと呼ぶこと
もある）、放電開始直後の電圧ＶＯの使用開始時点の値
との差分（以下、単にΔＶＯＯと呼ぶこともある）、及
びＶＯの１つ前の時点の値との差分（以下、単にΔＶＯ
と呼ぶこともある）の内から選択された複数のデ−タを
ニューラルネットワークに入力させる。ニューラルネッ
トワークは与えられたデータに基づいて学習し、電池状
態（Ｔe 、Ｌ、Ｖh ）を予測するために必要な荷重（ウ
エイト）を決定する。このウエイトはニューラルネット
ワークの入力データ（ＯＣＶ、ＶＯ等）と電池状態（Ｔ
e 、Ｌ、Ｖh ）との相互関係を示す情報を含んでいる。
従って、被判定二次電池からＯＣＶ、ＶＯ等を測定して
ニューラルネットワークに入力させると、比較的高い精
度で電池状態（例えばＴe 、Ｌ、Ｖh ）を判定すること
ができる。
【００１１】
【発明の効果】各請求項の発明によれば、被判定二次電
池を長時間放電して電池の状態（寿命、残りの容量等）
を判定することが不要であり、比較的短時間の放電で電
池状態を判定することができる。従って、判定結果を短
時間で得ることができる。また、二次電池をバックアッ
プとして使用中である場合には二次電池の容量即ちバッ
クアップ時間を無駄に消費しない。また、請求項２の発
明のようにΔＯＣＶＯ、ΔＯＣＶ、ΔＶＯＯ、ΔＶＯも
考慮すると誤差の少ない判定即ち予測が可能になる。ま
た、請求項３及び４の発明のようにＲ又はＲとΔＲＯ、
ΔＲを考慮すると、電池状態の更に精度の高い予測が可
能になる。また、請求項５の発明のように、Ｒ、ΔＲ
Ｏ、ΔＲによっても短時間に電池状態を予測することが
できる。
池を長時間放電して電池の状態（寿命、残りの容量等）
を判定することが不要であり、比較的短時間の放電で電
池状態を判定することができる。従って、判定結果を短
時間で得ることができる。また、二次電池をバックアッ
プとして使用中である場合には二次電池の容量即ちバッ
クアップ時間を無駄に消費しない。また、請求項２の発
明のようにΔＯＣＶＯ、ΔＯＣＶ、ΔＶＯＯ、ΔＶＯも
考慮すると誤差の少ない判定即ち予測が可能になる。ま
た、請求項３及び４の発明のようにＲ又はＲとΔＲＯ、
ΔＲを考慮すると、電池状態の更に精度の高い予測が可
能になる。また、請求項５の発明のように、Ｒ、ΔＲ
Ｏ、ΔＲによっても短時間に電池状態を予測することが
できる。
【００１２】
【第一実施例】次に、図２〜図４を参照して第一実施例
の二次電池状態判定方法を説明する。第一実施例では図
２に示すようにニューラルネットワーク１に鉛蓄電池か
ら成る二次電池のＯＣＶとＶＯとを入力させ、出力とし
てＶh 、Ｔe 、Ｌを得る。ニューラルネットワーク１は
プログラムＲＯＭ（リード・オンリー・メモリ）とＲＡ
Ｍ（ランダム・アクセス・メモリ）とＣＰＵ（中央処理
装置）とを含み、学習によってＲＡＭに蓄積されたデー
タとＯＣＶ、ＶＯに基づいてＶh 、Ｔe 、Ｌを予測手段
としてのＣＰＵとＲＯＭのプログラムで予測する。図３
はニューラルネットワーク１の模式的回路網を示す。こ
の実施例のニューラルネットワーク１は中間層が１層で
ユニットの数が５個とされたものであり、バックプロパ
ゲーション（誤差逆伝播）法に従うものである。
の二次電池状態判定方法を説明する。第一実施例では図
２に示すようにニューラルネットワーク１に鉛蓄電池か
ら成る二次電池のＯＣＶとＶＯとを入力させ、出力とし
てＶh 、Ｔe 、Ｌを得る。ニューラルネットワーク１は
プログラムＲＯＭ（リード・オンリー・メモリ）とＲＡ
Ｍ（ランダム・アクセス・メモリ）とＣＰＵ（中央処理
装置）とを含み、学習によってＲＡＭに蓄積されたデー
タとＯＣＶ、ＶＯに基づいてＶh 、Ｔe 、Ｌを予測手段
としてのＣＰＵとＲＯＭのプログラムで予測する。図３
はニューラルネットワーク１の模式的回路網を示す。こ
の実施例のニューラルネットワーク１は中間層が１層で
ユニットの数が５個とされたものであり、バックプロパ
ゲーション（誤差逆伝播）法に従うものである。
【００１３】図４は二次電池の状態判定装置を原理的又
は機能的に示すものであって、鉛蓄電池から成る二次電
池２にはスイッチ４を介して充電回路３が接続されてい
ると共にスイッチ６を介して負荷５が接続され、またス
イッチ８を介して電圧検出手段７が接続されている。電
圧検出手段７の出力ラインには開路電圧抽出回路９と放
電開始直後の電圧抽出回路１０が接続されている。開路
電圧抽出回路９はスイッチ４及び６をオフ、スイッチ８
をオンにした時にＯＣＶを抽出して出力する。放電開始
直後の電圧抽出回路１０はスイッチ４をオフ、スイッチ
６及び８の両方をオンにした時にＶＯを抽出して出力す
る。ニューラルネットワーク１は、等価的に放電５分後
の電圧判定手段１１、放電可能時間判定手段１２、使用
可能期間判定手段１３を含み、Ｖh 、Ｔe 、Ｌを出力す
る。図４の等価回路から明らかなように、３つの判定手
段１１、１２、１３はＯＣＶ及びＶＯの入力ラインに結
合されているのみでなく、相互にも結合されている。な
お、ニュ−ラルネットワ−ク１のウエイトを決めるため
の学習時にはＶh 、Ｔe 、Ｌを使用するが、被判定二次
電池の放電開始５分後の電圧Ｖh 、容量Ｔe 及び寿命Ｌ
を予測する時にはＶh 、Ｔe 、Ｌを使用しないでＯＣ
Ｖ、ＶＯのみにを使用する。これは後述の別の実施例に
おいても同様である。この様に複数の情報を考慮して予
測すると、精度の高い予測結果を得ることができる。
は機能的に示すものであって、鉛蓄電池から成る二次電
池２にはスイッチ４を介して充電回路３が接続されてい
ると共にスイッチ６を介して負荷５が接続され、またス
イッチ８を介して電圧検出手段７が接続されている。電
圧検出手段７の出力ラインには開路電圧抽出回路９と放
電開始直後の電圧抽出回路１０が接続されている。開路
電圧抽出回路９はスイッチ４及び６をオフ、スイッチ８
をオンにした時にＯＣＶを抽出して出力する。放電開始
直後の電圧抽出回路１０はスイッチ４をオフ、スイッチ
６及び８の両方をオンにした時にＶＯを抽出して出力す
る。ニューラルネットワーク１は、等価的に放電５分後
の電圧判定手段１１、放電可能時間判定手段１２、使用
可能期間判定手段１３を含み、Ｖh 、Ｔe 、Ｌを出力す
る。図４の等価回路から明らかなように、３つの判定手
段１１、１２、１３はＯＣＶ及びＶＯの入力ラインに結
合されているのみでなく、相互にも結合されている。な
お、ニュ−ラルネットワ−ク１のウエイトを決めるため
の学習時にはＶh 、Ｔe 、Ｌを使用するが、被判定二次
電池の放電開始５分後の電圧Ｖh 、容量Ｔe 及び寿命Ｌ
を予測する時にはＶh 、Ｔe 、Ｌを使用しないでＯＣ
Ｖ、ＶＯのみにを使用する。これは後述の別の実施例に
おいても同様である。この様に複数の情報を考慮して予
測すると、精度の高い予測結果を得ることができる。
【００１４】ニュートラルネットワーク１を使用して鉛
蓄電池から成る被判定二次電池のＶh 、Ｔe 、Ｌの予測
する場合には、まず、ニューラルネットワーク１を学習
させるために必要なデータを得る。この学習用データを
得るために、図４の二次電池２を鉛蓄電池から成る学習
用二次電池とする。学習用二次電池は被判定用二次電池
と実質的に同一構成で且つ実質的に同一の放電特性を有
するものである。表１は学習用のデータを示す。表１及
び後で説明する表２〜表６において、NO. はサンプル番
号であって、NO. １とNO. ２は２個の二次電池のサンプ
ルを示す。Ｍは経年変化を調べるための電池の使用期間
を月（month ）で示す。なお、経年変化は測定のための
放電を除いてはスイッチ６をオフにして放電させない状
態（無負荷状態）で調べられている。また、測定期間に
はスイッチ４がオフにされるが、測定期間以外ではスイ
ッチ４がオンに保たれる。ＯＣＶは開路電圧、ＶＯは放
電開始直後の電圧、Ｒは内部抵抗、Ｖh は放電開始５分
後の電圧、Ｔe は放電可能期間（容量）、Ｌは使用可能
期間（寿命）を示す。
蓄電池から成る被判定二次電池のＶh 、Ｔe 、Ｌの予測
する場合には、まず、ニューラルネットワーク１を学習
させるために必要なデータを得る。この学習用データを
得るために、図４の二次電池２を鉛蓄電池から成る学習
用二次電池とする。学習用二次電池は被判定用二次電池
と実質的に同一構成で且つ実質的に同一の放電特性を有
するものである。表１は学習用のデータを示す。表１及
び後で説明する表２〜表６において、NO. はサンプル番
号であって、NO. １とNO. ２は２個の二次電池のサンプ
ルを示す。Ｍは経年変化を調べるための電池の使用期間
を月（month ）で示す。なお、経年変化は測定のための
放電を除いてはスイッチ６をオフにして放電させない状
態（無負荷状態）で調べられている。また、測定期間に
はスイッチ４がオフにされるが、測定期間以外ではスイ
ッチ４がオンに保たれる。ＯＣＶは開路電圧、ＶＯは放
電開始直後の電圧、Ｒは内部抵抗、Ｖh は放電開始５分
後の電圧、Ｔe は放電可能期間（容量）、Ｌは使用可能
期間（寿命）を示す。
【００１５】
【表１】
【００１６】表１の学習用データは、新しい学習用二次
電池を図４と同様に接続し、使用開始以後即ち使用開始
時及びそれよりも後の複数の経過時点においてＯＣＶ、
ＶＯ、Ｒを求め、また、使用開始時及び各経過時点にお
