JP2007240308A - バッテリーの制御装置 - Google Patents

Abstract

【課題】バッテリーの状態を正確に推定し、これに基づいてバッテリーを精度良く制御すること。
【解決手段】ＮＮ回路１０によりバッテリーの状態を学習する学習手段と、所定時刻におけるバッテリー状態量の目標値の入力を受けて、所定時刻に達するまでの間におけるバッテリーの充放電量を決定する充放電量決定手段と、決定されたバッテリーの充放電量に基づいて、バッテリー状態量を目標値に制御する制御手段と、を備える。実機のバッテリーの状態をＮＮ回路１０で学習することができるため、バッテリー状態量の目標値に対して、バッテリーの充放電量を最適に制御することが可能となる。
【選択図】図１

Description

この発明は、バッテリーの制御装置に関する。

従来、例えば特開平５−３１４２８８号公報には、ニューラルネットワーク回路による学習機能を用いて、温度、電源電圧等の外的な要因に基づく出力誤差を許容範囲内に保つ技術が開示されている。

特開平５−３１４２８８号公報 特開平９−２４３７１６号公報 特開２００５−２３８６３号公報 特開２００４−１６２５８２号公報

特開平５−３１４２８８号公報に記載された技術によれば、外的な要件に基いて温度、電源電圧等の外的な要因に基づく出力誤差を許容範囲内に保つことができる。しかしながら、同公報に記載された技術は、バッテリー（電源電圧）状態を特定しておらず、その学習精度に改善の余地がある。

この発明は、上述のような問題を解決するためになされたものであり、バッテリーの状態を正確に推定し、これに基づいてバッテリーを精度良く制御することを目的とする。

第１の発明は、上記の目的を達成するため、ＮＮ回路によりバッテリーの状態を学習する学習手段と、所定時刻におけるバッテリー状態量の目標値の入力を受けて、前記所定時刻に達するまでの間におけるバッテリーの充放電量を決定する充放電量決定手段と、決定された前記バッテリーの充放電量に基づいて、前記バッテリー状態量を前記目標値に制御する制御手段と、を備えたことを特徴とする。

第２の発明は、第１の発明において、前記学習手段は、ＮＮ回路からの出力と、実機のバッテリーからの出力を表す教師信号とを比較することにより、バッテリーの状態を学習することを特徴とする。

第３の発明は、第１の発明において、前記充放電量決定手段は、前記所定時刻に達するまでの間の複数のタイミングで前記バッテリーの充放電量を決定することを特徴とする。

第４の発明は、第１〜第３の発明のいずれかにおいて、前記学習手段は、前記ＮＮ回路の結合係数を可変することでバッテリーの状態を学習し、前記結合係数に基づいて、バッテリーの劣化を判定する劣化判定手段を更に備えたことを特徴とする。

第５の発明は、第１〜第４の発明のいずれかにおいて、前記バッテリー状態量は、バッテリーの充電状態量及びバッテリー電圧の少なくとも１つを含むことを特徴とする。

第１の発明によれば、実機のバッテリーの特性をＮＮ回路を用いて学習することができるため、バッテリー状態量の目標値に対して、バッテリーの充放電量を最適に制御することが可能となる。従って、非線形要素の特性を有するバッテリーを最適に制御することが可能となる。

第２の発明によれば、ＮＮ回路からの出力と、実機のバッテリーからの出力を表す教師信号とを比較することにより、バッテリーの特性を学習することが可能となる。

第３の発明によれば、所定時刻に達するまでの間の複数のタイミングにおいて、バッテリーの充放電量を決定するため、バッテリー状態量を緻密に制御して目標値に到達させることが可能となる。

第４の発明によれば、バッテリーの特性を学習する際に、ＮＮ回路の結合係数を可変するため、結合係数に基づいてバッテリーの劣化を判定することが可能となる。

第５の発明によれば、バッテリー状態量は、バッテリーの充電状態量及びバッテリー電圧の少なくとも１つを含むため、バッテリー充電状態量、バッテリー電圧の少なくとも１つを目標値に制御することが可能となる。

以下、図面に基づいてこの発明のいくつかの実施の形態について説明する。尚、各図において共通する要素には、同一の符号を付して重複する説明を省略する。なお、以下の実施の形態によりこの発明が限定されるものではない。

