JP2006300690A - 車両用蓄電装置の内部状態検出方式 - Google Patents

Abstract

【課題】演算負担の増加を抑止しつつ蓄電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二次電池の残存容量演算方式を実現すること。
【解決手段】Ｖoを開路電圧、Ｒを内部抵抗とする時、関数値Ｖｏ・Ｖｏ／Ｒの満充電比、又は、関数値（ＶｍーＶｏ）／Ｒの満充電比をニューラルネット演算の入力パラメータとして採用することにより、ＳＯＣ演算精度を簡単に向上することができた。
【選択図】図１６

Description

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（特にその蓄電状態）の検出技術の改良に関する。

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、電池の電圧又は電流に関連する電気量（たとえば電圧、開路電圧、内部抵抗など）とＳＯＣや残存容量（SOH）との相関関係がばらつくために、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。

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ＳＯＣやＳＯＨ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）。

更に詳しく説明すると、特許文献１は、少なくとも開路電圧OCV、放電開始直後電圧VO及び内部抵抗Ｒを入力パラメータとして、既に学習済みニューラルネットにより演算して残存容量Ｔeを検出することを提案している。

また、特許文献２は、バッテリ電圧、電流、内部インピーダンス（交流法による検出）及び温度を学習済みの第１のニューラルネットに導入してバッテリ劣化情報を演算し、このバッテリ劣化情報とバッテリ電圧、電流、内部インピーダンスとを学習済みの第２のニューラルネットに導入して電池の残存容量を演算することを提案している。
特開平9−243716号公報 特開2003−249271号公報

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ＳＯＣやＳＯＨなどの判定は、ニューラルネット演算を行わない残存容量検出方式に比べて回路規模や演算規模の負担が格段に大きいにもかかわらず、残存容量検出精度の誤差が大きく、実用化のために更なる検出精度向上が必要となっていた。また、このニューラルネット演算方式の検出精度向上を回路規模や演算規模の増大を抑止しつつ行うことも要望されていた。

本発明は上記問題点に鑑みなされたものであり、過重な演算負担を回避しつつすぐれた残存容量情報をニューラルネット演算により抽出可能な車両用残存容量情報演算装置を提供することをその目的としている。

本発明の車両用残存容量情報演算装置は、二次電池から検出した電池状態データを用いた演算により得た演算値又は前記電池状態データを入力パラメータとして前記二次電池の蓄電状態量をニューラルネットを用いて演算する二次電池の残存容量演算方式において、前記入力パラメータは、前記二次電池の電圧Ｖ又はその満充電時の値との比、開路電圧Ｖｏ又はその満充電時の値との比、内部抵抗R又はその満充電時の値との比、所定の関数値ｆ（Vo，R）及び電流Ｉを少なくとも含み、
前記関数値ｆ（Ｖｏ，Ｒ）は、前記開路電圧Ｖｏと内部抵抗Ｒとを入力変数とし前記二次電池の現時点の放電可能電流量に相関を有する関数値であることを特徴としている。

このようにすれば、電池劣化の程度や使用履歴が異なる種々の二次電池に対して、ニューラルネット演算回路の回路規模や演算規模の増大を抑止しつつ二次電池の残存容量演算精度を良好に向上できることがわかった。

とりわけこの二次電池の残存容量演算方式では、時間順次にサンプリングされた多数の電圧Ｖと電流Ｉとのペアからなる電圧電流履歴をニューラルネットの入力パラメータとして採用しないので、ニューラルネット演算の回路規模や演算処理負担を著しく低減することができる。

更に説明すると、本発明では、開路電圧Ｖｏ及び内部抵抗Ｒというそれぞれ電池劣化と残存容量とにそれぞれ異なる相関をもつ二つのパラメータを入力変数とする関数値ｆ（Ｖｏ，Ｒ）をニューラルネット演算の入力変数とするため、電池劣化が残存容量に与える影響を良好に入力パラメータとしてニューラルネットに入力することができる。これにより、ニューラルネットの回路規模や演算規模を減らしつつ適切な入力パラメータを用いての高精度の残存容量演算が可能となることがわかった。