いてＶh 、Ｔe を実測することによって得る。即ち学習
用データを得る時には、二次電池を実際に５分間放電さ
せて電池電圧を測定し、これをＶh とする。またＴe を
求める時は放電開始時点から電池電圧が放電終了電圧Ｖ
e になる時点までを計測する。Ｌは実測した寿命から経
過時間を差し引くことによって計算で求めた。なお、Ｍ
の各値において１回の放電が終了したら再び満充電状態
に戻し、スイッチ４のオンを保持して充電状態を保つ。
電池を図４と同様に接続し、使用開始以後即ち使用開始
時及びそれよりも後の複数の経過時点においてＯＣＶ、
ＶＯ、Ｒを求め、また、使用開始時及び各経過時点にお
いてＶh 、Ｔe を実測することによって得る。即ち学習
用データを得る時には、二次電池を実際に５分間放電さ
せて電池電圧を測定し、これをＶh とする。またＴe を
求める時は放電開始時点から電池電圧が放電終了電圧Ｖ
e になる時点までを計測する。Ｌは実測した寿命から経
過時間を差し引くことによって計算で求めた。なお、Ｍ
の各値において１回の放電が終了したら再び満充電状態
に戻し、スイッチ４のオンを保持して充電状態を保つ。
【００１７】表１のデータが得られたら、ニューラルネ
ットワーク１のＣＰＵに対してオフラインでＭで示す経
過時点の順番で学習用データを与える。即ち、各経過時
点において、ニューラルネットワーク１の教師データ
（所望データ）としてＶh 、Ｔe 、Ｌを与え、また第一
実施例の場合はＯＣＶ及びＶＯを入力データとして与え
る。なお、図４には使用期間Ｍを計測するための手段が
示されていないが、この計測手段はニューラルネットワ
ーク１に内蔵されている計数回路から成り、使用期間Ｍ
のデータもＣＰＵに与えられる。勿論、Ｍの計測手段を
ニューラルネットワーク１の外に設けることもできる。
学習のためのデータをニューラルネットワーク１に与え
ると、入力データＯＣＶ、ＶＯに基づいて教師データを
得るために必要な荷重（ウエイト）を求めることができ
る。即ち、ニューラルネットワークの原理を極めて単純
化して概略的に示すと、 Ｗ1 ×ＯＣＶ＋Ｗ2 ×ＶＯ＝Ｖh Ｗ3 ×ＯＣＶ＋Ｗ4 ×ＶＯ＝Ｔe Ｗ5 ×ＯＣＶ＋Ｗ6 ×ＶＯ＝Ｌ であり、この関係式において、Ｖh 、Ｔe 、Ｌ、ＯＣ
Ｖ、ＶＯが既知であれば、ウエイトＷ1 〜Ｗ6 を決定す
ることができる。学習においては各経過時点即ちＭの種
々の値でウエイトＷ1 〜Ｗ6 を決定し、ＲＯＭ又はＲＡ
Ｍに蓄積する。
ットワーク１のＣＰＵに対してオフラインでＭで示す経
過時点の順番で学習用データを与える。即ち、各経過時
点において、ニューラルネットワーク１の教師データ
（所望データ）としてＶh 、Ｔe 、Ｌを与え、また第一
実施例の場合はＯＣＶ及びＶＯを入力データとして与え
る。なお、図４には使用期間Ｍを計測するための手段が
示されていないが、この計測手段はニューラルネットワ
ーク１に内蔵されている計数回路から成り、使用期間Ｍ
のデータもＣＰＵに与えられる。勿論、Ｍの計測手段を
ニューラルネットワーク１の外に設けることもできる。
学習のためのデータをニューラルネットワーク１に与え
ると、入力データＯＣＶ、ＶＯに基づいて教師データを
得るために必要な荷重（ウエイト）を求めることができ
る。即ち、ニューラルネットワークの原理を極めて単純
化して概略的に示すと、 Ｗ1 ×ＯＣＶ＋Ｗ2 ×ＶＯ＝Ｖh Ｗ3 ×ＯＣＶ＋Ｗ4 ×ＶＯ＝Ｔe Ｗ5 ×ＯＣＶ＋Ｗ6 ×ＶＯ＝Ｌ であり、この関係式において、Ｖh 、Ｔe 、Ｌ、ＯＣ
Ｖ、ＶＯが既知であれば、ウエイトＷ1 〜Ｗ6 を決定す
ることができる。学習においては各経過時点即ちＭの種
々の値でウエイトＷ1 〜Ｗ6 を決定し、ＲＯＭ又はＲＡ
Ｍに蓄積する。
【００１８】学習によってウエイトが決定されたら、被
判定二次電池のＶh 、Ｔe 、Ｌの判定が可能になる。そ
こで、図４の二次電池２に被判定二次電池を接続し、表
１のＭと同一使用期間においてニューラルネットワーク
１に被判定二次電池のＯＣＶ、ＶＯを入力させる。この
ＯＣＶ、ＶＯは学習時と同様に測定する。ニューラルネ
ットワーク１は学習によって蓄積されているウエイトに
基づいて被判定二次電池のＶh 、Ｔe 、Ｌの予測を行
う。次の表２はＶh 、Ｔe 、Ｌの予測即ち判定結果を示
す。なお、１回の判定終了毎に被判定二次電池を満充電
状態に戻し、スイッチ４をオン状態に保ち、且つスイッ
チ６をオフ状態に保つ。既に説明したように被判定二次
電池のＶh 、Ｔe 、Ｌを判定する時には、図５の３つの
判定手段１１、１２、１３においてＶh 、Ｔe 、Ｌの判
定出力を相互に関係付けない。
判定二次電池のＶh 、Ｔe 、Ｌの判定が可能になる。そ
こで、図４の二次電池２に被判定二次電池を接続し、表
１のＭと同一使用期間においてニューラルネットワーク
１に被判定二次電池のＯＣＶ、ＶＯを入力させる。この
ＯＣＶ、ＶＯは学習時と同様に測定する。ニューラルネ
ットワーク１は学習によって蓄積されているウエイトに
基づいて被判定二次電池のＶh 、Ｔe 、Ｌの予測を行
う。次の表２はＶh 、Ｔe 、Ｌの予測即ち判定結果を示
す。なお、１回の判定終了毎に被判定二次電池を満充電
状態に戻し、スイッチ４をオン状態に保ち、且つスイッ
チ６をオフ状態に保つ。既に説明したように被判定二次
電池のＶh 、Ｔe 、Ｌを判定する時には、図５の３つの
判定手段１１、１２、１３においてＶh 、Ｔe 、Ｌの判
定出力を相互に関係付けない。
【００１９】
【表２】
【００２０】表１の実測値と表２の判定結果との対比か
ら明らかなように、サンプルNO. １及びNO. ２のいずれ
においても実測値に近似の判定結果を得ることができ
る。なお、判定結果の実測値に対する誤差は使用期間Ｍ
が大きい経過時点になるに従って小さくなる。
ら明らかなように、サンプルNO. １及びNO. ２のいずれ
においても実測値に近似の判定結果を得ることができ
る。なお、判定結果の実測値に対する誤差は使用期間Ｍ
が大きい経過時点になるに従って小さくなる。
【００２１】
【第二実施例】次に、図５を参照して第二実施例の二次
電池の状態判定方法を説明する。但し、この第二実施例
及び後述する第三〜第五実施例において第一実施例及び
各実施例の相互間において共通する事項の説明を省略
し、相違点のみを述べる。
電池の状態判定方法を説明する。但し、この第二実施例
及び後述する第三〜第五実施例において第一実施例及び
各実施例の相互間において共通する事項の説明を省略
し、相違点のみを述べる。
【００２２】第二実施例はニューラルネットワーク１に
与える入力データとしてΔＯＣＶＯ、ΔＯＣＶ、ΔＶＯ
Ｏ、ΔＶＯが付加された点で第一実施例と相違し、その
他は同一である。従って、図５の判定装置は開路電圧抽
出回路９に接続されたΔＯＣＶＯ形成回路９ａ及びΔＯ
ＣＶ形成回路９ｂと、ＶＯ抽出回路１０に接続されたΔ
ＶＯＯ形成回路１０ａ及びΔＶＯ形成回路１０ｂとを有
し、これ等もニューラルネットワーク１に接続されてい
る点で図４の判定装置と相違し、その他は同一である。
なお、図５のニュ−ラルネットワ−ク１は、中間層が１
層でユニットの数が８個となるように構成されている。
与える入力データとしてΔＯＣＶＯ、ΔＯＣＶ、ΔＶＯ
Ｏ、ΔＶＯが付加された点で第一実施例と相違し、その
他は同一である。従って、図５の判定装置は開路電圧抽
出回路９に接続されたΔＯＣＶＯ形成回路９ａ及びΔＯ
ＣＶ形成回路９ｂと、ＶＯ抽出回路１０に接続されたΔ
ＶＯＯ形成回路１０ａ及びΔＶＯ形成回路１０ｂとを有
し、これ等もニューラルネットワーク１に接続されてい
る点で図４の判定装置と相違し、その他は同一である。
なお、図５のニュ−ラルネットワ−ク１は、中間層が１
層でユニットの数が８個となるように構成されている。
【００２３】ΔＯＣＶＯ形成回路９ａは、開路電圧ＯＣ
Ｖの使用開始時の値と任意時点との値との差分ΔＯＣＶ
Ｏを形成する。図１を参照すると、ΔＯＣＶＯは、ＯＣ
Ｖ1−ＯＣＶ2 、又はＯＣＶ1 −ＯＣＶ3 である。ま
た、ΔＯＣＶ形成回路９ｂは、開路電圧ＯＣＶの１つ前
の時点の値との差分ΔＯＣＶを形成する。図１を参照す
ると、ΔＯＣＶは、ＯＣＶ1 −ＯＣＶ2 又はＯＣＶ2 −
ＯＣＶ3 である。また、ΔＶＯＯ形成回路１０ａは、放
電開始直後の電圧ＶＯの使用開始時の値との差分ΔＶＯ
Ｏを形成する。図１を参照すると、ΔＶＯＯはＶＯ1 −
ＶＯ2 又はＶＯ1 −ＶＯ3 である。また、ΔＶＯ形成回
路１０ｂは、放電開始直後の電圧ＶＯの１つ前の時点の
値との差分ΔＶＯを形成する。図１を参照すると、ΔＶ
ＯはＶＯ1 −ＶＯ2 又はＶＯ2 −ＶＯ3 である。
Ｖの使用開始時の値と任意時点との値との差分ΔＯＣＶ
Ｏを形成する。図１を参照すると、ΔＯＣＶＯは、ＯＣ
Ｖ1−ＯＣＶ2 、又はＯＣＶ1 −ＯＣＶ3 である。ま
た、ΔＯＣＶ形成回路９ｂは、開路電圧ＯＣＶの１つ前
の時点の値との差分ΔＯＣＶを形成する。図１を参照す
ると、ΔＯＣＶは、ＯＣＶ1 −ＯＣＶ2 又はＯＣＶ2 −
ＯＣＶ3 である。また、ΔＶＯＯ形成回路１０ａは、放
電開始直後の電圧ＶＯの使用開始時の値との差分ΔＶＯ
Ｏを形成する。図１を参照すると、ΔＶＯＯはＶＯ1 −
ＶＯ2 又はＶＯ1 −ＶＯ3 である。また、ΔＶＯ形成回
