JP2018072090A - Storage battery state estimation device - Google Patents

Storage battery state estimation device Download PDF

Info

Publication number
JP2018072090A
JP2018072090A JP2016209981A JP2016209981A JP2018072090A JP 2018072090 A JP2018072090 A JP 2018072090A JP 2016209981 A JP2016209981 A JP 2016209981A JP 2016209981 A JP2016209981 A JP 2016209981A JP 2018072090 A JP2018072090 A JP 2018072090A
Authority
JP
Japan
Prior art keywords
parameter
storage battery
estimation
population
voltage value
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
JP2016209981A
Other languages
Japanese (ja)
Other versions
JP6857998B2 (en
Inventor
高橋　信之
Nobuyuki Takahashi
信之 高橋
荘田　隆博
Takahiro Shoda
隆博 荘田
竜男 砂山
Tatsuo Sunayama
竜男 砂山
浩明 有江
Hiroaki Arie
浩明 有江
重樹 菅野
Shigeki Sugano
重樹 菅野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Waseda University
Yazaki Corp
Original Assignee
Waseda University
Yazaki Corp
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
Application filed by Waseda University, Yazaki Corp filed Critical Waseda University
Priority to JP2016209981A priority Critical patent/JP6857998B2/en
Publication of JP2018072090A publication Critical patent/JP2018072090A/en
Application granted granted Critical
Publication of JP6857998B2 publication Critical patent/JP6857998B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Abstract

PROBLEM TO BE SOLVED: To provide a storage battery state estimation device with which it is possible to accurately estimate the state of a storage battery.SOLUTION: A storage battery state estimation device 1 comprises: a current detection unit 10 for detecting the detected current valuer i of a storage battery 3 that stores electric power; a voltage detection unit 20 for detecting a detected voltage value v of the storage battery 3; and an estimation unit 30 for selecting a specific parameter in plurality from a plurality of parameter candidates that indicate the state of the storage battery 3 in an equivalent circuit model of the storage battery 3 on the basis of the detected current valuer i detected by the current detection unit 10 and the detected voltage valuer v detected by the voltage detection unit 20, and estimating a parameter using the plurality of selected specific parameters as preliminary knowledge.SELECTED DRAWING: Figure 1

Description

本発明は、蓄電池状態推定装置に関する。   The present invention relates to a storage battery state estimation device.

従来、蓄電池状態推定装置は、例えば、電気自動車（ＥＶ；Ｅｌｅｃｔｒｉｃ Ｖｅｈｉｃｌｅ）等の車両に搭載される蓄電池の状態を推定する。蓄電池状態推定装置は、例えば、車両の航続距離の把握や蓄電池の寿命を長くするために、蓄電池の等価回路モデルを作成し当該等価回路モデルの適切なパラメータを推定することにより蓄電池の状態を推定する（例えば、特許文献１）。   Conventionally, a storage battery state estimation device estimates the state of a storage battery mounted on a vehicle such as an electric vehicle (EV). The storage battery state estimation device estimates the state of the storage battery by, for example, creating an equivalent circuit model of the storage battery and estimating appropriate parameters of the equivalent circuit model in order to grasp the cruising distance of the vehicle and extend the life of the storage battery. (For example, Patent Document 1).

特開２０１２−１４９９４７号公報JP 2012-149947 A

ところで、蓄電池の等価回路モデルのパラメータに基づいて蓄電池の状態を精度よく推定することが望まれている。   Incidentally, it is desired to accurately estimate the state of the storage battery based on the parameters of the equivalent circuit model of the storage battery.

そこで、本発明は、上記に鑑みてなされたものであって、蓄電池の状態を精度よく推定することができる蓄電池状態推定装置を提供することを目的とする。   Then, this invention is made | formed in view of the above, Comprising: It aims at providing the storage battery state estimation apparatus which can estimate the state of a storage battery accurately.

上述した課題を解決し、目的を達成するために、本発明に係る蓄電池状態推定装置は、電力を蓄電する蓄電池の電流値を検出する電流検出部と、前記蓄電池の電圧値を検出する電圧検出部と、前記電流検出部により検出された前記電流値、及び、前記電圧検出部により検出された前記電圧値に基づいて、前記蓄電池の等価回路モデルにおいて前記蓄電池の状態を示す複数のパラメータの候補から特定の前記パラメータを複数選択し、選択した前記特定の複数のパラメータを事前知識として用いて前記パラメータを推定する推定部と、を備えることを特徴とする。   In order to solve the above-described problems and achieve the object, a storage battery state estimation device according to the present invention includes a current detection unit that detects a current value of a storage battery that stores electric power, and a voltage detection that detects a voltage value of the storage battery. And a plurality of parameter candidates indicating the state of the storage battery in the equivalent circuit model of the storage battery based on the current value detected by the current detection unit and the voltage value detected by the voltage detection unit An estimation unit that selects a plurality of the specific parameters from the list and estimates the parameters using the selected plurality of the specific parameters as prior knowledge.

また、上記蓄電池状態推定装置において、前記推定部は、ベイズ推定を用いて前記パラメータを推定することが好ましい。   Moreover, the said storage battery state estimation apparatus WHEREIN: It is preferable that the said estimation part estimates the said parameter using Bayes estimation.

また、上記蓄電池状態推定装置において、前記推定部は、前記ベイズ推定においてマルコフ連鎖モンテカルロ法（ＭＣＭＣ法；Ｍａｒｋｏｖ Ｃｈａｉｎ Ｍｏｎｔｅ Ｃａｒｌｏ ｍｅｔｈｏｄｓ）を用いて前記パラメータを推定することが好ましい。   In the storage battery state estimation apparatus, it is preferable that the estimation unit estimates the parameter using a Markov chain Monte Carlo method (MCMC method; Markov Chain Monte Carlo methods) in the Bayesian estimation.

また、上記蓄電池状態推定装置において、前記推定部は、前記複数のパラメータの候補から構成されるパラメータ母集団を生成し、前記電流値、前記電圧値、及び、前記パラメータを評価する評価関数に基づいて前記パラメータ母集団から前記特定のパラメータを複数選択し、選択されなかった前記パラメータを前記パラメータ母集団から削除するパラメータ選択処理と、選択された前記特定のパラメータを事前知識として用いると共に新たな前記パラメータを追加して前記パラメータ母集団を生成する母集団生成処理とを行い、前記パラメータ選択処理と前記母集団生成処理とを繰り返すことにより最終の前記パラメータを推定することが好ましい。   In the storage battery state estimation device, the estimation unit generates a parameter population composed of the plurality of parameter candidates, and is based on an evaluation function for evaluating the current value, the voltage value, and the parameter. A plurality of the specific parameters from the parameter population, and a parameter selection process for deleting the unselected parameters from the parameter population, and using the selected specific parameters as prior knowledge and a new one It is preferable that a population generation process for generating the parameter population by adding a parameter is performed, and the final parameter is estimated by repeating the parameter selection process and the population generation process.

また、上記蓄電池状態推定装置において、前記推定部は、前記パラメータとして前記蓄電池の開放電圧を推定することが好ましい。   Moreover, the said storage battery state estimation apparatus WHEREIN: It is preferable that the said estimation part estimates the open circuit voltage of the said storage battery as said parameter.

また、上記蓄電池状態推定装置において、前記推定部は、前記複数のパラメータの候補をダウンサンプリングすることが好ましい。   In the storage battery state estimation apparatus, it is preferable that the estimation unit downsamples the plurality of parameter candidates.

本発明に係る蓄電池状態推定装置は、検出された電流値及び電圧値に基づいて、蓄電池の等価回路モデルにおいて蓄電池の状態を示す複数のパラメータの候補から特定のパラメータを複数選択し、選択した特定の複数のパラメータを事前知識として用いてパラメータを推定するので当該パラメータの推定精度を向上させることが可能となり、蓄電池の状態を精度よく推定することができる。   The storage battery state estimation device according to the present invention selects, based on the detected current value and voltage value, a plurality of specific parameters from a plurality of parameter candidates indicating the state of the storage battery in the equivalent circuit model of the storage battery, and the selected identification Since the parameters are estimated using the plurality of parameters as prior knowledge, the estimation accuracy of the parameters can be improved, and the state of the storage battery can be accurately estimated.

図１は、実施形態に係る蓄電池状態推定装置の構成例を示すブロック図である。FIG. 1 is a block diagram illustrating a configuration example of the storage battery state estimation device according to the embodiment. 図２は、実施形態に係る蓄電池の等価回路モデルを示す図である。FIG. 2 is a diagram illustrating an equivalent circuit model of the storage battery according to the embodiment. 図３は、実施形態に係るメトロポリス・ヘイスティング法の疑似コードを示す図である。FIG. 3 is a diagram illustrating pseudo code of the metropolis and hasting method according to the embodiment. 図４は、実施形態に係るパラメータの推定区間の分割例を示す図である。FIG. 4 is a diagram illustrating an example of division of the parameter estimation interval according to the embodiment. 図５は、実施形態に係る評価関数の評価例を示す図である。FIG. 5 is a diagram illustrating an evaluation example of the evaluation function according to the embodiment. 図６は、実施形態に係る予測ＯＣＶの結果を示す図である。FIG. 6 is a diagram illustrating a result of the predicted OCV according to the embodiment. 図７は、実施形態に係るＭＣＭＣ法によるベイズ推定結果とインピーダンス解析によるモデルパラメータ推定結果との比較例を示す図である。FIG. 7 is a diagram illustrating a comparative example of a Bayes estimation result by the MCMC method according to the embodiment and a model parameter estimation result by impedance analysis.

本発明を実施するための形態（実施形態）につき、図面を参照しつつ詳細に説明する。以下の実施形態に記載した内容により本発明が限定されるものではない。また、以下に記載した構成要素には、当業者が容易に想定できるもの、実質的に同一のものが含まれる。さらに、以下に記載した構成は適宜組み合わせることが可能である。また、本発明の要旨を逸脱しない範囲で構成の種々の省略、置換又は変更を行うことができる。   DESCRIPTION OF EMBODIMENTS Embodiments (embodiments) for carrying out the present invention will be described in detail with reference to the drawings. The present invention is not limited by the contents described in the following embodiments. The constituent elements described below include those that can be easily assumed by those skilled in the art and those that are substantially the same. Furthermore, the structures described below can be combined as appropriate. Various omissions, substitutions, or changes in the configuration can be made without departing from the scope of the present invention.

〔実施形態〕
実施形態に係る蓄電池状態推定装置１について説明する。蓄電池状態推定装置１は、車両２に搭載される蓄電池３の状態（例えば内部抵抗や開放電圧（ＯＣＶ））を推定するものである。蓄電池３は、イオン拡散に由来する過電圧成分が生じ、過電圧成分が平衡に達するまでには時間を要する。そこで、蓄電池状態推定装置１は、時間を短縮するために、蓄電池３の等価回路モデル４を作成し当該等価回路モデル４において蓄電池３の状態を示すパラメータθを推定する。本実施形態では、蓄電池状態推定装置１は、ベイズ推定を用いて等価回路モデル４のパラメータθを推定する。好ましくは、蓄電池状態推定装置１は、ベイズ推定においてＭＣＭＣ法を用いて等価回路モデル４のパラメータθを推定する。蓄電池状態推定装置１は、電気自動車（ＥＶ）やプラグインハイブリッドカー（ＰＨＥＶ；Ｐｌｕｇ−ｉｎ Ｈｙｂｒｉｄ Ｅｌｅｃｔｒｉｃ Ｖｅｈｉｃｌｅ）、ハイブリッド電気自動車（ＨＥＶ；Ｈｙｂｒｉｄ Ｅｌｅｃｔｒｉｃ Ｖｅｈｉｃｌｅ）等の車両２に搭載される。以下、蓄電池状態推定装置１について詳細に説明する。 Embodiment
The storage battery state estimation device 1 according to the embodiment will be described. The storage battery state estimation device 1 estimates the state (for example, internal resistance and open circuit voltage (OCV)) of the storage battery 3 mounted on the vehicle 2. In the storage battery 3, an overvoltage component derived from ion diffusion occurs, and it takes time until the overvoltage component reaches equilibrium. Therefore, the storage battery state estimation device 1 creates an equivalent circuit model 4 of the storage battery 3 and estimates a parameter θ indicating the state of the storage battery 3 in the equivalent circuit model 4 in order to shorten the time. In the present embodiment, the storage battery state estimation device 1 estimates the parameter θ of the equivalent circuit model 4 using Bayesian estimation. Preferably, the storage battery state estimation device 1 estimates the parameter θ of the equivalent circuit model 4 using the MCMC method in Bayesian estimation. The storage battery state estimation device 1 is mounted on a vehicle 2 such as an electric vehicle (EV), a plug-in hybrid vehicle (PHEV), a hybrid electric vehicle (HEV), or the like. Hereinafter, the storage battery state estimation device 1 will be described in detail.

車両２は、図１に示すように、蓄電池状態推定装置１と、蓄電池３と、ＥＣＵ（電子制御ユニット；Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）５とを備える。蓄電池状態推定装置１は、電流検出部１０と、電圧検出部２０と、推定部３０とを備える。   As shown in FIG. 1, the vehicle 2 includes a storage battery state estimation device 1, a storage battery 3, and an ECU (Electronic Control Unit) 5. The storage battery state estimation device 1 includes a current detection unit 10, a voltage detection unit 20, and an estimation unit 30.

電流検出部１０は、電流値を検出するものである。電流検出部１０は、蓄電池３に接続され、蓄電池３から車両２の図示しない駆動モータ等に流れる電流の電流値を検出する。また、電流検出部１０は、車両２の制動時に図示しないモータジェネレータ等から蓄電池３に流れる電流（回生電流）の電流値を検出する。電流検出部１０は、検出した検出電流値ｉを推定部３０に出力する。   The current detection unit 10 detects a current value. The current detection unit 10 is connected to the storage battery 3 and detects a current value of a current flowing from the storage battery 3 to a drive motor (not shown) of the vehicle 2. Further, the current detection unit 10 detects a current value of a current (regenerative current) flowing from the motor generator (not shown) to the storage battery 3 when the vehicle 2 is braked. The current detection unit 10 outputs the detected detection current value i to the estimation unit 30.

電圧検出部２０は、電圧値を検出するものである。電圧検出部２０は、蓄電池３の陽極端子４ｂ及び陰極端子４ｃ（図２参照）に接続され、陽極端子４ｂと陰極端子４ｃとの間の電圧値を検出する。電圧検出部２０は、検出した検出電圧値ｖを推定部３０に出力する。   The voltage detection unit 20 detects a voltage value. The voltage detection unit 20 is connected to the anode terminal 4b and the cathode terminal 4c (see FIG. 2) of the storage battery 3, and detects the voltage value between the anode terminal 4b and the cathode terminal 4c. The voltage detection unit 20 outputs the detected detection voltage value v to the estimation unit 30.

推定部３０は、蓄電池３の状態を示すパラメータθを推定するものである。推定部３０は、パラメータθとして、例えばＯＣＶ（開放電圧；Ｏｐｅｎ ｃｉｒｃｕｉｔ ｖｏｌｔａｇｅ）を推定する。ここで、ＯＣＶは、蓄電池３に負荷をかけていない状態における陽極端子４ｂと陰極端子４ｃとの間の電圧である。推定部３０は、電流検出部１０及び電圧検出部２０に接続され、電流検出部１０により検出された検出電流値ｉ、及び、電圧検出部２０により検出された検出電圧値ｖに基づいて、ＯＣＶの電圧値を推定する。推定部３０は、例えば、蓄電池３の等価回路モデル４に基づく蓄電池３の状態方程式を解いてパラメータθ（例えばＯＣＶの電圧値）を推定する。   The estimation unit 30 estimates a parameter θ indicating the state of the storage battery 3. The estimation unit 30 estimates, for example, OCV (open circuit voltage) as the parameter θ. Here, OCV is a voltage between the anode terminal 4b and the cathode terminal 4c in a state where no load is applied to the storage battery 3. The estimation unit 30 is connected to the current detection unit 10 and the voltage detection unit 20, and is based on the detected current value i detected by the current detection unit 10 and the detected voltage value v detected by the voltage detection unit 20. Is estimated. For example, the estimation unit 30 solves a state equation of the storage battery 3 based on the equivalent circuit model 4 of the storage battery 3 and estimates a parameter θ (for example, a voltage value of OCV).

ＥＣＵ５は、車両２全体を制御するものであり、例えば、エンジン等の駆動系やブレーキ等の制動系を制御するものである。ＥＣＵ５は、推定部３０から出力される推定結果に基づいて車両２を制御する。   The ECU 5 controls the entire vehicle 2 and controls, for example, a driving system such as an engine and a braking system such as a brake. The ECU 5 controls the vehicle 2 based on the estimation result output from the estimation unit 30.

ここで、蓄電池３の等価回路モデル４は、図２に示すように、電源４ａ、抵抗成分Ｒ０、コンデンサ容量成分Ｃ０、複数のＣ−Ｒ回路４１〜４ｎ、陽極端子４ｂ、及び、陰極端子４ｃが含まれて構成される。蓄電池３の等価回路モデル４は、抵抗成分Ｒ０及びコンデンサ容量成分Ｃ０が電源４ａに直列接続され、第１のＣ−Ｒ回路４１が抵抗成分Ｒ０に直列接続され、第２のＣ−Ｒ回路４２が第１のＣ−Ｒ回路４１に直列接続され、第ｎのＣ−Ｒ回路４ｎが第ｎ−１のＣ−Ｒ回路４ｎー１及び陽極端子４ｂに直列接続される。本実施形態では、蓄電池３の等価回路モデル４は、「ｎ」が「２」の例について説明するが、「ｎ」の値は適宜変更可能である。第１のＣ−Ｒ回路４１は、コンデンサ容量成分Ｃ１と抵抗成分Ｒ１とが並列接続されている。第２のＣ−Ｒ回路４２は、コンデンサ容量成分Ｃ２と抵抗成分Ｒ２とが並列接続されている。蓄電池３の等価回路モデル４において蓄電池３の状態を示すパラメータθは、以下の式（１）に示すように、抵抗成分Ｒ０、Ｒ１、Ｒ２、コンデンサ容量成分Ｃ０、Ｃ１、Ｃ２、ＯＣＶの電圧値Ｖｏｃｖ（０）、第１のＣ−Ｒ回路４１の電圧値Ｖ１（０）、及び、第２のＣ−Ｒ回路４２の電圧値Ｖ２（０）を含んで構成される。 Here, as shown in FIG. 2, the equivalent circuit model 4 of the storage battery 3 includes a power source 4a, a resistance component R 0 , a capacitor capacitance component C 0 , a plurality of CR circuits 4 1 to 4 n , an anode terminal 4b, and The cathode terminal 4c is included. Equivalent circuit model 4 of the battery 3, the resistance component R 0 and capacitor capacitance component C 0 is connected in series to the power source 4a, the first C-R circuit 4 1 is connected in series with resistance component R 0, the second C -R circuit 4 2 is connected in series to the first C-R circuit 4 1, C-R circuit 4 n n-th series connected to the (n-1) of the C-R circuit 4 n-1 and the anode terminal 4b Is done. In the present embodiment, the equivalent circuit model 4 of the storage battery 3 is described as an example in which “n” is “2”, but the value of “n” can be changed as appropriate. The first C-R circuit 4 1 includes a capacitance component C 1 and the resistance component R 1 are connected in parallel. Second C-R circuit 4 2, the capacitance component C 2 and the resistance component R 2 are connected in parallel. The parameter θ indicating the state of the storage battery 3 in the equivalent circuit model 4 of the storage battery 3 includes resistance components R 0 , R 1 , R 2 , capacitor capacity components C 0 , C 1 , C as shown in the following formula (1). 2, OCV voltage value V ocv (0), the first C-R circuit 4 first voltage value V 1 (0), and a second C-R circuit 4 second voltage value V 2 a (0) Consists of including.

Figure 2018072090
Figure 2018072090

推定部３０は、ベイズ推定を行う際に使用されるＭＣＭＣ法を用いて、蓄電池３の等価回路モデル４に基づく蓄電池３の状態方程式（以下の式（２）〜式（６））を解くことによりＯＣＶの電圧値Ｖｏｃｖを推定する。ここで、ＭＣＭＣ法は、種々のアルゴリズムが存在する。本実施形態では、ＭＣＭＣ法として例えばメトロポリス・ヘイスティング法の変形タイプを適用するが、これに限定されない。例えば、ＭＣＭＣ法としてギブスサンプリング法を適用してもよい。推定部３０は、時刻ｔにおける検出電流値Ｉｏｂｓ（検出電流値ｉ）に基づいて蓄電池３の状態方程式における予測電圧値Ｖｏｂｓを算出し、算出した予測電圧値Ｖｏｂｓが検出電圧値ｖに近いパラメータθを探す。 The estimation unit 30 solves the state equation (the following equations (2) to (6)) of the storage battery 3 based on the equivalent circuit model 4 of the storage battery 3 using the MCMC method used when performing Bayesian estimation. Thus, the OCV voltage value V ocv is estimated. Here, various algorithms exist for the MCMC method. In the present embodiment, for example, a modified type of the Metropolis-Hasting method is applied as the MCMC method, but the MCMC method is not limited to this. For example, the Gibbs sampling method may be applied as the MCMC method. The estimation unit 30 calculates the predicted voltage value V obs in the state equation of the storage battery 3 based on the detected current value I obs (detected current value i) at time t, and the calculated predicted voltage value V obs becomes the detected voltage value v. Search for a close parameter θ.

Figure 2018072090
Figure 2018072090

式（２）によれば、時刻ｔにおける蓄電池３の予測電圧値Ｖｏｂｓ（ｔ）は、ＯＣＶの電圧値Ｖｏｃｖ（ｔ）、抵抗成分Ｒ０の電圧値Ｖ０（ｔ）、第１のＣ−Ｒ回路４１の電圧値Ｖ１（ｔ）、及び、第２のＣ−Ｒ回路４２の電圧値Ｖ２（ｔ）を加算して求められる。また、式（３）によれば、ＯＣＶの電圧値Ｖｏｃｖ（ｔ）は、検出電流値Ｉｏｂｓ（ｔ）に基づいて求められる。また、式（４）によれば、抵抗成分Ｒ０の電圧値Ｖ０（ｔ）は、抵抗成分Ｒ０及び検出電流値Ｉｏｂｓ（ｔ）に基づいて求められる。また、式（５）によれば、第１のＣ−Ｒ回路４１の電圧値Ｖ１（ｔ）は、第１のＣ−Ｒ回路４１の抵抗成分Ｒ１及び検出電流値Ｉｏｂｓに基づいて求められる。また、式（６）によれば、第２のＣ−Ｒ回路４２の電圧値Ｖ２（ｔ）は、第２のＣ−Ｒ回路４２の抵抗成分Ｒ２及び検出電流値Ｉｏｂｓ（ｔ）に基づいて求められる。 According to Equation (2), the predicted voltage value V obs (t) of the storage battery 3 at time t is the OCV voltage value V ocv (t), the resistance component R 0 voltage value V 0 (t), the first C-R circuit 4 first voltage value V 1 (t), and is obtained by adding the second C-R circuit 4 second voltage value V 2 (t). Further, according to the equation (3), the OCV voltage value V ocv (t) is obtained based on the detected current value I obs (t). Further, according to the equation (4), the voltage value V 0 which is the resistance component R 0 (t) is determined based on the resistance component R 0 and the detected current value I obs (t). Also, according to Equation (5), the first C-R circuit 4 first voltage value V 1 (t) is the first C-R circuit 4 first resistive component R 1 and the detected current value I obs Based on. Further, according to the equation (6), a second C-R circuit 4 second voltage value V 2 (t), the second C-R circuit 4 2 of the resistance component R 2 and the detected current value I obs ( t).

推定部３０は、蓄電池３の状態方程式において、複数のパラメータθの候補から選択した特定の複数のパラメータθを事前知識（事前分布）として用いてパラメータθを推定する。具体的に、推定部３０は、乱数発生により複数のパラメータθを発生させる。そして、推定部３０は、複数のパラメータθから構成されるパラメータ母集団を生成する。例えば、推定部３０は、図３に示す疑似コードのラインＬ２、Ｌ３に記載の処理を実行してパラメータ母集団を生成する。そして、推定部３０は、検出電流値ｉ、検出電圧値ｖ、及び、パラメータθを評価する後述の評価関数に基づいてパラメータ母集団から特定のパラメータθを複数選択し、選択されなかったパラメータθをパラメータ母集団から削除する（パラメータ選択処理）。例えば、推定部３０は、図３に示す疑似コードのラインＬ７〜Ｌ１０に記載の処理を実行してパラメータ選択処理を行う。推定部３０は、選択された特定のパラメータθ（パラメータθの分布）を事前知識として用いると共に乱数発生により新たなパラメータθを追加してパラメータ母集団を生成する（母集団生成処理）。例えば、推定部３０は、図３に示す疑似コードのラインＬ６に記載の処理を実行して母集団生成処理を実行する。推定部３０は、削除したパラメータθと同じ個数のパラメータθをパラメータ母集団に追加する。推定部３０は、パラメータ選択処理と母集団生成処理とを繰り返すことにより最終のパラメータθを推定する。   The estimation unit 30 estimates the parameter θ using a plurality of specific parameters θ selected from a plurality of parameter θ candidates as prior knowledge (prior distribution) in the state equation of the storage battery 3. Specifically, the estimation unit 30 generates a plurality of parameters θ by random number generation. And the estimation part 30 produces | generates the parameter population comprised from several parameter (theta). For example, the estimation unit 30 generates the parameter population by executing the processes described in the pseudo code lines L2 and L3 shown in FIG. Then, the estimation unit 30 selects a plurality of specific parameters θ from the parameter population based on an evaluation function to be described later that evaluates the detected current value i, the detected voltage value v, and the parameter θ, and the unselected parameter θ Is deleted from the parameter population (parameter selection process). For example, the estimation unit 30 performs the parameter selection process by executing the processes described in the pseudo code lines L7 to L10 shown in FIG. The estimation unit 30 uses the selected specific parameter θ (parameter θ distribution) as prior knowledge and adds a new parameter θ by random number generation to generate a parameter population (population generation processing). For example, the estimating unit 30 executes the population generation process by executing the process described in the pseudo code line L6 shown in FIG. The estimation unit 30 adds the same number of parameters θ as the deleted parameter θ to the parameter population. The estimation unit 30 estimates the final parameter θ by repeating the parameter selection process and the population generation process.

推定部３０は、パラメータ選択処理において、パラメータθの制約条件を設ける。推定部３０は、例えば、パラメータθの制約条件として、抵抗成分Ｒ０、Ｒ１、Ｒ２、コンデンサ容量成分Ｃ０、Ｃ１、Ｃ２、及び、ＯＣＶの電圧値Ｖｏｃｖ（ｔ）が正の値であるパラメータθを選択し、抵抗成分Ｒ０、Ｒ１、Ｒ２、コンデンサ容量成分Ｃ０、Ｃ１、Ｃ２、及び、ＯＣＶの電圧値Ｖｏｃｖ（ｔ）が負の値であるパラメータθをパラメータ母集団から削除する。これは、蓄電池３の等価回路モデル４において、抵抗成分Ｒ０、Ｒ１、Ｒ２、コンデンサ容量成分Ｃ０、Ｃ１、Ｃ２、及び、ＯＣＶの電圧値Ｖｏｃｖ（ｔ）が正の値をとるためである。パラメータθにおける第１のＣ−Ｒ回路４１の電圧Ｖ１（ｔ）、及び、第２のＣ−Ｒ回路４２の電圧Ｖ２（ｔ）は、正負のいずれの値でもよい。また、推定部３０は、パラメータθの制約条件として、事前知識として用いる複数のパラメータθに比較的近いパラメータθをパラメータ母集団から選択する。このように、推定部３０は、ＭＣＭＣ法を用いることにより、例えば従来のカルマンフィルタのようにパラメータθの正規分布を採用しないので、パラメータθの分布の自由度を高くすることができ、パラメータθの推定精度を向上することができる。 The estimation unit 30 provides a constraint condition for the parameter θ in the parameter selection process. For example, the estimation unit 30 sets the resistance values R 0 , R 1 , R 2 , the capacitor capacitance components C 0 , C 1 , C 2 , and the OCV voltage value V ocv (t) as positive as a constraint condition of the parameter θ. Parameter θ is selected, and resistance components R 0 , R 1 , R 2 , capacitor capacitance components C 0 , C 1 , C 2 , and OCV voltage value V ocv (t) are negative values. The parameter θ is deleted from the parameter population. This is because in the equivalent circuit model 4 of the storage battery 3, the resistance components R 0 , R 1 , R 2 , the capacitor capacitance components C 0 , C 1 , C 2 , and the OCV voltage value V ocv (t) are positive values. It is for taking. Voltage V 1 of the first C-R circuit 4 1 in the parameter theta (t), and a second C-R circuit 4 second voltage V 2 (t) may be any positive or negative value. Further, the estimation unit 30 selects, from the parameter population, a parameter θ that is relatively close to a plurality of parameters θ used as prior knowledge as a constraint condition for the parameter θ. Thus, since the estimation unit 30 does not employ the normal distribution of the parameter θ as in the conventional Kalman filter, for example, by using the MCMC method, the degree of freedom of the distribution of the parameter θ can be increased. The estimation accuracy can be improved.

推定部３０は、パラメータ選択処理において、複数のパラメータθの候補をダウンサンプリングする。推定部３０は、例えば、一定数のパラメータθの候補をサンプリングデータとして取得し、サンプリングデータをとして取得したパラメータθの候補の平均値を求め、求めたパラメータθの候補の平均値から構成されるパラメータ母集団を生成する。これにより、推定部３０は、パラメータ母集団を構成するパラメータθの候補の個数を相対的に減らすことができるので、演算速度を向上させることができる。なお、推定部３０は、ダウンサンプリングの方法は、上述の方法に限定されない。例えば、推定部３０は、パラメータθを間引くことによりダウンサンプリングしてもよい。   The estimation unit 30 downsamples a plurality of parameter θ candidates in the parameter selection process. For example, the estimation unit 30 acquires a certain number of parameter θ candidates as sampling data, obtains an average value of the parameter θ candidates acquired as sampling data, and is configured from the obtained average values of the parameter θ candidates. Generate a parameter population. Thereby, since the estimation part 30 can reduce relatively the number of the parameter (theta) candidates which comprise a parameter population, it can improve calculation speed. The estimation unit 30 is not limited to the above-described method of downsampling. For example, the estimation unit 30 may downsample by thinning out the parameter θ.

また、推定部３０は、パラメータ選択処理において、相対的に短い時間間隔で特定のパラメータθを複数選択する。推定部３０は、例えば、経過時間方向に区間を設け（移動窓を使用し）、区間毎にパラメータ選択処理を行う。推定部３０は、例えば、図４に示すように、推定区間Ｋを６つの区間に分割しそれぞれの区間でパラメータ選択処理を行う。推定部３０は、例えば、最初の第１分割区間Ｋ１において検出電流値ｉ及び検出電圧値ｖ（計測データ１）に基づいて、初期値のパラメータθの候補から構成されるパラメータ母集団から特定のパラメータθを複数選択し、選択されなかったパラメータθをパラメータ母集団から削除する。そして、推定部３０は、特定のパラメータθを事前知識として用い、削除されたパラメータθの個数と同じ個数の新たなパラメータθを追加したパラメータ母集団を生成する。次に、推定部３０は、第２分割区間Ｋ２において検出電流値ｉ及び検出電圧値ｖ（計測データ２）に基づいて、第１分割区間Ｋ１で生成されたパラメータ母集団から特定のパラメータθを複数選択し、選択されなかったパラメータθをパラメータ母集団から削除する。そして、推定部３０は、特定のパラメータθを事前知識として用い、削除されたパラメータθの個数と同じ個数の新たなパラメータθを追加したパラメータ母集団を生成する。同様に、推定部３０は、第３分割区間Ｋ３、第４分割区間Ｋ４、第５分割区間Ｋ５、第６分割区間Ｋ６においても、前区間の特定のパラメータθを事前知識として用い、削除されたパラメータθの個数と同じ個数の新たなパラメータθを追加したパラメータ母集団を生成する。これにより、推定部３０は、第１分割区間Ｋ１〜第６分割区間Ｋ６まで同様の処理を繰り返すことによって、それぞれの区間でパラメータθの事前知識を用いることができるので、各区間におけるパラメータθを選択する計算時間を短縮することができる。従って、推定部３０は、推定区間Ｋを分割せずにパラメータθを選択する計算を行う場合と比較して計算時間を短縮することができる。   In addition, the estimation unit 30 selects a plurality of specific parameters θ at relatively short time intervals in the parameter selection process. For example, the estimation unit 30 provides a section in the elapsed time direction (using a moving window), and performs parameter selection processing for each section. For example, as illustrated in FIG. 4, the estimation unit 30 divides the estimation section K into six sections and performs parameter selection processing in each section. For example, the estimation unit 30 specifies a specific parameter from a parameter population composed of candidates for the initial value parameter θ based on the detected current value i and the detected voltage value v (measurement data 1) in the first first divided section K1. A plurality of parameters θ are selected, and the unselected parameters θ are deleted from the parameter population. Then, the estimation unit 30 uses the specific parameter θ as prior knowledge, and generates a parameter population in which the same number of new parameters θ as the number of deleted parameters θ is added. Next, the estimation unit 30 obtains a specific parameter θ from the parameter population generated in the first divided section K1 based on the detected current value i and the detected voltage value v (measurement data 2) in the second divided section K2. A plurality of selected parameters θ are deleted from the parameter population. Then, the estimation unit 30 uses the specific parameter θ as prior knowledge, and generates a parameter population in which the same number of new parameters θ as the number of deleted parameters θ is added. Similarly, the estimation unit 30 has also been deleted using the specific parameter θ of the previous section as prior knowledge in the third divided section K3, the fourth divided section K4, the fifth divided section K5, and the sixth divided section K6. A parameter population is generated by adding the same number of new parameters θ as the number of parameters θ. Thereby, since the estimation part 30 can use the prior knowledge of parameter (theta) in each area by repeating the same process from the 1st division | segmentation area K1 to the 6th division | segmentation area K6, the parameter (theta) in each area is obtained. The calculation time to be selected can be shortened. Therefore, the estimation unit 30 can shorten the calculation time as compared with the case of performing the calculation for selecting the parameter θ without dividing the estimation section K.

また、推定部３０は、例えば、図５及び以下の式（７）に示すように、パラメータθを選択する場合に評価を行う評価関数として正規分布の対数尤度関数を用いる。当該対数尤度関数は、検出電圧値Ｖ＊（ｖ）に対する予測電圧値Ｖ（Ｖｏｂｓ）の誤差を評価するものである。対数尤度関数は、検出電圧値Ｖ＊に対する予測電圧値Ｖの誤差が大きければパラメータθの評価が低い結果を返し、検出電圧値Ｖ＊に対する予測電圧値Ｖの誤差が小さければパラメータθの評価が高い結果を返す。推定部３０は、評価が高いパラメータθをパラメータ母集団に残し、評価が低いパラメータθをパラメータ母集団から削除する。推定部３０は、小さな誤差を評価する必要があるので対数尤度関数を用いている。推定部３０は、対数尤度関数を用いることで電圧値の誤差の大小に関わらず誤差の大きさが一定（線形）になる。なお、評価関数は、正規分布の対数尤度関数に限定されず、例えば、正規分布の評価関数やベータ分布の評価関数、ベータ分布の対数尤度関数等でもよい。 Further, for example, as shown in FIG. 5 and the following formula (7), the estimation unit 30 uses a logarithmic likelihood function of a normal distribution as an evaluation function to be evaluated when the parameter θ is selected. The log likelihood function evaluates an error of the predicted voltage value V (V obs ) with respect to the detected voltage value V * (v). The log likelihood function returns a low evaluation result of the parameter θ if the error of the predicted voltage value V with respect to the detected voltage value V * is large, and evaluates the parameter θ if the error of the predicted voltage value V is small with respect to the detected voltage value V * . Returns high results. The estimation unit 30 leaves the parameter θ having a high evaluation in the parameter population, and deletes the parameter θ having a low evaluation from the parameter population. Since the estimation unit 30 needs to evaluate a small error, a log likelihood function is used. The estimation unit 30 uses the log-likelihood function to make the magnitude of the error constant (linear) regardless of the magnitude of the voltage value error. The evaluation function is not limited to a logarithmic likelihood function of a normal distribution, and may be, for example, an evaluation function of a normal distribution, an evaluation function of a beta distribution, a log likelihood function of a beta distribution, or the like.

Figure 2018072090
Figure 2018072090

次に、図６、図７を参照して蓄電池状態推定装置１の所定の運転モードにおける予測ＯＣＶの結果について説明する。図６は、予測ＯＣＶの結果を示す図であり、左側の縦軸が電圧値であり、右側の縦軸が電圧値の誤差（ｍｖ）であり、横軸が時間である。図６には、検出電圧値ｖと、測定された測定ＯＣＶ（真のＯＣＶ）の電圧値Ｖａと、予測された予測ＯＣＶの電圧値Ｖｂと、測定電圧値Ｖａに対する予測電圧値Ｖｂの誤差Ｅ１とが示されている。蓄電池状態推定装置１は、図６に示すように、測定電圧値Ｖａと予測電圧値Ｖｂとの差分がほとんど見られなかった。つまり、蓄電池状態推定装置１は、測定電圧値Ｖａに対する予測電圧値Ｖｂの誤差Ｅ１を±１０ｍｖ程度に抑えることができた。   Next, with reference to FIG. 6 and FIG. 7, the result of the prediction OCV in the predetermined operation mode of the storage battery state estimation device 1 will be described. FIG. 6 is a diagram showing the predicted OCV results, where the left vertical axis is the voltage value, the right vertical axis is the voltage value error (mv), and the horizontal axis is the time. FIG. 6 shows the detected voltage value v, the measured voltage value Va of the measured OCV (true OCV), the predicted voltage value Vb of the predicted OCV, and the error E1 of the predicted voltage value Vb with respect to the measured voltage value Va. Is shown. As shown in FIG. 6, the storage battery state estimation device 1 showed almost no difference between the measured voltage value Va and the predicted voltage value Vb. That is, the storage battery state estimation device 1 was able to suppress the error E1 of the predicted voltage value Vb with respect to the measured voltage value Va to about ± 10 mV.

図７は、ＭＣＭＣ法によるベイズ推定結果とインピーダンス解析によるモデルパラメータ推定結果との比較例を示す図である。図７に示すように、ＭＣＭＣ法によるベイズ推定結果とインピーダンス解析によるモデルパラメータ推定結果とは、抵抗成分Ｒ０、Ｒ１、Ｒ２、コンデンサ容量成分Ｃ１、Ｃ２において、ほとんど違いが見られなかった。これにより、蓄電池状態推定装置１は、ＭＣＭＣ法により、抵抗成分Ｒ０、Ｒ１、Ｒ２、コンデンサ容量成分Ｃ１、Ｃ２を適切に推定できることが分かる。 FIG. 7 is a diagram illustrating a comparative example of the Bayes estimation result by the MCMC method and the model parameter estimation result by the impedance analysis. As shown in FIG. 7, the difference between the Bayes estimation result by the MCMC method and the model parameter estimation result by the impedance analysis is seen in the resistance components R 0 , R 1 , R 2 and the capacitor capacitance components C 1 , C 2 . There wasn't. Thereby, it can be seen that the storage battery state estimation device 1 can appropriately estimate the resistance components R 0 , R 1 , R 2 and the capacitor capacitance components C 1 , C 2 by the MCMC method.

以上のように、実施形態に係る蓄電池状態推定装置１は、検出電流値ｉ及び検出電圧値ｖに基づいて、蓄電池３の等価回路モデル４において蓄電池３の状態を示す複数のパラメータθの候補から特定のパラメータθを複数選択し、選択した特定の複数のパラメータθを事前知識として用いてパラメータθを推定する。これにより、蓄電池状態推定装置１は、パラメータθの推定精度を向上することができるので、蓄電池３の状態を精度よく推定することができる。従来、例えばカルマンフィルタのようにパラメータθを平均値及び分散による正規分布で近似計算する場合、パラメータθの推定対象や外乱が正規分布から外れるとパラメータθの推定の精度が低下する。これに対して、実施形態に係る蓄電池状態推定装置１は、正規分布で近似計算を行わずにパラメータθの分布をそのまま事前知識として用いるので、パラメータθの推定対象や外乱が外れずパラメータθの推定の精度を向上させることができる。   As described above, the storage battery state estimation device 1 according to the embodiment is based on a plurality of parameter θ candidates indicating the state of the storage battery 3 in the equivalent circuit model 4 of the storage battery 3 based on the detected current value i and the detected voltage value v. A plurality of specific parameters θ are selected, and the parameter θ is estimated using the selected specific parameters θ as prior knowledge. Thereby, since the storage battery state estimation apparatus 1 can improve the estimation precision of parameter (theta), it can estimate the state of the storage battery 3 accurately. Conventionally, when the parameter θ is approximately calculated with a normal distribution based on an average value and variance as in the Kalman filter, for example, if the parameter θ estimation target or disturbance deviates from the normal distribution, the accuracy of the parameter θ estimation decreases. On the other hand, the storage battery state estimation device 1 according to the embodiment uses the distribution of the parameter θ as it is as prior knowledge without performing an approximate calculation with a normal distribution. The accuracy of estimation can be improved.

また、蓄電池状態推定装置１において、推定部３０は、ベイズ推定においてＭＣＭＣ法を用いてパラメータθを推定する。これにより、特定のパラメータθの分布をそのまま事前知識として用いるのでパラメータθの推定精度を向上することができる。   Moreover, in the storage battery state estimation apparatus 1, the estimation unit 30 estimates the parameter θ using the MCMC method in Bayesian estimation. Thereby, since the distribution of the specific parameter θ is used as it is as prior knowledge, the estimation accuracy of the parameter θ can be improved.

また、蓄電池状態推定装置１において、推定部３０は、複数のパラメータθの候補から構成されるパラメータ母集団を生成し、検出電流値ｉ、検出電圧値ｖ、及び、パラメータθを評価する評価関数に基づいてパラメータ母集団から特定のパラメータθを複数選択し、選択されなかったパラメータθをパラメータ母集団から削除するパラメータ選択処理と、選択された特定のパラメータを事前知識として用いると共に新たなパラメータθを追加してパラメータ母集団を生成する母集団生成処理とを行い、パラメータ選択処理と母集団生成処理とを繰り返すことにより最終のパラメータθを推定する。これにより、蓄電池状態推定装置１は、特定のパラメータθの分布をそのまま事前知識として用いるのでパラメータθの推定精度を向上することができる。   In the storage battery state estimation device 1, the estimation unit 30 generates a parameter population composed of a plurality of parameter θ candidates, and evaluates the detected current value i, the detected voltage value v, and the parameter θ. A parameter selection process for selecting a plurality of specific parameters θ from the parameter population and deleting the unselected parameters θ from the parameter population, and using the selected specific parameters as prior knowledge and a new parameter θ And a population generation process for generating a parameter population is performed, and the final parameter θ is estimated by repeating the parameter selection process and the population generation process. Thereby, the storage battery state estimation apparatus 1 can improve the estimation accuracy of the parameter θ because the specific parameter θ distribution is directly used as prior knowledge.

また、蓄電池状態推定装置１において、推定部３０は、パラメータθとして蓄電池３のＯＣＶを推定する。これにより、蓄電池状態推定装置１は、ＯＣＶを精度よく推定することができる。   Moreover, in the storage battery state estimation apparatus 1, the estimation part 30 estimates OCV of the storage battery 3 as parameter (theta). Thereby, the storage battery state estimation apparatus 1 can estimate OCV accurately.

また、蓄電池状態推定装置１において、推定部３０は、複数のパラメータθの候補をダウンサンプリングする。これにより、蓄電池状態推定装置１は、計算速度を向上させることができる。   Moreover, in the storage battery state estimation apparatus 1, the estimation unit 30 downsamples a plurality of parameter θ candidates. Thereby, the storage battery state estimation apparatus 1 can improve calculation speed.

１ 蓄電池状態推定装置
１０ 電流検出部
２０ 電圧検出部
３０ 推定部
３ 蓄電池
４ 等価回路モデル
θ パラメータ
ｉ、Ｉｏｂｓ 検出電流値（電流値）
ｖ、Ｖ＊ 検出電圧値（電圧値）
Ｖｏｂｓ、Ｖ 予測電圧値 DESCRIPTION OF SYMBOLS 1 Storage battery state estimation apparatus 10 Current detection part 20 Voltage detection part 30 Estimation part 3 Storage battery 4 Equivalent circuit model (theta) Parameter i, I obs detection current value (current value)
v, V * Detection voltage value (voltage value)
V obs , V predicted voltage value

Claims (5)

電力を蓄電する蓄電池の電流値を検出する電流検出部と、
前記蓄電池の電圧値を検出する電圧検出部と、
前記電流検出部により検出された前記電流値、及び、前記電圧検出部により検出された前記電圧値に基づいて、前記蓄電池の等価回路モデルにおいて前記蓄電池の状態を示す複数のパラメータの候補から特定の前記パラメータを複数選択し、選択した前記特定の複数のパラメータを事前知識として用いて前記パラメータを推定する推定部と、
を備えることを特徴とする蓄電池状態推定装置。 A current detection unit that detects a current value of a storage battery that stores electric power;
A voltage detector for detecting a voltage value of the storage battery;
Based on the current value detected by the current detection unit and the voltage value detected by the voltage detection unit, a specific parameter is selected from a plurality of parameter candidates indicating the state of the storage battery in the equivalent circuit model of the storage battery. An estimation unit that selects a plurality of the parameters and estimates the parameters using the selected plurality of selected parameters as prior knowledge;
A storage battery state estimation device comprising: 前記推定部は、
ベイズ推定を用いて前記パラメータを推定する請求項１に記載の蓄電池状態推定装置。 The estimation unit includes
The storage battery state estimation apparatus according to claim 1, wherein the parameter is estimated using Bayesian estimation. 前記推定部は、
前記ベイズ推定においてマルコフ連鎖モンテカルロ法を用いて前記パラメータを推定する請求項２に記載の蓄電池状態推定装置。 The estimation unit includes
The storage battery state estimation apparatus according to claim 2, wherein the parameter is estimated using a Markov chain Monte Carlo method in the Bayesian estimation. 前記推定部は、
前記複数のパラメータの候補から構成されるパラメータ母集団を生成し、前記電流値、前記電圧値、及び、前記パラメータを評価する評価関数に基づいて前記パラメータ母集団から前記特定のパラメータを複数選択し、選択されなかった前記パラメータを前記パラメータ母集団から削除するパラメータ選択処理と、
選択された前記特定のパラメータを事前知識として用いると共に新たな前記パラメータを追加して前記パラメータ母集団を生成する母集団生成処理とを行い、
前記パラメータ選択処理と前記母集団生成処理とを繰り返すことにより最終の前記パラメータを推定する請求項１〜３のいずれか１項に記載の蓄電池状態推定装置。 The estimation unit includes
Generating a parameter population composed of the plurality of parameter candidates, and selecting a plurality of the specific parameters from the parameter population based on the current value, the voltage value, and an evaluation function for evaluating the parameter Parameter selection processing for deleting the unselected parameters from the parameter population;
Using the selected specific parameter as prior knowledge and adding a new parameter to generate the parameter population, and performing population generation processing,
The storage battery state estimation apparatus according to any one of claims 1 to 3, wherein the final parameter is estimated by repeating the parameter selection process and the population generation process. 前記推定部は、
前記パラメータとして前記蓄電池の開放電圧を推定する請求項１〜４のいずれか１項に記載の蓄電池状態推定装置。 The estimation unit includes
The storage battery state estimation apparatus according to any one of claims 1 to 4, wherein an open circuit voltage of the storage battery is estimated as the parameter.
JP2016209981A 2016-10-26 2016-10-26 Storage battery state estimation device Active JP6857998B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2016209981A JP6857998B2 (en) 2016-10-26 2016-10-26 Storage battery state estimation device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016209981A JP6857998B2 (en) 2016-10-26 2016-10-26 Storage battery state estimation device

Publications (2)

Publication Number Publication Date
JP2018072090A true JP2018072090A (en) 2018-05-10
JP6857998B2 JP6857998B2 (en) 2021-04-14

Family

ID=62115199

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016209981A Active JP6857998B2 (en) 2016-10-26 2016-10-26 Storage battery state estimation device

Country Status (1)

Country Link
JP (1) JP6857998B2 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5596260A (en) * 1994-05-13 1997-01-21 Apple Computer, Inc. Apparatus and method for determining a charge of a battery
JP2001312712A (en) * 2000-04-28 2001-11-09 Japan Science & Technology Corp Non-linear time series prediction method and recording medium with non-linear time series prediction program recorded thereon
WO2013136559A1 (en) * 2012-03-13 2013-09-19 プライムアースＥｖエナジー株式会社 Device and method for estimating secondary cell status
JP2015121520A (en) * 2013-12-25 2015-07-02 株式会社東芝 Storage battery state monitoring device and storage battery device
JP2015135286A (en) * 2014-01-17 2015-07-27 株式会社豊田中央研究所 Characteristic estimation device of secondary battery

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5596260A (en) * 1994-05-13 1997-01-21 Apple Computer, Inc. Apparatus and method for determining a charge of a battery
JP2001312712A (en) * 2000-04-28 2001-11-09 Japan Science & Technology Corp Non-linear time series prediction method and recording medium with non-linear time series prediction program recorded thereon
WO2013136559A1 (en) * 2012-03-13 2013-09-19 プライムアースＥｖエナジー株式会社 Device and method for estimating secondary cell status
JP2015121520A (en) * 2013-12-25 2015-07-02 株式会社東芝 Storage battery state monitoring device and storage battery device
JP2015135286A (en) * 2014-01-17 2015-07-27 株式会社豊田中央研究所 Characteristic estimation device of secondary battery

Also Published As

Publication number Publication date
JP6857998B2 (en) 2021-04-14

Similar Documents

Publication Publication Date Title
JP6507375B2 (en) Battery state estimation device and battery state estimation method
EP3593155B1 (en) A battery cell state of charge estimation method and a battery state monitoring system
JP6706762B2 (en) Secondary battery charge state estimation device and charge state estimation method
JP4763050B2 (en) Battery state estimation method and apparatus
EP2618168B1 (en) Device for parameter estimation by means of a filter
EP2848952B1 (en) Device for estimating state of charge of battery
JP6287582B2 (en) Parameter estimation device for equivalent circuit of secondary battery for vehicle
US20160299197A1 (en) Apparatus and method for calculating degradation degree
EP2597476B1 (en) Battery state estimating apparatus and battery state estimating method
US20150268309A1 (en) Apparatus and method for estimating deterioration of battery pack
JP7076193B2 (en) Battery state estimation method and equipment based on error correction
CN106033112B (en) System and method for estimating state of health using battery model parameters
WO2016059869A1 (en) Secondary battery charge state estimation device and secondary battery charge state estimation method
JP2018096953A (en) Battery state estimation device
WO2018162023A2 (en) A battery state of power estimation method and a battery state monitoring system
KR101776844B1 (en) Estimation Method of State of Health of Car Battery Using Battery Sensor
WO2017179175A1 (en) Estimation device, estimation program, and charging control device
JP2011106953A (en) Method for detecting battery capacity
JP6161133B2 (en) Data extraction apparatus, data extraction method, and data extraction program
CN109116244B (en) Method and device for judging aging trend of power battery
JP2015081855A (en) Charging state calculation device
JP6857998B2 (en) Storage battery state estimation device
KR20160027718A (en) Apparatus and Method for estimating State Of Health in vehicle battery
JP2018084548A (en) State estimating device of secondary battery and vehicle
Schneider et al. Robustness and reliability of model-based sensor data fusion in a lithium-ion battery system

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190919

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200708

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200721

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200917

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: 20210316

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210323

R150 Certificate of patent or registration of utility model

Ref document number: 6857998

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250