車両用蓄電装置の内部状態検出方式
【課題】電池劣化状態に関する電気量を高精度に測定可能なニューラルネット型の車両用蓄電装置の内部状態検出装置を実現すること。
【解決手段】ニューラルネット演算により電池劣化状態を求めるために、電圧履歴及び電流履歴に加えて、満充電判定から所定容量放電時の開路電圧及び内部抵抗を用いてＳＯＣ及びＳＯＨを演算し、これらＳＯＣ及びＳＯＨを用いて電池劣化度を判定する。
【解決手段】ニューラルネット演算により電池劣化状態を求めるために、電圧履歴及び電流履歴に加えて、満充電判定から所定容量放電時の開路電圧及び内部抵抗を用いてＳＯＣ及びＳＯＨを演算し、これらＳＯＣ及びＳＯＨを用いて電池劣化度を判定する。
【発明の詳細な説明】
【技術分野】
【０００１】
この発明は、ニューラルネットを用いた車両用蓄電装置の内部状態（特にその劣化状態）の検出技術の改良に関する。
【背景技術】
【０００２】
たとえば鉛蓄電池のような二次電池では劣化の程度によりそのＳＯＣや残存容量（SOH）と電池の内部状態量（電圧、開路電圧、内部抵抗など）との相関関係ばらつくために劣化の進行とともにＳＯＣやＳＯＨの検出精度が悪化するという問題や電池ごとのＳＯＣやＳＯＨのばらつきなどがあり、大量生産される二次電池のＳＯＣやＳＯＨを個別に高精度に検出することは困難とされていた。このため、安全性の観点からこれらばらつきを含んで二次電池の使用可能充放電範囲を狭く設定せざるを得ないという問題もあった。
【０００３】
この問題を改善するため、被測定対象の特性ばらつきに柔軟に対応可能なニューラルネットワークを用いて寿命を検出する方法（以下、ニューラルネット式電池状態検出技術）が提案されている（特許文献１、２）。
【特許文献１】特開2003-24971号公報
【特許文献２】特開平9-243716号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、上記した特許文献１、２によるニューラルネット式電池状態検出技術を用いた寿命すなわち電池劣化の判定は、個々の電池の劣化進行による電池特性の演算関数を柔軟に変更し得るニューラルネット演算を用いるにもかかわらず、実用上まだ十分ではなかった。これは、新品の蓄電装置と劣化した蓄電装置とでは、ニューラルネットに入力される入力パラメータとしての電流履歴及び電圧履歴と、出力パラメータとしての劣化関連パラメータとの相関関係が様々であるため、ニューラルネット演算を用いてもこれらのばらつきを十分に吸収できないためである。
【０００５】
この問題を改善するべく、本出願人は、最小自乗法により求めた電流と電圧との間の近似式の関数値、特に上記近似式の切片（開路電圧）の今回値や傾き（内部抵抗）の今回値を、電圧履歴及び電流履歴に加えて入力パラメータとして用いてニューラルネット演算を行うことにより電池劣化状態の検出精度を改善できることを発見し、出願している。
【０００６】
しかしながら、この出願人による電圧履歴及び電流履歴にこれら近似式関連値を加えたニューラルネット演算でも電池劣化状態の高精度の検出は十分ではなかった。
【０００７】
本発明は上記問題点に鑑みなされたものであり、電池劣化の経時進行に柔軟に対応可能なニューラルネット演算方式の一層の改善を実現した車両用蓄電装置の劣化状態検出方式を提供することをその目的としている。
【課題を解決するための手段】
【０００８】
本発明の車両用蓄電装置のニューラルネット演算方式は、充放電可能な電池の直前の所定時間の電圧履歴及び電流履歴を検出して出力する電圧・電流履歴検出手段、及び、前記電圧履歴及び電流履歴を入力パラメータとして前記電池の現在の劣化状態に関する電気量をニューラルネット演算する演算手段とを備える車両用蓄電装置のニューラルネット演算方式において、前記演算手段が、前記電池の満充電状態からの所定放電量放電時における前記電池の劣化状態に関する所定の電気量である所定容量放電時劣化状態量を演算し、前記電圧履歴及び電流履歴に加えて、前記所定容量放電時劣化状態量を入力パラメータとして、出力パラメータとしての前記電池の現在の劣化状態をニューラルネット演算することを特徴としている。
【０００９】
上記した電池の満充電状態からの所定放電量放電時における所定容量放電時劣化状態量としては、満充電から所定容量放電時の開路電圧や、満充電から所定容量放電時の電池の内部抵抗などが挙げられる。
【００１０】
すなわち、この発明では、従来の電池の電圧履歴及び電流履歴以外に新たに満充電から所定放電量を放電した時の電池の劣化状態関連電気量を加えた入力データセットをニューラルネット演算することにより電池の劣化状態を推定する。試験によれば、これにより、単に電池の電圧履歴及び電流履歴を用いてニューラルネット演算するのに比べて格段に演算精度を改善できることがわかった。
【００１１】
好適な態様において、前記演算手段は、前記電圧履歴及び電流履歴から最小自乗法により求めた近似式に基づいて求めた開路電圧今回値を算出し、前記演算手段は、前記電圧履歴、電流履歴、開路電圧今回値及び前記所定容量放電時劣化状態量を入力パラメータとして前記電池の現在の劣化状態をニューラルネット演算することを特徴としている。このようにすれば、電池の経時劣化を、一層精度よく演算することができる。
【００１２】
好適な態様において、前記所定容量放電時劣化状態量は、前記電池の満充電状態からの所定放電量放電時における前記電池の開路電圧と、前記電池の満充電状態からの所定容量放電時における前記電池の内部抵抗とにより構成される。このようにすれば、満充電状態からの所定容量放電時の電池の開路電圧及び内部抵抗を入力データとして用いない従来のニューラルネット演算に比べて格段に高精度に、電池の経時劣化（サイクル劣化）を判定することができることがわかった。これは、この満充電状態から所定放電量放電時における開路電圧及び内部抵抗が電池劣化によるＳＯＣの変化に相関を有するためであると考えられる。
【００１３】
好適な態様において、前記出力パラメータとしての前記電池の現在の劣化状態は、ＳＯＣ（充電率）とＳＯＨ（残存容量）との両方の信号、又はそれらを変数として含む関数である。このようにすれば、良好に電池の劣化状態を検出することがわかった。このようにすれば、従来に比べて高精度に電池劣化程度を検出することができることがわかった。これは、この満充電状態から所定放電量放電時における開路電圧と内部抵抗が電池劣化に相関を有するためである。
【００１４】
好適な態様において、前記関数は、劣化度＝残存容量（ＳＯＨ）／（初期の満充電容量×充電率（ＳＯＣ））で示される。
【００１５】
好適な態様に置いて、前記ＳＯＨは、前記ＳＯＣと所定容量放電時の開路電圧と所定容量放電時の内部抵抗とをニューラルネット演算して演算される。このようにすれば、ニューラルネット演算量を削減することができる。
【発明を実施するための最良の形態】
【００１６】
本発明の車両用蓄電装置のニューラルネット演算方式を実施例を参照して図面に沿って具体的に説明する。
【実施例１】
【００１７】
（回路構成）
実施例１の車両用蓄電装置のニューラルネット演算方式について以下に説明する。まず、装置の回路構成を図１に示すブロック図を参照して説明する。
【００１８】
１０１は車載蓄電装置（以下、バッテリとも呼ぶ）、１０２はこの車載蓄電装置を充電する車載発電機、１０３は車載蓄電装置１０１から給電される車載電気負荷をなす電気装置、１０４は車載蓄電装置１０１の充放電電流を検出する電流センサ、１０５は車載蓄電装置１０１の状態を検出する電子回路装置である蓄電池状態検知装置、１０６は入力される電池の電圧及び電流を電圧履歴及び電流履歴として記憶して出力するとともに開路電圧の今回値及び／又は内部抵抗の今回値を演算して出力するバッファ部、１０７はバッファ部１０６及び後述する補正信号発生部１０９から入力される各種の入力信号をニューラルネット演算して所定の蓄電状態量（この実施例ではＳＯＣ）を出力するニューラルネット部、１０８はニューラルネット部１０７などから読み込んだ信号に基づいて車載発電機１０２の発電量を制御する発電機制御装置、１０９は後述するキャリブレーションデータを演算してニューラルネット部１０７の入力データとして出力する補正信号発生部である。
【００１９】
すなわち、この実施例では、蓄電池状態検知装置１０５は、バッファ部１０６及びニューラルネット部１０７に加えて、所定容量放電時の開路電圧及び内部抵抗を演算してニューラルネット部１０７にキャリブレーション用の入力データとして出力する補正信号発生部１０９を有する点をその特徴としている。なお、バッファ部１０６、ニューラルネット部１０７及び補正信号発生部１０９は、この実施例ではマイコン装置によるソフトウエア演算により実現されるが、専用のハードウエア回路により構成されてよいことはもちろんである。
【００２０】
（バッファ部１０６）
バッファ部１０６は、ニューラルネット部１０７の前置信号処理回路であって、車載蓄電装置１０１の電圧と電流センサ１０４からの電流とを一定時間ごとに同時にサンプリングして電池の電圧履歴及び電流履歴として記憶し、各時点の電圧及び電流をニューラルネット部１０７に並列出力する。ニューラルネット部１０７の入力セルの数的限界や演算負担の軽減などのため、電池の電圧履歴及び電流履歴をなす電圧・電流のサンプリングデータは、現時点から遡行する所定時点までのデータにより構成される。
【００２１】
また、バッファ部１０６は、上記電池の電圧履歴及び電流履歴に加えて、これら電圧履歴及び電流履歴から最小自乗法により電圧と電流との関係を示す近似式を演算、創成し、この近似式により切片（開路電圧）を電圧及び電流のデータが入力されるごとに演算して電池の開路電圧今回値とし、この開路電圧今回値を電圧履歴と電流履歴との間の関連付けのためのデータとしてニューラルネット部１０７に出力する。なお、上記した近似式の創成及びそれから電池の開路電圧の今回値の演算の詳細は公知であるため、これ以上の詳細説明は省略する。
【００２２】
（補正信号発生部１０９）
補正信号発生部１０９は、満充電から所定容量放電時の開路電圧及び内部抵抗を演算し、この所定容量放電時の開路電圧及び内部抵抗をニューラルネット演算におけるキャリブレーションデータとしてニューラルネット部１０７に出力する。補正信号発生部１０９を図２のフローチャートに図示する。
【００２３】
補正信号発生部１０９は、走行を開始することにより開始され(ステップ601)、バッテリの電流・端子電圧を検出する(ステップ602) 。検出された電流・端子電圧に対して後述の満充電判定を行い(ステップ603)、満充電であれば、
その後の充放電電流の積算をスタートし(ステップ604)、積算電流値（Ah）が所定放電量に達したかどうかを判定し(ステップ605）、達したらこの時の開路電圧を演算し(ステップ606) 、それを所定容量放電時の開路電圧として書き換える(ステップ607)、その後、この時の電池の内部抵抗を演算し(ステップ608) 、それを所定容量放電時の内部抵抗として書き換える(ステップ609) 。
【００２４】
ステップS603で説明した満充電判定について図３を参照して更に詳しく説明する。満充電判定は、電池の電圧・電流の二次元空間の所定領域としてあらかじめ記憶されており、入力される電流・電圧特性が、この所定領域（図３参照）に入ったら満充電と判定する。
【００２５】
ステップ606、608で説明した満充電から所定容量放電時の開路電圧及び内部抵抗を求める演算を図４を参照して更に詳しく説明する。
【００２６】
満充電から所定容量放電した時点直前の所定期間に入力された所定個数の電圧・電流ペアから最小自乗法により電圧と電流との関係を示す近似式を求め、この近似式の切片として開路電圧（電流が０であるとみなした場合の電池の電圧であり、開放電圧とも呼ばれる）と、この近似式の傾きとして内部抵抗を求め、これらを上記した所定容量放電時の開路電圧及び内部抵抗とする。なお、上記直線近似の精度を向上するために、電池の分極状態を過去の電流情報などから求めて分極指数として表し、この分極指数が所定の範囲内であるデータを選別することが好ましい。この種の最小自乗法を用いた直線近似式の創成と、この直線近似式を用いた開路電圧や内部抵抗の抽出自体は公知事項であるため、更なる説明は省略する。
【００２７】
（ニューラルネット部１０７）
ニューラルネット部１０７は、図５に示すように、ＳＯＣ（充電率）演算用のニューラルネット部１０７１と、図６に示すＳＯＨ（残存容量）演算用のニューラルネット部１０７２という二つの回路ブロックにより表示される。これら回路ブロックは、実際には所定の演算インタバルで順次実施される互いに異なるソフトウエア処理により構成される。つまり、ニューラルネット部１０７は、実際にはマイコン回路のソフトウエア演算により構成されるため、図５に示す回路構成は機能的なものにすぎない。
【００２８】
（ＳＯＣ（充電率）演算用のニューラルネット部１０７１）
ＳＯＣ（充電率）演算用のニューラルネット部１０７１の機能構成を図６を参照して説明する。図７に示すＳＯＨ（残存容量）演算用のニューラルネット部１０７２は図６に示すＳＯＣ（充電率）演算用のニューラルネット部１０７１において、入力パラメータとしての所定容量放電時の内部抵抗を追加しただけであるため、これ以上の説明は省略する。
【００２９】
図６に示すＳＯＣ（充電率）演算用のニューラルネット部１０７１は３階層のフィードフォワード型で誤差逆伝播方法により学習する形式であるが、この形式に限定されるものではない。入力層２０１は所定数の入力セルからなる。各入力セルはそれぞれ、バッファ部１０６からの電圧履歴データVi及び電流履歴データIi並びに開路電圧の今回値（現在値）と、補正信号発生部１０９から入力されるキャリブレーションデータとしての所定容量放電時の開路電圧Voとを中間層２０２の各演算セルすべてに出力する。この実施例では、電圧履歴データVi及び電流履歴データIiはそれぞれ、一定インタバルでサンプリングされた５点のデータからなるが、これに限定されるものではない。
【００３０】
中間層２０２の各演算セルは、入力層２０１の各入力セルから入力される各入力データに後述するニューラルネット演算を行い、演算結果を出力層２０３の出力セルに出力する。出力層２０３の出力セルは充電率（SOC）を出力する。
【００３１】
ニューラルネット部１０７の入力層201のｊ番目のセルの入力データをINj、入力層201のｊ番目と中間層202のｋ番目のセルの結合係数をＷjkとすると中間層のｋ番目のセルへの入力信号は、
INPUTk(t)＝Σ( Wjk * INj ) ( j = 1 to ２ｍ+3 )
となる。中間層のｋ番目のセルからの出力信号は、
OUTk(t)＝ｆ(ｘ)＝ｆ( INPUTk(t) + b )
で表される。ｂは定数である。ｆ( INPUTk(t) + b) は INPUTk(t) + bを入力変数とするいわゆるシグモイド関数と呼ばれる非線形関数であり、
f ( INPUTk(t) + b )＝１／（１＋exp（−（ INPUTk(t) + b）））
で定義される関数である。中間層202のｋ番目のセルと出力層203のセルとの結合係数をＷkとすれば、出力層への入力信号は同様に、
INPUTｏ(t)＝Σ Wk * OUTk(t)
k＝1 to Q
で表される。 Qは中間層202のセル数である。時刻ｔにおける出力信号は、
OUT(t)＝L * INPUTｏ(t)
となる。Ｌは線形定数である。
【００３２】
この明細書で言う学習過程とは、時刻ｔにおける最終出力OUT(t)と、あらかじめ測定した後述の教師信号（即ち真値tar(t)）との間の誤差を最小にするように各セル間の結合係数を最適化することである。なお、出力OUT(t)は、出力層２０３が出力すべき出力パラメータであり、ここでは時点ｔにおけるＳＯＣである。
【００３３】
次に各結合係数の更新方法について説明する。
【００３４】
中間層のｋ番目のセルと出力層のセル間の結合係数Wkの更新は、
Wk ＝ Wk + △Wk
で行われる。ここで△Wkは以下で定義される。
【００３５】
△Wk = −η*∂Ek／∂Wk η；定数
= η* [ OUT(t) − tar(t) ]* [ ∂OUT(t)／∂Wk ]
= η* [ OUT(t) − tar(t) ]* L *[ ∂INPUTｏ(t)／∂Wk ]
= η* L* [ OUT(t) − tar(t) ] * OUTk(t)
で表される。Ekは教師データとネットワーク出力の誤差を表す量で次の式で定義される
Ek＝[ OUT(t) − tar(t) ]×[ OUT(t) − tar(t) ]／2
次に、中間層202のｋ番目のセルと入力層201のｊ番目のセルの結合係数Ｗjkの更新ルールを説明する。結合係数Wjkの更新は以下の式で実現される。
【００３６】
Wjk ＝ Wjk ＋ △Wjk
ここで△Ｗjkは以下で定義される。
【００３７】
△Wjk ＝ −η*∂Ek／∂Wjk
＝ −η*[∂Ek／∂INPUTk(t) ] * [∂INPUTk(t)／∂Ｗjk ]
＝ −η*[∂Ek／∂OUTk(t) ] *[∂OUTk(t)／∂INPUTk(t) ] * INj
＝ −η*[∂Ek／∂OUT(t) ] * [∂OUT(t)／∂INPUTｏ] *
[∂INPUTｏ／OUTk(t) ] * ｆ’（INPUTk(t)＋ｂ）* INj
＝ −η*( OUT(t)−tar(t)) *Ｌ* Ｗk *ｆ’（INPUTk(t)＋ｂ）* INj
＝ −η* L * Wk * INj * ( OUTsoc(t)−tar(t))* f’(INPUTk(t)＋ｂ)
ここで、ｆ’（INPUTk(t)＋ｂ）は伝達関数fの微分値である。
【００３８】
こうして更新された新たな結合係数 Wk、Wjk で再び出力OUT(t)すなわち時点ｔにおけるＳＯＣを計算し、誤差関数Ekが所定の微小値以下になるまで結合係数を更新しつづける。このように誤差関数Ekを所定値以下になるよう結合係数を更新してゆく過程が学習過程である。
【００３９】
上記学習過程のフローチャートを図８を参照して説明する。ただし、ニューラルネット部１０７が出力するべき蓄電装置の蓄電状態量はSOC(充電率)である。
【００４０】
まず、ニューラルネット部１０７の各結合係数の適当な初期値を設定する（ステップ302）。これは例えば乱数などにより適当に決定すればよい。次に、学習用の入力信号をニューラルネット部１０７の入力層201の各セルに個別に入力し（ステップ303）、この入力信号を上記した結合係数の初期値を用いてニューラルネット演算することにより出力パラメータとしてのSOCを算出する（ステップ304）。
【００４１】
次に、上記した方法で誤差関数Ｅｋを算出し（ステップ305）、この誤差関数が所定の微小値ｔｈより小さいか否か判定する（ステップ306）。誤差関数Ｅｋが所定の微小値ｔｈより大きければ、前記学習過程で定義された各結合係数の更新量△Ｗを計算し（ステップ307）、各結合係数を更新する（ステップ308）。
【００４２】
次に、再び学習用の入力信号を入力層201の各セルに入力して出力パラメータとしてのSOCを計算する。次に、誤算関数Ｅｋを評価してそれが微小値ｔｈを下回れば学習を完了したと判定して（ステップ309）、この学習課程を終了する。誤差関数Ｅｋが微小値を下回ってなければ、結合係数を再び更新してSOC計算し、誤差関数Ｅｋの評価を実施し、誤差関数Ｅｋがこの微小値を下回るまでこの課程を繰り返す。
【００４３】
したがって、上記した学習課程を代表的な充放電パターンを幾つかの電池種類につき製品の出荷前にニューラルネット部１０７にあらかじめ学習させておけば市場走行中の車載蓄電池のSOCを逐次算定することが可能となる。
【００４４】
満充電が判定されない場合や満充電から所定容量放電時の開路電圧が検出されない場合には、所定容量放電時の開路電圧として以前に求めた値を保持する。このように、満充電時開路電圧の値を更新することにより、バッテリの使用中、劣化に応じて精度よくSOC検出が行える。
【００４５】
（ＳＯＨ（残存容量）演算用のニューラルネット部１０７２）
ＳＯＨ（残存容量）演算用のニューラルネット部１０７２の機能構成は上記したＳＯＣ（充電率）演算用のニューラルネット部１０７１の演算において、所定容量放電時の内部抵抗を追加しただけであるため説明は省略する。所定容量放電時の内部抵抗の算出についても既述したので更なる説明は省略する。
【００４６】
（試験結果）
劣化バッテリを含む幾つかのバッテリでの充放電パターン(10.15モード)を学習させたＳＯＣ（充電率）演算用のニューラルネット部１０７１に、別の新しい劣化バッテリでの充放電パターン(10.15モード)を入力してニューラルネット演算を行って充電率（ＳＯＣ）を求めた結果を図７に示す。ただし、ニューラルネット部１０７１への入力信号は、電圧履歴及び電流履歴並びに開路電圧の今回値（最小自乗近似式より求めた切片の今回値）、及び、キャリブレーション信号としての満充電から所定容量（ここでは 0.5Ahとした）放電時の開路電圧Ｖｏとした。検出誤差は１．９％と言うきわめて優れたニューラルネット演算が可能となることがわかった。
【００４７】
また、同じバッテリ群を用いた充放電パターン(10.15モード)を学習させたＳＯＨ（残存容量）演算用のニューラルネット部１０７２に、上記と同じ別の新しい劣化バッテリでの充放電パターン(10.15モード)を入力してニューラルネット演算を行って残存容量（ＳＯＨ）を求めた結果を図１０に示す。ただし、ニューラルネット部１０７２への入力信号は電圧履歴及び電流履歴並びに開路電圧今回値（最小自乗近似式より求めた切片の今回値）及び内部抵抗今回値（最小自乗近似式より求めた傾きの今回値）とし、所定容量放電時劣化状態量としての所定容量放電時（0.5Ah放電時）の開路電圧及び所定容量放電時(5Ah放電時)の内部抵抗を用いた。その結果、残存容量（ＳＯＨ）検出誤差は１．１Ahときわめて小さかった。
【００４８】
次に、上記で求めたＳＯＣとＳＯＨを、あらかじめ記憶する図１１のマップに入力し、電池劣化度を図１１に示されるマップの１２の領域のどこかに当てはめる。これにより電池劣化度を１２段階に分類検出することができる。
【００４９】
（変形態様）
その他、あらかじめ調べて記憶している試験品のバッテリの初期時の満充電容量をＳＯＣINIとするとき、電池劣化度を、ＳＯＨの今回値／（ＳＯＣの今回値×ＳＯＣINI）として算出した。これにより、電池劣化度を各ＳＯＣ値ごとに又は各ＳＯＨごとに高精度に算出することができる。
【実施例２】
【００５０】
他の実施例を図１２を参照して説明する。この実施例は、ニューラルネット部１０７の回路構成言い換えるとニューラルネット演算処理を変更したものである。この実施例では、実施例１と同様に演算したＳＯＣと、所定容量放電時の開路電圧と、所定容量放電時の内部抵抗とを入力パラメータとして、ＳＯＨ（残存容量）演算用のニューラルネット部１０７２に入力データとして入力して、残存容量（ＳＯＨ）を学習、演算する。このようにしても、実施例１とほぼ同様の検出精度でＳＯHを演算することができた。
【実施例３】
【００５１】
図５に示す実施例１のニューラルネット演算において、ニューラルネット部１０７への入力信号を電圧履歴及び電流履歴だけとしキャリブレーションデータとして所定容量放電時劣化状態量としての所定容量放電時の開路電圧及び所定容量放電時の内部抵抗を用いなかった場合と、ニューラルネット部１０７への入力信号を電圧履歴及び電流履歴だけとしキャリブレーションデータとして所定容量放電時劣化状態量としての所定容量放電時の開路電圧及び所定容量放電時の内部抵抗を用いた場合とにおける、新しい劣化バッテリのＳＯＣ検出誤差を求めた。その結果を図１３、図１４に示す。図１３はキャリブレーションデータを用いなかった場合であり、ＳＯＣ演算誤差は９．１％と大きかった。また、図１４はキャリブレーションデータを用いた場合であり、ＳＯＣ演算誤差は６．８％と大幅に減少した。
【実施例４】
【００５２】
図５に示す実施例１のニューラルネット演算において、ニューラルネット部１０７への入力信号を電圧履歴だけとしキャリブレーションデータとして所定容量放電時劣化状態量としての所定容量放電時の開路電圧も用いなかった場合と、ニューラルネット部１０７への入力信号を電圧履歴だけとしキャリブレーションデータとして所定容量放電時劣化状態量としての所定容量放電時の開路電圧を用いた場合とにおける、新しい劣化バッテリのＳＯＣ検出誤差を求めた。その結果を図１５、図１６に示す。図１５はキャリブレーションデータを用いなかった場合であり、図１６はキャリブレーションデータを用いた場合である。この場合も実施例３と同様にキャリブレーションデータの使用によりＳＯＣ演算誤差を大幅に減少できることがわかった。
【図面の簡単な説明】
【００５３】
【図１】実施例１の装置の回路構成を示すブロック図である。
【図２】実施例１の走行中における満充電から所定容量放電時の開路電圧及び内部抵抗の演算方法を示すフローチャートである。
【図３】実施例１の満充電判定のための満充電領域を示す図である。
【図４】実施例１の満充電から所定容量放電時の開路電圧及び内部抵抗を得るための近似式の例を示す図である。
【図５】電池状態検知装置を構成するニューラルネットワーク部の構成を示すブロック図である。
【図６】図５のＳＯＣ（充電率）演算用のニューラルネット部の構成を示すブロック図である。
【図７】図５のＳＯＨ（残存容量）演算用のニューラルネット部の構成を示すブロック図である。
【図８】図５のＳＯＣ（充電率）演算用のニューラルネット部のフローチャートである。
【図９】満充電から所定容量放電時の開路電圧を用いて上記と同じニューラルネット演算を行った場合のSOC検出結果を示す図である。
【図１０】満充電から所定容量放電時の開路電圧及び内部抵抗を用いて上記と同じニューラルネット演算を行った場合のSOH検出結果を示す図である。
【図１１】実施例１で求めたＳＯＣ及びＳＯＨを用いて電池劣化状態を検出するためのマップを示す図である。
【図１２】実施例２のニューラルネット部の構成を示すブロック図である。
【図１３】実施例３のＳＯＣ演算結果を示す図である。
【図１４】実施例３のＳＯＣ演算結果を示す図である。
【図１５】実施例４のＳＯＣ演算結果を示す図である。
【図１６】実施例４のＳＯＣ演算結果を示す図である。
【符号の説明】
【００５４】
１０１ 車載蓄電装置
１０２ 車載発電機
１０４ 電流センサ
１０５ 蓄電池状態検知装置（演算手段）
１０６ バッファ部
１０７ ニューラルネットワーク部（ニューラルネット部）
１０８ 発電機制御装置
１０９ 補正信号発生部
２０１ 入力層
２０２ 中間層
２０３ 出力層
【技術分野】
【０００１】
この発明は、ニューラルネットを用いた車両用蓄電装置の内部状態（特にその劣化状態）の検出技術の改良に関する。
【背景技術】
【０００２】
たとえば鉛蓄電池のような二次電池では劣化の程度によりそのＳＯＣや残存容量（SOH）と電池の内部状態量（電圧、開路電圧、内部抵抗など）との相関関係ばらつくために劣化の進行とともにＳＯＣやＳＯＨの検出精度が悪化するという問題や電池ごとのＳＯＣやＳＯＨのばらつきなどがあり、大量生産される二次電池のＳＯＣやＳＯＨを個別に高精度に検出することは困難とされていた。このため、安全性の観点からこれらばらつきを含んで二次電池の使用可能充放電範囲を狭く設定せざるを得ないという問題もあった。
【０００３】
この問題を改善するため、被測定対象の特性ばらつきに柔軟に対応可能なニューラルネットワークを用いて寿命を検出する方法（以下、ニューラルネット式電池状態検出技術）が提案されている（特許文献１、２）。
【特許文献１】特開2003-24971号公報
【特許文献２】特開平9-243716号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、上記した特許文献１、２によるニューラルネット式電池状態検出技術を用いた寿命すなわち電池劣化の判定は、個々の電池の劣化進行による電池特性の演算関数を柔軟に変更し得るニューラルネット演算を用いるにもかかわらず、実用上まだ十分ではなかった。これは、新品の蓄電装置と劣化した蓄電装置とでは、ニューラルネットに入力される入力パラメータとしての電流履歴及び電圧履歴と、出力パラメータとしての劣化関連パラメータとの相関関係が様々であるため、ニューラルネット演算を用いてもこれらのばらつきを十分に吸収できないためである。
【０００５】
この問題を改善するべく、本出願人は、最小自乗法により求めた電流と電圧との間の近似式の関数値、特に上記近似式の切片（開路電圧）の今回値や傾き（内部抵抗）の今回値を、電圧履歴及び電流履歴に加えて入力パラメータとして用いてニューラルネット演算を行うことにより電池劣化状態の検出精度を改善できることを発見し、出願している。
【０００６】
しかしながら、この出願人による電圧履歴及び電流履歴にこれら近似式関連値を加えたニューラルネット演算でも電池劣化状態の高精度の検出は十分ではなかった。
【０００７】
本発明は上記問題点に鑑みなされたものであり、電池劣化の経時進行に柔軟に対応可能なニューラルネット演算方式の一層の改善を実現した車両用蓄電装置の劣化状態検出方式を提供することをその目的としている。
【課題を解決するための手段】
【０００８】
本発明の車両用蓄電装置のニューラルネット演算方式は、充放電可能な電池の直前の所定時間の電圧履歴及び電流履歴を検出して出力する電圧・電流履歴検出手段、及び、前記電圧履歴及び電流履歴を入力パラメータとして前記電池の現在の劣化状態に関する電気量をニューラルネット演算する演算手段とを備える車両用蓄電装置のニューラルネット演算方式において、前記演算手段が、前記電池の満充電状態からの所定放電量放電時における前記電池の劣化状態に関する所定の電気量である所定容量放電時劣化状態量を演算し、前記電圧履歴及び電流履歴に加えて、前記所定容量放電時劣化状態量を入力パラメータとして、出力パラメータとしての前記電池の現在の劣化状態をニューラルネット演算することを特徴としている。
【０００９】
上記した電池の満充電状態からの所定放電量放電時における所定容量放電時劣化状態量としては、満充電から所定容量放電時の開路電圧や、満充電から所定容量放電時の電池の内部抵抗などが挙げられる。
【００１０】
すなわち、この発明では、従来の電池の電圧履歴及び電流履歴以外に新たに満充電から所定放電量を放電した時の電池の劣化状態関連電気量を加えた入力データセットをニューラルネット演算することにより電池の劣化状態を推定する。試験によれば、これにより、単に電池の電圧履歴及び電流履歴を用いてニューラルネット演算するのに比べて格段に演算精度を改善できることがわかった。
【００１１】
好適な態様において、前記演算手段は、前記電圧履歴及び電流履歴から最小自乗法により求めた近似式に基づいて求めた開路電圧今回値を算出し、前記演算手段は、前記電圧履歴、電流履歴、開路電圧今回値及び前記所定容量放電時劣化状態量を入力パラメータとして前記電池の現在の劣化状態をニューラルネット演算することを特徴としている。このようにすれば、電池の経時劣化を、一層精度よく演算することができる。
【００１２】
好適な態様において、前記所定容量放電時劣化状態量は、前記電池の満充電状態からの所定放電量放電時における前記電池の開路電圧と、前記電池の満充電状態からの所定容量放電時における前記電池の内部抵抗とにより構成される。このようにすれば、満充電状態からの所定容量放電時の電池の開路電圧及び内部抵抗を入力データとして用いない従来のニューラルネット演算に比べて格段に高精度に、電池の経時劣化（サイクル劣化）を判定することができることがわかった。これは、この満充電状態から所定放電量放電時における開路電圧及び内部抵抗が電池劣化によるＳＯＣの変化に相関を有するためであると考えられる。
【００１３】
好適な態様において、前記出力パラメータとしての前記電池の現在の劣化状態は、ＳＯＣ（充電率）とＳＯＨ（残存容量）との両方の信号、又はそれらを変数として含む関数である。このようにすれば、良好に電池の劣化状態を検出することがわかった。このようにすれば、従来に比べて高精度に電池劣化程度を検出することができることがわかった。これは、この満充電状態から所定放電量放電時における開路電圧と内部抵抗が電池劣化に相関を有するためである。
【００１４】
好適な態様において、前記関数は、劣化度＝残存容量（ＳＯＨ）／（初期の満充電容量×充電率（ＳＯＣ））で示される。
【００１５】
好適な態様に置いて、前記ＳＯＨは、前記ＳＯＣと所定容量放電時の開路電圧と所定容量放電時の内部抵抗とをニューラルネット演算して演算される。このようにすれば、ニューラルネット演算量を削減することができる。
【発明を実施するための最良の形態】
【００１６】
本発明の車両用蓄電装置のニューラルネット演算方式を実施例を参照して図面に沿って具体的に説明する。
【実施例１】
【００１７】
（回路構成）
実施例１の車両用蓄電装置のニューラルネット演算方式について以下に説明する。まず、装置の回路構成を図１に示すブロック図を参照して説明する。
【００１８】
１０１は車載蓄電装置（以下、バッテリとも呼ぶ）、１０２はこの車載蓄電装置を充電する車載発電機、１０３は車載蓄電装置１０１から給電される車載電気負荷をなす電気装置、１０４は車載蓄電装置１０１の充放電電流を検出する電流センサ、１０５は車載蓄電装置１０１の状態を検出する電子回路装置である蓄電池状態検知装置、１０６は入力される電池の電圧及び電流を電圧履歴及び電流履歴として記憶して出力するとともに開路電圧の今回値及び／又は内部抵抗の今回値を演算して出力するバッファ部、１０７はバッファ部１０６及び後述する補正信号発生部１０９から入力される各種の入力信号をニューラルネット演算して所定の蓄電状態量（この実施例ではＳＯＣ）を出力するニューラルネット部、１０８はニューラルネット部１０７などから読み込んだ信号に基づいて車載発電機１０２の発電量を制御する発電機制御装置、１０９は後述するキャリブレーションデータを演算してニューラルネット部１０７の入力データとして出力する補正信号発生部である。
【００１９】
すなわち、この実施例では、蓄電池状態検知装置１０５は、バッファ部１０６及びニューラルネット部１０７に加えて、所定容量放電時の開路電圧及び内部抵抗を演算してニューラルネット部１０７にキャリブレーション用の入力データとして出力する補正信号発生部１０９を有する点をその特徴としている。なお、バッファ部１０６、ニューラルネット部１０７及び補正信号発生部１０９は、この実施例ではマイコン装置によるソフトウエア演算により実現されるが、専用のハードウエア回路により構成されてよいことはもちろんである。
【００２０】
（バッファ部１０６）
バッファ部１０６は、ニューラルネット部１０７の前置信号処理回路であって、車載蓄電装置１０１の電圧と電流センサ１０４からの電流とを一定時間ごとに同時にサンプリングして電池の電圧履歴及び電流履歴として記憶し、各時点の電圧及び電流をニューラルネット部１０７に並列出力する。ニューラルネット部１０７の入力セルの数的限界や演算負担の軽減などのため、電池の電圧履歴及び電流履歴をなす電圧・電流のサンプリングデータは、現時点から遡行する所定時点までのデータにより構成される。
【００２１】
また、バッファ部１０６は、上記電池の電圧履歴及び電流履歴に加えて、これら電圧履歴及び電流履歴から最小自乗法により電圧と電流との関係を示す近似式を演算、創成し、この近似式により切片（開路電圧）を電圧及び電流のデータが入力されるごとに演算して電池の開路電圧今回値とし、この開路電圧今回値を電圧履歴と電流履歴との間の関連付けのためのデータとしてニューラルネット部１０７に出力する。なお、上記した近似式の創成及びそれから電池の開路電圧の今回値の演算の詳細は公知であるため、これ以上の詳細説明は省略する。
【００２２】
（補正信号発生部１０９）
補正信号発生部１０９は、満充電から所定容量放電時の開路電圧及び内部抵抗を演算し、この所定容量放電時の開路電圧及び内部抵抗をニューラルネット演算におけるキャリブレーションデータとしてニューラルネット部１０７に出力する。補正信号発生部１０９を図２のフローチャートに図示する。
【００２３】
補正信号発生部１０９は、走行を開始することにより開始され(ステップ601)、バッテリの電流・端子電圧を検出する(ステップ602) 。検出された電流・端子電圧に対して後述の満充電判定を行い(ステップ603)、満充電であれば、
その後の充放電電流の積算をスタートし(ステップ604)、積算電流値（Ah）が所定放電量に達したかどうかを判定し(ステップ605）、達したらこの時の開路電圧を演算し(ステップ606) 、それを所定容量放電時の開路電圧として書き換える(ステップ607)、その後、この時の電池の内部抵抗を演算し(ステップ608) 、それを所定容量放電時の内部抵抗として書き換える(ステップ609) 。
【００２４】
ステップS603で説明した満充電判定について図３を参照して更に詳しく説明する。満充電判定は、電池の電圧・電流の二次元空間の所定領域としてあらかじめ記憶されており、入力される電流・電圧特性が、この所定領域（図３参照）に入ったら満充電と判定する。
【００２５】
ステップ606、608で説明した満充電から所定容量放電時の開路電圧及び内部抵抗を求める演算を図４を参照して更に詳しく説明する。
【００２６】
満充電から所定容量放電した時点直前の所定期間に入力された所定個数の電圧・電流ペアから最小自乗法により電圧と電流との関係を示す近似式を求め、この近似式の切片として開路電圧（電流が０であるとみなした場合の電池の電圧であり、開放電圧とも呼ばれる）と、この近似式の傾きとして内部抵抗を求め、これらを上記した所定容量放電時の開路電圧及び内部抵抗とする。なお、上記直線近似の精度を向上するために、電池の分極状態を過去の電流情報などから求めて分極指数として表し、この分極指数が所定の範囲内であるデータを選別することが好ましい。この種の最小自乗法を用いた直線近似式の創成と、この直線近似式を用いた開路電圧や内部抵抗の抽出自体は公知事項であるため、更なる説明は省略する。
【００２７】
（ニューラルネット部１０７）
ニューラルネット部１０７は、図５に示すように、ＳＯＣ（充電率）演算用のニューラルネット部１０７１と、図６に示すＳＯＨ（残存容量）演算用のニューラルネット部１０７２という二つの回路ブロックにより表示される。これら回路ブロックは、実際には所定の演算インタバルで順次実施される互いに異なるソフトウエア処理により構成される。つまり、ニューラルネット部１０７は、実際にはマイコン回路のソフトウエア演算により構成されるため、図５に示す回路構成は機能的なものにすぎない。
【００２８】
（ＳＯＣ（充電率）演算用のニューラルネット部１０７１）
ＳＯＣ（充電率）演算用のニューラルネット部１０７１の機能構成を図６を参照して説明する。図７に示すＳＯＨ（残存容量）演算用のニューラルネット部１０７２は図６に示すＳＯＣ（充電率）演算用のニューラルネット部１０７１において、入力パラメータとしての所定容量放電時の内部抵抗を追加しただけであるため、これ以上の説明は省略する。
【００２９】
図６に示すＳＯＣ（充電率）演算用のニューラルネット部１０７１は３階層のフィードフォワード型で誤差逆伝播方法により学習する形式であるが、この形式に限定されるものではない。入力層２０１は所定数の入力セルからなる。各入力セルはそれぞれ、バッファ部１０６からの電圧履歴データVi及び電流履歴データIi並びに開路電圧の今回値（現在値）と、補正信号発生部１０９から入力されるキャリブレーションデータとしての所定容量放電時の開路電圧Voとを中間層２０２の各演算セルすべてに出力する。この実施例では、電圧履歴データVi及び電流履歴データIiはそれぞれ、一定インタバルでサンプリングされた５点のデータからなるが、これに限定されるものではない。
【００３０】
中間層２０２の各演算セルは、入力層２０１の各入力セルから入力される各入力データに後述するニューラルネット演算を行い、演算結果を出力層２０３の出力セルに出力する。出力層２０３の出力セルは充電率（SOC）を出力する。
【００３１】
ニューラルネット部１０７の入力層201のｊ番目のセルの入力データをINj、入力層201のｊ番目と中間層202のｋ番目のセルの結合係数をＷjkとすると中間層のｋ番目のセルへの入力信号は、
INPUTk(t)＝Σ( Wjk * INj ) ( j = 1 to ２ｍ+3 )
となる。中間層のｋ番目のセルからの出力信号は、
OUTk(t)＝ｆ(ｘ)＝ｆ( INPUTk(t) + b )
で表される。ｂは定数である。ｆ( INPUTk(t) + b) は INPUTk(t) + bを入力変数とするいわゆるシグモイド関数と呼ばれる非線形関数であり、
f ( INPUTk(t) + b )＝１／（１＋exp（−（ INPUTk(t) + b）））
で定義される関数である。中間層202のｋ番目のセルと出力層203のセルとの結合係数をＷkとすれば、出力層への入力信号は同様に、
INPUTｏ(t)＝Σ Wk * OUTk(t)
k＝1 to Q
で表される。 Qは中間層202のセル数である。時刻ｔにおける出力信号は、
OUT(t)＝L * INPUTｏ(t)
となる。Ｌは線形定数である。
【００３２】
この明細書で言う学習過程とは、時刻ｔにおける最終出力OUT(t)と、あらかじめ測定した後述の教師信号（即ち真値tar(t)）との間の誤差を最小にするように各セル間の結合係数を最適化することである。なお、出力OUT(t)は、出力層２０３が出力すべき出力パラメータであり、ここでは時点ｔにおけるＳＯＣである。
【００３３】
次に各結合係数の更新方法について説明する。
【００３４】
中間層のｋ番目のセルと出力層のセル間の結合係数Wkの更新は、
Wk ＝ Wk + △Wk
で行われる。ここで△Wkは以下で定義される。
【００３５】
△Wk = −η*∂Ek／∂Wk η；定数
= η* [ OUT(t) − tar(t) ]* [ ∂OUT(t)／∂Wk ]
= η* [ OUT(t) − tar(t) ]* L *[ ∂INPUTｏ(t)／∂Wk ]
= η* L* [ OUT(t) − tar(t) ] * OUTk(t)
で表される。Ekは教師データとネットワーク出力の誤差を表す量で次の式で定義される
Ek＝[ OUT(t) − tar(t) ]×[ OUT(t) − tar(t) ]／2
次に、中間層202のｋ番目のセルと入力層201のｊ番目のセルの結合係数Ｗjkの更新ルールを説明する。結合係数Wjkの更新は以下の式で実現される。
【００３６】
Wjk ＝ Wjk ＋ △Wjk
ここで△Ｗjkは以下で定義される。
【００３７】
△Wjk ＝ −η*∂Ek／∂Wjk
＝ −η*[∂Ek／∂INPUTk(t) ] * [∂INPUTk(t)／∂Ｗjk ]
＝ −η*[∂Ek／∂OUTk(t) ] *[∂OUTk(t)／∂INPUTk(t) ] * INj
＝ −η*[∂Ek／∂OUT(t) ] * [∂OUT(t)／∂INPUTｏ] *
[∂INPUTｏ／OUTk(t) ] * ｆ’（INPUTk(t)＋ｂ）* INj
＝ −η*( OUT(t)−tar(t)) *Ｌ* Ｗk *ｆ’（INPUTk(t)＋ｂ）* INj
＝ −η* L * Wk * INj * ( OUTsoc(t)−tar(t))* f’(INPUTk(t)＋ｂ)
ここで、ｆ’（INPUTk(t)＋ｂ）は伝達関数fの微分値である。
【００３８】
こうして更新された新たな結合係数 Wk、Wjk で再び出力OUT(t)すなわち時点ｔにおけるＳＯＣを計算し、誤差関数Ekが所定の微小値以下になるまで結合係数を更新しつづける。このように誤差関数Ekを所定値以下になるよう結合係数を更新してゆく過程が学習過程である。
【００３９】
上記学習過程のフローチャートを図８を参照して説明する。ただし、ニューラルネット部１０７が出力するべき蓄電装置の蓄電状態量はSOC(充電率)である。
【００４０】
まず、ニューラルネット部１０７の各結合係数の適当な初期値を設定する（ステップ302）。これは例えば乱数などにより適当に決定すればよい。次に、学習用の入力信号をニューラルネット部１０７の入力層201の各セルに個別に入力し（ステップ303）、この入力信号を上記した結合係数の初期値を用いてニューラルネット演算することにより出力パラメータとしてのSOCを算出する（ステップ304）。
【００４１】
次に、上記した方法で誤差関数Ｅｋを算出し（ステップ305）、この誤差関数が所定の微小値ｔｈより小さいか否か判定する（ステップ306）。誤差関数Ｅｋが所定の微小値ｔｈより大きければ、前記学習過程で定義された各結合係数の更新量△Ｗを計算し（ステップ307）、各結合係数を更新する（ステップ308）。
【００４２】
次に、再び学習用の入力信号を入力層201の各セルに入力して出力パラメータとしてのSOCを計算する。次に、誤算関数Ｅｋを評価してそれが微小値ｔｈを下回れば学習を完了したと判定して（ステップ309）、この学習課程を終了する。誤差関数Ｅｋが微小値を下回ってなければ、結合係数を再び更新してSOC計算し、誤差関数Ｅｋの評価を実施し、誤差関数Ｅｋがこの微小値を下回るまでこの課程を繰り返す。
【００４３】
したがって、上記した学習課程を代表的な充放電パターンを幾つかの電池種類につき製品の出荷前にニューラルネット部１０７にあらかじめ学習させておけば市場走行中の車載蓄電池のSOCを逐次算定することが可能となる。
【００４４】
満充電が判定されない場合や満充電から所定容量放電時の開路電圧が検出されない場合には、所定容量放電時の開路電圧として以前に求めた値を保持する。このように、満充電時開路電圧の値を更新することにより、バッテリの使用中、劣化に応じて精度よくSOC検出が行える。
【００４５】
（ＳＯＨ（残存容量）演算用のニューラルネット部１０７２）
ＳＯＨ（残存容量）演算用のニューラルネット部１０７２の機能構成は上記したＳＯＣ（充電率）演算用のニューラルネット部１０７１の演算において、所定容量放電時の内部抵抗を追加しただけであるため説明は省略する。所定容量放電時の内部抵抗の算出についても既述したので更なる説明は省略する。
【００４６】
（試験結果）
劣化バッテリを含む幾つかのバッテリでの充放電パターン(10.15モード)を学習させたＳＯＣ（充電率）演算用のニューラルネット部１０７１に、別の新しい劣化バッテリでの充放電パターン(10.15モード)を入力してニューラルネット演算を行って充電率（ＳＯＣ）を求めた結果を図７に示す。ただし、ニューラルネット部１０７１への入力信号は、電圧履歴及び電流履歴並びに開路電圧の今回値（最小自乗近似式より求めた切片の今回値）、及び、キャリブレーション信号としての満充電から所定容量（ここでは 0.5Ahとした）放電時の開路電圧Ｖｏとした。検出誤差は１．９％と言うきわめて優れたニューラルネット演算が可能となることがわかった。
【００４７】
また、同じバッテリ群を用いた充放電パターン(10.15モード)を学習させたＳＯＨ（残存容量）演算用のニューラルネット部１０７２に、上記と同じ別の新しい劣化バッテリでの充放電パターン(10.15モード)を入力してニューラルネット演算を行って残存容量（ＳＯＨ）を求めた結果を図１０に示す。ただし、ニューラルネット部１０７２への入力信号は電圧履歴及び電流履歴並びに開路電圧今回値（最小自乗近似式より求めた切片の今回値）及び内部抵抗今回値（最小自乗近似式より求めた傾きの今回値）とし、所定容量放電時劣化状態量としての所定容量放電時（0.5Ah放電時）の開路電圧及び所定容量放電時(5Ah放電時)の内部抵抗を用いた。その結果、残存容量（ＳＯＨ）検出誤差は１．１Ahときわめて小さかった。
【００４８】
次に、上記で求めたＳＯＣとＳＯＨを、あらかじめ記憶する図１１のマップに入力し、電池劣化度を図１１に示されるマップの１２の領域のどこかに当てはめる。これにより電池劣化度を１２段階に分類検出することができる。
【００４９】
（変形態様）
その他、あらかじめ調べて記憶している試験品のバッテリの初期時の満充電容量をＳＯＣINIとするとき、電池劣化度を、ＳＯＨの今回値／（ＳＯＣの今回値×ＳＯＣINI）として算出した。これにより、電池劣化度を各ＳＯＣ値ごとに又は各ＳＯＨごとに高精度に算出することができる。
【実施例２】
【００５０】
他の実施例を図１２を参照して説明する。この実施例は、ニューラルネット部１０７の回路構成言い換えるとニューラルネット演算処理を変更したものである。この実施例では、実施例１と同様に演算したＳＯＣと、所定容量放電時の開路電圧と、所定容量放電時の内部抵抗とを入力パラメータとして、ＳＯＨ（残存容量）演算用のニューラルネット部１０７２に入力データとして入力して、残存容量（ＳＯＨ）を学習、演算する。このようにしても、実施例１とほぼ同様の検出精度でＳＯHを演算することができた。
【実施例３】
【００５１】
図５に示す実施例１のニューラルネット演算において、ニューラルネット部１０７への入力信号を電圧履歴及び電流履歴だけとしキャリブレーションデータとして所定容量放電時劣化状態量としての所定容量放電時の開路電圧及び所定容量放電時の内部抵抗を用いなかった場合と、ニューラルネット部１０７への入力信号を電圧履歴及び電流履歴だけとしキャリブレーションデータとして所定容量放電時劣化状態量としての所定容量放電時の開路電圧及び所定容量放電時の内部抵抗を用いた場合とにおける、新しい劣化バッテリのＳＯＣ検出誤差を求めた。その結果を図１３、図１４に示す。図１３はキャリブレーションデータを用いなかった場合であり、ＳＯＣ演算誤差は９．１％と大きかった。また、図１４はキャリブレーションデータを用いた場合であり、ＳＯＣ演算誤差は６．８％と大幅に減少した。
【実施例４】
【００５２】
図５に示す実施例１のニューラルネット演算において、ニューラルネット部１０７への入力信号を電圧履歴だけとしキャリブレーションデータとして所定容量放電時劣化状態量としての所定容量放電時の開路電圧も用いなかった場合と、ニューラルネット部１０７への入力信号を電圧履歴だけとしキャリブレーションデータとして所定容量放電時劣化状態量としての所定容量放電時の開路電圧を用いた場合とにおける、新しい劣化バッテリのＳＯＣ検出誤差を求めた。その結果を図１５、図１６に示す。図１５はキャリブレーションデータを用いなかった場合であり、図１６はキャリブレーションデータを用いた場合である。この場合も実施例３と同様にキャリブレーションデータの使用によりＳＯＣ演算誤差を大幅に減少できることがわかった。
【図面の簡単な説明】
【００５３】
【図１】実施例１の装置の回路構成を示すブロック図である。
【図２】実施例１の走行中における満充電から所定容量放電時の開路電圧及び内部抵抗の演算方法を示すフローチャートである。
【図３】実施例１の満充電判定のための満充電領域を示す図である。
【図４】実施例１の満充電から所定容量放電時の開路電圧及び内部抵抗を得るための近似式の例を示す図である。
【図５】電池状態検知装置を構成するニューラルネットワーク部の構成を示すブロック図である。
【図６】図５のＳＯＣ（充電率）演算用のニューラルネット部の構成を示すブロック図である。
【図７】図５のＳＯＨ（残存容量）演算用のニューラルネット部の構成を示すブロック図である。
【図８】図５のＳＯＣ（充電率）演算用のニューラルネット部のフローチャートである。