路１０ｂは、放電開始直後の電圧ＶＯの１つ前の時点の
値との差分ΔＶＯを形成する。図１を参照すると、ΔＶ
ＯはＶＯ1 −ＶＯ2 又はＶＯ2 −ＶＯ3 である。
【００２４】図５の判定装置を使用してＶh 、Ｔe 、Ｌ
を判定即ち予測する時には、第一実施例で説明したと同
様な学習をニューラルネットワーク１に行わせる。第二
実施例の場合には表１に示した入力データＯＣＶ、Ｖ
Ｏ、Ｖh 、Ｔe 、Ｌの他に、ＯＣＶ、ＶＯに基づいて形
成されたΔＯＣＶＯ、ΔＯＣＶ、ΔＶＯＯ、ΔＶＯもニ
ューラルネットワーク１にオフラインで与える。これに
より第一実施例と同様にニューラルネットワーク１にお
けるウエイトが決定される。次に、図５の二次電池２に
被判定二次電池を接続し、表１及び表３に示す使用期間
Ｍで示す時点でＯＣＶ、ΔＯＣＶＯ、ΔＯＣＶ、ＶＯ、
ΔＶＯＯ、ΔＶＯを得て、これ等を学習済のニューラル
ネットワーク１に入力する。これにより、ニューラルネ
ットワーク１に蓄積されているウエイトに基づいてＶh
、Ｔe 、Ｌが判定される。次の表３はこの判定結果を
示す。
を判定即ち予測する時には、第一実施例で説明したと同
様な学習をニューラルネットワーク１に行わせる。第二
実施例の場合には表１に示した入力データＯＣＶ、Ｖ
Ｏ、Ｖh 、Ｔe 、Ｌの他に、ＯＣＶ、ＶＯに基づいて形
成されたΔＯＣＶＯ、ΔＯＣＶ、ΔＶＯＯ、ΔＶＯもニ
ューラルネットワーク１にオフラインで与える。これに
より第一実施例と同様にニューラルネットワーク１にお
けるウエイトが決定される。次に、図５の二次電池２に
被判定二次電池を接続し、表１及び表３に示す使用期間
Ｍで示す時点でＯＣＶ、ΔＯＣＶＯ、ΔＯＣＶ、ＶＯ、
ΔＶＯＯ、ΔＶＯを得て、これ等を学習済のニューラル
ネットワーク１に入力する。これにより、ニューラルネ
ットワーク１に蓄積されているウエイトに基づいてＶh
、Ｔe 、Ｌが判定される。次の表３はこの判定結果を
示す。
【００２５】
【表３】
【００２６】表３と表１の実測値及び表２の第一実施例
の判定値との比較から明らかなように、ΔＯＣＶＯ、Δ
ＯＣＶ、ΔＶＯＯ、ΔＶＯを追加して判定することによ
って判定誤差が第一実施例よりも小さくなる。
の判定値との比較から明らかなように、ΔＯＣＶＯ、Δ
ＯＣＶ、ΔＶＯＯ、ΔＶＯを追加して判定することによ
って判定誤差が第一実施例よりも小さくなる。
【００２７】
【第三実施例】第三実施例の二次電池の状態判定方法
は、ニューラルネットワーク１にＯＣＶ、ＶＯの他に内
部抵抗Ｒを示すデータを入力させる点で第一実施例と相
違し、その他は同一である。図６に示す第三実施例の判
定装置は、図４と同一の回路の代りに内部抵抗測定回路
２０を有している。この内部抵抗測定回路２０は二次電
池２の各経過時点で内部抵抗Ｒを測定してニューラルネ
ットワーク１に送る。なお、内部抵抗Ｒと使用期間Ｍと
の相互関係が予め別の手段で判明している場合にはこの
データを使用することができる。
は、ニューラルネットワーク１にＯＣＶ、ＶＯの他に内
部抵抗Ｒを示すデータを入力させる点で第一実施例と相
違し、その他は同一である。図６に示す第三実施例の判
定装置は、図４と同一の回路の代りに内部抵抗測定回路
２０を有している。この内部抵抗測定回路２０は二次電
池２の各経過時点で内部抵抗Ｒを測定してニューラルネ
ットワーク１に送る。なお、内部抵抗Ｒと使用期間Ｍと
の相互関係が予め別の手段で判明している場合にはこの
データを使用することができる。
【００２８】中間層が１相でユニット層が５個のニュー
ラルネットワーク１の学習は学習用二次電池に基づくＯ
ＣＶ、ＶＯ、Ｒ、Ｖh 、Ｔe 、Ｌを与えて第一実施例と
同様に行い、ニューラルネットワーク１のウエイトを決
定し、メモリに蓄積する。被判定二次電池のＶh 、Ｔe
、Ｌを判定する時には、学習済のニューラルネットワ
ーク１に各使用期間ＭごとにＯＣＶ、ＶＯ、Ｒを入力さ
せる。これにより、Ｖh 、Ｔe 、Ｌの判定にはＯＣＶ、
ＶＯのみなくＲも使用される。ＯＣＶ、ＶＯ、Ｒに対す
るウエイトは学習によって決定されているので、Ｖh 、
Ｔe 、Ｌを迅速に判定することができる。内部抵抗Ｒは
二次電池の使用期間が長くなるに従って高くなり、使用
期間及び寿命と相関を有するので、Ｒを考慮することに
よってＶh 、Ｔe 、Ｌの判定精度が高くなる。次の表４
は第三実施例の結果を示す。
ラルネットワーク１の学習は学習用二次電池に基づくＯ
ＣＶ、ＶＯ、Ｒ、Ｖh 、Ｔe 、Ｌを与えて第一実施例と
同様に行い、ニューラルネットワーク１のウエイトを決
定し、メモリに蓄積する。被判定二次電池のＶh 、Ｔe
、Ｌを判定する時には、学習済のニューラルネットワ
ーク１に各使用期間ＭごとにＯＣＶ、ＶＯ、Ｒを入力さ
せる。これにより、Ｖh 、Ｔe 、Ｌの判定にはＯＣＶ、
ＶＯのみなくＲも使用される。ＯＣＶ、ＶＯ、Ｒに対す
るウエイトは学習によって決定されているので、Ｖh 、
Ｔe 、Ｌを迅速に判定することができる。内部抵抗Ｒは
二次電池の使用期間が長くなるに従って高くなり、使用
期間及び寿命と相関を有するので、Ｒを考慮することに
よってＶh 、Ｔe 、Ｌの判定精度が高くなる。次の表４
は第三実施例の結果を示す。
【００２９】
【表４】
【００３０】
【第四実施例】図７は第四実施例の電池状態判定装置の
一部を示す。図７の実施例ではニューラルネットワーク
１に図５の実施例と同様にＯＣＶ、ΔＯＣＶＯ、ΔＯＣ
Ｖ、ＶＯ、ΔＶＯＯ、ΔＶＯを入力させる他にＲ、ΔＲ
Ｏ、ΔＲを入力させ、出力としてＶh 、Ｔe 、Ｌを得
る。図７のＯＣＶ、ΔＯＣＶＯ、ΔＯＣＶ、ＶＯ、ΔＶ
ＯＯ、ΔＶＯは図５の回路と同様に形成する。内部抵抗
Ｒは図６の内部抵抗測定回路２０と同様な回路で得る。
ΔＲＯは内部抵抗Ｒの使用開始時の値と所定経過時点の
値との差分であり、ΔＲは内部抵抗Ｒの１つ前の測定時
点の値との差分である。ΔＲＯ、ΔＲは内部抵抗測定回
路２０の出力に基づいて図８に示すように計算で決定す
る。
一部を示す。図７の実施例ではニューラルネットワーク
１に図５の実施例と同様にＯＣＶ、ΔＯＣＶＯ、ΔＯＣ
Ｖ、ＶＯ、ΔＶＯＯ、ΔＶＯを入力させる他にＲ、ΔＲ
Ｏ、ΔＲを入力させ、出力としてＶh 、Ｔe 、Ｌを得
る。図７のＯＣＶ、ΔＯＣＶＯ、ΔＯＣＶ、ＶＯ、ΔＶ
ＯＯ、ΔＶＯは図５の回路と同様に形成する。内部抵抗
Ｒは図６の内部抵抗測定回路２０と同様な回路で得る。
ΔＲＯは内部抵抗Ｒの使用開始時の値と所定経過時点の
値との差分であり、ΔＲは内部抵抗Ｒの１つ前の測定時
点の値との差分である。ΔＲＯ、ΔＲは内部抵抗測定回
路２０の出力に基づいて図８に示すように計算で決定す
る。
【００３１】ニューラルネットワーク１を学習させる時
には、表１と同様な各使用期間ＭにおけるＯＣＶ、ΔＯ
ＣＶＯ、ΔＯＣＶ、ＶＯ、ΔＶＯＯ、ΔＶＯ、Ｒ、ΔＲ
Ｏ、ΔＲのデータを求め、これ等と表１に示すＶh 、Ｔ
e 、Ｌをニューラルネットワーク１のＣＰＵに与えてニ
ューラルネットワーク１を学習させ、ウエイトを決定す
る。なお、図７のニュ−ラルネットワ−ク１は中間層が
１層でユニット数が８個である。被判定二次電池のＶh
、Ｔe 、Ｌを測定する時には、被判定二次電池のＯＣ
Ｖ、ΔＯＣＶＯ、ＶＯ、ΔＶＯＯ、ΔＶＯ、Ｒ、ΔＲ
Ｏ、ΔＲを求め、これ等を入力データとして学習済のニ
ューラルネットワーク１に与える。Ｖh 、Ｔe 、Ｌを決
定するためのウエイトは既に決定されているので、Ｖh
、Ｔe 、Ｌを迅速に得ることができる。この実施例で
はニューラルネットワーク１に対して多くの入力データ
が与えられるので、より精度の高い判定が可能になる。
次の表５は第四実施例の判定結果を示す。
には、表１と同様な各使用期間ＭにおけるＯＣＶ、ΔＯ
ＣＶＯ、ΔＯＣＶ、ＶＯ、ΔＶＯＯ、ΔＶＯ、Ｒ、ΔＲ
Ｏ、ΔＲのデータを求め、これ等と表１に示すＶh 、Ｔ
e 、Ｌをニューラルネットワーク１のＣＰＵに与えてニ
ューラルネットワーク１を学習させ、ウエイトを決定す
る。なお、図７のニュ−ラルネットワ−ク１は中間層が
１層でユニット数が８個である。被判定二次電池のＶh
、Ｔe 、Ｌを測定する時には、被判定二次電池のＯＣ
Ｖ、ΔＯＣＶＯ、ＶＯ、ΔＶＯＯ、ΔＶＯ、Ｒ、ΔＲ
Ｏ、ΔＲを求め、これ等を入力データとして学習済のニ
ューラルネットワーク１に与える。Ｖh 、Ｔe 、Ｌを決
定するためのウエイトは既に決定されているので、Ｖh
、Ｔe 、Ｌを迅速に得ることができる。この実施例で
はニューラルネットワーク１に対して多くの入力データ
が与えられるので、より精度の高い判定が可能になる。
次の表５は第四実施例の判定結果を示す。
【００３２】
【表５】
【００３３】
【第五実施例】図８の電池状態判定装置は、二次電池の
内部抵抗Ｒとその変化に基づいてＶh、Ｔe 、Ｌを決定
するように形成されている。このため、図８では図６と
同様な内部抵抗検出回路２０を有する。また、内部抵抗
Ｒに基づくＶh 、Ｔe 、Ｌの判定精度を高めるためにΔ
ＲＯ形成回路２０ａ及びΔＲ形成回路２０ｂが設けられ
ている。ΔＲＯ形成回路２０ａは内部抵抗検出回路２０
に接続され、Ｒに基づいてΔＲＯを計算する。ΔＲＯは
表１及び表６に示す二次電池の使用期間Ｍの各経過時点
における内部抵抗の値と使用開始時点（Ｍ＝０）の内部
