JP4038788B2

JP4038788B2 - バッテリの残存容量判定方法と、その装置

Info

Publication number: JP4038788B2
Application number: JP2002047209A
Authority: JP
Inventors: 努山崎
Original assignee: アクソンデータマシン株式会社
Priority date: 2002-02-22
Filing date: 2002-02-22
Publication date: 2008-01-30
Anticipated expiration: 2022-02-22
Also published as: JP2003249271A

Description

【０００１】
【発明の属する技術分野】
この発明は、バッテリの稼動パラメータを計測し、バッテリの劣化状態、残存容量をリアルタイムに適確に自動判定することができるバッテリの残存容量判定方法と、その装置に関する。
【０００２】
【従来の技術】
人力による駆動力を電気的に補助する電動自転車や、エンジンによる駆動力を電気的に補助する電気自動車（いわゆるハイブリッドカー）が普及しつつある。
【０００３】
一方、電動自転車や電気自動車に使用されるバッテリは、密閉構造のシール形鉛蓄電池が主流となって来ている。シール形鉛蓄電池は、液漏れがないので、設置方向を問わず、メインテナンスフリーの運転が可能であるからである。
【０００４】
【発明が解決しようとする課題】
かかる従来技術によるときは、シール形鉛蓄電池は、電解液の比重測定が不可能であるため、その劣化状態や残存容量を判定することが容易でないという問題があった。なお、バッテリの劣化状態や残存容量の判定ができないと、バッテリの交換時期や充電時期を誤るおそれがあり、システムの円滑な稼動を阻害する可能性がある。
【０００５】
そこで、この発明の目的は、かかる従来技術の問題に鑑み、ニューラルネットワークを使用することによって、稼動中のバッテリの劣化状態、残存容量をリアルタイムに適確に自動判定することができるバッテリの残存容量判定方法と、その装置を提供することにある。
【０００６】
【課題を解決するための手段】
かかる目的を達成するためのこの出願に係る第１発明の構成は、稼動中のバッテリの残存容量を自動判定するに際し、バッテリの劣化状態の判定論理を第１のニューラルネットワークに学習させ、バッテリの残存容量の判定論理を第２のニューラルネットワークに学習させ、バッテリの稼動パラメータとしての電圧、電流、内部インピーダンス、温度に基づき、第１のニューラルネットワークによってバッテリの劣化状態を判定し、バッテリの稼動パラメータと第１のニューラルネットワークの判定結果とに基づき、第２のニューラルネットワークによってバッテリの残存容量を判定することをその要旨とする。
【０００７】
第２発明の構成は、バッテリの稼動パラメータとしての電圧、電流、内部インピーダンス、温度を計測する計測ユニットと、バッテリの劣化状態の判定論理を学習させた第１のニューラルネットワークと、バッテリの残存容量の判定論理を学習させた第２のニューラルネットワークとを備えてなり、第１のニューラルネットワークは、計測ユニットからの稼動パラメータに基づいてバッテリの劣化状態を判定し、第２のニューラルネットワークは、計測ユニットからの稼動パラメータと第１のニューラルネットワークの判定結果とに基づいてバッテリの残存容量を判定することをその要旨とする。
【０００８】
なお、第１、第２のニューラルネットワークは、それぞれ応答関数をシグモイド関数とする３層フィードフォワードネットワークとし、学習則としてバックプロパゲーション法を適用することができる。
【０００９】
また、第１のニューラルネットワークは、出力層のニューロン数を３に設定してもよく、第２のニューラルネットワークは、出力層のニューロン数を１０に設定してもよく、第１、第２のニューラルネットワークは、それぞれの中間層のニューロン数を２０〜８０に設定してもよい。
【００１０】
さらに、計測ユニットは、バッテリの稼動パラメータを周期的にサンプリングして計測することができる。
【００１１】
【作用】
かかる第１発明の構成によるときは、バッテリの稼動パラメータに基づいて、第１のニューラルネットワークによってバッテリの劣化状態を判定し、第２のニューラルネットワークによってバッテリの残存容量を判定することができる。ただし、第１、第２のニューラルネットワークは、それぞれ事前にバッテリの劣化状態、残存容量の判定論理を学習させるものとする。ちなみに、バッテリの劣化状態、残存容量は、一般にバッテリの電圧、電流、内部インピーダンス、温度をパラメータとして判定することができるが、それぞれのパラメータの相関関係が複雑であり、数式化が困難である。そこで、ニューラルネットワークに対し、さまざまな劣化状態、残存容量のバッテリのパラメータを組合せパターンとして入力させることにより、バッテリの劣化状態、残存容量の判定論理を個別に学習させ、学習済みのニューラルネットワークにバッテリの稼動パラメータを入力することにより、稼動中のバッテリの劣化状態、残存容量をリアルタイムに自動判定することができる。
【００１２】
なお、バッテリの残存容量は、バッテリのパラメータに加えて、バッテリの劣化状態によっても大きく左右されるから、ニューラルネットワークは、劣化状態判定用の第１のニューラルネットワークと、第１のニューラルネットワークの判定結果を利用する残存容量判定用の第２のニューラルネットワークとを準備するものとする。また、ニューラルネットワークの学習の際には、バッテリの実際の稼働状況を模擬するようにバッテリの負荷状態を変化させ、バッテリのパラメータの組合せパターンを時系列的にサンプリングして、十分多くのデータを集積する。ただし、データ集積に使用するバッテリは、自動判定の対象となるバッテリと同一メーカ、同一形式のものについて、種々の劣化状態、残存容量のものを集めることが好ましい。
【００１３】
第２発明の構成によるときは、劣化状態判定用の第１のニューラルネットワーク、残存容量判定用の第２のニューラルネットワークは、それぞれバッテリの劣化状態、残存容量の判定論理を学習済みであるから、計測ユニットからの稼動パラメータを入力することにより、稼動中のバッテリの劣化状態、残存容量をリアルタイムに自動判定することができる。
【００１４】
第１、第２のニューラルネットワークは、３層フィードフォワードネットワークとし、各層のニューロンの応答関数をシグモイド関数とし、学習則としてバックプロパゲーション法を適用することによって、計算手法が確立されているたとえば最急降下法による前向き演算、後向き演算を実行して劣化状態、残存容量の各判定論理を速やかに学習させることができる。ただし、各ニューラルネットワークの入力層には、計測ユニットからの稼動パラメータなどを実数０〜１に正規化して与えるものとする。各ニューラルネットワークを学習させる際のバッテリのパラメータなどについても、全く同様である。
【００１５】
第１のニューラルネットワークの出力層のニューロン数を３に設定すれば、出力層の各ニューロンをバッテリの劣化状態の「正常」、「注意」、「劣化」の３段階に対応させることができる。ただし、劣化状態の「正常」、「注意」、「劣化」とは、満充電したバッテリの放電終止電圧までの放電容量が新品のバッテリのたとえば８０％超過、６０〜８０％、６０％未満の場合をいう。
【００１６】
第２のニューラルネットワークの出力層のニューロン数を１０に設定すれば、出力層の各ニューロンに対し、バッテリの残存容量の０〜１００％を１０％ごとの帯域に分割して対応させることができる。
【００１７】
第１、第２のニューラルネットワークは、それぞれの中間層のニューロン数を２０〜８０に設定することが好ましい。ニューロン数が２０未満では、バッテリの劣化状態、残存容量の判定精度が実用レベルを割り込むおそれがあり、８０超過では、学習や判定の際の計算時間が過大になるからである。なお、一般に、中間層のニューロン数は、約５０が最適である。ニューロン数５０以上としても、計算時間が増大するだけで判定精度の顕著な向上を期待することができないからである。
【００１８】
計測ユニットは、バッテリの稼動パラメータを周期的にサンプリングして計測することによって、第１のニューラルネットワークに対して稼動パラメータの時系列的な組合せパターンを入力し、第１のニューラルネットワークによるバッテリの劣化状態の判定精度を一層向上させることができる。
【００１９】
計測ユニットは、バッテリの内部インピーダンスを計測することにより、劣化の進行によって増大する内部インピーダンスの影響を劣化状態、残存容量の判定結果に適切に反映させることができる。なお、このときの第１、第２のニューラルネットワークは、それぞれの判定論理の学習の際にも、バッテリのパラメータとして内部インピーダンスを入力させることは、いうまでもない。
【００２０】
【発明の実施の形態】
以下、図面を以って発明の実施の形態を説明する。
【００２１】
バッテリの残存容量判定装置１０は、第１のニューラルネットワーク１１、第２のニューラルネットワーク１２に対し、計測ユニット１３を前置してなる（図１）。なお、第１、第２のニューラルネットワーク１１、１２の出力には、それぞれ表示手段１１ａ、１２ａが接続されている。
【００２２】
稼動中のバッテリＢは、コントローラＣを介し、負荷としてのモータＭに給電している。ただし、バッテリＢは、図示しない発電機、充電器を介し、随時フローティング充電されていてもよい。
【００２３】
計測ユニット１３は、稼動中のバッテリＢの稼動パラメータとして、バッテリＢの電圧Ｖ、電流Ｉ、内部インピーダンスＺ、温度Ｔを周期的にサンプリングして計測することができる。なお、バッテリＢの内部インピーダンスＺは、たとえばＡＣ１kHz 、１００ｍＡの測定信号をバッテリＢに加えて計測する。また、温度Ｔは、バッテリＢの内部温度に代えて、表面温度または周囲温度を使用してもよい。
【００２４】
計測ユニット１３からの稼動パラメータは、第１、第２のニューラルネットワーク１１、１２に並列に分岐入力されている。また、第１のニューラルネットワーク１１の出力は、バッテリＢの劣化状態Ｄとして、表示手段１１ａ、第２のニューラルネットワーク１２に分岐入力されており、第２のニューラルネットワーク１２の出力は、バッテリＢの残存容量Ｒとして、表示手段１２ａに入力されている。
【００２５】
第１のニューラルネットワーク１１は、十分多数のニューロンを備える入力層Ｌ1 と、ニューロン数５０の中間層Ｌ2 と、ニューロン数３の出力層Ｌ3 とを有する３層フィードフォワードネットワークである（図２）。なお、各ニューロンの応答関数は、シグモイド関数とし、ネットワークの学習則は、バックプロパゲーション法を適用するものとする。
【００２６】
入力層Ｌ1 の各ニューロンには、計測ユニット１３によって周期的にサンプリングして計測されるバッテリＢの稼動パラメータ、すなわち電圧Ｖ、電流Ｉ、内部インピーダンスＺ、温度Ｔがそれぞれ実数０〜１に正規化され、時刻ｔ、（ｔ−δ）、（ｔ−２δ）…ごとの時系列的な組合せパターンとして入力されている。ただし、δは、計測ユニット１３のサンプル周期であり、図２の符号１３ａ、１３ａ…は、サンプル周期δを表わす仮想の時間遅れである。また、出力層Ｌ3 の各ニューロンは、バッテリＢの劣化状態Ｄの「正常」、「注意」、「劣化」に対応付けられている。そこで、表示手段１１ａは、第１のニューラルネットワーク１１によるバッテリＢの劣化状態Ｄの判定結果を「正常」、「注意」、「劣化」に区分して表示することができる。
【００２７】
第２のニューラルネットワーク１２は、ニューロン数５の入力層Ｌ1 と、ニューロン数５０の中間層Ｌ2 と、ニューロン数１０の出力層Ｌ3 とを有する３層フィードフォワードネットワークである（図３）。ただし、各ニューロンの応答関数、ネットワークの学習則は、第１のニューラルネットワーク１１のそれらと同一である。入力層Ｌ1 の各ニューロンには、時刻ｔにおけるバッテリＢの稼動パラメータと、第１のニューラルネットワーク１１からのバッテリＢの劣化状態Ｄとがそれぞれ実数０〜１に正規化されて入力されており、出力層Ｌ3 の各ニューロンには、バッテリＢの残存容量Ｒ＝０〜１００％が１０％ごとの帯域に分割されて対応付けられている。そこで、表示手段１２ａは、第２のニューラルネットワーク１２によるバッテリＢの残存容量Ｒ（％）の判定結果を１０％ごとに区分して表示することができる。
【００２８】
第１、第２のニューラルネットワーク１１、１２には、それぞれバッテリＢの劣化状態Ｄ、残存容量Ｒの判定論理を学習させる必要がある。ただし、以下の説明において、バッテリＢは、電動自転車に使用するアメリカＨａｗｋｅｒＢａｔｔｅｒｉｅｓ社製シール形鉛蓄電池ＣＹＣＬＯＮＸ（１２Ｖ、５Ａｈ）とする。なお、このバッテリの定格容量０．５Ａ×１０ｈ＝５．０Ａｈ、満充電電圧１３．８Ｖ、放電終止電圧１０．８Ｖである。
【００２９】
バッテリＢと同一メーカ、同一形式であって、劣化状態Ｄが「正常」、「注意」、「劣化」相当のバッテリを各５０個、１０個、１０個、計７０個を用意し、稼動中のバッテリＢの負荷状態を模擬した変動負荷を印加して（図４）、バッテリのパラメータ、すなわち電圧Ｖ、電流Ｉ、内部インピーダンスＺ、温度Ｔの組合せパターンを時系列的にサンプリングして計測し、第１、第２のニューラルネットワーク１１、１２の各入力層Ｌ1 に与えるとともに、「正常」、「注意」、「劣化」の劣化状態Ｄと、各バッテリの残存容量Ｒ（％）とを教師信号として第１、第２のニューラルネットワーク１１、１２の各出力層Ｌ3 に与え、第１、第２のニューラルネットワーク１１、１２を学習させた。ただし、図４は、時刻ｔの経過に対する電流Ｉ（Ａ）の変化パターンを示し、同図において、Ｔ1 ＝Ｔ2 ＝３０秒、Ｔ3 ＝９０秒、Ｔ4 ＝６秒、Ｔ＝Ｔ1 ＋Ｔ2 ＋Ｔ3 ＝１５０秒である。また、図５は、３秒ごとに通電、無通電を繰り返す電流Ｉの各通電サイクルにおける電圧Ｖ、電流Ｉ、内部インピーダンスＺ、温度Ｔの計測タイミングを示している。
【００３０】
図６は、このようにして３秒ごとにパラメータをサンプリングして集積した場合、サンプリング数ｎに対する「正常」なバッテリの電圧Ｖ、内部インピーダンスＺの変化の一例である。ただし、同図には、電流Ｉの通電パターンも、負極性にして併せて図示されている。図６によれば、サンプリング数ｎ≒１５００において、内部インピーダンスＺが過大になり、電圧Ｖが放電終止電圧に到達している。そこで、劣化状態Ｄが「正常」なバッテリの理論的な残存容量Ｒ（％）は、サンプリング数ｎに対し、図７のように規定することができる。また、劣化状態Ｄが「注意」、「劣化」のバッテリの残存容量Ｒ（％）は、充電電流０．５Ａにて満充電になるまでに要する時間（ｈ）を測定し、電流０．５Ａにおける定格容量１０ｈに対する割合を求めて実測することができる。
【００３１】
以上のようにしてバッテリＢの劣化状態Ｄの判定論理を学習させた第１のニューラルネットワーク１１を使用して、稼動中のバッテリＢの劣化状態Ｄを判定した（図８）。ただし、同図において、「単発」とは、図２において、バッテリＢの電圧Ｖ、電流Ｉ、内部インピーダンスＺ、温度Ｔの稼動パラメータとして、特定の時刻ｔにおける１組の組合せパターンのみを使用した場合を示し、「１５秒間」、「３０秒間」とは、計測ユニット１３のサンプル周期δ＝３秒として、それぞれ１５秒間、３０秒間における稼動パラメータの連続的な５組、１０組の組合せパターンを使用した場合を示している。図８によれば、第１のニューラルネットワーク１１は、バッテリＢの稼動パラメータを３０秒間に亘って周期的にサンプリングすることにより、稼動中のバッテリＢの劣化状態Ｄを殆ど誤りなく判定可能であることがわかる。
【００３２】
バッテリＢの残存容量Ｒの判定論理を学習させた第２のニューラルネットワーク１２による稼動中のバッテリＢの判定試験結果を図９に示す。なお、このとき、第２のニューラルネットワーク１２には、第１のニューラルネットワーク１１によるバッテリＢの劣化状態Ｄの判定結果が併せ入力されている（図１、図３）。図９において、横軸は、３秒ごとのサンプリング数ｎを示し、縦軸は、残存容量Ｒ（％）を示している。また、同図（Ａ）、（Ｂ）、（Ｃ）は、それぞれ劣化状態Ｄが「正常」、「注意」、「劣化」のバッテリＢについての試験結果であり、影付きのパターンは、それぞれのバッテリＢの理論的な残存容量Ｒ（％）を示し、実線は、第２のニューラルネットワーク１２による判定結果を示す。
【００３３】
なお、図９の残存容量Ｒ（％）は、第２のニューラルネットワーク１２に入力される稼動パラメータとしての電流Ｉ≠５Ａのとき、第２のニューラルネットワーク１２によって算出された残存容量Ｒc （％）を電流Ｉ＝５Ａにおける残存容量Ｒ（％）に換算して示している（図１０）。たとえば、稼動パラメータとしての電流Ｉ＝７．５Ａのとき、第２のニューラルネットワーク１２からの残存容量Ｒc ＝２０％であると、電流Ｉ＝５Ａにおける残存容量Ｒ≒３０％である。
【００３４】
図９によれば、「正常」なバッテリＢについては、その容量の全領域について十分正確な残存容量Ｒ（％）の判定が可能である。一方、「注意」、「劣化」のバッテリＢについては、それぞれサンプリング数ｎ＝４００、６００付近、サンプリング数ｎ＝２５０、４００付近において判定結果が部分的に乱れる他、同様の良好な判定が可能である。しかしながら、このような特定領域における乱れは、適当なフィルタ処理を行なって簡単に除去することができる。
【００３５】
以上の説明において、第１、第２のニューラルネットワーク１１、１２には、それぞれバッテリＢの劣化状態Ｄ、残存容量Ｒの判定論理が事前に記憶されていれば十分である。よって、第１、第２のニューラルネットワーク１１、１２は、それぞれに対して判定論理を実際に学習させる必要はなく、事前に確立された判定論理をそのまま記憶させ、学習済みのネットワークとして、バッテリＢを使用する電動自転車や電気自動車などに計測ユニット１３とともに搭載して使用すればよい。
【００３６】
また、第１、第２のニューラルネットワーク１１、１２は、計測ユニット１３を使用して集積する稼動中のバッテリＢの稼動パラメータを利用して、既に記憶している判定論理を修正学習させてもよい。新品のバッテリＢを満充電した場合、計測ユニット１３は、「正常」なバッテリＢの任意の残存容量Ｒに対する稼動パラメータと教師信号とを容易に計測して取得することができるから、これを利用して判定論理を修正すれば、第１、第２のニューラルネットワーク１１、１２は、バッテリＢの製品ばらつきや、判定論理を確立した際の模擬負荷状態と現実の負荷状態との差などに基づく判定精度の低下要因を有効に是正することができる。
【００３７】
なお、この発明は、シール形鉛蓄電池の他、開放形鉛蓄電池、ニッケル−カドミウム電池、カーボンリチウム二次電池（電気二重層電池）、ナトリウム−硫黄電池（セラミック電池）などの他の形式のバッテリに対しても広く適用することができる。
【００３８】
【発明の効果】
以上説明したように、この出願に係る第１発明によれば、第１、第２のニューラルネットワークにそれぞれバッテリの劣化状態、残存容量の判定論理を学習させることによって、第１のニューラルネットワークは、バッテリの稼動パラメータに基づいてバッテリの劣化状態を判定することができ、第２のニューラルネットワークは、バッテリの稼動パラメータと第１のニューラルネットワークの判定結果とに基づいてバッテリの残存容量を判定することができるから、稼動中のバッテリの劣化状態、残存容量をリアルタイムに適確に自動判定することができるという優れた効果がある。
【００３９】
第２発明によれば、計測ユニットと、学習済みの第１、第２のニューラルネットワークとを組み合わせることによって、第１発明を容易に実施することができる。
【図面の簡単な説明】
【図１】全体構成ブロック系統図
【図２】第１のニューラルネットワークの構成概念図
【図３】第２のニューラルネットワークの構成概念図
【図４】試験データを示す線図（１）
【図５】試験データを示す線図（２）
【図６】試験データを示す線図（３）
【図７】試験データを示す線図（４）
【図８】試験データを示す図表
【図９】試験データを示す線図（５）
【図１０】試験データを示す線図（６）
【符号の説明】
Ｂ…バッテリ
Ｄ…劣化状態
Ｒ…残存容量
Ｚ…内部インピーダンス
Ｌ1 …入力層
Ｌ2 …中間層
Ｌ3 …出力層
１０…残存容量判定装置
１１…第１のニューラルネットワーク
１２…第２のニューラルネットワーク
１３…計測ユニット

Claims

稼動中のバッテリの残存容量を自動判定するに際し、バッテリの劣化状態の判定論理を第１のニューラルネットワークに学習させ、バッテリの残存容量の判定論理を第２のニューラルネットワークに学習させ、バッテリの稼動パラメータとしての電圧、電流、内部インピーダンス、温度に基づき、第１のニューラルネットワークによってバッテリの劣化状態を判定し、バッテリの稼動パラメータと第１のニューラルネットワークの判定結果とに基づき、第２のニューラルネットワークによってバッテリの残存容量を判定することを特徴とするバッテリの残存容量判定方法。
バッテリの稼動パラメータとしての電圧、電流、内部インピーダンス、温度を計測する計測ユニットと、バッテリの劣化状態の判定論理を学習させた第１のニューラルネットワークと、バッテリの残存容量の判定論理を学習させた第２のニューラルネットワークとを備えてなり、前記第１のニューラルネットワークは、前記計測ユニットからの稼動パラメータに基づいてバッテリの劣化状態を判定し、前記第２のニューラルネットワークは、前記計測ユニットからの稼動パラメータと前記第１のニューラルネットワークの判定結果とに基づいてバッテリの残存容量を判定することを特徴とするバッテリの残存容量判定装置。
前記第１、第２のニューラルネットワークは、それぞれ応答関数をシグモイド関数とする３層フィードフォワードネットワークとし、学習則としてバックプロパゲーション法を適用することを特徴とする請求項２記載のバッテリの残存容量判定装置。
前記第１のニューラルネットワークは、出力層のニューロン数を３に設定することを特徴とする請求項３記載のバッテリの残存容量判定装置。
前記第２のニューラルネットワークは、出力層のニューロン数を１０に設定することを特徴とする請求項３または請求項４記載のバッテリの残存容量判定装置。
前記第１、第２のニューラルネットワークは、それぞれの中間層のニューロン数を２０〜８０に設定することを特徴とする請求項３ないし請求項５のいずれか記載のバッテリの残存容量判定装置。
前記計測ユニットは、バッテリの稼動パラメータを周期的にサンプリングして計測することを特徴とする請求項２ないし請求項６のいずれか記載のバッテリの残存容量判定装置。