【図９】満充電から所定容量放電時の開路電圧を用いて上記と同じニューラルネット演算を行った場合のSOC検出結果を示す図である。
【図１０】満充電から所定容量放電時の開路電圧及び内部抵抗を用いて上記と同じニューラルネット演算を行った場合のSOH検出結果を示す図である。
【図１１】実施例１で求めたＳＯＣ及びＳＯＨを用いて電池劣化状態を検出するためのマップを示す図である。
【図１２】実施例２のニューラルネット部の構成を示すブロック図である。
【図１３】実施例３のＳＯＣ演算結果を示す図である。
【図１４】実施例３のＳＯＣ演算結果を示す図である。
【図１５】実施例４のＳＯＣ演算結果を示す図である。
【図１６】実施例４のＳＯＣ演算結果を示す図である。
【符号の説明】
【００５４】
１０１ 車載蓄電装置
１０２ 車載発電機
１０４ 電流センサ
１０５ 蓄電池状態検知装置（演算手段）
１０６ バッファ部
１０７ ニューラルネットワーク部（ニューラルネット部）
１０８ 発電機制御装置
１０９ 補正信号発生部
２０１ 入力層
２０２ 中間層
２０３ 出力層
【特許請求の範囲】
【請求項１】
充放電可能な電池の直前の所定時間の電圧履歴及び電流履歴を検出して出力する電圧・電流履歴検出手段、及び、前記電圧履歴及び電流履歴を入力パラメータとして前記電池の現在の劣化状態に関する電気量をニューラルネット演算する演算手段とを備える車両用蓄電装置のニューラルネット演算方式において、
前記演算手段は、
前記電池の満充電状態からの所定放電量放電時における前記電池の劣化状態に関する所定の電気量である所定容量放電時劣化状態量を演算し、
前記電圧履歴及び電流履歴に加えて、前記所定容量放電時劣化状態量を入力パラメータとして、出力パラメータとしての前記電池の現在の劣化状態をニューラルネット演算することを特徴とする車両用蓄電装置のニューラルネット演算方式。
【請求項２】
請求項１記載の車両用蓄電装置のニューラルネット演算方式において、
前記演算手段は、
前記電圧履歴及び電流履歴から最小自乗法により求めた近似式に基づいて求めた開路電圧今回値を算出し、
前記演算手段は、前記電圧履歴、電流履歴、開路電圧今回値及び前記所定容量放電時劣化状態量を入力パラメータとして前記電池の現在の劣化状態をニューラルネット演算することを特徴とする車両用蓄電装置のニューラルネット演算方式。
【請求項３】
請求項２記載の車両用蓄電装置のニューラルネット演算方式において、
前記所定容量放電時劣化状態量は、
前記電池の満充電状態からの所定放電量放電時における前記電池の開路電圧と、
前記電池の満充電状態からの所定容量放電時における前記電池の内部抵抗と、
により構成されることを特徴とする車両用蓄電装置のニューラルネット演算方式。
【請求項４】
請求項３記載の車両用蓄電装置のニューラルネット演算方式において、
前記出力パラメータとしての前記電池の現在の劣化状態は、
ＳＯＣ（充電率）とＳＯＨ（残存容量）との両方の信号、又はそれらを変数として含む関数であることを特徴とする車両用蓄電装置のニューラルネット演算方式。
【請求項５】
請求項４記載の車両用蓄電装置のニューラルネット演算方式において、
前記関数は、
劣化度＝残存容量（ＳＯＨ）／（初期の満充電容量×充電率（ＳＯＣ））
で示されることを特徴とすることを特徴とする車両用蓄電装置のニューラルネット演算方式。
【請求項６】
請求項４又は５記載の車両用蓄電装置のニューラルネット演算方式において、
前記演算手段は、前記ＳＯＣと所定容量放電時の開路電圧と所定容量放電時の内部抵抗とをニューラルネット演算して前記ＳＯＨを演算することを特徴とする車両用蓄電装置のニューラルネット演算方式。
【請求項１】
充放電可能な電池の直前の所定時間の電圧履歴及び電流履歴を検出して出力する電圧・電流履歴検出手段、及び、前記電圧履歴及び電流履歴を入力パラメータとして前記電池の現在の劣化状態に関する電気量をニューラルネット演算する演算手段とを備える車両用蓄電装置のニューラルネット演算方式において、
前記演算手段は、
前記電池の満充電状態からの所定放電量放電時における前記電池の劣化状態に関する所定の電気量である所定容量放電時劣化状態量を演算し、
前記電圧履歴及び電流履歴に加えて、前記所定容量放電時劣化状態量を入力パラメータとして、出力パラメータとしての前記電池の現在の劣化状態をニューラルネット演算することを特徴とする車両用蓄電装置のニューラルネット演算方式。
【請求項２】
請求項１記載の車両用蓄電装置のニューラルネット演算方式において、
前記演算手段は、
前記電圧履歴及び電流履歴から最小自乗法により求めた近似式に基づいて求めた開路電圧今回値を算出し、
前記演算手段は、前記電圧履歴、電流履歴、開路電圧今回値及び前記所定容量放電時劣化状態量を入力パラメータとして前記電池の現在の劣化状態をニューラルネット演算することを特徴とする車両用蓄電装置のニューラルネット演算方式。
【請求項３】
請求項２記載の車両用蓄電装置のニューラルネット演算方式において、
前記所定容量放電時劣化状態量は、
前記電池の満充電状態からの所定放電量放電時における前記電池の開路電圧と、
前記電池の満充電状態からの所定容量放電時における前記電池の内部抵抗と、
により構成されることを特徴とする車両用蓄電装置のニューラルネット演算方式。
【請求項４】
請求項３記載の車両用蓄電装置のニューラルネット演算方式において、
前記出力パラメータとしての前記電池の現在の劣化状態は、
ＳＯＣ（充電率）とＳＯＨ（残存容量）との両方の信号、又はそれらを変数として含む関数であることを特徴とする車両用蓄電装置のニューラルネット演算方式。
【請求項５】
請求項４記載の車両用蓄電装置のニューラルネット演算方式において、
前記関数は、
劣化度＝残存容量（ＳＯＨ）／（初期の満充電容量×充電率（ＳＯＣ））
で示されることを特徴とすることを特徴とする車両用蓄電装置のニューラルネット演算方式。
【請求項６】
請求項４又は５記載の車両用蓄電装置のニューラルネット演算方式において、
前記演算手段は、前記ＳＯＣと所定容量放電時の開路電圧と所定容量放電時の内部抵抗とをニューラルネット演算して前記ＳＯＨを演算することを特徴とする車両用蓄電装置のニューラルネット演算方式。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【公開番号】特開２００６−２２０６１６（Ｐ２００６−２２０６１６Ａ）
【公開日】平成１８年８月２４日（２００６．８．２４）
【国際特許分類】
【出願番号】特願２００５−３６４３７（Ｐ２００５−３６４３７）
【出願日】平成１７年２月１４日（２００５．２．１４）
【出願人】（０００００４２６０）株式会社デンソー (27,639)
【出願人】（０００００４６９５）株式会社日本自動車部品総合研究所 (1,981)
【出願人】（３０４０２１２７７）国立大学法人 名古屋工業大学 (784)
【Ｆターム（参考）】
【公開日】平成１８年８月２４日（２００６．８．２４）
【国際特許分類】
【出願日】平成１７年２月１４日（２００５．２．１４）
【出願人】（０００００４２６０）株式会社デンソー (27,639)
【出願人】（０００００４６９５）株式会社日本自動車部品総合研究所 (1,981)
【出願人】（３０４０２１２７７）国立大学法人 名古屋工業大学 (784)
【Ｆターム（参考）】
[ Back to top ]