JP2006138858A - 車両用鉛蓄電池の内部状態検出システム - Google Patents

Abstract

【課題】電流値及び電圧値に加えて鉛蓄電池型式に関する情報に基づいて鉛蓄電池の内部状態量を学習させた後、市場での実使用状況下でも鉛蓄電池の内部状態を精度良く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供給する鉛蓄電池と、鉛蓄電池の充電及び放電の電流値を検出する手段と、鉛蓄電池の端子電圧値を検出する手段とを備え、鉛蓄電池の電流値と端子電圧とを入力とするニューラルネットワークによって、鉛蓄電池の内部状態量を学習して出力するシステムであって、ニューラルネットワークには、鉛蓄電池の型式情報が入力される。電流値及び前記端子電圧値を過去の履歴情報を重畳することで、ヒステリシスを含む相関を得る。
【選択図】図１

Description

本発明は、鉛蓄電池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から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、鉛蓄電池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。

このような背景からニューラルネットワークを用いて鉛蓄電池の充放電の電流値、端子電圧値及び電池温度等の情報から蓄電池の内部状態量を学習により推定しようとする技術がある（例えば、特許文献１もしくは特許文献２参照。）。

また、従来より、充電及び放電の電流値を積算して使用量（残存容量）を求める方法も知られている（例えば、特許文献３参照。）。

電流積算方式では、積算開始時点での内部状態量と特に残存容量値とが確定できないことや電流センサの誤差まで積算されてしまう等の懸案事項が容易に解決できないが、ニューラルネットワーク方式では、逐次の残存容量を学習させておくため、初期値を確定させる必要もなく、電流センサの誤差が瞬時のみであり、蓄積がされない。
特開平９−２３６６４１号公報 米国特許第６０６４１８０号明細書 特許第２９１０１８４号公報

しかしながら、ニューラルネットワークで鉛蓄電池の充放電の電流値を入力する場合に、鉛蓄電池の型式、特に定格容量によって、充放電の電流値が異なる。実際の車両では、搭載を許容する鉛蓄電池の定格容量がある範囲を持たせた設定となっている。

このため、特定容量の鉛蓄電池で学習させておくと、市場で定格容量の異なる鉛蓄電池に交換される場合がある。このことから、鉛蓄電池の交換後に、学習データが無効になる可能性が生じる。

本発明は、このような背景に鑑みて創作された鉛蓄電池の内部状態検出に関する発明である。

具体的には、電流値及び電圧値に加えて鉛蓄電池型式に関する情報に基づいて鉛蓄電池の内部状態量を学習させた後、市場での実使用状況下でも鉛蓄電池の内部状態を精度良く検知することができるシステムを提供するものである。

上記課題を解決するために、請求項１では、車載電気装置に電力供給する鉛蓄電池と、鉛蓄電池の充電及び放電の電流値を検出する手段と、鉛蓄電池の端子電圧値を検出する手段とを備え、鉛蓄電池の電流値と端子電圧とを入力とするニューラルネットワークによって、鉛蓄電池の内部状態量を学習して出力する車両用鉛蓄電池の内部状態検出システムにおいて、ニューラルネットワークには、鉛蓄電池の型式情報を入力することを特徴としている。ニューラルネットワークには、電流値及び端子電圧値を過去の履歴情報を含むように与えることを特徴としている。

この構成により、定格容量の異なる複数種類の鉛蓄電池の内部状態を１つのニューラルネットワークで学習させることができる。よって、学習精度を悪化させることなくニューラルネットワークの種類を削減することができる。

さらに、学習によって得られたニューラルネットワーク係数を製品出荷前にＲＯＭ等に書き込むと同時に、車両に搭載される鉛蓄電池の型式情報を予めＲＯＭ等に記憶させておけば、市場に出てからの鉛蓄電池の内部状態の検出を精度よく、且つ容易に実施できる。また、鉛蓄電池を交換の際に、型式が異なる場合には、ＲＯＭを書き替えれば簡単に適合できる。

従って、設計工数及び管理工数などを省力化でき、安価なシステムを提供できる。

この構成により、特定の鉛蓄電池に対して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かできる。この結果、自動車の如き消費電力変動と発電機状態変動と特に駆動回転数変動とが激しい環境下での使用でも精度良く鉛蓄電池の残存容量を検出することができる。

請求項４では、ニューラルネットワークには、電流値及び端子電圧値を過去の履歴情報を含むように与えることを特徴としている。

この構成により、特定の鉛蓄電池に対して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かできる。この結果、自動車の如き消費電力変動と発電機状態変動と特に駆動回転数変動とが激しい環境下での使用でも精度良く鉛蓄電池の残存容量を検出することができる。

図１は、本発明の第１実施例のブロック図である。

符号１は、状態検出対象の蓄電池である。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の充放電の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、蓄電池１の型式情報が記憶されているメモリ５１と、電流センサ４の出力信号と蓄電池１の端子電圧検出信号とが入力され、メモリ５１に記憶された蓄電池１の型式情報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、入力層のセル５２１、中間層Ｑのセル５２２及び出力層のセル５２３の３層構造のフィードフォワード構造であって、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を各々のセル５２１に入力する。更に、蓄電池１の型式情報と例えばここでは時間率容量とを入力する。なお、自動車用鉛蓄電池で代表的な型式の５時間率容量を数値化して連続量として入力する。例えば、型式：５時間率容量［Ａｈ］：入力値は、以下のような組み合わせを採用できる。
３４Ｂ１９：２７：２７
４６Ｂ２４：３６：３６
５５Ｄ２３：４８：４８
８０Ｄ２６：５５：５５
１０５Ｄ３１：６４：６４
連続量としてあらわすメリットは、例えばニューラルネットワーク部５２の学習を予め上記の３４Ｂ１９：２７：２７、５５Ｄ２３：４８：４８及び１０５Ｄ３１：６４：６４の３種類で実行しておけば、未学習型式４６Ｂ２４：３６：３６及び８０Ｄ２６：５５：５５は、学習結果から内挿補間で対応できることである。

