JP4587299B2 - 車両用蓄電装置の内部状態検出方式 - Google Patents

Description

この発明は、ニューラルネットを用いた車両用蓄電装置の内部状態（特にその蓄電状態）の検出技術の改良に関する。

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、電池の電圧又は電流に関連する電気量（たとえば電圧、開路電圧、内部抵抗など）とＳＯＣや残存容量（SOH）との相関関係がばらつくために、劣化の進行とともにＳＯＣやＳＯＨの検出精度が悪化するという問題や電池ごとのＳＯＣやＳＯＨのばらつきなどがあり、大量生産される二次電池のＳＯＣやＳＯＨを個別に高精度に検出することは困難とされていた。このため、安全性の観点からこれら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。

この問題を改善するため、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ＳＯＣやＳＯＨを検出する方法（以下、ニューラルネット式電池状態検出技術）が提案されている（特許文献１、２）。
特開2003-24971号公報 特開平9-243716号公報

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ＳＯＣやＳＯＨなどの判定においても、電池劣化によるそれらの測定精度のばらつきや変化への対応は十分ではなく、ＳＯＣやＳＯＨの検出精度は実用可能なレベルに達しているとは言い難かった。これは、新品の蓄電装置と劣化した蓄電装置とでは、ニューラルネットに入力される入力パラメータとしての電流履歴及び電圧履歴と、出力パラメータとしてのＳＯＣやＳＯＨとの相関関係が様々であるため、ニューラルネット演算を用いてもこれらのばらつきを十分に吸収できないためである。

この問題を改善するべく、本出願人は、最小自乗法により求めた電流と電圧との間の近似式の切片（開路電圧）の今回値や傾き（内部抵抗）の今回値を、電圧履歴及び電流履歴に加えて入力パラメータとして用いてニューラルネット演算を行うことによりＳＯＣやＳＯＨの検出精度を電池劣化進行にかかわらず改善できることを発見し、出願している。

しかしながら、この出願人による電圧履歴及び電流履歴に、開路電圧の今回値や内部抵抗の今回値を加えたニューラルネット演算でも、電池劣化が進行すると実用に耐えうる検出精度レベルを得ることは困難であった。

本発明は上記問題点に鑑みなされたものであり、電池劣化の経時進行に柔軟に対応可能なニューラルネット演算方式の一層の改善を実現した車両用蓄電装置の蓄電状態検出方式を提供することをその目的としている。

本発明の車両用蓄電装置のニューラルネット演算方式は、充放電可能な電池の直前の所定期間における電圧又は電流に関連する電気量を入力パラメータとすることにより出力パラメータとしての前記電池の蓄電状態に関する電気量をニューラルネット演算する演算手段を備える車両用蓄電装置のニューラルネット演算方式において、前記演算手段は、前記電池の満充電状態からの所定放電量放電時における前記電池の劣化状態に関する所定の電気量である所定容量放電時劣化状態量を演算し、前記入力パラメータとしての前記電気量に加えて、前記所定容量放電時劣化状態量を入力パラメータとして、前記出力パラメータとしての前記電池の蓄電状態に関する電気量をニューラルネット演算することを特徴としている。

なお、上記した直前の所定期間における電圧又は電流に関連する電気量としては、電圧履歴、電流履歴、開路電圧履歴、内部抵抗履歴又はそれらの組み合わせとすることができる。履歴としては時系列データの数は回路の許容演算負担能力の範囲で任意とすることができる。

また、上記した電池の満充電状態からの所定放電量放電時における電気量である所定放電量放電時劣化状態量としては、開路電圧や、満充電時近傍開路電圧から所定放電量放電時開路電圧を差し引いた電圧差や、電池の内部抵抗などを採用することができる。

すなわち、この発明では、従来の電池の電圧履歴及び電流履歴以外に新たに満充電から所定放電量を放電した時の電池劣化に関連する電気量を加えた入力データセットをニューラルネット演算することにより電池の蓄電状態を推定する。試験によれば、これにより、単に電池の電圧履歴及び電流履歴を用いてニューラルネット演算するのに比べて格段に演算精度を改善できることがわかった。

好適な態様において、前記電池の直前の所定期間における電圧又は電流に関連する電気量は、少なくとも前記電池の直前の所定期間における電圧の履歴を含む。このようにすれば、上記効果を確実に得ることができる。

好適な態様において、前記電池の直前の所定期間における電圧又は電流に関連する電気量は、少なくとも前記電池の直前の所定期間における電圧の履歴及び電流の履歴を含む。このようにすれば、上記効果を確実に得ることができる。

好適な態様において、前記演算手段は、前記電圧履歴及び電流履歴から最小自乗法により求めた近似式に基づいて求めた開路電圧今回値及び／又は内部抵抗今回値を算出し、前記演算手段は、前記電圧履歴、電流履歴、開路電圧今回値及び／又は内部抵抗今回値及び前記所定容量放電時劣化状態量を入力パラメータとして前記電池の蓄電状態に関する電気量をニューラルネット演算する。このようにすれば、電池の経時劣化に追従して変化する電池の蓄電状態を、一層精度よく演算することができる。

好適な態様において、前記所定容量放電時劣化状態量は、前記電池の満充電状態からの所定放電量放電時における前記電池の開路電圧であり、前記出力パラメータとしての前記電池の蓄電状態に関する電気量は、ＳＯＣ（充電率）である。このようにすれば、満充電状態からの所定容量放電時の電池の開路電圧を入力データとして用いない従来のニューラルネット演算に比べて格段に高精度に、電池の経時劣化（サイクル劣化）に応じて変化するＳＯＣを演算できることがわかった。これは、この満充電状態から所定放電量放電時における開路電圧が電池劣化によるＳＯＣの変化に相関を有するためであると考えられる。

好適な態様において、前記所定容量放電時劣化状態量は、前記電池の満充電近傍での開路電圧と前記満充電状態からの所定放電量放電時における前記電池の開路電圧との差であり、前記出力パラメータとしての前記電池の蓄電状態に関する電気量は、ＳＯＣ（充電率）である。このようにすれば、満充電状態からの所定容量放電時の電池の開路電圧と満充電近傍状態での開路電圧との差を入力データとして用いない従来のニューラルネット演算に比べて格段に高精度に、電池の経時劣化（サイクル劣化）に応じて変化するＳＯＣを演算できることがわかった。これは、この満充電状態から所定放電量放電時における開路電圧と満充電時の開路電圧との差が電池劣化によるＳＯＣの変化に相関を有するためであると考えられる。

好適な態様において、前記所定容量放電時劣化状態量は、前記電池の満充電近傍での開路電圧と前記満充電状態からの所定放電量放電時における前記電池の開路電圧との差、並びに、前記電池の満充電状態からの所定放電量放電時における前記電池の開路電圧であり、前記出力パラメータとしての前記電池の蓄電状態に関する電気量は、ＳＯＣ（充電率）である。このようにすれば、満充電状態からの所定容量放電時の電池の開路電圧と満充電時の開路電圧との差、並びに、満充電からの所定容量放電時の開路電圧を入力データとして用いない従来のニューラルネット演算に比べて格段に高精度に、電池の経時劣化（サイクル劣化）に応じて変化するＳＯＣを演算できることがわかった。これは、この満充電状態から所定放電量放電時における開路電圧と満充電時の開路電圧との差、並びに、満充電から所定容量放電時の開路電圧が両方とも電池劣化によるＳＯＣの変化に相関を有するためであると考えられる。

好適な態様において、前記所定放電量放電時劣化状態量は、前記電池の満充電状態からの所定放電量放電時における前記電池の内部抵抗であり、前記出力パラメータとしての前記電池の蓄電状態に関する電気量は、残存容量である。このようにすれば、満充電状態からの所定容量放電時の内部抵抗を入力データとして用いない従来のニューラルネット演算に比べて格段に高精度に、電池の経時劣化（サイクル劣化）に応じて変化する残存容量（ＳＯＨ）を演算できることがわかった。これは、この満充電状態から所定放電量放電時における電池の内部抵抗が電池劣化による残存容量（ＳＯＨ）の変化に相関を有するためであると考えられる。

（変形態様）
上記態様では、所定放電量放電時劣化状態量として、満充電からあるひとつの所定放電量だけ放電した場合の所定電気量の一つを用いたが、満充電から複数の所定放電量だけ放電した場合の所定電気量の複数のデータをキャリブレーションデータとして用いてもよい。

本発明の車両用蓄電装置のニューラルネット演算方式を実施例を参照して図面に沿って具体的に説明する。

（回路構成）
実施例１の車両用蓄電装置のニューラルネット演算方式について以下に説明する。まず、装置の回路構成を図１に示すブロック図を参照して説明する。

１０１は車載蓄電装置（以下、バッテリとも呼ぶ）、１０２はこの車載蓄電装置を充電する車載発電機、１０３は車載蓄電装置１０１から給電される車載電気負荷をなす電気装置、１０４は車載蓄電装置１０１の充放電電流を検出する電流センサ、１０５は車載蓄電装置１０１の状態を検出する電子回路装置である蓄電池状態検知装置、１０６は入力される電池の電圧及び電流を電圧履歴及び電流履歴として記憶して出力するとともに開路電圧の今回値及び／又は内部抵抗の今回値を演算して出力するバッファ部、１０７はバッファ部１０６及び後述する補正信号発生部１０９から入力される各種の入力信号をニューラルネット演算して所定の蓄電状態量（この実施例ではＳＯＣ）を出力するニューラルネット部、１０８はニューラルネット部１０７などから読み込んだ信号に基づいて車載発電機１０２の発電量を制御する発電機制御装置、１０９は後述するキャリブレーションデータを演算してニューラルネット部１０７の入力データとして出力する補正信号発生部である。

すなわち、この実施例では、蓄電池状態検知装置１０５は、バッファ部１０６及びニューラルネット部１０７に加えて、補正信号発生部１０９を有する点をその特徴とする。ただし、バッファ部１０６、ニューラルネット部１０７及び補正信号発生部１０９はこの実施例ではマイコン装置によるソフトウエア演算により実現されるが、専用のハードウエア回路により構成されてよいことはもちろんである。

（バッファ部１０６）
バッファ部１０６は、ニューラルネット部１０７の前置信号処理回路であって、車載蓄電装置１０１の電圧と電流センサ１０４からの電流とを一定時間ごとに同時にサンプリングして電池の電圧履歴及び電流履歴として記憶し、各時点の電圧及び電流をニューラルネット部１０７に並列出力する。ニューラルネット部１０７の入力セルの数的限界や演算負担の軽減などのため、電池の電圧履歴及び電流履歴をなす電圧・電流のサンプリングデータは、現時点から遡行する所定時点までのデータにより構成される。

また、バッファ部１０６は、上記電池の電圧履歴及び電流履歴に加えて、これら電圧履歴及び電流履歴から最小自乗法により電圧と電流との関係を示す近似式を演算、創成し、この近似式により切片（開路電圧）及び／又は傾斜（内部抵抗）を電圧及び電流のデータが入力されるごとに演算して電池の開路電圧今回値及び／又は内部抵抗今回値とし創成し、これら開路電圧今回値及び／又は内部抵抗今回値を電圧履歴と電流履歴との間の関連付けのためのデータとしてニューラルネット部１０７に出力する。なお、上記した近似式の創成及びそれから電池の開路電圧の今回値や内部抵抗の今回値の演算の詳細は公知であるため、これ以上の詳細説明は省略する。

ただし、この実施例では、開路電圧今回値及び／又は内部抵抗今回値のうち、この実施例のＳＯＣの算出に際しては開路電圧今回値がより重要であるため、内部抵抗の今回値の算出は省略可能である。また、開路電圧今回値及び／又は内部抵抗今回値の両方を省略してもよい。

（補正信号発生部１０９）
補正信号発生部１０９は、満充電から所定容量放電時の開路電圧を演算し、この所定容量放電時の開路電圧をニューラルネット演算におけるキャリブレーションデータとしてニューラルネット部１０７に出力する。補正信号発生部１０９を図２のフローチャートに図示する。

補正信号発生部１０９の演算は走行を開始することにより開始され(ステップ601)、所定時間ごとにバッテリの電流・電圧を検出する(ステップ602) 。検出された電流・電圧に対して後述の満充電判定を行い(ステップ603)、満充電であれば、その後の充放電電流の積算をスタートし(ステップ604)、積算電流値（Ah）が所定放電量（この実施例では、初期時におけるＳＯＣ 100 〜 95 ％に相当するように設定した）に達したかどうかを判定し(ステップ605）、達したらこの時の開路電圧を所定容量放電時の開路電圧（本発明で言う所定放電量放電時劣化状態量）として演算し(ステップ606) 、それを書き換える(ステップ607) 。この所定容量放電時開路電圧の算出自体は、上記した開路電圧の今回値の算出と同じである。

ステップS603で説明した満充電判定について図３を参照して更に詳しく説明する。満充電判定は、電池の電圧・電流の二次元空間の所定領域としてあらかじめ記憶されており、入力される電流・電圧特性が、この所定領域（図３参照）に入ったら満充電と判定する。

ステップ606で説明した満充電から所定容量放電時の開路電圧を求める演算を図４を参照して更に詳しく説明する。満充電から所定容量放電した時点直前の所定期間に入力された所定個数の電圧・電流ペアから最小自乗法により電圧と電流との関係を示す近似式を求め、この近似式の切片として開路電圧（電流が０であるとみなした場合の電池の電圧であり、開放電圧とも呼ばれる）を求め、これを上記した所定容量放電時の開路電圧とする。なお、上記直線近似の精度を向上するために、電池の分極状態を過去の電流情報などから求めて分極指数として表し、この分極指数が所定の範囲内であるデータを選別することが好ましい。この種の最小自乗法を用いた直線近似式の創成と、この直線近似式を用いた開路電圧の抽出自体は公知事項であるため、更なる説明は省略する。

（ニューラルネット部１０７）
図５に示すニューラルネット部１０７の構成を参照して、ニューラルネット部１０７の演算を説明する。このニューラルネットワーク部１０７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。ニューラルネット部１０７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。ただし、ニューラルネット部１０７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。つまり、ニューラルネット部１０７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１に示す回路構成は機能的なものにすぎない。

入力層２０１は所定数の入力セルからなる。各入力セルはそれぞれ、バッファ部１０６からの電圧履歴データVi及び電流履歴データIi並びに開路電圧今回値及び内部抵抗今回値と、補正信号発生部１０９からの所定容量放電時開路電圧を、入力データ（入力信号）として中間層２０２の各演算セルすべてに出力する。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。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。

ニューラルネット部１０７の入力層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、
INPUTk(t)＝Σ( Wjk * INj ) ( j = 1 to ２ｍ+3 )
となる。中間層のｋ番目のセルからの出力信号は、
OUTk(t)＝ｆ(ｘ)＝ｆ( INPUTk(t) + b )
で表される。ｂは定数である。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 )＝１／（１＋exp（−（ INPUTk(t) + b）））
で定義される関数である。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、
INPUTｏ(t)＝Σ Wk * OUTk(t)
k＝1 to Q
で表される。 Qは中間層202のセル数である。時刻ｔにおける出力信号は、
OUT(t)＝L * INPUTｏ(t)
となる。Ｌは線形定数である。

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。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。

次に各結合係数の更新方法について説明する。

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、
Wk ＝ Wk + △Wk
で行われる。ここで△Wkは以下で定義される。

△Wk = −η*∂Ek／∂Wk η；定数
= η* [ OUT(t) − tar(t) ]* [ ∂OUT(t)／∂Wk ]
= η* [ OUT(t) − tar(t) ]* L *[ ∂INPUTｏ(t)／∂Wk ]
= η* L* [ OUT(t) − tar(t) ] * OUTk(t)
で表される。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＝[ 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。結合係数Wjkの更新は以下の式で実現される。

Wjk ＝ Wjk ＋ △Wjk
ここで△Ｗjkは以下で定義される。

△Wjk ＝ −η*∂Ek／∂Wjk
＝ −η*[∂Ek／∂INPUTk(t) ] * [∂INPUTk(t)／∂Ｗjk ]
＝ −η*[∂Ek／∂OUTk(t) ] *[∂OUTk(t)／∂INPUTk(t) ] * INj
＝ −η*[∂Ek／∂OUT(t) ] * [∂OUT(t)／∂INPUTｏ] *
[∂INPUTｏ／OUTk(t) ] * 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)
ここで、ｆ’（INPUTk(t)＋ｂ）は伝達関数fの微分値である。

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。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過程が学習過程である。

上記学習過程のフローチャートを図６を参照して説明する。ただし、ニューラルネット部１０７が出力するべき蓄電装置の蓄電状態量はSOC(充電率)である。

まず、ニューラルネット部１０７の各結合係数の適当な初期値を設定する（ステップ302）。これは例えば乱数などにより適当に決定すればよい。次に、学習用の入力信号をニューラルネット部１０７の入力層201の各セルに個別に入力し（ステップ303）、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304）。

次に、上記した方法で誤差関数Ｅｋを算出し（ステップ305）、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306）。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307）、各結合係数を更新する（ステップ308）。

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。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309）、この学習課程を終了する。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課程を繰り返す。

したがって、上記した学習課程を代表的な充放電パターンを幾つかの電池種類につき製品の出荷前にニューラルネット部１０７に学習させておけば市場走行中の車載蓄電池のSOCを逐次算定することが可能となる。

満充電が判定されない場合や所定容量放電時の開路電圧が検出されない場合には、所定容量放電時の開路電圧として以前に求めた値を保持する。このように、満充電時開路電圧の値を更新することにより、バッテリの使用中、劣化に応じて精度よくSOC検出が行える。

（試験結果）
劣化バッテリを含む幾つかのバッテリでの充放電パターン(10.15モード)を学習させたニューラルネット部１０７に、別の新しい劣化バッテリでの充放電パターン(10.15モード)を入力してニューラルネット演算を行って充電率（ＳＯＣ）を求めた結果を図７に示す。

ただし、ニューラルネット部１０７への入力信号は電圧履歴及び電流履歴並びに開路電圧今回値（最小自乗近似式より求めた切片の今回値）及び内部抵抗今回値（最小自乗近似式より求めた傾きの今回値）とし、所定容量放電時劣化状態量としての所定容量放電時の開路電圧は用いなかった。この新しい劣化バッテリは、満充電時の開路電圧が12.9Vであり、新品バッテリの満充電時開路電圧12.4Vより高かった。その結果、SOC検出誤差は20.7%(平均自乗誤差)と大きかった。

次に、キャリブレーション信号としての満充電から所定容量（ここでは0.5Ahとした）放電時の開路電圧を入力データとして追加して上記と同じ学習を行った場合のニューラルネット演算によるSOC検出結果を図８に示す。このようにすると、SOC検出誤差は20.7%から4.2%と劇的に向上することがわかった。

また、試験品としての5つの劣化バッテリを用いて、充放電パターン(10.15モード)で同様に、満充電後の所定容量放電時の開路電圧を用いない場合（入力前）と、用いた場合（入力後）のSOC検出誤差を求めた、その結果を図９に示す。本質的に同一のニューラルネット演算を行うにもかかわらず満充電後の所定容量放電時の開路電圧をキャリブレーションデータとして採用するだけでＳＯＣ検出誤差を大幅に低減できることが判明した。

実施例２の車両用蓄電装置のニューラルネット演算方式について以下に説明する。回路構成及び演算方式は本質的に実施例１と同じであるが、補正信号発生部１０９の動作だけが異なっている。

この実施例の補正信号発生部１０９は、実施例１の満充電から所定容量放電時の開路電圧Ｖｏの代わりに、満充電から所定容量放電時の開路電圧Voと満充電近傍時の開路電圧Ｖｏｘとの差ΔVｘを用いる点が実施例１のそれと異なっている。

補正信号発生部１０９を図１０のフローチャートに図示する。

補正信号発生部１０９は、走行を開始することにより開始され(ステップ701)、電流・電圧を検出する(ステップ702)。次に、検出した電流・電圧の値を用いて満充電判定を行い(ステップ703)、満充電であることが分かれば電流積算を開始する(ステップ704)。その後、積算電流値（Ah）が満充電からの第1の所定の放電量（この実施例では、初期時におけるＳＯＣ 100〜 95 ％に相当するように設定した）に達したかどうかを判定し(ステップ705)、達したら実施例１と同じく近似式の切片を求めて満充電近傍時の開路電圧Ｖｏｘを求める(ステップ706)。なお、第１の所定の放電量を０としてもよく、この場合には満充電時の開路電圧を求めることになる。

その後、電流積算を継続し(ステップ707)、積算電流値（Ah）が満充電からの第２の所定の放電量に達したかどうかを判定し(ステップ708)、達したら実施例１と同じ方法で近似式の切片を求めて第２の開路電圧Ｖｏ２とする(ステップ709) 。次に、満充電時から第１の容量放電時の開路電圧Voｘと、満充電からの第２の容量放電時の開路電圧Voとの差ΔＶ＝VoｘーVoを算出する。

（試験結果）
実際に、容量・劣化度合いが異なるいくつかのバッテリでモード走行中(10.15)の電流・端子電圧を計測し、ニューラルネットワークの入力信号を算出し、SOCの真値(電流積算値より算出)を教師信号として学習を行った。用いたバッテリの一部の特性を図１１に示す。

ニューラルネット部１０７への入力信号は、電圧履歴及び電流履歴、最小自乗法を用いて算出した直線近似式における傾き（内部抵抗）及び切片（開路電圧）、所定容量放電時の開路電圧Voに加え、キャリブレーションデータとして差ΔVを用いた。第１の放電容量は0.5Ah、第２の放電容量は5Ahとした。図１２にSOC検出結果を示す。SOC真値と検出値との差を平均自乗誤差で評価すると、誤差は約5.7 %で検出できた。

比較のため、キャリブレーションデータとしての上記差ΔＶ（及び第１の容量放電時の開路電圧Ｖｏ）をニューラルネット部１０７に入力しない場合のＳＯＣ検出結果を図１３に示す。劣化によりSOCと開路電圧の相関関係が異なるため、検出誤差は12.3 %であった。この試験結果から、キャリブレーションデータとして上記差ΔＶをニューラルネットに入力することによって、検出誤差は12.3 %から5.7 %に向上することが分かった。

実施例３の車両用蓄電装置のニューラルネット演算方式について以下に説明する。回路構成及び演算方式は、本質的に実施例１、２と同じであるが、補正信号発生部１０９の構成とニューラルネット部１０７の出力層２０３から出力される出力データが異なっている。

この実施例の補正信号発生部１０９は、キャリブレーションデータとして実施例１で採用した満充電から所定容量放電時の開路電圧の代わりに、満充電から所定放電量だけ放電した時点での電池の内部抵抗ｒｘを用い、出力層２０３が充電率（ＳＯＣ）ではなく残存容量（ＳＯＨ）を出力する点が上記実施例１と異なっている。なお、キャリブレーションデータとして、満充電から所定容量放電時の開路電圧と、満充電から所定容量放電時の内部抵抗との両方を用いてもよい。

補正信号発生部１０９を図１４のフローチャートに図示する。

補正信号発生部１０９は、走行を開始することにより開始され(ステップ801)、電流・電圧を所定時間ごとに検出する(ステップ802)。次に、検出した電流・電圧の値を用いて満充電判定を行い(ステップ803)、満充電であることが分かれば電流積算を開始する(ステップ804)。その後、電流積算値（Ah）が満充電からの所定の放電量容量（この実施例では5A）に達したかどうかを判定し(ステップ805)、達したら実施例１と同様の方法で求めた近似式の傾き求めて内部抵抗とする(ステップ806)。ただし、この満充電判定から所定容量放電時の内部抵抗の算出及び満充電の判定は既述した通りである。すなわち、内部抵抗は、蓄電池から検出された電流・電圧から、最小自乗法を使って直線近似式を求め、この直線近似式の傾きを内部抵抗として検出する。直線近似式の例を図15に示す。なお、直線近似を精度よく行うために、バッテリの充放電中の分極状態を過去の電流情報などから分極指数として表し、この分極指数が所定の範囲内であるデータを選別して直線近似を行うことが好適である。

参考のために、各種の劣化バッテリの内部抵抗と放電容量との関係を図１６に示す。図１６によれば、劣化バッテリごとに満充電容量が異なるにも関わらず、満充電付近（放電容量0Ah付近）では内部抵抗値はほぼ同じ値を示しており、劣化の指標とすることは難しい。これに対して、放電容量が増すほど内部抵抗の差が明確になることが分かる。したがって、満充電後に所定容量だけ放電した状態（満充電状態から相当離れた状態）の内部抵抗値を入力信号とすることにより、劣化の指標として明確になり、残存容量の検出精度を向上させることができることが推定できるはずである。

（試験結果）
試験結果を説明する。実際に、容量・劣化度合いの異なるいくつかのバッテリで10.15モード走行中の電流・端子電圧を計測し、ニューラルネットワークの入力信号を算出し、残存容量を教師信号として学習を行った。入力信号は、電圧履歴及び電流履歴と、最小自乗法を使って算出した傾き（内部抵抗）の今回値、及び切片（開路電圧）の今回値に加え、満充電時から所定容量を放電した時に求めた内部抵抗を入力信号とした。

学習用のバッテリとは別に準備した劣化バッテリ(満充電容量10.5/27Ah)で10.15モード走行中に検出した入力信号をニューラルネット演算した結果を図１７、図１８に示す。ただし、図１７は、満充電後、5 Ah放電時の内部抵抗をキャリブレーションデータとして用いない場合の残存容量（ＳＯＨ）検出結果を示し、図１８は、5 Ah放電時の内部抵抗をキャリブレーションデータとして用いた場合の残存容量（ＳＯＨ）検出結果を示す。

これら二つの試験例の検出精度を真値と検出値との平均自乗誤差で評価すると、5Ah放電させたときの内部抵抗値を入力することによって検出誤差は4.7 Ahから0.8 Ahに大幅に向上することが分かった。

（変形態様）
上記各実施例では、バッファ部１０６は電圧履歴及び電流履歴を所定時間ごとにサンプリングした電圧・電流ペアのグループとしたが、電圧または電流が所定量だけ変化した時点でサンプリングしてもよい。

図５に示す実施例１のニューラルネット演算において、ニューラルネット部１０７への入力信号を電圧履歴及び電流履歴だけとしキャリブレーションデータとして所定容量放電時劣化状態量としての所定容量放電時の開路電圧も用いなかった場合と、ニューラルネット部１０７への入力信号を電圧履歴及び電流履歴だけとしキャリブレーションデータとして所定容量放電時劣化状態量としての所定容量放電時の開路電圧を用いた場合とにおける、新しい劣化バッテリのＳＯＣ検出誤差を求めた。その結果を図１９、図２０に示す。図１９はキャリブレーションデータを用いなかった場合であり、ＳＯＣ演算誤差は１４．９％と大きかった。また、図２０はキャリブレーションデータを用いた場合であり、ＳＯＣ演算誤差は４．１％と大幅に減少した。

図５に示す実施例１のニューラルネット演算において、ニューラルネット部１０７への入力信号を電圧履歴だけとしキャリブレーションデータとして所定容量放電時劣化状態量としての所定容量放電時の開路電圧も用いなかった場合と、ニューラルネット部１０７への入力信号を電圧履歴だけとしキャリブレーションデータとして所定容量放電時劣化状態量としての所定容量放電時の開路電圧を用いた場合とにおける、新しい劣化バッテリのＳＯＣ検出誤差を求めた。その結果を図２１、図２２に示す。図２１はキャリブレーションデータを用いなかった場合であり、図２２はキャリブレーションデータを用いた場合である。この場合も実施例４と同様にキャリブレーションデータの使用によりＳＯＣ演算誤差を大幅に減少できることがわかった。

実施例１の装置の回路構成を示すブロック図である。 実施例１の走行中における満充電から所定容量放電時の開路電圧の演算方法を示すフローチャートである。 実施例１の満充電判定のための満充電領域を示す図である。 実施例１の満充電から所定容量放電時の開路電圧を得るための近似式の例を示す図である。 電池状態検知装置を構成するニューラルネットワーク部の構成を示すブロック図である。 図５のニューラルネット部の学習過程のフローチャートである。 満充電から所定容量放電時の開路電圧を用いずにニューラルネット演算を行って充電率（ＳＯＣ）を求めた結果を示す図である。 満充電から所定容量放電時の開路電圧を用いて上記と同じニューラルネット演算を行った場合のSOC検出結果を示す図である。 種々の劣化バッテリについて満充電時の開路電圧を用いた場合と、用いない場合とのＳＯＣ検出精度を比較した表を示す図である。 実施例２のキャリブレーションデータとしての差を検出する方法を示すフローチャートである。 実施例２で試験した新品バッテリと劣化バッテリの特性を示す図である。 実施例２でキャリブレーションデータとして差ΔＶを用いた場合のＳＯＣ検出結果を示す図である。 実施例２でキャリブレーションデータとして差ΔＶを用いない場合のＳＯＣ検出結果を示す図である。 実施例３のキャリブレーションデータとしての内部抵抗検出方法を示すフローチャートである。 内部抵抗を検出するための近似式の例を示す図である。 実施例３で試験した各種劣化バッテリの放電容量と内部抵抗との関係を示す図である。 キャリブレーションデータとして内部抵抗を用いない場合の残存容量（ＳＯＨ）の検出結果を示す図である。 キャリブレーションデータとして内部抵抗を用いた場合の残存容量（ＳＯＨ）の検出結果を示す図である。 実施例４の比較例データとしてのＳＯＣ演算結果を示す図である。 実施例４の実施例データとしてのＳＯＣ演算結果を示す図である。 実施例５の比較例データとしてのＳＯＣ演算結果を示す図である。 実施例５の実施例データとしてのＳＯＣ演算結果を示す図である。

符号の説明

１０１ 車載蓄電装置
１０２ 車載発電機
１０４ 電流センサ
１０５ 蓄電池状態検知装置（演算手段）
１０６ バッファ部
１０７ ニューラルネットワーク部（ニューラルネット部）
１０８ 発電機制御装置
１０９ 補正信号発生部
２０１ 入力層
２０２ 中間層
２０３ 出力層

Claims (8)

1. 充放電可能な電池の直前の所定期間における電圧又は電流に関連する電気量を入力パラメータとすることにより出力パラメータとしての前記電池の蓄電状態に関する電気量をニューラルネット演算する演算手段を備える車両用蓄電装置のニューラルネット演算方式において、
   前記演算手段は、
   前記電池の満充電状態からの所定放電量放電時における前記電池の劣化状態に関する所定の電気量である所定容量放電時劣化状態量を演算し、
   前記入力パラメータとしての前記電気量に加えて、前記所定容量放電時劣化状態量を入力パラメータとして、前記出力パラメータとしての前記電池の蓄電状態に関する電気量をニューラルネット演算することを特徴とする車両用蓄電装置のニューラルネット演算方式。
2. 請求項１記載の車両用蓄電装置のニューラルネット演算方式において、
   前記電池の直前の所定期間における電圧又は電流に関連する電気量は、少なくとも前記電池の直前の所定期間における電圧の履歴を含むことを特徴とする車両用蓄電装置のニューラルネット演算方式。
3. 請求項２記載の車両用蓄電装置のニューラルネット演算方式において、
   前記電池の直前の所定期間における電圧又は電流に関連する電気量は、少なくとも前記電池の直前の所定期間における電圧の履歴及び電流の履歴を含むことを特徴とする車両用蓄電装置のニューラルネット演算方式。
4. 請求項２又は３記載の車両用蓄電装置のニューラルネット演算方式において、
   前記演算手段は、
   前記電圧履歴及び電流履歴から最小自乗法により求めた近似式に基づいて求めた開路電圧今回値及び／又は内部抵抗今回値を算出し、
   前記演算手段は、前記電圧履歴、電流履歴、開路電圧今回値及び／又は内部抵抗今回値及び前記所定容量放電時劣化状態量を入力パラメータとして前記電池の蓄電状態に関する電気量をニューラルネット演算することを特徴とする車両用蓄電装置のニューラルネット演算方式。
5. 請求項１乃至４のいずれか記載の車両用蓄電装置のニューラルネット演算方式において、
   前記所定容量放電時劣化状態量は、前記電池の満充電状態からの所定放電量放電時における前記電池の開路電圧であり、
   前記出力パラメータとしての前記電池の蓄電状態に関する電気量は、ＳＯＣ（充電率）であることを特徴とする車両用蓄電装置のニューラルネット演算方式。
6. 請求項１乃至４のいずれか記載の車両用蓄電装置のニューラルネット演算方式において、
   前記所定容量放電時劣化状態量は、前記電池の満充電状態近傍の開路電圧と前記満充電状態からの所定放電量放電時における前記電池の開路電圧との差であり、
   前記出力パラメータとしての前記電池の蓄電状態に関する電気量は、ＳＯＣ（充電率）であることを特徴とする車両用蓄電装置のニューラルネット演算方式。
7. 請求項１乃至４のいずれか記載の車両用蓄電装置のニューラルネット演算方式において、
   前記所定容量放電時劣化状態量は、前記電池の満充電状態近傍での開路電圧と前記満充電状態からの所定放電量放電時における前記電池の開路電圧との差、並びに、前記電池の満充電状態からの所定放電量放電時における前記電池の開路電圧であり、
   前記出力パラメータとしての前記電池の蓄電状態に関する電気量は、ＳＯＣ（充電率）であることを特徴とする車両用蓄電装置のニューラルネット演算方式。
8. 請求項１乃至４のいずれか記載の車両用蓄電装置のニューラルネット演算方式において、
   前記所定放電量放電時劣化状態量は、前記電池の満充電状態からの所定放電量放電時における前記電池の内部抵抗であり、
   前記出力パラメータとしての前記電池の蓄電状態に関する電気量は、残存容量であることを特徴とする車両用蓄電装置のニューラルネット演算方式。

Images