JP-2026514987-A - ハイブリッドニューラルネットワークモデル及び訓練モデルを用いて電池の健全状態を予測する方法及び装置

JP2026514987AJP 2026514987 AJP2026514987 AJP 2026514987AJP-2026514987-A

Abstract

ハイブリッドニューラルネットワークモデルを使用して、電池の健全状態を予測する方法である。本方法は、測定されたサイクルデータセットに含まれる複数の時点における複数の入力信号を、ハイブリッドニューラルネットワークモデルに時間順に入力することであって、ハイブリッドニューラルネットワークモデルは、ニューラルネットワークサブモジュール及び物理モデルサブモジュールを含み、サイクルデータセットの複数の入力信号の各入力信号は、一つの時点における電池の複数の物理量を含む、ことと、複数の時点の各時点における一つの入力信号の反復において、ニューラルネットワークサブモジュールによって、入力信号と、前の反復において物理モデルサブモジュールによって出力される第一の値とに基づいて、第二の値を予測することと、物理モデルサブモジュールによって、入力信号及び第二の値に基づいて、最後の時点における最後の入力信号の反復まで、現在の反復における第一の値を計算することと、第一の値に基づいて電池の健全状態を特定することと、を含む。

Inventors

ロンユエンリー
ゼチェン
ケミングヂャン
リーヂャン

Assignees

ローベルトボツシユゲゼルシヤフトミツトベシユレンクテルハフツング

Dates

Publication Date: 20260513
Application Date: 20230425

Claims (20)