実施の形態１．
図１は、本発明の一実施形態にかかるバッテリーモデルの構造を説明するための図である。バッテリーモデルは、実機のバッテリーの充電状態を表す充電状態量、バッテリーの電圧（電池電圧）などの状態量を検知するためのモデルである。バッテリーモデルは、実機のバッテリーとともに自動車に車載され、自動車が備えるＥＣＵ内に構築される。

本実施形態において、図１のバッテリーモデルは、ニューラルネットワーク回路１０（神経回路；以下、ＮＮ回路１０という）から構成されている。ＮＮ回路１０は、複数入力、複数出力への対応が可能であり、非線形モデルの近似に適しているため、非線形要素を有するバッテリー特性の近似に特に適している。従って、ＮＮ回路１０からなるバッテリーモデルによれば、実機のバッテリーの状態を、様々な運転モードで判定することができる。

図１に示すように、バッテリーモデル１０は、充電状態量ＳＯＣ（ｋ）、電池電圧Ｖｂ（ｋ）、電池電流Ｉｂ（ｋ）を入力として、充電状態量ＳＯＣ（ｋ＋１）、電池電圧Ｖｂ（ｋ＋１）を出力する。

図１において、ｋは時刻を表すパラメータである。本実施形態では、ｋの値が１つ増加すると、所定の時間ステップ（Δｔ）が経過するものとする。すなわち、電池電圧Ｖｂ（ｋ）が現在の時刻における電池電圧を表すものとすると、電池電圧Ｖｂ（ｋ＋１）は時間Δｔが経過した後の電池電圧を表している。同様に、充電状態量ＳＯＣ（ｋ）が現在の時刻における充電状態量を表すものとすると、充電状態量ＳＯＣ（ｋ＋１）は時間Δｔが経過した後の充電状態量を表している。

図１に示すように、電池電圧Ｖｂ（ｋ＋１）は、ＮＮ回路１０からの出力と、時刻kにおける電池電圧Ｖｂ（ｋ）を加算することで算出される。また、充電状態量ＳＯＣ（ｋ＋１）は、ＮＮ回路１０からの出力と、時刻ｋにおける充電状態量ＳＯＣ（ｋ）を加算することで算出される。すなわち、ＮＮ回路１０は、現在の時刻から時間Δｔが経過した際の電池電圧Ｖｂ、充電状態量ＳＯＣの変化量を算出するものである。

従って、ＮＮ回路１０によれば、現在の時刻における充電状態量ＳＯＣ（ｋ）、電池電圧Ｖｂ（ｋ）、及び電池電流Ｉｂ（ｋ）に基づいて、時間Δｔが経過した後の充電状態量ＳＯＣ（ｋ＋１）、電池電圧Ｖｂ（ｋ＋１）を算出することができる。

電池電圧Ｖｂ、充電状態量ＳＯＣの変化量の算出は、電池電流Ｉｂに基づいて行われる。電池電流Ｉｂ（ｋ）が正の値の場合にバッテリーから電流Ｉｂ（ｋ）が放電されるものとすると、この場合、放電された電流Ｉｂ（ｋ）によってＳＯＣ及びＶｂの値は減少する。また、電池電流Ｉｂ（ｋ）が負の値の場合にバッテリーへ電流Ｉｂ（ｋ）が充電されるものとすると、充電された電流Ｉｂ（ｋ）によってＳＯＣ及びＶｂの値は増加する。従って、ＮＮ回路１０によれば、時刻ｋにおける電池電流Ｉｂ（ｋ）に基づいて、充電状態量ＳＯＣ、電池電圧Ｖｂの変化量を算出することができる。

図２は、図１に示すＮＮ回路１０を簡易的に構成した例を示す模式図である。図２のＮＮ回路１０では、充電状態量ＳＯＣをＮＮ回路１０内に保持しており、電池電圧ＳＯＣ（ｋ）、および電池電流Ｉｂ（ｋ）を入力として、電池電圧Ｖｂ（ｋ＋１）が出力される。図２のＮＮ回路１０によれば、後述するＮＮ回路１０の学習およびＮＮ回路１０による制御を簡易的に行うことができる。なお、以下の説明では、ＮＮ回路１０が図１に示すものであるとして説明を行う。

図３は、バッテリーモデルを構成するＮＮ回路１０の内部構造を詳細に示す模式図である。図３に示すように、ＮＮ回路１０は、充電状態量ＳＯＣ（ｋ）、電池電圧Ｖｂ（ｋ）、電池電流Ｉｂ（ｋ）が入力される入力要素１２，１４，１６、および充電状態量ＳＯＣ（ｋ＋１）、電池電圧Ｖｂ（ｋ＋１）が出力される出力要素１８，２０を備えている。また、ＮＮ回路１０は、入力要素１２，１４，１６と出力要素１８，２０との間に、複数の要素２２，２４，２６，２８，３０を備えている。

図３に示すように、入力要素１２，１４，１６と各要素２２，２４，２６，２８，３０は所定の結合関係で結合されている。同様に、各要素２２，２４，２６，２８，３０と出力要素１８，２０は、所定の結合関係で結合されている。

入力要素１２，１４，１６と各要素２２，２４，２６，２８，３０との結合においては、結合毎に重み付け（結合係数（ウェイト））が設定されている。例えば、入力要素１２と要素２２は、結合係数Ｗ１１で結合している。また、入力要素１４と要素２６は、結合係数Ｗ２２で結合している。

同様に、各要素２２，２４，２６，２８，３０と出力要素１８，２０との結合においても、結合毎に結合係数が設定されている。例えば、要素２２と出力要素１８は、結合係数Ｘ１１で結合している。また、要素２２と出力要素２０は、結合係数Ｘ１２で結合している。

このように構成されたＮＮ回路１０は、結合係数Ｗ、結合係数Ｘを可変することにより、実機のバッテリーの状態に応じて、入力である充電状態量ＳＯＣ（ｋ）、電池電圧Ｖｂ（ｋ）、電池電流Ｉｂ（ｋ）と、出力である充電状態量ＳＯＣ（ｋ＋１）、電池電圧Ｖｂ（ｋ＋１）との関係を規定することができる。

例えば、新品状態のバッテリーと、使用が継続されて経年変化が生じたバッテリーとでは、特性が異なる。ＮＮモデル１０によれば、実機のバッテリーの特性を学習し、結合係数Ｗ、結合係数Ｘを最適値に設定することで、実機のバッテリーの特性を正確に表現することが可能である。

図４は、ＮＮ回路１０の学習を行っている状態を示す模式図である。ＮＮ回路１０で構成されるバッテリーモデルは、その動作時に、図４に示されるようなｎ個の単位ＮＮ回路（１）〜（ｎ）を多段に連結させた繰り返し構造と実質的に等価の構造をなす。ここで、各単位ＮＮ回路（１）〜（ｎ）の構造は、図１及び図３で説明した単一のＮＮ回路１０と同様である。

この場合、各単位ＮＮ回路（１）〜（ｎ）は、それぞれ運動時間の各時間ステップに対応しており、運動時間＝ｎ×Δｔとなる。そして、図４からわかるように、学習モードにおいて、ＮＮ回路１０は、各単位ＮＮ回路（１）〜（ｎ）の出力と、実機のバッテリーからの実測値から与えられる教師信号の値との誤差の２乗和を最小にするバックプロパゲーションアルゴリズムにより各要素１２〜３０間の結合係数Ｗ，Ｘを修正し、実機のバッテリーの特性を学習する。

ここで、ｋ番目の単位ＮＮ回路（ｋ）が出力する充電状態量ＳＯＣ（ｋ）、電池電圧Ｖｂ（ｋ）の推定値をベクトル化し、
Ｚ（ｋ）＝［ＳＯＣ（ｋ），Ｖｂ（ｋ）］
として表すとともに、ｋ番目の単位ＮＮ回路（ｋ）に与えられる教師信号をベクトル化し、
Ｔ（ｋ）＝［ｔ＿ＳＯＣ（ｋ），ｔ＿Ｖｂ（ｋ）］
として表す。この場合、単位ＮＮ回路（ｋ）の出力（推定値）と、実機のバッテリーから与えられる教師信号との誤差関数Ｅは、両者の２乗和をとることにより、以下の数式で定義される。

そして、このような誤差関数Ｅの最急降下方向にＮＮ回路１０の結合係数Ｗを変化させる場合、その変化量ΔＷは、誤差関数ＥをＷで偏微分することにより、
ΔＷ＝−ε（∂Ｅ／∂Ｗ）
と表される。ただし、εは学習係数であり、十分に小さな正の値とされる。

