JP5058814B2 - Estimation system and method for a battery of state and parameters - Google Patents

Estimation system and method for a battery of state and parameters Download PDF

Info

Publication number
JP5058814B2
JP5058814B2 JP2007542868A JP2007542868A JP5058814B2 JP 5058814 B2 JP5058814 B2 JP 5058814B2 JP 2007542868 A JP2007542868 A JP 2007542868A JP 2007542868 A JP2007542868 A JP 2007542868A JP 5058814 B2 JP5058814 B2 JP 5058814B2
Authority
JP
Japan
Prior art keywords
current
soc
parameters
value
battery
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.)
Active
Application number
JP2007542868A
Other languages
Japanese (ja)
Other versions
JP2008522152A (en
Inventor
グレゴリー、エル.プレット
Original Assignee
エルジー・ケム・リミテッド
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 エルジー・ケム・リミテッド filed Critical エルジー・ケム・リミテッド
Priority to PCT/KR2004/003101 priority Critical patent/WO2006057468A1/en
Publication of JP2008522152A publication Critical patent/JP2008522152A/en
Application granted granted Critical
Publication of JP5058814B2 publication Critical patent/JP5058814B2/en
Application status is Active legal-status Critical
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H01BASIC ELECTRIC ELEMENTS
    • H01MPROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00Secondary cells; Manufacture thereof
    • H01M10/42Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48Accumulators combined with arrangements for measuring, testing or indicating condition, e.g. level or density of the electrolyte
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389Measuring internal impedance, internal conductance or related variables
    • HELECTRICITY
    • H01BASIC ELECTRIC ELEMENTS
    • H01MPROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00Secondary cells; Manufacture thereof
    • H01M10/42Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48Accumulators combined with arrangements for measuring, testing or indicating condition, e.g. level or density of the electrolyte
    • H01M10/486Accumulators combined with arrangements for measuring, testing or indicating condition, e.g. level or density of the electrolyte for measuring temperature

Description

本発明は、デジタルフィルタリング技法、特に、カルマンフィルタリング(Kalman filtering)と拡張カルマンフィルタリング(extended Kalman filtering)を用いたバッテリーパックシステムの状態とパラメーターの推定のための装置及び方法に関するものである。 The present invention, digital filtering techniques, in particular, to an apparatus and method for estimating a Kalman filtering (Kalman filtering) and extended Kalman filtering (extended Kalman filtering) the battery pack system state and parameters used. バッテリーパックにおけるバッテリー管理システムは、バッテリーパックの現在の動作条件を示す値を推定すべきである。 Battery management system in the battery pack should estimate a value that indicates the current operating condition of the battery pack. 上記現在の動作状態は、SOC(State Of Charge)、電力減退(power‐fade)、容量減退(capacity‐fade)及び即刻に利用可能な電力などを含む。 The current operating condition comprises, SOC (State Of Charge), power loss (power-fade), capacity fade (capacity-fade) and power available immediately, and the like. 上記電力減退と上記容量減退は、主にSOH(State Of Health)の表現として扱われる。 It said power decline and the capacity fade is mainly handled as a representation of SOH (State Of Health). 本発明は、バッテリーSOC及びSOHを含むパックの現在の動作条件を示す値を推定するための改善された方法と装置を提供する。 The present invention provides an improved method and apparatus for estimating a value that indicates the current operating condition of the pack containing the battery SOC and SOH.

バッテリーは電子・電気装置に広範囲に用いられる。 Battery is widely used in electronic and electrical equipment. 各応用例においてバッテリーにどれくらいの充電が残っているかを測定することが有用であり、且つ必要である。 It is determined whether the remaining charge of how much the battery in each application are useful, it is and need. このような測定は、充電状態(SOC)と称する。 Such measurements are referred to as state of charge (SOC). 例えば、セルフォンの使用者が自分の電話機でどれくらい長く話せるかを知ることは有用である。 For example, it is useful to the user of the cell phone is know speak how long on his or her own phone. なお、再充電装置は過充電を防止するためにバッテリー内にどれくらいの充電が存在するのかを知る必要がある。 Note that the recharging device is necessary to know the charge of how much in the battery to prevent overcharging exists. 種々のバッテリーは過充電(overchaging)のみならず過少充電(undercharging)にも敏感である。 Variety of battery is also sensitive to under-charging not only overcharging (overchaging) (undercharging). 過充電と過少充電はバッテリーの効率性を低下させ得、しかも損傷させ得る。 Overcharge and under-charging obtained reduce the efficiency of the battery, moreover may damage.

現在、バッテリーの残っている充電を測定する多くの技術が存在する。 Currently, many of the techniques used to measure the charge that is left of the battery is present. このようなSOC決定技術それぞれは欠点を有している。 Each such SOC determination techniques have disadvantages. アンペアアワーカウンティング(Ampere‐hour counting)のような技術は測定誤差に敏感であり、Coup de fouetのようなものは一つのバッテリータイプでのみ動作する。 Techniques such as ampere-hour counting (Ampere-hour counting) is sensitive to measurement error, only works on one battery type stuff as Coup de Fouet. インピーダンス分光法(Impedance Spectroscopy)のような他の技術は急変する温度のようなバッテリーの条件に依然として制限される。 Other techniques such as impedance spectroscopy (Impedance Spectroscopy) is still limited to a battery condition, such as that rapidly changing temperatures. また、多くの技術はSOCの推定に不確定性の範囲(uncertainty range)を提供していない。 Also, many techniques do not provide an estimate on the uncertainty range of SOC (uncertainty range). HEV及びEVのような応用例においてSOC測定に関わる上記不確定性の範囲は非常に重要である。 HEV and the uncertainty range related to SOC measurement in applications such as EV is very important. もし、不確定性の範囲が知られずにバッテリーが誤って過少充電されれば、運送手段は道の上で電力を失う恐れがあり危険をもたらす。 If it is under-charging incorrectly battery unbeknownst range of uncertainty, transportation means pose a risk could lose power over the road. 不確定性の範囲が分かればこのようなことを防止することができる。 It is possible to prevent such a problem if the range of uncertainty is known. 例えば、バッテリーSOCが最小充電の臨界値の10%以内に存在すると決定され、不確定性の範囲が15%と知られていれば、システムはバッテリーを充電すべきであることが分かる。 For example, is determined as the battery SOC is present within 10% of the critical value of the minimum charge, if we know the range of uncertainty is 15%, the system can be seen that should charge the battery. なぜなら、不確定性の範囲が上記臨界値の間隔より大きいからである。 Since the scope of uncertainty because greater than the spacing of the critical values.

現存する技術 Existing technology
現存する技術とそれらの短所に対する概略を説明する。 A schematic for the existing technologies and their disadvantages will be described. 放電テストと呼ばれる一つの方法はテスティングの正確な一つの形態である。 One method, called the discharge test is the correct one form of testing. これは制御される条件下におけるSOCを決定するためにバッテリーを完全に放電することを要する。 This requires to completely discharge the battery to determine the SOC of conditions to be controlled. しかし、完全放電に対する必要条件はこのテストを実生活の応用に対して非実用的にする。 However, requirements for full discharge is impractical this test for real-life applications. これはあまりにも多くの時間が所要され、テストが行われる間システム機能を中断させる。 This is required too much time, to interrupt between system functions test is performed.

他のSOC決定技術は、アンペア‐アワ‐カウンティングと呼ばれる。 Other SOC determination technology, ampere - millet - called the counting. これは簡単に実行できるためSOCの決定に対する最も一般的な技術である。 This is the most common technique for the determination of the SOC for easy execution. これは、バッテリーの電流を測定し、SOCを決定するために上記測定値を用いる。 This allows the battery current is measured, using the measurements to determine the SOC. アンペア‐アワ‐カウンティングは、以下の数式を用いる。 Amp - millet - counting uses the following formulas.

上記(1)式において、C は、バッテリーの評価された容量である。 In the above (1), C n is the estimated capacity of the battery. I battは、バッテリーの電流であり、I lossは損失反応(loss reactions)によって消費された電流である。 I batt is the battery current, I loss is the current consumed by the loss reactions (loss reactions). 上記数式(方程式)はスタート地点である初期値SOC に基づいてSOCを決定する。 The equation (equation) determines the SOC based on the initial value SOC 0 is the start point. アンペア‐アワ‐カウンティングは、本質的に紛らわしい「開ループ(open loop)」方式である。 Ampere - millet - counting is essentially misleading "open loop (open loop)" method. 測定誤差は蓄積され時間が経つにつれてSOC決定の正確性を低下させる。 Measurement errors are accumulated to lower the accuracy of the SOC determined as time passes. 電流測定を改善する方法があるがかなりの費用がかかる。 There is a method to improve the current measurement take a considerable amount of cost.

電解質の測定は、さらに他の一般的な技術である。 Measurement of the electrolyte is yet another common technique. 例えば、鉛蓄バッテリー(lead‐acid batteries)において電解質は充電と放電の間反応に関与する。 For example, the electrolyte in the lead storage battery (lead-acid batteries) is involved between the charge and discharge reactions. そのため、酸密度における変化とSOCとの間に線形関係が存在する。 Therefore, a linear relationship exists between the changes and the SOC in the acid density. そのため、電解質密度を測定すればSOC推定値を算出することができる。 Therefore, it is possible to calculate the SOC estimation value by measuring the electrolyte density. 上記密度は、イオン濃度、電導率、屈折率、粘度などによって直接または間接的に測定される。 The density, ion concentration, conductivity, refractive index, are directly or indirectly measured, such as by viscosity. さらに、これはバッテリーにおける酸層化(acid stratification)、水分喪失、センサーの長期間の不安定性に影響を受けやすい。 Furthermore, this acid stratification (acid stratification) in the battery, water loss, susceptible to long-term instability of the sensors.

開回路電圧測定がバッテリーのSOCテストに行われることができる。 Can be open circuit voltage measurement is carried out in the SOC test of the battery. 開回路電圧とSOC間の関係が非線形的であるにもかかわらず、実験室テストを通じて決定することができる。 Despite the relationship between the open-circuit voltage and the SOC is nonlinear, it can be determined through laboratory testing. 一旦関係が決まれば、SOCは開回路電圧を測定することで決定することができる。 Once once the relationship, SOC can be determined by measuring the open circuit voltage. しかし、測定と推定はバッテリーが長い間の非活動の後にのみ成すことができる安定状態(steady state)にある場合にのみ正確である。 However, the measurement and estimation is only accurate when it is in a stable state in which the battery can be made only after the inactivity long (steady state). これは、上記開回路の電圧技術を動的実時間(dynamic real time)の応用に非実用的になるようにする。 This to become impractical for application voltage techniques described above open circuit dynamic real-time (dynamic real time).

インピーダンス分光法は、SOCの決定に用いられる他の技術である。 Impedance spectroscopy is another technique used to determine the SOC. インピーダンス分光法は、バッテリーの多様な特性の決定において広くて多様な応用例を有している。 Impedance spectroscopy widely in determining various properties of the battery has a variety of applications. インピーダンス分光法はインピーダンス分光法の測定から誘導されるバッテリーモデルパラメーターとSOC間の関係を活用する。 Impedance spectroscopy utilizing the relationship between the battery model parameters and SOC derived from measurements of impedance spectroscopy. しかし、この技術の短所はインピーダンス曲線が温度効果により強く影響を受けるということである。 However, disadvantage of this technique is that the impedance curve is strongly influenced by the temperature effect. そのため、これの応用例は温度が安定的な環境下における応用例に制限される。 Therefore, application of this temperature is limited to applications in the stable environment.

内的抵抗は、インピーダンス分光法に関連する技術である。 Internal resistance is a technique related to impedance spectroscopy. 内的抵抗は、同一の時間隔間の電流変化により除される電圧降下によって計算される。 Internal resistance is calculated by the voltage drop which is divided by the change in current between the same time interval. 10msより長い全ての時間間隔はさらに複雑な抵抗測定をもたらすため、上記選択された時間間隔は重要である。 To provide long all time intervals more complex resistance measurement than 10 ms, the selected time interval is important. 内的抵抗の測定は、測定正確性に非常に敏感である。 Measurement of the internal resistance is very sensitive to the measurement accuracy. このような必要条件は、ハイブリッド電気輸送手段(Hybrid Electric Vehicle:HEV)と電気輸送手段(Electric Vehicles:EV)の応用例においては特に達成しにくい。 Such requirement, hybrid electric vehicles (Hybrid Electric Vehicle: HEV) and electric vehicles: in particular difficult to achieve in the applications of (Electric Vehicles EV).

ある技術は測定より直接SOCを推定するために非線形モデリングを用いる。 One technique using a non-linear modeling to estimate the direct SOC from the measurement. 一つの例が人工的な神経網ネックワーク(neural networks)である。 One example is an artificial neural network Neck workpiece (neural networks). 人工的な神経網ネットワークはあらゆるシステムでも動作して入力と出力間の関係を予測する。 Artificial neural networks network predicts the relationship between the input and output operating in any system. 上記ネットワークは、それの推定を改善するように反復的に訓練されるべきである。 The network should be iteratively trained to improve its estimate. データの正確性はネックワークに対する訓練プログラムに基づくため、人工的な神経網ネットワークによって与えられるSOC予測に関わる誤差を決定することは難しい。 Because the accuracy of the data based on the training program for the neck workpiece, it is difficult to determine the error involved in SOC prediction given by artificial neural networks network.

解釈技術(interpretive techniques)と呼ばれるSOC推定技術の他のグループがある。 There are other groups of SOC estimation technique called interpretation technology (interpretive techniques). 解釈技術は直接的にSOCを与えない代わり、それらはSOCを決定するために電気的放電及び充電特性を用いる。 Interpretation techniques instead which does not give directly SOC, they use electrical discharge and charge characteristics to determine the SOC. その自体で、SOCは計算された値から推論されるべきである。 In its own, it should SOC is inferred from the calculated values. このような技術の一つが「鞭打ち(Coup de fouet)」と呼ばれる。 One such technique is referred to as a "Whiplash (Coup de fouet)". 「鞭打ち」は、鉛蓄バッテリーの完全充電に相次ぐ放電の開始地点で発生する短い電圧降下領域を示す。 "Whiplash" indicates a short voltage drop region generated at the starting point of successive discharge fully charged lead acid battery. この「鞭打ち」領域で発生する電圧パラメーター間の特別な相関関係を用いてSOCを推論することができる。 It is possible to infer the SOC by using the "whiplash" special correlation between the voltage parameters generated by area. 上記「鞭打ち」に対する一つの限界は鉛蓄バッテリーでのみ動作するということである。 One limitation to the above "whiplash" is that only operate lead storage battery. さらに、これはバッテリー作動中に完全充電が頻繁になされる場合にのみ効果的である。 Further, this is effective only when the full charge in the battery operation is frequently performed.

カルマンフィルター(The Kalman Filter) Kalman filter (The Kalman Filter)
SOC決定技術の一つは、数学的にバッテリーの動作をモデリングし上記モデルに基づいたSOCを予測することと関連する。 One SOC determination technique is mathematically model the operation of the battery associated with predicting the SOC based on the above model. その一つのモデルがカルマンフィルターである。 One of the model is a Kalman filter. それは、統計、確率及びシステムモデリングにおける数学的基礎を有している。 It has statistics, the mathematical basis for probability and system modeling. カルマンフィルターの主な目的は、システムの出力値のみを用いて動的システムの内的状態を再帰的に予測することである。 The main purpose of the Kalman filter is to recursively predicts the internal state of a dynamic system by using only the output value of the system. システムの内的状態は知られずにまた直接的に測定できないので多くの例でこれはかなり有用である。 This is quite useful in many instances because the system internal state that can not be also directly measured without the knowledge. その自体で、カルマンフィルターはバッテリーの全てのタイプで動作でき、言及された多くの技術の制限に対処する。 At that itself, the Kalman filter can operate in all types of battery, to deal with the limitations of the mentioned a number of techniques.

カルマンフィルターは他の多くの類似な数学的システムモデルに比べて幾つかの長所を有するので航空学とコンピューターグラフィックのような分野に広く用いられている。 Kalman filter is widely used in fields such as aeronautics and computer graphics because they have several advantages compared to many other similar mathematical system model. 特に、カルマンフィルターは連続的な段階で推定をアップデートするとき、測定の不確定性と推定の不確定性を両方とも考慮する。 In particular, when the Kalman filter is to update the estimated successive stages, both uncertainty estimated to measurement uncertainty consider. カルマンフィルターはセンサーから受信した新しい測定値に基づいて二つの不確定性を補正する。 Kalman filter corrects the two uncertainty based on the new measurements received from the sensor. これは二つの理由で非常に重要である。 This is very important for two reasons. 第一、センサーはたびたびそれの測定に関わる不確定性またはノイズ成分を有する。 First, the sensor has uncertainty or noise components involved in frequent measurement of it. 補正されなければ時間が経つにつれて上記測定の不確定性は蓄積され得る。 Uncertainty of the measurement over time to be corrected goes may be accumulated. 第二、如何なるモデルシステムであっても推定そのものは本来不確定性を有する。 Second, it estimates itself be any model system has the inherent uncertainty. 何故ならば、システムの内的動的状態(internal dynamic)は時間が経つにつれて変化し得るためである。 Because internal dynamic state of the system (internal dynamic) is because that may change over time. システムは内的に変化してモデルにあまりに合わないように行動することがあるため、一つの時間段階(one time step)の推定は次(next)より正確でないことがある。 Because the system is able to act so as not too fit the model change internally, the estimation of a time stage (one time step) may not be accurate than the next (next). カルマンフィルターの補正メカニズム(correction mechanism)は、各時間段階におけるこうような不確定性を最小化して時間の経過による正確性の低下を防止することができる。 Kalman filter correction mechanism (correction Mechanism) can prevent a decrease in accuracy over time to minimize the Koyo uncertainty at each time step.

図1は、カルマンフィルターの基本的な動作を示している。 Figure 1 shows the basic operation of the Kalman filter. カルマンフィルターには二つの主なコンポーネント(component)があるが、予測コンポーネント(predict component)101と補正コンポーネント(correct component)102である。 The Kalman filter has two major components (component), but the predicted component (predict component) 101 and the correction component (correct component) is 102. まず、一連の初期パラメーターが予測コンポーネント101に入力される。 First, a series of initial parameters are input to the prediction component 101. 予測コンポーネント101は、一連の入力パラメーターを用いて特定の時点でシステムの内的状態を予測する。 Prediction component 101 predicts the internal state of the system at a particular time using a series of input parameters. 内的状態を予測するとともに、予測の不確定性も提供する。 With predicting internal states also provides uncertainty prediction. そして、図1に示したように、予測コンポーネント101の二つの出力は予測された内的状態ベクター(内的状態を含む)とその不確定性である。 Then, as shown in FIG. 1, a two outputs (including internal state) internal state vector and the predicted its uncertainty prediction component 101.

補正コンポーネント102の役割は予測コンポーネント101から受信した上記予測された内的状態と不確定性を補正することである。 The role of the correction component 102 is to correct the internal state and the uncertainty that is the predicted received from the prediction component 101. 上記補正は上記予測された内的状態と予測された不確定性をセンサーから受信した新しい測定値と比べることでなされる。 The correction is made by comparing a new measurement value received uncertainty and the predicted internal state of being the predicted from the sensor. 結果は補正された内的状態と補正された不確定性であり、その後、両方とも再び次の反復(next iteration)のために予測コンポーネント101にパラメーターとしてフィードバックされる。 Results are uncertainties that are corrected with the internal state of being corrected, then fed back as a parameter to predict component 101 for both again next iteration (next iteration). 次の反復で、上記サイクルが再び繰り返される。 In the next iteration, the cycle is repeated again.

カルマンフィルターの数学的基礎 The mathematical basis of the Kalman filter
図1Aと図1Bは、カルマンフィルターの予測及び補正コンポーネントの両方で用いられる数式を示す。 1A and 1B illustrate a formula to be used in both the prediction and correction components Kalman filter. 用いられた数式の根源を理解するために次の形態のn次階差方程式(n‐th order difference equation)によって表現される動的プロセスを考慮する。 Consider dynamic process represented by n Tsugikaisa equation of the form: (n-th order difference equation) in order to understand the origin of the equations used.

上記(2)式において、u は、ゼロミーンホワイトランダムプロセスノイズ(zero‐mean whiterandom process noise)である。 In the above (2), u k is zero-mean white random process noise (zero-mean whiterandom process noise) . 幾つかの基礎条件下で、上記階差方程式は次のように再表現することができる。 In some basal conditions, the floor difference equation can be re-expressed as follows.

上記(3)式において、 In the above (3),
は、以前状態(previous state)の The previous state of the (previous state)
と入力u の線形的組み合わせによってモデルされた新しい状態(new state)を示す。 Indicate the new state of being model (new new state) by a linear combination of the input u k and. マトリックスAとBの表記法に注目すると、これは状態空間(state‐space)モデルを誘導する。 Focusing on notation of the matrix A and B, which induces a state space (state-space) model.

または、さらに一般的な形態として、 Or, as a more general form,

上記数式は、多くの線形推定モデルの基礎になる。 The above formula, underlie many of the linear estimation model. (3)式ないし(5)式は単一(single)入力と単一出力を有するシステムを示している反面、Bが多重列(columns)を有し、Cが多重行(rows)を有すれば、(6)式、(7)式及び次の数式は多重(multiple)入力と多重出力を許容する。 (3) to (5) is contrary indicate a system having a single (single) input and a single output, B has multiple columns (columns), C is you have a multi-row (rows) if, (6), (7) and the following equation allows for multiple (multiple) input and multiple outputs.

(6)式と(7)式に基づいて、上記カルマンフィルターは以下の数式によって運用される。 (6) based on the equation (7), the Kalman filter is operated by the following equation.
x k =Ax k-1 +Bu k-1 +w k-1 (8) x k = Ax k-1 + Bu k-1 + w k-1 (8)
y k =Cx k +Du k +v k (9) y k = Cx k + Du k + v k (9)

Dが時々0に仮定されるにもかかわらず(9)式がさらに一般的な形態である。 D Despite is assumed sometimes 0 (9) is more general form. (8)式におけるマトリックスAとBはそれぞれ(6)式においてマトリックスA 、B と関連する。 (8) associated matrix A k, and B k in each matrix A and B (6) formula in the formula. (9)式におけるマトリックスCとDは(7)式においてC 、D と関連する。 (9) the matrix C and D in the formula is associated with C k, D k in equation (7). (8)式は動的システムプロセス(dynamic system process)の推定を運用するためプロセス関数と呼ばれる。 (8) it is called the process functions to operate the estimation of the dynamic system processes (dynamic system process). (8)式と(9)式において追加されたランダム変数w とv はそれぞれプロセスノイズと測定ノイズを示す。 (8) and (9) shows a random variable w k and v k are respectively process noise measurement noise added in expression. 推定に対するそれらの寄与は図1Aと1Bにおいてそれらの共分散マトリックス(covariance matrices)ΣωおよびΣνによって表現される。 Their contribution for estimation is represented by their covariance matrix (covariance matrices) Σω and Σν in FIGS. 1A and 1B.

また、図1A(予測コンポーネント101における数式を示す)を参照すれば、(151)式は(8)式に基づき、(152)式は(9)式の一部に基づく。 Further, referring to FIG. 1A (showing the equation in the prediction component 101), (151) type is based on the equation (8), (152) type is based on a portion of the equation (9). (151)式は(8)式の形態に非常に似ているが、(152)式に示された形態に(9)式を変換するために必要な段階はここに示されていない。 (151) type is very similar to (8) in the form, (152) steps required to convert the indicated form (9) into equation are not shown here. (151)式は現在時間段階(current time step)からパラメーターを用いて (151) below by using the parameters from step current time (current time step)
で表現されたベクターである、次の時間段階(next time step)におけるシステムの内的状態を予測する。 In a vector expressed, it predicts the internal state of the system at the next time step (next time step). 負数表示はベクターが上記予測コンポーネントの結果であることを示す。 Negative display indicates that the vector is the result of the prediction components. 正数表示はベクターが上記補正コンポーネントの結果であることを示す。 Positive display indicates that the vector is the result of the correction component. (151)式において、現在時間段階で補正コンポーネントの結果は次の時間段階の結果を予測するために用いられる。 (151) In the equation, the result of the correction component at the current time step is used to predict the result of the next time step. (152)式は、不確定性を予測するのに用いられ、これはまた誤差共分散(error covariance)として参照される。 (152) type is used to predict the uncertainty, which is also referred to as error covariance (error covariance). (152)式において、マトリックスΣωはプロセスノイズ共分散マトリックス(process noise covariance matrix)である。 (152) In the equation, the matrix Σω is the process noise covariance matrix (process noise covariance matrix).

図1Bは、補正コンポーネント102内における数式を示す。 Figure 1B shows a formula by the correction component 102. このような三つの数式は連続的に行われる。 Such three of the formula is carried out continuously. 第一、(161)式は、カルマン利得係数(Kalman gain factor)を決定する。 First, (161) type determines the Kalman gain factor (Kalman gain factor). 上記カルマン利得係数は(162)式と(163)式における補正を訂正するのに用いられる。 The Kalman gain factor is used to correct the correction in (162) and (163) below. (161)式において、マトリックスCは(9)式から由来し、これは状態と測定値y を関連させる。 (161) In the equation, the matrix C are derived from (9), which is associated with the state and the measured value y k. (162)式において、カルマン利得係数は、実際の測定値y と予測された測定値 In (162) where the Kalman gain factor, the actual measured values y k and predicted measurements
間に加重値を付与するために用いられる。 Used to impart a weight between. (161)式に示したように、マトリックスΣν、実際の測定ノイズ共分散(actual measurement noise covariance)はカルマン利得係数L と逆比例になる。 (161) As indicated formula, matrix Shigumanyu, actual measurement noise covariance (actual measurement noise covariance) will Kalman gain factors L k inversely. Σνの減るほどL は増加し、実際の測定値y にさらに大きい加重値を提供する。 L k as the decrease of Σν increases, provides the actual weight value larger the measured value y k. しかし、予測された不確定性であるマトリックス However, the matrix is ​​expected uncertainty
が減少したらL は減少し、予測された測定値 L k is reduced, predicted measured value but Once you've reduced
にさらに大きい加重値を提供する。 Providing a weighted value further large. そのため、カルマン利得係数はさらに小さい不確定性を有する測定形態に依存する実際の測定値または予測された測定値を選好する。 Therefore, I prefer actual measurement or predicted measured value depends on the measurement mode with the smaller uncertainty Kalman gain factor.

加重値を付与するこの方法を用いて、(162)式は予測された内的状態ベクター Using this method of applying a weight, internal state vector that is predicted (162) below
(予測コンポーネント101から)、新しい測定値y 及び予測された測定値 (From the prediction component 101), new measurement values y k and predicted measurements
に基づいて、補正された内的状態ベクター Internal state vector which has been corrected based on the
を演算する。 To calculate the. 結局、補正コンポーネント102の最後の数式において(163)式は、上記予測された不確定性または状態‐誤差共分散(state‐error covariance)を補正する。 After all, (163) where in the last equation of the correction component 102, the predicted uncertainty or conditions - to correct the error covariance (state-error covariance). (163)式において、マトリックスIは、単位行列を意味する。 In (163) wherein the matrix I is meant a unit matrix. (162)式及び(163)式の出力は次の反復のために予測コンポーネント101に入力される。 (162) the output of Formula and (163) below is input to the prediction component 101 for the next iteration. さらに具体的に、(162)式において上記計算された値 More specifically, the calculated values ​​in (162) below
は次の反復のために(151)式に交替され、(163)式において上記計算された値 Are replaced in (151) below for the next iteration, the computed value in (163) below
は次の反復のために(152)式に交替される。 It is replaced by a (152) type for the next iteration. それでカルマンフィルターは内的状態とこれと関連した不確定性を反復的に予測し補正する。 So Kalman filter to predict the uncertainty associated internal state and therewith iteratively corrected. 実際に、A、B、C、D、Σω及びΣνは、各時間段階で変更されることができるということに注目すべきである。 Indeed, A, B, C, D, Σω and Σν should be noted that it can be changed at each time step.

拡張カルマンフィルター(Extended Kalman Filter) Extended Kalman filter (Extended Kalman Filter)
カルマンフィルターはそのモデルにおいて線形関数を用いる反面、拡張カルマンフィルターは非線形関数でシステムをモデリングするために発展された。 Kalman filter although using linear functions in the model, extended Kalman filter was developed to model the system in a non-linear function. このような区別はさておき、拡張カルマンフィルターの数学的基礎または作動はカルマンフィルターと本質的に同一である。 This distinction aside, mathematical foundation or actuation of the extended Kalman filter is essentially the same as the Kalman filter. 上記拡張カルマンフィルターは推定を獲得するために関数を線形化するテイラー級数(Taylor series)と類似の近似値モデルを用いる。 The extended Kalman filter using an approximation model similar to Taylor series to linearize (Taylor series) function to obtain the estimate. 上記線形化は現在非線形プロセスとの偏導関数(partial derivatives)、測定関数、予測コンポーネントにおける二つの数式に対する基礎を取ることで達成される。 The linearization is a partial derivative of the current non-linear process (partials Derivatives), measuring function is achieved by taking the basis for the two equations in the prediction component.

上記拡張カルマンフィルターは以下の数式によって運用される。 The extended Kalman filter is operated by the following equation.
k+1 =f(x ,u ,w ) (10) x k + 1 = f (x k, u k, w k) (10)
及び y k+1 =h(x ,u ,v ) (11) And y k + 1 = h (x k, u k, v k) (11)

上記数式において変数w 及びv は各々のプロセスノイズと測定ノイズを意味する。 Variable w k and v k in the above formula refers to measurement noise and the respective process noise. (10)式で非線形関数fは現在段階kにおける状態ベクターx を次の時間段階k+1における内的状態ベクターx k+1と関連させる。 (10) non-linear function f to correlate the current state vector x k in stage k and internal state vector x k + 1 at the next time step k + 1 in formula. 関数fは、パラメーターとしてドライビング関数u とプロセスノイズw をさらに含む。 Function f further comprises a driving function u k and the process noise w k as a parameter. (11)式で上記非線形関数hは、内的状態ベクターx と入力u を測定値y と関連させる。 (11) The non-linear function h by the equation, relating the input u k and internal state vector x k and the measured value y k.

図2A及び図2Bは、拡張カルマンフィルターの数式を示す。 2A and 2B show the formulas of the extended Kalman filter. 作動シーケンスはカルマンフィルターと同様である。 Actuation sequence is the same as the Kalman filter. ここでも二つのコンポーネント、すなわち予測コンポーネント201と補正コンポーネント202がある。 Again two components, that is, prediction component 201 and the correction component 202. 数式は多少異なる。 Formula is slightly different. 具体的に、マトリックスA及びCはそれぞれ時間段階ごとに変化するという意味で時間段階添え字(sub‐script)kを現在有している。 Specifically, it has the matrix A and C time step in the sense that each change every time step subscript (sub-script) k current. この変化は関数が現在非線形的であるため必要である。 This change is required for the function is currently non-linear. これ以上マトリックスがカルマンフィルターの場合のように定数であると仮定することはできない。 More matrix can not be assumed to be constant as in the case of the Kalman filter. これらを近似化するためにヤコビ行列(jacobian matrices)が各時間段階で関数fとhの偏導関数を取ることで演算される。 Jacobian matrix to approximate these (jacobian matrices) is calculated by taking the partial derivatives of the function f and h each time step. ヤコビ行列は以下にリストされる。 Jacobi matrix are listed below.

Aは、xに対するfの偏道関数を取ることで演算されたヤコビ行列である。 A is a Jacobian matrix, which is computed by taking the partial path function f with respect to x. すなわち、 That is,

Cは、xに対するhの偏導関数を取ることで演算されたヤコビ行列である。 C is a Jacobian matrix, which is computed by taking the partial derivative of h with respect to x. すなわち、 That is,

関数の偏導関数を取るこのような追加的な段階はさておき、拡張カルマンフィルターの作動は本質的にカルマンフィルターと同様である。 Such additional step of taking partial derivatives of the function aside, the operation of the extended Kalman filter is essentially as Kalman filter.

バッテリーでSOCを決定するためのカルマンフィルターの利用 Use of the Kalman filter for determining the SOC in the battery
バッテリー出力を測定さえすれば良いため、カルマンフィルターはHEVとEVのような動的応用例を含むバッテリーシステムの全ての形態で作用できるという点で長所を有する。 Since it is sufficient battery output even measure has the advantage in that the Kalman filter can act in all forms of battery systems including dynamic applications such as HEV and EV. バッテリーのSOCを決定するためにカルマンフィルターを用いる現存する応用例がある。 There are applications where existing using Kalman filter to determine the SOC of the battery. しかし、それらの中で如何なる例もモデルの内的状態としてSOCを用いない。 However, any example also does not use the SOC as internal state of the model among them. そのため、SOC推定と関連した不確定性を決定することができない。 Therefore, it is impossible to determine the uncertainty associated with the estimated SOC. 上記欠点は不確定範囲が運送手段の電力損失またはバッテリーの過少充電を防止するために必要なHEV及びEVにおいて特に重要である。 The above drawback is particularly important in HEV and EV necessary to prevent under-charging of power loss or battery indeterminate range transportation means. また、現存する方法のうち如何なる方法もバッテリーSOCを非線形的にモデリングするために拡張カルマンフィルターを用いない。 Moreover, not using the extended Kalman filter to nonlinear modeling any way be battery SOC among the existing methods.

カルマンフィルターは単に一般的なモデルとして扱われるという点を注目することが重要である。 Kalman filter it is important to simply noted that they are treated as a general model. カルマンフィルターの各応用例は、依然としてSOCを推定するためにバッテリーの駆動を正確に示すことができる、良い特定のバッテリーモデルと初期パラメーターを用いる必要がある。 Each application of the Kalman filter, still SOC can be accurately indicating the driving battery to estimate, it is necessary to use a good specific battery model and the initial parameters. 例えば、カルマンフィルターを用いて内的状態としてSOCを測定するために上記フィルターは一つの時間段階から次の段階へのSOC転移(transition)方法を示す特定の数式を有している必要がある。 For example, the filter in order to measure the SOC as internal state using a Kalman filter is required to have a specific formula from one time step indicating the SOC transition (transition) method to the next step. そのような数式の決定は重要なことである。 Determination of such formulas is important.

バッテリーでSOHを決定するためのカルマンフィルターの使用 The use of Kalman filter for determining the SOH in the battery
さらに、再充電可能なバッテリーパックの技術分野で直接的に測定することはできないが、現在バッテリーパックの条件を示す量的要素(quantities)を推定できることがある応用例において望ましい。 Furthermore, it can not be measured directly in the art of rechargeable battery pack, desirable in applications where it may be possible to estimate the quantitative factors indicating a condition of a current battery pack (Quantities). このような量的要素の中で数分内に全体範囲を横切る(traverse)パックの充電状態(pack state of charge)のような、ある要素は急激に変化し得、10年またはそれ以上の通常の使用で20%くらいの小さい範囲で変化し得るセル容量のような他のものなどは非常に徐々に変化する。 Such across the entire range within minutes in quantitative factors (traverse), such as state of charge of the pack (pack state of charge), resulting an element changes abruptly, 10 years or more conventional such changes very gradually others like cell capacity that can vary in a small range of about 20% with the use of. 急速に変化する傾向がある量的要素はシステムの「状態」を構成し、遅く変化する傾向がある量的要素はシステムの時変(time varying)パラメーターを構成する。 Quantitative factors that tend to change rapidly constitutes a "state" of the system, quantitative factors that tend to change slowly constitute a change (time varying) parameter when the system.

バッテリーシステム分野、例えば、ハイブリッド電気輸送手段(HEV)、バッテリー電気輸送手段(Battery Electric Vehicles:BEV)、ラップトップ(laptop)コンピューターのバッテリー、移動可能な装備バッテリーパックなどのようにバッテリーの寿命に悪影響を及ぼさずにできるだけ活発に長い時間作動する必要があるものなどにおいては、特に、緩変するパラメーター(例えば、全体容量)に対する情報がパックの健康状態(pack health)を決定し、SOC演算を含んだ他の演算に役立つ。 Battery system field, for example, a hybrid electric vehicle (HEV), battery electric vehicles (Battery Electric Vehicles: BEV), laptop (laptop) computer's battery, negative impact on the life of the battery, such as movable equipment battery pack in such what needs to operate as much as possible actively long time without adversely, in particular, slow-varying to parameters (e.g., total capacity) to determine the health status information for the packs (pack health), include SOC calculation it helps to other operations.

セルのSOH(State Of Health)を推定するための現存する種々の方法があるが、これらは二つの量的要素(電力減退及び容量減退(両方とも緩変))を推定することと関わる。 There are a variety of existing methods for estimating the SOH (State Of Health) of the cell, but these concerns and to estimate the two quantitative factors (power loss and capacity fade (both slow varying)). 電力減退は現在と初期パックの電気抵抗が分かっていれば計算でき、容量減退は、例えば、他の方法が用いられるものの、現在と初期パックの全体容量が分かっていれば計算できる。 Power loss can be calculated knowing the electrical resistance of the current and initial pack capacity fade, for example, although other methods are used, it can be calculated knowing the entire capacity of the current and initial pack.

電力と容量減退は普通健康状態の表現で示すことができる。 Power and capacity decline can be represented by a normal healthy state representation. ある与えられた時間におけるパックから利用可能な最大電力のような変数の値を用いて他の情報を類推することができる。 It is possible to deduce other information using the values ​​of variables such as the maximum power available from the pack at a given time. 追加的なパラメーターも特定の応用に必要な場合があり、個別的なアルゴリズムは各々のものを知るために典型的に要求されるだろう。 May be additional parameters required for a particular application, the individual algorithms would be typically required to know what each.

従来技術はSOHの推定に対する次の他の接近方法、すなわち、放電テスト、化学依存的方法(chemistry‐dependent methods)、オームテスト(ohmic tests)、そして部分放電を用いる。 Prior art following other approach method for the estimation of SOH, i.e., the discharge test, chemistry-dependent methods (chemistry-dependent methods), ohms test (ohmic tests), and using the partial discharge. 放電テストは、セルの全体容量を決定するために完全に充電されたセルを完全に放電させる。 Discharge test, to fully discharge the fully charged cell in order to determine the overall capacity of the cell. このテストはシステム機能を中断させ、セルエネルギーを浪費させる。 This test interrupts the system functions, thereby wasting cell energy. 化学依存的方法は、プレートの腐食、電解質密度のレベルを測定することを含む。 Chemical dependent method includes measuring corrosion of the plate, the level of the electrolyte density. 「鞭打ち」は、鉛蓄電池に用いられる。 "Whiplash" is used in lead-acid batteries. オームテストは、抵抗、コンダクタンス、インピーダンステストを含むが、ファジーロジッグ(fuzzy‐logic)アルゴリズム及び/または神経網と場合によって連携される。 Ohm test resistor, conductance, including impedance test is cooperative optionally fuzzy logic grayed (fuzzy-logic) algorithm and / or neural networks. このような方法は侵襲性の測定を要する。 Such method requires the measurement of invasive. 部分的放電と他の方法は実験対象セルを良質のセルまたは良質セルのモデルと比較する。 Partial discharge and other methods compare a model of good cells or quality cell experiments target cell.

セルの抵抗と容量のようなセルのパラメーターを絶えずに推定する方法が必要とされている。 Method of estimating the constantly cells parameters such as resistance and capacitance of the cell is required. さらに、システム機能を中断させず、エネルギーを浪費させないテスト、一般的な適用(例えば、セル電気化学の他のタイプ、他の応用例)が可能な方法、侵襲的な測定とよほど過酷な接近が要求されない方法が必要とされている。 Furthermore, without interrupting system functions, tests that do not waste energy, general application (e.g., other types of cell electrochemical, other applications) that can process the abuses harsh approach with invasive measurements request ways that are not there is a need. バッテリーパックにおける並列及び/または直列セルの他の構成に動作する方法が必要とされている。 How to operate the other configurations of parallel and / or series cells in a battery pack is required.

発明の概要 Summary of the Invention

本発明は、バッテリー電力応用例に対するバッテリーの充電状態(SOC)及び健康状態(SOH)を含むパックの現在の動作条件を示す値の推定に関するものである。 The present invention relates to the estimation of the value that indicates the current operating condition of the pack containing the battery state of charge for the battery power applications (SOC) and health (SOH). バッテリーは、一次タイプまたは二次(再充電可能な)タイプであり得る。 Battery may be a primary type or secondary (rechargeable) type. さらに、本発明は、如何なるバッテリー化学分野にも適用できる。 Furthermore, the present invention is applicable to any battery chemistry. それは、高い誤差不確定性、制限された応用範囲(例えば、一つのみのバッテリータイプ)及び温度変化に対する敏感性のような現存する具現例に関連した問題に対処する。 It is higher error uncertainty, limited range of applications (e.g., only the battery type one) to address the problems associated with embodiments with existing as sensitivity to and temperature changes.

本発明の実施例は、内的システム状態としてSOCを有するバッテリーモデルとしてカルマンフィルター、線形アルゴリズムを用いる。 Embodiments of the present invention, a Kalman filter, a linear algorithm is used as a battery model with SOC as internal system states. 本発明の実施例は、内的システム状態としてSOCを有するバッテリーモデルとして拡張カルマンフィルター、非線形アルゴリズムを用いる。 Embodiments of the present invention, extended Kalman filter, the non-linear algorithm is used as a battery model with SOC as internal system states. 内的状態としてSOCを有することは本発明がSOC推定と関連した不確定性を提供することにする。 Having a SOC as internal state is to provide uncertainty of the present invention is related to SOC estimation. 本発明の実施例は、SOC推定におけるパラメーターとしてバッテリー温度を取らない。 Examples of the present invention does not take the battery temperature as a parameter in the SOC estimation. 本発明の他の実施例は、SOC推定を調整するためのパラメーターとしてバッテリー温度を用いる。 Another embodiment of the present invention uses a battery temperature as a parameter for adjusting the SOC estimation. 変化する温度によって影響を受けることからSOC推定の正確性を維持することは重要である。 It is important to maintain the accuracy of the SOC estimated from being affected by changing temperature.

一実施例は、以前、具現が難しかったハイブリッド電気輸送手段と電気輸送手段に用いられる極めて動的なバッテリー(highly dynamic batteries)に、バッテリーが動作する間相違なるモデリングパラメーターが適応するように許容する選択事項を有する。 One embodiment, previously, the highly dynamic batteries used in hybrid electric vehicles and electric vehicles embodied has been difficult (highly dynamic batteries), the battery is a difference becomes modeling parameters will allow to adapt during work having a matter of choice.

さらに、本発明は、電気化学セル(electrochemical cell)のパラメーター、さらに具体的に、例えば、セルのパラメーター値を推定する装置及び方法に関する。 Furthermore, the present invention, the parameters of the electrochemical cell (Electrochemical cell), More specifically, for example, to an apparatus and method for estimating a parameter value of the cell.

本発明のさらに他の側面による電気化学セルの現在パラメーターを推定する方法は、セルの内的パラメーターの予測を行う段階と、内的パラメーターの予測の不確定性の予測を行う段階と、上記内的パラメーターの予測と上記不確定性の予測を補正する段階と、上記内的パラメーターの予測、上記不確定性の予測及び上記補正を繰り返すアルゴリズムを適用して、パラメーターに対して行う推定とパラメーターの予測に対する不確定性を算出する段階と、を含む。 Method of estimating the further current parameters of an electrochemical cell according to another aspect of the present invention includes the steps of performing a prediction of the internal parameters of the cell, and performing the uncertainty of the prediction of the prediction of internal parameters, in the specifically the method for correcting the prediction and the uncertainty of the prediction parameters, the prediction of the inner parameters, by applying the algorithm to repeat the prediction and the correction of the uncertainty of estimation and parameters to be performed on the parameter including the steps of calculating uncertainty in the prediction.

本発明のさらに他の側面による電気化学セルの現在パラメーターを推定するように構成される装置は、セルの内的パラメーターの予測を行うように構成されるコンポーネントと、上記内的パラメーターの予測の不確定性の予測を行うように構成されるコンポーネントと、上記内的パラメーターの予測と上記不確定性の予測を補正するように構成されるコンポーネントと、内的パラメーターの予測を行うように構成されるコンポーネント、不確定性の予測を行うように構成されるコンポーネント及び補正するように構成されるコンポーネントによって行われた段階を繰り返して、パラメーターに対して行う推定とパラメーターの予測に対する不確定性を算出するように構成されるコンポーネントと、を含む。 Device configured to estimate the current parameters of an electrochemical cell according to yet another aspect of the present invention includes a component configured to make a prediction of the internal parameters of the cell, the prediction of the inner parameters not and components configured to perform deterministic prediction, and component configured to correct the prediction and the uncertainty of the prediction of the inner parameters, configured to make a prediction of the internal parameters component, Repeat performed stage by a component configured to components and correction is configured to perform prediction uncertainty is calculated uncertainty in the prediction of estimation and parameters to be performed on the parameter including a component configured.

さらに、ここで一実施例として開示される電気化学セルの現在パラメーターを推定するためのシステムは、セルの内的パラメーターを予測するための手段と、内的パラメーターの予測の不確定性の予測を行うための手段と、上記内的パラメーターの予測と不確定性の予測を補正するための手段と、上記内的パラメーターの予測を行うこと、上記不確定性の予測を行うこと及び上記補正することを繰り返すアルゴリズムを適用して、上記パラメーターに対して行う予測と上記パラメーターの予測に対する不確定性を算出するための手段と、を含む。 Furthermore, where the system for estimating the current parameters of the electrochemical cell are disclosed as one embodiment, a means for predicting the internal parameters of the cells, the uncertainty of the prediction of the prediction of internal parameters and means for performing, the means for correcting the prediction and uncertainty of the prediction of the inner parameters, by performing the prediction of the inner parameters, and that the that the compensation for prediction of the uncertainty by applying the algorithm to repeat, and means for calculating uncertainty in the prediction of the prediction and the parameters to be performed on the parameter.

さらに、電気化学セルの現在パラメーターを推定するための上記方法をコンピューターが行うようにするための命令語を含む機械が認識可能なコンピュータープログラムコードでコード化された貯蔵媒体が他の実施例として開示される。 Further, disclosed as another embodiment storage medium the machine coded in recognizable computer program code containing instructions for such computers perform the method for estimating the current parameters of the electrochemical cell It is.

さらに、コンピューターが認識可能な媒体として具現されるコンピューターデータ信号に対する他の実施例が開示される。 Further, another embodiment for computer data signals that the computer is embodied as a recognizable medium is disclosed. 上記コンピューターデータ信号は、電気化学セルの現在パラメーターを推定する上記方法をコンピューターが行うように構成されたコードを含む。 It said computer data signal comprising code to the method of estimating the current parameters of the electrochemical cell computer does.

本発明の多様な特徴・形態及び利点は発明の詳細な説明と添付された請求範囲及び図面を通じてさらに明確に理解されるであろう。 Various features, aspects and advantages of the present invention will be more clearly understood through the detailed description and appended claims and drawings of the invention. なお、図面において同一の符号は同一の構成要素を意味する。 The same reference numerals in the drawings refer to like elements.

発明の実施のための最良の形態 BEST MODE FOR CARRYING OUT THE INVENTION

バッテリーの充電状態(SOC)の推定の具現 Embodied in the estimation of the state of charge of the battery (SOC)
本発明の実施例は、全てのバッテリー電力応用例に対するバッテリーSOC推定子の具現に関するものである。 Examples of the present invention relates to embody the battery SOC estimator for all battery power applications.

本発明は、一次(primary)タイプまたは二次(再充電可能な)タイプのバッテリーに適用することができ、本発明は如何なるバッテリー化学分野にも適用可能である。 The present invention can be applied to the primary (primary) type or secondary (rechargeable) type battery, the present invention is applicable to any battery chemistry. 本発明の実施例は以前具現が難しかったハイブリッド電気輸送手段と電気輸送手段に用いられる動的バッテリーに作用する。 Examples of the present invention acts on the dynamic battery used previously realized is difficult hybrid electric vehicles and electric vehicles. それはSOC推定とSOC推定の不確定性をともに提供する長所を有する。 It has the advantage of providing both uncertainty SOC estimation and SOC estimation. それは高い誤差不確定性、制限された応用範囲及び温度変化に対する敏感性のような現存する具現例に関連した問題に対処する。 It addresses the high error uncertainty, problems associated with embodiments with existing as sensitivity to limited range of applications and temperature changes.

温度‐独立的モデル(Temperature‐Independent Model) Temperature - independent model (Temperature-Independent Model)
図3Aは、本発明の一実施例によるSOC推定子のコンポーネントを示す。 Figure 3A shows the components of the SOC estimator according to an embodiment of the present invention. バッテリー301は、ロード回路305に連結される。 Battery 301 is coupled to the load circuit 305. 例えば、ロード回路305は、電気輸送手段やハイブリッド輸送手段のモーターであり得る。 For example, load circuit 305 can be a motor of an electric vehicle or a hybrid vehicle. バッテリー端子電圧の測定は電圧計(voltmeter)302でなされる。 Measurement of the battery terminal voltage is made by a voltmeter (voltmeter) 302. バッテリー電流の測定は電流計(ammeter)303でなされる。 Measurements of battery current are made with ammeter (ammeter) 303. 電圧及び電流測定値はSOCを推定する演算回路304で処理される。 Voltage and current measurements are processed by the arithmetic circuit 304 for estimating the SOC. バッテリーの内在的な化学成分から測定するにあたって如何なる手段も必要ではないと理解すべきである。 Any means In measuring the intrinsic chemical components of the batteries is also required is to be understood that no.

また、全ての測定は非侵襲的であることに注目すべきである。 Also, all measurements should be noted that a non-invasive. すなわち、ロード回路305の正常な動作に邪魔になり得る如何なる信号もシステムに導入されない。 In other words, no signal is introduced to the system which may be a hindrance to the normal operation of the load circuit 305.

演算回路304は、モデル状態としてバッテリーSOCを含むバッテリーの数学的モデルを用いる。 Arithmetic circuit 304 uses the mathematical model of the battery including the battery SOC as a model state. 本発明の一実施例において、離散時間モデル(discrete‐time model)が用いられ、他の実施例においては、連続時間モデル(continuous‐time model)が用いられる。 In one embodiment of the present invention, a discrete-time model (discrete-time model) is used, in other embodiments, the model (continuous-time model) is used continuous time.

一実施例において、モデル数式は下記のようである。 In one embodiment, the model equation is as follows.
k+1 =f(x ,i ,w ) (12) x k + 1 = f (x k, i k, w k) (12)
及び y k+1 =h(x ,i ,v ) (13) And y k + 1 = h (x k, i k, v k) (13)

上記数式において、x は、時間指標k(x は、スカラー量またはベクターであり得る)におけるモデル状態である。 In the above equation, x k is (are x k, possible in scalar quantity or a vector) time index k is a model state in. は、時間指標kにおけるバッテリー電流であり、w は、時間指標kにおける撹乱の入力である。 i k is the battery current at time index k, w k is the input of the disturbance at time index k. 関数f(x ,i ,w )は、時間指標kにおけるモデル状態と時間指標k+1におけるモデル状態とを関連付け、線形または非線形関数であり得る。 Function f (x k, i k, w k) associates a model state in the model state with time index k + 1 at time index k, it may be linear or non-linear function. 本発明の実施例は、モデル状態ベクターx の要素としてバッテリーSOCを有する。 Examples of the present invention has a battery SOC as an element of a model state vector x k.

(13)式において、変数v は、時間指標kにおける測定ノイズであり、y は、時間指標kにおけるバッテリー端子電圧モデルの予測である。 (13) In the equation, the variable v k is the measurement noise at time index k, y k is the predicted battery terminal voltage model at time index k. 関数h(x ,i ,w )は、モデルの状態、電流及び測定ノイズを時間指標kにおける予測された端子電圧と関連付ける。 Function h (x k, i k, w k) associates model states and predicted terminal voltage of the current and the measured noise at time index k. この関数は線形的または非線形的であり得る。 This function can be linear or nonlinear. 時間指標間に経過する期間は本発明の測定が時々省略されることもあるが固定的であり得る。 Period that elapses between the time index is sometimes measured in the present invention are omitted occasionally but may be fixed.

温度‐従属的モデル(Temperature‐Dependent Model) Temperature - dependent model (Temperature-Dependent Model)
図3Bは、本発明の他の実施例によるSOC推定子のコンポーネントを示す。 Figure 3B illustrates the components of SOC estimator according to another embodiment of the present invention. バッテリー351は、ロード回路355に連結されている。 Battery 351 is connected to the load circuit 355. 例えば、ロード回路355は、電気輸送手段やハイブリッド輸送手段のモーターであり得る。 For example, load circuit 355 can be a motor of an electric vehicle or a hybrid vehicle. バッテリー端子電圧の測定は、電圧計352でなされる。 Measurement of the battery terminal voltage is done by the voltmeter 352. バッテリー電流の測定は電流計353でなされる。 Measurement of battery current is made by the current total of 353. バッテリー温度は、温度センサー356によって測定される。 Battery temperature is measured by a temperature sensor 356. 電圧、電流、温度の測定値はSOCを推定する演算回路354により処理される。 Voltage, current, temperature readings are processed by the arithmetic circuit 354 for estimating the SOC.

演算回路354は、モデル状態としてバッテリーSOCを含むバッテリーの温度従属的数学モデルを用いる。 Arithmetic circuit 354 uses the temperature dependent mathematical model of the battery including the battery SOC as a model state. 本発明の一実施例において、離散時間モデルが用いられる。 In one embodiment of the present invention, a discrete-time model is used. 他の実施例においては、連続時間モデルが用いられる。 In other embodiments, the model is used continuous time. 一実施例において、モデル数式は下記のようである。 In one embodiment, the model equation is as follows.
k+1 =f(x ,i ,T ,w ) (14) x k + 1 = f (x k, i k, T k, w k) (14)
及び y k+1 =f(x ,i ,T ,v ) (15) And y k + 1 = f (x k, i k, T k, v k) (15)

上記数式において、x は、時間指標k(x は、スカラー量またはベクターであり得る)におけるモデル状態である。 In the above equation, x k is (are x k, possible in scalar quantity or a vector) time index k is a model state in. は、時間指標kでバッテリーパック内の一つ以上の地点で測定されたバッテリー温度であり、w は、時間指標kにおける撹乱の入力である。 T k is a battery temperature measured at one or more points in the battery pack at the time index k, w k is the input of the disturbance at time index k. 従属的パラメーターとして、バッテリー温度の利用は変化する温度によって影響を受けることからSOC推定の正確性を保つのに重要である。 As a dependent parameters, the use of the battery temperature is important to maintain the accuracy of the SOC estimated from being affected by temperature changes. 関数f(x ,i ,T ,w )は、時間指標kにおけるモデル状態と時間指標k+1におけるモデル状態とを関連付け、線形または非線形関数であり得る。 Function f (x k, i k, T k, w k) associates a model state in the model state with time index k + 1 at time index k, it may be linear or non-linear function. 本発明の実施例は、モデル状態ベクターx の要素としてバッテリーSOCを有する。 Examples of the present invention has a battery SOC as an element of a model state vector x k.

(15)式において、変数v は、時間指標kにおける測定ノイズであり、y は、時間指標kにおけるバッテリー端子電圧モデルの予測である。 (15) In the equation, the variable v k is the measurement noise at time index k, y k is the predicted battery terminal voltage model at time index k. 関数h(x ,i ,T ,w )は、モデルの状態、電流及び測定ノイズを時間指標kにおける予測された端子電圧と関連付ける。 Function h (x k, i k, T k, w k) associates model states and predicted terminal voltage of the current and the measured noise at time index k. この関数は線形的または非線形的であり得る。 This function can be linear or nonlinear. 時間指標間に経過する期間は上記発明の測定が時々省略されることもあるが固定的であるとされる。 Period that elapses between the time index is sometimes measured in the invention is omitted from time to time but is to be fixed.

上記モデルのカルマンフィルター及び拡張カルマンフィルターへの適用 本発明の一実施例において、(12)式と(13)式の上記温度‐独立的バッテリーの数学モデルは、システムが動作するとき、バッテリーSOCを推定するカルマンフィルターに対する基礎として用いられる。 In one embodiment of the application the invention to the Kalman filter and the extended Kalman filter of the model, (12) and (13) of the temperature - mathematical model of independent battery, when the system is operating, the battery SOC used as a basis for the Kalman filter to estimate. この実施例において、関数fとhは線形的である。 In this embodiment, the function f and h are linear. 本発明の他の実施例に(14)式と(15)式の上記温度‐従属的バッテリーの数学モデルはシステムが動作するとき、バッテリーSOCを推定するカルマンフィルターに対する基礎として用いられる。 The temperature of the other embodiments of the present invention (14) and (15) - a mathematical model of the subsidiary battery when the system is operating, is used as the basis for the Kalman filter to estimate the battery SOC. この実施例において、関数fとhはともに線形的である。 In this embodiment, the function f and h are both linear.

本発明の他の一実施例において、(12)式と(13)式の上記温度‐独立的数学モデルは拡張カルマンフィルターに対する基礎として用いられる。 In another embodiment of the present invention, (12) and (13) of the temperature - independent mathematical model used as a basis for extended Kalman filter. 関数fとhはこの実施例において非線形的である。 Functions f and h are non-linear in this example. 本発明の他の実施例において、(14)式と(15)式の上記温度‐従属的数学モデルは拡張カルマンフィルターに対する基礎として用いられる。 In another embodiment of the present invention, (14) and (15) of the temperature - dependent mathematical model used as a basis for extended Kalman filter. この実施例において、関数fとhはともに非線形的である。 In this embodiment, the function f and h are both non-linear. 本技術の当業者ならあるルーエンバーガ観測器(luenberger‐like observer)のようなものだけでなく、カルマンフィルターの他の変形例も用いることができると認識するだろう。 Not only as certain by those skilled in the art Ruenbaga observer (luenberger-like observer), it will recognize that other variations of the Kalman filter can be used.

拡張カルマンフィルターの動作 図4A及び図4Bは、拡張カルマンフィルターに対する一実施例を示す。 Operation Figure 4A and 4B extensions Kalman filter shows an embodiment for extended Kalman filter. この実施例において、温度‐独立的モデルからの(12)式と(13)式は拡張カルマンフィルターの基礎として用いられる。 In this embodiment, the temperature - independent model from the equation (12) and (13) are used as the basis of the extended Kalman filter. 両図面内で両予測コンポーネントと補正コンポーネント内の数式は、図2に示したように、拡張カルマンフィルターの一般的な形態を有する。 Formulas in both predicted component and the correction component in both figures, as shown in FIG. 2, it has a general form of the extended Kalman filter. しかし、この実施例において変数の名称に多少の変化がある。 However, there is some change in the name of the variable in this embodiment. この差は、バッテリーのSOC測定に用いられた変数と(12)式と(13)式の利用を反映する。 This difference reflects the use of the variables used in measuring SOC of a battery (12) and (13).
は、バッテリーの内的状態を示す予測されたベクターを現在示している反面、 Is, while indicate currently predicted vector indicating the internal state of the battery,
は、上記予測された状態‐誤差共分散(不確定性)を現在示している。 It is the predicted state - shows error covariance (the uncertainty) current. 関数fとhは、(12)式と(13)式で示されたものと同様である。 Functions f and h are the same as those shown in (12) and (13). 補正コンポーネント402の(462)式における実際の測定項目は現在m として表現されると理解すべきである。 Actual measurement items in (462) wherein the correction component 402 are to be understood as being currently expressed as m k.

図5Aと図5Bは、拡張カルマンフィルターに対する他の実施例を示している。 5A and 5B show another embodiment for the extended Kalman filter. この実施例において、温度‐従属的モデルからの(14)式と(15)式が拡張カルマンフィルターの基礎として用いられる。 In this embodiment, the temperature - and (14) from the dependent model (15) is used as the basis of the extended Kalman filter. 全ての数式は、図4Aと図4Bにおけるそれと、(551)式と(562)式が追加的な温度項目T を現在有している点を除いては同一である。 All formulas therewith in FIGS. 4A and 4B, are identical except that has (551) and (562) below an additional temperature fields T k current. したがって、この実施例において拡張カルマンフィルターの反復遂行ごとにバッテリーの温度は推定を決定するために用いられる。 Accordingly, the temperature of the battery for each iteration performing the extended Kalman filter in this embodiment is used to determine the estimation. バッテリー容量は時々温度によって影響を受けるので、この追加項目は数式がさらに正確にバッテリーをモデリングするようにする。 Since the battery capacity is sometimes affected by temperature, this additional item is to ensure the formula is more accurately modeling the battery.

図6は、温度‐独立モデルを用いる本発明の一実施例による拡張カルマンフィルターの動作を示す。 Figure 6 is a temperature - showing the operation of the extended Kalman filter according to an embodiment of the invention using a separate model. ブロック600において、アルゴリズムは In block 600, the algorithm
の以前推定値(prior estimates)に初期化される。 It is initialized to the previous estimate of (prior estimates).
は、(12)式の関数fから由来する反面、 It is, while derived from equation (12) of the function f,
は、(13)式の関数hから由来する。 It is derived from the function h of the equation (13). ブロック600の完了後、 After the completion of block 600,
の推定値をもって上記アルゴリズムは拡張カルマンフィルターの補正コンポーネントを開始する。 The algorithm with the estimates initiates a correction component of the extended Kalman filter.
の推定値は補正コンポーネントによって要求された予測コンポーネントからの出力の役割を果たす。 Role of the estimate value output from the prediction component that is required by the correction component. ブロック601において、xに対する数式hの偏道関数が演算され、マトリックスCを算出する。 In block 601, the polarization tract function equation h for x is calculated to calculate the matrix C. ブロック602においては、カルマンゲイン(Kalman gain)L がマトリックスC、 In block 602, the Kalman gain (Kalman gain) L k is the matrix C,
を用いて演算される。 It is calculated using the. これは、図4Bにおける補正コンポーネント402の一番目の数式((461)式)に対応する。 This corresponds to a first equation of the correction component 402 in FIG. 4B ((461) type). ブロック603において、予測された内的状態ベクター、カルマンゲインL と端子電圧の測定値m は補正された状態ベクター In block 603, the predicted internal state vector, the Kalman gain L k and the state vector is measured m k of the terminal voltage which is corrected
を計算するのに用いられる。 Used to calculate. これは、拡張カルマンフィルターにおける補正コンポーネントの二番目の数式に対応する。 This corresponds to the second equation of the correction component in the extended Kalman filter. ブロック604においては、上記予測された状態‐誤差共分散 In block 604, the predicted state - error covariance
が補正された状態‐誤差共分散 State but has been corrected - error covariance
を演算するために用いられる。 Used for calculating. これは、補正コンポーネントの三番目の数式に対応する。 This corresponds to the third formula of correction component.

ブロック605において、上記予測コンポーネントの数式の全てが演算される。 In block 605, all formulas of the prediction component is calculated. マトリックスAはxに対する関数fの偏導関数を取ることで演算され、次の反復のための予測値、すなわち、 Matrix A is calculated by taking the partial derivatives of the function f with respect to x, the prediction value for the next iteration, i.e.,
が演算される。 There are calculated. ブロック606において、時間指標kは増加し動作はブロック601でまた次の時間段階として始まる。 In block 606, the time index k is increased and operates also in block 601 begins the next time step.

図7は、温度‐従属的モデルを用いる本発明のさらに他の実施例による拡張カルマンフィルターの動作を示す。 Figure 7 is a temperature - showing the operation of the extended Kalman filter according to another embodiment of the present invention using the subordinate model. ブロック700において、アルゴリズムは In block 700, the algorithm
の以前推定値に初期化される。 It is initialized in the previous estimate.
は、(14)式の関数fから由来する反面、 It is, while derived from equation (14) of the function f,
は(15)式の関数hから由来する。 It is derived from the function h of the equation (15). ブロック700の完了後、 After the completion of block 700,
の推定値をもって上記アルゴリズムは拡張カルマンフィルターの補正コンポーネントを開始する。 The algorithm with the estimates initiates a correction component of the extended Kalman filter.
の推定値は補正コンポーネントによって要求された予測コンポーネントからの出力の役割を果たす。 Role of the estimate value output from the prediction component that is required by the correction component. ブロック701において、xに対する数式hの偏道関数が演算され、マトリックスCを算出する。 In block 701, the polarization tract function equation h for x is calculated to calculate the matrix C. ブロック702においては、カルマンゲインL がマトリックスC、 In block 702, the Kalman gain L k is the matrix C,
を用いて演算される。 It is calculated using the. これは、図5Bにおいて補正コンポーネント502の一番目の数式((561)式)に対応する。 This corresponds to a first equation of the correction component 502 in FIG. 5B ((561) type). その次にブロック703において、予測された内的状態ベクター In block 703 the next, internal state vector predicted
およびカルマンゲインL 及び端子電圧の測定値m が補正された状態ベクター And the state vector measurement m k of the Kalman gain L k and the terminal voltage is corrected
を計算するのに用いられる。 Used to calculate. これは、拡張カルマンフィルターで補正コンポーネントの二番目の数式に対応する。 This corresponds to the second equation of the correction component in the extended Kalman filter. ブロック704においては、上記予測された状態‐誤差共分散 In block 704, the predicted state - error covariance
が補正された状態‐誤差共分散 State but has been corrected - error covariance
を演算するために用いられる。 Used for calculating. これは、補正コンポーネントの三番目の数式に対応する。 This corresponds to the third formula of correction component.

ブロック705において、上記予測コンポーネントの数式の全てが演算される。 In block 705, all formulas of the prediction component is calculated. マトリックスAはxに対する関数fの偏導関数を取ることで演算され、次の反復のための予測値、すなわち、 Matrix A is calculated by taking the partial derivatives of the function f with respect to x, the prediction value for the next iteration, i.e.,
が演算される。 There are calculated. ブロック706において、時間指標kは増加し動作はブロック701でまた次の時間段階として始まる。 At block 706, the time index k is increased and operates also in block 701 begins the next time step.

カルマンフィルターの動作 The operation of the Kalman filter
図8A及び図8Bは、カルマンフィルターに対する実施例を示す。 8A and 8B show an embodiment for the Kalman filter. 温度‐独立的モデルからの(12)式と(13)式がカルマンフィルターの基礎として用いられる。 Temperature - independent model from the equation (12) and (13) are used as the basis for the Kalman filter. 他の実施例においては、温度‐従属的モデルからの(14)式と(15)式が用いられる。 In other embodiments, the temperature - from the dependent model (14) and (15) are used. 上記両図面内で両予測コンポーネントと補正コンポーネント内の数式は図1に示したように、拡張カルマンフィルターの一般的な形態を有する。 Formulas in both predicted component and the correction component in the both figures as shown in FIG. 1, it has a general form of the extended Kalman filter. しかし、この実施例において変数の名称に多少の変化がある。 However, there is some change in the name of the variable in this embodiment. 一つの実施例において、上記差はバッテリーSOCの測定に用いられた変数、(12)式及び(13)式の利用を反映する。 In one embodiment, the difference variable used for the measurement of the battery SOC, reflecting the use of (12) and (13). 他の実施例において、上記差はバッテリーのSOC測定に用いられる変数、(14)式及び(15)式の利用を反映する。 In another embodiment, the difference variable used to SOC measurement of the battery to reflect the use of (14) and (15).
は、バッテリーの内的状態を示す予測されたベクターを現在示している反面、 Is, while indicate currently predicted vector indicating the internal state of the battery,
は、上記予測された状態‐誤差共分散(不確定性)を現在示している。 It is the predicted state - shows error covariance (the uncertainty) current. 補正コンポーネント802の(862)式における実際の測定項目は現在m に表現されると理解すべきである。 Actual measurement items in (862) wherein the correction component 802 are to be understood as being currently represented in m k.

図9は、本発明の一実施例によるカルマンフィルターの動作を示す。 Figure 9 illustrates the operation of the Kalman filter according to an embodiment of the present invention. ブロック900において、アルゴリズムは In block 900, the algorithm
の以前推定値に初期化される。 It is initialized in the previous estimate. 一つの実施例において、 In one embodiment,
は(12)式の関数fから由来する反面、 The other hand derived from equation (12) of the function f,
は(13)式の関数hから由来する。 It is derived from the function h of the equation (13). この実施例は、温度‐独立的である。 This embodiment, the temperature - is independent. 他の実施例において、 In another embodiment,
は、(14)式の関数fから由来する反面、 It is, while derived from equation (14) of the function f,
は、(15)式の関数hから由来する。 It is derived from the function h of the equation (15). この実施例は、温度‐従属的である。 This embodiment, the temperature - is dependent. ブロック900の完了後、 After the completion of block 900,
の推定値をもって上記アルゴリズムは拡張カルマンフィルターの補正コンポーネントを開始する。 The algorithm with the estimates initiates a correction component of the extended Kalman filter.
の推定値は補正コンポーネントによって要求された予測コンポーネントからの出力の役割を果たす。 Role of the estimate value output from the prediction component that is required by the correction component. ブロック901において、カルマンゲインL がマトリックスC、 In block 901, the Kalman gain L k is the matrix C,
を用いて演算される。 It is calculated using the. これは、図8Bにおいて、補正コンポーネント802の一番目の数式((861)式)に対応する。 This is because, in FIG. 8B, corresponding to a first equation of the correction component 802 ((861) below). それから、ブロック902において、予測された内的状態ベクター Then, at block 902, internal state vector predicted
およびカルマンゲインL 及び端子電圧の測定値m が補正された状態ベクター And the state vector measurement m k of the Kalman gain L k and the terminal voltage is corrected
を計算するのに用いられる。 Used to calculate. これは、拡張カルマンフィルターで補正コンポーネントの二番目の数式に対応する。 This corresponds to the second equation of the correction component in the extended Kalman filter. ブロック903においては、上記予測された状態‐誤差共分散 In block 903, the predicted state - error covariance
が補正された状態‐誤差共分散 State but has been corrected - error covariance
を演算するために用いられる。 Used for calculating. これは、補正コンポーネントの三番目の数式に対応する。 This corresponds to the third formula of correction component. ブロック904において、上記予測コンポーネントの両数式が演算される。 At block 904, both equations of the prediction component is calculated. 次の反復のための予測値、すなわち、 Predicted value for the next iteration, i.e.,
が演算される。 There are calculated. ブロック905において、時間指標kは増加し動作はブロック901でまた次の時間段階として始まる。 In block 905, the time index k is increased and operates also in block 901 begins the next time step.

具体的な数式 一実施例において、関数fに対する次の具体的な形態が用いられる。 In particular formulas embodiment, the following specific form for the function f is used. 上記内的状態ベクターx は、 The inner state vector x k is

そして、各状態に対する支配方程式(goverining equation)は、 Then, the governing equations for each state (goverining equation) is,

バッテリーSOCは、上記状態ベクターの一番目の要素である。 Battery SOC is the first element of the state vector. 上記変数は、以下のように定義される。 The variables are defined as follows. は、瞬間電流(instantaneous current)、△tは、瞬間時間の間隔、C (temp. . .)は、温度‐従属的になるように調整されたバッテリーの「ポイカート」容量(「Peukert」capacity)であり、nは、ポイカートに関わるポイカート冪指数(peukert exponent)である。 I k is the instantaneous current (instantaneous current), △ t is the instantaneous time interval, C p (temp... ) Is the temperature - "Poikato" capacity of the battery which is adjusted to subordinate ( "Peukert it is a "capacity), n is a Poikato exponent related to Poikato (peukert exponent). 容量、そして、η(I )は、電流の関数としてバッテリーのクーロン効率(coulombic efficiency)である。 Volume and, eta (I k) is the coulombic efficiency of the battery as a function of current (coulombic efficiency). 状態変数FILTとIFは、平坦で遅いバッテリーの動的状態の大部分を獲得するフィルター状態である。 State variable FILT and the IF is a filter state to win the majority of the dynamic state of the flat and slow battery.

一実施例において、関数hに対する次の具体的な形態が用いられる。 In one embodiment, the following specific embodiments for the function h is used.

上記数式において、y は、端子電圧である。 In the above formulas, y k is the terminal voltage. 他の全ての変数(k 、k など)はモデルの係数(coefficients)であり、実験室テストから決定されたア‐プリオリ(a priori)であり得、ここで論議されていないメカニズムを用いてシステム動作中に調整することができる。 All other variables (such as k 0, k 1) is the coefficient of the model (Coefficients), A was determined from laboratory tests - using obtained a priori (a priori), the mechanisms that are not discussed here it can be adjusted during system operation Te. このような係数は、例えば、10Ampsの瞬間放電(instantaneous discharge)に用いられる係数は5Ampsの瞬間充電(instantaneous charge)に用いられる係数とは異なるように本発明で変わる。 Such factors may, for example, coefficients used in the instant discharge (instantaneous Discharge) of 10Amps varies in different way, the present invention is a coefficient used for instantaneous charging (instantaneous charge) of 5Amps. これは、本発明がモデルの電流‐従属性をさらに精度よくモデリングするようにする。 This invention is a model of the current - so as to more accurately model the dependencies.

他の実施例において、関数fの次の形態が用いられる。 In another embodiment, the following form of the function f is used. 内的状態ベクターx は、 Internal state vector x k is,

ここでSOC は、現在のSOC推定値であり、SOC k−1は、以前のSOC推定値(など)であり、i は、現在の電流測定値(など)であり、y k-1は、以前のバッテリー電圧推定値である。 Here SOC k is the current estimated SOC value, SOC k-1 is the previous SOC estimation value (such as), i k is the current of the current measured value (such as), y k-1 is a previous battery voltage estimated value. α、β、γは、正の定数であって状態変数のパーシモニアスナンバー(parsimonious number)を有した受容可能なモデルを作るように選択される。 alpha, beta, gamma are chosen to produce a positive a constant state variable par Shimo Nias Number acceptable model having a (parsimonious number). SOC状態に対する支配方程式は下記のようである。 The governing equations for the SOC state is as follows.

上記実施例において、関数hの具体的な形態が用いられる。 In the above embodiments, specific form of the function h is used.
=h(x ,T y k = h (x k, T k)

上記数式において、hは、測定されたデータに符合する非線形関数として具現される。 In the above equations, h is embodied as a non-linear function that conforms to the measured data. 例えば、hは、神経網ネットワークを用いて具現されることができる。 For example, h may be implemented using a neural network network.

一実施例において、神経網ネットワークは、バッテリーの内的状態を推定するのに用いることができる。 In one embodiment, the neural network network may be used to estimate the internal state of the battery. この実施例と従来の神経網ネットワーク間の差は下記のようである。 The difference between this embodiment and the conventional neural network network is as follows. 従来の神経網ネットワークで推定されたSOCは神経網ネットワークの出力である。 SOC estimated by the conventional neural network network is the output of the neural network network. この実施例は状態の一つとしてSOCを有する神経網ネットワークをもって上記バッテリーセルの一番目のモデリングによって間接的にSOCを測定する。 This embodiment has a neural network network with SOC as one of the conditions is measured indirectly SOC by a second modeling of the battery cells. その後、SOCを推定するために神経網ネットワークをもってカルマンフィルターを用いる。 Then, using a Kalman filter with neural networks network to estimate the SOC. このような接近方法は二つの主な利点を有する。 Such approach method has two main advantages. 第一、作動する間オンラインで訓練されることができ、第二、推定に対する誤差限界(error bounds)が演算できる。 First, it is possible to be trained between online operating, the second error bounds for the estimation (error bounds) can be calculated.

パラメーターの変更 Change of parameters
図10は、バッテリーSOCに対するモデリング数式を動的に変化させる本発明の一実施例の動作を示す。 Figure 10 illustrates the operation of an embodiment of the present invention for dynamically changing the modeling formula for the battery SOC. この実施例において、演算回路は異なる時間間隔に対する異なるパラメーターを用いるバッテリーの変化する行動を適応させることができる。 In this embodiment, the arithmetic circuit can adapt the action to change the battery using different parameters for different time intervals. ブロック1000において、バッテリー電流レベルにおける変化が感知される。 In block 1000, the change in the battery current level is sensed. 例えば、ハイブリッド電気輸送手段で、バッテリー電力の突然の流出が坂を上っている上記輸送手段によって誘発される。 For example, in a hybrid electric vehicle, sudden outflow of battery power is induced by the transport means are uphill. 状況による上記突然の変化は新しい条件下でSOCをさらに正確に推定するための異なる一連のモデリング数式を用いるように演算回路を触発させる。 The sudden changes due to circumstances to trigger the operation circuit to use a series of modeling equations differ for more accurately estimate the SOC with the new conditions. ブロック1010において新しい一連のモデリング数式が用いられる。 A new set of modeling equations in block 1010 is used. ブロック1020において、上記新しい数式がSOCを決定するために用いられる。 In block 1020, it is used for the new formula is to determine the SOC. この適応的モデリング行動はハイブリッド電気輸送手段と電気輸送手段のような非常に動的な応用例において有用である。 The adaptive modeling behavior are useful in highly dynamic applications such as hybrid electric vehicles and electric vehicles.

さらに、フィルタリングを用いる電気化学セルパラメーターの推定方法、システム及び装置に対する多様な実施例がここに開示される。 Further, the estimation method of the electrochemical cell parameters using filtering, a variety of embodiments for a system and apparatus disclosed herein. 図11と図12を参照するとき、以下の図面、多数の具体的な細部要素は本発明をさらに理解させるために用いられる。 When referring to FIGS. 11 and 12, the following drawings, numerous specific details elements used to further understand the present invention. 例示的な実施例はバッテリーセルを参照しながら説明されているが、以下にセルと言及される多様な電気化学セルは、バッテリー、バッテリーパック、超高容量キャパシター、キャパシターバンク、燃料電池、電気分解電池などだけでなく、前述したもののうち少なくとも一つを含む組み合わせを制限なく含んで採用できることを理解すべきである。 Exemplary embodiments have been described with reference to battery cells, but various electrochemical cells are cells and mentioned below, battery, battery pack, super capacitor, capacitor banks, fuel cells, electrolysis as well such as a battery, it should be understood that employed include without limitation a combination comprising at least one of those described above. さらに、バッテリーまたはバッテリーパックは複数個のセルを含むことができ、ここに開示される例示的な実施例は上記複数個の一つ以上のセルに適用できると理解すべきである。 Further, a battery or battery pack may include a plurality of cells, the exemplary embodiments disclosed herein are to be understood to be applicable to the plurality of one or more cells.

本発明の一つ以上の例示的な実施例は、フィルタリング方法を用いてセルパラメーター値を推定する。 One or more exemplary embodiments of the present invention estimates a cell parameter value using the filtering method. 本発明の一つ以上の例示的な実施例は、カルマンフィルタリングを用いてセルパラメーター値を推定する。 Exemplary embodiments of one or more of the present invention estimates a cell parameter value using a Kalman filtering. 本発明のある実施例は、拡張カルマンフィルタリングを用いてセルパラメーター値を推定する。 Certain embodiments of the present invention estimates a cell parameter value using the extended Kalman filtering. ある実施例は、セルの全体容量を推定する。 An embodiment estimates the overall capacity of the cell. ある実施例は、他の時変パラメーター値を推定する。 An embodiment estimates the varying parameter values ​​at other times. フィルタリングという用語は例示的な実施例の説明と図解のために採用されているが、上記用語法はカルマンフィルタリング及び/または拡張カルマンフィルタリングを制限なく含むフィルタリングとして一般的に表現される再帰的予測と補正に関する方法論を含むように意図されると理解すべきである。 Although the term filtering is employed for purposes of illustration and description of the exemplary embodiments, the terminology is a recursive prediction is generally expressed as a filtering including without limitation Kalman filtering and / or extended Kalman filtering it is to be understood as being intended to include methodology for correction.

バッテリー健康状態(SOH、State Of health)推定の具現 Battery health (SOH, State Of health) embodied the estimated
図11は、本発明の一実施例によるパラメーターの推定子システム10のコンポーネントを示す。 Figure 11 shows the components of estimator system 10 parameters according to an embodiment of the present invention. 複数個のセル22を含む電気化学セルパック20(例えば、バッテリー)はロード回路30に連結される。 Electrochemical cell pack 20 comprising a plurality of cells 22 (e.g., a battery) is connected to the load circuit 30. 例えば、ロード回路30は、電気輸送手段やハイブリッド輸送手段のモーターであり得る。 For example, load circuit 30 can be a motor of an electric vehicle or a hybrid vehicle. 多様なセルの特性と属性を測定するための装置は参照符号40に提供される。 The apparatus for measuring the characteristics and attributes of the various cells are provided by reference numeral 40. 測定装置40は、電圧センサー42(例えば、電圧計など)のようなセル端子電圧を測定する装置を制限なく含むことができる。 Measuring device 40 may comprise without limitation a device for measuring cell terminal voltage such as a voltage sensor 42 (e.g., a voltmeter, etc.). 一方、セル電流の測定は、電流センシング装置44(例えば、電流計など)によって行われる。 On the other hand, the measurement of the cell current is performed by a current sensing device 44 (e.g., ammeter, etc.). 選択的に、セルの温度の測定は温度センサー46(例えば、温度計など)によって行われる。 Alternatively, measurement of the temperature of the cell is effected by a temperature sensor 46 (e.g., thermometers, etc.). 内的圧力またはインピーダンスのような追加的なセル特性は例えば、圧力センサー及び/またはインピーダンスセンサー48で測定することができ、選択されたセルタイプに対して採用することができる。 Additional cell properties such as internal pressure or impedance, for example, can be measured by the pressure sensor and / or impedance sensors 48, it can be adopted for the selected cell type. セルの特性と属性を評価するために必要な多様なセンサーが採用できる。 Various sensors needed to evaluate the characteristics and attributes of a cell can be employed. 電圧、電流、そして選択的に温度及びセル‐属性の測定は演算回路50(例えば、プロセッサー、コンピューター)によって行われ、これは、セルの状態とパラメーターを推定する。 Voltage, current, and selectively temperature and cell - measurement of the attribute is performed by the arithmetic circuit 50 (e.g., processors, computers), which estimates the states and parameters of the cell. 上記システムは本発明が属する技術分野において通常の知識を有した者に公知されているコンピューターで使用可能な貯蔵媒体を含む貯蔵媒体52を含むことができる。 The system may include a storage medium 52 including a storage medium that can be used on a computer that is known to those to which the present invention one of ordinary skill in the belonging art. 上記貯蔵媒体は、電波信号54を制限なく含む多様な手段を採用して上記演算回路50と通信可能な状態にある。 It said storage medium, in communication with a said arithmetic circuit 50 employs a variety of means, including without limitation radio signal 54. セル12の内在的化学成分からの測定に対する如何なる手段も本発明に用いることができるが必須ではないことを理解すべきである。 Any means for measuring from endogenous chemical components of the cell 12 can also be used in the present invention it should be understood that it is not essential. また、全ての測定は非侵襲的で可能である。 Also, all measurements can be non-invasive. すなわち、ロード回路30の正常な動作に邪魔になり得る信号は一切システムに導入されないと理解すべきである。 That is, the signal can become a hindrance to normal operation of the load circuit 30 should be understood to not be introduced into the system at all.

上記規定された機能と望ましいプロセッシング及び演算を行うために、演算回路50は、プロセッサ、ゲートアレイ、カスタムロジック、コンピューター、メモリー、貯蔵媒体、レジスター、タイミング、インタラプト、通信インターフェース、そして、入出力信号インターフェースと上述した少なくとも一つ以上からなる組み合わせを含んで制限なく含むことができる。 In order to perform the desired processing and operation as the specified functions, arithmetic circuit 50, processor, gate array, custom logic, computer, memory, storage medium, registers, timing, interrupt, a communication interface, and, input and output signals interface It may include without limitation a combination of at least one or more the above-mentioned and. 演算回路50は、通信インターフェースと入力dからの信号獲得やコンバージョン及び正確なサンプリングを行うために入力及び入力信号フィルタリングなどを含むことができる。 Arithmetic circuit 50 may include an input and an input signal filtering for signal acquisition and conversion and accurate sampling of the input and the communication interface d. 演算回路50の追加的な特徴とプロセッサーは後述する。 Additional features and processor arithmetic circuit 50 will be described later.

本発明の一つ以上の実施例は、演算回路50及び/または他のプロセッシング制御手段で実行される、新たにアップデートされるファームウエアとソフトウェアによって具現できる。 One or more embodiments of the present invention is performed at the arithmetic circuit 50 and / or other processing control means may be embodied by a new firmware and software updates. ソフトウェア機能はファームウエアを制限なく含み、ハードウェア、ソフトウェアまたはこれらの組み合わせによって具現できる。 Software functions include without limitation firmware may be embodied by hardware, software, or a combination thereof. したがって、本発明の著しい利点は、電気化学セルの充電と制御のための現在及び/または新しいプロセッシングシステムを利用によって実現できるということである。 Thus, significant advantages of the present invention is that the current and / or new processing systems for charging and control of the electrochemical cell can be achieved by the use.

例示的な実施例において、演算回路50は、動的システム状態の標識(indicia)を含むセル22の数学的モデルを用いる。 In an exemplary embodiment, the arithmetic circuit 50 uses a mathematical model of the cell 22 containing the labeled (indicia) of a dynamic system state. 本発明の一実施例において、離散時間モデルが用いられる。 In one embodiment of the present invention, a discrete-time model is used. 離散時間状態空間において例示的なモデル(できれば非線形)は以下の形態を有する。 Exemplary model in discrete time state-space (non-linear if possible) has the following form.

上記数式において、x は、システムの状態、θ は、時変モデルパラメーターのセット、u は、外部からの入力、y は、システムの出力、w とv は、「ノイズ」の入力である。 In the above equation, x k is the state of the system, θ k is, a set of time-varying model parameters, u k is input from the outside, y k, the output of the system, w k and v k is, "noise" which is the input. 全ての量的要素は、スカラーまたはベクターであり得る。 All quantitative factors may be scalar or vector. f(・,・,・)とg(・,・,・)は用いられているモデルによって定義される関数である。 f (·, ·, ·) and g (·, ·, ·) is a function defined by the model being used. モデルによって要求される不時変(non‐time‐varying)数値はf(・,・,・)とg(・,・,・)内に組み込まれることができるが、θ には含まれない。 Untimely varying (non-time-varying) numbers f required by the model (·, ·, ·) and g (·, ·, ·) can have incorporated it into, not included in the theta k .

システム状態x は、少なくとも現在の出力を予測するために必要なセルの数学的モデルと現在の入力とともに最少量の情報を含む。 System state x k includes a minimum amount of information with a mathematical model and the current input of the necessary cells to predict at least the current output. セル22の場合、状態(例えば、SOC)は、異なる時定数に対する分極電圧(polarization voltage)の準位、ヒステリシス準位を含む。 For cell 22, state (e.g., SOC) comprises a level, the hysteresis level of the polarization voltage (polarization Voltage) for different time constants. 上記システムの外部からの入力u は現在セルの電流i の最小値を含み、選択的にセル温度を(もし状態で温度変化自体がモデリングされなかったら)含むことができる。 Input u k from the outside of the system is currently includes the minimum value of the current i k of the cell can optionally include cell temperature (if condition if not modeled temperature change itself). システムパラメーターθ は、システム測定された入力と出力を分かることによって直接的に決定できないという点で時間につれて緩変する値である。 System parameters theta k is a value to slow variations over time in that can not be determined directly by seen an input and an output which is the system measurement. このようなものとしては、セル容量、抵抗、分極電圧時定数、分極電圧調和ファクター、ヒステリシス調和ファクター、ヒステリシス率定数、効率ファクターなどを含む。 As such, it includes cell capacity, resistance, polarization voltage time constant, a polarization voltage harmonic factor, hysteresis conditioning factor, the hysteresis rate constant, such as efficiency factor of. モデル出力y は、物理的に測定可能なセルの量的要素または最小値で測定された量的要素から直接的に計算できるもの(例えば、ロードセルの電圧)に対応する。 Model output y k are those that can be calculated directly from physically quantitative factors measured in quantitative factors or minimum value of the measurable cell (e.g., a voltage of the load cell) corresponds to.

セル22の充電状態に制限なく含むセルの状態を推定する現存する多くの方法がある。 There are many existing methods for estimating the state of the cell, including without limitation the state of charge of the cell 22. SOCは典型的にパーセントによる値であって、現在動作できるセル容量の部分を指称する。 SOC is a typical value Percentage, a portion of the cell capacity currently operating referred to fingers. SOCの測定に多くの接近方法が採用されてきた。 Many of the approaching method for the measurement of SOC have been employed. 放電テスト、アンペア‐アワ‐カウンティング(クーロンカウンティング)、電解質(electrolyte)の測定、開放回路の電圧測定、線形/非線形回路モデリング、インピーダンス分光器、内部抵抗の測定、Coup de fouet及びカルマンフィルタリングの幾つかの形態などがこれに相当する。 Discharge test, ampere - millet - Counting (Coulomb counting), measuring the electrolyte (Electrolyte), the voltage measurement of the open circuit, a linear / non-linear circuit modeling, impedance spectrometer, measurement of internal resistance, some Coup de Fouet and Kalman filtering such as in the form corresponds to this. このような方法のそれぞれは限界のみならず利点を有する。 Each such method has the advantage not only limit.

バッテリー状態(SOC)推定子の具現に関する本発明の上記実施例によって、フィルター、望ましくは、カルマンフィルターがセル動力学とセル電圧、電流及び温度測定の公知された数学的モデルを採用することで用いられる。 The above-mentioned embodiments of the present invention relates to implementing a battery state (SOC) estimator, filter, desirably, used by Kalman filter to adopt a known mathematical model of cell dynamics and the cell voltage, current and temperature measurement It is. 望ましくは、この方法はSOCが少なくとも上記状態の一つである場合のセルに対する状態値を直接的に推定する。 Desirably, the method directly estimates state values ​​for the cell where SOC is at least one of the above conditions. しかし、SOCの演算に対する公知された多様な方法論があると理解すべきである。 However, it should be understood that there are a variety of methodologies known for calculation of the SOC.

図12において、動的パラメーターの数学的モデルも活用される。 12, the mathematical model of the dynamic parameters are also utilized. 例示的なモデルは以下の形態を有する。 Exemplary model has the following form.

一番目の数式は、パラメーターは本質的に定数であるが、r で表示された疑似的ノイズプロセスによってモデリングされた例において時間につれて緩変できるということを示している。 One th equation, parameter is essentially the constant shows that slow variations can over time in the example modeled by a pseudo noise process displayed in r k. 出力値d は、推定誤差e が勘案されたg( ,,)によってモデリングされる最適動的パラメーターの関数であって、システムの状態x 、外部入力u 及び一連の時変パラメーターθkの関数である。 Output value d k is the estimated error e k is a function of the optimal dynamic parameters that are modeled by is consideration g (,,), the state x k of the system, the external input u k and a series of time varying parameters θk which is a function.

一実施例において、セルシステム、動的状態に関する必要条件及び定義された動的パラメーターのモデルにフィルタリングの過程が適用される。 In one embodiment, the cell system requirements and defined model filtering process of dynamic parameters are applied on dynamic state. もう一度、択一的にデュアルカルマンフィルターまたはデュアル拡張カルマンフィルターが採用できる。 Once again, alternatively dual Kalman filter or dual extended Kalman filter can be adopted. テーブル1は拡張カルマンフィルター1100を活用するシステムと方法の例示的な具現を示す。 Table 1 shows an exemplary realization of the system and how to take advantage of extended Kalman filter 1100. セルモデルとパラメーターの推定モデルはセル22の状態x を採用する反面、上記状態はパラメーターの推定過程の一部として必ず予測される必要はないともう一度理解すべきである。 Although estimation model of the cell model and parameters employing the state x k of the cell 22, the state is to be understood once again need not be always predicted as part of the process of estimating parameters. 例えば、一つの例示的な実施例において、セル22の状態x はパラメーターモデルに供給された結果状態情報をもって他のプロセスによって演算される。 For example, in one exemplary embodiment, the state x k of the cell 22 with the result state information supplied to the parameter model is computed by other processes. テーブル1の例示的な具現に引き続き、上記過程は Following the exemplary realization of tables 1, said process
で表されるパラメーターの推定値を実際(true)パラメーターの最上の推測値(the best guess)、例えば、 In an estimate of the parameter represented actual (true) best estimate of parameters (the best guess), for example,
に設定することで初期化される。 It is initialized by setting the. 状態推定が要求されるか定義されないが、 Is not defined or state estimation is required,
で表される上記状態推定値はセル状態の最上の推定値、例えば、 Said state estimation value represented in the best estimate of the cell state, e.g.,
に設定され得る。 It may be set to. 推定‐誤差共分散マトリックス Estimation - error covariance matrix
も初期化される。 It is also initialized. 例えば、状態、特にSOCの初期化は、ルックアップテーブルにおけるセル電圧またはバッテリーパック/セルが最後に電力ダウンされたときに以前に貯蔵された情報に基づくか/推定され得る。 For example, the state, in particular the initialization of SOC may be based on previously stored information or / estimation when the cell voltage or battery pack / cell in the look-up table was last powered down. 他の例は電力ダウンなどからバッテリーシステムが休止された(rested)時間の長さを統合することができる。 Other examples can be integrated to the length of the battery system from such power-down is paused (rested) time.

テーブル1:パラメーターアップデートのための拡張カルマンフィルター Table 1: extended Kalman filter for the parameter update

この例において、各測定間隔で多様な段階が行われる。 In this example, various steps are performed in each measurement interval. 第一、以前パラメーターの推定値は時間上で前に進む。 First, move forward on the previous estimate of the parameter time. 新しいパラメーター推定値は以前のパラメーター推定値と同一、すなわち The same new parameter estimates and the previous parameter estimates, ie
であり、パラメーター誤差不確定性は時間の流れ(駆動ノイズr によりモデルに適応された)のためより大きい。 , And the larger because of a parameter error uncertainty time flow (adapted to the model by driving noise r k). パラメーター不確定性の推定のアップデートに対する多くの可能性が存在し、上記テーブルは説明的な例を提供する。 Many possibilities exist for updating the parameter uncertainty estimate, the above table provides illustrative example. セル出力の測定がなされ、状態推定値 Measurement of cell output is made, the state estimate
(推定されるか提供され得るが)とパラメーターの推定値 (But it may be provided either estimated) and the estimated value of the parameter
に基づいて上記予測された出力値と比較される。 It is compared to the predicted output values ​​based on. この差は This difference
の値をアップデートするのに用いられる。 It is used to update the value. また、状態推定値 In addition, state estimate
は、パラメーターの推定値によって前に進むか上述のように外部手段を介して供給されることもできる。 It may also be supplied through the external unit as described above to proceed before the estimate of the parameters.
は、下記の循環関係を用いて演算され得る。 It can be calculated using the recurrence relation below.

上記微分計算は本質的に再帰的であり、上記状態x が展開されるにつれて時間にしたがって展開される。 The derivative calculation is essentially recursively, the state x k is developed according to the time as it is deployed. 周辺情報(side information)がその値のより良い推定値を算出しなかったらdx /dθ項は0に初期化される。 Dx 0 / d [theta] term Explore (side information) is if no calculates a better estimate of the value is initialized to 0. 上記テーブルに示された段階は多様な順序によって実行できると理解すべきである。 Step shown in the table is to be understood that may be performed by a variety of orders. 上記テーブルが説明の目的を有する例示的な順序をリストしているが、本技術の当業者なら数式の多くの等価的な一連の順序を確認することができるであろう。 While listing exemplary sequence having the purpose of the table is described, it will be able to confirm the number of equivalent sequential order equation of ordinary skill in the art.

また図12を参照すると、本発明の例示的な実施例の例示的な具現が示される。 Still referring to FIG. 12, an exemplary realization of an exemplary embodiment of the present invention is shown. 再帰フィルター1100は、上記パラメーターの推定値 Recursive filter 1100, the estimated value of the parameter
を適応させる。 Adapt. 上記フィルターは、時間アップデートまたは予測1100の側面と測定アップデートまたは補正1104の側面を有する。 The filter includes a side surface and the side surface of the measurement update or correction 1104 time update or prediction 1100. パラメーター時間アップデート/予測ブロック1103は、入力として以前の外部入力u k−1 、以前の時変パラメーター予測値 Parameter time update / prediction block 1103, previous external input u k-1 as input, change parameter predicted value when the previous
及び補正されたパラメーター不確定性の推定値 And corrected parameter uncertainty estimate
を受信する。 To receive. パラメーター時間アップデート/予測ブロック1103は、予測されたパラメーター Parameter time update / prediction block 1103, the predicted parameters
と予測されたパラメーター不確定性 Predicted parameters uncertainty and
をパラメーター測定アップデート/補正ブロック1104に出力する。 And outputs to the parameter measurement update / correction block 1104.

現在のパラメーター推定値 Current parameter estimates
とパラメーター不確定性推定値 And parameter uncertainty estimate
を提供するパラメーター測定アップデート/補正ブロック1104は、上記予測されたパラメーター Parameter Measurement update / correction block 1104 which provides, said predicted parameters
と予測されたパラメーター不確定性 Predicted parameters uncertainty and
のみならず外部入力u とモデリングされたシステム出力y を受信する。 Receiving a system output y k which are externally input u k and modeling as well. マイナス表記はベクターが上記フィルター1100の上記予測コンポーネント1103の結果であることを意味する反面、プラス表記はベクターが上記フィルター1100の上記補正コンポーネント1104の結果であることを意味すると理解すべきである。 Minus notation whereas mean that the vector is the result of the prediction components 1103 of the filter 1100, plus notation vector is to be understood to mean that the result of the correction component 1104 of the filter 1100.

本発明の実施例は特定の応用例に対するセル状態と動的出力の数学的モデルが必要である。 Examples of the present invention requires mathematical models of the dynamic output and the cell state for the particular application. 上記実施例において、これは関心のある多くのパラメーターの多様な状態と推定の受信または推定を円滑にさせるためのf( ,,)とg( ,,)に対する特定の関数を定義することで達成できる。 In the above embodiments, this is accomplished by defining specific functions for f (,,) and g (,,) in order to facilitate reception or estimation of the presumed various states of a number of parameters of interest it can. 一実施例は、セルの開回路電圧(OCV;Open Circuit Voltage)、内部抵抗、電圧分極時定数(voltage polarization time constant)及びヒステリシスレベルの一つ以上による効果を含むセルモデルを用いる。 One embodiment, the open circuit voltage of the cell (OCV; Open Circuit Voltage), internal resistance, using the cell model that includes effects due to one or more voltage polarization time constant (voltage polarization time constant) and hysteresis levels. この構造とここで提示される方法は一般的でかつ他の電気化学に適用できるものの、例示のためにパラメーター値は高電力LiPB(Lithium‐ion Polymer Battery)セルの動力学をモデリングするためのこのモデル構造に合わせられる。 Although the presented method the structure and where can common and applicable to other electrochemical, parameter values ​​for the purposes of illustration this high power LiPB (Lithium-ion Polymer Battery) cells for modeling the dynamics of It is in accordance with the model structure. 例えば、一実施例において、関心のある状態とパラメーターはf( ,,)とg( ,,)に内包される。 For example, in one embodiment, the state and parameters of interest are contained in g (,,) and f (,,). その例は下記のようである。 Its examples are as follows.

ここで、η i,kは、クーロン効率のような効率ファクター(efficiency factor) Here, eta i, k is the efficiency factor such as coulombic efficiency (Efficiency factor),
は、セル容量、 C k, the cell capacity,
は分極電圧時定数、 Polarization voltage time constant,
は、分極電圧調和ファクター(polarization voltage blending factor) Is polarization voltage harmonic factor (polarization voltage blending factor),
は、セルの抵抗、 R k is, the cell resistance,
は、ヒステリシス調和ファクター(hysteresis blending factor)及び r は、ヒステリシス率定数(hysteresis rate constant)である。 M k is the hysteresis conditioning factor (hysteresis blending factor) and r k are hysteresis rate constant (hysteresis rate constant).

この例において、SOCは、関数f(・,・,・)の部分としてモデルの一状態によって獲得される。 In this example, SOC is function f (·, ·, ·) is obtained by a state of the model as part of. この数式は下記のようである。 This formula is as follows.

ここで、△tは、サンプル間の期間(秒単位)を意味し、C は、セル容量(アンペア‐秒単位)を示し、Z は、時間指標kにおけるセルSOCであり、i は、セル電流、そして、η i,kは、電流レベルi におけるセルのクーロン効率である。 Here, △ t means the period between samples (in seconds), C k is the cell capacity - indicates (ampere seconds), Z k is the cell SOC at time index k, i k is , the cell current and,, eta i, k is the coulombic efficiency of the cell at a current level i k.

この例において、分極電圧レベルは多くのフィルター状態によって獲得される。 In this example, the polarization voltage levels are obtained by a number of filter conditions. 分極電圧時定数があると仮定すれば、 Assuming there is a n f polarization voltage time constants,

上記マトリックス The matrix
は、実数値(real‐valued)分極電圧時定数 It is a real value (real-valued) polarization voltage time constant
を有した単位行列であり得る。 It may be a unit matrix having a. そうであれば、全てのエントリーが1より小さい値を持てばシステムは安定的である。 If so, the system is stable if all the entries able to have a value less than 1. 上記ベクター The vector
は、単にn 「1」に決めることができる。 You can simply decide to n f "1". のエントリーは、それらが0でない限り臨界的ではない。 Entry of B f is not critical as long as they are not zero. マトリックスでn エントリー値は、モデルパラメーターを測定されたセルデータに最も合わせるシステムの同定過程の一部として選択できる。 N f entry value A f matrix may be selected as part of the most matched identification process of the system to the cell data measured model parameters. 上記A とB マトリックスは、時間と現在のバッテリーパック動作条件に関連した他のファクターによって変わり得る。 The A f and B f matrix may vary with time and other factors related to the current battery pack operating conditions.

この例において、ヒステリシスレベルは単一状態によって獲得される。 In this example, hysteresis level is captured by a single state.

上記数式において、r は、システム同定によって再び求められたヒステリシス率定数である。 In the above formula, r k is the hysteresis rate constant determined again by system identification.

他の実施例において、全体的なモデルの状態は下記のように、上記例の組み合わせである。 In another embodiment, the state of the overall model is as follows: a combination of the above examples.

上記数式において、状態の他の順序が可能である。 In the above equation, it is possible to further sequence of states.

この例において、セル電圧を予測する状態値を組み合わせる出力数式は下記のようである。 In this example, the output equation that combines the state values ​​to predict cell voltage is as follows.

上記数式において、 In the above equation,
は、出力において上記分極電圧状態をともに調和させる分極電圧調和ファクター It is polarization voltage harmonic factor both to harmonize the polarization voltage state at output
のベクターであり、R は、セルの抵抗である(他の値は放電/充電に用いることができる)。 A vector, R k is the resistance of the cell (other values can be used for discharge / charge). そして、M は、ヒステリシス調和ファクターである。 And, M k is a hysteresis harmony factor. は、i からG までのdcゲインが0になるように強制されることができ、これはR の推定値が正確になるようにする。 G k is, dc gain from i k to G k f k is able to be forced to be 0, which makes it so that the estimated value of the R k are accurate.

本発明のある実施例は、上記モデルのパラメーターが安定したシステムになるように強制する方法を含むことができる。 Certain embodiments of the present invention can include a method of parameters of the above model is forced to be a stable system. 一実施例において、状態数式はf k+1 =A +B の形態(ここで、上記マトリックス、 In one embodiment, the form of the state equation f k + 1 = A f f k + B f i k ( where the matrix,
は、実数値分極電圧時定数 It is, real-valued polarization voltage time constant
を有した単位行列である)において分極電圧時定数に対する項を含むことができる。 May include terms for polarization voltage time constant in the unit matrix is ​​having). このような時定数は、a i,k =tanh(α i,k )により演算することができ、上記数式において、上記モデルのパラメーターベクターはα i,kを含むが直接的にa i,kを含まない。 Such time constant, a i, k = tanh ( α i, k) makes it possible to calculate, in the above formulas, directly but parameter vector of the model comprises α i, k a i, k It does not contain. 上記tanh( )関数はa i,kがα i,kの値に関係なく常に±1以内(すなわち、安定的)になるように保障する。 The tanh () function a i, k is always within ± 1 regardless of the value of alpha i, k (i.e., stable) ensure so that.

本発明のある実施例は、その正確な値へのパラメーターの収斂を確実にするためにモデルに対する制約を含む。 Certain embodiments of the invention, including constraints on the model in order to ensure convergence parameters to their correct value. ここで示した上記モデルを用いる一実施例はi からG までのdcゲインが0になるようにG を強制し、これはR の推定値が正確になるようにする。 An embodiment using the above model shown here dc gain from i k to G k f k is forcing the G k to be 0, which makes it so that the estimated value of the R k are accurate. これはG の他の要素と分極電圧時定数 Other elements and the polarization voltage time constant of this G k
を用いてG の最後の要素が演算されるように強制することでなされる。 Last element of G k is performed by forcing to be calculated using. これはまた This also
に関わる Involved in the
の要素を演算する場合、さらに注意が必要である。 If for calculating the elements, it is needed additional care. もしa i,k値が常に±1以内(例えば、以前の段落に記述された方法を用いて)なら、微分演算で0で除される問題は絶対に生じない。 If a i, k value is always within ± 1 (e.g., used in the methods described in the previous paragraph), then the problem is divided by 0 in differential operation does not occur absolutely.

他の実施例は、フルフィルター(full filter)1100を採用せずにSOHの重要な側面を推定する方法を含む。 Another embodiment includes a method for estimating important aspects of SOH without employing a full filter (full filter) 1100. 上記フルフィルター1100方法は演算的に集中的である。 The full filter 1100 method is computationally intensive. セルモデルパラメーターのフルセット(full set)のための正確な値が必要でない限り、潜在的にあまり複雑でないか演算的にあまり集中的でない他の方法が用いられ得る。 Unless requires accurate values ​​for the full set (full The set) of the cell model parameters, potentially less complex or computationally other methods less intensive can be used. 例示的な方法は、フィルタリング方法を用いてセル容量と抵抗を決定する。 An exemplary method to determine the resistance and the cell volume with filtering methods. 名目上の「新しいセル」値から容量及び抵抗の変化は容量減退と電力減退を提供し、これは、セルSOHの最もよく採用される指示子である。 Changes in capacitance and resistance from the "new cell" value nominal provides capacity fade and power loss, which is the most commonly employed are indicator of cell SOH.

この例において、フィルタリングメカニズムを用いてセル抵抗を推定するためにモデルを下記のように公式化する。 In this example, formulated as follows the model to estimate cell resistance using a filtering mechanism.

上記数式において、R は、セル抵抗であり、改造を許容する疑似的ノイズプロセスr とともに定数にモデリングされる。 In the above formula, R k is the cell resistance, is modeled to a constant with a pseudo noise process r k to permit modification. は、セル電圧の推定値であり、i は、セル電流、そして、e は、推定誤差をモデリングする。 y k is an estimate of the cell voltage, i k is the cell current and,, e k model the estimation error. 外部で生成され供給されるZ の推定値が採用されれば、フィルター1100はセル抵抗を推定するためにこのモデルに適用できる。 If externally generated and the Z k estimates employed supply, the filter 1100 can be applied to this model to estimate cell resistance. 標準フィルター110において、上記y のモデル予測が実際に測定されたセル電圧と比較される。 In standard filter 110, is compared with the cell voltage model prediction is actually measured in the y k. 上記比較により発生する如何なる差もR を適応させるの似用いられる。 Any difference generated by the comparator is also used similar adapt the R k.

上記言及されたモデルはセル22の多様な条件のための異なる抵抗値を扱うために拡張できることに注目すべきである(例えば、充電と放電に基づいた差、異なるSOC、異なる温度)。 The mentioned model it should be noted that be extended to handle different resistance values ​​for various conditions of the cell 22 (e.g., a difference based on the charge and discharge, different SOC, different temperatures). 上記スカラーR は、修正される全ての抵抗値を含むベクターからなることができ、上記ベクターからの適切な要素は計算過程中上記フィルターの各時間段階に用いることができる。 The scalar R k may be comprised of a vector containing all of the resistance values being modified, appropriate elements from the vector can be used for each time step of the filter in the calculation process.

この例において、フィルター1100を用いてセル容量を推定するために、セルモデルを下記のように公式化する。 In this example, to estimate cell capacity using a filter 1100, a cell model formulated as follows.

また、容量推定値を算出するためにこのモデルを用いるフィルターが公式化される。 Moreover, a filter using this model to calculate the capacitance estimated value is formulated. 上記フィルター1100が施されるにつれて、二番目の数式の演算は0に比較され、その差は容量推定値をアップデートするために用いられる。 As the filter 1100 is performed, the calculation of the second equation is compared to zero, the difference is used to update the capacity estimate. できればSOCを推定するフィルターから現在と以前のSOCの良質の推定が要求されることを注目すべきである。 It should be noted that from the filter to estimate the SOC is current and good quality of the estimate of the previous SOC is required, if possible. 推定された容量は望ましければ、容量ベクターを採用することでまた温度などの関数になることができ、上記容量ベクターから計算過程中各時間段階で適切な要素が用いられる。 If the estimated volume desired, can be a function such as the addition temperature can be employed capacity vector, appropriate elements are used in the calculation process the time steps in the above capacity vector.

したがって、セルパラメーターの推定に対する方法が多くの具体的な実施例と共に説明された。 Therefore, a method for the estimation of the cell parameters have been described with reference to numerous specific embodiments. 一つ以上の実施例は、カルマンフィルターを用いる。 One or more embodiments, using the Kalman filter. ある実施例は、拡張カルマンフィルター1100を用いる。 One embodiment, using an extended Kalman filter 1100. さらに、ある実施例は、一つ以上のパラメーターの収斂を強制するメカニズムを含む。 Further, some embodiments include a mechanism to force convergence of one or more parameters. 一つ以上の実施例は抵抗を推定するために単純化されたパラメーターフィルターを含む一方、ある実施例は全体の容量を推定するために単純化されたパラメーターフィルターを含む。 One or more embodiments while including a simplified parameter filter to estimate resistance, some embodiments include a simplified parameter filter to estimate total capacity. 本発明は、広範囲な応用例及びセル電気化学に適用できる。 The present invention is applicable to a wide range of applications and the cell electrochemistry.

開示された本方法は、コンピューターで行われる過程または上記過程を行う装置の形態に具体化することができる。 The method disclosed can be embodied in the form of apparatus for performing a process or the process performed by the computer. 上記方法は、プロッピィーディスク、CD‐ROM、ハードディスクまたはコンピューターで認識可能な貯蔵媒体などの有形媒体52で具体化/形状化される、命令語を含むコンピュータープログラムコードの形態でも実現できる。 The method, plot Pyi disk, CD-ROM, is embodied / shaped in tangible media 52, such as a recognizable storage medium as a hard disk or a computer, it can be realized in the form of computer program code containing instructions. ここで上記コンピュータープログラムコードは、コンピューター内にローディングされコンピューターによって実行され、上記コンピューターは上記方法の実行が可能な装備になる。 Wherein said computer program code may be executed by the loaded computer in a computer, the computer becomes equipment capable executing the method. 本方法は、コンピュータープログラムの形態、例えば、貯蔵媒体に貯蔵された形態、コンピューターによってローディングおよび/または実行される形態、変調されたキャリアウエーブの形態、伝送媒体、電気配線またはケーブル、光ファイバ、電磁気放射などの形態で伝送されるデータ信号54などの形態でも実現できる。 The method form of a computer program, for example, the form that is stored in the storage medium, form in which loading and / or executed by a computer, the form of the modulated carrier wave, a transmission medium, electrical wiring or cabling, through fiber optics, electromagnetism It can be realized in the form of such a data signal 54 to be transmitted in the form of such radiation. ここで上記コンピュータープログラムコードはコンピューター内にローディングされコンピューターにより実行される。 Wherein said computer program code is executed by a computer is loaded into the computer. 汎用マイクロプロセッサーで具現される場合、上記コンピュータープログラムコードセグメントは上記マイクロプロセッサーが特定の論理回路を作るように構成される。 If embodied in a general-purpose microprocessor, the computer program code segments configured such that the microprocessor create specific logic circuits.

類似な構成を示すための第一、第二または他の類似な名称の使用は他の言及がなければ、ある特定の順序を暗示するか内包する意図ではないとすべきである。 First to indicate like structure, use of a second or other similar nomenclature is unless otherwise stated, should not intended encloses or imply a particular order.

一実施例を参照しながら本発明が説明されているが、本発明の範囲を逸脱しない領域で等価的な構成要素の代替及び多様な変化が可能であることが本発明が属する技術分野の当業者に理解されるであろう。 An embodiment referring present invention will take are described, alternatives and various technical art to which this invention belongs that changes are possible for equivalent components in the region without departing from the scope of the present invention those it will be appreciated by skilled in the art. また、多くの変形例が本発明の本質的領域を逸脱することなく本発明の教示に対する特別な状況と内容に適用できる。 Further, many variations can be applied to special circumstances and content for the teachings of the present invention without departing from the essential regions of the present invention. 従って、本発明は、本発明を実施するために考慮された最も望ましい一実施例として開示された特定実施例に限られず、添付された請求の範囲内にある全ての実施例を含む。 Accordingly, the present invention includes all embodiments is not limited to the particular embodiment disclosed as the most preferred embodiment, which is considered, within the scope of the appended claims in order to implement the present invention.

図1は、一般的なカルマンフィルターの動作を示す図面である。 Figure 1 is a diagram showing the operation of a typical Kalman filter. 図1Aは、一般的なカルマンフィルターの予測コンポーネントの数式を示す図面である。 Figure 1A is a diagram showing a formula of the prediction components of a typical Kalman filter. 図1Bは、一般的なカルマンフィルターの補正コンポーネントの数式を示す図面である。 Figure 1B is a diagram showing formulas correction component of a general Kalman filter. 図2Aは、一般的拡張カルマンフィルターの予測コンポーネントの数式を示す図面である。 Figure 2A is a view illustrating formulas prediction components of general extended Kalman filter. 図2Bは、一般的拡張カルマンフィルターの補正コンポーネントの数式を示す図面である。 Figure 2B is a view illustrating formulas compensation components generally extended Kalman filter. 図3Aは、本発明の一実施例によるSOC推定子(estimator)のコンポーネントを示す図面である。 Figure 3A is a diagram showing the components of the SOC estimator (estimator) according to an embodiment of the present invention. 図3Bは、本発明のさらに他の実施例によるSOC推定子のコンポーネントを示す図面である。 Figure 3B is a further diagram illustrating components of SOC estimator according to another embodiment of the present invention. 図4Aは、本発明の一実施例により具現された拡張カルマンフィルターの予測コンポーネントの数式を示す図面である。 Figure 4A is a diagram showing a formula of the prediction components of the extended Kalman filter that is implemented by an embodiment of the present invention. 図4Bは、本発明の一実施例により具現された拡張カルマンフィルターの補正コンポーネントの数式を示す図面である。 Figure 4B is a diagram showing formulas correction components of the extended Kalman filter that is implemented by an embodiment of the present invention. 図5Aは、本発明のさらに他の実施例により具現された拡張カルマンフィルターの予測コンポーネントの数式を示す図面である。 Figure 5A is a view showing a further equation prediction components of the extended Kalman filter that is implemented by another embodiment of the present invention. 図5Bは、本発明のさらに他の実施例により具現された拡張カルマンフィルターの補正コンポーネントの数式を示す図面である。 Figure 5B is a diagram showing still formulas correction components of the extended Kalman filter that is implemented by another embodiment of the present invention. 図6は、本発明の一実施例による拡張カルマンフィルターの動作を示す図面である。 Figure 6 is a diagram showing the operation of the extended Kalman filter according to an embodiment of the present invention. 図7は、本発明のさらに他の実施例による拡張カルマンフィルターの動作を示す図面である。 Figure 7 is a further diagram illustrating the operation of the extended Kalman filter according to another embodiment of the present invention. 図8Aは、本発明の一実施例により具現されたカルマンフィルターの予測コンポーネントの数式を示す図面である。 Figure 8A is a diagram showing a formula of the prediction components embodied by the Kalman filter in accordance with an embodiment of the present invention. 図8Bは、本発明の一実施例により具現されたカルマンフィルターの補正コンポーネントの数式を示す図面である。 Figure 8B is a diagram showing formulas correction component Kalman filter that is implemented by an embodiment of the present invention. 図9は、本発明の一実施例により具現されたカルマンフィルターの動作を示す図面である。 Figure 9 is a diagram showing the operation of the embodied been Kalman filter according to one embodiment of the present invention. 図10は、バッテリーSOCに対するモデリング数式を動的に変化させる本発明の一実施例の動作を示した図面である。 Figure 10 is a diagram illustrating the operation of an embodiment of the present invention for dynamically changing the modeling formula for the battery SOC. 図11は、本発明の一実施例によるパラメーターの推定に対する例示的なシステムを示すブロック図である。 Figure 11 is a block diagram illustrating an exemplary system for estimating parameters according to an embodiment of the present invention. 図12は、本発明の一実施例によるパラメーターの推定に対するフィルタリング方法を示すブロック図である。 Figure 12 is a block diagram illustrating a filtering method for estimating parameters according to an embodiment of the present invention.

Claims (21)

  1. バッテリーの内的状態の一つであるSOCの予測を行う第1段階と、 A first step of performing a prediction of the SOC which is one of the internal state of the battery,
    カルマンフィルターを用いて上記SOC予測の不確定性の予測を行う第2段階と、 A second step of performing a prediction of the uncertainty of the SOC predicted using a Kalman filter,
    上記予測されたSOCと上記SOC予測の不確定性に対する値をセンサーから受信した測定値と比べて補正する第3段階と、 A third step of correcting compared to measurements received values ​​from the sensor for the uncertainty of the predicted SOC and the SOC predicted,
    上記SOC予測と上記SOC予測の不確定性の予測を持続的に行うため、上記第1段階ないし第3段階が循環して繰り返されるように制御する第4段階と、 To perform the uncertainty of the prediction of the SOC predicted and the SOC predicted continuously, and a fourth step of controlling so that the first stage to third stage is repeated in the circulation,
    を含むことを特徴とするバッテリーの現在動作条件を示す値を推定する方法。 Method for estimating a value that indicates the current operating condition of the battery, which comprises a.
  2. 上記第1段階は、 The first stage,
    電流測定値を決定する段階と、 Determining a current measurement,
    電圧測定値を決定する段階と、 Determining a voltage measurement,
    SOCを予測する数学的モデルに上記電流測定値と上記電圧測定値を用いる段階と、 A method of using the current measurements in the mathematical model and the measured voltage for predicting the SOC,
    を含むことを特徴とする請求項1に記載のバッテリーの現在動作条件を示す値を推定する方法。 Method for estimating a value that indicates the current operating conditions of the battery according to claim 1, characterized in that it comprises a.
  3. 上記第3段階は、 The third stage,
    測定値と予測されたSOC値との間に加重値を付与するカルマン利得係数を演算し、演算された上記カルマン利得係数を用いて上記補正を行うことを特徴とする請求項1に記載のバッテリーの現在動作条件を示す値を推定する方法。 The battery of claim 1, the Kalman gain coefficients for imparting a weight between the measured value and the predicted SOC value calculated, and performs the correction by using the computed the Kalman gain factor method for estimating a value that indicates the current operating conditions of the.
  4. 上記第4段階は、 The fourth stage,
    繰り返される次の時間における予測を獲得するため、以前時間における予測を用いる段階を含むことを特徴とする請求項1に記載のバッテリーの現在動作条件を示す値を推定する方法。 To acquire a prediction for the next time that repeats, a method of estimating a value that indicates the current operating conditions of the battery according to claim 1, characterized in that it comprises the step of using the prediction in the previous time.
  5. 上記第4段階は、 The fourth stage,
    カルマンフィルターによって行われることを特徴とする請求項4に記載のバッテリーの現在動作条件を示す値を推定する方法。 Method for estimating a value that indicates the current operating conditions of the battery according to claim 4, characterized in that it is carried out by the Kalman filter.
  6. 上記第4段階は、 The fourth stage,
    拡張カルマンフィルターによって行われることを特徴とする請求項4に記載のバッテリーの現在動作条件を示す値を推定する方法。 Method for estimating a value that indicates the current operating conditions of the battery according to claim 4, characterized in that it is performed by the extended Kalman filter.
  7. 上記第1段階は、 The first stage,
    電流測定値を決定する段階と、 Determining a current measurement,
    電圧測定値を決定する段階と、 Determining a voltage measurement,
    温度を決定する段階と、 And determining the temperature,
    SOCを予測する数学的モデルに上記電流測定値、上記電圧測定値、及び上記温度を用いる段階と、 Mathematical model to the current measurements to predict SOC, the voltage measurement value, and a step of using the temperature,
    を含むことを特徴とする請求項1に記載のバッテリーの現在動作条件を示す値を推定する方法。 Method for estimating a value that indicates the current operating conditions of the battery according to claim 1, characterized in that it comprises a.
  8. バッテリーの内的状態の一つであるSOCの予測を行うように構成される第1コンポーネントと、 A first component configured to make a prediction of the SOC which is one of the internal state of the battery,
    カルマンフィルターを用いて上記SOC予測の不確定性の予測を行うように構成される第2コンポーネントと、 A second component configured to make a prediction of the uncertainty of the SOC predicted using a Kalman filter,
    上記予測されたSOCと上記SOC予測の不確定性に対する値をセンサーから受信した測定値と比べて補正するように構成される第3コンポーネントと、 A third component configured to correct in comparison with the measurements received values ​​from the sensor for the uncertainty of the predicted SOC and the SOC predicted,
    上記SOC予測と上記SOC予測の不確定性の予測を持続的に行うため、上記第1コンポーネントないし第3コンポーネントの動作の実行が循環して繰り返されるように制御する第4コンポーネントと、 To perform the uncertainty of the prediction of the SOC predicted and the SOC predicted continuously, and a fourth component for controlling as execution of the operation of the first component to third component is repeated in the circulation,
    を含むことを特徴とするバッテリーの現在動作条件を示す値を推定する装置。 Apparatus for estimating a value that indicates the current operating condition of the battery, which comprises a.
  9. 上記第1コンポーネントは、 The first component,
    電流測定値を決定するように構成されるコンポーネントと、 And components configured to determine the current measurement value,
    電圧測定値を決定するように構成されるコンポーネントと、 And component configured to determine a voltage measurement,
    SOCを予測する数学的モデルに上記電流測定値と上記電圧測定値を用いるように構成されるコンポーネントと、 And components configured to mathematically model using the current measurement values ​​and the voltage measurement value to predict the SOC,
    を含むことを特徴とする請求項8に記載のバッテリーの現在動作条件を示す値を推定する装置。 Apparatus for estimating a current value indicating the operating condition of a battery as claimed in claim 8, characterized in that it comprises a.
  10. 上記第3コンポーネントは、 The third component,
    測定値と予測されたSOC値との間に加重値を付与するカルマン利得係数を演算し、演算された上記カルマン利得係数を用いて上記補正を行うコンポーネントを含むことを特徴とする請求項8に記載のバッテリーの現在動作条件を示す値を推定する装置。 The Kalman gain coefficients for imparting a weight between the measured value and the predicted SOC values ​​calculated, to claim 8, characterized in that it comprises a component which performs the correction by using the computed the Kalman gain factor apparatus for estimating a value that indicates the current operating conditions of the battery according.
  11. 上記第1コンポーネントは、 The first component,
    電流測定値を決定するように構成されるコンポーネントと、 And components configured to determine the current measurement value,
    電圧測定値を決定するように構成されるコンポーネントと、 And component configured to determine a voltage measurement,
    温度を決定するように構成されるコンポーネントと、 And components configured to determine the temperature,
    SOCを予測する数学的モデルに上記電流測定値、上記電圧測定値、及び上記温度を用いるように構成されるコンポーネントと、 Mathematical model to the current measurements to predict SOC, the voltage measurement value, and a component configured to use the temperature,
    を含むことを特徴とする請求項8に記載のバッテリーの現在動作条件を示す値を推定する装置。 Apparatus for estimating a current value indicating the operating condition of a battery as claimed in claim 8, characterized in that it comprises a.
  12. バッテリーの内的パラメーターの予測を行う第1段階と、 A first step of performing a prediction of the battery of internal parameters,
    カルマンフィルターを用いて上記内的パラメーター予測の不確定性の予測を行う第2段階と、 A second step of performing a prediction of the uncertainty of the inner parameters predicted using a Kalman filter,
    予測された内的パラメーターと上記内的パラメーター予測の不確定性に対する値をセンサーから受信した測定値と比べて補正する第3段階と、 A third step of correcting the predicted value for the uncertainty of internal parameters and the inner parameters predicted in comparison with measurements received from the sensor,
    上記内的パラメーター予測と上記内的パラメーター予測の不確定性の予測を持続的に行うため、上記第1段階ないし第3段階が循環して繰り返されるように制御する第4段階と、 To perform the uncertainty of the prediction of the inner parameters prediction and the inner parameters predictive continuously, and a fourth step of controlling so that the first stage to third stage is repeated in the circulation,
    を含み、 It includes,
    上記内的パラメーターは、抵抗、容量、分極電圧時定数、分極電圧調和ファクター 、ヒステリシス調和ファクター、ヒステリシス率定数及び効率ファクターのうち少なくとも一つ以上を含むことを特徴とする電気化学セルシステムの現在パラメーターを推定する方法。 The inner parameters are resistance, capacitance, polarization voltage time constant, a polarization voltage harmonic factor, the current parameters of an electrochemical cell system comprising at least one or more of hysteresis conditioning factors, hysteresis rate constant and Efficiency Factor how to estimate the.
  13. 上記第1段階は、 The first stage,
    電流測定値を決定する段階と、 Determining a current measurement,
    電圧測定値を決定する段階と、 Determining a voltage measurement,
    内的パラメーターを予測する数学的モデルに上記電流測定値と上記電圧測定値を用いる段階を含むことを特徴とする請求項12に記載の電気化学セルシステムの現在パラメーターを推定する方法。 Method of estimating the current parameters of the electrochemical cell system of claim 12, characterized in that the mathematical model to predict the internal parameter comprises using the current measurement values ​​and the voltage measurement.
  14. 上記第3段階は、 The third stage,
    測定値と予測された内的パラメーター値との間に加重値を付与するカルマン利得係数を演算し、演算された上記カルマン利得係数を用いて上記補正を行うことを特徴とする請求項12に記載の電気化学セルシステムの現在パラメーターを推定する方法。 The Kalman gain coefficients for imparting a weight between the measured value and the predicted internal parameter value calculated, according to claim 12, wherein the performing the correction using the computed the Kalman gain factor method of estimating the current parameters of the electrochemical cell system.
  15. 上記第4段階は、 The fourth stage,
    繰り返される次の時間における予測を獲得するため、以前時間における予測を用いる段階を含むことを特徴とする請求項12に記載の電気化学セルシステムの現在パラメーターを推定する方法。 To acquire a prediction for the next time that repeats, a method of estimating the current parameters of the electrochemical cell system of claim 12, comprising the step of using the prediction in the previous time.
  16. 上記第4段階は、 The fourth stage,
    カルマンフィルターまたは拡張カルマンフィルターによって行われることを特徴とする請求項15に記載の電気化学セルシステムの現在パラメーターを推定する方法。 Method of estimating the current parameters of the electrochemical cell system of claim 15, characterized in that it is carried out by the Kalman filter or an extended Kalman filter.
  17. 上記第1段階は、 The first stage,
    電流測定値を決定する段階と、 Determining a current measurement,
    電圧測定値を決定する段階と、 Determining a voltage measurement,
    温度を決定する段階と、 And determining the temperature,
    内的パラメーターを予測する数学的モデルに上記電流測定値、上記電圧測定値、 The current measurement values ​​on a mathematical model that predicts the internal parameters, the voltage measurement value,
    及び上記温度を用いる段階と、を含むことを特徴とする請求項12に記載の電気化学セルシステムの現在パラメーターを推定する方法。 And a method of estimating the current parameters of the electrochemical cell system of claim 12, characterized in that it comprises a the steps of using the above temperature.
  18. バッテリーの内的パラメーターの予測を行うように構成される第1コンポ−ネントと、 Battery first configured to perform prediction of internal parameters of components - and Component,
    カルマンフィルターを用いて上記内的パラメーター予測の不確定性の予測を行うように構成される第2コンポーネントと、 A second component configured to make a prediction of the uncertainty of the inner parameters predicted using a Kalman filter,
    予測された内的パラメーターと上記内的パラメーター予測の不確定性に対する値をセンサーから受信した測定値と比べて補正するように構成される第3コンポーネントと、 A third component configured to correct the predicted value for the uncertainty of internal parameters and the inner parameters predicted in comparison with measurements received from the sensor,
    上記内的パラメーター予測と上記内的パラメーター予測の不確定性の予測を持続的に行うため、上記第1コンポーネントないし第3コンポーネントの動作の実行が循潰して繰り返されるように制御する第4コンポーネントと、を含み、 To perform the uncertainty of the prediction of the inner parameters prediction and the inner parameters predictive continuously, and a fourth component for controlling as execution of the operation of the first component to third component is repeated with 循潰It includes,
    上記内的パラメーターは、抵抗、容量、分極電圧時定数、分極電圧調和ファクター 、ヒステリシス調和ファクター、ヒステリシス率定数及び効率ファクターのうち少なくとも一つ以上を含むことを特徴とする電気化学セルシステムの現在パラメーターを推定する装置。 The inner parameters are resistance, capacitance, polarization voltage time constant, a polarization voltage harmonic factor, the current parameters of an electrochemical cell system comprising at least one or more of hysteresis conditioning factors, hysteresis rate constant and Efficiency Factor to estimate the equipment.
  19. 上記第1コンポーネントは、 The first component,
    電流測定値を決定するように構成されるコンポーネントと、 And components configured to determine the current measurement value,
    電圧測定値を決定するように構成されるコンポーネントと、 And component configured to determine a voltage measurement,
    内的パラメーターを予測する数学的モデルに上記電流測定値と上記電圧測定値を用いるように構成されるコンポーネントと、を含むことを特徴とする請求項18に記載の電気化学セルシステムの現在パラメーターを推定する装置。 And components configured to mathematically model using the current measurement values ​​and the voltage measurement value to predict the internal parameters, the current parameters of the electrochemical cell system of claim 18, characterized in that it comprises a estimation devices.
  20. 上記第3コンポーネントは、 The third component,
    測定値と予測された内的パラメーター値との間に加重値を付与するカルマン利得係数を演算し、演算された上記カルマン利得係数を用いて上記補正を行うコンポーネントを含むことを特徴とする請求項18に記載の電気化学セルシステムの現在パラメーターを推定する装置。 Claims the Kalman gain coefficients for imparting a weight between the measured value and the predicted internal parameter values ​​calculated, characterized in that it comprises a component which performs the correction by using the computed the Kalman gain factor apparatus for estimating the current parameters of the electrochemical cell system according to 18.
  21. 上記第1コンポーネントは、 The first component,
    電流測定値を決定するように構成されるコンポーネントと、 And components configured to determine the current measurement value,
    電圧測定値を決定するように構成されるコンポーネントと、 And component configured to determine a voltage measurement,
    温度を決定するように構成されるコンポーネントと、 And components configured to determine the temperature,
    内的パラメーターを予測する数学的モデルに上記電流測定値、上記電圧測定値、及び上記温度を用いるように構成されるコンポーネントと、を含むことを特徴とする請求項18に記載の電気化学セルシステムの現在パラメーターを推定する装置。 The current measurement values ​​on a mathematical model that predicts the internal parameters, the electrochemical cell system of claim 18, characterized in that it comprises the voltage measurement value, and a component configured to use the temperature apparatus for estimating the current parameters.
JP2007542868A 2004-11-29 2004-11-29 Estimation system and method for a battery of state and parameters Active JP5058814B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2004/003101 WO2006057468A1 (en) 2004-11-29 2004-11-29 Method and system for battery state and parameter estimation

Publications (2)

Publication Number Publication Date
JP2008522152A JP2008522152A (en) 2008-06-26
JP5058814B2 true JP5058814B2 (en) 2012-10-24

Family

ID=36498184

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007542868A Active JP5058814B2 (en) 2004-11-29 2004-11-29 Estimation system and method for a battery of state and parameters

Country Status (4)

Country Link
JP (1) JP5058814B2 (en)
BR (1) BRPI0419140A (en)
CA (1) CA2588856C (en)
WO (1) WO2006057468A1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116136A (en) * 2013-01-21 2013-05-22 天津大学 Lithium battery charge state assessment method based on finite difference expansion Kalman algorithm
CN106093793A (en) * 2016-07-28 2016-11-09 河南许继仪表有限公司 SOC (state of charge) estimation method and SOC estimation device based on battery discharge rate

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100804698B1 (en) * 2006-06-26 2008-02-18 삼성에스디아이 주식회사 The method of assuming the state of charge of the battery, battery management system using the method and the driving method of the battery management system using the method
FR2929410B1 (en) * 2008-03-28 2010-04-09 Inst Francais Du Petrole Method to estimate non-measurable characteristics of an electrochemical system
FR2941053B1 (en) * 2009-01-15 2013-08-30 Peugeot Citroen Automobiles Sa Device and method for fast estimation of the state of charge of a battery of a motor vehicle has, from equations nonlinear
FR2944358B1 (en) * 2009-04-09 2011-10-07 Peugeot Citroen Automobiles Sa Device and method for estimating a battery state of health
US8635037B2 (en) 2009-10-19 2014-01-21 Nuvera Fuel Cells, Inc. Battery state-of-charge management method
US8970178B2 (en) 2010-06-24 2015-03-03 Qnovo Inc. Method and circuitry to calculate the state of charge of a battery/cell
US8791669B2 (en) 2010-06-24 2014-07-29 Qnovo Inc. Method and circuitry to calculate the state of charge of a battery/cell
US10067198B2 (en) 2010-05-21 2018-09-04 Qnovo Inc. Method and circuitry to adaptively charge a battery/cell using the state of health thereof
KR101802000B1 (en) 2010-05-21 2017-11-27 큐노보 인코포레이티드 Method and circuitry to adaptively charge a battery/cell
US8880253B2 (en) 2011-06-28 2014-11-04 Ford Global Technologies, Llc Nonlinear adaptive observation approach to battery state of charge estimation
US8706333B2 (en) 2011-06-28 2014-04-22 Ford Global Technologies, Llc Nonlinear observer for battery state of charge estimation
JP5595361B2 (en) * 2011-09-27 2014-09-24 プライムアースEvエナジー株式会社 The device for estimating charged state of a secondary battery
AT512745B1 (en) * 2012-03-28 2013-12-15 Avl List Gmbh A method for determining the capacitance C of a power storage device
US9716294B2 (en) 2012-04-20 2017-07-25 Ford Global Technologies, Llc Battery controller with monitoring logic for model-based battery control
US8751086B2 (en) 2012-08-21 2014-06-10 Ford Global Technologies, Llc Online battery capacity estimation
US9142994B2 (en) 2012-09-25 2015-09-22 Qnovo, Inc. Method and circuitry to adaptively charge a battery/cell
US9063018B1 (en) 2012-10-22 2015-06-23 Qnovo Inc. Method and circuitry to determine temperature and/or state of health of a battery/cell
JP5847685B2 (en) * 2012-10-24 2016-01-27 カルソニックカンセイ株式会社 Parameter identification device and identification method of a continuous time system
AT512003A3 (en) * 2013-01-23 2014-05-15 Avl List Gmbh Method for determining a control engineering observer for the SoC
US9952288B2 (en) * 2013-02-05 2018-04-24 Hitachi Automotive Systems, Ltd. Battery controller
US8972091B2 (en) 2013-03-12 2015-03-03 Ford Global Technologies, Llc Reduced central processing unit load and memory usage battery state of charge calculation
US9461492B1 (en) 2013-04-19 2016-10-04 Qnovo Inc. Method and circuitry to adaptively charge a battery/cell using a charge-time parameter
CN103293485A (en) * 2013-06-10 2013-09-11 北京工业大学 Model-based storage battery SOC (state of charge) estimating method
JP6299187B2 (en) * 2013-11-29 2018-03-28 富士通株式会社 Estimation program, estimation method and estimating apparatus
JP6213333B2 (en) * 2014-03-25 2017-10-18 富士通株式会社 Estimation program, estimation method and estimating apparatus
JP6455914B2 (en) * 2014-05-27 2019-01-23 学校法人立命館 Storage power remaining amount estimation device, method for estimating remaining power storage amount of storage battery, and computer program
CN105510829B (en) * 2014-09-29 2018-01-05 山东大学 A new lithium-ion battery estimation method soc
DE102014220913B4 (en) 2014-10-15 2019-06-06 Volkswagen Aktiengesellschaft Method and device for determining a change in resistance of an energy storage device and vehicle
DE102014220914A1 (en) 2014-10-15 2016-04-21 Volkswagen Aktiengesellschaft Method and apparatus for determining an operating point-dependent change in resistance factor and vehicle
FR3029315B1 (en) 2014-11-28 2016-12-09 Renault Sa Automatic method for estimating the ability of a cell of a battery
FR3029299B1 (en) 2014-11-28 2016-12-09 Renault Sa Method for automatic determination of a battery charge state
FR3029298B1 (en) 2014-11-28 2016-12-30 Renault Sa Automatic Method for estimating the state of charge of a cell of a battery
FR3029296B1 (en) 2014-11-28 2016-12-30 Renault Sa Automatic Method for estimating the state of charge of a cell of a battery
FR3029297B1 (en) 2014-11-28 2016-12-30 Renault Sa Automatic Method for estimating the state of charge of a cell of a battery
US10224579B2 (en) 2015-12-31 2019-03-05 Robert Bosch Gmbh Evaluating capacity fade in dual insertion batteries using potential and temperature measurements
US10243385B2 (en) 2016-01-29 2019-03-26 Robert Bosch Gmbh Secondary battery management system
US10263447B2 (en) 2016-01-29 2019-04-16 Robert Bosch Gmbh Secondary battery management system
US9960625B2 (en) 2016-03-31 2018-05-01 Robert Bosch Gmbh Battery management system with multiple observers
CN106443471A (en) * 2016-09-20 2017-02-22 首都师范大学 System on chip (SOC) estimation method for lithium ion battery and hardware implementation of estimation method

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6064180A (en) * 1996-10-29 2000-05-16 General Motors Corporation Method and apparatus for determining battery state-of-charge using neural network architecture
US6018227A (en) * 1998-06-22 2000-01-25 Stryker Corporation Battery charger especially useful with sterilizable, rechargeable battery packs
JP4193371B2 (en) * 2001-04-25 2008-12-10 トヨタ自動車株式会社 Battery capacity control device
JP3934365B2 (en) * 2001-06-20 2007-06-20 トヨタ自動車株式会社 Method of controlling charge and discharge of the battery
JP2004301783A (en) * 2003-03-31 2004-10-28 Yazaki Corp Battery state monitoring method and its device

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116136A (en) * 2013-01-21 2013-05-22 天津大学 Lithium battery charge state assessment method based on finite difference expansion Kalman algorithm
CN103116136B (en) * 2013-01-21 2015-07-15 天津大学 Lithium battery charge state assessment method based on finite difference expansion Kalman algorithm
CN106093793A (en) * 2016-07-28 2016-11-09 河南许继仪表有限公司 SOC (state of charge) estimation method and SOC estimation device based on battery discharge rate

Also Published As

Publication number Publication date
CA2588856A1 (en) 2006-06-01
CA2588856C (en) 2012-11-13
BRPI0419140A (en) 2008-03-11
JP2008522152A (en) 2008-06-26
WO2006057468A1 (en) 2006-06-01

Similar Documents

Publication Publication Date Title
Do et al. Impedance observer for a Li-ion battery using Kalman filter
JP4767558B2 (en) Status detector for the power supply, the initial characteristic extracting device for use in power supply and power supply
EP2325664B1 (en) State estimating device for secondary battery
JP5036733B2 (en) System and method for determining an estimated battery state vector and the estimated battery parameter vector
US7321220B2 (en) Method for calculating power capability of battery packs using advanced cell model predictive techniques
Hu et al. A multiscale framework with extended Kalman filter for lithium-ion battery SOC and capacity estimation
Xiong et al. A data-driven based adaptive state of charge estimator of lithium-ion polymer battery used in electric vehicles
US6832171B2 (en) Circuit and method for determining battery impedance increase with aging
Plett Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: Part 3. State and parameter estimation
JP5240320B2 (en) Charge state estimation device and method of estimating charged state of a secondary battery
Hu et al. A comparative study of equivalent circuit models for Li-ion batteries
CN102200568B (en) Method of estimating remaining capacity and run-time of a battery device
He et al. Online estimation of model parameters and state-of-charge of LiFePO4 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
US7202632B2 (en) Battery management apparatus
CN101116003B (en) Secondary cell charge/discharge electricity amount, polarization voltage and SOC estimation method and device
EP1555537B1 (en) Battery remaining capacity measuring apparatus
Weng et al. On-board state of health monitoring of lithium-ion batteries using incremental capacity analysis with support vector regression
EP0987555B1 (en) Method of and apparatus for measuring quantities indicating the state of a battery
Xiong et al. Model-based state of charge and peak power capability joint estimation of lithium-ion battery in plug-in hybrid electric vehicles
Nejad et al. A systematic review of lumped-parameter equivalent circuit models for real-time estimation of lithium-ion battery states
US9726732B2 (en) Adaptive battery parameter extraction and SOC estimation for lithium-ion battery
US7564221B2 (en) Device and method for estimating the inputtable/outputtable power of a secondary battery
CN102253342B (en) Battery state estimator using multiple sampling rates
KR100425352B1 (en) Apparatus for estimating charged state of battery and method for estimating degraded state of battery

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20100903

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20101202

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20110930

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20111222

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20120105

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20120126

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: 20120703

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20120801

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20150810

Year of fee payment: 3

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: R3D02

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

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