JP2007240521A - Method of calculating state quantity of secondary battery - Google Patents

Method of calculating state quantity of secondary battery Download PDF

Info

Publication number
JP2007240521A
JP2007240521A JP2007019727A JP2007019727A JP2007240521A JP 2007240521 A JP2007240521 A JP 2007240521A JP 2007019727 A JP2007019727 A JP 2007019727A JP 2007019727 A JP2007019727 A JP 2007019727A JP 2007240521 A JP2007240521 A JP 2007240521A
Authority
JP
Grant status
Application
Patent type
Prior art keywords
battery
secondary battery
voltage
current
data
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.)
Granted
Application number
JP2007019727A
Other languages
Japanese (ja)
Other versions
JP5366166B2 (en )
Inventor
Sun Hee Lee
Naoki Mizuno
Satoru Mizuno
Yoshifumi Morita
Takaharu Ozawa
Shoji Sakai
Masahiro So
昭治 堺
正浩 宗
崇晴 小澤
禅姫 李
良文 森田
直樹 水野
覚 水野
Original Assignee
Denso Corp
Nagoya Institute Of Technology
Nippon Soken Inc
国立大学法人 名古屋工業大学
株式会社デンソー
株式会社日本自動車部品総合研究所
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

Links

Images

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10Energy storage
    • Y02E60/12Battery technologies with an indirect contribution to GHG emissions mitigation

Abstract

PROBLEM TO BE SOLVED: To provide a method of calculating a storage state quantity of a secondary battery capable of accurately extracting the storage state quantity by a neural network operation, while preventing detection accuracy from dropping due to variations in the characteristics of a target to be measured, while increasing detection opportunities.
SOLUTION: The method of calculating the storage quantity of the secondary battery calculates the storage state quantity of the secondary battery by means of a neutral net, while using a deduced coefficient value of a mathematical model, deduced by means of battery state data detected from the secondary battery, the mathematical model of the secondary battery, and the battery state data as input parameters. The input parameters to be employed in the neutral net operation include a polarization-related quantity which is an electrical quantity, related to charging and discharging current in a predetermined period, immediately before polarization quantity of the secondary battery is influenced, the voltage and current of the secondary battery, and in addition, coefficients R, L and C calculated by a mathematical model corresponding to an RLC serial connection circuit model of the secondary battery.
COPYRIGHT: (C)2007,JPO&INPIT

Description

本発明は、ニューラルネットを用いた二次電池の状態量演算方式、好適には残存容量演算方式の改良に関する。 The present invention is the state quantity calculation method of the secondary battery using the neural network, to preferably improve residual capacity calculation method.

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、電池の電圧または電流に関する電気量(たとえば電圧、開路電圧、内部抵抗など)と蓄電状態量(SOCやSOHなど)との相関関係がばらつくために、劣化の進行とともに蓄電状態量の検出精度が悪化するという問題や、電池ごとの蓄電状態量のばらつきなどがあり、大量生産される二次電池の蓄電状態量を個別に高精度に検出することは困難とされていた。 For example the degree of deterioration in the secondary battery as a lead storage battery, the electric quantity (e.g. voltage, the open circuit voltage, such as the internal resistance) with respect to the voltage or current of the battery is correlation between the amount of the state of charge (such as SOC and SOH) varies for, and proceeds with a problem that the detection accuracy of the amount of the state of charge is deteriorated degradation, there are variations in the amount of the state of charge of each battery, detected individually high accuracy the state of charge of the secondary battery to be mass produced it had been difficult to. このため、安全性の観点からこれらの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。 Therefore, there is a problem that usable charge and discharge range narrower inevitably set of rechargeable batteries include these variations from the viewpoint of safety.

この問題を解決するため、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蓄電状態量を検出する方法(以下、ニューラルネットワーク式電池状態検出技術)が提案されている(特許文献1、2)。 To solve this problem, a method of detecting the amount of the state of charge using a flexibly adaptable neural network characteristic variations to be measured (hereinafter, the neural network type battery state detection technique) has been proposed (Patent Documents 1, 2).
特開平9-243716号公報 JP-9-243716 discloses 特開2003-249271号公報 JP 2003-249271 JP

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蓄電状態量(SOCやSOHなど)の判定は、被測定対象の特性のばらつきに対応できない場合があり、実用化のためには更なる検出精度向上が要望されていた。 However, the determination of the amount of the state of charge using a neural network-type battery state detection technique according to Patent Documents 1 and 2 described above (such as SOC and SOH) may fail to correspond to the variations in the characteristics of the object to be measured, the practical further detection accuracy has been demanded in order. また、前記電池状態データから分極関連量の影響を低減する際に、演算機会が減少する場合があり、実用化のためには更なる検出機会の向上が必要となっていた。 Further, in reducing the effects of polarization-related quantity from the battery state data, it may computation opportunity decreases, for practical use has been a need to further improve the detection opportunities.

本発明は上記問題点に鑑みなされたものであり、被測定対象の特性のばらつきによる検出精度の低減を抑制しつつ、また検出機会を増加しつつ蓄電状態量などの状態量を高精度に抽出可能な二次電池の内部状態演算方式を提供することをその目的としている。 The present invention has been made in view of the above problems, extracted while suppressing a reduction in detection accuracy due to variations in the characteristics of the object to be measured, also a state quantity such as the state of charge quantity increasing detection opportunity with high accuracy and as its object to provide an internal state calculation method of the secondary battery possible.

上記課題を解決する第1発明の二次電池の状態量演算方式は、二次電池から電圧データ及び電流データを少なくとも含む電池状態データを定期的に検出して記憶し、少なくとも前記電池状態データを入力パラメータとし、前記二次電池の残存容量を出力パラメータとする所定のニューラルネットに少なくとも前記電池状態データを入力して前記二次電池の残存容量を演算する二次電池の残存容量演算方式において、前記二次電池の電圧を変数とする所定の関数値である電圧関数値と、前記二次電池の電流を変数とする所定の関数値である電流関数値との間の関係を表す所定の関数により定義される前記二次電池の数学モデルに前記電池状態データを代入して前記所定の関数の係数項を算出し、前記係数項を前記電池状態データとともに入力パ State quantity calculation method of the secondary battery of the first invention for solving the above-mentioned problems, periodically detects and stores battery condition data including at least a voltage data and current data from the secondary battery, at least the battery state data as input parameters, the residual capacity calculation method of the secondary battery for calculating a remaining capacity of at least the battery status data the secondary battery by entering a predetermined neural network to the remaining capacity and output parameters of the secondary battery, the voltage function value is a predetermined function value to the voltage variable of the secondary battery, a predetermined function representing the relationship between the current function value is a predetermined function value to the current variable of the secondary battery by substituting the battery state data to the mathematical model of the secondary battery as defined calculates the coefficient terms of the predetermined function, the input path to the coefficient terms with the battery status data メータとして前記ニューラルネットに入力して前記二次電池の蓄電量の残存状態を演算することを特徴としている。 Enter the neural network as a meter is characterized by calculating a remaining state of the charged amount of the secondary battery.

上記で言う電圧データ及び電流データは、直近の所定期間における電圧、電流履歴、つまり現時点までの所定期間の間に定期的にサンプリングした二次電池の電流値の集合を少なくとも含む。 Voltage data and current data referred to above includes at least a voltage, current history, that is a regular set of current values ​​of the sampled secondary battery for a predetermined period up to the present time the most recent predetermined period. 電圧データ及び電流データは、電圧・電流ペアとして同時にサンプリングされることが好適である。 Voltage data and current data, it is preferable to be simultaneously sampled as a voltage-current pair. この電圧・電流ペアは、直近の所定期間における電圧、電流履歴とすることができる他、それらの平均値を採用してもよい。 The voltage and current pairs, other which may be voltage, current history in the most recent predetermined period, may be employed those of the average value.

上記で言うニューラルネット演算方式として、公知の種々のニューラルネット演算方式を採用することができる。 As neural network calculation method mentioned above, it is possible to adopt various known neural network operation method. このニューラルネット演算を行うプログラムをもつマイクロコンピュータにより、ニューラルネットを構築することができる。 The microcomputer having a program for performing the neural network calculation, it is possible to construct a neural network.

ニューラルネットは、少なくとも電池状態データを入力パラメータとして取り込む入力層と、二次電池の蓄電状態量を出力パラメータとして出力する出力層と、入力層と出力層との間に配置されてそれぞれ所定の演算を行う所定段数の中間層とを有する。 Neural network includes an input layer incorporating at least the battery state data as input parameters, and an output layer for outputting the amount of the state of charge of the secondary battery as an output parameter, respectively predetermined operation is disposed between the input layer and the output layer and an intermediate layer of a predetermined number of stages to perform. 中間層は、前段の中間層又は入力層に対して所定の結合係数で重み付けられて結合され、かつ次段の中間層又は出力層に対して所定の結合係数で重み付けられて結合されている。 Intermediate layer is bonded weighted with a predetermined coupling coefficient for a given bound is weighted by a coupling coefficient, and the next stage of the intermediate layer or output layer with respect to the front stage of the intermediate layer or input layer. 各結合係数は、学習により書き換え可能な結合係数記憶テーブルとして記憶されることができる。 Each coupling coefficients can be stored as the coupling coefficient storage table rewritable by learning.

すなわち、ニューラルネット演算プログラム及び結合係数記憶テーブルを用いて二次電池の蓄電量の残存状態を演算することができ、この演算結果に基づいて公知の方式により結合係数テーブルを書き換えることにより演算精度の向上が可能となる。 That is, using the neural network calculation program, and the coupling coefficient storage table can be calculated residual state of the power storage amount of the secondary cell, the calculation accuracy by rewriting the coupling coefficient table by a known method based on the calculation result improvement is possible.

ニューラルネットの入力パラメータとして、上記した二次電池の電池状態データ及び上記係数項の他に、二次電池の分極量に相関を有する電気的な状態量である分極関連量やその他の電池状態量を追加してもよい。 As input parameters of the neural network, in addition to the battery status data and the coefficient term of the foregoing secondary battery, the polarization-related quantity and other battery state quantity is an electrical state variable that correlates to the polarization amount of the secondary battery it may be added. たとえば、二次電池の電池劣化関連量や分極関連量としての内部抵抗、開路電圧や、それらの線形変換あるいは非線形変換した関数値を追加の入力パラメータとすることができる。 For example, it can be an internal resistance, open circuit voltage and, add their linear transformation or nonlinear transformation with function values ​​of the input parameters of the battery deterioration-related quantity and a polarization-related quantity of the secondary battery. これらの内部抵抗や開路電圧は、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。 These internal resistance and open-circuit voltage can be conventionally approximately calculating from past voltage and current data. すなわち、ニューラルネットの入力パラメータは、電池状態データ及び上記係数項の他、定期的あるいは必要に応じて求めた開路電圧や内部抵抗を用いることができる。 That is, the input parameters of the neural network, in addition to battery status data and the coefficient terms, it is possible to use open-circuit voltage and the internal resistance obtained according periodically or as necessary.

出力パラメータとしての二次電池の蓄電量の残存状態とは、電池の蓄電状態量を意味し、たとえば残存容量比や充電率により表されることができる。 The residual state of the power storage amount of the secondary battery as an output parameter, means the state of charge of the battery, can for example be represented by the remaining capacity ratio and the charging rate.

上記した数学モデルとしては、例えば電気回路モデルやインピーダンスモデルなどが考えられ、この数学モデルの係数項(以下、係数とも言う)をオンラインで推定した推定値を入力パラメータとしたことにより、前記二次電池の分極や劣化の影響を低減して推定することができる。 The mathematical model described above, for example, is considered an electric circuit model or impedance model, by the mathematical model coefficient term (hereinafter, also referred to as coefficients) was input parameter estimates estimating the online, the secondary it can be estimated by reducing the influence of the battery polarization and degradation. また、電池の蓄電量の残存状態(たとえばSOC)との相関関係における被特性対象毎の前記推定値ばらつきをから低減して、一層の蓄電状態量(残存状態)の検出精度の向上と検出機会の向上を図ることができることがわかった。 Moreover, by reducing from the estimated value variations among the characteristics object in correlation with the residual state of the charged amount of a battery (eg SOC), detection performance and detection Opportunities further amount of the state of charge (remaining state) it has been found that it is possible to improve the.

上記した電圧関数値は、二次電池の電圧を変数とする関数値とされるが、二次電池の電圧そのものでもよい。 Voltage function value described above is is a function value of the voltage of the secondary battery as a variable may be a voltage itself of the secondary battery. 上記した電流関数値は、二次電池の電流を変数とする関数値とされるが、二次電池の電流そのものでもよい。 Current function value described above is is a function value of the current of the secondary battery as a variable may be a current itself of the secondary battery. 好適には、電圧関数値は、電圧データの今回値と所定の過去電圧値との電圧差とされる。 Preferably, the voltage function value is a voltage difference between the present value and the predetermined past voltage value of the voltage data. 好適には、電流関数値は、電流データの今回値と所定の過去電流値との電圧差とされる。 Preferably, the current function value is a voltage difference between the present value and the predetermined past the current value of the current data.

上記数学モデルの一つを以下に説明する。 It described one of the above mathematical model below. この数学モデルにおいて、電圧関数値(f(v))は、電流関数値f(i)をそれぞれ変数とするたとえば3個の関数F1(f(i))、F2(f(i))、F3(f(i))に対して次式で示されることができる。 In this mathematical model, the voltage function value (f (v)), for example a variable current function value f (i) is the respective three functions F1 (f (i)), F2 (f (i)), F3 it can be represented by the following formula with respect to (f (i)).

f(v)=k1×F1(f(i))+k2×F2(f(i))+k3×F3(f(i)) f (v) = k1 × F1 (f (i)) + k2 × F2 (f (i)) + k3 × F3 (f (i))
k1〜k3は、係数項であるが、分極状態、蓄電状態及び劣化状態により時間的に変化する。 k1~k3 is a coefficient term, the polarization state varies temporally by charge state and deteriorated state. 係数項k1〜k3は、過去の電圧データ及び電流データの集合により公知のオンライン同定法を用いた演算により決定することができる。 Coefficient terms k1~k3 can be determined by calculation using the known online identification method by a set of historical voltage data and current data.

このように、推定した二次電池の数学モデルの係数(係数項)を入力パラメータに追加すると、検出機会の増加とともに蓄電状態量の高精度の検出が可能となることが判明した。 Thus, adding coefficients of the mathematical model of the estimated secondary batteries (coefficient terms) in the input parameters, it is possible to highly accurate detection of the amount of the state of charge with increasing detected occasion was found. これは、これらの数値が電池の分極状態や劣化状態に強い相関をもつため、これらの数値をニューラルネットの入力パラメータとすることにより、ニューラルネットへの分極状態や劣化状態の変化をより良好に反映することにより、その結果として、これら分極状態や劣化状態の変動によるニューラルネットの出力パラメータとしての電池の蓄電量の残存状態の演算精度が高まるためと思われる。 This is because these numbers has a strong correlation to the polarization state and the deterioration state of the battery, by these values ​​and the input parameters of the neural network, a change in the polarization state and deteriorated state of the neural network better by reflecting, as a result, be because the calculation accuracy of the remaining state of the power storage amount of the battery as an output parameter of the neural network due to variations in these polarization state and deteriorated state increases.

好適な態様において、前記二次電池の分極量に正相関を有する所定の関数値である分極関連量と前記電池状態データとの間のあらかじめ記憶する関係に前記電池状態データを代入して前記分極関連量を前記電池状態データのサンプリングの度に算出し、前記分極関連量を前記係数項及び前記電池状態データとともに入力パラメータとして前記ニューラルネットに入力して前記二次電池の蓄電量の残存状態(蓄電状態量)を演算する。 In a preferred embodiment, the polarization by substituting the battery state data in a relationship stored in advance between the polarization-related quantity is a predetermined function value having a positive correlation to the polarization amount in the rechargeable battery and the battery state data the related quantity calculated at every sampling of the battery state data, the polarization-related quantity of the coefficient term and the storage amount of the residual state of the battery state data with the input parameters as the secondary battery is input to the neural network ( It calculates the amount of the state of charge). このようにすれば、残存容量の演算精度を更に向上することができる。 In this way, it is possible to further improve the calculation accuracy of the remaining capacity. なお、上記分極関連量としては、内部抵抗や開路電圧を採用することができる。 As the above-mentioned polarization-related quantity, it can be employed the internal resistance and the open circuit voltage.

好適な態様において、前記電池状態データに基づいて前記二次電池の開路電圧及び内部抵抗を算出し、算出した前記開路電圧及び内部抵抗を前記係数項及び前記電池状態データとともに入力パラメータとして前記ニューラルネットに入力して前記二次電池の蓄電量の残存状態を演算する。 In a preferred embodiment, on the basis of the battery state data to calculate the open-circuit voltage and the internal resistance of the secondary battery, the neural net calculated the open circuit voltage and the internal resistance was as an input parameter together with the coefficient term and the battery state data type calculates the remaining state of the charged amount of the secondary battery. このようにすれば、蓄電量の残存状態の演算精度を更に向上することができる。 Thus, it is possible to further improve the calculation accuracy of the remaining state of the charged amount.

好適な態様において、前記二次電池の分極量に正相関を有する所定の関数値である分極関連量と前記電池状態データとの間のあらかじめ記憶する関係に前記電池状態データを代入して前記分極関連量を前記電池状態データのサンプリングの度に算出し、前記電池状態データのうち、前記分極関連量が所定しきい値を超える場合の前記電池状態データの前記ニューラルネットへの入力を禁止する。 In a preferred embodiment, the polarization by substituting the battery state data in a relationship stored in advance between the polarization-related quantity is a predetermined function value having a positive correlation to the polarization amount in the rechargeable battery and the battery state data the related quantity calculated at every sampling of the battery state data, among the battery state data, the polarization-related quantity to prohibit input to the neural network of the battery state data when exceeding a predetermined threshold. このようにすれば、蓄電池の蓄電量の残存状態検出精度の向上を図ることができる。 In this way, it is possible to improve the residual state detection accuracy of the charged amount of the battery.

好適な態様において、前記電流関数値は、過去の前記電流データから演算した所定の電流過去値と前記電流データの今回値との差からなり、前記電圧関数値は、過去の前記電圧データから演算した所定の電圧過去値と前記電圧データの今回値との差からなり、前記数学モデルは、前記電流関数値に第1の前記係数項を掛けて得られる抵抗電圧成分と、前記電流関数値の微分項に第2の係数項を掛けて得られるインダクタンス電圧成分と、前記電流関数値の積分項に第3の係数項を掛けて得られるキャパシタンス電圧成分との和が、前記電圧関数値にほぼ等しくなる関数により表現される。 In a preferred embodiment, the current function value becomes the difference between the current value of the predetermined current past value and the current data calculated from the past of the current data, the voltage function value is calculated from the past of the voltage data were made from the difference between the predetermined voltage current value of the last value and the voltage data, the mathematical model is a resistor voltage component obtained by multiplying the first of the coefficient terms to the current function value of the current function value an inductance voltage component obtained by multiplying the second coefficient terms to differential term, the sum of the integral term to the third capacitance voltage component obtained by multiplying the coefficient terms of the current function value is approximately the voltage function value represented by equal function. このようにすれば、係数項の算出のための演算負担増大を抑止しつつ、二次電池の蓄電量の残存状態演算精度を向上することができる。 Thus, while suppressing the calculation load increase for the calculation of the coefficient terms, it is possible to improve the remaining state calculation accuracy of the amount of charge in the secondary battery.

好適な態様において、求めた前記係数項の今回値、前記電池状態データ及び所定の電流値を前記数学モデルに代入することにより、前記所定の電流値に対応する前記二次電池の電圧予想値を演算する。 In a preferred embodiment, the current value of the coefficient terms obtained by substituting the battery state data and a predetermined current value to the mathematical model, the voltage expected value of the secondary battery corresponding to the predetermined current value operation to. このようにすれば、たとえばなんらかの電流急変を生起させる状況が生じた場合でも、それによる電源系の電圧変動量を推定できるため、それに対する対策を取ることが可能となる。 By this way, even if a situation to occur for instance any current sudden change has occurred, it is possible to estimate the voltage variation amount of it due to a power system, it is possible to take measures against it.

好適な態様において、前記電圧データの今回値と前記電圧推定値との差を電圧変動予想値として演算する。 In a preferred embodiment, it calculates the difference between the estimated voltage value between the present value of the voltage data as a voltage fluctuation predicted value. これにより、電源系の電圧変動量を推定できるため、それに対する対策を取ることが可能となる。 Accordingly, it is possible to estimate the voltage fluctuation of the power supply system, it is possible to take measures against it.

好適な態様において、電池劣化の程度を表すパラメータである電池劣化度と前記係数項との関係を予め記憶しておき、求めた前記係数項を前記関係に代入して前記二次電池の劣化度を算出する。 In a preferred embodiment, stores in advance the relationship between the degree of battery deterioration is a parameter representing the degree of battery deterioration and the coefficient term, the coefficient terms found by replacing the relationship degree of degradation of the secondary battery It is calculated. 上記したように、係数項は分極量、蓄電量の他、劣化量にも相関を有するため、算出した係数項により電池の劣化度を良好に推定することができることがわかった。 As described above, the coefficient term polarization amount, other storage amount, since it has a correlation to deterioration amount, it was found that it is possible to satisfactorily estimate the degree of deterioration of the battery by the calculated coefficient term.

好適な態様において、所定の電池状態量を算出し、前記電池状態量をその大きさの範囲ごとに所定の群に分別し、前記係数項、前記電池状態データ及び前記分極関連量を入力パラメータとし前記二次電池の残存容量を出力パラメータとする前記ニューラルネットを前記電池状態量の群ごとにそれぞれ準備し、算出した前記電池状態量の今回値が属する前記群に対応する前記ニューラルネットを選択し、選択した前記ニューラルネットに前記入力パラメータの今回値を入力して二次電池の蓄電量の残存状態をニューラルネット演算する。 In a preferred embodiment, to calculate the predetermined battery state quantity, the fractionated into predetermined groups battery state quantity for each range of sizes, the coefficient term, the battery status data and the polarization-related quantity as input parameters said neural network respectively prepared for each group of the battery state quantity, the current value of the calculated the battery state quantity corresponding to the group belonging to select the neural network to output parameters the remaining capacity of the secondary battery and neural network calculates the remaining state of the power storage amount of the input to the secondary battery the current value of the input parameters to the neural network selected.

このようにすれば、多種類の種々の二次電池又は多様な劣化度をもつ種々の二次電池に対するニューラルネットによる蓄電量の残存状態演算精度を向上することができる。 In this way, it is possible to improve the remaining state calculation accuracy of the power storage amount by the neural network for various secondary batteries having various secondary battery or various degree of degradation of various types.

更に具体的に説明すると、たとえば、係数項又は電池状態履歴又はそれらの相関量などの情報(電池状態量)と、最も優れた蓄電量の残存状態演算精度をもつニューラルネットとの組み合わせを予め調べてマップに記憶しておき、上記情報により最適なニューラルネットを選択すればよい。 More specifically, for example, examined the coefficient term or battery status history or information, such as the correlation of their (battery state quantity), the combination of neural network with the best accumulation amount of the residual state calculation accuracy beforehand is stored in the map Te, may be selected an optimum neural network with the information.

なお、複数のニューラルネットの構築は、簡単には次のように行うことができる。 Incidentally, the construction of a plurality of neural nets, is simplified can be carried out as follows. すなわち、上記した結合係数記憶テーブルを各ニューラルネットごとに準備しておき、各結合係数記憶テーブルからその一つを選択することにより、上記ニューラルネットの選択とすることができる。 That is, the coupling coefficient storage table described in advance prepared for each neural network, by selecting one of them from the coupling coefficient storage table, it can be the selection of the neural network. 好適には、ある電池状態量の各値を、その大きさが近似する場合に同一グループとするようにグループ分けし、これら各グループごとにニューラルネットを構築する(結合係数記憶テーブルを作成する)。 Preferably, the values ​​of certain battery state quantity, grouped to the same group if the magnitude is approximated, (to create a coupling coefficient storage table) constructing a neural network for each of these respective groups . その後、入力された又は算出した電池状態量の値がどのグループに属するかを判別して、該当グループに対応するニューラルネットを用いてニューラルネット演算を行えばよい。 Then, to determine whether the value of the input or calculated battery state quantity belong to which group may be performed neural network calculation using the neural net corresponding to the relevant group.

このようにすれば、ニューラルネットの各結合係数と今回得たニューラルネットの入力パラメータとの間の相関性が向上するため、蓄電量の残存状態の演算精度の向上を図ることができる。 In this way, since the correlation between the input parameters for each coupling coefficient and the currently obtained neural network of the neural network is increased, it is possible to improve the calculation accuracy of the remaining state of the charged amount.

また、本発明によれば、この演算精度の向上を僅かの記憶容量の増加により実現できるため回路規模の増大を抑止することができる。 Further, according to the present invention, it is possible to suppress an increase in circuit size can be realized by a slight increase in the memory capacity to improve the calculation accuracy. なお、入力パラメータのニューラルネット演算に際しては、入力パラメータ演算に際して記憶装置から読み込む結合係数記憶番地を変更するだけであるため、演算処理時間の増加はほとんど生じることがなく、演算遅延が問題となることもない。 Note that when the neural network calculation input parameters, since the time of the input parameter calculator only changes the coupling coefficient storage addresses to be read from the storage device, an increase in processing time without hardly occurs, the computation delay is a problem Nor. 結局、本発明によればわずかの記憶容量の増加により蓄電量の残存状態(蓄電状態量)の格段に高精度の検出を期待することができる。 After all, it is possible to expect a much higher accuracy of detection of the residual state of the power storage amount by a slight increase in the storage capacity according to the present invention (amount of the state of charge).

好適な態様において、前記電池状態量は、予め求めた電池劣化度と前記係数項とのマップに、今回算出した前記係数項を代入して求めた前記電池劣化度からなる。 In a preferred embodiment, the battery state quantity, the map of the coefficient term and previously determined battery deterioration degree, made from the battery deterioration degree obtained by substituting the coefficient terms calculated this time. ニューラルネット演算のSOC演算誤差は、二次電池の劣化度が大きく異なる電池に対して同じニューラルネットを用いる場合に大きいため、この弊害を除いて蓄電量の残存状態演算精度を向上することができる。 SOC calculation error of the neural network calculation is larger when using the same neural network with respect to deterioration degree is significantly different batteries of the rechargeable battery, it is possible to improve the remaining state computation accuracy of the charged amount with the exception of this adverse effect .

上記課題を解決する第2発明は、二次電池から電圧データ及び電流データを少なくとも含む電池状態データを定期的に検出して記憶し、前記電池状態データを用いて前記二次電池の状態量を演算する二次電池の状態量演算方式において、前記二次電池の電圧を変数とする所定の関数値である電圧関数値と、前記二次電池の電流を変数とする所定の関数値である電流関数値との間の関係を表す所定の関数により定義される前記二次電池の数学モデルに前記電池状態データを代入して前記所定の関数の係数項を算出し、算出された前記係数項をもつ前記数学モデルに前記電流の次回値を代入することにより前記電圧の次回値を算出して電圧推定値として出力することを特徴としている。 The second invention for solving the above, including at least the battery state data voltage data and current data from the secondary battery periodically detected and stored, the state quantity of the secondary battery using the battery state data in the state quantity calculation method of the secondary battery for calculating the voltage function value is a predetermined function value to the voltage variable of the secondary battery is a predetermined function value to the current variable of the secondary battery current by substituting the battery state data to the mathematical model of the secondary battery which is defined by a predetermined function representing the relationship between the function values ​​to calculate the coefficient terms of the predetermined function, the coefficient term calculated It is characterized by outputting a voltage estimate to calculate the next value of the voltage by substituting the next value for the current in the mathematical model with.

すなわち、この発明では、たとえばオンライン同定法などにより二次電池の数学モデルの係数項を算出しておき、この数学モデルに予想される電流の次回値を代入することにより、直近将来に生じるはずの電圧を推定する。 That is, in this invention, for example, by the online identification method in advance by calculating the coefficient terms of the mathematical model of the secondary battery, by substituting the next value for the current to be expected this mathematical model, which would occur in the immediate vicinity future to estimate the voltage. これにより、何らかの大きな負荷変動が生じた場合乃至それが予想される場合に、この電圧変動を抑止する対策を速やかに取ることができる。 Thus, when some large load fluctuation is when to expect it occurs, it is possible to take measures to suppress voltage fluctuation rapidly.

上記課題を解決する第3発明は、二次電池から電圧データ及び電流データを少なくとも含む電池状態データを定期的に検出して記憶し、前記電池状態データを用いて前記二次電池の状態量を演算する二次電池の状態量演算方式において、前記二次電池の電圧を変数とする所定の関数値である電圧関数値と、前記二次電池の電流を変数とする所定の関数値である電流関数値との間の関係を表す所定の関数により定義される前記二次電池の数学モデルに前記電池状態データを代入して前記所定の関数の係数項を算出し、電池劣化の程度を表すパラメータである電池劣化度と前記係数項との関係を予め記憶しておき、求めた前記係数項を前記関係に代入することにより前記二次電池の劣化度を求めることを特徴としている。 Third invention for solving the aforementioned problems is at least including battery status data voltage data and current data from the secondary battery periodically detected and stored, the state quantity of the secondary battery using the battery state data in the state quantity calculation method of the secondary battery for calculating the voltage function value is a predetermined function value to the voltage variable of the secondary battery is a predetermined function value to the current variable of the secondary battery current by substituting the battery state data to the mathematical model of the secondary battery which is defined by a predetermined function representing the relationship between the function values ​​to calculate the coefficient terms of the predetermined function, a parameter representing the degree of battery deterioration in a previously stored relationship between the battery deterioration degree and the coefficient term, by substituting the coefficient terms found in the relationship is characterized by determining the degree of deterioration of the secondary battery.

すなわち、この発明では、数学モデルの係数項が電池劣化に強い相関をもつことに着目したものであり、たとえばオンライン同定法などにより二次電池の数学モデルの係数項を算出しておき、算出した係数項により二次電池の劣化状態を判定する。 That is, in the present invention, coefficient term of the mathematical model is defined by noting that a strong correlation to the battery degradation, for example by an online identification method in advance by calculating the coefficient terms of the mathematical model of the secondary battery was calculated determining the deterioration state of the secondary battery by coefficient term. これにより、精度よく二次電池の劣化を判定することができる。 Thus, it is possible to determine the deterioration of the accuracy secondary battery.

上記課題を解決する第4発明は、二次電池から電圧データ及び電流データを少なくとも含む電池状態データを定期的に検出して記憶し、前記電池状態データを用いて前記二次電池の状態量を演算する二次電池の状態量演算方式において、前記二次電池の電圧を変数とする所定の関数値である電圧関数値と、前記二次電池の電流を変数とする所定の関数値である電流関数値との間の関係を表す所定の関数により定義される前記二次電池の数学モデルに前記電池状態データを代入して前記所定の関数の係数項を算出し、前記電流関数値は、過去の前記電流データから演算した所定の電流過去値と前記電流データの今回値との差からなり、前記電圧関数値は、過去の前記電圧データから演算した所定の電圧過去値と前記電圧データの今回値との差か The fourth invention for solving the above problems is to store the secondary battery voltage data and including at least a battery state data a current data regularly detected and the state of the secondary battery using the battery state data in the state quantity calculation method of the secondary battery for calculating the voltage function value is a predetermined function value to the voltage variable of the secondary battery is a predetermined function value to the current variable of the secondary battery current by substituting the battery state data to the mathematical model of the secondary battery which is defined by a predetermined function representing the relationship between the function values ​​to calculate the coefficient terms of the predetermined function, the current function value, past the result from the difference between the present value of the current data with a predetermined current past value calculated from the current data, the voltage function value, this predetermined voltage past value and the voltage data calculated from the past of the voltage data of the or the difference between the value なり、前記数学モデルは、前記電流関数値に第1の前記係数項を掛けて得られる抵抗電圧成分と、前記電流関数値の微分項に第2の係数項を掛けて得られるインダクタンス電圧成分と、前記電流関数値の積分項に第3の係数項を掛けて得られるキャパシタンス電圧成分とを含むことを特徴としている。 Becomes, the mathematical model is a resistor voltage component obtained by multiplying the first of the coefficient terms to the current function value, an inductance voltage component obtained by multiplying the second coefficient terms to differential term of the current function value It is characterized in that it comprises a third capacitance voltage component obtained by multiplying the coefficient terms in the integral term of the current function value.

すなわち、この発明では、数学モデルを、電圧差及び電流差を変数として構築する。 That is, in this invention, a mathematical model, building a voltage difference and current difference as variables. たとえば、また、電流差の一次関数項及び積分関数項の他にその微分関数項をインダクタンス成分を等価するために用いる。 For example, also uses the differential function section in addition to the primary function and integral function term of the current difference to the equivalent inductance component. このようにすれば、二次電池を精度よく回路等価できることが判明した。 Thus, it was found that it is possible to accurately circuit equivalent to the secondary battery.

好適な態様において、前記電圧関数値は、前記電流関数値に第1の前記係数項を掛けて得られる抵抗電圧成分と、前記電流関数値の微分項に第2の係数項を掛けて得られるインダクタンス電圧成分と、前記電流関数値の積分項に第3の係数項を掛けて得られるキャパシタンス電圧成分との和に等しい。 In a preferred embodiment, the voltage function value is obtained by multiplying the resistor voltage component obtained by multiplying the first of the coefficient terms to the current function value, the second coefficient terms to differential term of the current function value an inductance voltage component equal to the sum of the resulting capacitance voltage component by multiplying the third coefficient terms to the integral term of the current function value. このようにすれば、演算負担増大を抑止しつつ精度良く、二次電池を回路等価することができることがわかった。 Thus, while suppressing the computing load increases accurately, it was found that it is possible to circuit equivalent to the secondary battery.

以下、本発明を具体化した実施例を図面を参照しつつ説明する。 Hereinafter, an embodiment embodying the present invention with reference to the drawings.

(実施例1) (Example 1)
本発明を具体化した実施例1の検証として用いたバッテリーは、新品(1)、新品(2)、劣化再現品(格子腐食)、劣化再現品(活物質軟化)、劣化再現品(サルフェーション)、劣化再現品(液べり)、劣化再現品(補水)、市場回収品(1)、市場回収品(2)、市場回収品(3)、市場回収品(4)の合計11個であり、実験により電圧と電流のデータを収集した。 Batteries used as a verification of the first embodiment embodying the present invention, new (1), new (2), the deterioration reproduction products (grid corrosion), the deterioration reproduction products (active material softening), deterioration reproduced article (sulfation) degradation reproduced article (thinning liquid), the deterioration reproduction products (refill), market products recovered (1), the market recovered products (2), market products recovered (3), a total of 11 market products recovered (4), the data was collected in the voltage and current by the experiment.

バッテリーの動特性を表すモデルの一つとして、ここでは、バッテリーの電流値を入力に、電圧を出力とした,3つのパラメータを持つ動特性モデル(3つのパラメータをR、L、Cとし、微分特性や積分特性を含む。)として表現することを考える。 As a model representing the dynamic characteristics of the battery, where, to the input current value of the battery was the output voltage, the dynamic characteristic model (the three parameters with three parameters R, L, C, the differentiation including characteristics and integral characteristic.) Considering that expressed as. そこで、バッテリーから測定した電圧と電流の値から、バッテリーの動特性モデルの3つのパラメータ(R、L、C)をオンライン推定し、その推定値をニューラルネットの入力パラメータに加えることを新たに提案する。 Therefore, from the value of the measured voltage and current from the battery, newly proposed that three parameters of the battery of the dynamic characteristic model (R, L, C) an online estimation, adds the estimated value to the input parameter of the neural network to. ただし、積分特性の初期値は不明であり、その初期値を精度良く推定することは困難と考えられる。 However, the initial value of the integral characteristic is unknown, it is considered difficult to accurately estimate the initial value. そこで、電圧と電流のそれぞれの直前の所定時間当たりの平均値を基準値として、その基準値からの変動分を電圧と電流の測定値の代わりに用いることで、モデリング精度が向上することがわかった。 Therefore, as the voltage with a reference value an average value per predetermined time of the respective immediately preceding the current, by using a variation from the reference value instead of the measured values ​​of voltage and current, it found that modeling accuracy is improved It was.

電圧や電流の基準値を求めるために、個々に現時刻から過去100秒間のデータを用いて平均化処理をした。 To determine the reference value of the voltage or current, and the averaging processing using the data for the past 100 seconds from the individual to the current time. また、RLCの各値を推定するために、現時刻から過去100秒間のデータに対して最小二乗法を用いた。 Further, in order to estimate the values ​​of RLC, using the least squares method to the data of the last 100 seconds from the current time. 推定値から求めた電圧(推定電圧)と、実際に測定した電圧(測定電圧)とを比較することでモデリングの精度を評価する。 Voltage obtained from the estimated value (the estimated voltage), to assess the accuracy of the modeling by comparing the actually measured voltage (measured voltage).

前記動特性モデルと最小二乗法を用いたオンライン推定法によるモデリング精度を図1に示す。 Modeling accuracy online algorithm with the dynamic characteristic model and the least square method shown in FIG. ここでは推定電圧の測定電圧に対する二乗平均誤差と誤差率を示す。 Here shows the mean square error and the error rate for the measured voltage of the estimated voltage. また、新品(2)の測定電圧と推定電圧を図2に示す。 Further, the measurement voltage and the estimated voltage of the new (2) in FIG. 測定電圧を実線で、推定電圧を○点で示す。 The measured voltage at the solid line shows the estimated voltage ○ points. 図2の左図は、右図の4500秒から10000秒間の時間変化を拡大したものである。 The left side of FIG. 2 is an enlarged view of the time variation of 10000 seconds 4500 seconds on the right. 図1より推定の誤差率が全てのバッテリーにおいて10%未満であり、図2より最初の2000秒間は推定誤差が大きいものの、それ以降は推定誤差が小さいことが確認できる。 Less than 10% for all battery error rate estimated from FIG. 1, the first 2000 seconds from 2 Although the estimated error is large, and thereafter it can be confirmed that the estimation error is small.

これより、測定した電圧と電流を用いて、前記変動分の処理と前記動特性モデルを用いたオンライン推定から得られたバッテリーの特徴量(R、L、C)により、バッテリーの動特性を前記動特性モデルを用いて精度よく表現できることがわかった。 Than this, by using the measured voltage and current, the feature quantity of the battery obtained from the online estimation using the dynamic characteristic model and the variation of the process (R, L, C) by the dynamic characteristics of the battery It was found to be accurately expressed using the dynamic characteristic model.

新たに分極関連量の値を用いて、分極関連量の所定の範囲のバッテリーの状態量を選別することにより、分極の影響が少なく、SOCとの相互関係の高いデータをこの選別された状態量(電圧、電流など)から抽出することができる。 Newly using the value of the polarization-related quantity, the polarization-related quantity of by selecting the state quantity of the predetermined range of the battery, less affected by polarization, the selected state quantity data with a high correlation between the SOC it can be extracted (voltage, current, etc.) from. 以下、この方法を分極関連量利用型演算方式又は従来法と称する。 Hereinafter referred to the method and the polarization-related quantity available type operational method or a conventional method. 具体的には、現時点から所定時間前までのデータを用いて、所定の範囲の分極関連量になったとき、電圧値と電流値のそれぞれの平均値Vav、Iav、開路電圧Voc、内部抵抗Rin、電力Pを計算する。 Specifically, using data from the current time to a predetermined time before, when it becomes polarization-related quantity of a predetermined range, each of the average value Vav of the voltage and current values, Iav, open circuit voltage Voc, internal resistance Rin , to calculate the power P. ただし、開路電圧Vocと内部抵抗はRinは所定時間のデータを用いて最小二乗法をもちいた線形近似から求め、電力は、Voc*Voc /(4*Rin)から求める。 However, the internal resistance and the open circuit voltage Voc is Rin is determined from the linear approximation using the least squares method using the data of the predetermined time, the power is obtained from Voc * Voc / (4 * Rin). これらの5つのデータは、それぞれの最大値(満充電時の値)との比としてニューラルネットの入力パラメータとしている。 These five data is directed to the input parameters of the neural network as the ratio of the respective maximum values ​​(the values ​​of the full charge). また、バッテリーの温度についても入力パラメータとして加えている。 Also applied as an input parameter is also the temperature of the battery.

しかしながら、上記分極関連量利用型演算方式では、各バッテリーの検出誤差にばらつき、特に劣化したバッテリーにおいて検出精度が悪い場合があった。 However, in the above polarization-related quantity-using arithmetic method, variation in the detection error of each battery, there when the detection accuracy is poor, particularly in a battery that is deteriorated. また、前記のニューラルネットの入力とSOCとの相関関係にばらつきがあるため、分極関連量の範囲を狭めることが必要となり、このために検出機会の減少が問題となっていた。 Also, since there are variations on the correlation between the input and the SOC of the neural network, it is necessary to narrow the scope of the polarization-related quantity, a decrease in detection opportunities has been a problem for this.

そこで、バッテリーの動特性を表すモデルに対して、オンラインで推定したRLCの各推定値とパラメータとSOCの相関を調べると、それらには相関関係があり、分極の範囲を広くしても分極の影響が少なく、各バッテリーの前記相関関係にばらつきが少ないことがわかった。 Therefore, the model representing the dynamic characteristics of the battery, examining the correlation of each estimate of RLC estimated online and parameter and SOC, in which there is a correlation, the polarization is also widely the range of polarization effect less, it has been found less variation in the correlation of each battery. すなわち、前記相関関係があることから、RLCの各推定値を入力パラメータに追加することで、検出精度の向上が期待でき、また、分極関連量の範囲を広くすることができるので、検出機会の向上も期待できる。 That is, since the there is a correlation, by adding the respective estimated values ​​of the RLC to the input parameters, improvement in detection accuracy can be expected, also, it is possible to widen the range of polarization-related quantity, detection opportunities improvement can be expected.

図3に分極関連量の範囲が狭い場合(従来法で使用)の、図4に分極関連量の範囲が広くした場合の、RLCの各推定値とSOCとの相関関係を示す。 If a narrow range of polarization-related quantity in FIG. 3 (used in conventional methods), when the range of the polarization-related quantity in FIG. 4 is wider, indicating a correlation between the estimate and the SOC of the RLC. 図3に比べて図4は、前記相関関係があると同時に、バッテリー毎のばらつきが少ないことがわかる。 Figure 4 compared to Figure 3, at the same time when the there is a correlation, it can be seen that variations among the battery is low.

図5に本発明のSOC検出システムを示す。 Indicating the SOC detection system of the present invention in FIG. データ前処理演算部1では、入力パラメータの計算および分極関連量を用いたデータ選別が行われる。 In the data pre-processing operation section 1, the data sorting using the calculation and polarization-related quantity of the input parameters is carried out. また、バッテリー動特性モデルのパラメータ推定部2では、バッテリーの動特性を表すモデルを用意し、電圧と電流からRLCの各値をオンライン推定する。 Moreover, the parameter estimation unit 2 of the battery dynamic characteristic model, providing a model representing the dynamic characteristics of the battery, online estimating the values ​​of the RLC from the voltage and current.

以下の2点の観点からSOCの検出精度の比較を検証する。 Verifying the comparison of the detection accuracy of the SOC in terms of the following two points.
1)分極関連量の範囲が狭い場合(従来法で使用)と分極関連量の範囲を広くした場合2)従来法で使用の入力パラメータを用いた場合と従来法で使用の入力パラメータにさらにRLCの各推定値を入力パラメータに追加した場合ただし、SOCの検出精度は、SOCの真値からの二乗誤差平均として求める。 1) If the narrow range of the polarization-related quantity (more RLC to the input parameters of the prior art in use) and 2 if you wide range of polarization-related quantity) used in the conventional method the conventional method in the case of using the input parameters used in the when added to the input parameters of each estimated value of However, the detection accuracy of the SOC is determined as a mean square error from the true value of the SOC.

図6では、分極関連量の範囲が狭い場合において、RLCの各推定値を入力パラメータに追加した場合の検出精度を示す。 In Figure 6, when a narrow range of polarization-related quantity, indicating the detection accuracy when adding each estimate of the RLC to the input parameter. この場合、検出精度の向上は見られない。 In this case, improvement in detection accuracy is not observed. この理由の一つに、狭い範囲での分極指数では、R、L、CのパラメータとSOCとの相関関係が少ないことによることがわかった。 One reason for this, the polarization index in a narrow range, it was found that due to the R, L, correlation between the parameter and the SOC of C less.

図7に示す分極関連量の範囲を広くした場合において、RLCの各推定値を入力パラメータに追加した場合の検出精度を示す。 In case of widening the range of polarization-related quantity shown in FIG. 7 shows the detection accuracy when adding each estimate of the RLC to the input parameter. 図7では、RLCの各推定値を入力パラメータに追加することで検出精度の向上が確認できる。 In Figure 7, the improvement of detection accuracy by adding the estimated value of the RLC in the input parameter can be confirmed. 特に、従来法(図6のRLC無し)に比べて、この実施例の方法(図7のRLC有り)では、劣化再現バッテリー(1)の検出精度が、実用化への要求性能である10[%]以内となり、全てのバッテリーの検出精度のばらつきが少なくなっていることが確認できる。 In particular, as compared with the conventional method (without RLC in Fig. 6), the method of this embodiment (RLC 7 there), the detection accuracy of the deterioration reproduction battery (1) is a required performance for practical use 10 [ %] within the result, that the variation in the detection accuracy of all batteries running low can be confirmed. また、図8では、分極関連量の範囲が狭い場合と広い場合の検出機会を比較を示しているが、バッテリー毎の個体差はあるものの平均4倍程度の検出機会の向上が確認できる。 Further, in FIG. 8, although the scope of the polarization-related quantity indicates a comparison of detection opportunities when the broad case narrow, improving the average of 4 times the detection opportunities individual difference of each battery is what can be observed.

(実施例2) (Example 2)
本発明を具体化した実施例2を以下に説明する。 Illustrating Embodiment 2 embodying the present invention below.

(回路構成) (Circuit configuration)
この実施例を適用した車両用バッテリのための電池モニタを図9に示すブロック回路図を参照して説明する。 The battery monitor for the vehicle battery according to the this embodiment with reference to the block circuit diagram shown in FIG. 9 will be described.

電池モニタ100は、係数項演算部101、前処理演算部102、ニューラルネット演算部103、電圧演算部104及び劣化度演算部105により構成され、この実施例ではこれらの演算機能はマイクロコンピュータにより実現される。 Cell monitor 100, the coefficient term calculation unit 101, the preprocessing arithmetic unit 102, the neural network computation unit 103 is constituted by the voltage calculation unit 104 and the degradation degree calculation unit 105, implemented in these calculation functions in this embodiment by the microcomputer It is. マイクロコンピュータによる演算の一例を示すフローチャートを図10に示す。 The flow chart showing an example of computation by the microcomputer shown in FIG. 10. ステップS100はバッテリの電圧V、電流I、温度Teを読み込むステップである。 Step S100 is a step of reading the voltage of the battery V, current I, the temperature Te. ステップS200は後述する係数項を演算するステップであり係数項演算部101に相当する。 Step S200 corresponds to the coefficient term calculation unit 101 is a step of calculating the coefficient terms which will be described later. ステップS300はニューラルネットに入力パラメータとして用いるデータを入力されるデータを用いて加工するステップであり前処理演算部102に相当する。 Step S300 corresponds to the step a and the pre-processing arithmetic unit 102 for processing by using the data input data for use as input parameters to the neural network. ステップS400はニューラルネット演算を行ってSOCを算出するステップでありニューラルネット演算部103に相当する。 Step S400 corresponds to the neural network computation unit 103 is a step of calculating the SOC performs neural network calculation. ステップS500は後述するバッテリの電圧推定値を演算するステップであり電圧演算部104に相当する。 Step S500 corresponds to and the voltage calculation unit 104 a step of calculating the voltage estimate value of the battery to be described later. ステップS600は後述するバッテリの劣化度を演算するステップであり劣化度演算部105に相当する。 Step S600 corresponds to a step of calculating a deterioration degree of the battery, which will be described later deterioration degree calculation section 105. 図2に示す演算ルーチンは、一定の短い単位時間ΔTごとに演算される。 Calculation routine shown in FIG. 2 is calculated for every predetermined short unit time [Delta] T.

(変形態様) (Variant)
図9では、係数項演算部101は、読み込まれた電圧V、電流Iの履歴を用いて係数項R、L、Cを演算するが、電圧V、電流Iに対して所定の前処理を行っても良い。 9, the coefficient term calculation unit 101, the voltage read V, coefficient term by using the history of the current I R, L, but calculates the C, subjected to predetermined preprocessing on voltage V, current I and it may be. あるいは、前処理演算部102から出力される出力データを追加的に利用しても良い。 Alternatively, it may be utilized output data outputted from the pre-processing arithmetic unit 102 additionally.

(係数項演算部101) (Coefficient term calculation unit 101)
次に、係数項演算部101について説明する。 Next, a description will be given coefficient term calculation unit 101.

係数項演算部101は、次に示す数1〜数5により示される関数に、読み込んだ電圧V、電流Iを代入して、数1の3つの係数(係数項とも言う)であるC1(k)、C2(k)、C3(k)を算出する。 Coefficient term calculation unit 101, the function indicated by the equations 1 to 5 shown below, read voltage V, by substituting the current I, are three factors of 1 (also referred to as coefficient terms) C1 (k ), C2 (k), to calculate the C3 (k).

これら係数C1(k)、C2(k)、C3(k)、言い換えれば係数R、L、Cは、蓄電状態、劣化状態、分極状態により時間的に変化する。 These coefficients C1 (k), C2 (k), C3 (k), the coefficient other words R, L, C is the power storage state, the deteriorated state, temporally changed by the polarization state. kは今回値(現時点の値)を意味し、k−1は前回値を意味する。 k denotes the current value (the value of the present time), k-1 denotes the previous value. 数1におけるC1(k)、C2(k)、C3(k)は、図11に示す抵抗RとインダクタンスLとキャパシタンス(静電容量)Cとの直列回路(以下、RLC回路とも言う)において所定直前期間の電圧平均値をΔV(k)'と電圧の今回値V(k)との間の電圧偏差ΔV(k)に対する抵抗RとインダクタンスLと静電容量Cの各値に相当する。 Number 1 in C1 (k), C2 (k), C3 (k) is, resistance R and inductance L and the capacitance (electrostatic capacitance) series circuit of a C shown in FIG. 11 given in (hereinafter, also referred to as RLC circuit) corresponding voltage average value of the immediately preceding period for each value of the resistance R and the inductance L and the capacitance C for the voltage deviation [Delta] V (k) between the [Delta] V (k) the current value V 'and the voltage (k). C1(k)は図9に示す係数Rに相当し、C2(k)は図9に示す係数(微分係数とも呼ぶ)Lに相当し、C3(k)は図9に示す係数(積分係数とも呼ぶ)Cに相当する。 C1 (k) is equivalent to the coefficient R shown in FIG. 9, C2 (k) is (also referred to as a differential coefficient) coefficients shown in FIG. 9 corresponds to L, C3 (k) is a coefficient (integration coefficient both shown in FIG. 9 call) corresponds to the C. 数1において、電圧偏差ΔV(k)、電流偏差ΔI(k)を採用するのは、インダクタンスL及び静電容量Cが、電圧及び電流の変化に対して有効な係数であるためであり、これら係数L及びC言い換えればC2(k)、C3(k)を強調するためである。 In Equation 1, the voltage deviation [Delta] V (k), to adopt a current deviation [Delta] I (k), the inductance L and capacitance C is, is because it is effective coefficients to changes in voltage and current, these in other words the coefficient L and C C2 (k), in order to emphasize the C3 (k). 数1〜数5を用いたC1(k)、C2(k)、C3(k)は、実施例1で説明された公知のオンライン同定法を用いて演算することができる。 C1 using equations 1 to 5 (k), C2 (k), C3 (k) can be calculated by using a known online identification method described in Example 1.

(変形態様) (Variant)
なお、係数項演算部101にて用いる電池の回路モデル(数学モデル)としては、数1〜数5で示される図11の回路モデルを採用した。 As the circuit model of a battery used by the coefficient term calculation unit 101 (mathematical model) was employed circuit model of FIG. 11 indicated by equations 1 to 5.

数1〜数5において、(k)は一定周期ΔTで得たデータの今回値(k番目のデータ)を示し、(k)は前回値を示す。 In equations 1 5, (k) denotes the current value of the data obtained at a constant period [Delta] T (k-th data), (k) denotes the previous value.

したがって、数1の(a)項は電圧差ΔV(k)のうちの電流比例電圧成分を示す項であり、その係数項C1(k)は電気抵抗的係数とみなすことができる。 Therefore, the number 1 of paragraph (a) is a term indicating a current proportional voltage component of the voltage difference [Delta] V (k), the coefficient term C1 (k) can be considered as electrically resistive coefficient. また、数1の(b)項は電圧差ΔV(k)のうちの電流微分電圧成分を示す項であり、その係数項C2(k)はインダクタンス的係数とみなすことができる。 The number 1 in paragraph (b) is a term indicating a current differential voltage components of the voltage difference [Delta] V (k), the coefficient term C2 (k) can be regarded as an inductance manner coefficient. 更に、数3の(c)項は電圧差ΔV(k)のうちの電流積分電圧成分を示す項であり、その係数項C3(k)はキャパシタンス的係数とみなすことができる。 Furthermore, the number 3 (c) term is a term indicating the current integral voltage component of the voltage difference [Delta] V (k), the coefficient term C3 (k) can be regarded as a capacitance manner coefficient.

したがって、この実施例で用いた上記数学モデルは、図11に示すように電池を抵抗RとインダクタンスLとキャパシタンスCとを直列接続したRLC直列接続回路により等価したものとみなすことができる。 Thus, the mathematical model used in this embodiment can be deemed to have equivalent by the RLC series circuit of the resistor R and the inductance L and the capacitance C batteries connected in series as shown in FIG. 11. ただし、この実施例で用いた上記数学モデルでは、RLC回路からなる電池モデルに電圧差ΔV(k)を印加することをその重要な特徴としている。 However, in the above mathematical model used in this example, it has as its essential feature the application of a voltage difference [Delta] V (k) to the battery model consisting of RLC circuit. この電圧差ΔV(k)は、電圧Vの今回値と電圧Vの所定の過去値V(k)'との差により定義される。 The voltage difference [Delta] V (k) is defined by the difference between the predetermined past value V of the current value and the voltage V (k) 'voltage V. この実施例において、電池モデルを示す回路に、電圧ではなく電圧差ΔV(k)を印加するのは、電圧のうちその変化成分を強調するためである。 In this embodiment, the circuit of a battery model, to apply a voltage difference [Delta] V (k) instead of the voltage is to emphasize the change component of the voltage. よく知られているように、インダクタンスLやキャパシタンスCは本質的に電圧変化、電流変化に強く反応する成分であるため、電圧差ΔV(k)を用いることにより回路モデルのうち、インダクタンスLやキャパシタンスCの演算精度を向上することができ、それによりSOC演算精度や後述する劣化度演算精度などを改善することができた。 As is well known, the inductance L and capacitance C are essentially voltage change, because it is a component which reacts strongly to current change, of the circuit model by using the voltage difference [Delta] V (k), the inductance L and the capacitance it is possible to improve the C calculation accuracy was thereby able to improve such deterioration degree calculation accuracy of SOC calculation accuracy or later.

数4は電圧過去値V(k)'を算出する式を示し、数5は電流過去値ΔI(k)'を算出するための式である。 Number 4 'The equation for calculating the number 5 is the current past values ​​[Delta] I (k)' Voltage past values ​​V (k) is an equation for calculating the. Nは、電圧過去値V(k)'、電流過去値ΔI(k)'を算出するために用いる直近過去の電圧データVや電流データVの個数を示す数である。 N is the voltage past values ​​V (k) is a number indicating the number of most recent historical voltage data V and current data V used to calculate the 'current past values ​​[Delta] I (k)'. つまり、k−Nは、今回値(現在のサンプリング回数k)からN番目前のサンプリングデータを指定する。 That, k-N specifies the N-th previous sampling data from the current value (current sampling number k). したがって、この実施例では、電圧過去値V(k)'は直近所定期間の電圧平均値を示し、電流過去値ΔI(k)'は直近所定期間の電流平均値を示す。 Thus, in this embodiment, the voltage past values ​​V (k) 'represents the voltage average value of the last prescribed period, current past values ​​[Delta] I (k)' represents the current average value of the most recent predetermined period.