抵抗の値との差分を示し、ΔＲは内部抵抗の各経過時点
における値と１つ前の時点の値との差分を示す。例え
ば、図１の曲線Ａ、Ｂ、Ｃの特性を有する二次電池の内
部抵抗をＲ1、Ｒ2 、Ｒ3 とすれば、ΔＲＯはＲ1 −Ｒ2
及びＲ1 −Ｒ3 であり、ΔＲはＲ1−Ｒ2 及びＲ2 −Ｒ
3 である。なお、図８のニュ−ラルネットワ−ク１は中
間層が１層でユニット数が５個とされたものである。
内部抵抗Ｒとその変化に基づいてＶh、Ｔe 、Ｌを決定
するように形成されている。このため、図８では図６と
同様な内部抵抗検出回路２０を有する。また、内部抵抗
Ｒに基づくＶh 、Ｔe 、Ｌの判定精度を高めるためにΔ
ＲＯ形成回路２０ａ及びΔＲ形成回路２０ｂが設けられ
ている。ΔＲＯ形成回路２０ａは内部抵抗検出回路２０
に接続され、Ｒに基づいてΔＲＯを計算する。ΔＲＯは
表１及び表６に示す二次電池の使用期間Ｍの各経過時点
における内部抵抗の値と使用開始時点（Ｍ＝０）の内部
抵抗の値との差分を示し、ΔＲは内部抵抗の各経過時点
における値と１つ前の時点の値との差分を示す。例え
ば、図１の曲線Ａ、Ｂ、Ｃの特性を有する二次電池の内
部抵抗をＲ1、Ｒ2 、Ｒ3 とすれば、ΔＲＯはＲ1 −Ｒ2
及びＲ1 −Ｒ3 であり、ΔＲはＲ1−Ｒ2 及びＲ2 −Ｒ
3 である。なお、図８のニュ−ラルネットワ−ク１は中
間層が１層でユニット数が５個とされたものである。
【００３４】図８の判定装置においてＶh 、Ｔe 、Ｌを
判定する時には、まず、学習用二次電池の使用期間Ｍに
おける内部抵抗Ｒを表１に示すように求め、これから計
算によってΔＲＯ、ΔＲを求める。次に、学習用二次電
池のＲ、ΔＲＯ、ΔＲ及び表１のＶh 、Ｔe 、Ｌの実測
値をニューラルネットワーク１に与え、ニューラルネッ
トワーク１を学習させることによってウエイトを決定す
る。被判定用二次電池のＶh 、Ｔe 、Ｌを判定する時に
は図８の二次電池２を被判定用二次電池とし、複数の使
用期間Ｍのそれぞれにおいて内部抵抗Ｒを測定し、且つ
ΔＲＯＯ、ΔＲＯＯ、ΔＲをニューラルネットワーク１
に入力させる。ニューラルネットワーク１は学習で決定
されたウエイトを利用してＶh 、Ｔe 、Ｌを判定する。
次の表６は第五実施例の判定結果を示す。
判定する時には、まず、学習用二次電池の使用期間Ｍに
おける内部抵抗Ｒを表１に示すように求め、これから計
算によってΔＲＯ、ΔＲを求める。次に、学習用二次電
池のＲ、ΔＲＯ、ΔＲ及び表１のＶh 、Ｔe 、Ｌの実測
値をニューラルネットワーク１に与え、ニューラルネッ
トワーク１を学習させることによってウエイトを決定す
る。被判定用二次電池のＶh 、Ｔe 、Ｌを判定する時に
は図８の二次電池２を被判定用二次電池とし、複数の使
用期間Ｍのそれぞれにおいて内部抵抗Ｒを測定し、且つ
ΔＲＯＯ、ΔＲＯＯ、ΔＲをニューラルネットワーク１
に入力させる。ニューラルネットワーク１は学習で決定
されたウエイトを利用してＶh 、Ｔe 、Ｌを判定する。
次の表６は第五実施例の判定結果を示す。
【００３５】
【表６】
【００３６】
【変形例】本発明は上述の実施例に限定されるものでな
く、例えば次の変形が可能なものである。 （１） 図１に示すような放電曲線Ａ、Ｂ、Ｃと同様な
放電曲線を経年変化に応じて多数作り、ＯＣＶ及びＶＯ
と寿命Ｌ及び容量Ｔe の相互関係を示す表を作り、これ
をメモリに蓄積し、被判定二次電池のＯＣＶとＶＯが検
出されたらメモリの表に基づいてＯＣＶ、ＶＯに対応す
るＬ又はＴe を読み出してＬ、Ｔｅを判定するように構
成することができる。この場合もＯＣＶとＶＯを判定に
利用するので、被判定二次電池を長時間放電させないで
Ｌ、Ｔe を判定できる。 （２） ニューラルネットワーク１のＴe 、Ｌの出力ラ
インに警報手段を接続し、Ｔe 、Ｌが所定値になったら
警報を発生させることができる。
く、例えば次の変形が可能なものである。 （１） 図１に示すような放電曲線Ａ、Ｂ、Ｃと同様な
放電曲線を経年変化に応じて多数作り、ＯＣＶ及びＶＯ
と寿命Ｌ及び容量Ｔe の相互関係を示す表を作り、これ
をメモリに蓄積し、被判定二次電池のＯＣＶとＶＯが検
出されたらメモリの表に基づいてＯＣＶ、ＶＯに対応す
るＬ又はＴe を読み出してＬ、Ｔｅを判定するように構
成することができる。この場合もＯＣＶとＶＯを判定に
利用するので、被判定二次電池を長時間放電させないで
Ｌ、Ｔe を判定できる。 （２） ニューラルネットワーク１のＴe 、Ｌの出力ラ
インに警報手段を接続し、Ｔe 、Ｌが所定値になったら
警報を発生させることができる。
【図１】二次電池の放電特性を示す図である。
【図２】本発明の第一実施例のニューラルネットワーク
を示すブロック図である。
を示すブロック図である。
【図３】図２のニューラルネットワークの模式図であ
る。
る。
【図４】第一実施例の電池状態判定装置を示すブロック
図である。
図である。
【図５】第二実施例の電池状態判定装置を示すブロック
図である。
図である。
【図６】第三実施例の電池状態判定装置を示すブロック
図である。
図である。
【図７】第四実施例のニューラルネットワークを示すブ
ロック図である。
ロック図である。
【図８】第五実施例の電池状態判定装置を示すブロック
図である。
図である。
１ ニューラルネットワーク ２ 二次電池
Claims (6)
- 【請求項１】 二次電池の残りの容量、寿命及び放電開
始から所定時間後の電圧の内の少なくとも１つの電池状
態を判定する方法であって、 前記判定を行うための被判定二次電池と実質的に同一構
成の学習用二次電池の使用開始以後の複数の経過時点に
おける開路電圧（ＯＣＶ）及び放電開始直後の電圧（Ｖ
Ｏ）と前記電池状態との関係を示す情報を予め格納する
メモリ手段と、前記被判定二次電池の開路電圧（ＯＣ
Ｖ）及び放電開始直後の電圧（ＶＯ）を示すデータと前
記メモリ手段の前記情報とを使用して前記電池状態を予
測する手段とを用意するステップと、 前記被判定二次電池の開路電圧（ＯＣＶ）と放電開始直
後の電圧（ＶＯ）とを測定するステップと、 測定によって得られた前記被判定二次電池の開路電圧
（ＯＣＶ）及び放電開始直後の電圧（ＶＯ）と前記メモ
リ手段の前記情報とを使用して前記予測する手段によっ
て前記被判定二次電池の前記電池状態を判定するステッ
プとを備えていることを特徴とする二次電池の状態判定
方法。 - 【請求項２】 二次電池の残りの容量、寿命及び放電開
始から所定時間後の電圧の内の少なくとも１つの電池状
態を判定する方法であって、 前記判定を行うための被判定二次電池と実質的に同一構
成の学習用二次電池の使用開始以後の複数の経過時点に
おける開路電圧（ＯＣＶ）、放電開始直後の電圧（Ｖ
Ｏ）、前記開路電圧（ＯＣＶ）の前記学習用二次電池の
使用開始時点の値と前記複数の経過時点の値とのそれぞ
れの差分（ΔＯＣＶＯ）、前記開路電圧（ＯＣＶ）の前
記複数の経過時点における値とこの１つ前の時点の値と
の差分（ΔＯＣＶ）、前記放電開始直後の電圧（ＶＯ）
の前記学習用二次電池の使用開始時点の値と前記複数の
経過時点の値とのそれぞれの差分（ΔＶＯＯ）、及び前
記放電開始直後の電圧（ＶＯ）の前記複数の経過時点に
おける値とこの１つ前の時点の値との差分（ΔＶＯ）と
電池状態との関係を示す情報を予め格納するメモリ手段
と、前記被判定二次電池の開路電圧（ＯＣＶ）、放電開
始直後の電圧（ＶＯ）、前記開路電圧（ＯＣＶ）の前記
学習用二次電池の使用開始時点の値と前記複数の経過時
点の値とのそれぞれの差分（ΔＯＣＶＯ）、前記開路電
圧（ＯＣＶ）の前記複数の経過時点における値とこの１
つ前の時点の値との差分（ΔＯＣＶ）、前記放電開始直
後の電圧（ＶＯ）の前記学習用二次電池の使用開始時点
の値と前記複数の経過時点の値とのそれぞれの差分（Δ
ＶＯＯ）、及び前記放電開始直後の電圧（ＶＯ）の前記
複数の経過時点における値とこの１つ前の時点の値との
差分（ΔＶＯ）のデータと前記メモリ手段の前記情報と
を使用して前記電池状態を予測する手段とを用意するス
テップと、 前記被判定二次電池の開路電圧（ＯＣＶ）、放電開始直
後の電圧（ＶＯ）、前記開路電圧（ＯＣＶ）の前記被判
定二次電池の使用開始時点の値と前記複数の経過時点の
値とのそれぞれの差分（ΔＯＣＶＯ）、前記開路電圧
（ＯＣＶ）の前記複数の経過時点における値とこの１つ
前の時点の値との差分（ΔＯＣＶ）、前記放電開始直後
の電圧（ＶＯ）の前記被判定二次電池の使用開始時点の
値と前記複数の経過時点の値とのそれぞれの差分（ΔＶ
ＯＯ）、及び前記放電開始直後の電圧（ＶＯ）の前記複
数の経過時点における値とこの１つ前の時点の値との差
分（ΔＶＯ）を測定するステップと、 測定によって得られた前記被判定二次電池の開路電圧
（ＯＣＶ）、放電開始直後の電圧（ＶＯ）、前記開路電
圧（ＯＣＶ）の前記被判定二次電池の使用開始時点の値
と前記複数の経過時点の値とのそれぞれの差分（ΔＯＣ
ＶＯ）、前記開路電圧（ＯＣＶ）の前記複数の経過時点
における値とこの１つ前の時点の値との差分（ΔＯＣ
Ｖ）、前記放電開始直後の電圧（ＶＯ）の前記被判定二
次電池の使用開始時点の値と前記複数の経過時点の値と
のそれぞれの差分（ΔＶＯＯ）、及び前記放電開始直後
の電圧（ＶＯ）の前記複数の経過時点における値とこの
