JP2004333472A - 車両用蓄電装置の内部状態検出システム - Google Patents

Abstract

【課題】 電流値及び電圧値を検出し、バッファなどに蓄積しておくことで、簡便に且つ高精度で蓄電装置の残存容量を検知することができるシステムを提供する。
【解決手段】 車載電気装置に電力提供する蓄電装置と、蓄電装置の充電及び放電の電流を検出する手段と、蓄電装置の端子電圧を検出する手段とを備え、蓄電装置の電流値と端子電圧値とを入力とするニューラルネットワークによって、蓄電装置の内部状態量を学習して出力するシステムであって、電流値及び端子電圧値は、過去の履歴情報を含むように与えられる。
【選択図】 図１

Description

本発明は、蓄電装置を備える電力システムに関し、特に車両用電源の電力制御装置に好適である。

近年、車載装置の電子制御化及び電動化がますます高度になりつつある。このような技術背景により車載電源容量の増大はもとより、電源の信頼性が一層要求され蓄電装置の内部状態を精度よく検出したいという要求が高まっている。

そして、従来の蓄電装置では、充電及び放電の電流値を積算して使用量（残存容量）を求める方法が知られている（例えば、特許文献１参照。）。

しかしながら、この方法では、電流センサに誤差がある場合、誤差まで積算されてしまうため、検出精度を向上させるために電流センサの誤差を小さくする必要がある。電流センサは、ホールＩＣによる磁気検出方式やシャント抵抗を用いた電圧検出などが一般的である。磁気検出方式では、集磁コアのヒステリシス特性が無視できず、又シャント抵抗を用いた電圧検出では、通電による自己発熱によって抵抗値が変化するため、温度補償する必要があり、いずれの場合も容易に解決できない。

このようなことから、ニューラルネットワークを用いて蓄電池の内部状態量を学習により推定しようとする方法がある（例えば、特許文献２もしくは特許文献３参照。）。
特許２９１０１８４号公報 特開平９−２３６６４１号公報 ＵＳ６０６４１８０号公報

一般に、特許文献２もしくは特許文献３に記載されている学習型ニューラルネットワークでは、入力値（ベクトルを含む）と出力値（ベクトルを含む）とが１対１に対応可能なものに極めて良好な入出力関係を見出してくれる。しかし、電気化学反応を基本とした蓄電池の内部状態は、電解液の濃度分布の不均衡や拡散反応と電気的挙動との時定数の違いなどに起因する強烈なヒステリシス現象や非線形特性が発生するため、必ずしも１対１の関係を特定することが困難である。

図７に、特定の蓄電池の同じ残存容量を示すときの端子電圧及び充放電電流をプロットしたグラフを示す。同じ残存容量を示す場合でも、端子電圧と充放電電流値とが１対１に対応していないことが分かる。

本発明は、このような研究経緯に基づいて創作された蓄電装置の内部状態検知に関する発明である。

具体的には、電流値及び電圧値を検出し、バッファなどに蓄積しておくことで、簡便に且つ高精度で蓄電装置の残存容量を検知することができるシステムを提供するものである。

本願発明者は、電気化学電池の現在の残存容量に現在の電流値及び電圧値以外に過去の電圧値及び電流値の影響が無視できないことを実験的に見出し、残存容量との関係に電圧値及び電流値の履歴データ（ベクトル量として表現する）を用いれば残存容量を一義的に定義することができることを見出した。

図８に端子電圧値及び充放電電流値に経時情報を重畳させたグラフを示す。端子電圧値と充放電電流値との間には、変化の方向性に依存する明瞭な関係が存在することがわかった。

このことから、請求項１では、車載電気装置に電力供給する蓄電装置と、蓄電装置の充電及び放電の電流を検出する手段と、蓄電装置の端子電圧を検出する手段とを備え、蓄電装置の電流値と端子電圧値とを入力とするニューラルネットワークによって蓄電装置の内部状態量を学習して出力する車両用蓄電装置の内部状態検出システムにおいて、電流値及び前記端子電圧値は、過去の履歴情報を含むように与えられることを特徴としている。

