CN108369258B - 状态估计装置、状态估计方法 - Google Patents

状态估计装置、状态估计方法 Download PDF

Info

Publication number
CN108369258B
CN108369258B CN201680072465.5A CN201680072465A CN108369258B CN 108369258 B CN108369258 B CN 108369258B CN 201680072465 A CN201680072465 A CN 201680072465A CN 108369258 B CN108369258 B CN 108369258B
Authority
CN
China
Prior art keywords
soc
storage element
estimation
variation
electric storage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201680072465.5A
Other languages
English (en)
Other versions
CN108369258A (zh
Inventor
福岛敦史
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GS Yuasa International Ltd
Original Assignee
GS Yuasa International Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GS Yuasa International Ltd filed Critical GS Yuasa International Ltd
Publication of CN108369258A publication Critical patent/CN108369258A/zh
Application granted granted Critical
Publication of CN108369258B publication Critical patent/CN108369258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Abstract

本发明提供一种状态估计装置、状态估计方法。即便在蓄电元件具有相对于SOC的变化量的OCV的变化量小的区域的情况下也能高精度地估计SOC。状态估计装置(BM)对具有相对于SOC的变化量的OCV的变化量相对低的低变化区域和相对高的高变化区域的蓄电元件的状态进行估计，具备判定所述蓄电元件(31)是否属于所述高变化区域的区域判定部(60)和对所述蓄电元件的SOC进行估计的SOC估计部(60)，所述SOC估计部(60)通过对所述蓄电元件(31)的电流值进行累计的电流累计法来估计所述蓄电元件的SOC，在所述蓄电元件(31)属于高变化区域的情况下进行修正处理，在该修正处理中，基于所述蓄电元件的端子电压的观测值和通过对所述蓄电元件的内部状态进行估计的估计模型预测的端子电压来修正通过所述电流累计法估计的SOC。

