CN115047369B 状态估计模型的学习方法、状态估计方法和状态估计装置 （本田技研工业株式会社）

JP2003249271A,200US2007252600A1,200二次电池的工作中高精度地估计二次电池的状时间间隔测定二次电池的包含端子电流和端子型学习状态估计输入数据与二次电池的充电率及/或劣化度之间的关系，在计算状态估计输入包含差分梯度的时间序列数据的状态估计输入2二次电池的充电率及/或劣化度进行估计的状态估计模型的基于机器学习的学习方法，其按照规定的时间间隔来测定所述工作中的二次电池的包含端子电流和端子电压的状通过机器学习，使所述状态估计模型学习所述状态估计输入数据与根据所述端子电流的时间序列数据和所述端子电压流的差分即电流差分以及所述端子电压的差分基于所述电流差分的时间序列数据和所述电压差分的时间序列数溯了第1规定时间的过去到当前为止的期间内的所述电压差分相对于所述电流差分的变化生成包含所述差分梯度的时间序列数据的所述状所述状态估计输入数据还包含所述工作中的二次电池的开路电所述第1梯度变化率是根据在从自当前追溯了第2规定时间的过去到当前为止的期间度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量的时间序列数据而计算出的、从自当前追溯了第3规定时间的过去到当前为止的期间内的所所述第2梯度变化率是根据从当前的所述开路电压减去从当前追溯了所述第2规定时化量的时间序列数据而计算出的、从自当前追溯了第3规定时间的过去到当前为止的期间所述第1梯度变化率和所述第2梯度变化率是使用最小二乘将所述端子电流的时间序列数据和所述端子电压的时间序列数据、以在进行所述计算的步骤中，使用利用学习完毕的开路电压估计模型来估计的开路电估计输入数据与所述工作中的二次电池的开路电压3所述电流差分和所述电压差分分别是所述端子电流的时间序列数据的四阶差分和所构成所述状态估计模型的RNN的中间层由LSTM(LongShortTermMemory：长短期记所述状态估计模型是通过使用针对连接有负载或充电器的电特性不同的多个二次电池中的各个二次电池的包含端子电流和端子电压的状态变量的时间序列数据进行的学习按照规定的时间间隔来测定连接有负载或充电器的工作中的二次电池的包含端子电使用基于权利要求1至11中的任意一项所述的二次电池的状态估计模型的学习方法得根据所述端子电流的时间序列数据和所述端子电压流的差分即电流差分和所述端子电压的差分基于所述电流差分的时间序列数据和所述电压差分的时间序列数溯了第1规定时间的过去到当前为止的期间内的、所述电压差分相对于所述电流差分的变生成包含所述差分梯度的时间序列数据的所述状状态观测部，其按照规定的时间间隔来测定工作中的二次电池的包预处理部，其对所述状态观测部测定出的状态变量进行预处理状态估计部，其使用基于权利要求1至11中的任意一项所述的二次电池的状态估计模4根据所述状态观测部取得的所述端子电流的时间序列数据和所述端子电压的时间序基于所述电流差分的时间序列数据和所述电压差分的时间序列数溯了第1规定时间的过去到当前为止的期间内的、所述电压差分相对于所述电流差分的变生成包含所述差分梯度的时间序列数据的所述状5行学习而得到的，该第2神经网络是以根据上述工作参数的计测值和上述估计出的劣化状态D来估计上述二次电池的SOC的方式进行学性、内部阻抗特性及/或这些特性对SOH的依存性可能根据该二次电池的制造厂商及/或型计测值直接向神经网络输入的上述现有技术中，决定应设为估计对象的二次电池(对象二次电池)的一个厂商和型号，使用与其厂商相同且型号相同的二次电池收集该神经网络的种厂商及/或型号的二次电池作为估计对象而高精度地估计它6特性的二次电池的工作中高精度地估计这些二次电池的载或充电器的工作中的二次电池的充电率及/或劣化度进行估计的状态估计模型的基于机型学习所述状态估计输入数据与所述工作中的二次电池的充电率及/或劣化度之间的关1规定时间的过去到当前为止的期间内的所述电压差分相对于所述电流差分的变化率即差度减去从当前追溯了所述第2规定时间的过去的所述差分梯度而得到的差分梯度变化量的时间序列数据而计算出的、从自当前追溯了第3规定时间的过去到当前为止的期间内的所述差分梯度变化量相对于所述累计电流值的变化率，所述第2梯度变化率是根据从当前的所述开路电压减去从当前追溯了所述第2规定时间的过去的所述开路电压而得到的开路电前追溯了第3规定时间的过去到当前为止的期间内的所述差分梯度变化量相对于所述开路压估计模型学习了所述电压估计输入数据与所述工作中的二次电池的开路电压之间的关7的电特性不同的多个二次电池中的各个二次电池的包含端子电流和端子电压的状态变量溯了第1规定时间的过去到当前为止的期间内的、所述电压差分相对于所述电流差分的变序列数据和所述电压差分的时间序列数据，计算从自当前追溯了第1规定时间的过去到当述差分梯度的时间序列数据的所述状态估计输[0031]图3是示出图1所示的状态估计模型的学习方法中的计算状态估计输入数据的步8[0038]图10是示出图2所示的机器学习装置的模型学习部生成的开路电压估计模型的结[0039]图11是示出图2所示的机器学习装置的模型学习部生成的状态估计模型的结构的[0040]图12是示出使用学习完毕的开路电压估计模型和状态估计模型进行的二次电池[0046]本发明的发明人发现至少在相同种类的二次电池(例如，种类同为“锂离子电池”的二次电池)之间，在二次电池的端子电流及端子电压的变化的变化方式即高阶的变化方(电流差分)的变化率(后述的差分梯度)用作表现二次电池的端子电流及端子电压的高阶[0049]图1是示出本发明的第1实施方式的二次电池的状态估计模型的学习方法的步骤压估计模型的学习方法包括通过机器学习使状态计模型学习上述状态估计输入数据与作9[0050]图2是示出执行图1所示的状态估计模型的学习方法的学习管理装置和机器学习的开路电压估计模型的机器学习。状态估计模型和开路电压估计模型例如由神经网络构关108与二次电池102之间插入有特性测定机，根据来自操作员的指示而开始动作，进行针对充电器104的开始及停止电源输出的指序列数据被用作后述的机器学习装置100执行的开路电压估计模型的学[0058]此外，学习管理装置112基于上述取得的端子电压Vte和端子电流Ite的时间序列[0060]机器学习装置100具备处理装置120和存储装置122。存储装置122例如由易失性及/或非易失性的半导体存储器及/或硬盘装置等构成。存储装置122存储由后述的模型学习部134生成的开路电压估计模型124和状态[0061]处理装置120例如是具备CPU(CentralProcessingUnit：中央处理单元)等处理器的计算机。处理装置120也可以为具有被写入程序的ROM(ReadOnlyMemory：只读存储[0062]处理装置120所具备的这些功能要素例如通过作为计算机的处理装置120执行程代之，也能够将处理装置120所具备的上述功能要素的全部或一部分分别由包含一个以上[0066]输入数据生成部132基于由状态变量测定部130取得的端子电流Ite和端子电压的开路电压估计模型124来生成用于状态估计模型126的学习的状态估[0068]电压估计输入数据是输入数据生成部132为了开路电压估计模型124的学习而生压Vte的时间序列数据，计算端子电流Ite的差分即电流差分δIte和端子电压Vte的差分即[0070]此外，输入数据生成部132基于上述计算出的电流差分δIte的时间序列数据和电[0072]而且，输入数据生成部132生成从自当前追溯了规定时间T2的过去到当前为止的[0077]状态估计输入数据是输入数据生成部132在图1所示的学习方法的步骤S102中生时间T1的过去到当前为止的期间内的电压差分δVte相对于电流差分δIte的变化率即差分当前追溯了规定时间T2的过去到当前为止的期间的时间序列数据输入到开路电压估计模减去从自当前追溯了规定时间T3的过去的差分梯度Sdiff，计算差分梯度变化量Dsd[0080]接着，输入数据生成部132计算在从自当前追溯了规定时间T3的过去到当前为止分梯度变化量Dsd相对于开路电压变化量Dvoc的、从自当前追溯了规定时间T4的过去到当[0082]然后，输入数据生成部132例如生成从自当前追溯了规定时间T5的过去到当前为入数据和状态估计输入数据的具体的计算方法进照时间间隔dt反复取得端子电流Ite的时刻或该时刻的索引(编号)。第2列是端子电流Ite子电流Ite(tn-1)而计算的。此外，时刻tn的二阶差分Δ2Ite(tn)是从时刻tn的一阶差分Δ[0099]输入数据生成部132与上述的电流差分同样地计算端子电压Vte的电压差分δVte。子电压Vte(tn-1)而计算的。此外，时刻tn的二阶差分Δ2Vte(tn)是从时刻tn的一阶差分ΔΔ3Vte(tn)减去时刻tn-1的三阶差分Δ3[0110]差分梯度Sdiff是从自当前追溯了规定时间T1的过去到当前为止的期间内的电压分别提取从过去的时刻tm到当前的时刻tn的期间内的k1个(k1＝n-m+1)电流差分δIte和电m到当前的时刻tn的期间相当于从自当前追溯了规定时间[0114]图7是用于对累计电流值ΣIte、开路电压变第7列。图7的表的第1列表示状态变量测定部130按照时间间隔dt重复取得端子电流Ite的5列表示根据第4列的开路电压Voc的时间序列数据计算的开[0116]第6列是上述那样计算的差分梯度Sdiff，第7列表示根据第6列的差分梯度Sdiff[0117]当前时刻tn的累计电流值ΣIte(tn)是在从自当前追溯了规定时间T3的过去的时[0119]当前时刻tn的开路电压变化量Dvoc(tn)是从当前时刻tn的开路电压Voc(tn)减去从当前追溯了规定时间T3的过去的时刻t的开路电压Voc(t)[0121]当前时刻tn的差分梯度变化量Dsd(tn)是从当前时刻tn的差分梯度Sdiff(tn)减去[0125]第1梯度变化率R1是差分梯度变化量Dsd相对于累成部132分别提取从过去的时刻tq到当前的时刻tn的期间的k2个(k2＝n-q+1)的累计电流值追溯了规定时间T4的过去到当前为止的期间。而且，输入数据生成部132根据提取出的Σ量Dsd相对于开路电压变化量Dvoc的变化率的第2梯度变化率[0128]更具体而言，如图9所示，将开路电压变化量Dvoc设为横轴且将差分梯度变化量Dsd设为纵轴的二维平面上的上述k2个的数据组(Dvoc，Dsd)的标绘点(图示虚线椭圆内的设为tn且将自当前追溯了规定时间T2的过去的时刻设为tr时，电压估计输入数据通过下式和第2梯度变化率R2的、从自当前追溯了规定时间T5的过去到当前为止的期间内的时间序[0145]这里，差分梯度Sdiff的时间序列数据VSdiff(tn)、开路电压Vo(tn)分别是具有差分梯度Sdiff、开路次电池102的开路电压Voc的时间序列数据，将该取得的开路电压Voc的时间序列数据用作是，中间层302不限定于LSTM。例如，中间层302也可以由GRU(门控递归单元，Gated[0152]输出层304输出二次电池102的时刻tn的开路电压Voc的估计值作为输出y1(tn)。[0154]模型学习部134执行图1所示的步骤S104，使用输入数据生成部132生成的状态估学习管理装置112计算出的二次电池102的SOC和SOH的时间序列数据，使用该取得的SOC和SOH的时间序列数据作为示教数据来进行[0155]图11是示出模型学习部134生成的状态估计模型126的结构的图。状态估计模型[0157]输出层314输出二次电池102的时刻tn的SOC的估计值和SOH的估计值作为输出Vy2Vy2(tn)是将作为标量的SOC(tn)和SOH(tn)作为要素的一阶张量。[0158]上述那样生成的开路电压估计模型124和状态估计模型126不是将二次电池的端子电流Ite和端子电压Vte直接作为输入，而是将差分梯度Sdiff作为输入，该差分梯度Sdiff是根据端子电压Vte的时间序列数据计算的电压差分δVte相对于根据端子电流Ite的内部状态之间存在相关性。因此，上述那样生成的开路电压估计模型124和状态估计模型[0161]作为用于模型学习的二次电池102，期望使用厂商或型号不同而使电特性不同的充放电及/或按照规定的基准交替地进行充放电。这样的规定的基准可以是与作为估计对模型124和状态估计模型126的学习数据的基础的二次电池102的状态变量(Ite、Vte)以及[0166]学习管理装置112也可以预先使二次电池工作而取得并存储状态变量的时间序列管理装置112存储的上述状态变量的时间序列数据和示教数据的时间序列数据，进行开路数据的误差在实用上没有问题的范围内，则也可以通过利用计算机对根据二次电池102的等效电路等设计资料而掌握的充放电特性进行[0170]开路电压估计模型和状态估计模型的学习用数据均是通过利用计算机对电特性[0171]上述充放电经过不仅仅使样本二次电池在完全充电状态(SOC＝100％)与完全放开路电压估计模型和状态估计模型的电压估计输入数据以及状态估计输入数据时的规定[0173]图12示出将从上述样本二次电池中任意选择出的一个二次电池作为估计对象(以供的状态估计输入数据是基于根据对象二次电池的充放电特性并通过模拟而计算的该对象二次电池的放电时的每隔规定时间间隔dt的Ite和Vt[0178]接着对本发明的第2实施方式进行说明。图13是示出本发明的一实施方式的二次测定连接有负载或充电器的工作中的二次电池的包含端子电流和端子电压的状态变量的步骤(S300)；以及对测定出的状态变量进行预处理而计算状态估计输入数据的步骤状态估计模型并根据上述状态估计输入数据来估计上述工作中的二次电池的状态的步骤[0179]图13所示的状态估计方法例如在图14所示的状态估计装置400中执行。该状态估计装置400例如搭载于作为电动汽车的车辆402，估计作为车辆402的车载电池的工作中的二次电池404的状态。二次电池404经由特性测定器406和通电控制器408而与旋转电机410[0180]旋转电机410作为通过来自二次电池404的放电而被供电从而驱动车辆402的车轮的马达发挥功能，并且也作为通过从车轮传递的旋转力进行发电而对二次电池404进行充[0181]特性测定器406测定二次电池404的包含端子电流Ite和端子电压Vte的状态变量器408在位于车辆402的外部的外部充电装置412与车辆402连接时，在行驶控制装置414的[0182]行驶控制装置414从状态估计装置400取得表示二次电池404的状态的当前的SOC[0184]处理装置440例如是具备CPU等处理器的计算机。处理装置440也可以为具有被写充电控制部444以及通知控制部446作为功能要素或[0185]处理装置440所具备的这些功能要素例如通过作为计算机的处理装置440执行程代之，也能够将处理装置440所具备的上述功能要素的全部或一部分分别由包含一个以上[0186]马达控制部442根据油门踏板传感器452来检测车辆402的油门踏板(未图示)的踩414经由通电控制器408来控制旋转电机410的转速，使得从车速传感器456取得的车辆402在车辆402的加速时或定速行驶时从二次电池404向旋转电机410通电的电流的上限值(最[0188]充电控制部444通过制动踏板传感器454来判断车辆402的制动踏板(未图示)是否来控制从外部充电装置412向二次电池4例如在SOH估计值低于规定值时，在显示装置450中显示向车辆402的驾驶员提议更换二次[0191]状态估计装置400执行图13所述的二次电池的状态估计方法，估计工作中的二次[0193]处理装置420例如是具备CPU等处理器的计算机。处理装置420也可以为具有被写预处理部424以及状态估计部426作为功能要素或[0194]处理装置420所具备的这些功能要素例如通过作为计算机的处理装置420执行程代之，也能够将处理装置420所具备的上述功能要素的全部或一部分分别由包含一个以上差分δVte(图15所示的处理500)。然后，预处理部424计算电压差分δVte相对于电流差分δ从自当前追溯了规定时间T2的过去到当前为止的期间内的时间序列数据输入到开路电压[0199]此外，预处理部424计算在从自当前追溯了规定时间T3的过去到当前为止的期间内连续取得的端子电流Ite的总和即累计电流值ΣIte424计算从当前的差分梯度Sdiff减去从当前追溯了规定时间T3的过去的差分梯度Sdiff而第2梯度变化率R2的、从自当前追溯了规定时间T5的过去到当前为止的期间内的时间序列的具体的计算方法、以及状态估计输入数据的结构与在第1实施方式中说明的计算方法和404的当前状态的SOC和SOH。状态估计部426将估计出的当前的SOC和SOH的值作为SOC估计[0207]例如，上述的第1实施方式中的机器学习装置100和第2实施方式中的状态估计装置400使用学习完毕的开路电压估计模型来取得状态估计模型的学习或状态估计所需要的对SOC和SOH中的一方进行估计的方式第2梯度变化率R2各自的时间序列数据，作为向状态估计模型126输入的状态估计输入数[0212]此外，也可以在向状态估计模型126输入的状态估计输入数据中追加从自当前追使状态估计模型126学习端子电流相对于端子电压的变化(梯度)的动作与SOC和SOH之间的输入数据和状态估计输入数据(式(1)和式(2))分别输入到开路电压估计模型124和状态估计装置400的处理装置420所具备的状态观测部422、预处理部424和状态估计部426也可以模型430和状态估计模型432被存储在行驶控制装置414的存储装置4[0220]如以上说明的那样，上述的第1实施方式的二次电池的状态估计模型的学习方法态估计模型126学习状态估计输入数据与上述工作中的二次电池102的充电率SOC及/或劣电流Ite的时间序列数据和端子电压Vte的时间序列数据，来计算端子电流Ite的差分即电不同的具有各种电特性的二次电池的工作中高精度地估计这些二次电池的充电率及/或劣当前的差分梯度Sdiff减去从当前追溯了第2规定时间T3的过去的差分梯度Sdiff而得到的Ite的从自当前追溯了第3规定时间T4的过去到当前为止[0224]此外，第2梯度变化率R2是根据从当前的开路电压Voc中减去从当前追溯了第2规定时间T3的过去的开路电压Voc而得到的开路电压变化量Dvoc的时间序列数据、以及上述量Dvoc的从自当前追溯了第3规定时间T4的过去到当前为止据该结构，能够提高所生成的状态估计模型估计二次电池的充电率及/或劣化度的估计精[0228]此外，在计算状态估计输入数据的步骤S102中，将端子电流Ite的时间序列数据VIte(tn)和端子电压Vte的时间序列数据VVte(tn)、以及差分梯度Sdiff的时间序列数据态估计模型的二次电池的充电率及/或劣化度的估[0232]此外，电流差分δIte和电压差分δVte分别是端子电流Ite的时间序列数据的四阶态估计模型，使用电特性不同的二次电池能够更加共同地具有的端子电流Ite和端子电压Vte的高阶的变化方式，能够更高精度地估计厂商或型号不同的具有各种电特性的二次电[0234]此外，状态估计模型126是通过使用针对连接有负载106或充电器104的电特性不同的多个二次电池102的各个二次电池102的包含端子电流Ite和端子电压Vte的状态变量不同的具有各种电特性的二次电池的充电率及/或劣化度的状态间间隔dt来测定连接有负载106或充电器104的工作中的二次电池102的包含端子电流Ite计输入数据的步骤S302；以及使用基于第1实施方式的学习方法的学习完毕的状态估计模型432，根据状态估计输入数据估计工作中的二次电池102的当前的充电率及/或劣化度的据和端子电压Vte的时间序列数据，计算端子电流Ite的差分即电流差分δIte和端子电压间序列数据和电压差分δVte的时间序列数据，计算从自当前追溯了第1规定时间T1的过去态估计装置400具有状态观测部422，该状态观测部422按照规定的时间间隔dt测定工作中有预处理部424，该预处理部424对状态观测部422测定出的状态变量进行预处理而计算状作中的二次电池102的当前的充电率及/或[0237]而且，预处理部424根据状态观测部422取得的端子电流Ite的时间序列数据和端子电压Vte的时间序列数据，计算端子电流的差分即电流差分δIte和端子电压的差分即电精度地估计这些二次电池的充电率及/或劣[0241](结构1)一种二次电池的状态估计模型的学习方法，其是对连接有负载或充电器的工作中的二次电池的充电率及/或劣化度进行估计的状态估计模型的基于机器学习的学状态估计输入数据与所述工作中的二次电池的充电率及/或劣化度之间的关系，在进行所分的时间序列数据和所述电压差分的时间序列数据，计算从自当前追溯了第1规定时间的包含所述差分梯度的时间序列数据的所述状态估计输估计输入数据还包含所述工作中的二次电池的开路电压的时间序列数据、第1梯度变化率前追溯了第2规定时间的过去到当前为止的期间连续取得的所述端子电流的值的总和即累计电流值的时间序列数据、从当前的所述差分梯度减去从当前追溯了所述第2规定时间的了第3规定时间的过去到当前为止