つまり、電圧履歴及び電流履歴から求めた特定の関数値（開路電圧Ｖｏ、内部抵抗Ｒ）を入力パラメータとして複合的な関数値ｆ（Ｖｏ，Ｒ）を演算し、この関数値ｆ（Ｖｏ，Ｒ）をニューラルネットの残存容量演算に採用する。関数値ｆ（Ｖｏ，Ｒ）は、開路電圧Ｖｏ及び内部抵抗Ｒから求めた現時点の放電可能電流量に関連する関数とされることが好ましい。この現時点の放電可能電流量に関連する関数を残存容量のニューラルネット演算における入力パラメータとすると演算精度の向上に非常に有効であることがわかった。

なお、上記で言う蓄電状態量は残存容量（ＳＯＨ）や残存容量率（ＳＯＣ）を含む。入力パラメータとして用いる二次電池の電圧（端子電圧）や電流としては、ノイズ低減などのためにその直流成分をローパスフィルタで抽出したり、直前の所定期間における平均値を演算したりすることが好適である。開路電圧Ｖｏや内部抵抗Ｒは、過去の電圧・電流データから従来通り近似的に演算することができる。

更に説明すると、二次電池は劣化度合いにより放電可能量が変動し、劣化度合いは開路電圧Ｖｏや内部抵抗Ｒに相関を有するため、蓄電状態量の算出において劣化度合いの影響を加味するため、開路電圧Ｖｏや内部抵抗Ｒをニューラルネット演算の入力パラメータとすることは好ましいと考えられる。しかし、本発明で用いる開路電圧Ｖｏと内部抵抗Ｒとの関数のうち、二次電池の放電可能電流を表す関数値ｆ（Ｖｏ，Ｒ）は、開路電圧Ｖｏや内部抵抗Ｒ個々よりも更に劣化状態や蓄電状態量（たとえばＳＯＣやＳＯＨ）に更に強い相関をもつため、この放電可能量相関関数値ｆ（Ｖｏ，Ｒ）をニューラルネット演算の入力パラメータとすることにより、演算処理負担や回路規模増大を抑止しつつ高精度の演算が実現できたものと推定される。

なお、ニューラルネットへの入力パラメータとしての電圧、開路電圧Ｖｏ、内部抵抗Rは、それぞれそれらを線形変換した関数を包含するものとする。たとえば、Ｋ１、Ｋ２を定数とする時、電圧Ｖの代わりに、Ｋ１・Ｖ＋Ｋ２を用いてもよい。入力パラメータＶと、入力パラメータ（Ｋ１・Ｖ＋Ｋ２）との出力誤差はニューラルネット演算により容易に収束させることができる。

なお、上記した電圧Ｖの満充電比とは満充電時の電圧Ｖfを分母、電圧の今回値を分子とする比であり、上記した開路電圧Ｖｏの満充電比とは満充電時の開路電圧Ｖｏfを分母、開路電圧Ｖｏの今回値を分子とする比であり、内部抵抗Ｒの満充電比とは、満充電時の内部抵抗Ｒを分母、内部抵抗Ｒの今回値を分子とする比を言うものとする。このような満充電比を採用することにより、異なる電池間の比較が適切となるため検出精度が向上することがわかった。

好適な態様において、前記関数値ｆ（Ｖｏ，Ｒ）は、少なくとも開路電圧Ｖｏと内部抵抗Ｒとの比（Ｖｏ／Ｒ）を入力変数とする関数値であるに相関を有する関数値である。このようにすれば、この比（Ｖｏ／Ｒ）が電池劣化度合いを良好に示すため蓄電状態量のニューラルネット演算において、蓄電状態量に相関をもつ劣化レベルを示す入力パラメータとして好適であることがわかった。

好適な態様において、前記関数値ｆ（Ｖｏ，Ｒ）は、関数値Ｖｏ・Ｖｏ／Ｒに相関を有する関数値である。これにより、蓄電状態量演算精度を更に向上できることがわかった。なお、相関関数値ｆ（Ｖｏ，Ｒ）は、Ｖｏ、Ｒをそれぞれ線形変換して次のような関数とすることができる。これにより、蓄電状態量演算精度を更に向上できることがわかった。ｋ１〜ｋ４は定数である。好適にはｋ１は１、ｋ２〜ｋ４は０とされる。

ｆ（Ｖｏ，Ｒ）＝ｋ１・（（Ｖo＋ｋ２）・（Ｖｏ＋ｋ２）＋ｋ３）／（Ｒ＋ｋ４）
好適な態様において、前記関数値ｆ（Ｖｏ，Ｒ）は、Ｖmを所定電圧とする時、関数値（ＶmーＶｏ）／Ｒとされる。これにより、蓄電状態量演算精度を更に向上できることがわかった。なお、関数値ｆ（Ｖｏ，Ｒ）は、Ｖｏ、Ｒをそれぞれ線形変換して次のような関数とすることができる。ｋ１〜ｋ３は定数である。好適にはｋ１は１、ｋ２〜ｋ３は０とされる。

ｆ（Ｖｏ，Ｒ）＝ｋ１・（（ＶｍーＶｏ）＋ｋ２）／（Ｒ＋ｋ３）
好適な態様において、前記所定電圧Ｖmは放電終止電圧とされる。これにより、蓄電状態量演算精度を更に向上できることがわかった。

好適な態様において、前記所定の関数値ｆ（Ｖｏ，Ｒ）は、その今回値を関数値ｆ（Ｖｏp，Ｒp）、その満充電時の値をｆ（Ｖｏf、Ｒf）とする時、ｆ（Ｖｏp，Ｒp）／ｆ（Ｖｏf、Ｒf）である。このように満充電比を採用することにより、異なる電池間の比較が適切となるため検出精度が向上することがわかった。

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。

（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。

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は前段処理回路、１０７は前段処理回路１０６から入力される各種の入力パラメータ（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である。前段処理回路１０６及びニューラルネット部１０７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。

前段処理回路１０６は、車載蓄電装置１０１の電圧Vと電流センサ１０４からの電流Iとのペアを一定時間ごとに同時にサンプリングして読み込んで所定期間記憶し、これらの電圧・電流ペアに基づいて後述のニューラルネット部１０７にて入力パラメータとして用いる所定の関数値（平均電圧Ｖa、平均電流Ia、開路電圧Ｖｏ、内部抵抗Ｒ、放電可能電流量相関関数値Vo・Vo/R）を演算する。Ｖaは直近の所定期間における二次電池１０１の電圧Vの平均値、Iaは直近の所定期間における二次電池１０１の充放電電流Iの平均値である。このような平均値演算は簡単に行うことができる。Va、Iaの演算にローパスフィルタ出力を用いてもよい。

開路電圧Ｖｏ及び内部抵抗Ｒを演算する方法を図２を用いて説明する。図２は、所定インタバルでサンプリングし記憶している平均電圧Ｖaと平均電流Ｉaとのペアの二次元分布を示す電圧ー電流分布図である。各電圧電流ペアから最小自乗法により平均電圧Ｖaと電流Ｉaとの関係を示す直線近似式Ｌを演算、創成し、この直線近似式により切片（開路電圧Ｖｏ）及び／又は傾斜（内部抵抗Ｒ）を平均電圧Ｖａと平均電流Ｉａとのペアが入力されるごとに演算して開路電圧Ｖｏ及び内部抵抗Ｒを算出する。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。その後、今回採用した新規な入力パラメータとしての放電可能電流量相関関数値ｆ（Ｖｏ，Ｒ）＝Ｖｏ・Ｖｏ／Ｒ＝Pmが算出される。なお、このPmは、現時点の放電可能電力に正相関を有する関数である。

次に、平均電圧Ｖａ、開路電圧Ｖｏ、内部抵抗Ｒ、関数値ｆ（Ｖｏ，Ｒ）の満充電比が算出される。これらの満充電比とは、満充電時における平均電圧Ｖａ、満充電時における開路電圧Ｖｏ、内部抵抗Ｒ、関数値ｆ（Ｖｏ，Ｒ）の値に対するそれれの今回値の比を言う。具体的には、直近の満充電時の平均電圧Ｖａの値である満充電平均電圧Ｖaf、直近の満充電時の開路電圧Ｖｏの値である満充電開路電圧Ｖｏf、直近の満充電時の内部抵抗Ｒの値である満充電内部抵抗Ｒf、直近の満充電時の関数値ｆ（Ｖｏ，Ｒ）の値である満充電関数値ｆ（Ｖｏf，Ｒf）が、直近の満充電時に演算され、記憶されている。これらの値と今回算出した値とを用いて、比Ｖa／Ｖaf、比Ｖｏ／Ｖof、比Ｒ／Ｒf、比（Ｖｏ・Ｖｏ／Ｒ）／（Ｖｏf・Ｖｏf／Ｒf）がニューラルネット演算の入力パラメータとして算出される。

なお、満充電平均電圧Ｖaｆ、満充電開路電圧Ｖｏf、満充電内部抵抗Ｒf、満充電関数値ｆ（Ｖｏf，Ｒf）を算出するための満充電の判定について図３を参照して以下に説明する。図３は、図２で用いた電圧電流分布図と同じであり、所定インタバルでサンプリングし記憶している平均電圧Ｖａと平均電流Ｉａとのペアの二次元分布を示す。検出した平均電圧Ｖａと平均電流Ｉａとのペアが指定する座標点が図３に示す満充電領域に入った場合に満充電と判定し、この時の平均電圧Ｖａの値を満充電平均電圧Ｖafとして、この時の開路電圧Ｖｏの値を満充電開路電圧Ｖｏfとして、この時の内部抵抗Ｒを満充電内部抵抗Ｒfとして、この時の関数値ｆ（Ｖｏ，Ｒ）＝Ｖｏf・Ｖｏf／Ｒfを満充電時関数値ｆ（Ｖｏf，Ｒf）として記憶する。なお、これらの記憶は満充電判定を行うたびに書き換えられる。

このようにして求められた比Ｖa／Ｖaf、比Ｖｏ／Ｖof、比Ｒ／Ｒf、比（Ｖｏ・Ｖｏ／Ｒ）／（Ｖｏf・Ｖｏf／Ｒf）及び電流Iがニューラルネットに入力パラメータとして入力され、ニューラルネットを運転することにより残存容量率（ＳＯＣ）が演算され、演算された残存容量率（ＳＯＣ）が出力される。いままで説明した残存容量率（ＳＯＣ）のニューラルネット演算のフローを図４に示す。ニューラルネット部１０７は入力された５つの入力パラメータ（r１〜r4と平均電流Ia）を用いて残存容量率（ＳＯＣ）をニューラルネット演算し、算出した残存容量率（ＳＯＣ）を外部に出力する。なお、これら５つの入力パラメータ以外に好適な入力パラメータを適宜用いてもよい。

次に、上記したニューラルネット演算について図５に示すブロック図を参照して説明する。学習済みのニューラルネットワーク部１０７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。ニューラルネット部１０７は、入力層２０１、中間層２０２及び出力層２０３により構成されている。ただし、ニューラルネット部１０７は、実際には所定の演算インタバルで実施され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１に示す回路構成は機能的なものにすぎない。

入力層２０１はこの実施例では５つの入力セルからなるが更に入力セルを増加させてもよい。各入力セルは入力パラメータ（r1〜r4、Ia）を個別に受け取り、入力データ（入力信号）として中間層２０２の各演算セルすべてに出力する。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、この実施例では充電率（SOC）を出力する。

図５に示すニューラルネット部１０７の学習について以下に説明する。

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。

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。

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。

△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。

Wjk ＝ Wjk ＋ △Wjk
ここで△Ｗjkは以下で定義される。

△Wjk ＝ −η*∂Ek／∂Wjk
＝ −η*[∂Ek／∂INPUTk(t) ] * [∂INPUTk(t)／∂Ｗjk ]
＝ −η*[∂Ek／∂OUTk(t) ] *[∂OUTk(t)／∂INPUTk(t) ] * INj
＝ −η*[∂Ek／∂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。

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ことにより、ニューラルネット部１０７は学習を行う。

上記学習過程のフローチャートを図６に示す。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出力パラメータとしての蓄電状態量はSOC(充電率)とするが、残存容量（ＳＯＨ）でもよい。

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）。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）。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プロセスを繰り返す。

それぞれ代表的な充放電パターンをもつ幾つかの電池種類につき製品の出荷前に上記した学習プロセスを実行することにより、ニューラルネット部１０７に学習させておけば、各車両に個別に搭載される各車載電池の製造ばらつきにもかかわらず、その後を走行中の車載蓄電池のSOCのニューラルネット演算により高精度にＳＯＣを算定することができる。