この構成により、特定の蓄電装置に対して１組の電流ベクトル及び電圧ベクトルの対に一義的に残存容量を対応させることができる。この結果、自動車の如き消費電力変動、発電機状態変動及び駆動回転数変動が激しい環境下での使用でも精度良く電池の残存容量を検出することができる。

請求項２では、履歴情報は、電流値及び端子電圧値をディジタルサンプリングした時系列データで構成され、時系列データを蓄積した後、ニューラルネットワークの入力層に入力することを特徴としている。

この構成により、メモリとＣＰＵとによって簡素に構成できる。例えば、バッファ量を増減することで、必要な履歴情報の規模を簡単に調整することができる。

請求項３では、履歴情報を構成する時系列データに時間フレームを重畳して切り出したデータをニューラルネットワークの入力層に入力することを特徴としている。

この構成により、ディジタル信号処理装置（ＤＳＰ）によって提供される。また、一般的な情報処理技術で必要な状態検知精度を維持でき、設計工数及びコストを低減できる。

請求項４では、前記履歴情報を構成する時系列データは、内部状態量学習時刻から過去に遠ざかるほど、入力するサンプル値の時間間隔を長くすることを特徴としている。

電気化学反応においては、履歴データのうち直近の電圧及び電流データが現在の残存容量値に強い影響を及ぼすが、遠い過去の電圧及び電流データが現在の内部状態値にさほど影響を与えない。しかし、遠い過去の情報を完全に除去してしまうと現時点での状態量の算定の精度が低下することが実験的に分かっている。特に自動車用などの電力出し入れの激しい蓄電装置には、このような傾向が顕著に現われる傾向にある。

そのため、このような特徴をもつ蓄電装置にニューラルネットワークを適用する場合に、履歴データを本構成のように与えることで、検出精度を向上させることができる。また、検知精度を維持しつつデータサンプル数を低減させることができるため、システム規模の増大を抑制できると共に、コストも低減できる。

請求項５では、蓄電装置の内部状態量は、放電可能残存容量であることを特徴としている。

この構成により、蓄電装置の内部状態量を放電可能残存容量とすることで、車載蓄電装置の現在の放電可能量を算定でき、交換の時期を運転者に早期に報知することができる。

請求項６では、蓄電装置の内部状態量は、蓄電装置の内部インピーダンスであることを特徴としている。

蓄電装置の内部インピーダンスは、蓄電装置を構成する電解液、電極板もしくは電極格子の劣化状態により変化し、これらが劣化するにつれて内部インピーダンスが増大してゆく傾向にある。そのため、蓄電装置の内部状態量を蓄電装置の内部インピーダンスとすることで、車載蓄電装置の現在の蓄電装置の劣化状態を算定でき、交換の時期を運転者に早期に報知することができる。

請求項７では、蓄電装置の内部状態量は、蓄電装置の放電可能残存容量と蓄電装置の内部インピーダンスとであることを特徴としている。

蓄電装置の内部状態量は、蓄電装置の放電可能残存容量と内部インピーダンスとを同時に算定可能であるため、蓄電装置の内部状態量を蓄電装置の放電可能残存容量と蓄電装置の内部インピーダンスとにすることで、劣化及び残存容量の低下のより早い方での報知ができるため、交換時期の最適化が可能となる。

請求項８では、ニューラルネットワークには、蓄電装置の温度に関する状態量を入力することを特徴としている。

この構成により、電気化学反応の反応速度は、媒質の温度に強い依存性を持つため、蓄電装置の温度に相関を持つ状態量を入力とすることで、より一層検出精度が向上する。

尚、ニューラルネットワークには、温度情報も履歴を含むベクトルとして入力してもよい。この際の与え方は、請求項３もしくは請求項４のように与えればよい。

請求項９では、ばらつきにより変動する変動量が第１の所定範囲内である電流値の入力に対して、蓄電装置の内部状態を学習して出力する第１の学習手段を有していることを特徴としている。

ニューラルネットワークの学習は、電流値の変化速度に依存する。そして、第１の学習手段は、変動量が第１の所定範囲内である電流値のみを学習して出力するため、検出精度を向上させることができる。

請求項１０では、変動量が第１の所定範囲よりも大きい第２の所定範囲内である電流値の入力に対して、蓄電装置の内部状態を学習して出力する第２の学習手段を有していることを特徴としている。