１つ前の時点の値との差分（ΔＶＯ）と前記メモリ手段
の前記情報とを使用して前記予測する手段によって前記
被判定二次電池の前記電池状態を判定するステップとを
備えていることを特徴とする二次電池の状態判定方法。 - 【請求項３】 二次電池の残りの容量、寿命及び放電開
始から所定時間後の電圧の内の少なくとも１つの電池状
態を判定する方法であって、 前記判定を行うための被判定二次電池と実質的に同一構
成の学習用二次電池の使用開始以後の複数の経過時点に
おける開路電圧（ＯＣＶ）、放電開始直後の電圧（Ｖ
Ｏ）、及び内部抵抗（Ｒ）と前記電池状態との関係を示
す情報を予め格納するメモリ手段と、前記被判定二次電
池の開路電圧（ＯＣＶ）、放電開始直後の電圧（ＶＯ）
及び内部抵抗（Ｒ）を示すデータと前記メモリ手段の前
記情報とを使用して前記電池状態を予測する手段とを用
意するステップと、 前記被判定二次電池の開路電圧（ＯＣＶ）と放電開始直
後の電圧（ＶＯ）と前記内部抵抗（Ｒ）とを測定するス
テップと、 測定によって得られた前記被判定二次電池の開路電圧
（ＯＣＶ）、放電開始直後の電圧（ＶＯ）及び内部抵抗
（Ｒ）と前記メモリ手段の前記情報とを使用して前記予
測する手段によって前記被判定二次電池の前記電池状態
を判定するステップとを備えていることを特徴とする二
次電池の状態判定方法。 - 【請求項４】 二次電池の残りの容量、寿命及び放電開
始から所定時間後の電圧の内の少なくとも１つの電池状
態を判定する方法であって、 前記判定を行うための被判定二次電池と実質的に同一構
成の学習用二次電池の使用開始以後の複数の経過時点に
おける開路電圧（ＯＣＶ）、放電開始直後の電圧（Ｖ
Ｏ）、前記開路電圧（ＯＣＶ）の前記学習用二次電池の
使用開始時点の値と前記複数の経過時点の値とのそれぞ
れの差分（ΔＯＣＶＯ）、前記開路電圧（ＯＣＶ）の前
記複数の経過時点における値とこの１つ前の時点の値と
の差分（ΔＯＣＶ）、前記放電開始直後の電圧（ＶＯ）
の前記学習用二次電池の使用開始時点の値と前記複数の
経過時点の値とのそれぞれの差分（ΔＶＯＯ）、及び前
記放電開始直後の電圧（ＶＯ）の前記複数の経過時点に
おける値とこの１つ前の時点の値との差分（ΔＶＯ）、
内部抵抗（Ｒ）、前記内部抵抗（Ｒ）の前記学習用二次
電池の使用開始時点の値と前記複数の経過時点の値との
それぞれの差分（ΔＲＯ）、及び前記内部抵抗（Ｒ）の
前記複数の経過時点における値とこの１つ前の時点の値
との差分（ΔＲ）と前記電池状態との関係を示す情報を
予め格納するメモリ手段と、前記被判定二次電池の開路
電圧（ＯＣＶ）、放電開始直後の電圧（ＶＯ）、前記開
路電圧（ＯＣＶ）の前記被判定二次電池の使用開始時点
の値と前記複数の経過時点の値とのそれぞれの差分（Δ
ＯＣＶＯ）、前記開路電圧（ＯＣＶ）の前記複数の経過
時点における値とこの１つ前の時点の値との差分（ΔＯ
ＣＶ）、前記放電開始直後の電圧（ＶＯ）の前記被判定
二次電池の使用開始時点の値と前記複数の経過時点の値
とのそれぞれの差分（ΔＶＯＯ）、及び前記放電開始直
後の電圧（ＶＯ）の前記複数の経過時点における値とこ
の１つ前の時点の値との差分（ΔＶＯ）、内部抵抗
（Ｒ）、前記内部抵抗（Ｒ）の前記被判定二次電池の使
用開始時点の値と前記複数の経過時点の値とのそれぞれ
の差分（ΔＲＯ）、及び前記内部抵抗（Ｒ）の前記複数
の経過時点における値とこの１つ前の時点の値との差分
（ΔＲ）を示すデータと前記メモリ手段の前記情報とを
使用して前記電池状態を予測する手段とを用意するステ
ップと、 前記被判定二次電池の開始電圧（ＯＣＶ）、放電開始直
後の電圧（ＶＯ）、前記開路電圧（ＯＣＶ）の前記被判
定二次電池の使用開始時点の値と前記複数の経過時点の
値とのそれぞれの差分（ΔＯＣＶＯ）、前記開路電圧
（ＯＣＶ）の前記複数の経過時点における値とこの１つ
前の時点の値との差分（ΔＯＣＶ）、前記放電開始直後
の電圧（ＶＯ）の前記被測定二次電池の使用開始時点の
値と前記複数の経過時点の値とのそれぞれの差分（ΔＶ
ＯＯ）、及び前記放電開始直後の電圧（ＶＯ）の前記複
数の経過時点における値とこの１つ前の時点の値との差
分（ΔＶＯ）、内部抵抗（Ｒ）、前記内部抵抗（Ｒ）の
前記被判定二次電池の使用開始時点の値と前記複数の経
過時点の値とのそれぞれの差分（ΔＲＯ）、及び前記内
部抵抗（Ｒ）の前記複数の経過時点における値とこの１
つ前の時点の値との差分（ΔＲ）を測定するステップ
と、 測定された前記被判定二次電池の開路電圧（ＯＣＶ）、
放電開始直後の電圧（ＶＯ）、前記開路電圧（ＯＣＶ）
の前記被判定二次電池の使用開始時点の値と前記複数の
経過時点の値とのそれぞれの差分（ΔＯＣＶＯ）、前記
開路電圧（ＯＣＶ）の前記複数の経過時点における値と
この１つ前の時点の値との差分（ΔＯＣＶ）、前記放電
開始直後の電圧（ＶＯ）の前記被判定二次電池の使用開
始時点の値と前記複数の経過時点の値とのそれぞれの差
分（ΔＶＯＯ）、及び前記放電開始直後の電圧（ＶＯ）
の前記複数の経過時点における値とこの１つ前の時点の
値との差分（ΔＶＯ）、内部抵抗（Ｒ）、前記内部抵抗
（Ｒ）の前記被判定二次電池の使用開始時点の値と前記
複数の経過時点の値とのそれぞれの差分（ΔＲＯ）、及
び前記内部抵抗（Ｒ）の前記複数の経過時点における値
とこの１つ前の時点の値との差分（ΔＲ）と前記メモリ
手段の前記情報とを使用して前記予測する手段によって
前記被判定二次電池の前記電池状態を判定するステップ
とを備えていることを特徴とする二次電池の状態判定方
法。 - 【請求項５】 二次電池の残りの容量、寿命及び放電開
始から所定時間後の電圧の内の少なくとも１つの電池状
態を判定する方法であって、 前記判定を行うための被判定二次電池と実質的に同一構
成の学習用二次電池の使用開始以後の複数の経過時点に
おける内部抵抗（Ｒ）、前記内部抵抗（Ｒ）の前記学習
用二次電池の使用開始時点の値と前記複数の経過時点の
値とのそれぞれの差分（ΔＲＯ）、及び前記内部抵抗
（Ｒ）の前記複数の経過時点における値とこの１つ前の
時点の値との差分（ΔＲ）と前記電池状態との関係を示
す情報を予め格納するメモリ手段と、前記被判定二次電
池の内部抵抗（Ｒ）、前記内部抵抗（Ｒ）の前記被判定
二次電池の使用開始時点の値と前記複数の経過時点の値
とのそれぞれの差分（ΔＲＯ）、及び前記内部抵抗
（Ｒ）の前記複数の経過時点における値とこの１つ前の
時点の値との差分（ΔＲ）を示すデータと前記メモリ手
段の前記情報とを使用して前記電池状態を予測する手段
とを用意するステップと、 前記被判定二次電池の内部抵抗（Ｒ）、前記内部抵抗
（Ｒ）の前記被判定二次電池の使用開始時点の値と前記
複数の経過時点の値とのそれぞれの差分（ΔＲＯ）、及
び前記内部抵抗（Ｒ）の前記複数の経過時点における値
とこの１つ前の時点の値との差分（ΔＲ）を測定するス
テップと、 前記被判定二次電池の内部抵抗（Ｒ）、前記内部抵抗
（Ｒ）の前記被判定二次電池の使用開始時点の値と前記
複数の経過時点の値とのそれぞれの差分（ΔＲＯ）、及
び前記内部抵抗（Ｒ）の前記複数の経過時点における値
とこの１つ前の時点の値との差分（ΔＲ）と前記メモリ
手段の前記情報とを使用して前記予測する手段によって
前記被判定二次電池の前記電池状態を判定するステップ
とを備えていることを特徴とする二次電池の状態判定方
法。 - 【請求項６】 前記メモリ手段と前記予測する手段は、
ニューラルネットワークであることを特徴とする請求項
１又は２又は３又は４又は５記載の二次電池の状態判定
方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP08071696A JP3520886B2 (ja) | 1996-03-08 | 1996-03-08 | 二次電池の状態判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP08071696A JP3520886B2 (ja) | 1996-03-08 | 1996-03-08 | 二次電池の状態判定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09243716A true JPH09243716A (ja) | 1997-09-19 |
| JP3520886B2 JP3520886B2 (ja) | 2004-04-19 |
Family
ID=13726079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP08071696A Expired - Fee Related JP3520886B2 (ja) | 1996-03-08 | 1996-03-08 | 二次電池の状態判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3520886B2 (ja) |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6285163B1 (en) | 1998-05-28 | 2001-09-04 | Toyota Jidosha Kabushiki Kaisha | Means for estimating charged state of battery and method for estimating degraded state of battery |