（試験結果）
実際に、容量・劣化度合いが異なる５つのバッテリ（図７参照）で10.15モード走行中の電流・端子電圧を計測し、ニューラルネットワークの上記５種の入力信号を算出し、SOCの真値(電流積算値より算出)を教師信号として学習を行った。

次に、この学習済みニューラルネットワークを用いて新たな劣化バッテリのＳＯＣを演算し、電流積算結果と比較した。この結果を図８〜図１３に示す。図８〜図１０は、３つの試験バッテリのＳＯＣを、比（Ｖｏ・Ｖｏ／Ｒ）／（Ｖｏf・Ｖｏf／Ｒf）を入力パラメータとして既述した合計５つの入力パラメータを用いてニューラルネット演算した結果を示し、図１１〜図１３は、同じ３つの試験バッテリのＳＯＣを、比（Ｖｏ・Ｖｏ／Ｒ）／（Ｖｏf・Ｖｏf／Ｒf）を入力パラメータとして用いずその他の既述した合計４つの入力パラメータを用いてニューラルネット演算した結果を示す。図８〜図１３からこの比を入力パラメータとして追加するだけで優れたＳＯＣ演算精度の向上を図ることができることが判明した。

更に、９種類のバッテリについて、比Ｖｏ／ＶｏfとＳＯＣとの相関を調べた。その結果を図１４に示す。相関は０．８６であった。次に、９種類のバッテリについて、電力比（Ｖｏ・Ｖｏ／Ｒ）／（Ｖｏf・Ｖｏf／Ｒf）とＳＯＣとの相関を調べた。その結果を図１５に示す。相関は０．９３であった。図１５から、従来のように、単純に開路電圧Ｖｏをニューラル演算の入力パラメータとするのではなく、更に優れた相関をもつ上記電力比を入力パラメータとすることにより、ＳＯＣ演算精度の向上が推測される。

実施例２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。回路構成及び演算方式は本質的に実施例１と同じであるが、入力パラメータとして、追加する関数値ｆ（Ｖｏ，Ｒ）として（Vo・Vo/R）の満充電比の代わりに現時点の放電可能電流Imに等しい（ＶmーＶｏ）／Ｒの満充電比を採用した点が異なっている。なお、Ｖmはあらかじめ定められた放電終止電圧値であり、この実施例では１０．５Ｖとした。放電終止電圧値Ｖmと放電可能電流Ｉmとの関係を図２に示す。

（試験結果）
実際に、容量・劣化度合いが異なる５つのバッテリ（図７参照）で10.15モード走行中の電流・端子電圧を計測し、ニューラルネットワークの上記５種の入力信号を算出し、SOCの真値(電流積算値より算出)を教師信号として学習を行った。

次に、この学習済みニューラルネットワークを用いて新たな劣化バッテリのＳＯＣを演算し、電流積算結果と比較した。この結果を図１６〜図２１に示す。図１６〜図１８は、３つの試験バッテリのＳＯＣを、比（（ＶmーＶｏ）／Ｒ）／（（（ＶmーＶｏf）／Ｒf）を入力パラメータとして既述した合計５つの入力パラメータを用いてニューラルネット演算した結果を示し、図１９〜図２１は、同じ３つの試験バッテリのＳＯＣを、比（（ＶmーＶｏ）／Ｒ）／（（ＶmーＶｏf）／Ｒf）を入力パラメータとして用いずその他の既述した合計４つの入力パラメータを用いてニューラルネット演算した結果を示す。図１６〜図２１から比を入力パラメータとして追加するだけで優れたＳＯＣ演算精度の向上を図ることができることが判明した。

（変形態様）
上記した比（（ＶmーＶｏ）／Ｒ）／（（ＶmーＶｏf）／Ｒf）と比（Ｖｏ・Ｖｏ／Ｒ）／（Ｖｏf・Ｖｏf／Ｒf）とを同時に入力パラメータとしてもよい。この場合には、入力パラメータとＳＯＣとの相関レベルが一層向上するため、開路電圧Ｖｏ又は内部抵抗Ｒの一方又は両方を入力パラメータから省略してもよい。