このようなバックプロパゲーションアルゴリズムを採用するＮＮ回路１０の単位ＮＮ回路（１）に、時刻ｋ＝０における充電状態量ＳＯＣ（０）および電池電圧Ｖｂ（０）、すなわち、充電状態量ＳＯＣおよび電池電圧Ｖｂの初期値と、時刻ｋ＝０における電池電流Ｉｂ（０）、すなわち、電池電流Ｉｂの初期値とが与えられると、１番目の単位ＮＮ回路（１）からは時系列データの入力時（ｋ＝０）よりも単位時間ステップ（Δｔ）だけ進んだ時刻ｋ＝１における動作状態の推定値ＳＯＣ（１）およびＶｂ（１）が出力される。

そして、単位ＮＮ回路（１）から出力された時刻ｋ＝１における動作状態の推定値ＳＯＣ（１）およびＶｂ（１）と、教師信号に示される実測値ｔ＿ＳＯＣ（１）およびｔ＿Ｖｂ（１）との誤差関数Ｅから結合係数Ｗ，Ｘの修正量が求められ、単位ＮＮ回路（１）の結合係数Ｗ，Ｘが修正されることになる。

また、単位ＮＮ回路（１）から出力された時刻ｋ＝１における動作状態の推定値ＳＯＣ（１），Ｖｂ（１）は、時刻ｋ＝１における電池電流Ｉｂの操作量を示すデータＩｂ（１）とともに、単位ＮＮ回路（２）ヘ入力される。これにより、単位ＮＮ回路（２）からは、時系列データの入力時よりも単位時間ステップ（Δｔ）だけ進んだ時刻ｋ＝２における動作状態の推定値ＳＯＣ（２）およびＶｂ（２）が出力される。そして、単位ＮＮ回路（２）から出力された時刻ｋ＝２における動作状態の推定値ＳＯＣ（２）およびＶｂ（２）と、実機のバッテリーから得られた教師信号に示される実測値ｔ＿ＳＯＣ（２）およびｔ＿Ｖｂ（２）との評価関数Ｅから結合係数Ｗ，Ｘの修正量が求められ、単位ＮＮ回路（２）の結合係数Ｗ，Ｘが更に修正される。

以降、単位ＮＮ回路（ｋ）（ｋ番目の単位ＮＮモデル、但し、ｋ＝２，３，・・・，ｎ−１から出力された時刻ｋにおける動作状態の推定値ＳＯＣ（ｋ）およびＶｂ（ｋ）は、時刻ｋにおける電池電流Ｉｂの操作量を表すデータＩｂ（ｋ）とともに、単位ＮＮ回路（ｋ＋１）（ｋ＋１番目の単位ＮＮ回路）に繰り返し入力され、バックプロパゲーションにより単位ＮＮ回路（ｋ＋１）の結合係数Ｗ，Ｘが更に修正される。これにより、時間の経過とともに、ＮＮ回路１０における各要素１２〜３０間の結合係数Ｗ，Ｘが、バックプロパゲーションアルゴリズムによって修正されていくことになり、ＮＮ回路１０で構成されるバッテリーモデルは、実機のバッテリーの特性を良好に学習することになる。

学習の際には、バッテリーでの様々な充放電のパターンに応じて教師信号ｔ＿ＳＯＣ，ｔ＿Ｖｂの値が取得され、学習に用いられる。このような手法によれば、通常使用されない充放電のモードを含めて学習を行うことができるため、バッテリーの特性を非常に高い精度で学習させることができる。

次に、図５に基づいて、学習が完了したＮＮ回路１０を用いて、実機のバッテリーを制御する方法を説明する。ここでは、時刻ｋ＝ｎにおける実機の充電状態量を目標値ｔａｒｇｅｔ＿ＳＯＣ（ｎ）に制御し、時刻ｋ＝ｎにおける実機の電池電圧を目標値ｔａｒｇｅｔ＿Ｖｂ（ｎ）に制御するものとする。図５は、目標値ｔａｒｇｅｔ＿ＳＯＣ（ｎ）, ｔａｒｇｅｔ＿Ｖｂ（ｎ）に基づいて、時刻ｋ＝０, １, ２, ３, …, ｎ―１における最適な電池電流の値Ｉｂ（０）, Ｉｂ（１）, Ｉｂ（２）, … , Ｉｂ（ｎ―１）を算出する手法を示す模式図である。

図５に示すように、ＮＮ回路１０に対して、運動時間ｎ×Δｔの後に充電状態量ＳＯＣおよび電池電圧Ｖｂを目標値ｔａｒｇｅｔ＿ＳＯＣ（ｎ）およびｔａｒｇｅｔ＿Ｖｂ（ｎ）にすべき旨の目標信号が与えられると、ＮＮ回路１０は、バッテリー制御モードに移行し、図５に示されるようにして動作する。

すなわち、ＮＮ回路１０は、目標値への制御を開始する時刻ｋ＝０の段階で目標値ｔａｒｇｅｔ＿ＳＯＣ（ｎ）およびｔａｒｇｅｔ＿Ｖｂ（ｎ）を受け取るとともに、その段階で充電状態量ＳＯＣおよび電池電圧Ｖｂの初期値ＳＯＣ（０）および電池電流Ｉｂ（０）を受け取る。そして、学習モード時にＮＮ回路１０に与えられていた各時間ステップにおけるバッテリーの時系列データと教師信号との入力が完全に抑制される。

図５に示すように、ＮＮ回路１０をｎ個の単位ＮＮ回路（１）〜（ｎ）が連結された繰り返し構造とすると、充電状態量ＳＯＣ、電池電圧Ｖｂの時系列データの初期値ＳＯＣ（０），Ｖｂ（０）は、１番目の単位ＮＮ回路（１）に与えられ、目標値ｔａｒｇｅｔ＿ＳＯＣ（ｎ）およびｔａｒｇｅｔ＿Ｖｂ（ｎ）は、運動時間ｎ×Δｔに対応しているｎ番目の単位ＮＮ回路（ｎ）に与えられるものとみなすことができる。

そして、単位ＮＮ回路（１）に初期値が与えられると、学習済みのＮＮ回路１０により、各単位ＮＮ回路（１）〜（ｎ）から運動時間ｎ×Δｔの後における充電状態量ＳＯＣ、電池電圧Ｖｂが出力される。この場合、充電状態量および電池電圧の推定値ＳＯＣ（ｎ），Ｖｂ（ｎ）は、実質的に、ｋ番目の単位ＮＮ回路（ｋ）の出力をｋ＋１番目の単位ＮＮ回路（ｋ＋１）（但し、ｋ＝１〜ｎ−１）に繰り返し入力させる前向き計算により求められる。なお、バッテリーを制御するモードでは、学習モード時のように結合係数Ｗ，Ｘの更新は行われない。

ＮＮ回路１０から出力される運動時間ｎ×Δｔの後における充電状態量、電池電圧の推定値ＳＯＣ（ｎ）およびＶｂ（ｎ）は、目標値ｔａｒｇｅｔ＿ＳＯＣ（ｎ）およびｔａｒｇｅｔ＿Ｖｂ（ｎ）と比較される。そして、ＮＮ回路１０による推定値ＳＯＣ（ｎ），Ｖｂ（ｎ）と目標値ｔａｒｇｅｔ＿ＳＯＣ（ｎ），ｔａｒｇｅｔ＿Ｖｂ（ｎ）との偏差が、誤差信号としてＮＮ回路１０に逆伝搬（バックプロパゲーション）され、運動時間ｎ×Δｔが経過した際に、実機のバッテリーの動作状態を目標値ｔａｒｇｅｔ＿ＳＯＣ（ｎ）およびｔａｒｇｅｔ＿Ｖｂ（ｎ）にするための電池電流Ｉｂ（ｋ）が各時間ステップ毎に出力される（但し、ｋ＝０〜ｎ−１である）。

従って、図５に示すような単位ＮＮ回路（１）〜（ｎ）が連結された繰り返し構造によれば、目標値ｔａｒｇｅｔ＿ＳＯＣ（ｎ）およびｔａｒｇｅｔ＿Ｖｂ（ｎ）に基づいて、電池電流Ｉｂ（０）, Ｉｂ（１）, Ｉｂ（２）, … , Ｉｂ（ｎ―１）を各時間ステップ毎に逆読みすることができる。

これにより、算出した電池電流Ｉｂ（０）, Ｉｂ（１）, Ｉｂ（２）, … , Ｉｂ（ｎ―１）に基づいて、実機のバッテリーの充放電を行うことで、ｋ＝ｎにおける充電状態量ＳＯＣ（ｎ）、電池電圧Ｖｂ（ｎ）を目標値ｔａｒｇｅｔ＿ＳＯＣ（ｎ）, ｔａｒｇｅｔ＿Ｖｂ（ｎ）へ制御することが可能となる。

次に、ＮＮ回路１０を用いて、実機のバッテリーの劣化を判定する手法を説明する。図６は、新品状態のバッテリー、劣化状態が限界値に達しているバッテリー（劣化限度品）、異常品などのそれぞれについて、判定基準となる結合係数Ｗ，Ｘを示す模式図である。図６に示す結合係数Ｗ，Ｘの値は、新品状態、劣化限度品、異常品など様々な特性のバッテリーで学習を行った場合に得られた値である。

実機のバッテリーの劣化判定を行う際には、実機のバッテリーから検出された教師信号に基づいて、図４の手法でＮＮ回路１０の学習を行う。そして、学習により得られた結合係数Ｗ，Ｘが、図６の新品状態の判定基準の値に適合する場合は、実機のバッテリーが新品状態であると判定される。

また、学習により得られた結合係数Ｗ，Ｘが、図６の劣化限度品の判定基準の値に適合する場合は、実機のバッテリーの劣化状態が限界値に達していると判定される。また、学習により得られた結合係数Ｗ，Ｘが、図６の異常品の判定基準の値に適合する場合は、実機のバッテリーが異常であると判定される。このように、実機のバッテリーの出力を教師信号としてＮＮ回路１０の学習を行い、予め設定された判定基準と比較することで、実機のバッテリーの劣化状態を判定することが可能となる。

従って、実機のバッテリーの使用を継続する過程で、自動車の車両走行距離が所定値に到達した場合など任意のタイミングで学習を行うことで、そのタイミングでバッテリーの劣化が許容レベルであるか否か、およびバッテリーの交換時期が到来したか否かなどを判定することができる。

以上説明したように本実施形態によれば、実機のバッテリーの特性をＮＮ回路１０に学習させることができるため、充電状態量、電池電圧などの目標値に対して、バッテリーを最適に制御することが可能となる。従って、非線形要素の特性を有するバッテリーの状態量を最適に制御することが可能となる。

本発明の一実施形態にかかるバッテリーモデルの構造を説明するための図である。 図１に示すＮＮ回路１０を簡易的に構成した例を示す模式図である。 バッテリーモデルを構成するＮＮ回路の内部構造を詳細に示す模式図である。 ＮＮ回路の学習を行っている状態を示す模式図である。 学習が完了したＮＮ回路を用いて実機のバッテリーを制御する方法を説明するための模式図である。 新品状態のバッテリー、劣化状態が限界値に達しているバッテリー（劣化限度品）、異常品などのそれぞれについて、判定基準となる結合係数Ｗ，Ｘを示す模式図である。

符号の説明

１０ ＮＮ回路
１２，１４，１６，１８，２０，２２，２４，２６，２８，３０ 結合係数

Claims (5)

1. ＮＮ回路を用いてバッテリーの特性を学習するバッテリー特性学習手段と、
   所定時刻におけるバッテリー状態量の目標値の入力を受けて、前記所定時刻に達するまでの間におけるバッテリーの充放電量を決定する充放電量決定手段と、
   決定された前記充放電量に基づいて、前記バッテリー状態量を前記目標値に制御する制御手段と、
   を備えたことを特徴とするバッテリーの制御装置。
2. 前記バッテリー特性学習手段は、前記ＮＮ回路からの出力と、実機のバッテリーからの出力を表す教師信号とを比較することにより、バッテリーの特性を学習することを特徴とする請求項１記載のバッテリーの制御装置。
3. 前記充放電量決定手段は、前記所定時刻に達するまでの間の複数のタイミングにおいて、前記バッテリーの充放電量を決定することを特徴とする請求項１記載のバッテリーの制御装置。
4. 前記バッテリー特性学習手段は、前記ＮＮ回路の結合係数を可変することでバッテリーの特性を学習し、
   前記結合係数に基づいて、バッテリーの劣化を判定する劣化判定手段を更に備えたことを特徴とする請求項１〜３のいずれか１項記載のバッテリーの制御装置。
5. 前記バッテリー状態量は、バッテリーの充電状態量及びバッテリー電圧の少なくとも１つを含むことを特徴とする請求項１〜４のいずれか１項記載のバッテリーの制御装置。

Images