| JP2004180428A (ja) * | 2002-11-27 | 2004-06-24 | Densei Lambda Kk | バッテリ劣化のオンライン判定方法、無停電電源装置に搭載されるバッテリの劣化判定方法および無停電電源装置 |
| WO2005059579A1 (en) * | 2003-12-18 | 2005-06-30 | Lg Chem, Ltd. | Apparatus and method for estimating state of charge of battery using neural network |
| EP1691209A1 (en) | 2005-02-14 | 2006-08-16 | Denso Corporation | Method and apparatus for detecting charged state of secondary battery based on neural network calculation |
| JP2006300694A (ja) * | 2005-04-20 | 2006-11-02 | Denso Corp | 車両用蓄電装置の内部状態検出方式 |
| WO2009025512A2 (en) | 2007-08-23 | 2009-02-26 | Lg Chem, Ltd. | System and method for estimating long term characteristics of battery |
| JP2010519691A (ja) * | 2007-04-20 | 2010-06-03 | 杭州高特電子設備有限公司 | 蓄電池の性能を分析するためのエキスパート診断方法 |
| US7777446B2 (en) | 2006-01-31 | 2010-08-17 | Denso Corporation | Method and apparatus for calculating battery state and apparatus for controlling power voltage in vehicle |
| US7965059B2 (en) | 2005-11-30 | 2011-06-21 | Lg Chem, Ltd. | System, method, and article of manufacture for determining an estimated battery parameter vector |
| US7969120B2 (en) | 2003-11-20 | 2011-06-28 | Lg Chem, Ltd. | Method for calculating power capability of battery packs using advanced cell model predictive techniques |
| US8341449B2 (en) | 2010-04-16 | 2012-12-25 | Lg Chem, Ltd. | Battery management system and method for transferring data within the battery management system |
| US8519675B2 (en) | 2008-01-30 | 2013-08-27 | Lg Chem, Ltd. | System, method, and article of manufacture for determining an estimated battery cell module state |
| CN103364732A (zh) * | 2012-04-05 | 2013-10-23 | 三星Sdi株式会社 | 预测电池寿命的***及方法 |
| JP2014206499A (ja) * | 2013-04-15 | 2014-10-30 | 新電元工業株式会社 | 二次電池寿命予測システム、二次電池特性評価装置、二次電池搭載装置、および二次電池寿命予測方法 |
| US8974929B2 (en) | 2011-06-30 | 2015-03-10 | 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 |
| JP2017127099A (ja) * | 2016-01-13 | 2017-07-20 | ファナック株式会社 | 抵抗回生開始電圧および抵抗回生停止電圧の値を学習する機械学習器，モータ制御装置，モータ制御システムおよび機械学習方法 |
| WO2019176602A1 (ja) * | 2018-03-16 | 2019-09-19 | 株式会社Ｇｓユアサ | 検査方法、検査装置、学習モデル及び蓄電素子ユニットの製造方法 |
| WO2019181728A1 (ja) * | 2018-03-20 | 2019-09-26 | 株式会社Ｇｓユアサ | 劣化推定装置、コンピュータプログラム及び劣化推定方法 |
| WO2019181729A1 (ja) * | 2018-03-20 | 2019-09-26 | 株式会社Ｇｓユアサ | 劣化推定装置、コンピュータプログラム及び劣化推定方法 |
| WO2019240182A1 (ja) * | 2018-06-13 | 2019-12-19 | 株式会社Ｇｓユアサ | 行動生成装置、蓄電素子評価装置、コンピュータプログラム、学習方法及び評価方法 |
| WO2020027203A1 (ja) * | 2018-07-31 | 2020-02-06 | 本田技研工業株式会社 | 推定システム、推定装置、推定方法、プログラム、及び記憶媒体 |
| JPWO2020137914A1 (ja) * | 2018-12-28 | 2020-07-02 | ||
| CN111948563A (zh) * | 2020-06-19 | 2020-11-17 | 浙江大学 | 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法 |
| JP2020201044A (ja) * | 2019-06-06 | 2020-12-17 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | 開回路電圧計測方法、開回路電圧計測装置、及びプログラム |
| KR102215703B1 (ko) * | 2019-08-13 | 2021-02-16 | 한국과학기술원 | 에너지 저장장치 잔존 수명 추정 및 적정 동작구간 설정 기술 |
| CN113227808A (zh) * | 2018-12-28 | 2021-08-06 | 横河电机株式会社 | 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序 |
| WO2022195402A1 (ja) * | 2021-03-19 | 2022-09-22 | 株式会社半導体エネルギー研究所 | 蓄電装置管理システム及び電子機器 |
| US11677253B2 (en) | 2018-01-16 | 2023-06-13 | Gs Yuasa International Ltd. | Monitoring device, monitoring method, computer program, deterioration determination method, deterioration determination device, and deterioration determination system |
| WO2023189368A1 (ja) * | 2022-03-30 | 2023-10-05 | ヌヴォトンテクノロジージャパン株式会社 | 蓄電池の劣化推定装置、及び蓄電池の劣化推定方法 |
-
1996
- 1996-03-08 JP JP08071696A patent/JP3520886B2/ja not_active Expired - Fee Related
Cited By (50)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6285163B1 (en) | 1998-05-28 | 2001-09-04 | Toyota Jidosha Kabushiki Kaisha | Means for estimating charged state of battery and method for estimating degraded state of battery |
| JP2004180428A (ja) * | 2002-11-27 | 2004-06-24 | Densei Lambda Kk | バッテリ劣化のオンライン判定方法、無停電電源装置に搭載されるバッテリの劣化判定方法および無停電電源装置 |