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への入力信号を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との結合係数を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＝１〜３・・・・・（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）＝ΣＷｋ＊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）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）／∂Ｗｊ ｋ｝
＝−η＊｛∂Ｅｋ／∂ＯＵＴｋ（ｔ）｝＊｛∂ＯＵＴｋ（ｔ）／∂ＩＮＰＵＴｋ（ｔ）｝＊Ｉｊ
＝−η＊｛∂Ｅｋ／∂ＯＵＴｓｏｃ（ｔ）｝＊｛∂ＯＵＴｓｏｃ（ｔ）／∂ＩＮＰＵＴｏ｝＊｛∂ＩＮＰＵＴｏ／ＯＵＴｋ（ｔ）｝＊ｆ’（ＩＮＰＵＴｋ（ｔ）＋ｂ）＊Ｉｊ
＝−η＊（ＯＵＴｓｏｃ（ｔ）−ｔａｒ（ｔ））＊Ｌ＊Ｗｋ＊ｆ’（ＩＮＰＵＴｋ（ｔ）＋ｂ）＊Ｉｊ
＝−η＊Ｌ＊Ｗｋ＊Ｉｊ＊（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３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、学習用の電圧値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を結合係数Ｗｋ、Ｗｊｋの初期値を用いて残存容量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蓄電池の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。

［第２実施形態］
第２の実施例では、ニューラルネットワーク部５２への入力値として蓄電池の充放電の電流値及び端子電圧値の履歴をもつデータ列をベクトルと表現する。なお、電流値の履歴データ列を電流履歴ベクトルと、端子電圧値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６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６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。

そして、取り込んだデータを図４に示すバッファ部５３に蓄積しておき、順次ニューラルネットワーク部５２に入力してゆく。

なお、ここでは、更に電池型式情報を５時間率容量に加えて、新品時の内部インピーダンスを与えておく。

このように入力を与えるネットワーク構造は図５に示す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）、更に型式情報が２個であるため、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＋２となる。

そして、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１の残存容量を学習させ、各層間の結合係数Ｗｋ、Ｗｊｋを決定してネットワークを構築する。

次に、充放電の電流値及び端子電圧値を履歴ベクトルとして与える利点について説明する。

自動車用の鉛蓄電池の電圧−電流特性は、ある特定残存容量下にて図９に示すような相関の弱い関係になっている。ニューラルネットワーク部５２は、入出力関係が１対１に対応している対象に対して極めて有効に学習して相関関係を見出してくれるが、鉛蓄電池のような１対１に対応できない対象への学習には、正確に実行できない。しかし、鉛蓄電池に先の履歴情報を重畳すると、図１０のように、ヒステリシスを含む相関が現われ、１対１対応関係が見出せる。従って、充放電の電流値及び端子電圧値を履歴ベクトルとして入力すれば、蓄電池１の内部状態を検出する精度が飛躍的に向上する。

［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、電圧値及び電流値の入力のさせ方に特徴がある。第２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７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３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の学習によって、内部の結合係数Ｗｋ、Ｗｊｋのうち、過去の入力セル５２１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。

本発明の第１実施例のブロック図である。 本発明の第１実施例のニューラルネットワーク部の構造図である。 本発明の第１実施例の学習過程を示すフローチャートである。 本発明の第２実施例のブロック図である。 本発明の第２実施例のニューラルネットワーク部の構造図である。 本発明の第２実施例の入力データを示すタイミングチャートである。 変形例の入力データ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。 鉛蓄電池の電圧−電流特性を示すグラフである。 履歴情報を含んだ鉛蓄電池の電圧−電流特性を示すグラフである。

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…メモリ、
５２…ニューラルネットワーク部、
５３…バッファ部、
６…発電機制御装置。

Claims (4)

1. 車載電気装置に電力供給する鉛蓄電池と、前記鉛蓄電池の充電及び放電の電流値を検出する手段と、前記鉛蓄電池の端子電圧値を検出する手段とを備え、前記鉛蓄電池の前記電流値と前記端子電圧とを入力とするニューラルネットワークによって、前記鉛蓄電池の内部状態量を学習して出力する車両用鉛蓄電池の内部状態検出システムにおいて、
   前記ニューラルネットワークには、前記鉛蓄電池の型式情報を入力すると共に、
   前記電流値及び前記端子電圧値を過去の履歴情報を重畳することで、ヒステリシスを含む相関を得ることを特徴とする車両用鉛蓄電池の内部状態検出システム。
2. 前記前記鉛蓄電池の型式情報は、定格容量であることを特徴とする請求項１記載の車両用鉛蓄電池の内部状態検出システム。
3. 前記電流値及び前記端子電圧値を履歴ベクトルとして入力することを特徴とする請求項１もしくは２記載の車両用鉛蓄電池の内部状態検出システム。
4. 前記型式情報は、連続量であらわされ、且つ前記鉛蓄電池の内部インピーダンスに相関ある数値であることを特徴とする請求項１ないし３のいずれかに記載の車両用鉛蓄電池の内部状態検出システム。
   

Images