JP7169519B2 - 電池容量推定方法、および電池容量推定システム - Google Patents

Description

本開示は、二次電池の容量を推定するための電池容量推定方法、および電池容量推定システムに関する。

二次電池は、パソコンや携帯端末等のポータブル電源、あるいはＥＶ（電気自動車）、ＨＶ（ハイブリッド自動車）、ＰＨＶ（プラグインハイブリッド自動車）等の車両駆動用電源として広く用いられている。車両等に搭載されていた二次電池は、回収される場合がある。回収された二次電池は、使用可能であれば再利用されることが望ましい。しかし、二次電池は、時間の経過および充放電の繰り返しに伴って劣化し得る。二次電池の劣化の進行度合いは、二次電池毎に異なる。従って、回収された二次電池の各々の特性を評価し、評価結果に応じて、各々の二次電池の再利用の方針を決定することが望ましい。また、回収された二次電池の再利用方針を決定する場合に限らず、二次電池の特性を評価することが望ましい場合は多い。

二次電池の特性を評価するための種々の手法が提案されている。例えば、特許文献１に記載の電池の特性評価方法では、交流インピーダンス測定法によって取得された二次電池の反応抵抗値に基づいて、二次電池における微小短絡の有無が判定される。

特開２００３－３１７８１０号公報

交流インピーダンス測定法を利用して二次電池の容量を推定する際に、同一の二次電池に対して同一の交流インピーダンス測定法を用いて容量を推定する場合でも、推定結果にばらつきが生じる場合があった。容量の推定精度は、より向上させることが望ましい。

ここに開示される一態様の電池容量推定方法は、対象二次電池の充放電を行う充放電ステップと、上記充放電ステップにおける充放電が完了した以後、予め定められた最長待機時間が経過する前に、特定の周波数範囲で交流信号を前記対象二次電池に印加することで、上記対象二次電池の交流インピーダンスの測定結果を取得する交流インピーダンス取得ステップと、上記交流インピーダンスの測定結果に基づいて、上記対象二次電池の電池容量を推定する電池容量推定ステップと、を含む。

本願の発明者は、二次電池の充放電が完了してから交流インピーダンスを測定するまでの経過時間に応じて、交流インピーダンスに基づく電池容量の推定結果のばらつきが変化するという知見を得た。つまり、充放電が完了してから交流インピーダンスを測定するまでの経過時間が、二次電池の種類等に応じて定まる最長待機時間よりも短い場合に、推定結果のばらつきが小さくなる傾向が、発明者による実験結果から得られた。上記の電池容量推定方法によると、二次電池の充放電が完了した以後、最長待機時間が経過する前に測定された交流インピーダンスに基づいて、電池容量が推定される。従って、より高い精度で対象二次電池の容量が推定される。

なお、最長待機時間は、二次電池の種類、二次電池が組電池であるか否か、および、二次電池が組電池である場合の組電池の構成等に応じて変化する。従って、最長待機時間は、二次電池の種類等に応じて、実験等によって適宜設定されればよい。

ここに開示される電池容量推定方法の好適な一態様では、交流インピーダンス取得ステップにおいて、充放電ステップにおける充放電が完了した以後の経過時間が、予め定められた最短待機時間よりも長く、且つ最長待機時間よりも短い間に、対象二次電池の交流インピーダンスの測定結果が取得される。

本願の発明者は、二次電池の充放電が完了してから交流インピーダンスが測定されるまでの経過時間が、二次電池の種類等に応じて定まる最短待機時間よりも長く、且つ最長待機時間よりも短い場合に、電池容量の推定結果のばらつきがさらに小さくなる傾向を見出した。従って、二次電池の充放電が完了してから交流インピーダンスを測定するまでの経過時間を、最短待機時間よりも長く、且つ最長待機時間よりも短くすることで、より高い精度で対象二次電池の容量が推定される。なお、最短待機時間も、最長待機時間と同様に、二次電池の種類等に応じて適宜設定されればよい。

ここに開示される電池容量推定方法の好適な一態様では、電池容量推定ステップにおいて、学習済みのニューラルネットワークモデルに、対象二次電池のナイキストプロットに基づくデータが入力されることで、対象二次電池の電池容量の推定結果が取得される。学習済みのニューラルネットワークモデルは、複数の二次電池の各々の、交流インピーダンスの測定結果を示す複数のナイキストプロットに基づくデータと実際の電池容量とを含む複数の訓練データによって学習が行われている。

この場合、ニューラルネットワークモデルを適切に学習させることで、複雑な処理（例えば、交流インピーダンスの測定結果を解析する処理等）を実行しなくても、対象二次電池の電池容量の推定結果が容易且つ適切に取得される。ただし、ニューラルネットワークモデルを利用せずに、他のアルゴリズムに基づいて電池容量を推定することも可能である。

ここに開示される電池容量推定方法の好適な一態様では、学習済みのニューラルネットワークモデルは、充放電が完了した以後、最長待機時間が経過する前の二次電池のナイキストプロットを含む訓練データに基づいて学習されている。

この場合、対象二次電池のナイキストプロットを取得する時間的条件と、ニューラルネットワークモデルの学習に用いられるナイキストプロットを取得する時間的条件が一致する。従って、学習済みのニューラルネットワークは、対象二次電池の電池容量を、最長待機時間の経過前におけるナイキストプロットに基づいて推定するために最適化されている。よって、電池容量の推定精度がさらに向上する。

なお、対象二次電池の交流インピーダンスを、充放電以後の最短待機時間から最長待機時間までの間に取得する場合には、ニューラルネットワークモデルの学習に用いられるナイキストプロットも、充放電以後の最短待機時間から最長待機時間までの間に取得されていてもよい。この場合、学習済みのニューラルネットワークモデルはさらに最適化される。

ここに開示される他の態様の電池容量推定システムは、対象二次電池の充放電を行う充放電処理と、充放電処理による充放電が完了した以後、予め定められた最長待機時間が経過する前の対象二次電池に対し、特定の周波数範囲で交流信号を印加することで、前記対象二次電池の交流インピーダンスの測定結果を取得する交流インピーダンス取得処理と、前記交流インピーダンスの測定結果に基づいて、対象二次電池の電池容量を推定する電池容量推定処理と、を実行する。この場合、上記電池容量推定方法と同様に、高い精度で対象二次電池の容量が推定される。

ここに開示される電池容量推定システムの好適な一態様では、交流インピーダンス取得処理において、充放電処理による充放電が完了した以後の経過時間が、予め定められた最短待機時間よりも長く、且つ最長待機時間よりも短い間に、対象二次電池の交流インピーダンスの測定結果が取得される。この場合、上記電池容量推定方法と同様に、高い精度で対象二次電池の容量が推定される。

ここに開示される電池容量推定システムの好適な一態様は、充放電処理を実行する充放電装置と、交流インピーダンス取得処理を実行する測定装置と、電池容量推定処理を実行する電池容量推定装置とを備える。この場合、前述した各処理が、各々の装置によって適切に実行される。ただし、電池容量推定システムの構成を変更することも可能である。例えば、同一の装置が複数の処理を実行してもよい。例えば、測定装置が、充放電処理と交流インピーダンス取得処理を共に実行してもよい。また、１つの処理を複数の装置が協働して実行することも可能である。

本実施形態における二次電池の回収から製造、販売までの物流の一態様を示す図である。 電池特性評価システム１の構成を示す図である。 モジュールＭの交流インピーダンス測定結果を示すナイキストプロットの一例を示す図である。 待機時間を変化させて交流インピーダンスを複数回測定した場合のナイキストプロットの一例を示す図である。 図４のグラフにおける低周波領域の拡大図である。 経過時間を０分～１２０分まで変化させた場合の、モジュールＭの電池容量の推定結果を示すグラフである。 経過時間を１２０分～１４４０分まで変化させた場合の、モジュールＭの電池容量の推定結果を示すグラフである。 本実施形態におけるニューラルネットワークモデルの学習を説明するための概念図である。 本実施形態における電池容量推定処理のフローチャートである。

以下、本開示における実施形態の１つについて、図面を参照しつつ詳細に説明する。本明細書において特に言及している事項以外の事柄であって実施に必要な事柄は、当該分野における従来技術に基づく当業者の設計事項として把握され得る。本発明は、本明細書に開示されている内容と当該分野における技術常識とに基づいて実施することができる。なお、以下の図面においては、同じ作用を奏する部材・部位には同じ符号を付して説明している。また、各図における寸法関係は実際の寸法関係を反映するものではない。

本実施形態では、車両に搭載されていた二次電池の容量を推定する場合を例示して説明を行う。つまり、本実施形態では、車両に組電池として搭載されていた二次電池が回収され、回収された二次電池の容量が推定されて、推定結果に応じて二次電池の再利用の方針が決定される。ただし、本開示で例示する技術の少なくとも一部は、他の場面（例えば、車両以外の装置に用いられる二次電池の容量を推定する場面、または、新しく製造された二次電池の容量を推定する場面等）にも適用できる。

本実施形態において車両に搭載される組電池は、複数のモジュールを含む。複数のモジュールは、直列接続されていてもよいし、互いに並列に接続されていてもよい。複数のモジュールの各々は、直列に接続された複数の電池セル（単電池）を含む。

本実施形態では、車両から回収された組電池は、一旦モジュールに分解された後、モジュール単位で容量が推定される。容量推定の結果、再利用可能と判定されたモジュールは、新たに製造される組電池の一部として再利用（リビルト）される。しかし、組電池の構成によっては、組電池をモジュールに分解することなく、組電池のまま容量を推定することも可能である。また、モジュールを構成する電池セル毎に容量を推定することも可能である。

また、本実施形態における二次電池（モジュールを構成する各電池セル）は、ニッケル水素電池である。詳細には、正極は、水酸化ニッケル（Ｎｉ（ＯＨ）_２）にコバルト酸化物の添加物を加えたものである。負極は、水素吸蔵合金（ニッケル系合金であるＭｎＮｉ５系）である。電解液は、水酸化カリウム（ＫＯＨ）である。しかし、これは具体的なセル構成の例示に過ぎず、本開示で例示する技術は他の構成の二次電池にも適用することが可能である。

＜電池物流モデル＞
図１を参照して、本実施形態における二次電池の回収から製造（再利用）、販売までの物流の一態様について説明する。図１に示す例では、回収業者１０１が、車両１１０，１２０，１３０から使用済みの二次電池（組電池）１１１，１２１，１３１を回収する。図１では３台の車両１１０，１２０，１３０のみが示されているが、実際には、より多くの車両から二次電池が回収される。回収業者１０１は、回収された組電池を分解し、組電池から複数のモジュールを取り出す。図１に示す例では、モジュール毎に識別番号が付与されており、各モジュールの情報が管理サーバ１０８によって管理されている。回収業者１０１は、組電池から取り出された各モジュールの識別番号を、端末（図示せず）を用いて管理サーバ１０８に送信する。

検査業者１０２は、回収業者１０１によって回収された各モジュールの特性評価を行う。例えば、検査業者１０２は、各モジュールの電池容量（例えば満充電容量）、抵抗値、ＯＣＶ（Ｏｐｅｎ Ｃｉｒｃｕｉｔ Ｖｏｌｔａｇｅ）、ＳＯＣ（Ｓｔａｔｅ Ｏｆ Ｃｈａｒｇｅ）等の電気的特性の少なくともいずれかを評価する。検査業者１０２は、評価結果に基づいて、モジュールの再利用の方針を決定する。例えば、検査業者１０２は、再利用可能なモジュールと再利用不可能なモジュールを評価結果に基づいて分別し、再利用可能なモジュールを性能回復業者１０３に引き渡し、再利用不可能なモジュールをリサイクル業者１０６に引き渡す。各モジュールの特性評価の結果は、検査業者１０２の端末（図示せず）によって管理サーバ１０８へ送信される。

性能回復業者１０３は、検査業者１０２によって再利用可能とされたモジュールの性能を回復させるための処理を行う。一例として、性能回復業者１０３は、過充電状態までモジュールを充電することによって、モジュールの満充電容量を回復させる。ただし、検査業者１０２による特性評価において性能低下が小さいと評価されたモジュールについては、性能回復業者１０３による性能回復処理を省略してもよい。各モジュールの性能回復結果は、性能回復業者１０３の端末（図示せず）によって管理サーバ１０８へ送信される。

製造業者１０４は、性能回復業者１０３によって性能が回復されたモジュールを用いて組電池を製造する。例えば、製造業者１０４は、車両１０９の組電池内の性能が低下したモジュールを、性能回復業者１０３によって性能が回復されたモジュールと交換して、車両１０９の組電池を製造（リビルド）してもよい。

販売店１０５は、製造業者１０４によって製造された組電池を車両用として販売したり、住宅等で利用可能な定置用として販売したりしてもよい。リサイクル業者１０６は、検査業者１０２によって再利用不可能とされたモジュールを解体し、新たな電池セル等の原料として利用するための再資源化を行う。

なお、図１では、回収業者１０１、検査業者１０２、性能回復業者１０３、製造業者１０４、販売店１０５、およびリサイクル業者１０６は互いに異なる業者とした。しかし、業者の区分は、図１に示す例に限定されるものではない。例えば、検査業者１０２と性能回復業者１０３が同一の業者であってもよい。また、回収業者１０１は、組電池を回収する業者と、回収された組電池を解体する業者に分かれていてもよい。また、各業者および販売店の拠点は特に限定されず、複数の業者等の拠点は同一であってもよいし、別々であってもよい。

以下では、車両１１０，１２０，１３０から回収された組電池１１１，１１２，１１３に含まれるモジュールＭの特性評価（特に、電池容量の推定）を実行し、評価結果に応じてモジュールＭの再利用の方針を決定する場合を例示して説明を行う。つまり、本実施形態では、電池容量を推定する対象となる対象二次電池は、モジュールＭとなる。ただし、対象二次電池は、単電池であってもよいし、複数のモジュールＭを備えた組電池全体であってもよい。

＜電池容量推定システム＞
図２を参照して、本実施形態の電池容量推定システム１について説明する。図１に示す電池物流モデルでは、電池容量推定システム１は、例えば検査業者１０２に配置される。本実施形態の電池容量推定システム１は、充放電装置５、測定装置１０、記憶装置２０、電池容量推定装置３０、および表示装置４０を備える。これらの装置は、互いに独立していてもよいし、複数の装置のうちの２つ以上が１つの装置として構成されていてもよい。

充放電装置５は、交流インピーダンスを測定する前の状態のモジュールＭに対し、充放電を実行する。例えば、電池容量推定システム１は、充放電装置５によってモジュールＭに対する充放電を行い、モジュールＭのＳＯＣを所望の範囲に調整した後に、後述する測定装置１０による交流インピーダンスの測定を実行することができる。充放電処理は、充放電装置５が備える充放電処理部６によって実行される。ただし、交流インピーダンス測定前のモジュールＭに対する充放電は、充放電装置５以外の装置（例えば測定装置１０等）によって実行されてもよい。

測定装置１０は、モジュールＭの交流インピーダンスを測定し、測定結果を示すナイキストプロットを電池容量推定装置３０に出力する。詳細には、本実施形態の測定装置１０は、発振器１１、ポテンショスタット１２、ロックインアップ１３、およびプロッタ１４を備える。

発振器１１は、ポテンショスタット１２とロックインアンプ１３に同位相の正弦波を出力する。

ポテンショスタット１２は、発振器１１から出力される正弦波と同位相の交流電圧（例えば、振幅が１０ｍＶ程度の電圧）に所定の直流電圧を重ね合わせることで、交流の印加信号を生成し、生成した印加信号をモジュールＭに印加する。ポテンショスタット１２は、モジュールＭを流れる電流を検出し、電流の検出結果をモジュールＭからの応答信号としてロックインアンプ１３に出力する。また、ポテンショスタット１２は、印加信号と応答信号をプロッタ１４に出力する。

ロックインアンプ１３は、発振器１１から出力される正弦波の位相と、ポテンショスタット１２から出力された応答信号の位相とを比較し、比較結果（正弦波と応答信号の位相差）をプロッタ１４に出力する。

プロッタ１４は、ポテンショスタット１２からの信号（印加信号と応答信号の振幅比を示す信号）と、ロックインアンプ１３からの信号（印加信号と応答信号の位相差を示す信号）とに基づいて、モジュールＭの交流インピーダンスの測定結果を複素平面上にプロットする。詳細には、発振器１１から出力される正弦波の周波数が所定の周波数範囲で掃引され、ポテンショスタット１２およびロックインアンプ１３による前述の処理が繰り返し実行される。これにより、正弦波の各周波数について、モジュールＭの交流インピーダンスの測定結果が複素平面上にプロットされることとなる。生成されたプロットは、ナイキストプロットと呼ばれる（コールコールプロットと呼ばれる場合もある）。モジュールＭのナイキストプロットは、電池容量推定装置３０に出力される。

なお、測定装置１０の構成は、図２に示した構成に限定されるものではない。例えば、本実施形態のポテンショスタット１２は、交流電圧をモジュールＭに印加し、印加中にモジュールＭを流れる電流を検出すると説明した。しかし、ポテンショスタット１２は、モジュールＭに交流電流を印加している間の電圧応答を検出してもよい。また、測定装置１０は、ロックインアンプ１３に代えて周波数応答解析器を備えていてもよい。

さらに、交流インピーダンス測定手法を変更することも可能である。例えば、測定装置１０は、所定の周波数範囲内の様々な周波数成分を含む印加信号（電圧信号および電流信号のうちの一方）を生成し、印加信号の印加時の応答信号（電圧信号よび電流信号のうちの他方）を検出してもよい。測定装置１０は、印加信号および応答信号の各々に高速フーリエ変換を施して周波数分解することで、周波数毎に交流インピーダンスを算出してもよい。

記憶装置２０は、電池容量推定装置３０にモジュールＭの電池容量（本実施形態では満充電容量）の推定処理を実行させるための学習済みのニューラルネットワークモデルを記憶する。記憶装置２０は、電池容量推定装置３０からの要求に応じて、ニューラルネットワークモデルの学習、学習結果の更新、学習結果の電池容量推定装置３０への出力等を行う。

電池容量推定装置３０は、コントローラ（例えばＣＰＵ等）、メモリ、および入出力ポートを備える。詳細には、電池容量推定装置３０は、容量推定部３１および再利用判定部３２の機能を備える。詳細は後述するが、容量推定部３１は、測定装置１０によって測定されたモジュールＭの交流インピーダンスに基づいて、モジュールＭの電池容量（本実施形態では満充電容量）を推定する。この処理を、本実施形態では「電池容量推定処理」という。再利用判定部３２は、モジュールＭの電池容量の推定結果に応じて、モジュールＭの再利用態様を判定する。再利用判定部３２は、モジュールＭの再利用の可否を判定してもよい。

＜ナイキストプロット＞
図３を参照して、モジュールＭの交流インピーダンス測定結果を示すナイキストプロットについて説明する。図３において、横軸はモジュールＭの交流インピーダンス（複素インピーダンス）の実数成分Ｚ_Ｒｅを示し、縦軸はモジュールＭの交流インピーダンスの虚数成分－Ｚ_Ｉｍを示す。

本実施形態の測定装置１０は、１００ｍＨｚ～１ｋＨの周波数範囲で印加信号をモジュールＭに印加する。図３に示すように、様々な周波数の信号がモジュールＭに印加されることで、周波数に応じたモジュールＭの交流インピーダンスの測定結果が、離散的な値として複素平面上にプロットされる。詳細には、本実施形態では、１００ｍＨｚ～１ｋＨｚの周波数範囲において、５２通りの周波数の印加信号が用いられる。その結果、取得されるナイキストプロットは、高周波数（図３に示す例では１Ｈｚ～１ｋＨｚ）の印加信号から得られる半円部分を有すると共に、低周波数（１００ｍＨｚ～１Ｈｚ）の印加信号から得られる直線部分を有する。

本実施形態における電池容量推定処理では、モジュールＭの電池容量（本実施形態では満充電容量）の推定に、ニューラルネットワークモデルが用いられる。交流インピーダンスの測定結果に基づくデータがニューラルネットワークモデルの入力層に与えられた場合に、高精度な電池容量の推定結果がニューラルネットワークモデルの出力層から出力されるように、ニューラルネットワークモデルの機械学習が行われる。ニューラルネットワークモデルの学習方法の一例の詳細な説明については後述する。

＜充放電完了から交流インピーダンス測定までの経過時間と測定結果の関係＞
図４から図７を参照して、モジュールＭの充放電が完了してから交流インピーダンスを測定するまでの経過時間と、交流インピーダンスの測定結果の関係について説明する。本願の発明者は、二次電池（本実施形態ではモジュールＭ）の充放電が完了してから交流インピーダンスを測定するまでの経過時間に応じて、交流インピーダンスの測定結果のばらつきが変化するという知見を得た。

図４は、経過時間を０分～１４４０分まで変化させつつ、同一のモジュールＭの交流インピーダンスを複数回測定した場合の、各々の測定結果から得られるナイキストプロットの一例を示すグラフである。図５は、図４のグラフにおける低周波領域の拡大図である。図４に示すように、測定対象のモジュールＭが同一であり、且つ、交流インピーダンスの測定法が同一であっても、経過時間を変化させると、測定結果（本実施形態ではナイキストプロット）がばらつくことが分かる。詳細には、経過時間に応じて測定結果のばらつきが変化する。図５に示すように、特に印加信号の周波数が低周波領域内である場合には、測定結果のばらつきが大きくなっている。図５に示すグラフからは、待機時間が長くなる程、測定結果のばらつきが大きくなる傾向が把握される。

図６は、経過時間を０分～１２０分まで変化させつつ、モジュールＭの電池容量を推定した結果を示すグラフである。また、図７は、経過時間を１２０分～１４４０分まで変化させつつ、モジュールＭの電池容量を推定した結果を示すグラフである。図６および図７に示す例では、電池容量を推定する対象となったモジュールＭは全て同一であり、且つ、モジュールＭの交流インピーダンスの測定法も同一である。また、図６および図７に示す例では、電池容量の推定は、学習済みのニューラルネットワークモデルの入力層に、モジュールＭの交流インピーダンスの測定結果に基づくデータ（本実施形態ではナイキストプロットのデータ）が入力されることで行われた。この電池容量の推定方法の詳細については後述する。

図６に示すように、本実施形態のモジュールＭでは、経過時間を１３分以下とした場合には、経過時間を１３分よりも長くした場合に比べて、推定結果のばらつきが大きくなった。従って、本実施形態のモジュールＭの電池容量を推定する場合、最短待機時間を１３分に予め設定し、充放電が完了してから交流インピーダンスを測定するまでの経過時間を最短待機時間よりも長くすることで、より高い精度で電池容量が推定される。

また、図７に示すように、本実施形態のモジュールＭでは、経過時間を１２０分以上とした場合には、経過時間を１２０分よりも短くした場合に比べて、推定結果のばらつきが大きくなった。従って、本実施形態のモジュールＭの電池容量を推定する場合、最長待機時間を１２０分に予め設定し、充放電が完了してから交流インピーダンスを測定するまでの経過時間を最長待機時間よりも短くすることで、より高い精度で電池容量が推定される。

なお、交流インピーダンスの測定結果（図４および図５）、および、交流インピーダンスに基づく電池容量の推定結果（図６および図７）が経過時間に応じて変化する原因には、種々の原因が考えられる。例えば、二次電池に対する充放電による分極の影響で、推定結果等のばらつきが経過時間に応じて変化すること等が考えられる。

以上の実験結果から、本実施形態の電池容量推定装置３０は、モジュールＭの充放電が完了した以後の経過時間を、最短待機時間（１３分）よりも長く、且つ最長待機時間（１２０分）よりも短くすることで、電池容量の推定精度を向上させる。

なお、図４～図７に例示した実験結果は、前述したニッケル水素電池からなる電池セルを６個直列に接続したモジュールＭが用いられることで得られた結果である。ここで、経過時間に応じて変化する、交流インピーダンスの測定結果のばらつき、および電池容量の推定結果のばらつきは、二次電池の種類、二次電池が組電池またはモジュールであるか否か、および、二次電池が組電池またはモジュールである場合の電池構成等によって変化する。従って、最短待機時間および最長待機時間の具体的な値も、二次電池の種類等によって変化する。よって、最短待機時間および最長待機時間は、電池容量の推定対象となる二次電池の種類等に応じて適宜変更されてもよい。

また、本実施形態では、モジュールＭの充放電が完了した以後の経過時間が、最短待機時間（１３分）よりも長く、且つ最長待機時間（１２０分）よりも短く設定される。しかし、図６および図７に示すように、本実施形態では、経過時間を最短待機時間以下とした場合の推定結果のばらつきは、経過時間を最長待機時間以上とした場合の推定結果のばらつきに比べて小さい。従って、電池容量推定装置３０は、最短待機時間を設定せずに、モジュールＭの充放電が完了した以後の経過時間を最長待機時間よりも短くしてもよい。この場合でも、経過時間を何ら考慮しない場合に比べて、電池容量の推定精度は向上する。

＜ニューラルネットワーク学習＞
図８を参照して、モジュールＭの電池容量を推定するために用いられるニューラルネットワークモデルの学習について説明する。まず、ニューラルネットワークモデルの一例について説明する。本実施形態におけるニューラルネットワークモデルは、例えば、入力層ｘ、隠れ層ｙ、および出力層ｚを含む。入力層ｘと隠れ層ｙの間の重み付けをＷ１とし、隠れ層ｙと出力層ｚの間の重み付けをＷ２とする。本実施形態のニューラルネットワークモデルは、モジュールＭの交流インピーダンスに関するデータを入力用訓練データとし、且つ、モジュールＭの実際の電池容量に関するデータを出力用訓練データとする訓練データによって訓練される。モジュールＭの実際の電池容量は、モジュールＭの電池容量の実測値であってもよいし、高い精度で推定された推定値であってもよい。例えば、モジュールＭの満充電容量の実測値は、モジュールＭを完全放電状態から満充電状態まで充電する際の充電量を測定する等の手法で得られる。

本実施形態におけるニューラルネットワークモデルの学習方法について説明する。まず、実際の電池容量（本実施形態では満充電容量）が既知であるモジュールＭに対して充放電処理が実行される。充放電の完了後の経過時間が、前述した最短待機時間よりも長く、且つ最長待機時間よりも短い間に、モジュールＭの交流インピーダンスが測定される。交流インピーダンスの測定結果から、ナイキストプロットが取得される。つまり、ニューラルネットワークの学習時においても、モジュールＭの交流インピーダンスは、充放電の完了後の経過時間が最短待機時間よりも長く、且つ最長待機時間よりも短い間に測定される。その結果、電池容量の推定対象とする対象二次電池のナイキストプロットを取得する時間的条件と、ニューラルネットワークモデルの学習に用いられるナイキストプロットを取得する時間的条件が一致する。従って、学習済みのニューラルネットワークは、対象二次電池の電池容量を、最短待機時間の経過後且つ最長待機時間の経過前におけるナイキストプロットに基づいて推定するために最適化される。よって、電池容量の推定精度がさらに向上する。

次いで、取得されたナイキストプロットに基づく学習用画像のデータが、入力用訓練データとして生成される。本実施形態の学習用画像は、例えば、縦４７ピクセル、横７８ピクセル、合計３，６６６ピクセルの領域によって構成されている。学習用画像では、３，６６６個の全てのピクセルの各々に対し、５２通りの周波数での交流インピーダンス測定結果（ナイキストプロット）のいずれかに一致するか否かの情報が含まれる。従って、単に５２通りの周波数での交流インピーダンス測定結果を入力用訓練データとして使用する場合に比べて、学習効果が高められる。その結果、電池容量の推定精度が向上する。なお、ニューラルネットワークモデルの入力層ｘは、３，６６６個のピクセルに対応する３，６６６個のノードを含んでいる。また、学習用画像、および後述する推定用画像の具体的態様を変更することも可能である。例えば、複数のプロットが配置されたナイキストプロットの画像そのものでなく、複数のプロットに基づいて生成される線または領域を含む画像が、学習用画像および推定用画像として用いられてもよい。また、画像データ以外のデータ（例えば、ナイキストプロットのデータそのもの）を、ニューラルネットワークモデルに入力するデータとして採用することも可能である。

次いで、モジュールＭから得られた学習用画像のデータを入力用訓練データとし、同一のモジュールＭにおける実際の電池容量のデータを出力用訓練データとして、ニューラルネットワークモデルの学習が行われる。詳細には、本実施形態では、ニューラルネットワークモデルの入力層ｘに対して学習用画像のデータが与えられて、出力層ｚから出力される電池容量の推定値が取得される。取得された電池容量の推定値と、実際の電池容量とが比較され、比較結果が教師信号としてニューラルネットワークモデルにフィードバックされる。教師信号に応じて、ニューラルネットワークモデルにおける重み付けＷ１，Ｗ２が調整される。以上の手順が複数の訓練データによって繰り返されることで、電池容量の推定精度が向上していく。

＜電池容量推定処理＞
図９を参照して、電池容量推定システム１が実行する電池容量推定処理について説明する。本実施形態の電池容量推定処理は、電池容量推定システム１が備える制御部（例えば、充放電装置５、測定装置１０、および電池容量推定装置３０の少なくともいずれかが備えるＣＰＵ等のコントローラ）によって実行される。電池容量推定システム１の制御部は、例えば、電池容量の推定の開始指示が操作部（図示せず）によって入力されると、図９に示す電池容量推定処理を実行する。電池容量推定処理の各ステップは、基本的には制御部によるソフトウェア処理によって実現される。しかし、少なくとも一部の処理がハードウェア（電気回路等）によって実現されてもよい。また、複数の装置の制御部が協働して、電池容量推定処理を実行してもよい。

まず、制御部は、特性の評価対象となるモジュールＭ（以下、「対象二次電池」という）に対する充放電を実行する（Ｓ１）。前述したように、本実施形態では、モジュールＭに対する充放電は充放電装置５によって実行される。次いで、制御部は、充放電完了後の経過時間が、所定期間（つまり、前述した最短待機時間よりも長く、最長待機時間よりも短い期間）内であるか否かを判断する（Ｓ２）。経過時間が所定期間内でなければ（Ｓ２：ＮＯ）、待機状態となる。

制御部は、経過時間が所定期間内と判断すると（Ｓ２：ＹＥＳ）、対象二次電池の交流インピーダンスの測定結果を取得する（Ｓ３）。前述したように、本実施形態では、対象二次電池の交流インピーダンスは、測定装置１０によって測定される。制御部は、対象二次電池の交流インピーダンスの測定結果を示すナイキストプロットから、電池容量を推定するための推定用画像を生成する（Ｓ４）。推定用画像の生成手法は、前述した学習用画像の生成手法と同様である。制御部は、学習済みのニューラルネットワークモデルの入力層ｘ（図８参照）に、生成した推定用画像を入力する（Ｓ５）。制御部は、出力層ｚから出力される電池容量の推定結果を取得する（Ｓ６）。制御部は、取得された電池容量の推定結果に基づいて、対象二次電池の再利用態様を判定する（Ｓ７）。その後、処理は終了する。

なお、図９のＳ１で対象二次電池に対する充放電を行う処理は、「充放電ステップ／処理」の一例である。図９のＳ３で交流インピーダンスを取得する処理は、「交流インピーダンス取得ステップ／処理」の一例である。図９のＳ４～Ｓ６で電池容量を推定する処理は、「電池容量推定ステップ／処理」の一例である。

以上、具体的な実施形態を挙げて詳細な説明を行ったが、これらは例示にすぎず、請求の範囲を限定するものではない。請求の範囲に記載の技術には、以上に記載した実施形態を様々に変形、変更したものが含まれる。

１ 電池容量推定システム
５ 充放電装置
１０ 測定装置
２０ 記憶装置
３０ 電池容量推定装置
Ｍ モジュール

Claims (4)

1. 車両に搭載されていた二次電池の容量を推定する方法であって、
   車両から回収された対象二次電池の充放電を行う充放電ステップと、
   前記充放電ステップにおける充放電が完了した以後、予め定められた最短待機時間よりも長く、かつ、予め定められた最長待機時間が経過する前に、特定の周波数範囲で交流信号を前記対象二次電池に印加することで、前記対象二次電池の交流インピーダンスの測定結果を取得する交流インピーダンス取得ステップと、
   前記交流インピーダンスの測定結果に基づいて、前記対象二次電池の電池容量を推定する電池容量推定ステップと、
   を含み、
   前記電池容量推定ステップでは、学習済みのニューラルネットワークモデルに、前記対象二次電池のナイキストプロットに基づくデータを入力することで、前記対象二次電池の電池容量の推定結果を取得し、
   前記学習済みのニューラルネットワークモデルは、複数の二次電池の各々の、交流インピーダンスの測定結果を示すナイキストプロットに基づくデータと実際の電池容量とを含む複数の訓練データによって学習が行われており、
   前記学習済みのニューラルネットワークモデルは、充放電が完了した以後、前記最短待機時間よりも長く、かつ、前記最長待機時間が経過する前の二次電池のナイキストプロットに関するデータを含む前記訓練データに基づいて学習されており、
   ここで、前記最短待機時間と前記最長待機時間は、前記対象二次電池の種類、前記対象二次電池が組電池であるか否か、および、前記対象二次電池が組電池である場合には組電池の構成に応じて、それぞれ定められている、電池容量推定方法。
2. 前記取得された電池容量の推定結果に基づいて、前記対象二次電池の再利用態様を判定するステップを、さらに含む、請求項１に記載された電池容量推定方法。
3. 車両に搭載されていた二次電池の容量を推定するシステムであって、
   車両から回収された対象二次電池の充放電を行う充放電処理と、
   前記充放電処理による充放電が完了した以後、予め定められた最短待機時間よりも長く、かつ、予め定められた最長待機時間が経過する前の前記対象二次電池に対し、特定の周波数範囲で交流信号を印加することで、前記対象二次電池の交流インピーダンスの測定結果を取得する交流インピーダンス取得処理と、
   前記交流インピーダンスの測定結果に基づいて、前記対象二次電池の電池容量を推定する電池容量推定処理と、
   を実行するように構成されており、
   前記充放電処理を実行する充放電装置と、
   前記交流インピーダンス取得処理を実行する測定装置と、
   前記電池容量推定処理を実行する電池容量推定装置と、
   を備え、
   前記電池容量推定装置は、学習済みのニューラルネットワークモデルに、前記対象二次電池のナイキストプロットに基づくデータを入力することで、前記対象二次電池の電池容量の推定結果が取得されるように構成されており、
   前記学習済みのニューラルネットワークモデルは、複数の二次電池の各々の、交流インピーダンスの測定結果を示すナイキストプロットに基づくデータと実際の電池容量とを含む複数の訓練データによって学習が行われており、
   前記学習済みのニューラルネットワークモデルは、充放電が完了した以後、前記最短待機時間よりも長く、かつ、前記最長待機時間が経過する前の二次電池のナイキストプロットに関するデータを含む前記訓練データに基づいて学習されており、
   ここで、前記最短待機時間と前記最長待機時間は、前記対象二次電池の種類、前記対象二次電池が組電池であるか否か、および、前記対象二次電池が組電池である場合には組電池の構成に応じて、それぞれ定められている、電池容量推定システム。
4. 前記取得された電池容量の推定結果に基づいて、前記対象二次電池の再利用態様を判定する処理が、さらに実行されるように構成された、請求項３に記載された電池容量推定システム。

Images