| US7969120B2 (en) | 2003-11-20 | 2011-06-28 | Lg Chem, Ltd. | Method for calculating power capability of battery packs using advanced cell model predictive techniques |
| WO2005059579A1 (en) * | 2003-12-18 | 2005-06-30 | Lg Chem, Ltd. | Apparatus and method for estimating state of charge of battery using neural network |
| US7583059B2 (en) | 2003-12-18 | 2009-09-01 | Lg Chem, Ltd. | Apparatus and method for estimating state of charge of battery using neural network |
| KR100880717B1 (ko) * | 2005-02-14 | 2009-02-02 | 가부시키가이샤 덴소 | 뉴럴네트워크연산에 기초한 2차전지의 충전상태를 검출하기위한 방법 및 장치 |
| 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 |
| EP1691209A1 (en) | 2005-02-14 | 2006-08-16 | Denso Corporation | Method and apparatus for detecting charged state of secondary battery based on neural network calculation |
| JP4587306B2 (ja) * | 2005-04-20 | 2010-11-24 | 株式会社デンソー | 二次電池の残存容量演算方法 |
| JP2006300694A (ja) * | 2005-04-20 | 2006-11-02 | Denso Corp | 車両用蓄電装置の内部状態検出方式 |
| DE102006018208B4 (de) * | 2005-04-20 | 2017-11-23 | Denso Corporation | Verfahren und Vorrichtung zum Detektieren eines geladenen Zustandes einer sekundären Batterie basierend auf einer Berechnung eines neuronalen Netzwerks |
| US7965059B2 (en) | 2005-11-30 | 2011-06-21 | Lg Chem, Ltd. | System, method, and article of manufacture for determining an estimated battery parameter vector |
| DE102007004368B4 (de) | 2006-01-31 | 2019-12-05 | Denso Corporation | Verfahren und Vorrichtung zum Steuern der Versorgungsspannung eines Fahrzeugs |
| US7777446B2 (en) | 2006-01-31 | 2010-08-17 | Denso Corporation | Method and apparatus for calculating battery state and apparatus for controlling power voltage in vehicle |
| JP2010519691A (ja) * | 2007-04-20 | 2010-06-03 | 杭州高特電子設備有限公司 | 蓄電池の性能を分析するためのエキスパート診断方法 |
| JP2010538246A (ja) * | 2007-08-23 | 2010-12-09 | エルジー・ケム・リミテッド | バッテリーの長期特性予測システム及び方法 |
| WO2009025512A2 (en) | 2007-08-23 | 2009-02-26 | Lg Chem, Ltd. | System and method for estimating long term characteristics of battery |
| EP2188642A2 (en) * | 2007-08-23 | 2010-05-26 | LG Chem. Ltd. | System and method for estimating long term characteristics of battery |
| EP2188642A4 (en) * | 2007-08-23 | 2014-01-22 | Lg Chemical Ltd | SYSTEM AND METHOD FOR ESTIMATING LONG-TERM BATTERY CHARACTERISTICS |
| US9255973B2 (en) | 2007-08-23 | 2016-02-09 | Lg Chem, Ltd. | System and method for estimating long term characteristics of battery |
| US8519675B2 (en) | 2008-01-30 | 2013-08-27 | 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 |
| 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 |
| CN103364732A (zh) * | 2012-04-05 | 2013-10-23 | 三星Sdi株式会社 | 预测电池寿命的***及方法 |
| JP2013217897A (ja) * | 2012-04-05 | 2013-10-24 | Samsung Sdi Co Ltd | バッテリーの寿命予測システム |
| JP2014206499A (ja) * | 2013-04-15 | 2014-10-30 | 新電元工業株式会社 | 二次電池寿命予測システム、二次電池特性評価装置、二次電池搭載装置、および二次電池寿命予測方法 |
| JP2017127099A (ja) * | 2016-01-13 | 2017-07-20 | ファナック株式会社 | 抵抗回生開始電圧および抵抗回生停止電圧の値を学習する機械学習器，モータ制御装置，モータ制御システムおよび機械学習方法 |
| US11677253B2 (en) | 2018-01-16 | 2023-06-13 | Gs Yuasa International Ltd. | Monitoring device, monitoring method, computer program, deterioration determination method, deterioration determination device, and deterioration determination system |
| WO2019176602A1 (ja) * | 2018-03-16 | 2019-09-19 | 株式会社Ｇｓユアサ | 検査方法、検査装置、学習モデル及び蓄電素子ユニットの製造方法 |
| WO2019181728A1 (ja) * | 2018-03-20 | 2019-09-26 | 株式会社Ｇｓユアサ | 劣化推定装置、コンピュータプログラム及び劣化推定方法 |
| JP2019168452A (ja) * | 2018-03-20 | 2019-10-03 | 株式会社Ｇｓユアサ | 劣化推定装置、コンピュータプログラム及び劣化推定方法 |
| JP2019168453A (ja) * | 2018-03-20 | 2019-10-03 | 株式会社Ｇｓユアサ | 劣化推定装置、コンピュータプログラム及び劣化推定方法 |
| WO2019181729A1 (ja) * | 2018-03-20 | 2019-09-26 | 株式会社Ｇｓユアサ | 劣化推定装置、コンピュータプログラム及び劣化推定方法 |
| US11243262B2 (en) | 2018-03-20 | 2022-02-08 | Gs Yuasa International Ltd. | Degradation estimation apparatus, computer program, and degradation estimation method |
| JP2019216552A (ja) * | 2018-06-13 | 2019-12-19 | 株式会社Ｇｓユアサ | 行動生成装置、蓄電素子評価装置、コンピュータプログラム、学習方法及び評価方法 |
| WO2019240182A1 (ja) * | 2018-06-13 | 2019-12-19 | 株式会社Ｇｓユアサ | 行動生成装置、蓄電素子評価装置、コンピュータプログラム、学習方法及び評価方法 |
