JP7199568B2 - バッテリ診断システム、バッテリ診断方法、及び記憶媒体 - Google Patents

Description

本発明は、包括的には、バッテリ診断システムに関し、より詳細には、バッテリの容量劣化(capacity degradation)を推定するバッテリ診断システムに関する。

再充電可能なバッテリは、電気自動車（ＥＶ）、家電製品、無停電電源装置（ＵＰＳ）システム及び太陽光発電（ＰＶ）セルなど多数のシステム及び用途に対して電源を提供するものである。バッテリ管理システム（ＢＭＳ）は、種々のセンサからの測定値に基づいて、関連するバッテリの動作を監視及び管理する。バッテリの監視は、従来、バッテリの充電状態（ＳｏＣ）、健全状態（ＳｏＨ）及び電力状態（ＳｏＰ）を推定することによって行われ、これらは過去数年間にわたって研究されてきた。最近では、バッテリの劣化状態（ＳｏＤ）及びそれに関連する残存耐用年数（ＲＵＬ）を予測することが、より有用な測定基準として研究の関心を集め始めている。

バッテリの健全状態の指標の１つは、バッテリの容量が将来においてどのように劣化するかを予測することである。バッテリの容量は、バッテリが貯蔵するとともに負荷に供給可能な充電量（Ａｈで表される）によって測定される。例えば、容量１０Ａｈとは、バッテリが１時間の間に定電流１０Ａを供給できることを意味する。バッテリの容量は、経年劣化によって時間とともに減少し、劣化パターンはその使用法、化学的性質及びメーカーに依存する。容量が所定のレベルまで劣化すれば、バッテリの交換が必要になる。期間内にバッテリを交換しないと、バッテリの故障及び停電につながり、アプリケーションにさまざまな問題が発生する。したがって、バッテリ容量が経時的にどのように変化するかを予測することは、停電を回避するのに役立つ。

容量劣化を予測する１つの方法は、減衰指数関数等の経験モデルを使用して、経時的な容量変化をモデル化することである。モデルパラメータは、放電サイクルにおける容量測定値に基づいて、粒子フィルタ等の適応フィルタを使用することによって追跡される。将来における容量変化は、モデルパラメータの直近の値を使用して経験モデルを外挿することにより予測される。この方法の限界は、各サイクルにおいて容量が測定できるようにするために、バッテリを完全に充電および放電させる必要がある点にある。

データ駆動型の手法は、化学的性質及びメーカーが共通し、且つあらかじめ固定された使用パターンを経ている、１つ以上のバッテリの寿命にわたって取り出される放電電圧測定値に基づいて行われる。動作段階において検査されているバッテリの残存耐用年数は、訓練データと直近の放電サイクル中のバッテリの電圧測定値とに基づいて予測される。この手法は、容量測定値に必ずしも依存しないため、この方法ではバッテリを完全に充放電する必要はないが、この方法には、検査されるバッテリのメーカー及び化学的性質で同じでなければならない上に、訓練データのバッテリと同じ使用パターンを経ることが必要であるという制限がある。言い換えれば、特定のメーカー及び化学的性質のバッテリの使用パターンごとに訓練データセットが必要となり、そのため、この手法は実用的ではない。

したがって、さまざまな使用パターンを経るバッテリの容量の将来の劣化を推定できるバッテリ診断システムが必要とされている。

幾つかの実施形態の目的は、バッテリの容量変化を将来において推定するデータ駆動型の方法を開示することである。幾つかの実施形態の目的は、同じ種類、例えば、化学的性質及びメーカーが共通する所定数のバッテリについて、同じ条件下で取り出した容量測定値、電圧測定値及び電流測定値の訓練データセットを使用してデータ駆動型の方法を訓練することである。幾つかの実施形態の目的は、異なる使用パターンを経るバッテリの、或る期間、例えば数年にわたって取り出した測定値を使用してデータ駆動型の方法を訓練することである。

例えば、幾つかの実施形態では、訓練用バッテリを異なる手法で使用し、バッテリを完全に充放電させて容量測定値を得るという同じ条件の下で、訓練データセット測定値が時々取り出される場合がある。そのような手法により、以前の使用パターンが知られていない検査バッテリ（化学的性質及びメーカーが同じ）の容量測定値及び他の測定値を動作段階において同じ条件で測定し、検査バッテリの将来の充電／放電サイクルにおける容量劣化を予測することができる。特に、検査バッテリに関する測定条件は制御可能であるが、検査バッテリの使用パターンは通常知られていない。

そのため、幾つかの実施形態の目的は、将来の予測期間におけるバッテリの容量劣化を決定することである。幾つかの実施形態は、対象となっているバッテリと同じ種類のバッテリの経時的な容量劣化を、同じ種類の異なるバッテリから集めた経験データを使用してモデル化することが可能であるという認識に基づく。そのような容量劣化モデルが既知の場合、経時的な容量劣化は、このモデルから選択することができる。例えば、所望の予測期間におけるバッテリの現在の容量値、例えば測定された容量の値から始まる容量の将来の劣化を選択することができる。

しかしながら、幾つかの実施形態は、同じ種類のバッテリ間でも、製造中の目に見えないわずかな差異、バッテリの使用パターンの違いによって、容量劣化が異なるという認識に基づく。言い換えれば、特定の種類のバッテリは、同じ種類の別のバッテリの劣化クラス（degradation class）とは異なる劣化クラスに属する。それゆえ、特定の種類のバッテリ（ただし、或る劣化クラスを有する）から収集したデータから決定された容量劣化モデルは、同じ種類の他のバッテリ（ただし、異なる劣化クラスを有する）に対して不正確になることがある。検討中の検査バッテリの劣化クラスは、多くの場合知られていない。

幾つかの実施形態は、同じ種類のバッテリについて決定された異なる容量劣化モデルを有限数のクラスタにクラスタリングすることができるという認識に基づく。各クラスタは、特定の種類のバッテリの劣化クラスを平均化する及び／又は表すことができる。それゆえ、特定のバッテリについて正しい容量劣化モデルを決定するという課題は、バッテリの劣化クラスを決定し、かつ同じ劣化クラスについて決定された容量劣化モデルを（有限の一組のモデルから）選択するという課題に帰着する。

その目的のために、幾つかの実施形態は別の課題に取り組む。別の課題とは、同じ種類のバッテリについて多くの異なる劣化クラスがある場合、それらの全て又は幾つかの容量劣化モデルが予め決定されると、検査バッテリの劣化クラス及び／又は検査バッテリに関する正しい容量劣化モデルを、計算上効率的なやり方でいかに決定するかということである。それゆえ、上述した技術的な課題は、検査バッテリの劣化クラスは、バッテリのパラメータの測定値に基づいてどのように決定するかという特定の技術的な課題に帰着する。

幾つかの実施形態は、バッテリの電圧、例えばテール電圧がバッテリの現在の容量だけでなくバッテリの劣化クラスにも依存するという経験的な発見に基づく。それゆえ、同じ種類の異なるバッテリから収集されるとともに異なるバッテリ容量において測定された経験的なデータを使用して、電圧と劣化クラスとの間のマッピングをオフラインで決定することが可能である。このマッピングを有すると、測定された電圧について劣化クラスを選択することができる。劣化クラスを知ると、その劣化クラスに対応する容量劣化モデルを選択し、将来の期間にわたるバッテリの容量劣化を決定するために使用することができる。

実際には、この手法によれば、化学的性質及びメーカーが同じであるバッテリは同じ劣化パターンを示すと仮定するのでなく、代わりに、モデル学習段階中に訓練データからあり得る容量劣化トレース（capacity degradation trace）を学習することが可能になる。１つの放電サイクル中に電圧測定値及び容量測定値に基づいて、検査バッテリは、あり得る劣化クラスの１つに分類され、それに応じて容量変化が予測される。そのような分類のおかげで、実験に基づく実証により、幾つかの実施形態では、何百日もの将来の期間における検査バッテリの容量を、想定予測誤差１％未満で予測可能であることが明らかになっている。

したがって、１つの実施の形態は、バッテリ診断システムであって、特定の種類のバッテリに関する一組の容量劣化モデルを記憶するように構成されたメモリであって、各容量劣化モデルは、バッテリ容量の劣化を時間の関数として定義し、充電サイクル及び放電サイクルのうちの一方又は組み合わせの最中に特定の種類のバッテリについて異なる容量において測定された、電圧及び電流のうちの一方又は組み合わせの値によって形成された一組のバッテリサイクルモデルにマッピングされ、これにより各容量劣化モデルは、異なるバッテリ容量に関連する一組のバッテリサイクルモデルにマッピングされる、メモリと、検査バッテリのバッテリサイクル及び検査バッテリの現在の容量を表す測定値を受け取るように構成された入力インターフェースと、プロセッサであって、検査バッテリのバッテリサイクルを、検査バッテリの現在の容量に最も近いバッテリ容量の値に関連する、異なる容量劣化モデルのバッテリサイクルモデルと比較することによって、検査バッテリのバッテリサイクルに最も近い少なくとも１つのバッテリサイクルモデルを選択し、メモリから、選択されたバッテリサイクルモデルにマッピングされた容量劣化モデルを抽出し、抽出された容量劣化モデルに基づいて検査バッテリの容量の将来の劣化を推定するように構成されたプロセッサと、検査バッテリの容量の推定された将来の劣化を出力するように構成された出力インターフェースとを備える、バッテリ診断システムを開示する。

別の実施の形態は、バッテリ診断方法であって、方法はメモリに接続されたプロセッサを使用して実行され、メモリは、特定の種類のバッテリに関する一組の容量劣化モデルを記憶し、各容量劣化モデルは、バッテリ容量の劣化を時間の関数として定義し、充電サイクル及び放電サイクルのうちの一方又は組み合わせの最中に特定の種類のバッテリについて異なる容量において測定された、電圧及び電流のうちの一方又は組み合わせの値によって形成された一組のバッテリサイクルモデルにマッピングされ、これにより各容量劣化モデルは、異なるバッテリ容量に関連する一組のバッテリサイクルモデルにマッピングされ、プロセッサには方法を実施する記憶された命令が組み込まれ、命令は、プロセッサによって実行されるとき、方法の少なくとも幾つかのステップを実施する、バッテリ診断方法を開示する。検査バッテリのバッテリサイクル及び検査バッテリの現在の容量を示す測定値を受け取ることと、検査バッテリのバッテリサイクルを、検査バッテリの現在の容量に最も近いバッテリ容量の値に関連する異なる容量劣化モデルのバッテリサイクルモデルと比較することによって、検査バッテリのバッテリサイクルに最も近い少なくとも１つのバッテリサイクルモデルを選択することと、メモリから、選択されたバッテリサイクルモデルにマッピングされた容量劣化モデルを抽出することと、抽出された容量劣化モデルに基づいて検査バッテリの容量の将来の劣化を推定することと、検査バッテリの容量の推定された将来の劣化を出力することとを含む。

更に別の実施の形態は、方法を実行するためにプロセッサによって実行可能なプログラムが具現化された非一時的コンピュータ可読記憶媒体であって、記憶媒体は、特定の種類のバッテリに関する一組の容量劣化モデルを記憶し、各容量劣化モデルは、バッテリ容量の劣化を時間の関数として定義し、充電サイクル及び放電サイクルのうちの一方又は組み合わせの最中に特定の種類のバッテリについて異なる容量において測定された、電圧及び電流のうちの一方又は組み合わせの値によって形成された一組のバッテリサイクルモデルにマッピングされ、これにより各容量劣化モデルは、異なるバッテリ容量に関連する一組のバッテリサイクルモデルにマッピングされる、非一時的コンピュータ可読記憶媒体を開示する。方法は、検査バッテリのバッテリサイクル及び検査バッテリの現在の容量を示す測定値を受け取ることと、検査バッテリのバッテリサイクルを、検査バッテリの現在の容量に最も近いバッテリ容量の値に関連する異なる容量劣化モデルのバッテリサイクルモデルと比較することによって、検査バッテリのバッテリサイクルに最も近い少なくとも１つのバッテリサイクルモデルを選択することと、メモリから、選択されたバッテリサイクルモデルにマッピングされた容量劣化モデルを抽出することと、抽出された容量劣化モデルに基づいて検査バッテリの容量の将来の劣化を推定することと、検査バッテリの容量の推定された将来の劣化を出力することとを含む。

幾つかの実施形態によるバッテリ診断システムの原理ブロック図である。 １つの実施形態による訓練測定値及び検査データ測定値を取り出すために使用される充電／放電時の電流／電圧を示す図である。 本発明者らのデータセットにおけるバッテリセルの検査放電サイクル中の容量測定値を示す図である。 １つの実施形態により使用するデータセットからのバッテリセルのテール電圧を示す図である。 １つの実施形態により使用するデータセットからのバッテリセルのテール電圧を示す図である。 幾つかの実施形態による３つの劣化クラスに対応する容量トレースの図である。 幾つかの実施形態により測定されたテール電圧の図である。 幾つかの実施形態により使用されるオフライン及びオンライン方法論を説明する概略図である。 幾つかの実施形態によるオフラインでのモデル学習段階の原理ブロック図である。 １つの実施形態による劣化クラスの容量劣化モデルを決定するための方法の概略図である。 幾つかの実施形態による所与の容量に関するテール電圧モデルを決定するための方法のブロック図である。 １つの実施形態によるオンライン段階において検査バッテリの容量劣化を推定するための方法のブロック図である。 １つの実施形態による検査バッテリの容量劣化をソフト推定するための方法のブロック図である。 １つの実施形態による類似性スコア（similarity score）の例を示す図である。 幾つかの実施形態の原理により決定された推定容量劣化と地上検証測定容量劣化との間の比較図である。 実施形態の１つにより実行された将来の期間における容量推定の相対誤差のグラフである。 １つのバッテリセル及び異なる放電サイクル測定値について１つの実施形態によって得られた容量予測の最大の相対誤差のプロットである。 幾つかの実施形態による検査バッテリの容量の将来の劣化を推定するためのバッテリ診断システムのブロック図である。 幾つかの実施形態による容量の異なる値について決定された、一組の容量劣化モデルと一組のバッテリサイクルモデルとの間の例示的なマッピングを有する表である。 幾つかの実施形態による検査バッテリの容量の将来の劣化を推定するための方法のブロック図である。

再充電可能なバッテリは、多数の装置に電力を供給し、種々の用途において欠かせない部品である。容量劣化を正確な監視及び予測することは、重要な課題であり、バッテリが電力を供給するシステムの停電が回避されるためにいつバッテリを交換するべきかをタイムリーに決定することに直結する。幾つかの実施形態では、将来の期間におけるバッテリの容量を予測するための方法論を開示する。提案された方法は、化学的性質及びメーカーが共通するが異なる使用パターンを経る、所定数のバッテリにおいて、同じ条件の下で時々取り出される容量及び充電／放電時の電圧／電流の測定値の訓練データに基づく。動作／オンライン段階において、健全状態及び以前の使用パターンが知られていない検査バッテリセルの将来の期間における容量劣化は、１つの充電／放電サイクルにおける容量測定値及び電圧／電流測定値及び訓練データセットに基づいて予測される。

図１Ａに、幾つかの実施形態によるバッテリ診断システムの原理ブロック図を示す。検査バッテリ１００は、或る特定のシステム又は用途に給電しており、充電サイクル及び放電サイクルのシーケンスを含む使用パターンを経る。バッテリ診断システムは、検査バッテリ１００の容量が将来の期間においてどのように放出するかを推定する。バッテリの容量は、バッテリセルが貯蔵するとともに負荷に供給可能な最大充電量である。バッテリの容量は、健全状態（ＳｏＨ）にも関連し、健全状態（ＳｏＨ）と呼ばれることが多い。充電を保持するバッテリの能力は経時的に縮小し、この縮小は本明細書ではバッテリ容量劣化と呼ぶ。

入力インターフェース１０２は、検査バッテリのバッテリサイクル及び検査バッテリの現在の容量を表す測定値を受け取るように構成される。本明細書では、バッテリサイクルは、充電サイクル及び放電サイクルのうちの一方又は組み合わせの最中にバッテリについて測定された、電圧及び電流のうちの一方又は組み合わせの値によって形成される。その目的のため、バッテリサイクルは、充電サイクル、放電サイクル又はその組み合わせである。バッテリサイクルは、電圧、電流又はその組み合わせの測定値によって表すことができる。例えば、１つの実施形態では、「テール電圧」とも呼ばれる、放電サイクルの電圧測定値を使用する。本開示を明瞭にするために、全体を通してテール電圧を使用することができるが、当業者であれば、テール電圧はバッテリサイクルの他の何らかの表現で置き換え可能であることを容易に理解するであろう。

同様に、検査バッテリの現在の容量を表す測定値は、容量を容易に引き出すことができる元となる容量の測定値又は他の測定値とすることができる。例えば、バッテリがそれまでの充電サイクルにて完全に充電されたと仮定すると、次の放電サイクル中に測定される電流を用いることによって、バッテリの現在の容量を計算することができる。すなわち、容量は、経時的な放電電流の積分に比例する。ここで、比例定数はバッテリの種類に依存する。同様に、バッテリがそれまでの放電サイクルで完全に放電され、かつ現在の充電サイクルで完全に充電されたと仮定すると、その容量は、バッテリの種類に依存する同じ比例定数を用いて、充電サイクル中の経時的な充電電流の積分に比例する。代替案として、容量は、他の手段によって決定することができ、又は直接測定することもできる。全体として、放電サイクルに対応するテール電圧及び容量は、幾つかの実施形態によるプロセッサ１０６への入力である。他の幾つかの実施形態において、後に詳しく説明するように、他の測定値をプロセッサへの入力にすることができる。

テール電圧測定値及び容量測定値に加えて、プロセッサは、訓練段階において学習したバッテリモデルを記憶するメモリユニット１０４に関連する。より具体的には、メモリは、化学的性質が同じで、場合によりメーカーが同じであるバッテリに今にも起こりそうな容量劣化の所定数のモデルを記憶する。各容量劣化モデルは、化学的性質／メーカーが同じであるバッテリの経時的な１つのあり得る容量放出であり、１つのあり得る劣化クラスを表す。さらに、メモリは、各劣化クラスと、特定の種類のバッテリについて異なる容量において測定された電圧の値との間のマッピングを記憶する。マッピングの例には、劣化クラスと容量値との各対に関する電圧モデル、又は特定容量について測定された電圧と劣化クラスとの間のマッピングが含まれる。劣化クラスの数、それらの代表的な容量劣化モデル及び電圧モデルは、化学的性質／メーカーが同じである多くのバッテリの多数の充電／放電サイクルから構成される或る期間にわたって取り出した容量測定値及びテール電圧測定値から学習される。

プロセッサ１０６は、幾つかの実施形態によるバッテリ診断システムを実施してバッテリ１００の容量の将来の劣化を推定する。プロセッサ１０６は、測定されたテール電圧に対応するマッピングから検査バッテリ１００の容量劣化モデルを抽出する。例えば、プロセッサ１０６は、メモリ１０４から全ての劣化クラスに対応するテール電圧モデルを抽出する。これに加えて又はこれに代えて、プロセッサ１０６は、メモリ１０４からバッテリサイクルモデル、例えばテール電圧モデルを抽出する。テール電圧モデルは、全ての劣化クラスに対応するとともに、入力インターフェース１０２が受け取った現在の容量と同じ容量に関連している。この実施形態により、計算の複雑さは低減する。その後、プロセッサ１０６は、検査バッテリの測定されたテール電圧を、メモリから抽出されたテール電圧モデルと比較する。比較は、測定されたテール電圧とメモリからの各テール電圧モデルとの間の類似性スコアを計算することによって行われる。

プロセッサは、検査バッテリのバッテリサイクルに最も近い少なくとも１つのバッテリサイクルモデルを選択し、メモリから、選択されたバッテリサイクルモデルにマッピングされた容量劣化モデルを抽出する。１つの実施形態において、その選択は、メモリから最大の類似性スコアに対応するバッテリサイクルモデルの容量劣化モデルを抽出することによって行われる。これに加えて又はこれに代えて、複数のバッテリサイクルモデルは、測定された電圧と同じように類似していることがある。そのため、１つの実施形態では、メモリから得る全ての容量劣化モデルのうち、計算された類似性スコアと重み付けが等しいか、又は似ている、すなわち閾値未満であるものの組み合わせを供給する。次に、プロセッサは、バッテリの容量の将来の劣化を推定する。推定は、例えば、選択された容量劣化モデルにしたがってバッテリの現在の容量から始める。言い換えれば、測定された容量から始まり、かつ時間的に進む選択された容量モデルの区分は、検査バッテリの予測された容量である。出力インターフェース１１０は、検査バッテリの予測された容量を出力する。

実際には、幾つかの実施形態では、健全状態及び以前の使用パターンが知られていない検査バッテリの容量放出を予測する。これは、１つの充電／放電サイクルにわたる電圧測定値／電流測定値及び容量測定値に基づいて行う。開示された方法の用途は、二次電池市場で購入されたバッテリセルの容量劣化を、１つの充電サイクル及び／又は放電サイクル中に容量測定値／電圧測定値／電流測定値に基づいて推定することである。予測は、所定数のバッテリセルの容量測定値／電圧測定値／電流測定値を含む訓練データセットによって援助される。それらのバッテリセルは、メーカー及び化学的性質が共通するが、異なる使用パターンを経る。しかしながら、訓練データセット測定値は、全ての訓練バッテリセルが同じ条件の下で完全に充電及び放電されるとき、充電サイクル及び放電サイクルにおいて時々取り出される。それらの同じ条件は、検査バッテリセルの測定値を取り出すために使用する。

幾つかの実施形態は、異なる使用パターンに適合した容量劣化モデル及びバッテリサイクルモデルを作るデータ駆動型の方法を提供する。例えば、幾つかの実施形態は、訓練バッテリを異なる手法で使用すると同時に、それらの容量測定値を得るためにバッテリを完全に充電及び／又は放電させるという同じ条件の下での測定を時々実行する。そのような手法により、以前の使用パターンが知られていない検査バッテリ（化学的性質及びメーカーが同じ）の容量測定値及び他の測定値を動作段階において測定するために同じ条件を使用すること、及び検査バッテリの将来の充電／放電サイクルにわたる容量劣化を予測することが可能になる。特に、検査バッテリに関する測定条件は制御可能であるが、検査バッテリの使用パターンは通常知られていない。

幾つかの実施形態は、対象となっているバッテリと同じ種類のバッテリの経時的な容量劣化を、同じ種類の異なるバッテリから集めた経験データを使用してモデル化することが可能であるという認識に基づく。そのような容量劣化モデルが既知の場合、経時的な容量劣化は、このモデルから選択することができる。例えば、所望の予測期間にわたるバッテリの現在の容量値、例えば測定された容量の値から始まる容量の将来の劣化を選択することができる。

例えば、１つの実施形態は、開示された方法の性能を実証及び評価するために実験データセットを使用する。データセットは、数年の期間にわたって異なる使用パターンを経るメーカー及び化学的性質が同じである１３個のバッテリセル（セル６、セル７、．．．、セル１８とラベルを付ける）を含む。セルは、同じ条件の下でその期間中に４３回までのランダムな機会に検査される。検査は、セルをその端子上の電圧が４．２Ｖに達するまで定電流（ＣＣ）１Ａで充電することから構成される。電圧は、次いで電流が０．０５Ａに劣化するまで一定に保たれ（すなわち、これはセルのフロート電圧である）、これにより充電サイクルが終了する。セルは、その端子上での電圧が３Ｖに劣化するまで定電流（ＣＣ）－１Ａで放電する。検査中、セル（又はその一部）の電流、電圧、周囲温度及び内側温度は、１２時間の間隔で記録される。

図１Ｂに、１つの実施形態による訓練測定値及び検査データ測定値を取り出すために使用した充電／放電の電流／電圧を示す。図１Ｂは、１つの場合における１つのセルの記録された電流１２２及び電圧１２０を示す。セルが充電／放電サイクル中に貯蔵する／供給する充電量は、充電／放電サイクルにわたる充電／放電電流の時間積分として計算される。比例定数はセルの化学的性質に依存する。バッテリの容量すなわちセルの健全状態（ＳｏＨ）Ｃ（ｔ）は、それ以前の充電サイクル中にセルを完全に充電した後、時間ｔで終了する放電サイクル中にセルがその負荷に供給可能な最大の充電量として定義される。データセット中の全てのセルは、それらを（ほぼ）完全に充電／放電することを意図するという同じ充電／放電条件の下で検査されると仮定すれば、各セルがその検査放電サイクル中に供給する測定された充電量は、サイクルが終了する時点に関連するその容量として考慮される。

図１Ｃは、１つの実施形態により使用されるデータセットからのバッテリセルの容量変化を示す。幾つかの実施において、セルの容量は、セルの電圧測定値／電流測定値／温度測定値が取り出された１２時間の期間内の最後の放電サイクルの終わりに報告される。例えば、試験されたセルの容量１２４、容量１２６は、経時的に全く異なる挙動を示す。幾つかのセルは、かなり健全であり多数の充電／放電サイクルに耐えられるが、他の幾つかのセルは比較的速く劣化する。これは、化学的性質及びメーカーが同じであるにもかかわらず、セルは、使用パターンによって異なる劣化パターンを示すことを示唆している。

図１Ｄ及び図１Ｅに、１つの実施形態により使用されるデータセットからの２つのバッテリセルのテール電圧を示す。図１Ｃにおいて劣化パターンが異なっていたのと同様に、テール電圧と呼ばれる、放電サイクル中に測定された電圧波形も変化する。例えば、図１Ｄに示すセル６のテール電圧１２８及び図１Ｅに示すセル１３のテール電圧１３０は、全く異なる特徴を示す。異なる特徴は、それら２つのセルが全く異なる劣化メカニズムによって影響を受けていることを示している。同じような結果は、充電サイクル中に測定された電圧波形からも観察することができる。

そのため、幾つかの実施形態は、バッテリの電圧、例えばテール電圧がバッテリの現在の容量だけでなくバッテリの劣化クラスにも依存するという経験に基づく発見に基づく。それゆえ、同じ種類の異なるバッテリから収集されるとともに異なるバッテリ容量において測定された実験に基づくデータを使用して、電圧と劣化クラスとの間のマッピングをオフラインで決定することが可能である。このマッピングを有すると、測定された電圧について劣化クラスを選択することができる。劣化クラスを知ると、その劣化クラスに対応する容量劣化モデルを選択し、将来の期間にわたるバッテリの容量劣化を決定するために使用することができる。

実際には、この手法によれば、化学的性質及びメーカーが同じであるバッテリは同じ劣化パターンを示すと仮定するのでなく、代わりに、モデル学習段階中に訓練データからあり得る容量劣化トレースを学習することも可能になる。１つの放電サイクル中に電圧測定値及び容量測定値に基づいて検査バッテリがあり得る劣化クラスの１つに分類され、それに応じて容量変化が予測される。そのような分類のおかげで、実験に基づく実証により、幾つかの実施形態では、何百日もの将来の期間における検査バッテリの容量を、想定予測誤差１％未満で予測可能であることが明らかになっている。

例えば、図１Ｃに見られるように、試験されたバッテリセルは、時間経過とともにかなり異なる容量劣化パターンを示す。一般的に、バッテリセルは、種々の劣化パターンの影響を受け易い複雑な物理及び化学系である。化学的性質及びメーカーが同じである２つのセルの異なる劣化パターンは、多くの場合セルが使用方法、及び扱われ方に起因する。原理的には、あり得る劣化パターンすべてをそれらの原因とともに識別することはできるが、これは非常に困難な作業になるであろう。その代わりに、多数のセルの容量を長期間測定することにより、可能な劣化パターンを得ることができる。異なる劣化パターンは、所与の化学的性質及びメーカーを有するバッテリセルが経ることができるあり得る劣化クラスである。言い換えれば、各バッテリセルｎは、時間ｔにおけるその容量が

としてモデル化される特定の劣化クラスｄに関連している。

バッテリセルの劣化に関する追加情報は、そのテール電圧から得られる。図１Ｄ及び図１Ｅに表すように、劣化クラスが異なれば、テール電圧曲線が異なる。これは、それらが２つのセルの容量が同じである（すなわち、同量の充電量を供給する）放電サイクルにおいて記録されるときでも、異なる劣化クラスに関連する２つのセルのテール電圧が異なることを意味する。

図２Ａは、幾つかの実施形態による、３つの劣化クラス、すなわちクラス１、クラス２及びクラス３にそれぞれ対応する容量トレース２１０、２１２及び２１４の説明図である。

図２Ｂに、幾つかの実施形態によって測定されるセル７のテール電圧２２０及びセル１０のテール電圧２２２を示す。この例では、両方のセルが同じ容量２．５５Ａｈのときに、テール電圧が記録されている。付言すれば、それぞれの放電サイクルの持続期間は、両方のセルがＣＣ－１Ａで放電されるので同じである。この観察により、セルｎのテール電圧は、対応する放電サイクルにおいてその劣化クラスｄ及び容量（すなわち健全状態）に依存すること

が暗示される。式中、τは放電サイクル中の「ローカル」時間である。それに対して、ｔは「グローバル」時間を指し、放電サイクルのインデックスであると考えることもできる。テール電圧が劣化クラスに依存することは、式（１）から暗示的であるが、式（２）で明示的になる。

図２Ｃに、幾つかの実施形態により使用するオフライン及びオンライン方法論を例示する概略図を示す。オフライン段階２３０中に、幾つかの実施形態では、訓練データを使用して、一組のバッテリサイクルモデル２４５にマッピングされた一組の容量劣化モデル２３５を決定する。各容量劣化モデル２３５は、バッテリ容量の劣化を時間の関数として定義される。各容量劣化モデル２３５は、異なるバッテリ容量に関連する一組のバッテリサイクルモデル２４５にマッピングされる。

オンライン段階２４０中に、幾つかの実施形態は、検査バッテリのバッテリサイクル及び検査バッテリの現在の容量を表す測定値に基づいて、検査バッテリのバッテリサイクルに最も近い少なくとも１つの予め決めたバッテリサイクルモデル２４５を選択する。選択されたバッテリサイクルモデル２４５に関連する容量劣化モデル２３５は、将来の期間におけるバッテリセルの容量劣化を推定するために使用される。幾つかの実施形態において、上述したように、データ駆動型の方法論は、多数の充電／放電サイクルにわたって記録された、同じ種類の、例えば、化学的性質及びメーカーが共通するバッテリセルの測定値に依存する。提案された方法論は、以下により詳細に説明するモデル学習及びオンライン予測から構成される。

（モデル学習）
図３Ａに、幾つかの実施形態によるオフラインでのモデル学習段階の原理ブロック図を示す。Ｎ個のバッテリセルが充電／放電サイクルのシーケンスを経ると仮定すると、訓練データ３１０は容量測定値Ｃ_ｎ（ｔ）及びテール電圧測定値Ｖ_ｎ（τ，ｔ）を含む。ここでｎ＝１，...，Ｎはバッテリセルインデックスである。ｔは「グローバル時間」、すなわち放電サイクルインデックスであす。τは「ローカル時間」、すなわち放電サイクル時間である。一般的に、あり得る劣化メカニズムの数は有限であり、したがってＮが十分に大きい場合、容量トレースＣ_ｎ（ｔ）のうちのいくつかは類似パターンを示す。したがって、収集した容量トレースは、あり得る容量劣化パターンの代表的な一組を抽出するために所定数のクラスタ、すなわち劣化クラスＫにクラスタリングすることができる（３２０）。クラスタリングの結果、各クラスタはそれ自体の容量モデル３３０

で示される。ここでｄ＝１，...，Ｋは劣化クラスインデックスである。例えば、訓練データセットから得る容量トレースは、３つのあり得るクラスに由来することが明らかである。ここで各クラス、すなわちクラス１、クラス２及びクラス３は、それぞれそれ自体の容量トレース／容量劣化モデル３５２、３５３、３５４で示される。

図３Ｂに、１つの実施形態による劣化クラスの容量劣化モデルを決定するための方法の概略図を示す。この実施形態は、所与のクラスの容量劣化モデルを、そのクラスに関連する全ての容量トレースの平均として決定する。すなわち、特定のクラスｄに関連する全ての容量トレース３６０は、そのクラスに関する容量トレースモデル３７０を生むために平均化される（３６５）。

これに加えて又はこれに代えて、１つの実施形態において、特定のクラスに関連する容量トレースが使用され、或る選ばれた経験モデルのモデルパラメータに適合させてそのクラスに関する容量モデルを生む。容量トレースＣ_ｎ（ｔ）がかなり異なる比較的少数のセルＮの場合、各容量トレースは１つのあり得るクラスタを示すことができる。これに加えて又はこれに代えて、各容量トレースは、それ自体のクラスに関連すること及びそのクラスに関する容量変動モデルを示すために使用することができる。

図３Ｃに、幾つかの実施形態による所与の容量及びテール電圧に関するテール電圧モデルを決定するための方法の原理ブロック図を示す。式（２）で表したように、テール電圧は劣化クラスｄ及び容量Ｃに依存する。したがって、テール電圧

に関するモデル３４０は、各々の劣化クラスｄ及びバッテリセル容量Ｃに関して訓練データセットを使用して学習される。図３Ｃに例示するように、同じ劣化クラス３８２内にクラスタリングされ、対応するバッテリセルが同様の容量値３８０を有するときに放電サイクル中に測定されたバッテリセルの全てのテール電圧は、容量値３８０及び劣化クラス３８２に対応する共通のテール電圧モデル３８８を学習する（３８６）目的で一緒にされ、処理される。テール電圧モデルを学習する１つの手法は、対応する容量Ｃが小さなε内にあるとき、同じ劣化クラスｄに関連しかつ記録されたバッテリセルの測定されたテール電圧を平均化することである。

代替案として、モデル学習３８６は、経験テール電圧モデルを測定値３８４に適合させることを含むことができる。その場合、容量トレースが１つのあり得る劣化クラスを示すとき、そのようなバッテリセルの各々の測定されたテール電圧は、対応する容量Ｃを用いてパラメータ化された１つのテール電圧モデルである。

全体として、モデル学習部分は、各認容可能な容量値Ｃについて容量モデル

及びテール電圧モデル

を用いてＫ個の劣化クラスを生む（言い換えれば、Ｃは

の範囲である）。

（オンライン予測）
図４Ａに、１つの実施形態によるオンライン段階において検査バッテリの容量変化／劣化を推定するための方法の原理ブロック図を示す。オンライン段階の目的は、検査されたバッテリセルの容量が将来の充電／放電サイクルにおいてどのように変わるかを、直近の放電サイクル中にそのテール電圧Ｖ（ｔ）の測定値４１０及び容量Ｃの測定値４１２に基づいて予測することである。容量Ｃは、直接測定し又は放電電流に基づいて計算することができる。放電電流は、測定され又は放電サイクルプロトコルの一部として前もって既知である。本質的に、オンライン予測段階は、検査されたセルの劣化クラスを決定することを目標とする。その後、セルの容量トレースは、検出された劣化クラスと関連する容量モデルとして予測される。

容量値が測定されると、開示された方法は、測定された容量４２２、４２３、４２４において全ての劣化クラスに対応するテール電圧モデル４２０に最初にアクセスする。モデル４２０はモデル学習段階で決定される。このステップに続いて、オンライン予測段階における次のステップは、測定されたテール電圧Ｖ（τ）と、測定された容量Ｃに対応する全ての劣化クラスのテール電圧モデルとの間の類似性を決定すること（４３０）から構成される。より正式には、

である。式中、ｄ＝１，．．．，Ｋであり、Ｓは類似性演算子である。類似性測定基準の例は、

である。ここでＶ（τ）及び

は離散化されるとともにベクトルにフォーマットされる。

は、ベクトルのＬ２ノルムを表わす。類似性スコアの例は、本発明者らのデータセットからの検査されたバッテリセル７に対応する類似性スコアをプロットする図４Ｃに示される。プロット４６０によって表すように、セル７は、セル６ ４６２、セル１７ ４６４及びセル１６ ４６６との類似性スコアが最も高いが、他のセルに対応するスコアは無視可能である。

類似性Ｓ_ｄは、

となるように標準化される。結果として生じる類似性Ｓ_ｄは、検査されたバッテリセルが劣化クラスｄに属する尤度とみなすことができる。それゆえ、検査されたバッテリセルが属する劣化クラスに関するハードな決定４４０は、

として得られる。

最後に、検査されたバッテリセルの容量トレース４５０は、検出された劣化クラス

に対応する容量モデルである。

容量予測（６）は、全てのあり得る劣化クラスがモデル学習段階において訓練データから収集されると暗示的に仮定する。しかしながら、特に比較的少数のバッテリセルＮの測定値ログが記録されるとき、これは当てはまらない場合がある。

図４Ｂに、１つの実施形態によって検査バッテリの容量劣化をソフトに推定するための方法の原理ブロック図を示す。検査されたバッテリセルの容量劣化のソフトな推定４５０は、全ての容量モデル

をそれらの類似性Ｓ_ｄによって

となるように重み付けした組み合わせ４４５である。

例えば、ソフトな推定中に、実施形態は、検査バッテリのバッテリサイクルに最も近いバッテリサイクルモデルの部分集合を選択し、バッテリサイクルモデルの選択された部分集合に対応する容量劣化モデルの部分集合を抽出し、バッテリの容量の将来の劣化を容量劣化モデルの抽出された部分集合の組み合わせに基づいて推定する。例えば、１つの実施態様において、組み合わせは、容量劣化モデルの抽出された部分集合を、検査バッテリのバッテリサイクルと選択されたバッテリサイクルモデルとの間の隔たりに対応する重みで重み付けした組み合わせである。

（モデル学習の例示的な実施態様）
図３Ａを参照して、オフライン／オンライン容量劣化方法論は、多数のバッテリセルの充電／放電サイクルにわたって記録された容量トレース３２０を、訓練段階におけるモデル学習の一部としてクラスタリングすることを含む。訓練データに寄与するバッテリセルの数が比較的少ないとき、各記録された容量トレースは、１つのあり得る劣化クラスに関連しており、対応する容量劣化モデルとして使用される。一般的に、試験されたバッテリセルの数が比較的多い場合、種々のクラスタリング方法を使用することができる。あり得る劣化クラスの数が予め既知ではないので、ディリクレプロセス混合モデル（ＤＰＭＭ）が１つの可能性であり、その理由は、ＤＰＭＭはクラスタの数を自動的に検出するために内蔵のメカニズムを有するからである。

例えば、各劣化クラス及びそのクラスからの認容可能な容量値に関するテール電圧モデル３４０は、同じクラス及び容量値に関連する測定されたテール電圧を単に平均化することよって得ることができる。一般的に、提案された予測方法論にはテール電圧をモデル化するための他の手法が適する。そのため、各劣化クラス及び容量値に関するテール電圧モデルは、一組の対応するテール電圧測定値を使用して経験曲線フィッティングによって得ることができる。より一般的に、バッテリセルの容量トレースは、その記録されたテール電圧とともに、クラスタリング段階においてデータ点として扱うことができる。そのような場合、クラスタリングは、容量トレース及びテール電圧に関するモデルを用いて劣化クラスを自動的に生む。ＤＰＭＭモデルは１つのあり得る手法である。

幾つかの実施形態は、バッテリ容量及びテール電圧を使用して、検査バッテリの容量劣化モデルを学習し、容量放出を予測する。これに加えて又はこれに代えて、幾つかの実施形態では他の測定値を使用する。例えば、充電サイクル中の電圧測定値は、バッテリ劣化情報も含むので、テール電圧と置き換えることができる。より一般的に、充電サイクル及び次の放電サイクル中に記録された電圧波形は、容量予測に関してバッテリセル容量とともに使用可能な別の種類の測定値である。種々の実施形態の予測方法論は、利用した電圧測定値の種類に関係なく、概念的に変化しない。すなわち、電圧波形は、（２）でモデル化されるように依然として劣化クラス及び容量に依存する。その結果、そのモデルは、訓練段階において各劣化クラス及び容量値について学習される。

バッテリセルに対して定電流を充電及び放電することに加えて又は代えて、種々の他の充電及び放電プロトコルを使用することができる。そのような場合、その波形が充電／放電プロトコルによって固定されていない全ての量（充電及び放電時の電圧及び電流）は、測定し、予測タスクに利用すべきである。これは、充電／放電サイクルにわたる全てのそれらの量の変化は、劣化に依存し、検査バッテリの容量放出を正確に予測するために活用可能なためである。

さらに、２回以上の連続する充電サイクル及び／又は放電サイクル中の電流測定値及び／又は電圧測定値は、もしそれらのサイクルにわたって容量があまり変化しなければ、取り出して容量予測を援助するために使用することができる。以前の場合と同様に、提案された方法論は、そのような手法に適応するために一般化すべく修正可能である。

（例示的な実験に基づく実証）
幾つかの実施形態は、説明された実験に基づくバッテリデータセットを使用して、提案された予測方法論を実証する。バッテリセルのうちセル７がより長い測定値ログを有するので、このセルは検査バッテリセルであるとみなされる。他のバッテリセルに対応する測定値は、非常に不規則かつ不健全な容量放出のせいでデータセットから排除されるセル８を例外として、訓練データセットを含む。

所定の放電サイクルｔに対応するセル７の容量及びテール電圧に基づいた例示的な実験に基づく評価が利用可能であり、開示された方法を使用してその容量が将来の放電サイクルにおいてどのように放出するかを予測し、予測をセル７の容量の利用可能な測定値と比較する。発明者は、相対誤差を、放電サイクルの開始がセル７の寿命の異なる段階に対応する予測期間にわたって計算した。

セル７の測定値ログは、セル７の寿命にわたって非一様にサンプリングされた３９個の検査日中に取り出した充電／放電サイクルからの測定値を含む。実験に基づく評価の実例について、本発明者らは、そのような２０番目の日中に取り出した容量測定値及びテール電圧測定値を使用してセルの容量放出を予測し、２０番目の日は、さらに、セルの寿命における３４４番目の日に対応する。以前に詳しく述べたように、訓練データセットからの各容量トレースは、１つのあり得る劣化クラスを示す。同様に、訓練データセットから得る各測定されたテール電圧は、対応する劣化クラス及び容量値に関するテール電圧モデルである。セル７が、３４４番目の日のその放電サイクル中に供給する充電の量、すなわちその測定された容量は、２．７１３５Ａｈである。セル７の放電サイクル中のセル７のテール電圧と、幅０．１Ａｈでおよそ２．７１３５Ａｈの範囲からの容量と関連する、訓練データセットからの測定されたテール電圧との間の類似性スコアは、（３）を使用して計算される。図４Ｃにおける類似性スコアのプロットは、検査セルのテール電圧が、セル６によって示される劣化クラスに対応するとともに、ある程度セル１７及びセル１６の劣化クラスに対応する、テール電圧と同様の挙動を表すことを示唆する。その結果、（７）で与えられるように、検査されたセルの容量トレースは、劣化クラスの容量トレース（すなわち訓練データセットから得るバッテリセル）の重み付けされた組み合わせとして予測され、ここで重みは類似性スコアである。本発明者らのデータセットからの全てのセルが検査充電／放電サイクルを経るとは限らないので、考慮した放電サイクルに関する容量測定値を欠くセルに対応する類似性スコアはゼロとみなされ、残りの類似性スコアは再度標準化される。

図５Ａに、幾つかの実施形態の原理によって決定された推定の容量劣化と実際に測定された容量劣化との間の比較図を示す。横軸は、容量予測を援助する放電サイクル測定値が記録される、参照日に関する予測期間を表す。見てわかるように、推定された（予測された）容量５１０は、参照日（放電サイクル測定値を取り出した日）よりも先の５００日を超えて実際の測定容量５２０にかなり接近している。

図５Ｂは、実施形態の１つによって実行された将来の期間における容量推定の相対誤差のグラフ５３０を示す。図５Ｂに示す相対的な予測誤差は、予測期間にわたって３％を超えず、参照日から最初の６００日以内では１％よりも小さい。

図５Ｃに、１つのバッテリセル測定値及び異なる放電サイクル測定値について１つの実施形態によって得られた、容量予測の最大相対誤差に関するプロットを示す。

測定値ログのインデックスが増加するにつれて、関連する放電サイクルは、セルの寿命の後半で発生するため、予測期間が短くなる。そのため、図５Ｃからの最大相対誤差に関する予測期間は、９５９日から減って５９７日までの範囲である。とりわけ、図５Ｃに示すように、対応する予測期間の終わり頃に生じる最大の相対誤差は、２つの放電サイクルログを除く全てについて３％より小さい。

（例示的な実施形態）
図６に、幾つかの実施形態による検査バッテリの容量の将来の劣化を推定するためのバッテリ診断システム６００のブロック図を示す。バッテリ診断システム６００は、記憶された命令を実行するように構成されたプロセッサ６２０及びプロセッサによって実行可能な命令を記憶するメモリ６４０を含む。プロセッサ６２０は、シングルコアプロセッサ、マルチコアプロセッサ、コンピュータクラスタ又は任意数の他の構成にすることができる。メモリ６４０は、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、フラッシュメモリ又は他の適切なメモリシステムを含むことができる。プロセッサ６２０は、バス６０６を通じて１つ以上の入出力デバイスに接続される。これらの命令は、検査バッテリの容量の将来の劣化を推定する方法６３５を実施する。

異なる実施態様において、バッテリ診断システム６００は、入力インターフェースの異なる様式及び組み合わせを有し、検査バッテリ１００のバッテリサイクル及び現在の容量を表す測定値を受け取ることができる。１つの実施態様では、バッテリ診断システム６００内のヒューマンマシンインターフェース６１０は、システムをキーボード及び／又はポインティングデバイス６１１に接続する。ポインティングデバイス６１１は、マウス、トラックボール、タッチパッド、ジョイスティック、ポインティングスティック、スタイラス又はタッチスクリーンを含むことができる。

これに加えて又はこれに代えて、バッテリ診断システム６００は、システムを検査バッテリ１００に接続するように適合された、バッテリインターフェース６７０に接続することができる。検査バッテリ１００は、フラッシュライト、スマートフォン及び電気自動車等の電気装置に給電するために設けた外部接続部を備える、１つ以上の電気化学バッテリセルを含み得るバッテリセルである。バッテリインターフェース６７０は、バッテリの電圧及び電流等の検査バッテリ１００のパラメータを、その充電サイクル及び／又は放電サイクル中に測定するように適合することができる。

これに加えて又はこれに代えて、ネットワークインターフェースコントローラ６５０は、バス６０６を通じてバッテリ診断システム６００をネットワーク６９０に接続するように適合することができる。ネットワーク６９０を通じて、検査バッテリ１００のバッテリサイクル及び現在の容量を表す測定値６９５は、記憶する及び／又は更に処理するためにダウンロードしてコンピュータの記憶システム６３０内に記憶することができる。

入力インターフェースに加えて、バッテリ診断システム６００は、検査バッテリの推定された容量の将来の劣化を出力する１つ又は複数の出力インターフェースを含むことができる。例えば、バッテリ診断システム６００は、バッテリ診断システム６００を表示装置６６５に接続するように適合されたディスプレイインターフェース６６０にバス６０６を通じて連結することができる。表示装置６６５は、コンピュータモニタ、カメラ、テレビ、プロジェクタ又はモバイルデバイスを含むことができる。

これに加えて又はこれに代えて、バッテリ診断システム６００は、バス６０６を通じてアプリケーションインターフェース６８０に接続される。アプリケーションインターフェース６８０は、バッテリ診断システム６００を、バッテリ診断の結果に基づいて動作可能なアプリケーション装置６８５に接続するように適合される。例えば、装置６８５は、診断結果を使用してユーザに検査バッテリを更に調査し及び／又は交換するように警告する、監視システムである。

バッテリ診断システム６００は、予め訓練された容量劣化モデル６３１及びバッテリサイクルモデル６３３を使用して容量劣化６３５を推定するように構成される。各容量劣化モデルは、バッテリ容量の劣化を時間の関数として定義する。各バッテリサイクルは、特定の種類のバッテリについて充電サイクル及び放電サイクルのうちの一方又は組み合わせ中に異なる容量において測定される電圧及び電流のうちの一方又は組み合わせの値からモデル化される。バッテリサイクルを形成するための測定値の例には、放電サイクル中に測定されたテール電圧、放電サイクル中に測定された電流、充電サイクル中の電圧、充電サイクル中の電流、充電サイクル及び次の放電サイクル中の電圧、充電サイクル及び次の放電サイクル中の電流、又は一般的に、予め事前に定義されずかつ変化するために劣化情報を含むことがあり得る充電／放電中の電圧／電流のいずれかが含まれる。例えば、記憶装置６３０を一組の訓練されたモデルを記憶するように適合させることができる。記憶装置６３０は、ハードドライブ、光学式ドライブ、サムドライブ、ドライブのアレイ又はそれらの任意の組み合わせを使用して実施することができる。

図７に、幾つかの実施形態による、容量７２０の異なる値について決定された一組の容量劣化モデル６３１と一組のバッテリサイクルモデル６３３との間のマッピングの例を有する表７１０を示す。各容量劣化モデルは、異なるバッテリ容量に関連する一組のバッテリサイクルモデル７４０にマッピングされる。

図８に、幾つかの実施形態による検査バッテリの容量８３５の将来の劣化を推定するための方法６３５のブロック図を示す。方法６３５は、マッピング７１０を使用して、検査バッテリ１００がいずれの劣化クラスに属するか及び／又は検査バッテリの容量の将来の劣化を推定するためにいずれの容量劣化モデルを使用するかを、オンラインで決定する。

方法は、検査バッテリのバッテリサイクル８４０を、検査バッテリの現在の容量に最も近い検査バッテリ容量８５０の値に関連する、異なる容量劣化モデルのバッテリサイクルモデルと比較する（８１０）。例えば、検査バッテリの容量は、表７１０中の値Ｃ２に最も近い。それゆえ、この例において、方法は、検査バッテリのバッテリサイクル８４０をバッテリサイクルモデル７４０と比較して（８１０）、検査バッテリのバッテリサイクルに最も近い少なくとも１つのバッテリサイクルモデル８１５を選択する。論じたように、バッテリサイクルは異なる手法で形成することができる。しかしながら、オフラインで決定されたバッテリサイクルモデル、及び診断のために受け取った検査バッテリのバッテリサイクルは、同じ手法で決定される。例えば、検査バッテリセルのバッテリサイクルモデル及びバッテリサイクルは、テール電圧の値を用いて形成することができる。

方法は、メモリから、選択されたバッテリサイクルモデルにマッピングされた容量劣化モデル８２５を抽出し（８２０）、抽出された容量劣化モデルに基づいてバッテリの容量の将来の劣化８３５を推定する（８３０）。例えば、バッテリサイクルモデル７５０が検査バッテリのバッテリサイクル８４０に最も近い（８１５）場合、方法は、容量劣化モデル７６０を使用して検査バッテリの容量の将来の劣化を推定する。事実上、バッテリサイクルモデルにより、検査バッテリの測定値を使用することが可能になり、こうしてその劣化クラスを、検査バッテリの使用パターンにかかわらず推定する。

本発明の上記で説明した実施形態は、多数の方法のうちの任意のもので実施することができる。例えば、実施形態は、ハードウェア、ソフトウェア又はそれらの組み合わせを用いて実施することができる。ソフトウェアで実施される場合、ソフトウェアコードは、単一のコンピュータに設けられるのか又は複数のコンピュータ間に分散されるのかにかかわらず、任意の適したプロセッサ又はプロセッサの集合体において実行することができる。そのようなプロセッサは、１つ以上のプロセッサを集積回路部品に有する集積回路として実装することができる。ただし、プロセッサは、任意の適したフォーマットの回路類を用いて実装することができる。

また、本発明の実施形態は、例が提供された方法として実施することができる。この方法の一部として実行される動作は、任意の適切な方法で順序付けすることができる。したがって、動作が示したものと異なる順序で実行される実施形態を構築することができ、これには、例示の実施形態では一連の動作として示されたにもかかわらず、幾つかの動作を同時に実行することを含めることもできる。

請求項の要素を修飾する、特許請求の範囲における「第１」、「第２」等の序数の使用は、それ自体で、或る請求項の要素の別の請求項の要素に対する優先順位も、優位性も、順序も暗示するものでもなければ、方法の動作が実行される時間的な順序も暗示するものでもなく、請求項の要素を区別するために、単に、或る特定の名称を有する或る請求項の要素を、同じ（序数の用語の使用を除く）名称を有する別の要素と区別するラベルとして用いられているにすぎない。

Claims (17)

1. バッテリ診断システムであって、
   特定の種類のバッテリに関する一組の容量劣化モデルを記憶するように構成されたメモリであって、各容量劣化モデルは、バッテリ容量の劣化を時間の関数として定義し、充電サイクル及び放電サイクルのうちの一方又は組み合わせの最中に前記特定の種類のバッテリについて異なるバッテリ容量において測定された、電圧及び電流のうちの一方又は組み合わせの値によって形成された一組のバッテリサイクルモデルにマッピングされ、これにより各容量劣化モデルは、異なるバッテリ容量に関連する一組のバッテリサイクルモデルにマッピングされる、メモリと、
   検査バッテリのバッテリサイクル及び前記検査バッテリの現在のバッテリ容量を表す測定値を受け取るように構成された入力インターフェースと、
   プロセッサであって、
   前記検査バッテリのバッテリサイクルを、前記検査バッテリの現在のバッテリ容量に最も近いバッテリ容量の値に関連する、異なる容量劣化モデルのバッテリサイクルモデルと比較することによって、前記検査バッテリのバッテリサイクルに最も近い少なくとも１つのバッテリサイクルモデルを選択し、
   前記メモリから、選択されたバッテリサイクルモデルにマッピングされた容量劣化モデルを抽出し、
   抽出された容量劣化モデルに基づいて前記検査バッテリのバッテリ容量の将来の劣化を推定するように構成される、
   プロセッサと、
   前記検査バッテリのバッテリ容量の推定された将来の劣化を出力するように構成された出力インターフェースと、
   を備える、バッテリ診断システム。
2. 前記バッテリ容量は、或る期間の充電量を供給するバッテリの容量を示す、請求項１に記載のバッテリ診断システム。
3. 前記バッテリ容量の将来の劣化は、前記検査バッテリの現在のバッテリ容量から始まる抽出された容量劣化モデルの区分を含む、請求項１に記載のバッテリ診断システム。
4. 前記入力インターフェースは、前記検査バッテリの放電電流の測定値を受け取り、前記プロセッサは、前記現在のバッテリ容量を、バッテリの特定の種類によって定義される比例定数を用いて或る期間にわたる前記放電電流の測定値の積分に比例するように決定する、請求項１に記載のバッテリ診断システム。
5. 前記バッテリサイクルモデルは、バッテリのテール電圧の測定値から形成され、前記入力インターフェースは、前記検査バッテリのテール電圧の測定値を受け取る、請求項１に記載のバッテリ診断システム。
6. 前記プロセッサは、
   前記検査バッテリの前記バッテリサイクルに最も近い前記バッテリサイクルモデルの部分集合を選択し、
   バッテリサイクルモデルの選択された部分集合に対応する容量劣化モデルの部分集合を抽出し、
   前記検査バッテリのバッテリ容量の将来の劣化を、前記容量劣化モデルの抽出された部分集合の組み合わせに基づいて推定するように構成される、請求項１に記載のバッテリ診断システム。
7. 前記組み合わせは、前記容量劣化モデルの抽出された部分集合を、前記検査バッテリの前記バッテリサイクルと前記選択されたバッテリサイクルモデルとの間の隔たりに対応する重みで重み付けした組み合わせである、請求項６に記載のバッテリ診断システム。
8. 前記検査バッテリの測定値は、一組の容量劣化モデル及び一組のバッテリサイクルモデルを決定するための測定値と同じ条件の下で決定される、請求項１に記載のバッテリ診断システム。
9. 前記異なる容量劣化モデルは、有限数のクラスタにクラスタリングされる、請求項１に記載のバッテリ診断システム。
10. バッテリ診断方法であって、前記バッテリ診断方法は、メモリに接続されたプロセッサを使用して実行され、前記メモリは、特定の種類のバッテリに関する一組の容量劣化モデルを記憶し、各容量劣化モデルは、バッテリ容量の劣化を時間の関数として定義し、充電サイクル及び放電サイクルのうちの一方又は組み合わせの最中に前記特定の種類のバッテリについて異なる容量において測定された、電圧及び電流のうちの一方又は組み合わせの値によって形成された一組のバッテリサイクルモデルにマッピングされ、これにより各容量劣化モデルは、異なるバッテリ容量に関連する一組のバッテリサイクルモデルにマッピングされ、前記プロセッサには前記バッテリ診断方法を実施する記憶された命令が組み込まれ、前記命令は、前記プロセッサによって実行されるとき、
    検査バッテリのバッテリサイクル及び前記検査バッテリの現在の容量を示す測定値を受け取るステップと、
    前記検査バッテリの前記バッテリサイクルを、前記検査バッテリの現在の容量に最も近い前記バッテリ容量の値に関連する、異なる容量劣化モデルのバッテリサイクルモデルと比較することによって、前記検査バッテリの前記バッテリサイクルに最も近い少なくとも１つのバッテリサイクルモデルを選択するステップと、
    前記メモリから、選択されたバッテリサイクルモデルにマッピングされた容量劣化モデルを抽出するステップと、
    抽出された容量劣化モデルに基づいて前記検査バッテリのバッテリ容量の将来の劣化を推定するステップと、
    前記検査バッテリのバッテリ容量の推定された将来の劣化を出力するステップと、
    を含む、前記バッテリ診断方法の少なくとも幾つかのステップを実施する、バッテリ診断方法。
11. 前記バッテリ容量は、或る期間の充電量を供給するバッテリの容量を示し、前記バッテリ容量の将来の劣化は、前記検査バッテリの現在の容量から始まる抽出された容量劣化モデルの区分を含む、請求項１０に記載のバッテリ診断方法。
12. 前記検査バッテリの放電電流の測定値を受け取ることと、
    前記現在の容量を、前記バッテリの前記特定の種類によって定義される比例定数を用いて或る期間にわたる前記放電電流の測定値の積分に比例するように決定することと、
    を更に含む、請求項１０に記載のバッテリ診断方法。
13. 前記バッテリサイクルモデルは、バッテリのテール電圧の測定値から形成され、入力インターフェースが、前記検査バッテリのテール電圧の測定値を受け取る、請求項１０に記載のバッテリ診断方法。
14. 前記検査バッテリの前記バッテリサイクルに最も近いバッテリサイクルモデルの部分集合を選択することと、
    バッテリサイクルモデルの選択された部分集合に対応する容量劣化モデルの部分集合を抽出することと、
    前記検査バッテリのバッテリ容量の将来の劣化を、容量劣化モデルの抽出された部分集合の組み合わせに基づいて推定することと、
    を更に含む、請求項１０に記載のバッテリ診断方法。
15. 前記組み合わせは、前記容量劣化モデルの抽出された部分集合を、前記検査バッテリの前記バッテリサイクルと前記選択されたバッテリサイクルモデルとの間の隔たりに対応する重みで重み付けした組み合わせである、請求項１４に記載のバッテリ診断方法。
16. 前記異なる容量劣化モデルは、有限数のクラスタにクラスタリングされる、請求項１０に記載のバッテリ診断方法。
17. 方法を実行するためにプロセッサによって実行可能なプログラムが具現化された非一時的コンピュータ可読記憶媒体であって、前記非一時的コンピュータ可読記憶媒体は、特定の種類のバッテリに関する一組の容量劣化モデルを記憶し、各容量劣化モデルは、バッテリ容量の劣化を時間の関数として定義し、充電サイクル及び放電サイクルのうちの一方又は組み合わせの最中に前記特定の種類のバッテリについて異なる容量において測定された、電圧及び電流のうちの一方又は組み合わせの値によって形成された一組のバッテリサイクルモデルにマッピングされ、これにより各容量劣化モデルは、異なるバッテリ容量に関連する一組のバッテリサイクルモデルにマッピングされ、前記方法は、
    検査バッテリのバッテリサイクル及び前記検査バッテリの現在の容量を示す測定値を受け取ることと、
    前記検査バッテリのバッテリサイクルを、前記検査バッテリの現在のバッテリ容量に最も近いバッテリ容量の値に関連する、異なる容量劣化モデルのバッテリサイクルモデルと比較することによって、前記検査バッテリのバッテリサイクルに最も近い少なくとも１つのバッテリサイクルモデルを選択することと、
    メモリから、選択されたバッテリサイクルモデルにマッピングされた容量劣化モデルを抽出することと、
    抽出された容量劣化モデルに基づいて前記検査バッテリのバッテリ容量の将来の劣化を推定することと、
    前記検査バッテリのバッテリ容量の推定された将来の劣化を出力することと、
    を含む、非一時的コンピュータ可読記憶媒体。

Images