第１の所定範囲を狭めることで、電流値の検出機会が減少することが考えられるが、第２の学習手段は、変動量が第１の所定範囲よりも大きい第２の所定範囲である電流値を学習して出力するため、電流値の検出機会の減少を招くことを抑制できる。

請求項１１では、変動量を電流値の分散もしくは標準偏差を用いて算出することを特徴としている。

この構成により、電流値の分散もしくは標準偏差を用いることで、変動量を算出することが可能となる。

請求項１２では、充電の電流値の入力に対して、蓄電装置の内部状態を学習して出力する充電電流学習手段を有していることを特徴としている。また、請求項１３では、放電の電流値の入力に対して、蓄電装置の内部状態を学習して出力する放電電流学習手段を有していることを特徴としている。

蓄電装置の充電反応及び放電反応は、化学反応であるため、充電反応と放電反応とで大きく反応が異なる。そのため、充電電流値もしくは放電電流値を選別した入力に対して学習することで、検出精度を向上させることができる。

請求項１４では、電流値及び端子電圧値は、履歴情報に関連付けられる関連付けデータを含むように与えられることを特徴としている。また、請求項１５では、関連付けデータとは、最小２乗法により求めた傾き、切片もしくはマッチング誤差であることを特徴としている。

このように、電流値と端子電圧値とは、最小２乗法により求めた傾き、切片もしくはマッチング誤差である関連付けデータを含むように与えていてもよい。

請求項１６では、蓄電装置の内部状態量は、蓄電装置の満充電容量に対する放電可能残存容量の割合であることを特徴としている。

この構成により、蓄電装置の内部状態量を満充電容量に対する放電可能残存容量とすることで、車載蓄電装置の現在の放電可能量を確実に算定でき、交換の時期を運転者により早期に報知することができる。

請求項１７では、学習中に蓄電装置が充電された場合、蓄電装置に充電された容量が放電するまで、ニューラルネットワークに入力される電流値及び端子電圧値を非入力とする充電時入力停止手段を有していることを特徴としている。

ニューラルネットワークの学習は、蓄電装置の充電の影響が大きい。そして、充電時入力停止手段は、学習中に蓄電装置が充電された場合に、ニューラルネットワークに電流値及び端子電圧値を非入力とするため、検出精度を向上させることができる。

図１は、本実施例のブロック図である。

図１に示す符号１は、状態検出対象の蓄電池である。この蓄電池１としては、鉛蓄電池、ニッケル−水素電池及びリチウム電池などを用いることができる。

符号２は、車載エンジン（図示せず）にて駆動される発電機である。符号３は、車載の電気装置である。符号４は、蓄電池１の充放電電流値を検出する電流センサであり、検出値をディジタル信号で送信する。

符号５は、蓄電池１の状態検知装置であり、電流センサ４の出力信号及び蓄電池１の端子電圧検出信号を入力し、この入力値を記憶するバッファ部５１とバッファ部５１で処理された信号を入力して残存容量ＳＯＣを出力するニューラルネットワーク部５２とから構成される。状態検知装置５からの出力信号（ＳＯＣ）と他の情報６１とから発電機２の発電量を最適に制御する。

図２は、状態検知装置５のニューラルネットワーク部５２の構成を示した図である。ニューラルネットワーク部５２は、３層構造のフィードフォワード構造で誤差逆伝播方法にて学習するものである。入力情報は、電流センサ４で検出した電流値及び端子電圧値の履歴が含まれるように、所定サンプル数分を各々のセル５２１に入力する。ここでは、履歴をもつデータ列をベクトルと表現する。なお、電流の履歴データ列を電流履歴ベクトル、電圧の履歴データ列を電圧履歴ベクトルと呼ぶ。

データのサンプル方法は、図３に示すように現在時刻から所定時間前（サンプル数でｍ個）までのデータを読み込む窓関数をサンプリング値に掛けてバッファに蓄える。なお、本実施例では、区間ｍの間の窓関数値は１．０、それ以外の窓関数値は０．０とする。即ち、図３に示す実線部分のデータをそのまま取り込むことになる。窓関数を図中矢印Ｇ方向に順次移動していけば実データを取り込むことができる。

また、入力データとしてベクトルが２つ（電流履歴ベクトル及び電圧履歴ベクトル）であるため、図２に示すように、ニューラルネットワーク部５２の入力層のセル５２１の個数が２ｍ個となる。

さらに、予め所定の充放電パターンでの電流履歴ベクトル及び電圧履歴ベクトルで現在時刻の蓄電池残存容量を学習させて各層間の結合係数を決定してネットワークを構築する。

次に、学習のアルゴリズムについて説明する。

学習方法は、一般的な誤差逆伝播法を用いる。

先ず、入力層のｊ番目のセル５２１への入力データをInj及び入力層のｊ番目のセル５２１と中間層のｋ番目のセル５２２の結合係数をＷjkとすると、中間層のｋ番目のセル５２２への入力信号INPUTk(t)は、以下の式(1)のようになる。

INPUTk(t)＝Σ( Wjk * INj ) 但し、j=1〜２ｍ・・・・・(1)
また、中間層のｋ番目のセル５２２からの出力信号OUTk(t)は、以下の式(2)のようになる。

OUTk(t)＝ｆ( INPUTk(t) + b ) 但し、ｂ=定数・・・・・(2)
ここで、式(2)のｆ(ｘ) は、シグモイド関数と呼ばれる非線形関数であり、以下の式(3)のように定義される関数である。

f ( x )＝１／（１＋exp（−ｘ））・・・・・(3)
また、中間層のｋ番目のセル５２２と出力層のセル５２３との結合係数をＷkとすると、出力層への入力信号INPUTｏ(t)は、以下の式(4)のようになる。

INPUTｏ(t)＝Σ Wk * OUTk(t) 但し、k＝1〜Q（中間層セル数）・・・・・(4)
そして、時刻ｔにおける出力信号OUTsoc(t)（残存容量を表す信号）は、以下の式(5)のようになる。

OUTsoc(t)＝L * INPUTｏ(t) 但し、Ｌ＝線形定数・・・・・(5)
なお、学習過程とは、時刻ｔにおける最終の出力信号OUTsoc(t) が教師信号（真値tar(t)）と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。

次に、各結合係数の更新方法について説明する。

中間層のｋ番目のセル５２２と出力層のセル５２３との間の結合係数Wkの更新は、以下の式(6)のように行われる。

Wk ＝ Wk + △Wk・・・・・(6)
ここで、式(6)の△Wkは、以下の式(7)のように定義される。
△Wk = −η*∂Ek／∂Wk 但し、η＝定数
= η* [ OUTsoc(t) − tar(t) ]* [ ∂OUTsoc(t)／∂Wk ]
= η* [ OUTsoc(t) − tar(t) ]* L *[ ∂INPUTｏ(t)／∂Wk ]
= η* L* [ OUTsoc(t) − tar(t) ] * OUTk(t)・・・・・(7)
また、式(7)のEkは、教師データとネットワーク出力の誤差を表す量で以下の式(8)のように定義される。

Ek＝[ OUTsoc(t) − tar(t) ]²／２・・・・・(8)
次に、中間層のｋ番目のセル５２２と入力層のｊ番目のセル５２１との結合係数Ｗjkの更新ルールについて説明する。

結合係数Wjkの更新は、以下の式(9)によって実現される。

Wjk ＝ Wjk ＋ △Wjk・・・・・(9)
ここで、式(9)の△Ｗjkは、以下の式(10)のように定義される。
△Wjk ＝ −η*∂Ek／∂Wjk
＝ −η*[∂Ek／∂INPUTk(t) ] * [∂INPUTk(t)／∂Ｗjk ]
＝ −η*[∂Ek／∂OUTk(t) ] *[∂OUTk(t)／∂INPUTk(t) ] * INj
＝ −η*[∂Ek／∂OUTsoc(t) ] * [∂OUTsoc(t)／∂INPUTｏ] *
[∂INPUTｏ／OUTk(t) ] * ｆ'（INPUTk(t)＋ｂ）* INj
＝ −η*( OUTsoc(t)−tar(t)) *Ｌ* Ｗk *ｆ'（INPUTk(t)＋ｂ）* INj
＝ −η* L * Wk * INj * ( OUTsoc(t)−tar(t))* f'(INPUTk(t)＋ｂ)・・・・・(10)
このように更新された新たな結合係数 Wk、Wjk によって、再び出力信号 OUTsoc(t)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Wk、Wjkを更新しつづける。

なお、誤差関数Ekを所定値以下になるよう結合係数Wk、Wjkを更新していく過程を学習と呼ぶ。

学習過程のフローチャートを図４に示す。

先ず、ニューラルネットワーク部５２の各結合係数Wk、Wjkの適当な初期値を設定する（ステップS１００）。ここでは、例えば乱数などにより適当に初期値を決定すればよい。

次に、学習用の電圧及び電流値をニューラルネットワーク部５２に入力する。（ステップS１０１）そして、ニューラルネットワーク部５２に入力された入力値と結合係数Wk、Wjkの初期値と用いて残存容量ＳＯＣを算出する（ステップS１０２）。次に、誤差関数Ｅｋを算出し（ステップS１０３）、誤差関数Ekが所定の微小値ｔｈより小さいかを判定する（ステップS１０４）。

ここで、ステップS１０４で誤差関数Ｅｋが微小値ｔｈより大きいのであれば、上述の学習過程で定義された各結合係数Wk、Wjkの更新量△Ｗを計算し（ステップS１０５）、各結合係数Wk、Wjkを更新する（ステップS１０６）。そして、再び学習用の電圧及び電流値をニューラルネットワーク部５２に入力して残存容量ＳＯＣを計算する。また、ステップS１０４で誤差関数Ｅｋが微小値ｔｈより小さいのであれば、学習を完了する（ステップS１０７）。

このように定義される学習過程のある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適応させておけば、市場走行中の車載蓄電池の残存容量を逐次算定することが可能である。

［実施例１の変形例］
本実施例の変形例を以下に示す。

本実施例の変形例は、電圧及び電流値の入力のさせ方に特徴がある。
本実施例では、区間ｍの中のデータを均一に取り出したが、変形例では、図５に示すように、入力データの時間間隔を現時点から過去に遡るほど広くとることを特徴としている。

このようなデータの与え方は、以下の利点を生む。

過去の情報を現時点では無視することができないが、現時点から時間的に遠ざかっていくほど現時点への影響の度合いが少なくなってゆくことが分かっている対象の場合、学習サイクルが早くなるという利点がある。

これは、図６のようにデータを与えても、ニューラルネットワーク部５２の学習により内部の結合係数のうち、過去の入力セルからのものは抑制されるように更新されていくからであると考えられている。誤差逆伝播法の結合係数Wk、Wjkの決定過程及び確定後の分布がどのように入力値と教師値とに連関しているのかについては、適宜のルールを適用する。

更に、蓄電池１の温度に関する情報を入力に追加して電池残存容量を学習させることでより算定精度が向上する。

また、蓄電池１の内部インピーダンスを学習させる２出力系のネットワークとしてもよい。この蓄電池１の内部インピーダンスは、蓄電池１を構成する電解液、電極板もしくは電極格子の劣化状態と緊密な関係を持つため、蓄電池１の劣化状態を算定する際に極めて有効な方法である。

ニューラルネットワークの学習は、電流値の変化速度に依存して、容易な部分と難しい部分とがある。

そこで、本実施例では、ばらつき３σによる電流値の変動が所定範囲内である入力に対して学習する。

表１は、劣化した蓄電池１を含む複数の蓄電池１を搭載し、１０−１５モード走行を行った際における電流値の変動範囲が、５Ａ〜１５Ａ（第１の変動範囲）、５Ａ〜３０Ａ（第２の変動範囲）及び５Ａ〜５５Ａ（第３の変動範囲）の場合をそれぞれ選別した入力に対して学習し、且つ学習した蓄電池１とは別の蓄電池１に乗せ代えてＬＡ＃４モードを走行した時に得られたデータに対し、第１から第３の変動範囲の条件で選別及び適応した場合の検出精度を示したものである。