| WO2020027203A1 (ja) * | 2018-07-31 | 2020-02-06 | 本田技研工業株式会社 | 推定システム、推定装置、推定方法、プログラム、及び記憶媒体 |
| JPWO2020027203A1 (ja) * | 2018-07-31 | 2021-08-26 | 本田技研工業株式会社 | 推定システム、推定装置、推定方法、プログラム、及び記憶媒体 |
| WO2020137914A1 (ja) * | 2018-12-28 | 2020-07-02 | 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 |
| JPWO2020137914A1 (ja) * | 2018-12-28 | 2020-07-02 | ||
| EP3904894A4 (en) * | 2018-12-28 | 2022-03-02 | Yokogawa Electric Corporation | TRAINING DEVICE, ESTIMATION DEVICE, TRAINING METHOD, ESTIMATION METHOD, TRAINING PROGRAM AND ESTIMATION PROGRAM |
| CN113227808A (zh) * | 2018-12-28 | 2021-08-06 | 横河电机株式会社 | 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序 |
| JP2020201044A (ja) * | 2019-06-06 | 2020-12-17 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | 開回路電圧計測方法、開回路電圧計測装置、及びプログラム |
| US11561259B2 (en) | 2019-06-06 | 2023-01-24 | Panasonic Intellectual Property Corporation Of America | Open circuit voltage measuring method, open circuit voltage measuring device, and recording medium recording program |
| KR102215703B1 (ko) * | 2019-08-13 | 2021-02-16 | 한국과학기술원 | 에너지 저장장치 잔존 수명 추정 및 적정 동작구간 설정 기술 |
| CN111948563A (zh) * | 2020-06-19 | 2020-11-17 | 浙江大学 | 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法 |
| WO2022195402A1 (ja) * | 2021-03-19 | 2022-09-22 | 株式会社半導体エネルギー研究所 | 蓄電装置管理システム及び電子機器 |
| WO2023189368A1 (ja) * | 2022-03-30 | 2023-10-05 | ヌヴォトンテクノロジージャパン株式会社 | 蓄電池の劣化推定装置、及び蓄電池の劣化推定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3520886B2 (ja) | 2004-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3520886B2 (ja) | 二次電池の状態判定方法 | |
| KR100880717B1 (ko) | 뉴럴네트워크연산에 기초한 2차전지의 충전상태를 검출하기위한 방법 및 장치 | |
| JP6234946B2 (ja) | 電池状態推定装置 | |
| US4725784A (en) | Method and apparatus for determining the state-of-charge of batteries particularly lithium batteries | |
| US8855956B2 (en) | Method and system for determining state of charge of an energy delivery device | |
| US4968942A (en) | Method for monitoring aircraft battery status | |
| US6366054B1 (en) | Method for determining state of charge of a battery by measuring its open circuit voltage | |
| US7012434B2 (en) | Method for determining the amount of charge which can be drawn from a storage battery and monitoring device | |
| US20060125483A1 (en) | Battery tester that calculates its own reference values | |
| WO2003034084A1 (en) | Electronic battery tester with relative test output | |
| WO2000013288A1 (en) | Battery charge measurement and discharge reserve time prediction technique and apparatus | |
| KR20070021911A (ko) | 열화 판정 장치, 열화 판정 방법 및 컴퓨터 프로그램 | |
| JP2010164441A (ja) | 二次電池の劣化診断装置 | |
| Liu et al. | A new dynamic SOH estimation of lead‐acid battery for substation application | |
| JP4700073B2 (ja) | 鉛蓄電池の容量劣化の方法および装置 | |
| JP2006220617A (ja) | 車両用蓄電装置の内部状態検出方式 | |
| US6060862A (en) | Rechargeable electronic apparatus | |
| CN107430172B (zh) | 使用放电脉冲测量的电池监测设备和方法 | |
| JP7166298B2 (ja) | バッテリセル内の自己放電不良を検出する方法 | |
| EP0323539A1 (en) | Method for determining the state-of-charge of batteries, particularly lithium batteries | |
| Shahriari et al. | State of health estimation of VRLA batteries using fuzzy logic | |
| CN114859249B (zh) | 一种电池包容量的检测方法和装置 | |
| JP2001250590A (ja) | 蓄電池の劣化判定方法 | |
| US11988717B2 (en) | Measurement apparatus of power storage device and measurement method | |
| JP2018091701A (ja) | 電圧推定装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20040114 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040127 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080213 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090213 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100213 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110213 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120213 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130213 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130213 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140213 Year of fee payment: 10 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |