JP2017530353A - 電気自動車用電池の再充電管理 - Google Patents

Abstract

電気自動車の電池の再充電サイクルを実行するステップと、電池に蓄積された全エネルギーを測定するステップと、前記全エネルギーに関連付けられた分散を計算するステップと、前記分散に関連付けられた係数を決定するステップとを含む、電気自動車用電池の再充電を管理するコンピュータ実装された方法を開示する。一改良型において、分散に関連付けられた係数を決定するステップは再帰的である。所定の、および／または設定可能な閾値の利用、警報の発行、ヘビーテール分布（例えば、スチューデント）に従い分布する白色ノイズの利用、およびカルマンフィルタの利用を含む各種の改良型について記載する。システムおよびソフトウェア態様について記載する。

Description

本発明は、一般に信号処理の分野に関し、特に電気またはハイブリッド車の電池の再充電管理に関する。

電気自動車（ＶＥ）を再充電する場合、ある種のいわゆる入力パラメータが当該車両の電池に蓄積された全電気エネルギーの量に影響を及ぼすことがある。

公表されている実験的研究により、最も影響を及ぼす入力パラメータの一つは再充電の開始時点で車両の電池に残っているエネルギーを表す初期残量、もう一つは（影響度はより小さいが）同一時点瞬間での周囲温度であることが示されている。

入力パラメータを変更させることにより、蓄積された全エネルギーが平均的には線形且つ定数分散で変化する点に注意されたい。換言すれば、蓄積された全エネルギーと入力パラメータとの関係は、白色加法性ノイズを有する線形モデル、すなわち定数分散を有するガウス分布により適切に表することができる。

米国特許出願公開第２０１１／０２５４５０５号明細書

Ｂｏｕｊｅｍａａ Ａｉｔ−Ｅｌ−Ｆｑｕｉｈ、Ｃｅｄｒｉｃ Ｇｏｕｙ−Ｐａｉｌｌｅｒ：「Ｂａｃｋｗａｒｄ ｈｉｄｄｅｎ Ｍａｒｋｏｖ ｃｈａｉｎ ｆｏｒ ｏｕｔｌｉｅｒ−ｒｏｂｕｓｔ ｆｉｌｔｅｒｉｎｇ ａｎｄ ｆｉｘｅｄ−ｉｎｔｅｒｖａｌ ｓｍｏｏｔｈｉｎｇ」ＩＣＡＳＳＰ２０１３：５５０４−５５０８

しかし、例えば例外的な状況において、前記電池の充電レベルの異常がある場合、蓄積された全エネルギーは、モデルのノイズのガウス分布仮定に適合しない極端な値に達する恐れがある。

再充電端末から生じる信号に基づいて電気自動車の再充電異常を確実に検知することに伴う上述の技術的課題に関して、特許文献（輸送分野での）として米国特許出願公開第２０１１／０２５４５０５は、充電処理を行う間に起こり得る破壊または窃盗行為から（例えば、第３者により端末から車両へエネルギーを転送するケーブルを別の車両に接続するために取り外すにより）電池再充電システムを保護する（例えば、監視する）ことを目的とする。この方式は「静的」なケース（すなわち同一の再充電サイクル内）だけを扱うものであり、再充電が進行する（すなわち「動的な」ケース）につれて例外的な再充電を検知する問題は一切解決することができない。

輸送分野以外における技術分野で可能性のある開示はなさそうであり、電気自動車を対象とする電池の極めて特殊な特徴の所為で原理的に利用が困難である。

起こり得る例外的な挙動を識別する観点から、電気自動車（ＶＥ）またはハイブリッド車（ＶＨ）の電池を再充電する間に実行される電気測定を解析するシステムおよび方法に対するニーズが存在する。

再充電端末から生じる信号に基づいて電気自動車の再充電の異常を検知する方法を開示する。特に、本発明の一態様によれば、電気自動車の再充電を監視および／または解析する（例えば、電気自動車を再充電する間に蓄積された全エネルギー、再充電異常の検知）。

本発明の一態様によれば、モデルの係数と共に測定値の分散に関連付けられた重みの再帰的推定を実行する。再帰的な特徴は、推定が実際には現在の再充電に関連付けられた測定値および以前の再充電に関連付けられた推定値だけを用いることを意味する。現在の再充電に関連付けられた測定値だけを用いるという事実は有利である（計算の効率および速度の観点から）。

オプションとして、本方法は、再充電の全履歴（従って過去および現在の測定値）を通じたエネルギーの測定値を利用することができる。

有利な特徴として、以下に記載する方法は、蓄積された全エネルギーの測定値のうち可能な異常値が存在しても堅牢である。

有利な特徴として、異常値の検知は自動化されている。検知基準は、推定された重み（従って、既に入手可能な数値を利用して）と所定の閾値（ユーザーにより予め固定された）との比較に基づいていてよい。特定の実施形態では手動設定を一切必要としない。

有利な特徴として、本方法は特定の実施形態において「瞬間的な」（すなわちリアルタイムまたは準リアルタイム）、または少なくとも急速な（すなわち異常の検知と通知の間）、１個以上の異常値の検知。この種の検知は有利な特徴として、専門家が適時に電池の状態を診断して、懸念される異常の種類を識別できるようになる。各再充電サイクルにおいて、当該サイクルの完了時点で蓄積されている全エネルギーが異常値に対応する場合、情報の一項目をユーザーおよび／または電池の供給業者（または例えば別の認可された第３者）に通知または送信（例えば、警報）することができる。

有利な特徴として、開示する解決策は（例えば再帰的に）繰り返すことができるため、付随する計算の効率および速度が向上する。

有利な特徴として、本解決策は、電池自体の異常ではなく、再充電機構の異常を検知することができる。

本発明の各種の態様および利点は、添付図面を参照しながら、好適であるが非限定的な実装モードの記述を参照すれば明らかになろう。

本方法の全般的説明図である。 例示的な動的モデルを示す。 再充電ｎ＞１（＃ＩＤ＝１のケース）に関連付けられた係数ｘ_ｎおよび重みｗ_ｎを推定する例示的な機構を示す。 再充電ｎ＞１（＃ＩＤ＝１のケース）完了時点でのＦ、Ｑおよびσ^２の例示的な推定値を示す。

電気自動車の電池の再充電サイクルを実行するステップと、電池に蓄積された全エネルギーを測定するステップと、前記全エネルギーに関連付けられた分散を計算するステップと、前記分散に関連付けられた係数を決定するステップとを含む、電気自動車用電池の再充電を管理するコンピュータ実装された方法を開示する。

本発明は、様々な形式の電池に適用することができる。例えば自動車用電池であるが、電動二輪車、電気キックスクータ、または他の種類の車両の電池にも適用できる。本発明はまた、ハイブリッド車（モーター、電池および内燃機関を組み合わせた）においても用途がある。

本発明は広義には、電池の再充電の管理を目的とする。特に、本発明は再充電異常の検知を目的とする。

本発明の骨子は、ほぼ完全な再充電サイクルを保証することである。例えば、標準的な想定は、日中に仕事場の駐車場で再充電を実行する場合、退社時に充電された状態で車両を引き取るものである。不完全または断続的な再充電は特定の技術的問題を引き起こし、この種の再充電は例外なく本発明の一部をなすものではない。具体的には例えば、不完全な再充電の場面は、移動電子機器（例えばスマートフォン）を再充電する際に遭遇する場合がある。電気自動車の場合、再充電は低コストで実行され、従って、以下で短いおよび／または不完全な再充電の状況を調査する際に正当化する理由がない。

再充電サイクルは、電池の製造業者または供給業者から一般に提供される所定または定格充電時間および方式に応じた再充電に対応している。

本発明における全般的関係者は一般に三階層をなしている。電池は、供給業者または製造業者あるいは組立業者（一般にはその一つだけ）から提供され、１人以上の再充電端末操作者（競合関係にあり得る）により、顧客または運転者のために電池を効果的に再充電するような仕方で、また、再充電の操作者が適切に話しながら、操作される。様々な目的（証明、品質管理、電力供給業者等）で他の主体も関与する場合がある。例えば、サービスプロバイダもまた、電池の寿命を最適化すべく関与する場合がある（例えば、独自に電池の状態を測定することにより、運転の仕方を解析することにより、相関計算を実行して運転者に推奨値を提供する等）。電気通信オペレータまたはソフトウェアパッケージ（「アプリ」）の発行者もまた電池に付随する情報を管理する場合がある。

本発明の態様の一つは、電池の状態を、当該電池の特性（例えば定格）に関する供給業者の宣言を必ずしも考慮することなく、（独自に）観察するものである。この観察は、直接的な測定または計算によりなされる。

本発明の一態様によれば、モデルを（予測的充電容量と共に）より正確に調整するように電池の履歴を好都合に利用する。しかし、履歴を考慮に入れることは必須ではない。

蓄積された全エネルギーは各種の手順で測定することができる。一実施形態において、再充電端末は，充電が「完了した」（従って検知は、電池が「満杯」または「再充電済み」あるいは「完了」と判断すべく統合されている）ことを検知する１個以上の方法ステップおよび／またはシステム手段を含んでいる。本実施形態によれば、再充電対象の電池と再充電端末との間で必ずしも何らかの「通信」（データという意味で）が行われる訳ではない。各種の手順（特に電池技術に依存し得る）に応じて「完全」な再充電の状態を検知または判定することが可能である。本発明の一実施形態において、再充電端末は従って、充電が完了したことを端末が検知した場合に自動的に充電を停止することができる。一実施形態において、再充電端末は従って、例えば充電の終了、転送された全エネルギー量に関する全てのデータを（例えば積分により、すなわち時間経過に伴い供給される電力を積分することにより）提供することができる。