表１に示すように、ばらつきによる電流値の変動範囲の条件を厳しくするにつれて、検出精度が向上することがわかる。具体的には、第１の変動範囲は、第２の変動範囲及び第３の変動範囲よりも変動範囲が狭いため、検出精度が最も良い。なお、図９は、第１の変動範囲の場合の検出結果をグラフに示している。

ここで、第１の変動範囲のみを学習して適用することで、常に精度良く検出できる。しかしながら、電流値の変動範囲を狭めることによって、電流値の検出機会の減少が考えられる。そのため、第１から第３の変動範囲の全てをそれぞれ学習し、適用することが望ましい。

なお、真値tar(t)は、残存容量ＳＯＣが０％の時点から電流積算値を逆算して求めている。

また、ニューラルネットワークへの入力信号として、電流値の履歴と端子電圧値の履歴とに加え、電流値の履歴と端子電圧値の履歴との関連付けを行うデータ、例えば最小２乗法により求めた傾き、切片やマッチング誤差情報を追加しても良い。

［実施例２の変形例］
蓄電装置１の充電反応及び放電反応は、化学反応であるため、充電反応と放電反応とで大きく反応が異なる。

そこで、充電電流値のみもしくは放電電流値のみを選別した入力に対して学習する。

第１の所定範囲の条件に充電電流値のみの条件を追加して学習及び適用した結果を図１０に示す。図１０に示すように、検出精度が６．３％から５．３％に向上した。このように、検出精度の向上を図ることができる。

蓄電装置１を充電した後の電圧は、分極電圧の影響により、見かけ上通常電圧よりも高くなる。このことから、ニューラルネットワークの学習は、充電の影響により、学習の容易な部分と難しい部分とがある。

そこで、本実施例では、学習中に蓄電装置１が充電された場合には、充電した容量を放電するまでのデータを使用しないようにする。（以下、本実施例での条件を選別した入力という）
図１１は、劣化した蓄電池１を含む複数の蓄電池１を搭載し、１０−１５モード走行を行った際における本実施例での条件を選別した入力に対して学習し、且つ学習した蓄電池１とは別の蓄電池１に乗せ代えてＬＡ＃４モードを走行した時に得られたデータに対し、選別及び適応した場合の検出精度を示したものである。

図１２は、本実施例での条件を選別していない入力に対して学習し、選別及び適応した場合の検出精度を示したものである。

図１１及び図１２に示すように、本実施例での条件を選別していない入力に対して学習した場合の検出精度は、６．０％となり、本実施例での条件を選別した入力に対して学習した場合の検出精度は、３．７％となった。

このように、本実施例での条件を選別した入力に対して学習することで、検出精度の向上を図ることができる。

本実施例のブロック図である。 本実施例のニューラルネットワーク部の構造図である。 本実施例の入力データ例を示すタイミングチャートである。 本実施例の学習過程を示すフローチャートである。 変形例の入力データ例を示すタイミングチャートである。 蓄電池の内部インピーダンスを学習する２出力系ニューラルネットワークの構造図である。 特定の蓄電池状態における電圧と電流との関係を示すグラフである。 履歴情報を矢印で示した電圧と電流との関係を示すグラフである。 第１の変動範囲を選別した場合の検出回数に対する残存容量ＳＯＣの検出値と真値とを示したグラフである。 第１の変動範囲及び充電電流値のみを選別した場合の検出回数に対する残存容量ＳＯＣの検出値と真値とを示したグラフである。 学習中に蓄電装置が充電された際に、ニューラルネットワークに電流値及び端子電圧値を非入力とした場合の検出回数に対する残存容量ＳＯＣの検出値と真値とを示したグラフである。 学習中に蓄電装置が充電された際に、ニューラルネットワークに電流値及び端子電圧値を入力とした場合の検出回数に対する残存容量ＳＯＣの検出値と真値とを示したグラフである。

符号の説明

１…蓄電池、２…発電機、３…電気装置、４…電流センサ、５…状態検知装置、５１…バッファ部、５２…ニューラルネットワーク部、６…発電機制御装置

Claims (17)

1. 車載電気装置に電力供給する蓄電装置と、
   前記蓄電装置の充電及び放電の電流を検出する手段と、
   前記蓄電装置の端子電圧を検出する手段とを備え、
   前記蓄電装置の電流値と端子電圧値とを入力とするニューラルネットワークによって前記蓄電装置の内部状態量を学習して出力する車両用蓄電装置の内部状態検出システムにおいて、
   前記電流値及び前記端子電圧値は、過去の履歴情報を含むように与えられることを特徴とする車両用蓄電装置の内部状態検出システム。
2. 前記履歴情報は、前記電流値及び前記端子電圧値をディジタルサンプリングした時系列データで構成され、
   該時系列データを蓄積した後、前記ニューラルネットワークの入力層に入力することを特徴とする請求項１記載の車両用蓄電装置の内部状態検出システム。
3. 前記履歴情報を構成する時系列データに時間フレームを重畳して切り出したデータを前記ニューラルネットワークの入力層に入力することを特徴とする請求項２記載の車両用蓄電装置の内部状態検出システム。
4. 前記履歴情報を構成する時系列データは、内部状態量学習時刻から過去に遠ざかるほど、入力するサンプル値の時間間隔を長くすることを特徴とする請求項２記載の車両用蓄電装置の内部状態検出システム。
5. 前記蓄電装置の内部状態量は、放電可能残存容量であることを特徴とする請求項１から４のいずれか１つに記載の車両用蓄電装置の内部状態検出システム。
6. 前記蓄電装置の内部状態量は、前記蓄電装置の内部インピーダンスであることを特徴とする請求項１から４のいずれか１つに記載の車両用蓄電装置の内部状態検出システム。
7. 前記蓄電装置の内部状態量は、前記蓄電装置の放電可能残存容量と前記蓄電装置の内部インピーダンスとであることを特徴とする請求項１から４のいずれか１つに記載の車両用蓄電装置の内部状態検出システム。
8. 前記ニューラルネットワークには、前記蓄電装置の温度に関する状態量を入力することを特徴とする請求項１から７のいずれか１つに記載の車両用蓄電装置の内部状態検出システム。
9. ばらつきにより変動する変動量が第１の所定範囲内である前記電流値の入力に対して、前記蓄電装置の内部状態を学習して出力する第１の学習手段を有していることを特徴とする請求項１から８のいずれか１つに記載の車両用蓄電装置の内部状態検出システム。
10. 前記変動量が第１の所定範囲よりも大きい第２の所定範囲内である前記電流値の入力に対して、前記蓄電装置の内部状態を学習して出力する第２の学習手段を有していることを特徴とする請求項９記載の車両用蓄電装置の内部状態検出システム。
11. 前記変動量を前記電流値の分散もしくは標準偏差を用いて算出することを特徴とする請求項９又は１０記載の車両用蓄電装置の内部状態検出システム。
12. 前記充電の電流値の入力に対して、前記蓄電装置の内部状態を学習して出力する充電電流学習手段を有していることを特徴とする請求項１から１１のいずれか１つに記載の車両用蓄電装置の内部状態システム。
13. 前記放電の電流値の入力に対して、前記蓄電装置の内部状態を学習して出力する放電電流学習手段とを有していることを特徴とする請求項１から１２のいずれか１つに記載の車両用蓄電装置の内部状態検出システム。
14. 前記電流値及び前記端子電圧値は、前記履歴情報に関連付けられる関連付けデータを含むように与えられることを特徴とする請求項１から１３のいずれか１つに記載の車両用蓄電装置の内部状態検出システム。
15. 前記関連付けデータとは、最小２乗法により求めた傾き、切片もしくはマッチング誤差であることを特徴とする請求項１４記載の車両用蓄電装置の内部状態検出システム。
16. 前記蓄電装置の内部状態量は、前記蓄電装置の満充電容量に対する放電可能残存容量の割合であることを特徴とする請求項１から１５のいずれか１つに記載の車両用蓄電装置の内部状態検出システム。
17. 学習中に前記蓄電装置が充電された場合、前記蓄電装置に充電された容量が放電するまで、前記ニューラルネットワークに入力される前記電流値及び前記端子電圧値を非入力とする充電時入力停止手段を有していることを特徴とする請求項１から１６のいずれか１つに記載の車両用蓄電装置の内部状態検出システム。

Images