ハイブリッドニューラルネットワークモデルを使用して電池の健全状態を予測する方法であって、測定されたサイクルデータセットに含まれる複数の時点における複数の入力信号を、前記ハイブリッドニューラルネットワークモデルに時間順に入力することであって、前記ハイブリッドニューラルネットワークモデルは、ニューラルネットワークサブモジュール及び物理モデルサブモジュールを含み、前記サイクルデータセットの前記複数の入力信号の各入力信号は、一つの時点における電池の複数の物理量を含む、ことと、前記複数の時点の各時点における一つの入力信号の反復において、前記ニューラルネットワークサブモジュールによって、前記入力信号と、前の反復において前記物理モデルサブモジュールによって出力される第一の値とに基づいて、第二の値を予測することと、前記物理モデルサブモジュールによって、前記入力信号に基づく現在の反復における第一の値と、前記第二の値とを、最後の時点における最後の入力信号に対して反復するまで計算することであって、前記ニューラルネットワークサブモジュールは、前記最後の入力信号と、前記前の反復において前記物理モデルサブモジュールによって出力される前記第一の値とに基づいて、第二の値を予測する、ことと、前記物理モデルサブモジュールによって、前記最後の入力信号と、前記第二の値とに基づいて、前記現在の反復における第一の値を計算することと、前記第一の値に基づいて、前記電池の前記健全状態を特定することと、を含む方法。
前記物理モデルサブモジュールは、前記電池の測定値に基づいて、前記電池の前記健全状態の状態を計算するための物理方程式を含む、請求項１に記載の方法。
前記物理方程式は、前記電池の前記測定値に基づいて、前記電池の前記健全状態を表すための、通常の差分方程式又は部分差分方程式を含む、請求項２に記載の方法。
前記ニューラルネットワークサブモジュールは、完全に接続されたニューラルネットワークモデルを含む、請求項２に記載の方法。
各入力信号に含まれる一つの時点における前記複数の物理量は、その時点における電流値、電圧値、温度値及び電池の充電状態の少なくとも一部分を含み、前記第一の値は、前記電池の固体電解質界面膜厚の変化、負極及び正極側反応によって引き起こされるリサイクル可能なリチウムの変化、電解質溶媒の消費、リチウム堆積によるリサイクル可能なリチウムの損失、並びに、負極活物質の損失及び正極活物質の損失の少なくとも一部分を含み、前記第二の値は、電池の容量を計算するための重み係数を含む、請求項２に記載の方法。
前記第二の値は、前記電池の負極及び正極側反応電流に対応する重み係数を含む、請求項５に記載の方法。
前記第二の値は、前記電池の負極及び正極活物質の損失に対応する重み係数をさらに含む、請求項６に記載の方法。
ハイブリッドニューラルネットワークモデルを訓練する方法であって、前記ハイブリッドニューラルネットワークモデルのパラメータを共有メモリブロックに保存することであって、前記ハイブリッドニューラルネットワークモデルは、ニューラルネットワークサブモジュール及び物理モデルサブモジュールを含み、前記ハイブリッドニューラルネットワークモデルを訓練するための第一の訓練データセットが、複数のサイクルデータセットを含み、各サイクルデータセットが、複数の時点における複数の入力信号と、一つの目標出力真値とを含み、各入力信号が、一つの時点における複数の物理量を含み、一つの時点における一つの入力信号の反復において、前記ニューラルネットワークサブモジュールが、前記入力信号と、前の反復において前記物理モデルサブモジュールによって出力される第一の値とに基づいて、第二の値を予測し、物理モデルサブモジュールが、前記入力信号と、前記第二の値とに基づいて、現在の反復における第一の値を計算する、ことと、複数のプロセスを並行して実行することであって、前記複数のプロセスは、前記共有メモリブロックに保存された前記ハイブリッドニューラルネットワークモデルの前記パラメータを並行して使用して、前記第一の訓練データセットに基づいて、前記ハイブリッドニューラルネットワークモデルを訓練し、前記複数のプロセスの各プロセス、及び、前記プロセスによって使用される各サイクルデータセットについて、前記プロセスは、前記共有メモリブロックに保存された前記ハイブリッドニューラルネットワークモデルの前記パラメータを使用して、前記複数の時点における前記複数の入力信号が、前記サイクルデータセット内に時間順序を有することに基づいて、一つの予測される目標値を反復的に生成し、前記共有メモリブロックに保存された前記ハイブリッドニューラルネットワークモデルの前記パラメータは、前記サイクルデータセットの前記予測目標値及び目標真値に基づいて更新される、ことと、を含む方法。
前記複数のプロセスは、前記第一の訓練データセット内の前記複数のサイクルデータセットの異なる順序に従って、前記複数のサイクルデータセットに基づいて、前記ハイブリッドニューラルネットワークモデルを並列に訓練する、請求項８に記載の方法。
前記物理モデルサブモジュールは、前記電池の測定値に基づいて電池の健全状態を計算するための物理方程式を含み、前記ニューラルネットワークサブモジュールは、完全に接続されたニューラルネットワークモデルを含む、請求項９に記載の方法。
各入力信号に含まれる一つの時点における前記複数の物理量は、その時点における電流値、電圧値、温度値及び電池の充電状態の少なくとも一部分を含み、前記第一の値は、前記電池の固体電解質界面膜厚の変化、負極及び正極側反応によって引き起こされるリサイクル可能なリチウムの変化、電解質溶媒の消費、リチウム堆積によるリサイクル可能なリチウムの損失、負極活物質の損失、正極活物質の損失の少なくとも一部分を含み、前記第二の値は、前記電池の容量を計算するための重み係数を含む、請求項１０に記載の方法。
前記第二の値は、前記電池の負極及び正極側反応電流に対応する重み係数を含む、請求項１１に記載の方法。
前記第二の値は、前記電池の負極及び正極活物質の損失に対応する重み係数をさらに含む、請求項１２に記載の方法。
前記サイクルデータセットの前記予測目標値及び前記目標真値に基づいて、前記共有メモリブロックに保存された、前記ハイブリッドニューラルネットワークモデルの前記パラメータを更新することは、前記サイクルデータセットの前記予測目標値及び前記目標真値に基づいて、前記ニューラルネットワークサブモジュールの前記パラメータと、前記電池の前記負極及び正極活物質の前記損失に対応する、前記物理モデルサブモジュールの重み係数とを更新することを含む、請求項１２に記載の方法。
複数の異なるダウンサンプリングレートを設定することと、前記複数の異なるダウンサンプリングレートの各ダウンサンプリングレートに対して、第二の訓練データセットに基づいて、前記ダウンサンプリングレートから取得された訓練データサブセットを使用して、前記ハイブリッドニューラルネットワークモデルを訓練することであって、前記第二の訓練データセットは、複数のサイクルデータセットを含み、各サイクルデータセットは、複数の時点における複数の入力信号及び目標出力真値を含み、各入力信号は、一つの時点における複数の物理量を含む、ことと、前記訓練データサブセットに基づいて、前記訓練されたハイブリッドニューラルネットワークモデルに対する訓練性能値を決定することと、テストデータセットに基づいて、前記訓練されたハイブリッドニューラルネットワークモデルのテスト性能値を決定することであって、前記テストデータセットは、複数のサイクルデータセットを含み、各サイクルデータセットは、複数の時点における複数の入力信号及び一つの目標出力真値を含み、各入力信号は、一つの時点における複数の物理量を含む、ことと、をさらに含む、請求項８乃至１４のいずれか一項に記載の方法。
前記複数の異なるダウンサンプリングレートに各々対応する、前記訓練性能値及び前記テスト性能値の複数のセットに基づいて、前記複数の異なるダウンサンプリングレートの、一つ以上のダウンサンプリングレートを選択することと、前記一つ以上のダウンサンプリングレートに基づいて、前記第一の訓練データセットに基づいて、前記ハイブリッドニューラルネットワークモデルを訓練することと、をさらに含む、請求項１５に記載の方法。
前記複数の異なるダウンサンプリングレートのうちの一つ以上のダウンサンプリングレートを選択することは、第一のダウンサンプリングレート及び第二のダウンサンプリングレートを選択することを含み、前記第一の訓練データセットに基づいて、前記ハイブリッドニューラルネットワークモデルを訓練することは、前記ハイブリッドニューラルネットワークモデルの構造を調整して、複数の異なる構造の候補ハイブリッドニューラルネットワークモデルを取得することと、前記第一のダウンサンプリングレートを使用して、前記第一の訓練データセットに各々基づいて、前記複数の異なる構造の前記候補ハイブリッドニューラルネットワークモデルを訓練することと、訓練された前記複数の異なる構造の前記候補ハイブリッドニューラルネットワークモデルの各々の性能インジケータに基づいて、前記複数の異なる構造の前記候補ハイブリッドニューラルネットワークモデルから、一つの候補ハイブリッドニューラルネットワークモデルを選択することと、前記第二のダウンサンプリングレートを使用して、前記第一の訓練データセットに基づいて、前記選択された候補ハイブリッドニューラルネットワークモデルを訓練することと、を含む、請求項１６に記載の方法。
前記第二の訓練データセットは、前記第一の訓練データセットのサブセットであり、又は、前記第二の訓練データセットは、前記第一の訓練データセットと同一であり、又は、前記第二の訓練データセットは、前記第一の訓練データセットとは異なる、請求項１６に記載の方法。
ハイブリッドニューラルネットワークモデルのための装置であって、メモリと、一つ以上の処理ユニットであって、前記処理ユニットは、プログラム命令を実行すると、請求項１乃至１８のいずれか一項に記載の方法を実施するように構成されている、一つ以上の処理ユニットと、を備える装置。
機械可読ストレージメディアであって、実行されると、一つ以上のプロセッサに、請求項１乃至１８のいずれか一項に記載の方法を実施させるための実行可能な命令が保存されている機械可読ストレージメディア。

Description

本出願は、人工知能技術に関し、より具体的には、ハイブリッドニューラルネットワークモデルを用いて電池の健全状態を予測する方法及び装置、並びに、ハイブリッドニューラルネットワークモデルを訓練する方法及び装置に関する。再充電可能リチウム電池は、電気車両などの、様々な電気デバイスで広く使用されている。リチウム電池は、一般的に、負極、正極、及び、負極と正極との間に位置するセパレータプレートを備え、二つの電極の各々は、リチウムと可逆的に反応する活物質を含み、例えば、負極は、溶解し、電気化学な態様で可逆的に堆積するリチウム金属を含み、セパレータプレートは、リチウムカチオンを有する電解質を含み、電極間の物理的バリアとして作用し、電池内で電極が電気的に接続されないようにする。典型的には、正極に電子の生成があり、充電中に負極に等しい量の電子の消費があり、放電中に反対の反応が生じる。望ましくない副反応は、電池の繰り返しの充電及び放電サイクル中に発生し、これらの望ましくない副反応は、電池の容量の減少につながる。一実施例による、ハイブリッドニューラルネットワークモデルの概略図を示している。一実施例による、ハイブリッドニューラルネットワークを訓練するための簡略化された概略図を示している。一実施例による、ハイブリッドニューラルネットワークモデルを訓練する方法の概略図を示している。一実施例による、ハイブリッドニューラルネットワークモデルを訓練する方法の概略図を示している。一実施例による、ハイブリッドニューラルネットワークモデルを訓練する方法の概略図を示している。一実施例による、ハイブリッドニューラルネットワークモデルを用いて電池の健全状態を予測する方法のフローチャートを示している。一実施例による、ハイブリッドニューラルネットワークモデルを訓練する方法のフローチャートを示している。一実施例による、ハイブリッドニューラルネットワークモデルに使用される装置のブロック図を示している。以下においては、本明細書に記載される主題について、例示的な実施形態を参照して論じる。これらの実施形態に関する説明は、請求項に記載される権利保護の範囲、利用可能性又は実施例を限定するものではなく、当業者がよりよく理解し、それによって、本明細書に記載される主題を実施することを支援するために提供されることを理解されたい。本開示の内容の権利保護範囲から逸脱することなく、記載する要素の機能及び構成を変更することは可能であり得る。様々なプロセス又は構成要素は、必要に応じて、様々な実施例において省略され、置換され又は追加されるものとしてもよい。例えば、記載される方法は、記載されるものとは異なる順序で実施されるものとしてもよく、様々な工程を追加し、省略し又は組み合わせるものとしてもよい。さらに、ある実施例に関連して説明した構成はまた、他の実施例において組み合わせられるものとしてもよい。本明細書において使用される場合、「含む（ｃｏｍｐｒｉｓｉｎｇ）」という用語及びその変形は、オープンタームであり、これは、「含むが、これらに限定されるものではない」ことを意味する。「基づく（ｂａｓｅｄ）」という用語は、「少なくとも部分的に基づく」ことを示す。「一つの実施例」及び「一実施例」という用語は、「少なくとも一つの実施例」を示す。「他の実施例」という用語は、「少なくとも一つの他の実施例」を示す。「第一の」、「第二の」などの用語は、異なる又は同じ対象を指し得る。文脈において明示的に記載されていない限り、一つの用語の定義は、説明全体を通して一貫するものである。図１は、一実施例による、ハイブリッドニューラルネットワークモデルの概略図を示している。図１に示すハイブリッドニューラルネットワークモデル１００は、ニューラルネットワークサブモジュール１１０及び物理モデルサブモジュール１２０を含む。ハイブリッドニューラルネットワークモデル１００は、電池の測定信号１３０、例えば、電池の電圧、電流、温度、及び、充電状態（ＳＯＣ）などの物理量を受信し、受信した電池の測定信号１３０に基づいて、電池の健全状態（ＳＯＨ）を特定する。充電状態は、例えば、充電容量が３０％、６０％などに達する充電状態である。例えば、健全状態は、電池の容量であるものとしてもよく、又は、残存する容量と称されるものとしてもよい。電池の元の容量がＣ０であると仮定すると、電池が使用され、エージングすると、電池の容量は減少し、その後、電池の電流容量は、電池の健全状態を表すために使用され得る。また、電池の元の容量が１であると仮定することができ、そのため、電池の残存する容量は、１未満の分数で表され得る。電池の主なエージング現象は、リチウム損失及び溶媒消費をもたらす固体電解質界面（ＳＥＩ）の成長、リチウム損失をもたらすリチウム堆積、並びに、正極及び負極活物質の損失を含む。一実施例においては、エージングモデルは、以下の物理方程式のセットで表され得る。式（１）は、負極側反応によるＳＥＩ膜厚の変化を表す。式（２）は、負極（－）及び正極（＋）側反応によって引き起こされる、リサイクル可能なリチウムの変化を表す。式（３）は、電解質溶媒の消費を表す。式（４）は、リチウム堆積によって引き起こされる、リサイクル可能なリチウムの損失を表す。式（５）及び（６）は、各々、負極及び正極活物質の損失を表す。式（１）乃至（６）における副反応は、以下の物理方程式によって表され得る。式（７）及び（１０）におけるは、各々、第一の電解質又は第二の電解質に関連する、正極側反応電流及び負極側反応電流であり、式（１１）のＪｐｌは、リチウム堆積反応電流である。電池の健全状態（ＳＯＨ）は、電池の残存する容量として定義されるものとしてもよく、電池の容量又はシステム状態ＸｃＬｉ、ＸＬｉ、ＸＡＭＬ－、ＸＡＭＬ＋に影響を与える物理量は、式（１）乃至（６）の通常の差分方程式を解くことによって取得されるものとしてもよい。電池の残存する容量ＳＯＨｃは、以下のように表され得る。式（１２）のＣ０は、電池の元の容量を表し、ｋａ及びｋｃは、係数であり、又は、重み係数と称される。電池の残存する容量ＳＯＨｃは、電池の測定された物理量、例えば、式（１）乃至（１２）によって表される電池の電気化学的エージングモデルによって、式（７）乃至（１１）の電流Ｉ（ｔ）、電圧Ｖ（ｔ）、温度Ｔ（ｔ）及び充電状態ＳＯＣ（ｔ）に基づいて、物理方程式によって計算することができる。ここで、本開示の技術的解決策は、一例として、式（１）乃至（１２）によって表されるエージングモデルによって例示される。当業者であれば、式（１）乃至（１２）によって電池をモデル化するための電気化学エージングモデルの上記の実施が、本開示の技術的解決策を説明するための一例に過ぎないことを理解することができる。物理学に基づく電気化学的エージングモデルは、特定の実施に限定されるものではなく、任意の好適な物理化学的エージングモデルを用いることができる。図１に示す物理モデルサブモジュール１２０は、物理エージングモデル１２１０を含む。一実施例においては、物理モデル１２１０は、上記の式（１）乃至（６）によって表される通常の差分方程式（ＯＤＥ）、及び、対応する物理方程式（７）乃至（１１）を含み得る。具体的には、一つの時点ｔにおける一つの測定信号１３０について、測定信号１３０は、電池の電流Ｉ（ｔ）、電圧Ｖ（ｔ）、温度Ｔ（ｔ）及び充電状態ＳＯＣ（ｔ）を含み、物理エージングモデル１２１０は、測定信号１３０に基づいて式（１）乃至（１１）によって取得される通常の、差分方程式（１）乃至（６）の値によって表され得る。物理モデルサブモジュール１２０はまた、ＯＤＥソルバ１２２０を備え、ＯＤＥソルバ１２２０は、一つのフォワードプロセスによって通常の差分方程式（１）乃至（６）を解き、電池のシステム状態ＸＳＥＩ、ＸｃＬｉ、Ｘｃｓｏｌｌ，２、ＸＬｉ、ＸＡＭＬ－、ＸＡＭＬ＋を取得し、これらは、各々、負極側反応によるＳＥＩ膜厚の変化、負極（－）及び正極（＋）側反応によって引き起こされるリサイクル可能なリチウムの変化、電解質溶媒の消費、リチウム堆積によって引き起こされるリサイクル可能なリチウムの損失、負極活物質の損失及び正極活物質の損失を表す。ＯＤＥソルバ１２２０は、ＲＢＭＳＫｕｔｔソルバ、Ｅｕｌｅｒなどの、任意の好適なＯＤＥソルバであるものとしてもよいことが理解されよう。物理モデルサブモジュール１２０はまた、ＳＯＨ判定ユニット１２３０を備え、ＳＯＨ判定ユニット１２３０は、式（１２）に従って、電池の残存する容量ＳＯＨｃを、電池の健全状態として判定する。他の実施例においては、電池の元の容量は、１として表され、残存する容量ＳＯＨｃは、１未満の分数として表されるものとしてもよく、例えば、ＳＯＨ判定ユニット１２３０は、式（１３）に従って、電池の残存する容量ＳＯＨｃを、電池の健全状態として判定し得る。式（１３）のＣ０は、電池の元の容量を表し、ｋａ及びｋｃは、係数である。物理エージングモデルを使用する実施例においては、負極及び正極活物質の損失ＸＡＭＬ－及びＸＡＭＬ＋を計算するために使用される式（５）及び（６）において、第一の電解質又は第二の電解質に関連する、負極側反応電流及び正極側反応電流並びに対応する係数ｋＩ－｜Ｉ（ｔ）｜及びｋＩ＋｜Ｉ（ｔ）｜を設定することが望ましい。入力信号Ｉ（ｔ）、Ｖ（ｔ）、Ｔ（ｔ）及びＳＯＣ（ｔ）は、式（５）及び（６）により計算される負極活物質及び正極活物質の損失ＸＡＭＬ－及びＸＡＭＬ＋に影響を及ぼすため、異なる入力信号に対して適合させられた係数ｋＩ－｜Ｉ（ｔ）｜及びｋＩ＋｜Ｉ（ｔ）｜が好ましい。しかしながら、正確な物理方程式を使用して表現することは困難であり、経験に基づく係数値ｋＩ－｜Ｉ（ｔ）｜及びｋＩ＋｜Ｉ（ｔ）｜は、物理エージングモデルの予測精度の低下をもたらし得る。図１に示される実施例においては、ニューラルネットワークサブモジュール１１０は、一つの時点における入力信号Ｉ（ｔ）、Ｖ（ｔ）、Ｔ（ｔ）及びＳＯＣ（ｔ）に基づいて、負極側反応電流及び正極側反応電流並びに対応する係数ｋＩ－｜Ｉ（ｔ）｜及びｋＩ＋｜Ｉ（ｔ）｜１４０を予測する。一実施例においては、ニューラルネットワークサブモデル１１０は、完全に接続されたニューラルネットワークであるものとしてもよい。従って、物理モデルサブモジュール１２０は、入力信号Ｉ（ｔ）、Ｖ（ｔ）、Ｔ（ｔ）及びＳＯＣ（ｔ）、並びに、ニューラルネットワークサブモジュール１１０から出力される係数ｋＩ－｜Ｉ（ｔ）｜及びｋＩ＋｜Ｉ（ｔ）｜１４０に基づいて、物理パラメータ１５０を出力し、物理パラメータ１５０は、電池のシステム状態ＸＳＥＩ、ＸｃＬｉ、ＸＣｓｏｌｌ，２、ＸＬｉ、ＸＡＭＬ－、ＸＡＭＬ＋、及び、電池の残存する容量ＳＯＨｃを含み、電池の残存する容量ＳＯＨｃは、電池の健全状態として使用され得る。図１に示される実施例においては、一つの時点ｔにおいて、ニューラルネットワークサブモデル１１０は、時点ｔにおける入力信号Ｉ（ｔ）、Ｖ（ｔ）、Ｔ（ｔ）及びＳＯＣ（ｔ）、並びに、以前の時点ｔ－１における物理モデルサブモジュール１２０の出力信号の少なくとも一部分を入力として取得し、時点ｔにおける係数ｋＩ－｜Ｉ（ｔ）｜及びｋＩ＋｜Ｉ（ｔ）｜１４０を取得する。例えば、一つの時点ｔにおいて、ニューラルネットワークサブモデル１１０は、時点ｔにおける入力信号Ｉ（ｔ）、Ｖ（ｔ）、Ｔ（ｔ）及びＳＯＣ（ｔ）、並びに、以前の時点ｔ－１において物理モデルサブモジュール１２０によって出力されたシステム状態ＸＳＥＩ、ＸｃＬｉ、ＸＣｓｏｌｌ，２、ＸＬｉ、ＸＡＭＬ－、ＸＡＭＬ＋を、入力として取得し、時点ｔにおける係数ｋＩ－｜Ｉ（ｔ）｜及びｋＩ＋｜Ｉ（ｔ）｜１４０を取得する