実施例１の装置の回路構成を示すブロック図である。 実施例１において開路電圧と内部抵抗とを演算するための近似式の例を示す図である。 実施例１における満充電判定のための満充電領域を示す図である。 実施例１におけるＳＯＣ演算処理を示すフローチャートである。 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５のニューラルネット部の学習過程のフローチャートである。 学習用に用いたバッテリの特性図である。 実施例１の第１試験バッテリのＳＯＣ演算結果を示す図である。 実施例１の第２試験バッテリのＳＯＣ演算結果を示す図である。 実施例１の第３試験バッテリのＳＯＣ演算結果を示す図である。 実施例１の第１試験バッテリの参考ＳＯＣ演算結果を示す図である（関数値Ｖｏ・Ｖｏ／Ｒの満充電比を用いない場合）。 実施例１の第２試験バッテリの参考ＳＯＣ演算結果を示す図である（関数値Ｖｏ・Ｖｏ／Ｒの満充電比を用いない場合）。 実施例１の第３試験バッテリの参考ＳＯＣ演算結果を示す図である（関数値Ｖｏ・Ｖｏ／Ｒの満充電比を用いない場合）。 開路電圧Ｖｏの満充電比とＳＯＣとの相関性を示す特性図である。 関数値Ｖｏ・Ｖｏ／Ｒの満充電比とＳＯＣとの相関性を示す特性図である。 実施例２の第１試験バッテリのＳＯＣ演算結果を示す図である。 実施例２の第２試験バッテリのＳＯＣ演算結果を示す図である。 実施例２の第３試験バッテリのＳＯＣ演算結果を示す図である。 実施例２の第１試験バッテリの参考ＳＯＣ演算結果を示す図である（（ＶｍーＶｏ）／Ｒの満充電比を用いない場合）。 実施例２の第２試験バッテリの参考ＳＯＣ演算結果を示す図である（（ＶｍーＶｏ）／Ｒの満充電比を用いない場合）。 実施例２の第３試験バッテリの参考ＳＯＣ演算結果を示す図である（（ＶｍーＶｏ）／Ｒの満充電比を用いない場合）。

符号の説明

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 前段処理回路部
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

Claims (6)

1. 二次電池から検出した電池状態データを用いた演算により得た演算値又は前記電池状態データを入力パラメータとして前記二次電池の蓄電状態量をニューラルネットを用いて演算する二次電池の残存容量演算方式において、
   前記入力パラメータは、前記二次電池の電圧Ｖ又はその満充電時の値との比、開路電圧Ｖｏ又はその満充電時の値との比、内部抵抗R又はその満充電時の値との比、所定の関数値ｆ（Vo，R）及び電流Ｉを少なくとも含み、
   前記関数値ｆ（Ｖｏ，Ｒ）は、前記開路電圧Ｖｏと内部抵抗Ｒとを入力変数とし前記二次電池の現時点の放電可能電流量に相関を有する関数値であることを特徴とする二次電池の残存容量演算方式。
2. 請求項１記載の二次電池の残存容量演算方式において、
   前記関数値ｆ（Ｖｏ，Ｒ）は、少なくとも開路電圧Ｖｏと内部抵抗Ｒとの比（Ｖｏ／Ｒ）を入力変数とする関数値であるに相関を有する関数値であることを特徴とする二次電池の残存容量演算方式。
3. 請求項２記載の二次電池の残存容量演算方式において、
   前記関数値ｆ（Ｖｏ，Ｒ）は、関数値Ｖｏ・Ｖｏ／Ｒに相関を有する関数値であることを特徴とする二次電池の残存容量演算方式。
4. 請求項２記載の二次電池の残存容量演算方式において、
   前記関数値ｆ（Ｖｏ，Ｒ）は、Ｖmを所定電圧とする時、関数値（ＶmーＶｏ）／Ｒとされることを特徴とする二次電池の残存容量演算方式。
5. 請求項３記載の二次電池の残存容量演算方式において、
   前記所定電圧Ｖmは放電終止電圧とされることを特徴とする二次電池の残存容量演算方式。
6. 請求項１乃至５のいずれか記載の二次電池の残存容量演算方式において、
   前記所定の関数値ｆ（Ｖｏ，Ｒ）は、その今回値を関数値ｆ（Ｖｏp，Ｒp）、その満充電時の値をｆ（Ｖｏf、Ｒf）とする時、ｆ（Ｖｏp，Ｒp）／ｆ（Ｖｏf、Ｒf）であることを特徴とする二次電池の残存容量演算方式。

Images