Description

状态估计装置、状态估计方法
技术领域
本发明涉及对SOC进行估计的技术。
背景技术
以往，对二次电池的SOC进行估计的方法之一有电流累计法。由于电流累计法会蓄积电流传感器的计测误差，因此若长期间持续进行电流累计，则SOC的估计精度会下降。在下述专利文献1中记载了如下内容，即，利用蓄电池模型和卡尔曼滤波器来修正通过电流累计法估计出的SOC，由此来提高SOC的估计精度。
在先技术文献
专利文献
专利文献1：日本专利5074830公报
发明内容
发明要解决的课题
但是，在蓄电元件中，存在锂离子二次电池等具有相对于SOC的变化量的OCV的变化量小、OCV成为大致恒定的平坦区域的特性的元件。若针对具有相对于SOC的变化量的OCV的变化量小的区域的蓄电元件应用利用了蓄电池模型和卡尔曼滤波器的修正，则有可能导致SOC的估计精度下降。
此外，在利用蓄电池模型和自适应数字滤波器来修正通过电流累计法估计出的SOC的情况下，也存在同样的问题。
本发明正是基于如上述那样的情形而完成的，其目的在于，即便在蓄电元件具有相对于SOC的变化量的OCV的变化量小的区域的情况下也能高精度地估计SOC。
用于解决课题的手段
本说明书所公开的状态估计装置对蓄电元件的状态进行估计，该蓄电元件具有相对于SOC的变化量的OCV的变化量相对低的低变化区域、和相对于SOC的变化量的OCV的变化量相对高的高变化区域，其中，所述状态估计装置具备：区域判定部，判定所述蓄电元件是否属于所述高变化区域；和SOC估计部，估计作为所述蓄电元件的内部状态之一的SOC，所述SOC估计部通过对所述蓄电元件的电流进行累计的电流累计法来估计所述蓄电元件的SOC，在所述蓄电元件属于高变化区域的情况下进行修正处理，在该修正处理中，基于所述蓄电元件的端子电压的观测值和通过对所述蓄电元件的内部状态进行估计的估计模型预测的端子电压，修正通过所述电流累计法估计的SOC。
发明效果
本说明书所公开的状态估计装置即便在蓄电元件具有相对于SOC的变化量的OCV的变化量小的区域的情况下也能够高精度地估计SOC。
附图说明
图1是在实施方式1中表示电池包的结构的概略图。
图2是表示二次电池的SOC-OCV相关特性的曲线图。
图3是状态空间模型的框图。
图4是表示对二次电池进行了模拟的电路模型的电路图。
图5是表示基于卡尔曼滤波器的SOC的估计方法的概要的流程图。
图6是表示SOC估计处理的流程的流程图。
图7A是表示电池温度为25℃的情况下对电池进行充放电时的SOC的时间变化的曲线图。
图7B是对图7A的高变化区域A3进行了放大的图。
图8是表示电池温度为25℃的情况下对电池进行充放电时的SOC的时间变化的曲线图。
图9是关于各估计方法表示相对于真实值的SOC的均方根的图表。
图10是在实施方式2中表示电池温度为25℃的情况下对二次电池进行充放电时的、SOC的时间变化的曲线图。
图11是表示电池温度为10℃的情况下对电池进行充放电时的SOC的时间变化的曲线图。
图12是表示电池温度为0℃的情况下对电池进行充放电时的SOC的时间变化的曲线图。
图13是关于各电池温度表示相对于真实值的修正SOC的均方根的表。
图14是表示SOC的估计处理的流程的流程图。
图15是表示SOC的估计处理的流程的流程图。
图16是在实施方式3中表示电池温度为25℃的情况下对二次电池进行充放电时的SOC的时间变化的曲线图。
图17是表示SOC的估计方法的流程的流程图。
图18是在实施方式4中表示电池温度为25℃的情况下对二次电池进行充放电时的、SOC的时间变化的曲线图。
图19是表示电池温度为10℃的情况下对电池进行充放电时的SOC的时间变化的曲线图。
图20是表示电池温度为0℃的情况下对电池进行充放电时的SOC的时间变化的曲线图。
图21是关于各电池温度表示相对于真实值的修正SOC的均方根的图表。
图22是表示SOC的估计处理的流程的流程图。
图23是表示SOC的估计处理的流程的流程图。
具体实施方式
(本实施方式的概要)
首先，对本实施方式所公开的状态估计装置的概要进行说明。状态估计装置对蓄电元件的状态进行估计，该蓄电元件具有相对于SOC的变化量的OCV的变化量相对低的低变化区域、和相对于SOC的变化量的OCV的变化量相对高的高变化区域，其中，所述状态估计装置具备：区域判定部，判定所述蓄电元件是否属于所述高变化区域；和SOC估计部，估计作为所述蓄电元件的内部状态之一的SOC，所述SOC估计部通过对所述蓄电元件的电流进行累计的电流累计法来估计所述蓄电元件的SOC，在所述蓄电元件属于高变化区域的情况下进行修正处理，在该修正处理中，基于所述蓄电元件的端子电压的观测值和通过对所述蓄电元件的内部状态进行估计的估计模型预测的端子电压，修正通过所述电流累计法估计的SOC。
基于蓄电元件的端子电压的观测值和通过对所述蓄电元件的内部状态进行估计的估计模型预测的端子电压来修正通过电流累计法估计的SOC时的SOC的估计精度，根据相对于SOC的变化量的OCV的变化量的大小而不同。具体而言，相对于SOC的变化量的OCV的变化量相对高的高变化区域，与OCV的变化量相对小的低变化区域相比而SOC的估计精度高。
在本结构中，在蓄电元件属于高变化区域的情况下进行修正处理，在该修正处理中，基于蓄电元件的端子电压的观测值和通过对蓄电元件的内部状态进行估计的估计模型预测的端子电压，修正通过电流累计法估计出的SOC。即，由于以通过修正可期待SOC的估计精度提高的高变化区域为对象来进行修正处理，因此即便在蓄电元件具有相对于SOC的变化量的OCV的变化量小的区域即低变化区域的情况下，也能够高精度地估计SOC。
作为状态估计装置的实施方式而优选以下的结构。
所述低变化区域是相对于SOC的变化量的OCV的变化量比给定值小的平坦区域，在所述平坦区域中不进行所述修正处理。在该结构中，由于在平坦区域中不进行修正处理，因此能够抑制SOC的估计精度比修正前下降。
所述修正是基于所述蓄电元件的端子电压的观测值和通过所述估计模型预测的端子电压来减小通过所述估计模型估计的所述蓄电元件的内部状态的估计误差的卡尔曼滤波器。由于卡尔曼滤波器抑制蓄电元件的内部状态的估计误差，因此能够高精度地修正通过电流累计法估计的SOC。
所述测定模型是所述蓄电元件的等效电路模型，该等效电路模型包括OCV、导体电阻、对所述蓄电元件的短期极化进行了模拟的第1阻抗、和对所述蓄电元件的长期极化进行了模拟的第2阻抗。能够准确地再现蓄电元件的极化引起的特性。因而，抑制蓄电元件的内部状态的估计误差的效果高，能够高精度地修正通过电流累计法估计的SOC。
在所述蓄电元件包含于高变化区域、且所述蓄电元件无电流的情况下，所述SOC估计部执行所述修正处理。在该结构中，由于限制在无电流时来执行修正处理，因此能够高精度地修正通过电流累计法估计的SOC。
具备对所述蓄电元件的温度进行检测的温度检测部，在所述蓄电元件的温度为第1温度以上的情况下，所述SOC估计部执行所述修正处理。在该结构中，由于限制在蓄电元件为第1温度以上的情况来执行修正处理，因此能够高精度地修正通过电流累计法估计的SOC。
具备对所述蓄电元件的温度进行检测的温度检测部，在所述蓄电元件的温度为第2温度以下的情况下，所述SOC估计部不执行所述修正处理。在该结构中，由于在蓄电元件为第2温度以下的情况下不执行修正处理，因此能够抑制SOC的估计精度比修正前下降。
所述区域判定部基于由所述SOC估计部估计的SOC的值来判定所述蓄电元件是否属于所述高变化区域。如此一来，能够简单地判定蓄电元件属于哪个区域。
或者，所述区域判定部将相对于所述蓄电元件的充放电容量变化的电压变化与阈值进行比较，由此来判定所述蓄电元件属于所述低变化区域或者所述高变化区域的哪个区域。
<实施方式1>
关于实施方式1，参照图1至图9来进行说明。
1.电池包20的结构
图1是表示本实施方式中的电池包20的结构的图。本实施方式的电池包20例如搭载于电动车、混合动力汽车，向以电能工作的动力源供给电力。
如图1所示，电池包20具有电池组30、电流传感器40和对电池组30进行管理的蓄电池管理器(以下称为BM)50。电池组30包含被串联连接的多个二次电池31。
二次电池31以及电流传感器40经由布线35而串联连接，与搭载于电动车的充电器10或者设置于电动车等的内部的动力源等的负载10连接。
充电器10发挥对电池组30进行充电的功能。电流传感器40发挥对二次电池31中流动的电流进行检测的功能。电流传感器40成为以一定周期计测二次电池31的电流值并向控制部60发送计测出的电流计测值的数据的结构。
蓄电池管理器(以下称为BM)50具备控制部60、电压检测电路80和温度传感器95。另外，二次电池31为“蓄电元件”的一例，BM50为“状态估计装置”的一例。
电压检测电路80经由检测线而分别与各二次电池31的两端连接，响应于来自控制部60的指示，发挥对各二次电池31的电压进行测定的功能。温度传感器95为接触式或非接触式，发挥对二次电池31的温度T[℃]进行测定的功能。
控制部60包括中央处理装置(以下称为CPU)61、存储器63和通信部67。控制部60发挥对二次电池31所属的区域进行判定的功能(图6的S30)、对SOC进行估计的功能(图6的S20、S40、S50)。控制部60是“区域判定部”、“SOC估计部”的一例。
在存储器63存储有用于执行估计SOC的处理的程序、执行程序所需的数据、例如图2所示的SOC-OCV相关特性的数据、用于判定SOC所属的区域的数据。具体而言，关于低变化区域L1、L2和高变化区域H1～H3，分别存储有对应的SOC的范围。此外，存储有SOC的当前值的数据。
通信部67以能够通信的方式与车载的ECU(Electronic Control Unit；电子控制单元)100连接，发挥与车载的ECU100通信的功能。另外，在电池包20中除此之外还设置有受理来自用户的输入的操作部(未图示)、显示二次电池31的状态等的显示部(未图示)。
2.二次电池31的SOC-OCV相关特性
二次电池31是对于正极活性物质利用了磷酸铁锂(LiFePO4)且对于负极活性物质利用了石墨的磷酸铁系的锂离子电池。
图2是将横轴设为SOC[％]、将纵轴设为OCV[V]的二次电池31的SOC-OCV相关特性。另外，SOC(充电状态)是剩余容量相对于充满电容量的比率。此外，OCV为二次电池31的开路电压。
如图2所示，二次电池31具有包括相对于SOC的变化量的OCV的变化量相对低的低变化区域和相对高的高变化区域的多个充电区域。
具体而言，具有两个低变化区域L1、L2和三个高变化区域H1、H2、H3。如图2所示，低变化区域L1位于SOC的值为31[％]～62[％]的范围。低变化区域L2位于SOC的值为68[％]～97[％]的范围。低变化区域L1成为相对于SOC的变化量的OCV的变化量非常小、OCV为3.3[V]且大致恒定的平坦区域。此外，低变化区域L2也是同样的，成为OCV为3.34[V]且大致恒定的平坦区域。另外，平坦区域是指相对于SOC的变化量的OCV的变化量为2[mV/％]以下的区域。
第1高变化区域H1处于SOC的值大于62[％]且小于68[％]的范围，位于两个低变化区域L1、L2之间。第2高变化区域H2处于SOC的值小于31[％]的范围，位于比低变化区域L1更靠近低SOC侧的位置。第3高变化区域H3处于SOC的值大于97[％]的范围，位于比低变化区域L2更靠近高SOC侧的位置。另外，第1～第3高变化区域H1～H3成为与低变化区域L1、L2相比而相对于SOC的变化量的OCV的变化量(图2所示的曲线图的斜率)相对高的关系。
3.利用了卡尔曼滤波器的SOC的估计处理
<卡尔曼滤波器的说明>
图3表示将输入设为u(k)、将输出设为y(k)的系统的状态空间模型。下述的数学式1表示图3所示的状态空间模型的状态方程式，下述的数学式2表示空间状态模型的输出方程式。
[数学式1]
x(k+1)＝f(x(k))+buu(k)+bv(k)
其中，“x(k)”为系统的内部状态。“f”、“bv”、“b”为系统矩阵，
“u(k)”为输入，“v(k)”为系统噪声。
[数学式2]
y(k)＝h(x(k))+w(k)
其中，“y(k)”为输出，“h”为系统矩阵，“w(k)”为观测噪声。
卡尔曼滤波器是指基于时间序列的观测值{y(i)＝1，2，3，，，k}来求出系统的内部状态x(k)的估计值的算法。具体而言，针对作为真实的内部状态x(k)与估计值之差的状态估计误差，利用基于均方误差的评价函数J(k)，在使该评价函数J(k)为最小的意思下求出最佳的内部状态x(k)的估计值的算法是卡尔曼滤波器(下述数学式3～数学式5)。另外，对内部状态x(k)赋予的(^)意味着估计值，(～)意味着状态估计误差。
[数学式3]
Figure BDA0001691536990000081
其中，
Figure BDA0001691536990000082
为“x(k)”的估计值，
Figure BDA0001691536990000083
为“x(k)”的状态估计误差。
[数学式4]
Figure BDA0001691536990000084
[数学式5]
Figure BDA0001691536990000085
[数学式6]
Figure BDA0001691536990000086
其中，
Figure BDA0001691536990000087
为“x(k)”的估计值，
Figure BDA0001691536990000088
为“x(k)”的事前估计值，“g(k)”为卡尔曼增益，
Figure BDA0001691536990000089
为“y(k)”的预测误差。
此外，基于卡尔曼滤波器的内部状态x(k)的估计值能够由内部状态x(k)的事前估计值(数学式6的右边第1项)和修正项(数学式6的右边第2项)来表示。
内部状态x(k)的事前估计值是指基于在时刻k-1之前能够利用的数据的、时刻k下的内部状态x(k)的预测估计值。修正项用于对第1项的预测估计值进行修正，能够由“卡尔曼增益g(k)”与“输出y(k)的预测误差”之积来表示。卡尔曼增益g(k)是使相对于内部状态x(k)的估计误差(相对于真实值的估计值的误差)的协方差为最小的值，能够利用正交性的原理等来计算(参照下述的数学式7)。
[数学式7]
Figure BDA0001691536990000091
其中，“P-(k)”为相对于“x(k)”的估计误差的事前协方差矩阵，“σ2”为“w(k)”的方差。“cT(k)”为“c(k)”的转置矩阵。
[数学式8]
Figure BDA0001691536990000092
<二次电池的系统化>
二次电池31能够考虑将输入设为电流I、将输出设为端子电压UL的系统，能够通过数学式1、数学式2的状态方程式和输出方程式来描述。在本实施方式中，利用图4所示的二次电池31的等效电路模型而使二次电池31系统化。具体而言，通过表示电动势(直流电压源)的OCV、表示集电体、电解液等中的电阻的导体电阻R0、第1阻抗Z1和第2阻抗Z2来表示二次电池31。
OCV根据SOC而变化，能够作为SOC的函数来表示。第1阻抗Z1是第1电阻R1和第1电容C1的并联电路。此外，第2阻抗Z2是第2电阻R2和第2电容C2的并联电路。
第1阻抗Z1和第2阻抗Z2的时间常数(τ＝R×C)不同。具体而言，第1阻抗Z1的时间常数τ1比第2阻抗Z2的时间常数τ2小。第1阻抗Z1是对二次电池31的快的响应部分、即二次电池31的短期极化电压进行了模拟的阻抗。此外，第2阻抗Z2是对慢的响应部分、即长期极化电压进行了模拟的阻抗。另外，等效电路模型M是对二次电池31的内部状态(SOC，U1，U2，R0)进行估计的模型，是本发明的“估计模型”的一例。
若在数学上求解上述的等效电路模型M，则成为数学式9。
[数学式9]
Figure BDA0001691536990000093
而且，若使数学式9离散化，则关于二次电池31的内部状态x(k)＝SOC(k)，U1(k)，U2(k)，R0(k)，可得到数学式11所示的状态方程式，进而可得到数学式12的输出方程式。
[数学式10]
Figure BDA0001691536990000101
[数学式11]
Figure BDA0001691536990000102
[数学式12]
y(k)＝uL(k)＝OCV(SOC(k))+U1(k)+U2(k)+R0(k)i(k)+w(k)
其中，“uL(k)”为端子电压，“i(k)”为电流。“U1(k)”为“Z1”下的电压降，“U2(k)”为“Z2”下的电压降。
而且，根据数学式11所示的状态方程式和数学式12所示的输出方程式，对描述的系统应用卡尔曼滤波器、具体为增强卡尔曼滤波器，从而能够求出SOC的估计值。即，如数学式13所示，对SOC的事前估计值增加“卡尔曼增益g(k)”与“端子电压UL(k)的预测误差”之积，从而能够修正SOC的事前估计值。
[数学式13]
Figure BDA0001691536990000103
其中，
Figure BDA0001691536990000104
为“SOC(k)”的估计值，
Figure BDA0001691536990000105
为“SOC(k)”的事前估计值，“g(k)”为卡尔曼增益，
Figure BDA0001691536990000106
为“uL(k)”的预测误差。
另外，SOC的事前估计值(数学式13的右边第1项)如下述的数学式14所示那样是对SOC的上次估计值(数学式14的右边第1项)加上基于电流累计法的变动量(数学式14的右边第2项)得到的值，因此卡尔曼滤波器成为修正通过电流累计法估计的SOC以使得估计误差变小的处理。
[数学式14]
Figure BDA0001691536990000111
其中，“Cbatt”为二次电池31的充满电容量。
若用流程图来表示基于卡尔曼滤波器的SOC的估计处理的概要，则如图5所示，能够由S1～S3这三个处理来表示。
在S1中，根据上次估计出的内部状态(SOC，U1，U2，R0)和由电流传感器40检测的当前的电流I来重新估计内部状态(SOC，U1，U2，R0)。此外，同时根据上次估计出的内部状态(SOC，U1，U2，R0)的误差信息和电流I的误差信息来重新估计内部状态(SOC，U1，U2，R0)的误差信息。
在S2中，根据在S1中重新估计出的内部状态(SOC，U1，U2，R0)来预测二次电池31的端子电压UL。具体而言，利用估计出的SOC参照图2所示的SOC-OCV相关特性来计算OCV，根据OCV以及U0、U1、U2的总和来预测端子电压UL。
然后，根据对预测出的端子电压UL和由电压检测电路80检测的端子电压UL的观测值进行比较之后的结果以及电压检测电路80的误差信息，生成使在S1中重新估计出的内部状态(SOC，U1，U2，R0)的误差信息最小化的卡尔曼增益g(k)。
在S3中，利用卡尔曼增益g(k)来修正在S1中重新估计出的内部状态(SOC，U1，U2，R0)和内部状态(SOC，U1，U2，R0)的误差信息。在S1中，由于基于电流累计法来估计SOC，因此通过卡尔曼增益g(k)来修正其估计值。
如此，卡尔曼滤波器是从电压检测电路80以及电流传感器40取入二次电池31的端子电压UL和电流I的数据，并且反复进行上述的三个处理S1～S3，从而估计使状态估计误差最小化的二次电池31的内部状态(SOC，U1，U2，R0)的处理。
然而，二次电池31在SOC-OCV相关特性中具有低变化区域L1、L2。低变化区域L1、L2由于相对于SOC的变化量的OCV的变化量非常小，因此OCV的估计值的一点点的误差放大成SOC的估计误差来呈现。因而，与高变化区域H1、H2、H3相比，对SOC估计精度带来的影响大，有可能使得SOC的估计精度下降。即，根据在S2中生成的卡尔曼增益g(k)来修正SOC的估计值时，有可能使得SOC的估计精度显著下降。
4.基于卡尔曼滤波器的修正的限制
因此，在BM50中，限制在二次电池31的SOC属于高变化区域H1、H2、H3的任一者的情况来进行基于尔曼滤波器的修正，在二次电池31的SOC不属于高变化区域H1、H2、H3的情况、即属于低变化区域L1、L2的情况下，不进行基于卡尔曼滤波器的修正。
图6是SOC估计处理的流程图，包括S10～S60这6个处理。图6所示的SOC估计处理，例如与BM50启动而开始电池组30的监视同时由控制部60执行。
若处理开始，则控制部60访问存储器等，获取SOC的当前值(S10)。
然后，控制部60通过电流累计法来进行估计SOC的处理(S20)。即，对电流传感器40输出的电流I进行累计来计算累积充放电量。之后，对从存储器63读出的SOC的当前值加上根据累积充放电量计算出的SOC的变化量，由此来估计下一时间点的SOC。另外，数学式15的第1项表示SOC的当前值，第2项表示从当前值起的SOC变化量。
[数学式15]
Figure BDA0001691536990000121
然后，控制部60执行判定通过电流累计法估计出的SOC的估计值是否属于高变化区域H1、H2、H3的任一者的处理(S30)。具体而言，通过比较与各高变化区域H1、H2、H3对应的SOC的范围和基于电流累计法的SOC的估计值，由此来判定。
控制部60在通过电流累计法估计的SOC的估计值属于高变化区域H1、H2、H3的任一者的情况下，执行由卡尔曼滤波器修正通过电流累计法估计的SOC的修正处理(S40)。
具体而言，控制部60基于由电压检测电路80检测到的二次电池31的端子电压UL和通过等效电路模型M预测的端子电压UL，生成使通过等效电路模型M估计的二次电池31的内部状态(SOC，U1，U2，R0)的误差信息最小化的卡尔曼增益g(k)。
然后，控制部60基于卡尔曼增益g(k)和端子电压UL的预测误差来修正通过电流累计法估计的SOC(参照数学式13)。之后，将修正后的SOC作为下一时间点的SOC、即SOC的最新值。
另一方面，在SOC的当前值不属于高变化区域H1、H2、H3的情况、即属于低变化区域L1、L2的任一者的情况下，控制部60不进行卡尔曼滤波器的修正，将通过电流累计法估计的SOC作为下一时间点的SOC、即SOC的最新值。
另外，若执行S40或者S50的处理，则控制部60每次均访问存储器63，更新SOC的值。因而，在存储器63中始终存储SOC的最新值。
若执行了S40、S50的任一处理，则之后关于是否结束二次电池31的监视来进行判定(S60)。
而且，在继续二次电池31的监视的情况下，处理返回至S20，控制部60再次基于电流累计法来进行估计SOC的处理。即，本次将在S40或者S50中求出的SOC作为当前值，通过电流累计来计算从当前值起的SOC的变化量。然后，对SOC的当前值加上SOC的变化量，由此来估计下一时间点的SOC。
然后，控制部60执行S30的处理，判定通过电流累计法估计出的SOC是否属于高变化区域H1、H2、H3的任一者。而且，仅在通过电流累计法估计出的SOC属于高变化区域H1、H2、H3的任一者的情况下，利用卡尔曼滤波器来修正通过电流累计法估计的SOC，将修正后的SOC作为下一时间点的SOC(S40)。
另一方面，在通过电流累计法估计出的SOC不属于高变化区域H1、H2、H3的情况下，控制部60将通过电流累计法估计出的SOC作为下一时间点的SOC(S50)。
之后，在继续二次电池31的监视的情况下，处理返回至S20，反复进行同样的处理。
如此，控制部60在二次电池31的监视中，与SOC的区域无关地始终进行基于电流累计法的SOC的估计。即，不仅在SOC属于低变化区域L1、L2的情况下，还在属于高变化区域H1、H2、H3的情况下，始终进行基于电流累计法的SOC的估计。而且，控制部60仅在通过电流累计法估计的SOC属于高变化区域H1、H2、H3的任一者的情况下，利用卡尔曼滤波器来修正通过电流累计法估计的SOC。而且，在估计的SOC不属于高变化区域H1、H2、H3的情况、即属于低变化区域L1、L2的任一者的情况下，不执行卡尔曼滤波器的修正。
因此，例如从图2所示的点P进行充电至充满电的情况下，在充电开始后，在SOC的估计值小于31％的期间(SOC属于高变化区域H2的期间)，利用卡尔曼滤波器来修正通过电流累计法估计的SOC，将修正后的SOC作为SOC的最新值。然后，在SOC的估计值至31％～62％的期间(SOC属于低变化区域L1的期间)，不执行基于卡尔曼滤波器的修正，将通过电流累计法估计的SOC作为SOC的最新值。
然后，在SOC的估计值大于62％且小于68％的期间(SOC属于高变化区域H1的期间)，利用卡尔曼滤波器来修正通过电流累计法估计的SOC，将修正后的SOC作为SOC的最新值。
此后，在SOC的估计值为68％至97％的期间(SOC属于低变化区域L2的期间)，不执行基于卡尔曼滤波器的修正，将通过电流累计法估计的SOC作为SOC的最新值。而且，在SOC的估计值大于97％的期间(SOC属于高变化区域H3的期间)，利用卡尔曼滤波器来修正通过电流累计法估计的SOC，将修正后的SOC作为SOC的最新值。
如以上，在本实施方式中，将基于卡尔曼滤波器的修正限制在通过修正可期待SOC的估计精度提高的高变化区域H1～H3，从而能够提高SOC的估计精度。
换言之，通过修正反倒有可能导致精度下降的低变化区域L1、L2不进行基于卡尔曼滤波器的修正，从而能够提高SOC的估计精度。
此外，在电池温度T为25℃的条件下，进行了使电池组30充放电的试验。而且，针对通过电流累计法估计出的SOC，在将卡尔曼滤波器应用于SOC的整个范围(0％～100％)来进行修正的情况、和限制在高变化区域H1、H2、H3来进行修正的情况下，验证了效果的差异。
在图7A、图8中，“单点划线”表示SOC的真实值。此外，“虚线”表示通过电流累计法估计出的SOC。即，在试验中，是由电流传感器40计测电池组30中流动的电流并对得到的计测值进行累计而估计出的SOC。在该例子中，电流传感器40的电流计测误差在放电侧约为20mA，电流累计时的SOC的估计误差随着时间经过而放大。
图7A所示的“实线”表示针对通过电流累计法估计的SOC而关于“SOC的整个范围(0％～100％)”进行了基于卡尔曼滤波器的修正时的SOC。
如图7A中“实线”所示，利用卡尔曼滤波器修正后的SOC在A1～A3(高变化区域)中成为比通过电流累计法估计出的SOC更接近真实值的值，能够理解出在高变化区域中与电流累计法相比利用卡尔曼滤波器进行修正时的SOC的估计精度更高。另外，图7B是对图7A的高变化区域A3进行了放大的图。
另一方面，在B1～B4(低变化区域)中，利用卡尔曼滤波器修正后的SOC成为比通过电流累计法估计出的SOC更偏离真实值的值，能够理解出在低变化区域L1、L2中，若利用卡尔曼滤波器来修正通过电流累计法估计的SOC，则反倒使得SOC的估计精度下降。
另一方面，图8所示的“实线”表示针对通过电流累计法估计的SOC而将基于卡尔曼滤波器的修正限制在高变化区域H1～H3，在低变化区域L1、L2中不进行卡尔曼滤波器的修正的情况下的SOC。
如图8中“实线”所示，将基于卡尔曼滤波器的修正限制在高变化区域H1～H3时的SOC，成为在大致整个范围内比通过电流累计法估计出的SOC更接近真实值的值，能够理解出SOC的估计精度得以提高。
此外，图9是关于各方法求出相对于“真实值”的“SOC”的均方根(RMS)的表。在电流累计法的情况下，相对于“真实值”的“估计SOC”的均方根为“4.738”。此外，在SOC的整个范围进行了卡尔曼滤波器的修正的情况下，相对于“真实值”的“修正SOC”的均方根为“6.619”，在将卡尔曼滤波器的修正限制在高变化区域H1～H3的情况下，相对于“真实值”的“修正SOC”的均方根为“4.406”。另外，“估计SOC”是通过电流累计法估计出的SOC，在图7、8中是虚线所示的SOC。“修正SOC”是利用卡尔曼滤波器修正后的SOC，在图7、8中是实线所示的SOC。
如此，将卡尔曼滤波器的修正限制在高变化区域H1～H3的情况下的均方根最小，能够理解出SOC的估计精度得以提高。
<实施方式2>
参照图10～图15来说明实施方式2。实施方式2的电池包20与实施方式1的电池包20同样地具有电池组30、电流传感器40和对电池组30进行管理的蓄电池管理器50。
在实施方式2中，变更电池温度T来进行使电池组30充放电的试验(与实施方式1同样的试验)，验证了电池温度T与基于卡尔曼滤波器的修正的效果的关系。
图10是表示电池温度T为40℃时的SOC的时间推移的曲线图。此外，图11是表示电池温度T为10℃的情况下的SOC的时间推移的曲线图。此外，图12是示出对电池温度T为0℃的情况下的SOC的时间推移进行表示的曲线图的温度推移的曲线图。另外，图10～图12的“实线”表示针对通过电流累计法估计的SOC而限制在高变化区域H1、H2、H3来进行基于卡尔曼滤波器的修正时的SOC。
关于电池温度T为40℃的情况和电池温度T为25℃的情况，若比较限制在高变化区域H1、H2、H3来进行基于卡尔曼滤波器的修正时的SOC的时间推移(图10、图8的实线)，则与电池温度为25℃的情况相比，电池温度为40℃的情况下的修正后的SOC更接近真实值，能够理解出基于卡尔曼滤波器的修正的效果高。
同样，关于电池温度T为25℃的情况和电池温度T为10℃的情况，若比较限制在高变化区域H1、H2、H3来进行基于卡尔曼滤波器的修正时的SOC的推移(图8、图11的实线)，则与电池温度为25℃的情况相比，电池温度为10℃的情况下的修正后的SOC更远离真实值，能够理解出基于卡尔曼滤波器的修正的效果低。
而且，关于电池温度T为10℃的情况和电池温度T为0℃的情况，若比较限制在高变化区域H1、H2、H3来进行基于卡尔曼滤波器的修正时的SOC的推移(图11、图12的实线)，则与电池温度T为10℃的情况相比，电池温度T为0℃的情况下的修正后的SOC更远离真实值，能够理解出基于卡尔曼滤波器的修正的效果更低。
此外，图13是按照每个电池温度T来计算相对于“真实值”的“估计SOC”的均方根(RMS)和相对于“真实值”的“修正SOC”的均方根(RMS)的表。另外，“估计SOC”是指通过电流累计法估计出的SOC，在图8、10、11、12中是虚线所示的SOC。“修正SOC”是指利用卡尔曼滤波器修正后的SOC，在图8、10、11、12中是实线所示的SOC。
相对于“真实值”的“修正SOC”的均方根，在电池温度T为40℃的情况下为“3.879”，在电池温度T为25℃的情况下为“4.406”。此外，在电池温度T为10℃的情况下为“9.804”，在电池温度T为0℃的情况下均方根为“12.038”。
如此，电池温度T越高，相对于“真实值”的“修正SOC”的均方根越低。因此，电池温度T越高，基于卡尔曼滤波器的修正的效果越高。尤其是，相对于“真实值”的“修正SOC”的均方根，在电池温度T为25℃的情况下为“4.406”，在电池温度T为40℃的情况下为“3.879”，分别低于利用电流累计法估计出的“估计SOC”的均方根“4.738”、“4.515”。
因而，限制在电池温度T为25℃以上的情况，利用卡尔曼滤波器来修正通过电流累计法估计出的SOC，从而能够提高SOC的估计精度。
另外，作为电池温度T越高则SOC的估计精度越高的理由，考虑如下的主要原因。即，一般而言，在电池温度T高时，二次电池31的阻抗变低，因此流动电流时的电压变化变小。因而，通过估计模型M预测的端子电压UL的精度变好，因此可认为与之相伴SOC的估计精度变高。另一方面，在电池温度T低时阻抗高，因此流动电流时的电压变化变大。因而，通过估计模型M预测的端子电压UL的精度变差，因此可认为与之相伴SOC的估计精度变低。
此外，图14是在决定是否利用卡尔曼滤波器修正通过电流累计法估计出的SOC的条件中加入了电池温度T的流程图，相对于图6所示的SOC的估计处理而追加了“S37A”的处理。即，追加了通过控制部60判定由温度传感器95检测的电池温度T是否为第1温度(在本例中为25℃)以上的处理。
在图14所示的SOC的估计处理中，在SOC的当前值属于高变化区域H1、H2、H3的任一者、且电池温度T为25℃以上的情况下(S30：是，S37A：是)，控制部60执行利用卡尔曼滤波器来修正通过电流累计法估计出的SOC的处理(S40)。然后，控制部60将修正后的SOC作为下一时间点的SOC、即SOC的最新值。
另一方面，在SOC的当前值不属于高变化区域H1、H2、H3的情况(S30：否)、和电池温度T小于25℃的情况下(S37A：否)，控制部60不进行卡尔曼滤波器的修正，将通过电流累计法估计的SOC作为下一时间点的SOC、即SOC的最新值。
此外，如图13所示，相对于“真实值”的“修正SOC”的均方根，在电池温度T为10℃的情况下为“9.804”，在电池温度T为0℃的情况下为“12.038”，大于利用电流累计法估计出的“估计SOC”的均方根“4.440”、“4.427”。
如此，在电池温度T为10℃以下的情况下，成为若利用卡尔曼滤波器进行修正则反倒SOC的估计精度会下降的趋势。因而，在电池温度T为10℃以下的情况下，不利用卡尔曼滤波器来修正通过电流累计法估计出的SOC，从而能够抑制SOC的估计精度下降。
另外，图15是在决定是否利用卡尔曼滤波器修正通过电流累计法估计出的SOC的条件中加入了电池温度T的流程图，相对于图6所示的SOC的估计处理而追加了“S37B”的处理。即，追加了通过控制部60判定由温度传感器95检测的电池温度T是否为第2温度(在本例中为10℃)以下的处理。
在图15所示的SOC的估计处理中，在SOC的当前值属于高变化区域H1、H2、H3的任一者、且电池温度T大于10℃的情况下(S30：是，S37B：否)，控制部60执行利用卡尔曼滤波器来修正通过电流累计法估计出的SOC的处理(S40)。然后，控制部60将修正后的SOC作为下一时间点的SOC、即SOC的最新值。
另一方面，在SOC的当前值不属于高变化区域H1、H2、H3的情况(S30：否)、和电池温度T为10℃以下的情况下(S37B：是)，控制部60不进行卡尔曼滤波器的修正，将通过电流累计法估计的SOC作为下一时间点的SOC、即SOC的最新值。
<实施方式3>
参照图16～图17来说明实施方式3。实施方式3的电池包20与实施方式1的电池包20同样地具有电池组30、电流传感器40和对电池组30进行管理的蓄电池管理器50。
在实施方式3中，在电池温度T为25℃的条件下，进行了使电池组30充放电的试验。而且，在基于卡尔曼滤波器的修正的执行条件中追加了“无电流”的情况和未追加的情况下，验证了效果的差异。另外，“无电流”是指电池组30中流动的电流为给定值(作为一例而为100mA)以下的状态。
在图16中，“单点划线”表示SOC的真实值。此外，“虚线”是通过电流累计法估计出的SOC。即，在试验中是由电流传感器40计测电池组30中流动的电流并对得到的计测值进行累计而估计出的SOC。
此外，“实线”表示在SOC属于高变化区域H1～H3且电池组30无电流的情况下利用卡尔曼滤波器修正通过电流累计法估计出的SOC时的SOC。
在基于卡尔曼滤波器的修正的执行条件中追加了“无电流”的情况下(图16的实线)，与未追加的情况(图8所示的实线)相比成为更接近真实值的值，能够理解出SOC的估计精度得以提高。
另外，在将卡尔曼滤波器的修正限制在高变化区域H1～H3且无电流时的情况下，相对于“真实值”的“修正SOC”的均方根(RMS)为“2.563”。另一方面，在不限制为无电流时的情况下(实施方式1的情况下)，相对于“真实值”的“修正SOC”的均方根成为小于“4.406”的值。另外，“修正SOC”是利用卡尔曼滤波器修正后的SOC。
如此，卡尔曼滤波器的修正在限制为“无电流时”进行的情况下更有效。因此，在实施方式3中，在满足以下的(a)、(b)这两个条件的情况下应用卡尔曼滤波器。
(a)SOC属于高变化区域H1、H2、H3的任一者。
(b)二次电池无电流。
图17表示应用于实施方式3的SOC估计处理的流程图，相对于应用于实施方式1的SOC估计处理(图6)而追加了S35的处理。在S35中，控制部60将电流传感器40的检测值与阈值进行比较，由此来判定是否为二次电池31中未流动电流的无电流状态。在本例中，在电流为给定值以下的情况下判断为无电流。
在图17所示的SOC估计处理中，通过S30判定(a)的条件，通过S35判定(b)的条件，在满足两个条件的情况下，利用卡尔曼滤波器来修正通过电流累计法估计的SOC(S40)。然后，将基于卡尔曼滤波器的修正后的SOC作为下一时间点的SOC、即SOC的最新值。在除此之外的情况下，不应用卡尔曼滤波器，将通过电流累计法估计出的值作为下一时间点的SOC、即SOC的最新值(S50)。
如此，在实施方式3中，限制在SOC属于高变化区域H1、H2、H3的任一者且无电流时，进行基于卡尔曼滤波器的修正。因而，与实施方式1相比，能够进一步提高SOC的估计精度。
<实施方式4>
参照图18～图23来说明实施方式4。实施方式4的电池包20与实施方式1的电池包20同样地具有电池组30、电流传感器40和对电池组30进行管理的蓄电池管理器50。
在实施方式4中，变更电池温度T来进行使电池组30充放电的试验(与实施方式3同样的试验)，验证了电池温度T与基于卡尔曼滤波器的修正的效果的关系。
图18是表示电池温度T为40℃时的SOC的时间推移的曲线图。此外，图19是表示电池温度T为10℃的情况下的SOC的时间推移的曲线图。此外，图20是示出对电池温度T为0℃的情况下的SOC的时间推移进行表示的曲线图的温度推移的曲线图。另外，图18～图20的“实线”表示针对通过电流累计法估计的SOC而限制在高变化区域H1～H3且无电流时来进行基于卡尔曼滤波器的修正的情况下的SOC。
关于电池温度T为40℃的情况和电池温度T为25℃的情况，若比较进行基于卡尔曼滤波器的修正时的SOC的时间推移(图18、图16的实线)，则与电池温度为25℃的情况相比，电池温度为40℃的情况下的修正后的SOC更接近真实值，能够理解出基于卡尔曼滤波器的修正的效果高。
同样，关于电池温度T为25℃的情况和电池温度T为10℃的情况，若比较进行基于卡尔曼滤波器的修正时的SOC的推移(图16、图19的实线)，则与电池温度为25℃的情况相比，电池温度为10℃的情况下的修正后的SOC更远离真实值，能够理解出基于卡尔曼滤波器的修正的效果低。
而且，关于电池温度T为10℃的情况和电池温度T为0℃的情况，若比较进行基于卡尔曼滤波器的修正时的SOC的推移(图19、图20的实线)，则与电池温度T为10℃的情况相比，电池温度T为0℃的情况下的修正后的SOC更远离真实值，能够理解出基于卡尔曼滤波器的修正的效果更低。
此外，图21是按照每个电池温度T来计算相对于“真实值”的“估计SOC”的均方根(RMS)和相对于“真实值”的“修正SOC”的均方根(RMS)的表。另外，“估计SOC”是指通过电流累计法估计出的SOC，在图16、18、19、20中是虚线所示的SOC。此外，“修正SOC”是指利用卡尔曼滤波器修正后的SOC，在图16、18、19、20中是实线所示的SOC。
相对于“真实值”的“修正SOC”的均方根，在电池温度T为40℃的情况下为“2.598”，在电池温度T为25℃的情况下为“2.621”。此外，在电池温度T为10℃的情况下为“6.461”，在电池温度T为0℃的情况下为“8.522”。
如此，电池温度T越高，相对于“真实值”的“修正SOC”的均方根越低。因此，电池温度T越高，基于卡尔曼滤波器的修正的效果越高。尤其是，相对于“真实值”的“修正SOC”的均方根，在电池温度T为25℃的情况下为“2.621”，在电池温度T为40℃的情况下为“2.598”，分别低于利用电流累计法估计出的“估计SOC”的均方根“4.738”、“4.515”。
因而，限制在电池温度T为25℃以上的情况，利用卡尔曼滤波器来修正通过电流累计法估计出的SOC，从而能够提高SOC的估计精度。
另外，图22是在决定是否利用卡尔曼滤波器修正通过电流累计法估计出的SOC的条件中加入了电池温度T的流程图，相对于图17所示的SOC的估计处理而追加了“S37A”的处理。即，追加了通过控制部60判定由温度传感器95检测的电池温度T是否为第1温度(在本例中为25℃)以上的处理。
在图22所示的SOC的估计处理中，在SOC的当前值属于高变化区域H1、H2、H3的任一者、且为无电流、电池温度T为25℃以上的情况下(S30：是，S35：是，S37A：是)，控制部60执行利用卡尔曼滤波器来修正通过电流累计法估计出的SOC的处理(S40)。然后，控制部60将修正后的SOC作为下一时间点的SOC、即SOC的最新值。
另一方面，在SOC的当前值不属于高变化区域H1、H2、H3的情况(S30：否)、不是无电流的情况(S35：否)、和电池温度T小于25℃的情况下(S37A：否)，控制部60不进行卡尔曼滤波器的修正，将通过电流累计法估计的SOC作为下一时间点的SOC、即SOC的最新值。
此外，如图21所示，相对于“真实值”的“修正SOC”的均方根，在电池温度T为10℃的情况下为“6.461”，在电池温度T为0℃的情况下为“8.522”，大于通过电流累计法估计出的“估计SOC”的均方根“4.440”、“4.427”。
如此，在电池温度T为10℃以下的情况下，成为若利用卡尔曼滤波器进行修正则反倒SOC的估计精度会下降的趋势。因而，在电池温度T为10℃以下的情况下，不利用卡尔曼滤波器来修正通过电流累计法估计出的SOC，从而能够抑制SOC的估计精度下降。
另外，图23是在决定是否利用卡尔曼滤波器修正通过电流累计法估计出的SOC的条件中加入了电池温度T的流程图，相对于图17所示的SOC的估计处理而追加了“S37B”的处理。即，追加了通过控制部60判定由温度传感器95检测的电池温度T是否为第2温度(在本例中为10℃)以下的处理。
在图23所示的SOC的估计处理中，在SOC的当前值属于高变化区域H1、H2、H3的任一者、且为无电流、电池温度T大于10℃的情况下(S30：是，S35：是，S37B：否)，控制部60执行利用卡尔曼滤波器来修正通过电流累计法估计出的SOC的处理(S40)。然后，控制部60将修正后的SOC作为下一时间点的SOC、即SOC的最新值。
另一方面，在SOC的当前值不属于高变化区域H1、H2、H3的情况(S30：否)、二次电池31无电流的情况(S35：是)、和电池温度T为10℃以下的情况下(S37B：是)，控制部60不进行卡尔曼滤波器的修正，将通过电流累计法估计的SOC作为下一时间点的SOC、即SOC的最新值。
<其他实施方式>
本发明并不限定于通过上述描述以及附图说明过的实施方式，例如下述那样的实施方式也包含在本发明的技术范围中。
(1)在实施方式1～4中，对于蓄电元件的一例而例示了锂离子二次电池31。蓄电元件只要是具有OCV相对于SOC的变化率相对低的低变化区域、和OCV相对于SOC的变化率相对高的高变化区域的特性即可，可以是锂离子电池以外的电化学单电池。
(2)在实施方式1～4中，基于SOC的估计值而判定了二次电池31是否属于高变化区域H1～H3。区域的判定方法也可以通过将相对于二次电池31的充放电容量变化的电压变化(ΔV/ΔAh)与阈值进行比较，由此来判定。即，可以根据电流传感器40和电压检测电路80的输出来分别计算每单位时间的充放电容量变化ΔAh和电压变化ΔV，将其比(ΔV/ΔAh)与阈值进行比较，由此来判定区域。
(3)应用卡尔曼滤波器进行修正时的SOC的估计精度，依赖于基于二次电池31的等效电路模型M的内部状态的估计精度，例如在电流值大的情况下，基于等效电路模型M的内部状态的估计精度易于下降。在实施方式1中，示出限制在二次电池31属于高变化区域H1～3的情况，利用卡尔曼滤波器修正了通过电流累计法估计出的SOC的例子。除此之外，还可以在电流值大等、内部状态的估计精度易于下降的情况下，即便是二次电池31属于高变化区域H1～H3的情况，也限制基于卡尔曼滤波器的修正而不执行该修正。
(4)在实施方式1中，对于估计二次电池31的内部状态(SOC，U1，U2，R0)的估计模型的一例而例示了等效电路模型M。估计模型M只要是估计二次电池31的内部状态(SOC，U1，U2，R0)的模型即可，也可以是等效电路模型以外的模型。此外，即便在应用等效电路模型的情况下，也能够使用将对二次电池31的极化电压进行模拟的阻抗Z的项数设为2项以外等不同于实施方式1中例示出的等效电路模型M的模型。
(5)此外，在实施方式1中，示出利用卡尔曼滤波器修正了通过电流累计法估计的SOC的例子，但例如也可以利用自适应数字滤波器来进行修正。即，只要基于蓄电元件的端子电压的观测值和通过对蓄电元件的内部状态进行估计的估计模型预测的端子电压来修正通过电流累计法估计的SOC即可，能够实现使用了自适应数字滤波器等卡尔曼滤波器以外的滤波器的修正。
(6)在实施方式1中，对于搭载于汽车的蓄电元件的SOC估计而应用了卡尔曼滤波器。取而代之，也可以对于二轮车、铁道车辆、无停电电源装置、再生电力接受装置、自然能量发电用蓄电装置等中搭载的蓄电元件的SOC估计而应用本发明。状态估计装置可以将其一部分或全部功能配置在远程地，并与蓄电元件或电池包(蓄电装置)进行网络连接。状态估计装置可以作为网络上的服务器来安装。
符号说明
20 电池包
30 电池组
31 二次电池(相当于本发明的“蓄电元件”)
40 电流传感器
50 蓄电池管理器(相当于本发明的“状态估计装置”)
60 控制部(相当于本发明的“区域判定部”、“SOC估计部”)
61 CPU
63 存储器
80 电压检测电路

Claims (10)

1.一种状态估计装置，对蓄电元件的状态进行估计，该蓄电元件具有相对于SOC的变化量的OCV的变化量相对低的低变化区域、和相对于SOC的变化量的OCV的变化量相对高的高变化区域，其中，
所述状态估计装置具备：
区域判定部，判定所述蓄电元件是否属于所述高变化区域；
温度检测部，对所述蓄电元件的温度进行检测；和
SOC估计部，估计作为所述蓄电元件的内部状态之一的SOC，
所述SOC估计部通过对所述蓄电元件的电流进行累计的电流累计法来估计所述蓄电元件的SOC，
在所述蓄电元件属于高变化区域且所述蓄电元件的温度为25℃以上的情况下，所述SOC估计部进行修正处理，在该修正处理中，基于所述蓄电元件的端子电压的观测值和通过对所述蓄电元件的内部状态进行估计的估计模型预测的端子电压，修正通过所述电流累计法估计的SOC。
2.一种状态估计装置，对蓄电元件的状态进行估计，该蓄电元件具有相对于SOC的变化量的OCV的变化量相对低的低变化区域、和相对于SOC的变化量的OCV的变化量相对高的高变化区域，其中，
所述状态估计装置具备：
区域判定部，判定所述蓄电元件是否属于所述高变化区域；
温度检测部，对所述蓄电元件的温度进行检测；和
SOC估计部，估计作为所述蓄电元件的内部状态之一的SOC，
所述SOC估计部通过对所述蓄电元件的电流进行累计的电流累计法来估计所述蓄电元件的SOC，
在所述蓄电元件的温度为10℃以下的情况下，所述SOC估计部不进行修正处理，在该修正处理中，基于所述蓄电元件的端子电压的观测值和通过对所述蓄电元件的内部状态进行估计的估计模型预测的端子电压，修正通过所述电流累计法估计的SOC，
在所述蓄电元件属于高变化区域且所述蓄电元件的温度高于10℃的情况下，所述SOC估计部进行所述修正处理。
3.根据权利要求1或2所述的状态估计装置，其中，
所述低变化区域是相对于SOC的变化量的OCV的变化量比给定值小的平坦区域，在所述平坦区域中不进行所述修正处理。
4.根据权利要求1或2所述的状态估计装置，其中，
所述修正是基于所述蓄电元件的端子电压的观测值和通过所述估计模型预测的端子电压来减小通过所述估计模型估计的所述蓄电元件的内部状态的估计误差的卡尔曼滤波器。
5.根据权利要求1或2所述的状态估计装置，其中，
所述估计模型是所述蓄电元件的等效电路模型，该等效电路模型包括OCV、导体电阻、对所述蓄电元件的短期极化进行了模拟的第1阻抗、和对所述蓄电元件的长期极化进行了模拟的第2阻抗。
6.根据权利要求1或2所述的状态估计装置，其中，
在所述蓄电元件包含于高变化区域、且所述蓄电元件无电流的情况下，所述SOC估计部执行所述修正处理。
7.根据权利要求1或2所述的状态估计装置，其中，
所述区域判定部基于由所述SOC估计部估计的SOC的值来判定所述蓄电元件是否属于所述高变化区域。
8.根据权利要求1或2所述的状态估计装置，其中，
所述区域判定部将相对于所述蓄电元件的充放电容量变化的电压变化与阈值进行比较，由此来判定所述蓄电元件是否属于所述高变化区域。
9.一种状态估计方法，对蓄电元件的状态进行估计，该蓄电元件具有相对于SOC的变化的OCV的变化相对低的低变化区域、和相对于SOC的变化的OCV的变化相对高的高变化区域，其中，
所述状态估计方法包括：
区域判定步骤，判定所述蓄电元件是否属于所述高变化区域；和
SOC估计步骤，估计作为所述蓄电元件的内部状态之一的SOC，
在所述SOC估计步骤中，
通过对所述蓄电元件的电流进行累计的电流累计法来估计所述蓄电元件的SOC，
在所述蓄电元件属于高变化区域且所述蓄电元件的温度为25℃以上的情况下，基于所述蓄电元件的端子电压的观测值和通过对所述蓄电元件的内部状态进行估计的估计模型预测的端子电压，修正通过所述电流累计法估计的SOC。
10.一种状态估计方法，对蓄电元件的状态进行估计，该蓄电元件具有相对于SOC的变化的OCV的变化相对低的低变化区域、和相对于SOC的变化的OCV的变化相对高的高变化区域，其中，
所述状态估计方法包括：
区域判定步骤，判定所述蓄电元件是否属于所述高变化区域；和
SOC估计步骤，估计作为所述蓄电元件的内部状态之一的SOC，
在所述SOC估计步骤中，
通过对所述蓄电元件的电流进行累计的电流累计法来估计所述蓄电元件的SOC，
在所述蓄电元件的温度为10℃以下的情况下，不基于所述蓄电元件的端子电压的观测值和通过对所述蓄电元件的内部状态进行估计的估计模型预测的端子电压来修正通过所述电流累计法估计的SOC，
在所述蓄电元件属于高变化区域且所述蓄电元件的温度高于10℃的情况下，基于所述观测值和通过所述估计模型预测的端子电压，修正通过所述电流累计法估计的SOC。
CN201680072465.5A 2016-01-06 2016-12-28 状态估计装置、状态估计方法 Active CN108369258B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016-001231 2016-01-06
JP2016001231A JP6657967B2 (ja) 2016-01-06 2016-01-06 状態推定装置、状態推定方法
PCT/JP2016/089083 WO2017119393A1 (ja) 2016-01-06 2016-12-28 状態推定装置、状態推定方法