電荷損失は無視できる（理論上且つ実用上）ものと考えてよい。エネルギー保存則を適用すれば、送り出すエネルギーと受け取るエネルギーは等価になる（電池と端末は「ペア」、すなわち「鏡」のように動作する）。

電池に蓄積された全エネルギーの測定は一般に、前記電池の再充電サイクル終了後に（すなわち、実際には充電が終了したのと同時に、さもなければ「後」で、すなわち時間をずらして）実行される。にもかかわらず、再充電の完了に関連付けられた時間基準を非限定的な仕方で考慮する必要がある。実際、充電が全く完了しないような本発明の実施形態が存在する（すなわち、閾値に応じて、例えば、速い、遅い等電池および／または再充電状況の種類に応じてオプションとして構成可能、および／または車両ユーザーの要望および／または再充電モデルに関連付けられた統計的信頼閾値）。用語「サイクル」自体は、再充電は停止した、または停止したと考えられることを示唆する。

換言すれば、蓄積された全量値の判定は各種の時間基準により行うことができる。判定は、再充電サイクルが終了した直後に（端末および／または電池に応じて）行うことができる。この判定は、より正確には再充電端末または電池自身、あるいは端末と電池のペアリングを管理すると共に２個のシステム間で起こり得る不整合を管理する論理モジュールのいずれかにより決定された瞬間に行うことができる。この判定は、蓄積された全エネルギーの値が「一旦」決定されたならば、または値の決定と「ほぼ同時」に、あるいは当該決定の後で、オプションとしてサイクルの終了後一定の制限時間内に行うことができる。

次いで、上述の蓄積された全量値に関連付けられた数学的分散の数値が後で決定される。蓄積された全エネルギーの測定値に基づいて、一般的には数値、例えば当該全エネルギーに関連付けられた数学的分散が決定（または計算あるいは推定または推論）される。関連という用語は、当該関係が間接的な場合があることを意味する（例えば白色ノイズの特定の仮定およびスチューデント分布または同等の数学的クラスに従う当該ノイズの分布によりこの決定が許容される）。

分散は、実行される測定の尤度を示す。この尤度は、予測的モデルを確立する際、およびその後で異常値をフィルタリングする際に考慮に入れられる。

その後、「係数」とも呼ばれる重み（すなわち、重み付け）が、上述のように決定された分散に割り当てられる。この係数によりモデルを「調整」できるようになる。

一改良型において、分散に関連付けられた係数を決定するステップは再帰的である。

再帰性の概念は、初期化および以前の状態の存在を示唆する。

一実施形態において、前記係数は再帰的に決定される。予測的充電モデルは、充電の過去の値により「調整」される。過去の値が高いほどモデルの信頼性が良い。各反復（すなわち再充電）においてモデルは「改良」され、すなわち過去再充電動作の組全体を包含している。

モデルは２個の値、すなわち再充電サイクルの終了時または後に実行された測定値、および（少なくとも）１個の以前の値を必要とする。以前の値は各種のソース（異なるいくつかの実施形態に対応する）を有していてよい。

一実施形態において、以前の値は、電池から直接（従って各種の再充電の値を格納する）または間接的（分散またはリモート格納）にアクセスできる。以前の値は、測定値（すなわち実際の）、または他の、例えば、（例えばチャートから）推定された、または計算された、あるいはネットワークからアクセスされた基準値であってよい。特に、この値は、同様の車両の集団に関連付けられた状態を知ることにより推定することができる。一実施形態によれば、電池の履歴にアクセスすることなく計算を行うことが実際に可能である（例えば、以前の充電値にアクセスできないかまたは明白に誤りがある場合等）。例えば、蓄積された全エネルギー量の１個以上の値を、オプションとして第３者データを含む集計データに従い統計的に（例えば、電池モデル、電池プールの全般的な状態に従い）決定することができる。二つの実施形態はまた、組み合わされてもよい。すなわち利用可能な統計データは実際に、履歴の直接測定および／または包含を確認または変更することができる。また、確率的手順を用いてもよい（統計データのおよび／または特定の履歴の補足または存在しない場合に）。

再充電サイクルは繰り返されてよく、モデルの品質の漸進性改良につなげることができる。実用に際して、再帰的な特徴は、現在の再充電サイクルに関連付けられた測定値および以前の再充電に関連付けられた測定値を用いる分散に割り当てられた重みまたは係数の決定に対応する。

一改良型において、本方法は更に、１個以上の閾値により決定された係数を比較するステップを含んでいる。

様々な範囲の閾値を実際に画定することができる。閾値は一般に予め画定される。特定の実施形態において、閾値は（例えば経済および／または技術的考察、例えば電池の化学組成関連の関数として）動的に画定することができる。

一改良型において、所定の閾値は設定可能である。

本発明の経済的環境は複雑であり、多くの因果関係（例えば、利害の対立、競合、秘密または宣言的または測定された情報）を伴いがちであり、従って技術的な性格を帯びた恐らくは大幅に異なる解決策があり得る。例えば、製造業者が指定した定格充電値を操作者が業務を通じて得られた経験則により修正せざるを得ない場合がある。ユーザーまたは顧客あるいは運転者（または前記顧客を担当するサービスプロバイダ）は特定の実施形態において再充電モード（「高速」または「低速」の、あるいは電気的または化学的リスク、または速度あるいは品質または充電の電力に関する異なる妥協が必要な各種の他のモードに応じて）を選択する、すなわち多少注意深く電池を管理することができる。電池が運転者の所有物ではなく、例えばレンタルされている場合、他者が関与する可能性が高い。電池に関連付けられた情報は、予め規定された形式であるか、または逆に自由形式であってよく、平文としてアクセス可能であってよく、または暗号化（例えば、放電曲線が解析されていれば運転スタイルまたは実際にスピードの出し過ぎ）されていてもよい。情報またはデータは、「クラウド」（「クラウドコンピューティング」）に格納されていても、またはローカル（例えば可搬）のままであっても、さもなければ「クラウド」と可搬データとの間でのデータ配信から得られたものであってもよい。

一改良型において、本方法は、蓄積された全エネルギーの判定された測定値が１個以上の閾値よりも大きい場合、警報を発するステップを含んでいる。

適切ならば、再充電端末のユーザーまたは顧客あるいは運転者または操作者に異常の存在を知らせる警報信号を送ることができる。警報は「リアルタイム」（異常を検知するために、進行中の再充電サイクルの終了まで待つことが必要である限り）であってよい。

一改良型において、分散の計算はヘビーテール（裾の重い）分布に従い分布する白色ノイズに関連付けられている。

白色ノイズ（異方性）仮定に基づいて、いわゆる「ヘビーテール」の数学的分布を用いて分散を計算する。換言すれば、電池に蓄積された全エネルギーの測定値はスチューデント分布に従い分布する白色ノイズにより損なわれる。

一改良型において、ヘビーテール分布はスチューデント分布である。

特定のケースにおいて、スチューデント分布を用いる。この分布は、有利な特徴として高速計算に向いている。しかし、他の分布も依然として可能である。

一改良型において、電池により蓄積された全エネルギーの測定値の分散に関連付けられた係数を決定するステップは、カルマンフィルタを用いるステップを含んでいる。

本方法は、一方で再充電の履歴（過去の測定を含む）において実行されたエネルギーの測定、他方で「現在」または「目下」または「実行中」の測定または「進行中」の測定の利用を可能にする。

特に、本方法は一実施形態において、電池により蓄積された全エネルギーの測定値の分散に関連付けられた係数を決定するステップを含んでいてよく、前記ステップはカルマンフィルタ予測ステップ、および洗練（すなわちモデルをより正確に、従って「より良く」する）および更新（すなわち異常とは見なさない電池の緩慢な発展を考慮する）カルマンフィルタ修正ステップを用いて再充電異常を検知するステップを含んでいる。

カルマンフィルタは、２フェーズに依存することにより再充電異常を（効率的に）フィルタリングできるようにする。最初に、予測ステップにより現在の測定値を、現在の充電条件の下でモデルによりなされた予測と比較可能にする。この比較から、上で定義した閾値に従い異常が得られる。その後、カルマンモデル修正フェーズは、モデルを更新してその精度を洗練させると共に追跡対象のパラメータの、異常とは見なされない（電池の「通常の」寿命）緩慢なドリフトを考慮する。

対応するアルゴリズムおよびソースコードは広く入手可能であり、実際の実装がより容易になっている（例えば、Ｂｏｕｊｅｍａａ Ａｉｔ−Ｅｌ−Ｆｑｕｉｈ、Ｃｅｄｒｉｃ Ｇｏｕｙ−Ｐａｉｌｌｅｒ：「Ｂａｃｋｗａｒｄ ｈｉｄｄｅｎ Ｍａｒｋｏｖ ｃｈａｉｎ ｆｏｒ ｏｕｔｌｉｅｒ−ｒｏｂｕｓｔ ｆｉｌｔｅｒｉｎｇ ａｎｄ ｆｉｘｅｄ−ｉｎｔｅｒｖａｌ ｓｍｏｏｔｈｉｎｇ」ＩＣＡＳＳＰ２０１３：５５０４−５５０８）。

一改良型において、前記カルマンフィルタは、複数の過去の全エネルギー測定値に適用される。

本発明の当該態様は、モデルの「予測」またはチューニングのフェーズに関する。測定履歴へのアクセスにより、発展方程式（例えばモデルが一回の再充電から次回まで発展できる前提で）および観察方程式（例えばデータに存在するノイズを定量化するための）に関与するカルマンフィルタの各種のパラメータの正確な推定を実行することによるモデルの予測の信頼性を向上させることができる。

一改良型において、本方法は更に、進行中の前記再充電サイクルに関連付けられた全エネルギーの測定値の包含を含んでいる。

この改良型によれば、予測モデルの更新（「調整」の「ループ化」）ことを保証すべく、実行中または現在の再充電または進行中の再充電に関連付けられた全エネルギーの測定値を考慮に入れる。これは、単に端末側での読み取りを伴う場合がある。実装の詳細事項において、ステップは（オプションとして）期待値最大化方式のサブステップを含んでいてよい。

一改良型において、方法は更に、蓄積された全エネルギーの１個以上の測定値および前記測定値の分散に関連付けられた１個以上の係数を格納するステップを含んでいる。

推定された係数は実際に、将来の再充電での再利用のために保存または格納することができる。実際には、データは、（再充電端末に接続された中央サーバで）集中管理されていても、または（例えば車両の電池に関連付けられていて再充電端末にアクセス可能なメモリに）分散されていてもよい。データの一部または全部が、例えば携帯電話および／またはリモートサーバおよび／または車両搭載コンピュータおよび／または再充電端末および／または電池自身または付随装置に格納されていてよい。

多くの実施形態が可能である（且つ組み合わされていてよい）。

一実施形態によれば、再充電端末の製造業者は再充電サービスを自身の営業提案に含めて、データの整合性を保証することによりユーザーが「クラウド」モード（「クラウドコンピューティング」）にアクセスして自身へのフォローアップ（例えば関連モデルおよび各種の測定データに）を見えるようにし、従って端末の製造業者（または互いにデータを共有するコンソーシアム）に対する顧客の忠誠度を育てることができる。

一実施形態によれば、一群の再充電端末の管理者は、関連データを自身のシステムに保持することにより、ユーザーが自身のクラスタに（例えば独占的モデルに従い）再充電した際に追跡／診断サービスをユーザーに提供することができる。

一実施形態によれば、家庭用再充電ソケットを所有するユーザーは、再充電サービスを直接管理することができ、その場合、例えばユーザーの再充電端末および／またはコンピュータに保存されたデータにより自律的操作が可能である
（例えば異なるユーザーの同様の電池同士の比較等、更なる機能またはサービスあるいはデータ処理を利用するために前記データを共有するかしないかはユーザーの選択に任される）。

一改良型において、本方法は更に、初期残量値および周囲温度値を受信するステップを含んでいる。

本方法は更に、初期残量値および周囲温度値を含む入力パラメータを受信するステップを含んでいてよい。

実際、予測されるエネルギーは主に、後述する式１に示すように残量ａ（ｎ）および温度ｔ（ｎ）に依存する。しかし、これらの値は必須、すなわち本発明による方法の実行に不可欠はない。例えば、温度は第３者システム（例えば、電話、操作者等）から提供される定数すなわち平均であると考えられる。残量値はまた、推定または計算あるいは第３者システムから提供されても、またはチャートやデータベース等に準拠するものであってよい。対照的に、満足すべき、または合理的な精度の実数値を有する事実により、モデルを有利に洗練させることができる。

本発明による方法は、（一意な識別コードにより識別される）電気またはハイブリッド車の充電中に蓄積された全電気エネルギーの異常値を検知することを目的とする。

従って、本発明の一態様によれば、線形且つ堅牢な動的モデルが実装されている。特に、当該モデルは蓄積された全エネルギーの各測定値の分散に重みを関連付ける。

本発明の別の態様によれば、これらの測定値の分散に関連付けられた重みを推定する再帰的ステップが実装されている。従って異常測定値は、適切ならば、（前記推定された重みを用いて）リアルタイムに検知することができる。

警告は、電池を再充電しているユーザーまたは操作者に異常の存在（およびその種類）を知らせることができる。

特定の実施形態について以下により詳細に記述する。

（実施例）
動的モデルは、各再充電サイクルについて、蓄積された全エネルギーと入力パラメータ（再充電の開始時点で既知）、すなわち初期残量と周囲温度を関係付ける。

再充電（ｎ＝１，２，．．．）に対して以下の表記法を今後用いる：
ｅ_ｎ：蓄積された全エネルギー；
ａ_ｎ：再充電の開始時点（再充電システムは、残量を得るための装置を備えていると仮定）で再充電システムにより測定された初期蓄積量；
ｔ_ｎ：再充電の開始時点での周囲温度。

図１に、本方法の各種ステップの例を示す。

接続ステップ１１０において、ユーザーは電気自動車を再充電端末に接続する。

識別ステップ１２０において、再充電システムによるＶＥの識別が、各ＶＥに一意な識別コードにより実行される。ＶＥが識別されたならば、すなわち、当該システムにより既に接続されていて再充電されたと認識されたならば、当該システムは初期状態で０に等しいバイナリ変数＃ＩＤに値１を割り当てる。このステップは、ＶＥが識別されていれば、過去の再充電中に保存して監視に利用しやすい履歴データにアクセスできるようにすることにより、現在の再充電が異常に対応するか否かを判定できるようにする。

取得ステップ１３０において、再充電システムは、（例えば一体化された）装置により、周囲温度と共にＶＥの電池の残量を測定する。

充電ステップ１４０において、初期残量および周囲温度を取得した後、ＶＥの電池の充電を開始することができる。再充電が完了したならば、システムは蓄積された全電気エネルギー量を測定する。取得ステップ１３０および充電ステップ１４０は、識別ステップ１２０の結果に（必ずしも）依存しない。すなわち、ステップ１２０終了時点での変数＃ＩＤの値はステップ１３０、１４０に持ち込まれない。このため、識別ステップ１２０はまた、ステップ１３０、１４０の一方と同時に、または両者の間に（１３０の後且つ１４０の前）に、またはステップ１４０の後で完了してもよい。

推定ステップをブロック１５１、１５２に示す。推定ステップの原理は、モデルのパラメータが所定位置にある（以下に説明するように他の変数の中で）ことを保証するものである。実行した推定の基礎となるデータは、識別ステップでＶＥが認識されているか否かに依存する。実際、ＶＥが認識されなかった（＃ＩＤ＝０）場合、これはまさに初回の再充電（履歴が無い）であって、この場合、当該再充電（ブロック１５０）に後で蓄積された全エネルギーを用いて推定がなされる。一方、ＶＥが認識された（＃ＩＤ＝１）場合、当該推定も再充電システムにより保存された全エネルギーの履歴を用いる（ブロック１５２）。これらのステップについて以下に記載する。

検知ステップ１６０において、推定された重みを、蓄積された全エネルギーの値が異常（または正常）であることを示す検知基準に用いる。検知基準について以下に詳述する。

警告ステップ１７０において、検知ステップで蓄積された全エネルギーが異常値であることが分かった場合、直ちに警報信号がシステムに送られる。これにより、ユーザーが（例えば電池の老朽化に起因して）異常が生じる恐れのある電池を適時に診断することができる。

検知および／または警告送信ステップと同時にまたは後で実行可能な保存ステップ１６２において、電池に蓄積された全エネルギー値を、推定されたモデルの係数と共に、適切ならば将来の再充電に関連付けられた推定ステップで用いるべく再充電システムに保存する。

図２に、本方法で用いる基礎となる動的モデルを模式的に示す。本方法を実装すべく選択されたモデルは、蓄積された全エネルギーの測定値が、いわゆる「ヘビーテール」分布であるスチューデント分布に従い分布する白色ノイズにより損なわれる動的状態モデルである。

測定値のレベルでヘビーテール分布を導入するのは、ヘビーテール分布が、測定値の９９％が正常で極端値が発生する可能性は１％に過ぎないガウス分布とは対照的に測定値のレベルで異常（または極端）な値がより高い確率で存在するのを許容する意味で、実際的な見地から有利である。

選択したモデルにおいて、蓄積された全エネルギーの各測定値に対し、同一測定値に関連付けられた分散の重みをモデル化すべく人為的に導入された変数を関連付けることができる。

換言すれば、固定分散ガウスノイズを有する従来のモデルと対照的に、選択されたモデルは測定値の各々の分散に異なる重みを割り当てることにより、これらを可変的にする（異常でおよび／または極端になる傾向がある測定値に最も小さい重みが関連付けられるように）。

更に、オプションとして、カルマンフィルタの利用に基づく再帰的計算により、各再充電サイクルが完了したならば、（他の推定された変数のうち）蓄積された全エネルギーの測定値の分散に関連付けられた重みを推定できるようになる。

推定された重みが、検知ステップの実行中特に有利であるのは、ユーザーにより設定された閾値を用いることにより、測定値は異常であるか、または関連付けられた重みが設定閾値よりも小さい／大きいことに依存しないと考えられるためである。

従って、例えば信頼区間（例えば）に基づく、一方で測定値の再構築エラーに関するガウス分布仮定、他方で信頼区間の境界を計算する可能性を必要とする公知の検知手順とは対照的に、ここで開示する検知ステップは、他の一切の追加的な計算または仮定無しで、所定の閾値に関する（すなわち計算済みの）重みの比較だけに基づいている。従って有利な特徴として、検知は一切の手動設定無しに自動的に行われる。

数学モデルについて以下に詳述する。

読み易さを旨として、入力パラメータと数字１を同一のベクトルｈ_ｎ＝［ａ_ｎ，ｔ_ｎ，１］^Ｔに連接され、ここに「^Ｔ」はベクトルまたは行列の転置を示す。

当該モデルは２個の方程式に基づいている。

ここに、
ｘ_ｎは再充電サイクル（ｎ回）中にランダムに変化する係数である。ｘ_ｎの動きは、前記遷移行列Ｆと、再充電中は独立に動きながら中心および共分散行列Ｑを有するガウス確率変数ｕ_ｎとにより支配される。更に、初期化されたならば、または等価的に１回目の再充電（ｎ＝１）を行う間、平均μおよび共分散行列Σを有するガウス分布に従う値ｘ_１が得られると仮定する。また、ｖ_ｎは再充電の過程とは独立な確率変数であって、観察（または測定）のノイズをモデル化する。この変数は仮定により、次式のようにガンマ分布に従う独立補助確率過程ｗ_ｎを条件として、中心を有するガウス分布に従う。

属性（式２）は、観察（またはエネルギーの測定）に関連付けられたノイズｖ_ｎがスチューデント分布に従うことを保証するものであり、これはヘビーテール分布であるため、エネルギーの異常値を当該モデルでより良く表現できることに注意したい。ガンマ分布ｐ（ｗ_ｎ）のパラメータα、βは既知であってユーザーにより設定されるものと仮定する。

ここで推定すべき一組の変数を明確にして推定機構について以下に記載する。

任意の非ゼロ整数ｎおよびｍに対して以下の表記を用いることにする。

ｘ_ｎ｜ｍ：履歴が存在する（＃ＩＤ＝１）場合に履歴｛ｅ_１，ｅ_２，・・・，ｅ_ｍ−１｝と共にｍ回目の再充電ｅ_ｍに続いて蓄積された全エネルギーに基づくｘ_ｎの平均二乗誤差の最小化の意味での推定値。
Ｐ_ｎ｜ｍ：推定値ｘ_ｎ｜ｍに関連付けられた共分散行列。
ｗ_ｎ｜ｍ：ｅ_ｍ、および履歴が存在する場合は履歴｛ｅ_１，ｅ_２，・・・，ｅ_ｍ−１｝を前提とする重みｗ_ｎの推定値。

各再充電ｎに対して、カルマンフィルタに基づく近似の計算アルゴリズムにより係数および重みの推定が行われる。しかしこの計算は、モデルすなわち先験的には未知の初期パラメータμおよびΣ、遷移パラメータＦおよびＱ、並びに分散に関する知識を要するため、それらの推定がｘ_ｎおよびｗ_ｎの推定に加えて必要になる。従って、ＥＭ（期待値最大化）方式のアルゴリズムを用いる。これら二つの機構、すなわち係数ｘ_ｎおよび重みｗ_ｎを推定する機構、およびモデルのパラメータμ、Σ、Ｆ、Ｑを推定する機構について以下に記載する。

図３に、係数ｘ_ｎおよび重みｗ_ｎを推定するステップの例を模式的に示す。図３は、蓄積された全エネルギーの履歴が利用可能（＃ＩＤ＝１）な状況を示す。この計算はカルマンフィルタの利用に基づいており、特に２個のステップ、すなわち推定が蓄積された全エネルギーの過去の測定値を利用するいわゆる予測ステップおよび現在の再充電に関連付けられたエネルギーを積分するフィルタリングステップを含んでいる。

予測ステップにおいて、以前の再充電ｘ_{ｎ−１｜ｎ−１}および付随する共分散行列Ｐ_{ｎ−１｜ｎ−１}に関連付けられたフィルタリング行列に基づいて、予測推定値ｘ_{ｎ｜ｎ−１}および付随する共分散行列Ｐ_{ｎ｜ｎ−１}を計算すべくモデルＦおよびＱの遷移パラメータが用いられる。

フィルタリングステップにおいて、計算は反復的に行われる。予測推定値（ｘ_{ｎ｜ｎ−１}，Ｐ_{ｎ｜ｎ−１}）が現在の測定値を過去の測定値と統合することにより修正し、これによりフィルタリング推定（ｘ_ｎ｜ｎ，Ｐ_ｎ｜ｎ）に至るため、当該ステップは修正ステップである。重みｗ_ｎの推定値ｗ_ｎ｜ｎも得られる。

初回の再充電（＃ＩＤ＝０）を行う間、予測ステップが消滅し、フィルタリング方程式だけが有効なままであるため、ｅ_１に基づいてｘ_１およびｗ_１の推定値が計算可能になる。これらの方程式において予測パラメータｘ_{ｎ｜ｎ−１}、Ｐ_{ｎ｜ｎ−１}は各々でμ、Σで代替される。

図４に、再充電の履歴が利用可能（＃ＩＤ＝１）な場合にパラメータμ、Σ、Ｆ、Ｑを推定するステップを示す。

これらのパラメータは、完全なデータｐ（ｘ_１，ｗ_１，ｅ_１，．．．，ｘ_ｎ，ｗ_ｎ，ｅ_ｎ）（またはその対数）の前記尤度を最大化可能にするＥＭベースのアルゴリズムを用いて、推定される。実際的な見地から、使用するＥＭアルゴリズムは反復的であって、各反復は２個のステップ、すなわち計算ステップ（または期待ステップ）および最大化ステップを含んでいる。これらのステップについては、再充電の履歴が利用可能（＃ＩＤ＝１）な場合を記述している。第１回目の再充電（履歴＃ＩＤ＝０が無い）を行う間、遷移機構は未だ起動されていない。従って、遷移パラメータＦ、Ｑは消滅し、μ、Σおよびσ^２だけが推定される。この目的のため、ステップＥを、ｎ＝１のフィルタリングステップで代替し、ステップＭをｋ＝ｎ＝１で行う。

検知ステップ１６１について以下に記載する。

再充電ｎに対する基準は、推定された重みｗ_ｎ｜ｎに基づいている。実際に、

が０と１の間にあるという事実を利用して、
ξ_ｎ＜ｔｈｒｅｓｈｏｌｄ ⇔ エネルギーｅ_ｎは異常値。

値ｔｈｒｅｓｈｏｌｄは０〜１の間で（一般には極めて小さく）選択される。この基準は、小さい重みｗ_ｎ｜ｎ（従って、顕著な測定分散

）を有する再充電は例外的と見なされるという事実に基づいている。

電気自動車の電池の再充電異常を検知するシステムであって本方法の１個以上のステップを実行する手段を含むシステムを開示する。

コンピュータプログラム製品であって、前記プログラムがコンピュータ上で実行された場合に本方法の１個以上のステップを実行可能にするコード命令を含むコンピュータプログラムを開示する。

コンピュータ上で実行された場合に本方法の１個以上のステップを実行可能にするコード命令を含むデータ媒体を開示する。

本発明は、ハードウェア要素および／またはソフトウェア要素に基づいて実装することができる。本発明は計算機可読媒体上のコンピュータプログラム製品の形式で利用可能である。媒体は、電子、磁気、光、電磁気、または赤外線放射媒体であってもよい。

Claims (15)

1. 電気自動車の電池の再充電を管理するコンピュータ実装された方法であって、
   前記電気自動車の前記電池の再充電サイクルを実行するステップと、
   前記電池に蓄積された全エネルギーを測定するステップと、
   前記全エネルギーに関連付けられた分散を計算するステップと、
   前記分散に関連付けられた係数を決定するステップと
   を含む方法。
2. 前記分散に関連付けられた係数を決定するステップが再帰的である、請求項１に記載の方法。
3. １個以上の閾値により決定された係数を比較するステップを更に含む、請求項２に記載の方法。
4. 所定の閾値が設定可能である、請求項３に記載の方法。
5. 前記決定された、蓄積された全エネルギーの測定値が１個以上の閾値より大きい場合、警告を発するステップを更に含む、請求項３または４のいずれか１項に記載の方法。
6. 前記分散の計算が、ヘビーテール分布に従い分布される白色ノイズに関連付けられている、請求項１に記載の方法。
7. 前記ヘビーテール分布がスチューデント分布である、請求項６に記載の方法。
8. 前記電池により蓄積された全エネルギーの測定値の分散に関連付けられた係数を決定するステップが、カルマンフィルタを用いるステップを含む、請求項１に記載の方法。
9. 前記カルマンフィルタが複数の過去の全エネルギー測定値に適用されている、請求項８に記載の方法。
10. 進行中の前記再充電サイクルに関連付けられた全エネルギーの測定値の包含を更に含む、請求項９に記載の方法。
11. 蓄積された全エネルギーの１個以上の測定値および前記測定値の分散に関連付けられた１個以上の係数を格納するステップを含む、請求項１〜１０のいずれか１項に記載の方法。
12. 初期残量値および周囲温度値を受信するステップを更に含む、請求項１〜１１のいずれか１項に記載の方法。
13. 電気自動車の電池の再充電異常を検知するシステムであって、請求項１〜１２のいずれか１項に記載の方法のステップを実行する手段を含むシステム。
14. コンピュータプログラムが、コンピュータ上で実行された場合に請求項１〜１２のいずれか１項に記載の方法のステップを実行するコード命令を含む、コンピュータプログラム製品。
15. 前記プログラムがコンピュータ上で実行された場合に請求項１〜１２のいずれか１項に記載の方法のステップを実行するコード命令を含むデータ媒体。

Images