(変形態様) (Variant)
図11に示すRLC直列接続回路の他、たとえば図12〜図14で示される種々の回路モデルを採用することができる。 Other RLC series circuit shown in FIG. 11, it is possible to employ various circuit model shown for example in FIGS. 12 to 14. 図13の回路モデルは従来周知の電池の等価回路モデルである。 Circuit model of FIG. 13 is an equivalent circuit model of the conventional known battery.

図11、図12、図14の回路モデルの特徴は、電池の回路モデルとして、インダクタンスLを採用した点に特徴がある。 11, 12, characterized in the circuit model of Figure 14, as the circuit model of the battery, is characterized in employing the inductance L. 更に説明すると、電池の内部インピーダンスは、電極部インピーダンスと電解質インピーダンスとの直列回路と見なすことができる。 In more detail, the internal impedance of the battery can be viewed as a series circuit of the electrode portion impedance and the electrolyte impedance. 電極部インピーダンスは、電極表面の酸化膜を示すキャパシタンス及び分極量に相関を有する電気二重層によるキャパシタンスと抵抗との並列回路で等価されている。 Electrode portion impedance is equivalent parallel circuit with a capacitance by electric double layer having a correlation to the capacitance and the polarization indicating the oxide film on the electrode surface and resistance. 図13において、電極部インピーダンスは、電極表面の酸化膜を示すキャパシタンスと第1の抵抗との直列回路と、この直列回路を経由しない第2の抵抗と、この直列回路及び第2の抵抗と並列接続された電気二重層キャパシタンスとにより等価されている。 13, the electrode unit impedance, a series circuit of a capacitance and a first resistor which indicates an oxide film on the electrode surface, and a second resistor which does not pass through this series circuit, and the series circuit and the second resistor in parallel It is equivalent by a connected electric double layer capacitance. なお、図12〜図14の回路を図11の回路に分解すると、インダクタンスLが生じる。 Incidentally, when decomposed into the circuit of Figure 11 to the circuit of FIGS. 12 to 14, the inductance L occurs. また、電解液は、電圧(電界)変化に遅れるイオン動作成分をもち、これはインダクタンス成分Lにより等価されることができる。 Moreover, the electrolyte has an ionic operation component lagging the voltage (electric field) change, this can be equivalent by the inductance component L.

このように、電池の回路モデルとして新たにインダクタンス成分Lを採用したことにより、電池をより高精度に回路等価することができ、その結果として回路モデルを用いた種々の電池状態量演算の精度を向上することができた。 Thus, by adopting the new inductance component L as a circuit model of the battery, can be circuit equivalent to more accurately a battery, a variety of precision of the battery state quantity calculation using the circuit model as a result We were able to improve.

また、インダクタンス成分Lは、キャパシタンス成分Cに比較して、電極劣化と電解液劣化とのうち電解液劣化に相対的に強い相関をもち、キャパシタンス成分Cは、インダクタンス成分Lに比較して、電極劣化と電解液劣化とのうち電極劣化に相対的に強い相関をもつことがわかった。 Further, the inductance component L, compared to the capacitance component C, have a relatively strong correlation electrolyte deterioration of the electrolytic solution deteriorate and electrode degradation, capacitance component C, compared to the inductance component L, electrode It was found to have a relatively strong correlation electrode deterioration of deterioration and the electrolyte solution degradation.

(前処理演算部102) (Pre-processing operation section 102)
次に、前処理演算部102に相当する前処理演算ルーチンS300を図15に示すフローチャートを参照して説明する。 Next, a preprocessing operation routine S300 which corresponds to the pre-processing arithmetic operation unit 102 with reference to a flowchart shown in FIG. 15.

まず、バッテリの電圧V、電流I、温度Te、係数(係数項)R、L、Cを読み込み(S302)、読み込まれたこれらのデータは記憶される。 First, the voltage of the battery V, current I, the temperature Te, coefficient (coefficient term) read R, L, and C (S302), these data read is stored.

次に、記憶するこれらのデータに基づいて、開路電圧Voc、内部抵抗値Rin、電力Poを算出する(S304)。 Then, based on these data to be stored, to calculate open circuit voltage Voc, internal resistance Rin, the power Po (S304).

まず、分極指数(分極関連量)Pを次のように演算する。 First, to calculate the polarization index (polarization-related quantity) P as follows. 分極指数Pは、前回のサンプリング時点から今回のサンプリング時点までに生じた分極指数の増加量ΔP1と、前回のサンプリング時点から今回のサンプリング時点までに減衰した分極指数の減衰量ΔP2とを、前回のサンプリング時点での分極指数Pの前回値(すなわち分極指数Pの残存値)Pxから加減算して算出され、今回検出した電圧Vと電流Iとワンセットで記憶される。 Polarization index P is the current from the previous sampling instant and increase ΔP1 polarization index that occurred to the sampling point, the attenuation amount ΔP2 of polarization index was attenuated to the current sampling time from the last sampling, the previous previous value of the polarization index P at the sampling time (i.e. residual polarization value index P) is calculated by subtracting from Px, stored in this detected voltage V and the current I and the one set.

この実施例では、分極指数の増加量ΔP1は、前回のサンプリング時点から今回のサンプリング時点までの時間であるサンプリングインタバルΔTと、今回の電流値Iとを掛けた値であり、実質的に前回のサンプリング時点から今回のサンプリング時点までの電流積算値に等しい。 In this embodiment, the increase ΔP1 polarization index is the sampling interval ΔT is a time until the present sampling point from the previous sampling instant, a value obtained by multiplying the current of a current value I, substantially in the last equal to the current integrated value from the sampling point to the current sampling time point. なお、電流積算値は電荷量であり、電荷量は分極量に比例すると見なすことができる。 The current integrated value is a charge amount, may be considered to amount of charge is proportional to the amount of polarization.

分極指数の減衰量ΔP2は、(1/τ)・Px・ΔTにより算出される。 Attenuation ΔP2 polarization index is calculated by (1 / τ) · Px · ΔT. ここでτは減衰時定数である。 Where τ is the decay time constant. すなわち、分極指数は、単位時間ΔT後に(1/τ)の割合だけ減衰するものとする。 That is, the polarization index is intended to attenuated by the ratio of after the unit time ΔT (1 / τ). ただし、この減衰時定数τは、充電時と放電時とで異なるため、今回検出した電流Iが充電電流であればτとしてτpを採用し、今回検出した電流Iが放電電流であればτとしてτdを採用する。 However, the decay time constant tau, since different between during discharge and during charging, this detected current I is adopted τp as tau if the charging current, as tau if currently detected current I is the discharge current to adopt a τd. 結局、ほぼ現在の分極量に比例する分極指数Pは、次式で表されることになる。 Eventually, the polarization index P proportional approximately to the current polarization amount will be expressed by the following equation.

P=Pxー1+I・ΔTー(1/τ)・Px・ΔT P = Px over 1 + I · ΔT over (1 / τ) · Px · ΔT
τ=τp(充電時) τ = τp (during charging)
τ=τd(放電時) τ = τd (during discharge)
次に、前処理演算部102は、今回算出した分極指数Pとワンセットで記憶されている電圧Vと電流Iとのペアの群(以下、等分極電圧・電流ペア群と称する)をすべて記憶装置から読み出し、読み出した電圧・電流ペア群から開路電圧Voと内部抵抗Rとを演算する。 Next, the pre-processing operation section 102, the group of pairs of voltage V and current I stored in this calculated polarization index P and one set (hereinafter, referred to as an equal polarization voltage and current pair group) All storage read from the device, calculates the open-circuit voltage Vo and internal resistance R from the read voltage and current pair group.

更に説明すると、開路電圧Vo及び内部抵抗Rは所定インタバルでサンプリングし記憶している上記抽出した電圧Vと電流Iとのペアの二次元分布を示す電圧ー電流分布図において、最小自乗法により電圧Vと電流I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Lにより切片(開路電圧Voc)及び/又は傾斜(内部抵抗Rin)を電圧Vと電流Iとのペアが入力されるごとに演算して求めればよい。 With further described, in the voltage over the current distribution diagram showing a two-dimensional distribution of the pair of open-circuit voltage Vo and internal resistance R from the voltage V and the current I as described above extracted are sampled and stored at a predetermined interval, the voltage by the least square method calculating a linear approximation L showing the relationship between V and the current I, and created, this linear approximation L by sections (open circuit voltage Voc) and / or tilt (internal resistance Rin) pairs of voltage V and current I it may be obtained by calculating each input. 直線近似式を用いた開路電圧及び内部抵抗の算出自体は公知事項であるため、更なる説明は省略する。 Since the calculation itself of the open circuit voltage and the internal resistance using the linear approximation is known matter, further explanation is omitted. 電力Poは電流と電圧とを掛けて求めることができる。 Power Po can be obtained by multiplying the current and voltage.

次に、今回入力された電圧V、電流Iの今回値を含む入力データを用いてニューラルネット演算を行うかどうかを分極指数Pに応じて判定する。 Next, it is determined currently input voltage V, and whether to perform the neural network calculation using the input data including the current value of the current I in accordance with the polarization index P. この実施例では、分極指数Pが一定限度を超えたかどうかを判定し(S306)、超える場合にはニューラルネット演算部103へのデータ書き込みを中止し(S308)、以下の場合にはニューラルネット演算部103へのデータ書き込みを行う(S310)。 In this embodiment, the polarization index P is determined whether or above a certain limit (S306), exceeds case stops writing data to the neural network calculation unit 103 (S308), the following cases neural network calculation writing data to the part 103 (S310). すなわ、この実施例では、分極指数Pが大きい場合には、ニューラルネット演算によるSOC算出を中止する。 Words, in this embodiment, when the polarization index P is large, stops the SOC calculation by the neural network calculation. これにより、SOC検出精度を向上することができる。 Thus, it is possible to improve the SOC detection accuracy.

(変形態様) (Variant)
なお、開路電圧Vo及び内部抵抗Rを算出する電圧V、電流Iのデータを分極指数Pにより抽出することなく、すべての電圧V、電流Iのデータを用いて開路電圧Vo及び内部抵抗Rを算出してもよい。 The voltage to calculate the open-circuit voltage Vo and internal resistance R V, without extracting data of the current I by the polarization index P, all the voltages V, and the open circuit voltage Vo and internal resistance R using the data of the current I calculated it may be.

(ニューラルネット演算部103) (Neural network calculation section 103)
次に、ニューラルネット演算部103に相当するニューラルネット演算ルーチンS400を図フローチャートを図15を参照して説明する。 Next, the neural network calculation routine S400 which corresponds to the neural network computation unit 103 will be described with reference to FIG. 15 to FIG flowchart.

まず、前処理演算部102から入力データを読み込み(S402)、次に、満充電かどうかを判定する(S406)。 First reads the input data from the preprocessing arithmetic unit 102 (S402), then determines whether fully charged (S406). この満充電判定について説明する。 For the full charge judgment it will be explained. 所定インタバルでサンプリングして前処理演算部102に記憶している二次電池の電圧Vと平均電流Iとのペア(電圧・電流ペア)の二次元分布を示すテーブルから、今回検出した電圧Vと電流I(更に好適にはその直近の平均値である平均電圧Va及び平均電流Ia)のペアが指定する座標点が満充電領域に入った場合に満充電と判定し、この時の電圧V又はVaを満充電時の開路電圧VofuLとする。 From a table showing a two-dimensional distribution of the pair (voltage and current pairs) between the voltage V of the secondary battery stored in the pre-processing operation section 102 and the average current I is sampled at a predetermined interval, and the voltage V detected this time current I (more preferably the average voltage is a recent average value Va and average current Ia) determines that full charge when the coordinate point pairs to specify enters the full charge area voltage at the V or and open circuit voltage VofuL at full charging Va.

次に、この満充電時の開路電圧VofuLの大きさが含まれる範囲の入力パラメータに基づいてあらかじめ学習され、記憶している結合係数記憶テーブルを記憶装置から選択し、この選択した結合係数記憶テーブルを以後のニューラルネット演算において使用する(S408)。 Then, the full magnitude of the open circuit voltage VofuL during charging is previously learned based on the input parameter range included, the coupling coefficient storage table stored selected from the storage device, the selected coupling coefficient storage table the use in the subsequent neural network computation (S408). なお、記憶装置は、満充電時の開路電圧VofuLの大きさにより区分される複数の特性範囲ごとにそれぞれ一つの結合係数記憶テーブルを有している。 The storage device has a respective one of the coupling coefficient storage table for each of a plurality of characteristic ranges that are classified by the magnitude of the open circuit voltage VofuL at full charge. 各結合係数記憶テーブルに記憶されている結合係数は、自己が属する特性範囲内の満充電時の開路電圧VofuLをもつ学習用バッテリからの入力パラメータに基づいて演算した結合係数である。 Coupling coefficients stored in each coupling coefficient storage table is a coupling coefficient computed based on the input parameters from the learning battery that has a open circuit voltage VofuL when fully charged within range of properties itself belongs. 満充電でないと判定した場合には、結合係数記憶テーブルの上記変更は行わず後述するニューラルネット演算を行う。 When it is determined that the full non-charged, the above change in the coupling coefficient storage table performs neural network calculation to be described later without.

なお、この結合係数記憶テーブルの変更は、ニューラルネット演算部103の切り替えに相当する。 Note that this change in the coupling coefficient storage table corresponds to the switching of the neural network computation unit 103.

(変形態様) (Variant)
上記実施例では、満充電時の開路電圧VofuLの大きさにより、今回用いる結合係数記憶テーブルを変更したが、満充電時の開路電圧VofuLの代わりに、分極指数Pの大きさにより、分極指数Pを複数の群に分別し、分極指数Pの各群ごとにそれぞれ異なる結合係数記憶テーブルを準備しておき、今回求めた分極指数Pが属する分極指数Pの群に対応する結合係数記憶テーブルを選択して、ニューラルネット演算を行っても良い。 In the above embodiment, the size of the full charge when the open circuit voltage VofuL, has been changed the coupling coefficient storage table used now, instead of open circuit voltage VofuL at full charge, the magnitude of the polarization index P, the polarization index P the fractionated into a plurality of groups in advance to prepare a different coupling coefficient storage table for each group of the polarization index P, select the coupling coefficient storage table corresponding to the group of polarization index P of determined polarization index P belongs time to, may be subjected to a neural network operation. その他、今回求めた係数R、L、Cの組み合わせにより結合係数記憶テーブルを選択してもよい。 Other factors currently obtained R, L, may be selected coupling coefficient storage table a combination of C.

次に、今回選択した結合係数記憶テーブルがロードされているニューラルネットに前処理演算部102から入力データが入力され、ニューラルネット演算が行われて残存容量率(SOC)が演算され(S410)、演算された残存容量率(SOC)が出力される(S412)。 Next, the coupling coefficient storage table selected this time is input the input data from the pre-processing arithmetic unit 102 to the neural network being loaded, remaining capacity ratio neural network calculation is performed (SOC) is calculated (S410), the calculated residual capacity rate (SOC) is output (S412).

(ニューラルネット演算の詳細説明) (Detailed description of the neural network operation)
次に、上記したニューラルネット演算について図17に示すブロック図を参照して説明する。 It will now be described with reference to the block diagram shown in FIG. 17 for the neural network calculation described above. 学習済みのニューラルネット演算部103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。 I learned neural network computation unit 103 is in the form of learning by back propagation method with a feedforward type of three layers, but is not limited to this format. ニューラルネット演算部103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。 Neural network calculation section 103, an input layer 201, is formed by the intermediate layer 202, and an output layer 203. ただし、ニューラルネット演算部103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。 However, the neural network calculation unit 103 is actually constituted by software processing performed by a predetermined calculation interval. つまり、ニューラルネット演算部103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17に示す回路構成は機能的なものにすぎない。 In other words, the neural network calculation section 103, because the fact is constituted by software operations of the microcomputer circuit, the circuit configuration shown in FIG. 17 is merely functional ones. 入力層201の各入力セルは入力パラメータ(入力データ)を個別に受け取り、中間層202の各演算セルすべてに出力する。 Each input cell of the input layer 201 receives the individual input parameters (input data), and outputs all the processing cells of the intermediate layer 202. 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。 Each calculation cell of the intermediate layer 202 performs neural network calculation to be described later to each data input from each input cell of the input layer 201, and outputs the result to the output cell in the output layer 203. 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。 Output cell in the output layer 203, in this embodiment outputs the charging rate (SOC).

次に、ニューラルネット演算部103の学習について以下に説明する。 It will now be discussed learning of the neural network computation unit 103.

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、 INj input data of the j-th cell of the input layer 201, an input signal to the k-th cell of the j-th and the coupling coefficient of the k-th cell of the intermediate layer 202 and Wjk intermediate layer of input layer 201,
INPUTk(t)=Σ( Wjk * INj ) ( j = 1 to 2m+3 ) INPUTk (t) = Σ (Wjk * INj) (j = 1 to 2m + 3)
となる。 To become. 中間層のk番目のセルからの出力信号は、 The output signal from the k-th cell of the intermediate layer,
OUTk(t)=f(x)=f( INPUTk(t) + b ) OUTk (t) = f (x) = f (INPUTk (t) + b)
で表される。 In represented. bは定数である。 b is a constant. 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) is a nonlinear function of so-called sigmoid function which an input variable INPUTk (t) + b,
f (INPUTk(t) + b )=1/(1+exp(−( INPUTk(t) + b))) f (INPUTk (t) + b) = 1 / (1 + exp (- (INPUTk (t) + b)))
で定義される関数である。 Is a function that is defined in. 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、 If the coupling coefficient between the k-th cell and the cell of the output layer 203 of the intermediate layer 202 and Wk, an input signal to the output layer is likewise
INPUTo(t)=Σ Wk * OUTk(t) INPUTo (t) = Σ Wk * OUTk (t)
k=1 to Q k = 1 to Q
で表される。 In represented. Qは中間層202のセル数である。 Q is the number of cells in the intermediate layer 202. 時刻tにおける出力信号は、 The output signal at time t,
OUT(t)=L * INPUTo(t) OUT (t) = L * INPUTo (t)
となる。 To become. Lは線形定数である。 L is a linear constant.

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。 The learning process referred to in this specification, the final output OUT (t) at time t, each cell so as to minimize the error between the teacher signal below that previously measured (i.e. a true value tar (t)) it is to optimize the coupling coefficient between. 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。 The output OUT (t) is an output parameter to be output by the output layer 203, here a SOC at time t.

次に各結合係数の更新方法について説明する。 Next will be described a method of updating the coupling coefficient.

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、 Updating of the coupling coefficient Wk between the k-th cell and the output layer cell of the intermediate layer,
Wk = Wk + △Wk Wk = Wk + △ Wk
の演算により行われる。 It is performed by the operation of. ここで△Wkは以下で定義される。 Here △ Wk is defined by the following.

△Wk = −η*∂Ek/∂Wk η;定数 △ Wk = -η * ∂Ek / ∂Wk η; constant
= η* { OUT(t) − tar(t) }* { ∂OUT(t)/∂Wk } = Η * {OUT (t) - tar (t)} * {∂OUT (t) / ∂Wk}
= η* { OUT(t) − tar(t) }* L *{ ∂INPUTo(t)/∂Wk } = Η * {OUT (t) - tar (t)} * L * {∂INPUTo (t) / ∂Wk}
= η* L* { OUT(t) − tar(t) } * OUTk(t) = Η * L * {OUT (t) - tar (t)} * OUTk (t)
で表される。 In represented. 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 is an amount representing the teacher data and the error of the network output is defined by the following equation.

Ek={ OUT(t) − tar(t) }×{ OUT(t) − tar(t) }/2 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。 Next, the update rule of the coupling coefficient Wjk of the k-th cell and the j-th cell of the input layer 201 of the intermediate layer 202. 結合係数Wjkの更新は以下の式で実現される。 Updating of the coupling coefficient Wjk is realized by the following equation.

Wjk = Wjk + △Wjk Wjk = Wjk + △ Wjk
ここで△Wjkは以下で定義される。 Here △ Wjk is defined by the following.

△Wjk = −η*∂Ek/∂Wjk △ Wjk = -η * ∂Ek / ∂Wjk
= −η*{∂Ek/∂INPUTk(t) } * {∂INPUTk(t)/∂Wjk } = -Η * {∂Ek / ∂INPUTk (t)} * {∂INPUTk (t) / ∂Wjk}
= −η*{∂Ek/∂OUTk(t) } *{∂OUTk(t)/∂INPUTk(t) } * INj = -Η * {∂Ek / ∂OUTk (t)} * {∂OUTk (t) / ∂INPUTk (t)} * INj
= −η*{∂Ek/∂OUT(t) } * {∂OUT(t)/∂INPUTo} * = -Η * {∂Ek / ∂OUT (t)} * {∂OUT (t) / ∂INPUTo} *
{∂INPUTo/OUTk(t) } * f'(INPUTk(t)+b)* INj {∂INPUTo / OUTk (t)} * f '(INPUTk (t) + b) * INj
= −η*( OUT(t)−tar(t)) *L* Wk *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) = -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。 Here, f '(INPUTk (t) + b) is the differential value of the transfer function f.

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。 Thus updated new coupling coefficients Wk, the SOC calculated in the re-output OUT (t) i.e. the time t in Wjk, continues to update the coupling coefficients until the error function Ek becomes below a predetermined small value. 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、ニューラルネット演算部103は学習を行う。 By thus slide into updating the coupling coefficient to be an error function Ek below a predetermined value, the neural network calculation section 103 performs learning.

上記学習過程のフローチャートを図18に示す。 The flowchart of the learning process shown in FIG. 18. ただし、ニューラルネット演算部103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。 However, the state of charge of the output parameter of the power storage device to the neural network computation unit 103 outputs is an SOC (charging rate), it may be residual capacity (SOH).

図18において、まずニューラルネット演算部103の各結合係数の適当な初期値を設定する(ステップS422)。 18 first sets an appropriate initial value for each coupling coefficient of the neural network computation unit 103 (step S422). これは例えば乱数などにより適当に決定すればよい。 This may be appropriately determined by, for example, a random number. 次に、学習用の入力信号をニューラルネット演算部103の入力層201の各セルに個別に入力し(ステップS423)、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S424)。 Then enter individually input signal for learning in each cell of the input layer 201 of the neural network computation unit 103 (step S423), that the input signal to the neural network computation using the initial values ​​of the coupling coefficient as described above calculating the SOC as an output parameter (step S424). 次に、上記した方法で誤差関数Ekを算出し(ステップS425)、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S426)。 Next, in the manner described above to calculate the error function Ek (step S425), the error function determines whether a predetermined minute value th is smaller than (step S426). 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S427)、各結合係数を更新する(ステップS428)。 If the error function Ek is greater than the very small value th, the update amount of the learning process the coupling coefficient defined by △ W was calculated (step S427), and updates the respective coupling coefficients (step S428). 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。 Next, calculate the SOC by inputting an input signal for learning in each cell of the input layer 201 again. 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S429)、この学習課程を終了する。 Next, it is determined that it has completed the learning if falls below the small value th by evaluating miscalculation function Ek (step S429), ends the learning process. 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。 If less than the error function Ek is small value, and SOC calculated coupling coefficient again Update, and evaluated the error function Ek, the error function Ek repeats this process to below the minute value.

各満充電時の開路電圧VofuLごとにあらかじめ区分された幾つかの電池の所定の充放電パターンを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、ニューラルネット演算部103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。 By executing a learning process in which a predetermined charge and discharge pattern of several cells that have been previously classified by the open circuit voltage VofuL of each fully charged above before shipment of the product, Oke by learning neural network computation unit 103 if, despite the manufacturing variations of each vehicle battery to be mounted separately in each vehicle, it is possible to calculate the SOC with high accuracy by the neural network calculation of the SOC of the vehicle battery subsequent to traveling.

(電圧演算部104) (Voltage calculation unit 104)
次に、電圧演算部104について説明する。 Next, a description will be given voltage calculation unit 104.

まず、この電圧演算部104の目的を説明する。 First, the purpose of this voltage calculation unit 104. 車両用電源系において大電力負荷の断続などによりバッテリ電圧が急激に変動すると、たとえばヘッドランプ照度が急変したりする不具合がある。 When the battery voltage due to intermittent high power load in the power supply system for a vehicle is rapidly changed, there is for example bug headlamp illumination or changes suddenly. 大電力負荷の断続によるバッテリ電圧の変動量は、バッテリの蓄電状態、分極状態、劣化状態により変動する。 The variation amount of the battery voltage due to intermittent high power loading, varies the state of charge of the battery, the polarization state, the deteriorated state. たとえば非常に劣化したバッテリではその変動量は大きい。 For example the variation in a very degraded battery is large.

大電力負荷の断続や発電量の変更などによりバッテリの電流変化ΔIは予め推定可能である。 Intermittent and power amount of the battery current change ΔI such as changing high power load can be estimated in advance. そこで、大電力負荷の断続情報に応じてバッテリの電流変化ΔIを求め、バッテリの電流の今回値Ikから電流変化ΔIを差し引いて電流値をバッテリの電流の次回値Ixとし、この電流の次回値Ixを既述した数1〜数5により示される関数により模擬されるバッテリの回路モデル(数学モデル)に代入すれば、バッテリの電圧(車両用電源系の電圧)の次回値(直近の将来値)Vxを推定することができる。 Therefore, seeking a current change ΔI of the battery in accordance with the intermittent information of the large power load, the current value by subtracting the current change ΔI from the current value Ik of the battery current and the next value Ix of the battery current, next value of the current by substituting the battery circuit model is simulated by a function represented by the equations 1 to 5 already described the ix (mathematical model), the next value of the battery voltage (the voltage of the power supply system for a vehicle) (immediate future values ) Vx can be estimated. この電圧の次回値Vxが分かれば、それが所定のしきい値を超える場合に、たとえば発電量を増大したり、切断可能な負荷を一時的に遮断したりして、車両用電源系の電圧降下を抑制することができる。 If the next value Vx of the voltage is known, if it exceeds a predetermined threshold value, for example, to increase the power generation amount, and to temporarily cut off the cleavable load, the power supply system voltage for a vehicle it is possible to suppress the drop.

上記動作を図19に示すフローチャートを参照して更に具体的に説明する。 More specifically explained with reference to the flowchart shown in FIG. 19 the above operation.

まず、図示しない車両用電源管理コントローラを構成するマイコンから大電力負荷の断続に伴う直近の将来の電流変化ΔIを読み込む(S502)。 First reads the most recent future current change ΔI with a microcomputer that constitutes the power management controller for a vehicle (not shown) intermittently large power load (S502). 次に、読み込んだ電流変化ΔIと所定しきい値とを比較し(S504)、電流変化ΔIが小さければこのルーチンを終了し、大きければ入力データを読み込む(S506)。 Next, compared with the current change ΔI with a predetermined threshold value read (S504), the smaller the current change ΔI ends this routine reads the input data is greater (S506). この入力データは、電池状態データすなわち、電圧V、電流Iと、係数項演算部101で演算した係数R、L、Cの今回値とする。 The input data, that is, battery status data to the voltage V, current I, the coefficient calculated in the coefficient term calculation unit 101 R, L, and the current value of C. 次に、電流Iから電流変化ΔIを差し引いて電流Iの次回値とし、その他のデータは上記読み込みデータを数1〜数5に代入して電圧Vを算出し(S508)、それを電圧Vの次回値すなわち電圧推定値として車両用電源管理コントローラに出力する(S510)。 Then, the next value of the current I by subtracting the current change ΔI from the current I, and other data to calculate the voltage V by substituting the equations 1 to 5 the read data (S508), it voltage V next value that is output to the power management controller for a vehicle as estimated voltage value (S510). 車両用電源管理コントローラは入力された電圧推定値に基づいて電圧降下が大きいと判断した場合に重要度が低い負荷遮断を行い、電圧上昇が大きいと判断した場合に重要度が低い負荷への給電を行う。 The power management controller for a vehicle performs a low load shedding importance when it is determined that a large voltage drop on the basis of the voltage estimation value input, power supply to the less critical load if it is determined that the voltage rises higher I do.

(劣化度演算部105) (Degradation degree calculation unit 105)
次に、劣化度演算部105について説明する。 It will now be described deterioration degree calculation section 105. 係数項演算部101で算出した係数R、L、Cは、既述したように、図11に示すバッテリの疑似等価回路モデルにおける抵抗R(比例係数)、インダクタンスL(微分係数)、キャパシタンスC(積分係数)とみなすことができる。 Coefficient calculated by the coefficient term calculation unit 101 R, L, C, as previously described, the resistance R (proportional coefficient) of the pseudo-equivalent circuit model of the battery shown in FIG. 11, the inductance L (derivative), the capacitance C ( can be regarded as integral coefficient).

電池の劣化は、電極表面の酸化膜の厚さの増大による電極の劣化と、電解液液の劣化とに分別される。 Battery deterioration, and the deterioration of the electrode due to the thickness increase of the oxide film on the electrode surface, is separated into a deterioration of the electrolyte solution. これらの劣化は、抵抗Rを増大させる他、インダクタンスLやキャパシタンスCも変化させる。 These degradation, in addition to increasing the resistance R, inductance L and capacitance C is also changed. そこで、これら係数R、L、Cと劣化度合いとの関係を予め調べて4次元マップに記憶しておき、算出した係数R、L、Cをこのマップに代入して劣化度合いを判定することができる。 Therefore, the coefficients R, L, previously investigated stored in a four-dimensional map the relationship between the C and the deterioration degree calculated coefficient R, L, is possible to determine the degree of degradation by substituting C to this map it can. また、係数R、L、Cと電極劣化度合と電解液劣化度合との関係をマップに予め記憶しておけば、算出した係数R、L、Cをこのマップに代入することにより、電極劣化度合と電解液劣化とを分別することもできる。 Also, be previously stored coefficient R, L, the relationship between the C and the electrode deterioration degree and the electrolyte degradation degree to the map, the calculated coefficient R, L, by substituting C to this map, electrode deterioration degree it is also possible to separate the electrolyte and degradation.

この演算を図20に示すフローチャートに示す。 It is shown in flow chart of the operation in FIG. 20.

まず係数R、L、Cを読み込み(S602)、この係数R、L、Cをマップに代入して劣化度をサーチし(S604)、求めた劣化度を出力する(S606)。 First coefficient R, L, reads the C (S602), the coefficient R, L, searches the deterioration degree by substituting the map C (S604), and outputs a degradation degree determined (S606). これにより、バッテリの劣化度の許容できない進行を知ることができ、ドライバーにその交換を促したり、劣化度を織り込んだ発電制御を行うことができる。 Thus, it can know the progress unacceptable degree of deterioration of the battery, or prompt the replacement driver, it is possible to perform power generation control woven deterioration degree.

(変形態様) (Variant)
求めた劣化度を、ニューラルネット演算部103で行った結合係数記憶テーブルの選択に用いることができる。 The deterioration degree obtained can be used for selection of the coupling coefficient storage table made in the neural network calculation section 103. すなわち、劣化度が類似する各バッテリにおいて、ニューラルネットの入力データ(入力パラメータ)と出力パラメータ(SOC)との間の相関関係は類似傾向が強い。 That is, in the battery deterioration degree are similar, the correlation between the input data of the neural network (input parameter) and output parameter (SOC) has a strong similarity tendency. したがって、劣化度が似た複数の群ごとに結合係数記憶テーブルを形成しておき、今回又は前回演算した劣化度の値が属する劣化度の群に対応する結合係数記憶テーブルを用いてニューラルネット演算を行う。 Therefore, the neural network calculation using the coupling coefficient storage table deterioration degree previously formed a coupling coefficient storage table for each of a plurality of groups similar, it corresponds to the group of degrees of deterioration value of the current or previous calculated degradation degree belongs I do. このようにすれば、SOC演算精度を大幅に改善することができる。 In this way, it is possible to greatly improve the SOC calculation accuracy.

実施例1において数学モデルを用いた推定精度を二乗平均誤差と誤差率として示す図である。 Is a diagram showing the estimation accuracy using the mathematical model as a mean square error and the error rate in Example 1. 実施例1において数学モデルを用いた推定精度を測定電圧と推定電圧の時間変化として示す図である。 Is a diagram showing the estimation accuracy using the mathematical model as a time change of the measured voltage and the estimated voltage in Example 1. 実施例1において分極指数の範囲が狭い場合において、RLCの各推定値とSOCとの相関関係を示す図である。 In the case the scope of the polarization index is narrow in Example 1, a diagram illustrating the correlation between the estimated value and the SOC of the RLC. 実施例1において分極指数の範囲を広くした場合において、RLCの各推定値とSOCとの相関関係を示す図である。 In case of widening the range of polarization index in Example 1, a diagram illustrating the correlation between the estimated value and the SOC of the RLC. 実施例1における演算方式の構成図を示す図である。 It is a diagram showing a configuration diagram of an operational method in Example 1. 実施例1において分極指数の範囲が狭い場合において、RLCの各推定値の入力追加の有無による検出精度の比較を示す図である。 In the case the scope of the polarization index is narrow in Example 1 shows a comparison of the detection accuracy due to presence of the input each additional estimate of RLC. 実施例1において分極指数の範囲を広くした場合において、RLCの各推定値の入力追加の有無による検出精度の比較を示す図である。 In case of widening the range of polarization index in Example 1 shows a comparison of the detection accuracy due to presence of the input each additional estimate of RLC. 実施例1において分極指数の範囲が狭い場合を広くした場合において、検出機会の比較を示す図である。 In case of wide if the range of the polarization index is narrow in Example 1, a diagram showing a comparison of detection opportunities. 実施例2の電池モニタを示すブロック回路図である。 It is a block circuit diagram of a battery monitor of Example 2. 図9の演算動作を示すフローチャートである。 It is a flowchart showing a calculation operation of FIG. 図9の係数項演算部で採用した電池の数学モデルに対応する等価回路モデルを示す回路図である。 Is a circuit diagram showing an equivalent circuit model corresponding to the mathematical model of the adopted battery coefficient term operation unit of FIG. 図9の係数項演算部で採用した電池の数学モデルの変形例に対応する等価回路モデルを示す回路図である。 Is a circuit diagram showing an equivalent circuit model corresponding to the modified example of a mathematical model of the battery using at the coefficient term operation unit of FIG. 図9の係数項演算部で採用した電池の数学モデルの変形例に対応する等価回路モデルを示す回路図である。 Is a circuit diagram showing an equivalent circuit model corresponding to the modified example of a mathematical model of the battery using at the coefficient term operation unit of FIG. 図9の係数項演算部で採用した電池の数学モデルの変形例に対応する等価回路モデルを示す回路図である。 Is a circuit diagram showing an equivalent circuit model corresponding to the modified example of a mathematical model of the battery using at the coefficient term operation unit of FIG. 図7の前処理演算部の演算動作を示すフローチャートである。 It is a flowchart showing a calculation operation of the preprocessing arithmetic unit of FIG. 図7のニューラルネット演算部の演算動作を示すフローチャートである。 It is a flowchart showing a calculation operation of the neural network computation unit in FIG. 図7のニューラルネット演算部の機能構成を示すブロック図である。 Is a block diagram showing the functional configuration of the neural network computation unit in FIG. 図7のニューラルネット演算部の学習過程のフローチャートである。 It is a flowchart of the learning process of the neural network computation unit in FIG. 図7の電圧演算部の演算動作を示すフローチャートである。 It is a flowchart showing a calculation operation of the voltage calculation unit of FIG. 図7の劣化度演算部の演算動作を示すフローチャートである。 It is a flowchart showing a calculation operation of the degradation degree calculation unit of FIG.

符号の説明 DESCRIPTION OF SYMBOLS

1 データ前処理演算部 2 パラメータ推定部100 電池モニタ101 係数項演算部102 前処理演算部103 ニューラルネット演算部104 電圧演算部105 劣化度演算部201 入力層202 中間層203 出力層 1 data preprocessing arithmetic unit 2 parameter estimation unit 100 battery monitor 101 coefficient term calculation unit 102 pre-processing operation section 103 neural network computation unit 104 voltage calculating unit 105 deterioration degree calculation unit 201 input layer 202 intermediate layer 203 outputs layer

Claims (14)

  1. 二次電池から電圧データ及び電流データを少なくとも含む電池状態データを定期的に検出して記憶し、 Including at least the battery state data voltage data and current data from the secondary battery periodically detected and stored,
    少なくとも前記電池状態データを入力パラメータとし、前記二次電池の残存状態を出力パラメータとする所定のニューラルネットに少なくとも前記電池状態データを入力して前記二次電池の残存状態を演算する二次電池の状態量演算方式において、 As input at least the battery condition data parameters, the secondary battery calculates the remaining state of at least the battery state data input to said secondary battery to a predetermined neural network to output parameter residual state of the secondary battery in the state quantity calculation method,
    前記二次電池の電圧を変数とする所定の関数値である電圧関数値と、前記二次電池の電流を変数とする所定の関数値である電流関数値との間の関係を表す所定の関数により定義される前記二次電池の数学モデルに前記電池状態データを代入して前記所定の関数の係数項を算出し、 The voltage function value is a predetermined function value to the voltage variable of the secondary battery, a predetermined function representing the relationship between the current function value is a predetermined function value to the current variable of the secondary battery by substituting the battery state data to the mathematical model of the secondary battery as defined calculates the coefficient terms of the predetermined function by,
    前記係数項を前記電池状態データとともに入力パラメータとして前記ニューラルネットに入力して前記二次電池の蓄電量の残存状態を演算することを特徴とする二次電池の状態量演算方式。 State quantity calculation method of the secondary battery, characterized in that by inputting the coefficient terms in the neural network as an input parameter together with the battery condition data to calculate the remaining state of the charged amount of the secondary battery.
  2. 請求項1記載の二次電池の状態量演算方式において、 In the state quantity calculation method of the secondary battery according to claim 1, wherein,
    前記二次電池の分極量に正相関を有する所定の関数値である分極関連量と前記電池状態データとの間のあらかじめ記憶する関係に前記電池状態データを代入して前記分極関連量を前記電池状態データのサンプリングの度に算出し、 The polarization-related quantity of the battery by substituting the battery state data in a relationship stored in advance between the polarization-related quantity is a predetermined function value having a positive correlation to the polarization amount in the rechargeable battery and the battery state data calculated every sampling state data,
    前記分極関連量を前記係数項及び前記電池状態データとともに入力パラメータとして前記ニューラルネットに入力して前記二次電池の蓄電量の残存状態を演算する二次電池の状態量演算方式。 The polarization-related quantity of the coefficient term and the battery state data together with the input to the neural network as an input parameter of the rechargeable battery for calculating the residual state of the charged amount of the secondary battery state quantity calculation method.
  3. 請求項2記載の二次電池の状態量演算方式において、 In the state quantity calculation method of the secondary battery according to claim 2, wherein,
    前記電池状態データに基づいて前記二次電池の開路電圧及び内部抵抗を前記分極関連量として算出し、 The open circuit voltage and the internal resistance of the secondary battery is calculated as the polarization-related quantity based on the battery status data,
    算出した前記開路電圧及び内部抵抗を前記係数項及び前記電池状態データとともに入力パラメータとして前記ニューラルネットに入力して前記二次電池の蓄電量の残存状態を演算する二次電池の状態量演算方式。 Calculated state quantity calculation method of the secondary battery calculates the remaining state of the power storage amount of the open-circuit voltage and the secondary battery is input to the neural network internal resistance as an input parameter together with the coefficient term and the battery state data.
  4. 請求項1記載の二次電池の状態量演算方式において、 In the state quantity calculation method of the secondary battery according to claim 1, wherein,
    前記二次電池の分極量に正相関を有する所定の関数値である分極関連量と前記電池状態データとの間のあらかじめ記憶する関係に前記電池状態データを代入して前記分極関連量を前記電池状態データのサンプリングの度に算出し、 The polarization-related quantity of the battery by substituting the battery state data in a relationship stored in advance between the polarization-related quantity is a predetermined function value having a positive correlation to the polarization amount in the rechargeable battery and the battery state data calculated every sampling state data,
    前記電池状態データのうち、前記分極関連量が所定しきい値を超える場合の前記電池状態データの前記ニューラルネットへの入力を禁止する二次電池の状態量演算方式。 Wherein among the battery state data, the polarization-related quantity is the secondary battery of the state amount calculation method for inhibiting the input to the neural network of the battery state data when exceeding a predetermined threshold.
  5. 請求項1乃至4のいずれか記載の二次電池の状態量演算方式において、 In the state quantity calculation method of the secondary battery according to any one of claims 1 to 4,
    前記電流関数値は、 The current function value,
    過去の前記電流データから演算した所定の電流過去値と前記電流データの今回値との差からなり、 Predetermined current past value calculated from the current data in the past and consists difference between the current value of the current data,
    前記電圧関数値は、 The voltage function value,
    過去の前記電圧データから演算した所定の電圧過去値と前記電圧データの今回値との差からなり、 Predetermined voltage past value calculated from the voltage data of the past and consists difference between the present value of the voltage data,
    前記数学モデルは、 The mathematical model,
    前記電流関数値に第1の前記係数項を掛けて得られる抵抗電圧成分と、前記電流関数値の微分項に第2の係数項を掛けて得られるインダクタンス電圧成分と、前記電流関数値の積分項に第3の係数項を掛けて得られるキャパシタンス電圧成分との和が、前記電圧関数値に等しくなる関数により表現される二次電池の状態量演算方式。 A resistor voltage component obtained by multiplying the first of the coefficient terms to the current function value, an inductance voltage component obtained by multiplying the second coefficient terms to differential term of the current function value, the integral of the current function value the third of the sum of the capacitance voltage component obtained by multiplying the coefficient term, the state quantity calculation method of the secondary battery represented by the equal function to the voltage function value in the section.
  6. 請求項1乃至5のいずれか記載の二次電池の状態量演算方式において、 In the state quantity calculation method of the secondary battery according to any one of claims 1 to 5,
    求めた前記係数項の今回値、前記電池状態データ及び所定の電流値を前記数学モデルに代入することにより、前記所定の電流値に対応する前記二次電池の電圧予想値を演算する二次電池の状態量演算方式。 This value of the coefficient terms obtained by substituting the battery state data and a predetermined current value to the mathematical model, the secondary battery for calculating a voltage estimated value of the secondary battery corresponding to the predetermined current value state quantity calculation scheme.
  7. 請求項6記載の二次電池の状態量演算方式において、 In the state quantity calculation method of the secondary battery according to claim 6, wherein,
    前記電圧データの今回値と前記電圧推定値との差を電圧変動予想値として演算する二次電池の状態量演算方式。 State quantity calculation method of the secondary battery for calculating a difference between the estimated voltage value between the present value of the voltage data as a voltage fluctuation predicted value.
  8. 請求項1乃至7のいずれか記載の二次電池の状態量演算方式において、 In the state quantity calculation method of the secondary battery according to any one of claims 1 to 7,
    電池劣化の程度を表すパラメータである電池劣化度と前記係数項との関係を予め記憶しておき、 Stored in advance the relationship between the degree of battery deterioration is a parameter representing the degree of battery deterioration and the coefficient term,
    求めた前記係数項と前記関係とにより前記二次電池の劣化度を算出する二次電池の状態量演算方式。 Battery state quantity calculation scheme by said coefficient term determined and the relationship to calculate the degree of deterioration of the secondary battery.
  9. 請求項1乃至8のいずれか記載の二次電池の状態量演算方式において、 In the state quantity calculation method of the secondary battery according to any one of claims 1 to 8,
    所定の電池状態量を算出し、 Calculating a predetermined battery state quantity,
    前記電池状態量をその大きさの範囲ごとに所定の群に分別し、 Fractionated into predetermined groups per range of the battery state quantity its size,
    前記係数項、前記電池状態データ及び前記分極関連量を入力パラメータとし前記二次電池の残存状態を出力パラメータとする前記ニューラルネットを前記電池状態量の群ごとにそれぞれ準備し、 The coefficient terms, to prepare respectively the the battery condition data and input parameters to the polarization-related quantity said neural network to output parameter residual state of the secondary battery for each of the group of the battery state quantity,
    算出した前記電池状態量の今回値が属する前記群に対応する前記ニューラルネットを選択し、 This value of the calculated the battery state quantity corresponding to the group belonging to select the neural network,
    選択した前記ニューラルネットに前記入力パラメータの今回値を入力して二次電池の蓄電量の残存状態をニューラルネット演算する二次電池の状態量演算方式。 Selected state quantity calculation method of the secondary battery residual state of the charged amount to neural network calculation input to the secondary battery the current value of the input parameters to the neural network.
  10. 請求項9記載の二次電池の状態量演算方式において、 In the state quantity calculation method of the secondary battery according to claim 9, wherein,
    前記電池状態量は、予め求めた電池劣化度と前記係数項とのマップに、今回算出した前記係数項を代入して求めた前記電池劣化度からなる二次電池の状態量演算方式。 The battery state quantity, previously obtained in the map of the battery deterioration degree and the coefficient term, the state quantity calculation method of the secondary battery comprising the battery deterioration degree obtained by substituting the coefficient terms calculated this time.
  11. 二次電池から電圧データ及び電流データを少なくとも含む電池状態データを定期的に検出して記憶し、 Including at least the battery state data voltage data and current data from the secondary battery periodically detected and stored,
    前記電池状態データを用いて前記二次電池の状態量を演算する二次電池の状態量演算方式において、 In the state quantity calculation method of the secondary battery for calculating a state quantity of the secondary battery using the battery state data,
    前記二次電池の電圧を変数とする所定の関数値である電圧関数値と、前記二次電池の電流を変数とする所定の関数値である電流関数値との間の関係を表す所定の関数により定義される前記二次電池の数学モデルに前記電池状態データを代入して前記所定の関数の係数項を算出し、 The voltage function value is a predetermined function value to the voltage variable of the secondary battery, a predetermined function representing the relationship between the current function value is a predetermined function value to the current variable of the secondary battery by substituting the battery state data to the mathematical model of the secondary battery as defined calculates the coefficient terms of the predetermined function by,
    算出された前記係数項をもつ前記数学モデルに前記電流の次回値を代入することにより前記電圧の次回値を算出して電圧推定値として出力することを特徴とする二次電池の状態量演算方式。 Calculated next binary state quantity calculation method of the secondary battery, characterized by calculating and outputting a next value as a voltage estimate value of the voltage by substituting the current to the mathematical model with the coefficient terms .
  12. 二次電池から電圧データ及び電流データを少なくとも含む電池状態データを定期的に検出して記憶し、 Including at least the battery state data voltage data and current data from the secondary battery periodically detected and stored,
    前記電池状態データを用いて前記二次電池の状態量を演算する二次電池の状態量演算方式において、 In the state quantity calculation method of the secondary battery for calculating a state quantity of the secondary battery using the battery state data,
    前記二次電池の電圧を変数とする所定の関数値である電圧関数値と、前記二次電池の電流を変数とする所定の関数値である電流関数値との間の関係を表す所定の関数により定義される前記二次電池の数学モデルに前記電池状態データを代入して前記所定の関数の係数項を算出し、 The voltage function value is a predetermined function value to the voltage variable of the secondary battery, a predetermined function representing the relationship between the current function value is a predetermined function value to the current variable of the secondary battery by substituting the battery state data to the mathematical model of the secondary battery as defined calculates the coefficient terms of the predetermined function by,
    電池劣化の程度を表すパラメータである電池劣化度と前記係数項との関係を予め記憶しておき、 Stored in advance the relationship between the degree of battery deterioration is a parameter representing the degree of battery deterioration and the coefficient term,
    求めた前記係数項を前記関係に代入することにより前記二次電池の劣化度を求めることを特徴とする二次電池の状態量演算方式。 State quantity calculation method of the secondary battery, characterized by determining the degree of degradation of the secondary battery by substituting the coefficient terms found in the relationship.
  13. 二次電池から電圧データ及び電流データを少なくとも含む電池状態データを定期的に検出して記憶し、 Including at least the battery state data voltage data and current data from the secondary battery periodically detected and stored,
    前記電池状態データを用いて前記二次電池の状態量を演算する二次電池の状態量演算方式において、 In the state quantity calculation method of the secondary battery for calculating a state quantity of the secondary battery using the battery state data,
    前記二次電池の電圧を変数とする所定の関数値である電圧関数値と、前記二次電池の電流を変数とする所定の関数値である電流関数値との間の関係を表す所定の関数により定義される前記二次電池の数学モデルに前記電池状態データを代入して前記所定の関数の係数項を算出し、 The voltage function value is a predetermined function value to the voltage variable of the secondary battery, a predetermined function representing the relationship between the current function value is a predetermined function value to the current variable of the secondary battery by substituting the battery state data to the mathematical model of the secondary battery as defined calculates the coefficient terms of the predetermined function by,
    前記電流関数値は、 The current function value,
    過去の前記電流データから演算した所定の電流過去値と前記電流データの今回値との差からなり、 Predetermined current past value calculated from the current data in the past and consists difference between the current value of the current data,
    前記電圧関数値は、 The voltage function value,
    過去の前記電圧データから演算した所定の電圧過去値と前記電圧データの今回値との差からなり、 Predetermined voltage past value calculated from the voltage data of the past and consists difference between the present value of the voltage data,
    前記数学モデルは、 The mathematical model,
    前記電流関数値に第1の前記係数項を掛けて得られる抵抗電圧成分と、前記電流関数値の微分項に第2の係数項を掛けて得られるインダクタンス電圧成分と、前記電流関数値の積分項に第3の係数項を掛けて得られるキャパシタンス電圧成分とを含むことを特徴とする二次電池の状態量演算方式。 A resistor voltage component obtained by multiplying the first of the coefficient terms to the current function value, an inductance voltage component obtained by multiplying the second coefficient terms to differential term of the current function value, the integral of the current function value third state quantity calculation method of the secondary battery, which comprises a capacitance voltage component obtained by multiplying the coefficient terms in section.
  14. 請求項13記載の二次電池の状態量演算方式において、 In the state quantity calculation method of the secondary battery according to claim 13, wherein,
    前記電圧関数値は、 The voltage function value,
    前記電流関数値に第1の前記係数項を掛けて得られる抵抗電圧成分と、前記電流関数値の微分項に第2の係数項を掛けて得られるインダクタンス電圧成分と、前記電流関数値の積分項に第3の係数項を掛けて得られるキャパシタンス電圧成分との和を含む二次電池の状態量演算方式。 A resistor voltage component obtained by multiplying the first of the coefficient terms to the current function value, an inductance voltage component obtained by multiplying the second coefficient terms to differential term of the current function value, the integral of the current function value battery state quantity calculation method comprising the sum of the resulting capacitance voltage component by multiplying the third coefficient terms to terms.
JP2007019727A 2006-02-09 2007-01-30 State quantity calculation method of the secondary battery Active JP5366166B2 (en)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2006031978 2006-02-09
JP2006031978 2006-02-09
JP2007019727A JP5366166B2 (en) 2006-02-09 2007-01-30 State quantity calculation method of the secondary battery

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2007019727A JP5366166B2 (en) 2006-02-09 2007-01-30 State quantity calculation method of the secondary battery

Publications (2)

Publication Number Publication Date
JP2007240521A true true JP2007240521A (en) 2007-09-20
JP5366166B2 JP5366166B2 (en) 2013-12-11

Family

ID=38586184

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007019727A Active JP5366166B2 (en) 2006-02-09 2007-01-30 State quantity calculation method of the secondary battery

Country Status (1)

Country Link
JP (1) JP5366166B2 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012032843A1 (en) * 2010-09-09 2012-03-15 カルソニックカンセイ株式会社 Parameter estimation device
WO2012114950A1 (en) * 2011-02-23 2012-08-30 ソニー株式会社 Battery device, battery management method, and electronic instrument
JP2012244723A (en) * 2011-05-18 2012-12-10 Toyota Motor Corp Charge/discharge controller of power storage device and electric vehicle loading the same
JP2015227841A (en) * 2014-06-02 2015-12-17 株式会社日本自動車部品総合研究所 Secondary battery control device

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3280394B2 (en) 1990-04-05 2002-05-13 ロックヒード マーティン コーポレーション The electronic device

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0875833A (en) * 1994-07-04 1996-03-22 Nippon Soken Inc Battery charged state detecting method
JP2001160421A (en) * 1999-12-03 2001-06-12 Tamachi Denki Kk Measuring method of degradation rate in cellular phone cell pack and cellular phone cell pack measurement equipment using the method
JP2003249271A (en) * 2002-02-22 2003-09-05 Akuson Data Machine Kk Residual capacity deciding method of battery and its device
JP2004150800A (en) * 2002-10-28 2004-05-27 Matsushita Electric Ind Co Ltd Battery management system, battery pack, and its measuring method for charged state

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0875833A (en) * 1994-07-04 1996-03-22 Nippon Soken Inc Battery charged state detecting method
JP2001160421A (en) * 1999-12-03 2001-06-12 Tamachi Denki Kk Measuring method of degradation rate in cellular phone cell pack and cellular phone cell pack measurement equipment using the method
JP2003249271A (en) * 2002-02-22 2003-09-05 Akuson Data Machine Kk Residual capacity deciding method of battery and its device
JP2004150800A (en) * 2002-10-28 2004-05-27 Matsushita Electric Ind Co Ltd Battery management system, battery pack, and its measuring method for charged state

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012032843A1 (en) * 2010-09-09 2012-03-15 カルソニックカンセイ株式会社 Parameter estimation device
US9207284B2 (en) 2010-09-09 2015-12-08 Calsonic Kansei Corporation Parameter estimation device
WO2012114950A1 (en) * 2011-02-23 2012-08-30 ソニー株式会社 Battery device, battery management method, and electronic instrument
CN103380559A (en) * 2011-02-23 2013-10-30 索尼公司 Battery device, battery management method, and electronic instrument
JP5935793B2 (en) * 2011-02-23 2016-06-15 ソニー株式会社 Battery device, a battery management method, and an electronic device
US10074992B2 (en) 2011-02-23 2018-09-11 Sony Corporation Battery device, battery management method, and electronic apparatus
JP2012244723A (en) * 2011-05-18 2012-12-10 Toyota Motor Corp Charge/discharge controller of power storage device and electric vehicle loading the same
JP2015227841A (en) * 2014-06-02 2015-12-17 株式会社日本自動車部品総合研究所 Secondary battery control device

Also Published As

Publication number Publication date Type
JP5366166B2 (en) 2013-12-11 grant

Similar Documents

Publication Publication Date Title
Sun et al. Adaptive unscented Kalman filtering for state of charge estimation of a lithium-ion battery for electric vehicles
Ramadesigan et al. Modeling and simulation of lithium-ion batteries from a systems engineering perspective
He et al. Online estimation of model parameters and state-of-charge of LiFePO4 batteries in electric vehicles
Chen et al. State of charge estimation of lithium-ion batteries in electric drive vehicles using extended Kalman filtering
Xing et al. Battery management systems in electric and hybrid vehicles
US6313607B1 (en) Method and apparatus for evaluating stored charge in an electrochemical cell or battery
US7521895B2 (en) System and method for determining both an estimated battery state vector and an estimated battery parameter vector
US6388450B2 (en) Method for determining the state of charge of storage batteries
Shahriari et al. Online state-of-health estimation of VRLA batteries using state of charge
Hu et al. A comparative study of equivalent circuit models for Li-ion batteries
Zhang et al. A review on prognostics and health monitoring of Li-ion battery
Zou et al. Combined state of charge and state of health estimation over lithium-ion battery cell cycle lifespan for electric vehicles
Chen et al. Online battery state of health estimation based on genetic algorithm for electric and hybrid vehicle applications
Rezvanizaniani et al. Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility
Eddahech et al. Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks
Berecibar et al. Critical review of state of health estimation methods of Li-ion batteries for real applications
Kim The novel state of charge estimation method for lithium battery using sliding mode observer
Chiang et al. Online estimation of internal resistance and open-circuit voltage of lithium-ion batteries in electric vehicles
Fotouhi et al. A review on electric vehicle battery modelling: From Lithium-ion toward Lithium–Sulphur
Xiong et al. A robust state-of-charge estimator for multiple types of lithium-ion batteries using adaptive extended Kalman filter
US20040207367A1 (en) Internal condition detection system for a charge accumulating device
He et al. Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles
Weng et al. A unified open-circuit-voltage model of lithium-ion batteries for state-of-charge estimation and state-of-health monitoring
Li et al. A comparative study of state of charge estimation algorithms for LiFePO4 batteries used in electric vehicles
Hu et al. Robustness analysis of State-of-Charge estimation methods for two types of Li-ion batteries

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20090716

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20090716

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20120131

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20120326

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20130319

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20130618

A911 Transfer of reconsideration by examiner before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20130625

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20130903

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20130905

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250