Publications (2)

Publication Number Publication Date
CN108369258A CN108369258A (zh) 2018-08-03
CN108369258B true CN108369258B (zh) 2021-02-19

Family

ID=59274289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680072465.5A Active CN108369258B (zh) 2016-01-06 2016-12-28 状态估计装置、状态估计方法

Country Status (4)

Country Link
JP (1) JP6657967B2 (zh)
CN (1) CN108369258B (zh)
DE (1) DE112016006166T5 (zh)
WO (1) WO2017119393A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102160274B1 (ko) 2017-09-07 2020-09-25 주식회사 엘지화학 배터리 충전 상태 추정 장치 및 방법
CN108008317A (zh) * 2017-12-01 2018-05-08 重庆大学 一种基于电池开路电压曲线特性的荷电状态估计方法
KR102244140B1 (ko) 2017-12-21 2021-04-22 주식회사 엘지화학 배터리의 충전 상태를 캘리브레이션하기 위한 방법 및 배터리 관리 시스템
KR20200107987A (ko) * 2018-01-11 2020-09-16 가부시키가이샤 한도오따이 에네루기 켄큐쇼 이차 전지의 이상 검지 장치, 이상 검지 방법, 및 프로그램
US10928457B2 (en) * 2018-12-07 2021-02-23 GM Global Technology Operations LLC Battery state estimation using high-frequency empirical model with resolved time constant
US11422196B2 (en) 2018-12-21 2022-08-23 Lg Energy Solution, Ltd. Device for estimating state of charge of battery
KR102465294B1 (ko) 2019-01-23 2022-11-08 주식회사 엘지에너지솔루션 배터리 관리 장치, 배터리 관리 방법 및 배터리팩
CN109991555A (zh) * 2019-04-18 2019-07-09 深圳市国新动力科技有限公司 一种电池组充电soc及放电soc的娇正方法
CN110967645B (zh) * 2019-05-24 2021-05-07 宁德时代新能源科技股份有限公司 Soc修正方法和装置、电池管理系统和存储介质
JP7342671B2 (ja) 2019-06-20 2023-09-12 株式会社Ｇｓユアサ 開発支援装置、開発支援方法、および状態検知方法
DE102019211142A1 (de) * 2019-07-26 2021-01-28 Siemens Mobility GmbH Verfahren zum Betreiben eines Schienenfahrzeugs und Schienenfahrzeug
FR3105432B1 (fr) * 2019-12-20 2021-12-24 Accumulateurs Fixes Procédé de détermination de la valeur d’un paramètre relatif à l’état de santé d’un élément électrochimique dans une batterie, système de gestion électronique d’une batterie, et batterie correspondante
CN112505546B (zh) * 2020-10-28 2021-08-03 江苏大学 一种双卡尔曼滤波耦合气液动力学模型估算soc的方法及系统
WO2023053195A1 (ja) * 2021-09-28 2023-04-06 武蔵精密工業株式会社 蓄電池管理装置および蓄電池の管理方法
CN114295993B (zh) * 2021-12-02 2023-10-31 广州小鹏汽车科技有限公司 电池soc确定方法、装置、车辆及存储介质
WO2023238363A1 (ja) * 2022-06-10 2023-12-14 三菱電機株式会社 並列電池管理装置および並列電池制御システム
CN115616409A (zh) * 2022-08-31 2023-01-17 广州小鹏汽车科技有限公司 电池荷电状态的计算方法、装置、车辆及存储介质
CN117811169A (zh) * 2024-02-29 2024-04-02 威海凯瑞电气股份有限公司 电池主动均衡管理系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998056059A1 (en) * 1997-06-03 1998-12-10 Sony Corporation Method for detecting capacity of battery, battery package, and electronic equipment system
JP4086008B2 (ja) * 2004-04-28 2008-05-14 ソニー株式会社 二次電池の残容量率算出方法および電池パック
KR100804698B1 (ko) 2006-06-26 2008-02-18 삼성에스디아이 주식회사 배터리 ｓｏｃ 추정 방법 및 이를 이용하는 배터리 관리시스템 및 구동 방법
CN101639522B (zh) * 2008-08-01 2014-06-04 株式会社杰士汤浅国际 二次电池的劣化状态诊断装置
JP2011106952A (ja) * 2009-11-17 2011-06-02 Honda Motor Co Ltd 電池の残容量推定方法
JP2012057998A (ja) * 2010-09-07 2012-03-22 Calsonic Kansei Corp 二次電池の充電率算出装置および充電率算出方法
JP5994521B2 (ja) * 2012-09-21 2016-09-21 株式会社Ｇｓユアサ 状態推定装置、開放電圧特性生成方法
JP2014102248A (ja) * 2012-10-24 2014-06-05 Gs Yuasa Corp 蓄電状態検出装置
CN103048626B (zh) * 2012-12-17 2015-04-15 惠州市亿能电子有限公司 一种准确估算soc的方法
JP2015038444A (ja) * 2013-08-19 2015-02-26 株式会社東芝 二次電池の残量推定方法及びその装置
US20150081237A1 (en) * 2013-09-19 2015-03-19 Seeo, Inc Data driven/physical hybrid model for soc determination in lithium batteries
CN103529398A (zh) * 2013-10-28 2014-01-22 哈尔滨工业大学 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法
CN103616646B (zh) * 2013-12-02 2016-04-06 惠州市亿能电子有限公司 一种利用ocv-soc曲线修正soc的方法
JP6213333B2 (ja) * 2014-03-25 2017-10-18 富士通株式会社 推定プログラム、推定方法および推定装置

Also Published As

Publication number Publication date
JP2017122622A (ja) 2017-07-13
WO2017119393A1 (ja) 2017-07-13
DE112016006166T5 (de) 2018-09-20
JP6657967B2 (ja) 2020-03-04
CN108369258A (zh) 2018-08-03

Similar Documents

Publication Publication Date Title
CN108369258B (zh) 状态估计装置、状态估计方法
US10312699B2 (en) Method and system for estimating battery open cell voltage, state of charge, and state of health during operation of the battery
US10663524B2 (en) Battery state estimating apparatus
CN107402353B (zh) 一种对锂离子电池的荷电状态进行滤波估计的方法及系统
CN103454501B (zh) 内部电阻推定装置以及内部电阻推定方法
US9537325B2 (en) Battery state estimation system, battery control system, battery system, and battery state estimation method
US8332169B2 (en) Apparatus and method for estimating state of health of battery based on battery voltage variation pattern
US10845417B2 (en) Battery state estimation device, battery control device, battery system, battery state estimation method
JP6509725B2 (ja) バッテリの充電状態の推定
CN109669131B (zh) 一种工况环境下动力电池soc估算方法
KR102572652B1 (ko) 배터리의 충전상태를 추정하는 방법
US10564223B2 (en) Power storage system, control system of secondary battery, and control method of secondary battery
EP4152022B1 (en) Method for determining full-charge capacity of battery pack, method for determining state of health of battery pack, system, and apparatus
KR20170116427A (ko) 배터리 상태 추정 장치 및 방법
KR101160541B1 (ko) 전지 잔여용량 예측방법
JP5904916B2 (ja) バッテリの健全度算出装置および健全度算出方法
CN112415409B (zh) 估算电池容量的方法和装置、存储介质及车辆
US10830823B2 (en) Estimation device and estimation method
KR101984888B1 (ko) 배터리모듈 전압 추정 장치 및 방법
JP2021144886A (ja) 電池管理装置、電池管理システム及び電池管理方法
CN116559675A (zh) 电流传感器误差辨识方法、装置及电池系统
KR20230051915A (ko) 배터리 상태 추정 장치 및 배터리 상태 추정 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant