JP6326452B2 - 電池状態推定装置および電池状態推定方法 - Google Patents

Description

本発明は、電池状態推定装置および電池状態推定方法に関する。

ＥＶ（Electric Vehicle）やＨＥＶ（Hybrid Electric Vehicle：ハイブリッド電気自動車）などの電動車両においては、バッテリ制御上の観点から、バッテリの状態推定を精度良く行う必要がある。その中でもＳＯＣ（State Of Charge：充電率）は重要なパラメータである。電動車両に用いられているＬｉイオン電池等の高圧バッテリにおいては、ＯＣＶ（Open Circuit Voltage：開回路電圧）とＳＯＣの関係があることが知られているため、ＳＯＣを推定する１つの方法としてＯＣＶを推定した上で、上記に示したＯＣＶとＳＯＣの関係（以下、ＳＯＣ−ＯＣＶカーブ）からＳＯＣに換算する方法がある。
ＳＯＣ−ＯＣＶカーブは、電池の劣化状態や個体差等により変化する。そこで、従来技術として、劣化状態や固体差、温度によるＳＯＣ−ＯＣＶカーブをマップとして格納しておき、得られたデータから最適なＳＯＣ−ＯＣＶカーブを選択することが行われる。この場合、ＳＯＣ−ＯＣＶカーブを充放電装置などの理想状態で事前に取得しておき車両データ設定しておくことが一般的である。ただし、上記に示した方法では、大量生産によるＳＯＣ−ＯＣＶカーブのバラつきや劣化によるＳＯＣ−ＯＣＶカーブの変化に対して、対応できず、ＳＯＣ推定精度の悪化に繋がる。

特許文献１には、電池の開回路電圧と電池の充電状態の対応関係を記述したＳＯＣ−ＯＣＶマップデータを記憶するＳＯＣ−ＯＣＶマップデータ記憶部を有し、電池の開回路電圧と前記電池に流れる電流に基づき、ＳＯＣ−ＯＣＶマップデータが記述している対応関係を修正することにより、経過時間に応じて異なる値の充電状態を出力する電池制御装置が記載されている。

特許文献２には、二次電池の電池、電流、電池温度を入力し、放電容量を算出するＱ算出器と、ＯＣＶ（開路電圧）値を算出するＯＣＶ算出器と、少なくとも１つのＯＣＶカーブを推定するＯＣＶカーブ推定器を備える劣化状態推定装置が記載されている。

特開２０１４−１９６９８５号公報 特開２０１５−２３０１９３号公報

しかしながら、特許文献１に記載の電池制御装置では、劣化状態・固体差・温度によるＳＯＣ−ＯＣＶカーブをマップとして格納するので、その全組み合わせが膨大なものとなり、実際には非常に困難である。仮に実装しても、膨大なマップを格納するためには、膨大な記憶容量が必要となりコスト高となる。また、記憶容量を削減するために、マップを削減すると、精度が悪化してしまう。さらに、事前に想定しているマップからだけしか検索できない。

特許文献２に記載の技術は、ＳＯＣ−ＯＣＶカーブのヒステリシス特性を利用してＳＯＣ−ＯＣＶカーブの推定を行っているので、当該ヒステリシスがない場合またはヒステリシスが小さい場合には推定自体ができない。また、特許文献２では、一方のＳＯＣ−ＯＣＶカーブから他方ＳＯＣ−ＯＣＶカーブを推定する際に、劣化状態や固体バラつきについては言及されていない。また、電池容量が決まれば、ＳＯＣ−ＯＣＶカーブは一意に決まるというスタンスをとっているが、実際にはそうではない。また、車載を前提としていないような記述となっている。

そこで、本発明の課題は、電池状態を精度良く推定することができる電池状態推定装置および電池状態推定方法を提供することにある。

上記課題を解決するために、請求項１に記載の電池状態推定装置は、電池の充放電電流を検出する電流検出手段と、電池の端子間電圧を検出する電圧検出手段と、検出された前記電池の電流および電圧と、充電時と放電時の内部抵抗とに基づいてＯＣＶを算出するＯＣＶ算出手段と、算出したＯＣＶと充電状態パラメータ−ＯＣＶマップに基づいて、前記充電状態パラメータを導出する充電状態推定手段と、前記充電状態パラメータ−ＯＣＶマップを補正するマップ補正手段と、を備え、前記マップ補正手段は、第１時間において前記ＯＣＶ算出手段により算出された第１ＯＣＶと、第２時間において前記ＯＣＶ算出手段により算出された第２ＯＣＶと、前記第１時間と前記第２時間間で前記電池を流れる電流の電流積算値とに基づいて、前記充電状態パラメータ−ＯＣＶマップのモデル式を導出し、当該モデル式により前記充電状態パラメータ−ＯＣＶマップを補正することを特徴とする。

また、請求項６に記載の電池状態推定方法は、電池の充放電電流を検出する電流検出工程と、電池の端子間電圧を検出する電圧検出工程と、検出された前記電池の電流および電圧と、充電時と放電時の内部抵抗とに基づいてＯＣＶを算出するＯＣＶ算出工程と、算出したＯＣＶと充電状態パラメータ−ＯＣＶマップに基づいて、前記充電状態パラメータを導出する充電状態推定工程と、前記充電状態パラメータ−ＯＣＶマップを補正するマップ補正工程と、を有し、前記マップ補正工程では、第１時間において前記ＯＣＶ算出工程により算出された第１ＯＣＶと、第２時間において前記ＯＣＶ算出工程により算出された第２ＯＣＶと、前記第１時間と前記第２時間間で前記電池を流れる電流の電流積算値とに基づいて、前記充電状態パラメータ−ＯＣＶマップのモデル式を導出し、当該モデル式により前記充電状態パラメータ−ＯＣＶマップを補正する。

このようにすることで、ＳＯＣ−ＯＣＶカーブの生産バラつきやＳＯＣ−ＯＣＶカーブの劣化による変化に対して、その変化を考慮したＳＯＣ算出と容量算出を行うことが可能となり、より電池の本来の性能を使いきれるようになる。効果としては２通りの反映の仕方があり、１つ目は電池の充電状態の推定精度が向上した性能の分だけ車両性能を向上させることができる。また、２つ目は向上した性能の分だけ、セル数削減等でコストを低下させることができる。

また、請求項２に記載の発明は、前記マップ補正手段が、前記第１ＯＣＶと前記第２ＯＣＶと前記電流積算値との組合せを１または複数記憶する記憶手段を備え、前記記憶手段から前記第１ＯＣＶと前記第２ＯＣＶと前記電流積算値との組合せを読み出して前記充電状態パラメータ−ＯＣＶマップを補正することを特徴とする。

このような構成によれば、第１ＯＣＶと第２ＯＣＶと電流積算値との組合せを複数記憶した状態でマップ補正することで、記憶容量の低減を図りつつ精度良く充電状態パラメータ−ＯＣＶマップを補正することができる。

また、請求項３に記載の発明は、前記マップ補正手段が、前記充電状態パラメータに対するＯＣＶ変化量を示す勾配を勾配値として導出する勾配導出手段を備え、予め勾配の取り得る範囲を設定し、勾配が範囲外である場合には前記モデル式を補正することを特徴とする。

このような構成によれば、電池のスペックに基づき勾配値の範囲を予め制限しておくことで、勾配範囲外のものはマップ補正手段により補正することができ、精確に電池の充電状態を推定することができる。

また、請求項４に記載の発明は、前記勾配導出手段が、前記勾配の取り得る範囲を前記電池の劣化状態に応じて変えることを特徴とする。

このような構成によれば、電池の劣化状態に応じて取り得る範囲を変更させることで、より精確に電池の充電状態を推定することができる。すなわち、ＳＯＣ−ＯＣＶカーブの学習に関して、傾きや近似式の係数に制限を設けない方法では推定精度が悪い。本発明では、制御器で算出したＳＯＣとＯＣＶを用いてＳＯＣ−ＯＣＶカーブを自動学習する際に、その傾きや近似式の係数に制限を設けることで、電池の充電状態の推定の高精度化を図ることができる。

また、請求項５に記載の発明は、電池の温度を検出する電池温度検出手段を備え、前記マップ補正手段は、検出した前記電池の温度毎に、前記充電状態パラメータ−ＯＣＶマップを補正することを特徴とする。

このような構成によれば、電池の各温度に対応したＳＯＣ算出と容量算出を行うことが可能となり、より精確に電池の充電状態を推定することができる。

本発明によれば、電池状態を精度良く推定することができる電池状態推定装置および電池状態推定方法を提供することができる。

本発明の実施形態に係る電池状態推定装置の構成を示す図である。 上記実施形態に係る電池状態推定装置のＡｈ−ＯＣＶマップに格納されるＡｈ−ＯＣＶカーブを示す図である。 二次電池に電流を入力したときの二次電池の充放電電流の計測値と二次電池の電圧の計測値を示す図である。 図３の二次電池の等価回路モデルを示す図である。 上記実施形態に係る電池状態推定装置が搭載された車両の時系列データの一例を示す図である。 上記実施形態に係る電池状態推定装置の車両時系列データとして取得したTraining Setを示す図である。 上記実施形態に係る電池状態推定装置のＡｈ（電流量）とＯＣＶ（推定ＯＣＶ）の対応関係を記述するＡｈ−ＯＣＶカーブを示す図である。 上記実施形態に係る電池状態推定装置の学習後ＯＣＶ特性を記述するＡｈ−ＯＣＶカーブを示す図である。 上記実施形態に係る電池状態推定装置の学習後バッテリ容量特性を記述するＡｈ−ＯＣＶカーブを示す図である。 上記実施形態に係る電池状態推定装置の学習対象の仮定関数を説明するＡｈ−ＯＣＶカーブを示す図である。 上記実施形態に係る電池状態推定装置のパラメータθ_ｊの導出を説明する図であり、（ａ）はそのコスト関数Ｊとパラメータθとの関係を示す図、（ｂ）はそのコスト関数Ｊをθに対して偏微分（∂Ｊ／∂θ）とパラメータθとの関係を示す図である。 上記実施形態に係る電池状態推定装置の傾きや近似式の係数制限を説明する勾配値（ｄＡｈ／ｄＯＣＶ）−ＯＣＶカーブを示す図である。 上記実施形態に係る電池状態推定装置の勾配値（ｄＡｈ／ｄＯＣＶ）と容量維持率との関係を示す図である。 上記実施形態に係る電池状態推定装置の勾配値（ｄＡｈ／ｄＯＣＶ）と容量維持率との関係を示す図である。 上記実施形態に係る電池状態推定装置の勾配値（ｄＡｈ／ｄＯＣＶ）と容量維持率との関係を示す図である。 上記実施形態に係る電池状態推定装置の電池状態推定方法を示すフローチャートである。

以下、本発明の実施形態について図面を参照して詳細に説明する。
（実施形態）
図１は、本発明の実施形態に係る電池状態推定装置の構成を示す図である。本実施形態の電池状態推定装置は、例えば、当該電池状態推定装置が電池状態を推定する二次電池とともに、ＥＶやＨＥＶ等の車両に搭載される。このように車両に搭載された場合には、電池状態推定装置はバッテリＥＣＵ（Electric Control Unit）として機能する。
図１に示すように、電池状態推定装置１００は、電流検出部１０１（電流検出手段）、電圧検出部１０２（電圧検出手段）、温度検出部１０３（温度検出手段）、抵抗算出部１１０、ＯＣＶ算出部１２０（ＯＣＶ算出手段）、充電状態推定部１３０（充電状態推定手段）、Ａｈ（充電状態パラメータ）−ＯＣＶマップ１３１、容量算出部１４０、およびマップ補正部１５０（マップ補正手段）を備える。
マップ補正部１５０は、データ記憶部１５１（記憶手段）と、勾配導出部１５２と、を備える。

<検出手段>
電流検出部１０１は、二次電池１への充電電流および二次電池からの放電電流の少なくとも一方の電流（以下、充放電電流ともいう）Ｉを検出する。
電圧検出部１０２は、二次電池１の端子間電圧Ｖを検出する。
温度検出部１０３は、二次電池１の温度Ｔを検出する。

<抵抗算出部>
抵抗算出部１１０は、検出した二次電池１の電流と端子間電圧から抵抗Ｒを算出する。詳細には、抵抗算出部１１０は、電流検出部１０１により検出された電流（以下、実電流ともいう）の微分値ｄＩと電圧検出部１０２により検出された電圧（以下、実電圧ともいう）の微分値ｄＶとから次式（１）に従って抵抗Ｒを算出する。抵抗算出の具体的手法については、図３で後記する。
Ｒ＝ｄＶ／ｄＩ …（１）

図３は、二次電池に電流を入力したときの二次電池の充放電電流の計測値と二次電池の電圧の計測値を示す図、図４は、図３の二次電池の等価回路モデル（コンデンサ成分は一次成分のみ図示）を示す図である。
二次電池の電圧および電流の計測値から内部抵抗とＳＯＣを求める場合には、以下の関係式（式（２））が成り立つことを前提としている。
Ｖ（電圧計測値）＝ＯＣＶ（開路電圧）−Ｋ（内部抵抗）×Ｉ（電流計測値）
…（２）
上記内部抵抗Ｋを求めるために、式（２）の一次式を二次電池の簡易モデルとして内部抵抗のパラメータを含むパラメータ推定を行っている。一次式の近似手法としては逐次最小二乗法が知られているが、この手法のみでは二次電池の内部抵抗推定を正確に行うことはできない。
二次電池の特性は、完全に線形性を有するものではなく、図３に示すように、非線形性を有する部分を含む。図３は、二次電池に電流を入力したときの二次電池の充放電電流の計測値と二次電池の電圧の計測値である。図３では、時刻ｔ１において電流の入力が開始された後、電圧は電流に遅れて徐々に上昇している。そして、時刻ｔ２において電流の入力が終了された後、電圧は電流に遅れて徐々に下降している。このように電圧が電流に遅れて変動するのは、図４に示すように、二次電池にはコンデンサ成分（Ｃ成分、図４ではＣ１の成分）が含まれているためである。実際には、二次電池への電流の入力停止後には、電圧の遅れとして一次的な遅れと二次的な遅れが発生している。

抵抗算出部１１０の同定器（図示省略）は、実電流の微分値ｄＩおよび実電圧の微分値ｄＶから、逐次最小二乗法を用いて一次式の傾き、すなわち仮内部抵抗ｒを推定する。この同定器は、逐次最小二乗法によりパラメータの同定を行う。同定器は、ＯＣＶ算出部１２０（図１参照）に、同定した充電時と放電時の内部抵抗をそれぞれ出力する。

ところで、図３に示す二次電池では、電流が流れているときの電極電位が、電流の流れていないときの電位（平衡電位）と異なる値になる、いわゆる分極が発生する。二次電池に分極が発生していると、分極の変動によって、ＳＯＣの推定精度が低下してしまうおそれがある。そこで、二次電池の分極が解消されていることを確認したうえで、二次電池のＳＯＣを推定することが行われる。例えば、イグニッションキーがオフに切り替わってからの時間が所定時間を経過しているとき、二次電池の分極が解消されていると判定する。

<ＯＣＶ算出部>
ＯＣＶ算出部１２０は、検出値（電流Ｉ、端子間電圧ＣＣＶ）および算出した抵抗（充電時と放電時の内部抵抗）から次式（３）に従ってＯＣＶ（推定ＯＣＶ）を算出する。
ＯＣＶ＝ＣＣＶ＋ＩＲ …（３）
具体的には、ＯＣＶ算出部１２０は、検出された電流（実電流）および電圧（実電圧）を監視し、充電時と放電時の内部抵抗に基づいてＯＣＶ（推定ＯＣＶ）を算出する。ここで、ＯＣＶ（推定ＯＣＶ）は、前記式（３）に示すように、ＯＣＶ＝ＣＣＶ＋ＩＲで算出されるので、推定にＳＯＣ−ＯＣＶカーブ情報は必要ない。

<充電状態推定部>
充電状態推定部１３０は、ＳＯＣ算出部として機能する場合、ＯＣＶ算出部１２０により算出したＯＣＶ（推定ＯＣＶ）および電流積算値を用いて次式（４）に従ってＳＯＣ（推定ＳＯＣ）を算出する。ＳＯＣ（推定ＳＯＣ）は、式（５）に示すように温度およびＯＣＶ（推定ＯＣＶ）の関数ｆ_ＳＯＣで表される。

ＳＯＣ＝ｆ_ＳＯＣ（Ｔ，ＯＣＶ） …（５）

充電状態推定部１３０は、算出したＯＣＶ（推定ＯＣＶ）と充電状態パラメータ（ＳＯＣまたはＡｈ）−ＯＣＶマップ１３１に基づいて、充電状態パラメータ（ＳＯＣまたはＡｈ）を導出する。
本実施形態では、充電状態パラメータとして、Ａｈ（電流量（放電容量））を用いているが、充電状態パラメータは、ＳＯＣであってもよい。後記するように、容量算出部１４０により容量Ｃａｐが算出されれば、Ａｈを容量Ｃａｐで割ればＳＯＣとなるので（計算上）、充電状態パラメータとしては、ＳＯＣまたはＡｈのいずれを用いてもよい。すなわち、Ａｈ−ＯＣＶマップ１３１は、ＳＯＣ−ＯＣＶマップであってもよい。

<Ａｈ−ＯＣＶマップ>
図２は、Ａｈ−ＯＣＶマップ１３１に格納されるＡｈ−ＯＣＶカーブ（充電状態パラメータ−ＯＣＶカーブ）を示す図である。図２の縦軸にＡｈ（電流量）をとり、横軸にＯＣＶ（推定ＯＣＶ）をとる。
Ａｈ−ＯＣＶマップ１３１は、充電状態推定部１３０が、充電状態パラメータ−ＯＣＶカーブを取得するマップである。Ａｈ−ＯＣＶマップ１３１は、充電状態推定部１３０によって参照されるものであればよく、充電状態推定部１３０の内外のどこに設置されていてもよい。本実施形態では、Ａｈ−ＯＣＶマップ１３１は、充電状態推定部１３０内に設置されている。

<容量算出部>
容量算出部１４０は、Ａｈ（電流量）の微分値ｄＡｈ（電流積算値）とＳＯＣ（推定ＳＯＣ）の微分値ｄＳＯＣとから次式（６）に従って容量Ｃａｐを算出し、充電状態推定部１３０に出力する。ここで本明細書の記載において、ｄＡｈは微分値、ΔＡｈは差分値を表す。どちらも２点間の差であるが、「微分」はその差を極限まで最小にするような概念を含んでいる。なお、抵抗算出のｄＶ，ｄＩについても同様に微分値を表す。
Ｃａｐ＝ｄＡｈ／ｄＳＯＣ …（６）

<マップ補正部>
マップ補正部１５０は、Ａｈ−ＯＣＶマップ１３１（図２参照）を補正する。詳細には、マップ補正部１５０は、第１時間においてＯＣＶ算出部１２０により算出された第１ＯＣＶと、第２時間においてＯＣＶ算出部１２０により算出された第２ＯＣＶと、第１時間と第２時間間で二次電池１を流れる電流の電流積算値とに基づいて、Ａｈ−ＯＣＶマップ１３１のモデル式（式（８）参照）を導出し、当該モデル式によりＡｈ−ＯＣＶマップ１３１を補正する。すなわち、マップ補正部１５０は、所定の時間差（第１時間と第２時間）において取得した２つのＯＣＶと、そのＯＣＶ間の電流積算値とに基づいてモデル式を導出し、このモデル式によりＡｈ−ＯＣＶマップ１３１を補正する。

マップ補正部１５０は、温度検出部１０３（図１参照）により検出した二次電池１（図１参照）の温度毎に、Ａｈ−ＯＣＶマップ１３１を補正する

マップ補正部１５０は、データ記憶部１５１（記憶手段）と、勾配導出部１５２（勾配導出手段）と、を備える。
データ記憶部１５１は、第１ＯＣＶと第２ＯＣＶと電流積算値とのセット（組合せ）を１または複数記憶する（後記図６参照）。マップ補正部１５０は、データ記憶部１５１から第１ＯＣＶと第２ＯＣＶと電流積算値とをセットで読み出してＡｈ−ＯＣＶマップ１３１を補正する。

勾配導出部１５２は、充電状態パラメータ（ＳＯＣまたはＡｈ）に対するＯＣＶ変化量を示す勾配を勾配値として導出する。後記するように、勾配値は、例えば（ｄＡｈ／ｄＯＣＶ）である。マップ補正部１５０は、予め勾配の取り得る範囲を設定し、上記勾配が範囲外である場合にはモデル式を補正する。
また、勾配導出部１５２は、勾配の取り得る範囲を、二次電池１（図１参照）の劣化状態に応じて変化させる（後記図１５参照）。

次に、マップ補正部１５０のマップ補正方法の概要について説明する。
<Training Set>
図１に示すマップ補正部１５０は、車両時系列データとして、検出したＡｈ（電流量（放電容量））とＯＣＶ算出部１２０で算出されたＯＣＶ（推定ＯＣＶ）を取得する。
図５は、電池状態推定装置１００が搭載された車両の時系列データの一例を示す図である。図５の縦軸にＯＣＶをとり、横軸に時間をとる。図５に示すように、車両の走行状態等により時間に経過とともにＯＣＶ値は変動する。いま、任意の時間における２点のＯＣＶ値：ＯＣＶ１とＯＣＶ２をとり、その間に流れた電流値の積算値をΔＡｈとする。マップ補正部１５０のデータ記憶部１５１は、この２点のＯＣＶ値：ＯＣＶ１とＯＣＶ２とΔＡｈ量とをセットにし、Training Set（学習データ）として記憶する。

図６は、車両時系列データとして取得したTraining Setを示す図である。図６に示すように、データ記憶部１５１は、各時間における２点のＯＣＶ１とＯＣＶ２とΔＡｈ量（電流積算値）とのセット[ＯＣＶ１ ＯＣＶ２ ΔＡｈ]…を記憶する。

<Supervised Learning>
次に、Supervised Learning（教師あり学習）を説明する。
図７は、Ａｈ（電流量）とＯＣＶ（推定ＯＣＶ）の対応関係を記述するＡｈ−ＯＣＶカーブを示す図である。図７の縦軸にＡｈ（電流量）をとり、横軸にＯＣＶ（推定ＯＣＶ）をとる。図７の丸印（○印）は、サンプル値である。
図７に示すように、Ａｈ（電流量）は、次式（７）に示す仮定関数で表すことができる（後記）。
Ａｈ＝ｆ（ＯＣＶ，θ_ｊ） …（７）
ただし、θ_ｊは、パラメータ（ベクトル）である。

図７の太破線に示すＡｈ（電流量）は、最適値探索によって求める。最適値探索は、Gradient Descent（最急降下法）、Gauss-Newton法、またはNormal Equation（正規方程式）を用いる（後記）。なお、ＥＣＵへの実装までを考慮するとGauss-Newton法が好ましい。図７の白抜き矢印は、最適値探索によってＡｈを求めることを表記している。

<学習後ＯＣＶ特性>
次に、学習後ＯＣＶ特性を説明する。
図８は、学習後ＯＣＶ特性を記述するＡｈ−ＯＣＶカーブを示す図である。図８の縦軸にＡｈ（電流量）をとり、横軸にＯＣＶ（学習後ＯＣＶ）をとる。図８の丸印（○印）は、ＡｈとＯＣＶの複数のサンプルである。また、図８の縦軸に平行する破線間の領域は、学習領域である。
後記するＯＣＶ関数パラメータ導出して、図８に示す学習後ＯＣＶ特性を示すＡｈ−ＯＣＶカーブを算出する。

<学習後バッテリ容量>
学習後ＯＣＶ特性を基に、学習後バッテリ容量を求めることができる。
図９は、学習後バッテリ容量特性を記述するＡｈ−ＯＣＶカーブを示す図である。図９の縦軸にＡｈ（電流量）をとり、横軸にＯＣＶ（学習後ＯＣＶ）をとる。図８の丸印（○印）は、ＡｈとＯＣＶの複数のサンプルである。また、図９の黒丸印（●印）に示すように、ＯＣＶの使用上下限値を設定すると、その間の容量が使用可能容量になる。
図９の太矢印に示すように、学習後ＯＣＶ特性を基に、バッテリ容量の下限値と上限値を求めることができる。このバッテリ容量の下限値と上限値から学習後バッテリ容量を算出できる。

以下、ＳＯＣ−ＯＣＶカーブ学習法の詳細について説明する。
［ＳＯＣ−ＯＣＶカーブ学習法］
<学習対象の仮定関数>
まず、学習対象の仮定関数を説明する。
図１０は、学習対象の仮定関数を説明するＡｈ−ＯＣＶカーブを示す図である。図１０の縦軸にＡｈ（電流量）をとり、横軸にＯＣＶ（推定ＯＣＶ）をとる。仮定関数は、演算によってＳＯＣを推定するために用いる。
Ａｈ（電流量）を、次式（８）に示す４次多項式（モデル式）でモデル化する。なお、モデル式は、式（８）に示す４次多項式には限定されず、数式によって表されるものであればよい。

Ａｈ＝θ_０＋θ_１ｏｃｖ＋θ_２ｏｃｖ^２＋θ_３ｏｃｖ^３＋θ_４ｏｃｖ^４＋ …（８）
ただし、θ_０〜θ_４は、パラメータである。

Ａｈ（電流量）の微分値ΔＡｈは、次式（９）に示される。また、仮定関数ｙは、次式（１０）で示される。
ΔＡｈ＝θ_１（ｏｃｖ_１−ｏｃｖ_２）＋θ_２（ｏｃｖ_１ ^２−ｏｃｖ_２ ^２）＋θ_３（ｏｃｖ_１ ^３−ｏｃｖ_２ ^３）＋θ_４（ｏｃｖ_１ ^４−ｏｃｖ_２ ^４） …（９）

<Training Set（学習データ）>
次に、マップ補正部１５０のデータ記憶部１５１に格納されるTraining Set（学習データ）について説明する。
本実施形態は、車両時系列データをTraining Set（学習データ）として取得する。図６に示したように、データ記憶部１５１は、各時間における２点のＯＣＶ１とＯＣＶ２とΔＡｈ量とのセットを格納する。２点のＯＣＶ１とＯＣＶ２とΔＡｈ量とのセットを格納することで、データの関連付けと式への適用が容易となる。Training Set（学習データ）は、データ数ｍとする場合、次式（１１）で示される。
[ＯＣＶ_１ ＯＣＶ_２ ΔＡｈ]
[ＯＣＶ_１ ＯＣＶ_２ ΔＡｈ] …（１１）
…

上記式（１１）に示すTraining Set（学習データ）を、上記式（１０）の仮定関数ｙに適用して表すと次式（１２）となる。データ数ｍとする。
[ｘ_１ ｘ_２ ｘ_３ ｘ_４ ｙ]
＝[ｏｃｖ_１−ｏｃｖ_２ ｏｃｖ_１ ^２−ｏｃｖ_２ ^２ ｏｃｖ_１ ^３−ｏｃｖ_２ ^３ ｙ]
…（１２）

<コスト関数（Cost Function）>
次に、コスト関数（Cost Function）について説明する。
コスト関数（Cost Function）は、誤差の積算値を求めるために導入される。
コスト関数Ｊは、次式（１３）で示される。

上記式（１３）の（ｉ）は、ｉ＝１，２，３，…に示すような離散的な格子点を持つときこの格子点毎に演算を行うことを示す。
コスト関数Ｊをθで偏微分して、その値を０に近づけるようなθｊを探すことで、一番精度の良いθ_１、θ_２、θ_３…が見つかる。

<最急降下法（Gradient Descent）>
次に、最急降下法（Gradient Descent）について説明する。
上述したように、最急降下法（Gradient Descent）は、最適値探索の一つである。本実施形態では、Supervised Learning（教師あり学習）によるＡｈ−ＯＣＶカーブ算出に用いる。
最急降下法（Gradient Descent）によるパラメータθ_ｊは、次式（１４）で示される。

上記式（１４）に示すパラメータθ_ｊの導出過程について述べる。
図１１は、パラメータθ_ｊの導出を説明する図であり、図１１（ａ）はそのコスト関数Ｊとパラメータθとの関係を示し、図１１（ｂ）はそのコスト関数Ｊをθに対して偏微分（∂Ｊ／∂θ）とパラメータθとの関係を示す。
図１１（ａ）に示すＪ−θカーブにおいて、コスト関数Ｊが最小になるθを求める。すなわち、上記式（１３）において、コスト関数Ｊが最小になるθを求める。

コスト関数Ｊをパラメータθに対して偏微分（∂Ｊ／∂θ）する。この偏微分（∂Ｊ／∂θ）は、次式（１５）で示される。

パラメータ更新則は、次式（１６）で示される。

図１１（ａ）に示すように、θ前回値から、上記偏微分（∂Ｊ／∂θ）に学習係数（Learning rate）を乗じた値を減算することで、θ更新値を算出する。
上記式（１６）の右辺に、上記式（１５）を導入したものが、上記式（１４）である。上記式（１４）に示すパラメータθ_ｊが導出できた。

［傾きや近似式の係数制限］
電池状態推定装置１００は、算出したＡｈとＯＣＶを用いてＡｈ−ＯＣＶカーブを自動学習する。Ａｈ−ＯＣＶカーブの自動学習の際に、傾きや近似式の係数に制限を設けることで高精度化を図る。
図１２は、傾きや近似式の係数制限を説明する勾配値（ｄＡｈ／ｄＯＣＶ）−ＯＣＶカーブを示す図である。図１２の縦軸に勾配値（ｄＡｈ／ｄＯＣＶ）[Ａｈ／Ｖ]をとり、横軸にＯＣＶ（推定ＯＣＶ）[Ｖ]をとる。
図１２中のカーブのうち、破線は初期（Initial）のカーブ、実線は学習（Learn）後のカーブ、一点鎖線は実測値（Real）のカーブである。

また、図１２の網掛けに示すように、傾きや近似式の係数を制限する制約領域を設ける。この制約領域は、例えばＯＣＶが３．５−４．０[Ｖ]の範囲である。
さらに、この制約領域において、勾配値（ｄＡｈ／ｄＯＣＶ）の取り得る幅を規定範囲で制限する。勾配値（ｄＡｈ／ｄＯＣＶ）の取り得る幅として、下限境界α_ｏｃｖと上限境界β_ｏｃｖとを設ける。図１２の太実線カーブの下側が下限境界α_ｏｃｖ、上側が上限境界β_ｏｃｖである。図１２の例では、初期（Initial）のカーブ、学習（Learn）後のカーブ、実測値（Real）のカーブのうち、学習（Learn）後のカーブの一部については、下限境界α_ｏｃｖを超えており学習が制限される。
実際には、学習（Learn）後のカーブが下限境界α_ｏｃｖおよび上限境界β_ｏｃｖを超えないようにモデル式（式（８）参照）を補正することで、学習（Learn）後のカーブを下限境界α_ｏｃｖおよび上限境界β_ｏｃｖ範囲内に収めている。

上記勾配値（ｄＡｈ／ｄＯＣＶ）が、上記制約領域で取り得る幅の下限境界α_ｏｃｖと上限境界β_ｏｃｖを数式により表現すると、次式（１７）となる。

このように、電池状態推定装置１００は、マップ補正部１５０を備え、マップ補正部１５０は予め勾配値（ｄＡｈ／ｄＯＣＶ）の取り得る範囲を設定し、勾配値（ｄＡｈ／ｄＯＣＶ）が範囲外である場合には、前記式（８）に示すモデル式を補正する。図１２の例では、学習（Learn）後のカーブ（図１２の実線）を、実測値（Real）のカーブ（図１２の一点鎖線）に近づけたい要請がある。このとき、勾配値（ｄＡｈ／ｄＯＣＶ）の取り得る幅に下限境界α_ｏｃｖおよび上限境界β_ｏｃｖを設けないとすると、モデル式を補正する演算量が膨大となり、結果的には演算が完了できないか、または算出精度の低下を招く。勾配値（ｄＡｈ／ｄＯＣＶ）の取り得る幅に下限境界α_ｏｃｖおよび上限境界β_ｏｃｖを設けることで、演算精度の向上を図ることができる。
二次電池１（図１参照）のスペックに基づき勾配値の範囲を予め制限しておくことで、勾配値（ｄＡｈ／ｄＯＣＶ）範囲外のものはマップ補正部１５０により補正することで、二次電池１の充電状態を精確に推定することができる。

［制約条件を考慮した機械学習器の構築］
次に、制約条件を考慮した機械学習器の構築について説明する。
学習に制約条件をつけることで、演算量を削減し、精度を向上させることができる。
学習時の制約条件は、コスト関数（式（１３）参照）に制約条件（図１２，式（１７）参照）を反映することで行う。
制約条件なしのコスト関数Ｊは、前記式（１３）で示される。

<制約条件考慮時のコスト関数>
制約条件考慮時のコスト関数Ｊは、次式（１８）で示される。制約条件考慮時のコスト関数Ｊは、制約条件なしのコスト関数Ｊ（式（１３）参照）に、制約条件を付加することで表現される。本実施形態では、制約条件は、例としてWeight関数μおよびPenalty関数Ｐ_θである。なお、制限付き学習の方法には、Penalty関数法のほかBarrier関数法などがある。

上記式（１８）の右辺のμは、Weight関数（Weight Function）、Ｐ_θは、Penalty関数である。

<Penalty関数>
制約条件ｇ_ｊ（θ）≦０ ただしＪ＝（１，…，ｎ）とするとき、Penalty関数Ｐ_θは、次式（１９）で示される。

<制約条件付き最急降下法（Gradient Descent）>
次に、制約条件付き最急降下法（Gradient Descent）について説明する。
最急降下法（Gradient Descent）によるパラメータθ_ｊに、制約条件を付けることもできる。この制約条件は、Weight関数（Weight Function）μである。制約条件付き最急降下法によるパラメータθ_ｊは、次式（２０）で示される。

上記式（２０）のαは、学習係数（Learning rate）である。
上記式（２０）のUpdateをパラメータ（コスト関数）が収束するまで行う。

<下限境界制限条件>
上述した、勾配値（ｄＡｈ／ｄＯＣＶ））下限境界α_ｏｃｖと上限境界β_ｏｃｖとに制限条件（図１２，式（１７）参照）を付けることも可能である。
まず、下限境界制限条件について説明する。
下限境界制限条件ｇ_{ＯＣＶ＿ＢＤ}は、次式（２１）〜（２３）で示される。

上記式（２１）の左辺４項（−θ−２θ_２ｏｃｖ_ＢＤ−３θ_３ｏｃｖ_ＢＤ ^２−４θ_４ｏｃｖ_ＢＤ ^３）が下限境界α_{ＯＣＶ＿ＢＤ}の制限条件である。また、上記式（２２）は、Penalty関数Ｐ_θをパラメータθに対して偏微分（∂Ｐ_θ／∂θ）した条件式、上記式（２３）はパラメータθを４つのパラメータθ_１〜θ_４とした場合の式（２２）の行列式である。

<上限境界制限条件>
同様にして、勾配値（ｄＡｈ／ｄＯＣＶ））上限境界β_ｏｃｖに制限条件（図１２，式（１７）参照）を付ける。
上限境界制限条件ｇ_{ＯＣＶ＿ＢＤ}は、次式（２４）〜（２６）で示される。

上記式（２４）の左辺４項（θ＋２θ_２ｏｃｖ_ＢＤ＋３θ_３ｏｃｖ_ＢＤ ^２＋４θ_４ｏｃｖ_ＢＤ ^３）が上限境界β_{ＯＣＶ＿ＢＤ}の制限条件である。また、上記式（２５）は、Penalty関数Ｐ_θをパラメータθに対して偏微分（∂Ｐ_θ／∂θ）した条件式、上記式（２６）はパラメータθを４つのパラメータθ_１〜θ_４とした場合の式（２５）の行列式である。

［勾配値（ｄＡｈ／ｄＯＣＶ））の取り得る幅の規定範囲制限］
次に、勾配値（ｄＡｈ／ｄＯＣＶ））の取り得る幅を規定範囲で制限することについて説明する。
図１３〜図１５は、勾配値（ｄＡｈ／ｄＯＣＶ）と容量維持率との関係を示す図である。縦軸に勾配値（ｄＡｈ／ｄＯＣＶ）[Ａｈ／Ｖ]をとり、横軸に容量維持率[％]をとる。
図１３〜図１５の実線に示すグラフは、勾配値（ｄＡｈ／ｄＯＣＶ）の各容量維持率毎のＭＡＸ値（勾配値の最大値）、破線に示すグラフは、勾配値（ｄＡｈ／ｄＯＣＶ）の各容量維持率毎のＭＩＮ値（勾配値の最小値）である。このＭＡＸ値およびＭＩＮ値は、Ｎ／Ｐ比違いなどの生産バラつき、放置／サイクル違いがあらかじめ考慮されている。

図１３に示すように、容量維持率１００[％]の場合（電池の劣化がない場合）、勾配値（ｄＡｈ／ｄＯＣＶ）のＭＡＸ値およびＭＩＮ値の取り得る幅は、最も大きい。この場合、勾配値（ｄＡｈ／ｄＯＣＶ））が規定範囲から外れることは少ない。勾配値（ｄＡｈ／ｄＯＣＶ））が規定範囲内にある場合、マップ補正部１５０（図１）は、前記式（８）に示すモデル式を補正しない。また、容量維持率２０[％]の場合（電池の劣化が進んだ状態）、勾配値（ｄＡｈ／ｄＯＣＶ）のＭＡＸ値およびＭＩＮ値の取り得る幅は、いずれも小さい。この場合、勾配値（ｄＡｈ／ｄＯＣＶ））が規定範囲から外れることが頻繁に発生すると想定される。勾配値（ｄＡｈ／ｄＯＣＶ））が規定範囲から外れた場合、マップ補正部１５０（図１）は、前記式（８）に示すモデル式を補正する。マップ補正部１５０は、勾配値（ｄＡｈ／ｄＯＣＶ）範囲外のものはマップ補正部１５０により補正することで、二次電池１（図１）の充電状態を精確に推定することができる。

図１４に示す網掛け部分は、勾配値（ｄＡｈ／ｄＯＣＶ））を規定範囲に収める劣化制限区間を示している。この劣化制限区間内で勾配値（ｄＡｈ／ｄＯＣＶ））が規定範囲から外れるか否かを判別する。二次電池１使用の初期には、劣化制限区間（図１４の網掛け部分）を容量維持率１００[％]（電池の劣化がない）に近いところ、図１４では容量維持率１００[％]−９０[％]ところに設定する。
図１５は、例えば、算出した容量維持率が８６％の時の例である。電池使用期間経過や電池劣化がある場合、図１５の白ぬき矢印に示すように、劣化制限区間（図１５の網掛け部分）の容量維持率がところ、図１５では容量維持率９２[％]−８０[％]ところに移動させる。
マップ補正部１５０によるモデル式の補正範囲を、電池劣化状態等に合わせて最適化することで、二次電池１（図１）の充電状態を精確に推定することができる。

以上述べた、二次電池１の充電状態の推定は、二次電池１の各温度毎に行われる。

本実施形態では、制限に使用する値は事前にテストを行って、最大値と最小値を求めておく。また、二次電池１の劣化スピードを考慮して、勾配値（ｄＡｈ／ｄＯＣＶ）や近似式の係数μの最大／最小値を容量維持率に幅を持たせた形で選択できるようにしておく。
なお、勾配値（ｄＡｈ／ｄＯＣＶ）について述べたが、近似式の係数μの場合も同様にして二次電池１の充電状態の推定することができる。係数μの場合も、勾配値（ｄＡｈ／ｄＯＣＶ）の場合と同様の作用効果となる。

次に、電池状態推定装置１００の動作について説明する。
図１６は、電池状態推定装置１００（図１参照）の電池状態推定方法の動作を示すフローチャートである。
まず、ステップＳ１１で各検出手段は、電流情報Ｉ、電圧情報ＣＣＶ、温度情報Ｔを取得する。すなわち、電流検出部１０１は、電流情報Ｉを取得し、電圧検出部１０２は、電圧情報ＣＣＶを取得し、温度検出部１０３は、温度情報Ｔを取得する。
ステップＳ１２でＯＣＶ算出部１２０は、検出値（電流Ｉ、端子間電圧ＣＣＶ）および算出した抵抗から前記式（２）に従ってＯＣＶ（推定ＯＣＶ）を算出する。

ステップＳ１３のループ端で充電状態推定部１３０は、使用ＳＯＣ範囲におけるＯＣＶが所定数得られるまでループする。すなわち、ステップＳ１３のループ始端とループ終端の間において、ステップＳ１４ないしステップＳ１６の処理が使用ＳＯＣ範囲におけるＯＣＶが所定数得られるまで繰り返される。このループ処理では、電池のＳＯＣカーブを生成するためのデータが収集される。
ステップＳ１４で充電状態推定部１３０は、算出したＯＣＶ（推定ＯＣＶ）と電流情報Ｉと温度情報Ｔとを取得する。
ステップＳ１５で充電状態推定部１３０は、電池ＯＣＶ情報の差分処理を行う。ここでは、充電状態推定部１３０は、電池ＯＣＶ情報の差分（ＯＣＶ_１−ＯＣＶ_２），（ＯＣＶ_１ ^２−ＯＣＶ_２ ^２），（ＯＣＶ_１ ^３−ＯＣＶ_２ ^３），（ＯＣＶ_１ ^４−ＯＣＶ_２ ^４）を算出する。
ステップＳ１６で充電状態推定部１３０は、電池電流情報積分処理：ΔＡｈ＝ΣＩを行う。これにより、ΔＡｈ（電流積算値）が算出される。

ステップＳ１７のループ端で充電状態推定部１３０は、所定の演算回数が終了するまでループする。すなわち、ステップＳ１７のループ始端とループ終端の間において、ステップＳ１８ないしステップＳ２３の処理が所定の演算回数が終了するまで繰り返される。
ステップＳ１８で充電状態推定部１３０は、想定カーブに従って、電池ＯＣＶ情報差分処理（ステップＳ１５）で求めた各ＯＣＶ差分情報に基づいて、前記式（９）に従ってΔＡｈ_ｅｓｔを算出する。
ステップＳ１９で勾配導出部１５２は、Ａｈ−ＯＣＶカーブ１３１（図２参照）の傾きが規定値以内か否かを判定する。
Ａｈ−ＯＣＶカーブの傾きが規定値以内の場合（ステップＳ１９：Ｙｅｓ）、Penalty関数を付与しない、すなわちステップＳ２０で勾配導出部１５２は、Penalty関数（Ｐ_θ＝０）を導出してステップＳ２２に進む。
Ａｈ−ＯＣＶカーブの傾きが規定値から外れる場合（ステップＳ１９：Ｎｏ）、学習でＡｈ−ＯＣＶカーブを規定値内に収めるために、ステップＳ２１で勾配導出部１５２は、次式（２７）〜（２９）で示されるPenalty関数を導出してステップＳ２２に進む。

上記式（２７）（２８）のｇ_ＯＣＶ ^（ｉ）は、ＯＣＶに関する関数ｇを示し、（ｉ）は格子点毎の項であることを示す。また、ｌは、関数ｇが下側lowerであることを表し、ｕは、関数ｇが上側upperであることを表している。
上記式（２７）のｌｇ_ＯＣＶ ^（ｉ）には、上述した勾配値（ｄＡｈ／ｄＯＣＶ））の下限境界α_ｏｃｖが導入されている。また、上記式（２８）のｕｇ_ＯＣＶ ^（ｉ）には、上述した勾配値（ｄＡｈ／ｄＯＣＶ））の上限境界β_ｏｃｖが導入されている。

ステップＳ２２でマップ補正部１５０は、前記式（１８）に従ってコスト関数Ｊを算出する。
ステップＳ２３でマップ補正部１５０は、前記式（１６）に従ってコスト関数Ｊを偏微分して値が０に近づくように各θに対して学習する。

上記ループを所定の演算回数まで実行して本フローの処理を終了する。

以上説明したように、本実施形態に係る電池状態推定装置１００（図１参照）は、検出値からＯＣＶを算出するＯＣＶ算出部１２０と、算出したＯＣＶとＡｈ（充電状態パラメータ）−ＯＣＶマップ１３１に基づいて、前記充電状態パラメータを導出する充電状態推定部１３０と、Ａｈ−ＯＣＶマップ１３１（図２参照）を補正するマップ補正部１５０と、を備え、マップ補正部１５０は、第１時間においてのＯＣＶ算出部１２０により算出された第１ＯＣＶと、第２時間でＯＣＶ算出部１２０により算出された第２ＯＣＶと、第１時間と第２時間間で二次電池１を流れる電流積算値とに基づいて、Ａｈ−ＯＣＶマップ１３１のモデル式（式（８）参照）を導出し、当該モデル式によりＡｈ−ＯＣＶマップ１３１を補正する。

本実施形態に係る電池状態推定方法では、検出された二次電池１の電流および電圧と、充電時と放電時の内部抵抗とに基づいてＯＣＶを算出するＯＣＶ算出工程と、算出したＯＣＶとＡｈ−ＯＣＶマップ１３１に基づいて、充電状態パラメータを導出する充電状態推定工程と、Ａｈ−ＯＣＶマップ１３１を補正するマップ補正工程と、を有し、上記マップ補正工程では、第１時間において前記ＯＣＶ算出工程により算出された第１ＯＣＶと、第２時間においてＯＣＶ算出工程により算出された第２ＯＣＶと、第１時間と第２時間間で二次電池１を流れる電流の電流積算値とに基づいて、Ａｈ−ＯＣＶマップ１３１のモデル式を導出し、当該モデル式によりＡｈ−ＯＣＶマップ１３１を補正する。

このようにすることで、ＳＯＣ−ＯＣＶカーブの生産バラつきやＳＯＣ−ＯＣＶカーブの劣化による変化に対して、その変化を考慮したＳＯＣ算出と容量算出を行うことが可能となり、より電池の本来の性能を使いきれるようになる。効果としては、電池の充電状態の推定精度が向上した性能の分だけ車両性能を向上させることができる。また、向上した性能の分だけ、セル数削減等でコストを低下させることができる。

また、本実施形態の電池状態推定装置１００は、車両が走行中にその都度データを取得・演算して二次電池１の充電状態を推定できるので、劣化状態も加味した推定（ユーザ毎に劣化状態が異なる）することができ、また個体差の影響もないという特有の効果ある。

また、特許文献１記載の装置のように劣化状態・固体差・温度による複数のＳＯＣ−ＯＣＶカーブのマップを必要としないので、記憶容量低減を図りつつ、電池状態を精度良く推定することができる。また、想定できない状況でも電池状態を推定することができる。これにより、ＳＯＣ−ＯＣＶカーブの生産バラつきやＳＯＣ−ＯＣＶカーブの劣化による変化に対して、その変化を考慮したＳＯＣ算出、容量算出を行うことが可能となり、より電池の本来の性能を使いきれるようになる。その結果、向上した性能の分だけ車両性能を向上させることができる。換言すれば、向上した性能の分だけ、セル数削減等でコスト削減を図ることができる。

また、特許文献２記載の装置のようにヒステリシスを前提としていないので、ヒステリシスがなくてもＳＯＣ−ＯＣＶカーブの推定で可能である。また、その傾きや係数の条件のみに上下限値を規制するマップを設定しているので、あらゆる劣化状態や個体バラつきにも対応することができる。

また、本実施形態では、制御器で算出したＳＯＣ値とＯＣＶ値から、ＳＯＣ−ＯＣＶカーブを学習する際、ＳＯＣ−ＯＣＶカーブの傾きや学習する際の数式の係数に制限を設ける。この制限値は容量維持率に依存した幅を持つものである。これにより、学習精度の向上を図ることができる。

ここで、上述したように、制限に使用する値は事前にテストを行って、最大値と最小値を求めておく。二次電池１の劣化スピードを考慮して、傾きや近似式の係数の最大／最小値を容量維持率に幅を持たせた形で選択できるようにしておく。幅の推定には期間や、レコーダに取得している温度とＳＯＣのヒストグラムのデータを用いてもよい。

本発明は上記の実施形態例に限定されるものではなく、特許請求の範囲に記載した本発明の要旨を逸脱しない限りにおいて、他の変形例、応用例を含む。
例えば、電池特性推定方法、電池特性推定装置及びプログラムは、計算機能を独立したハードでもよいし、電池システムにおけるソフトウェアでもよい。したがって、電池特性推定方法、電池特性推定装置及びプログラムの計算、演算処理はコンピュータのプログラムでなくとも、ＡＳＩＣ（Application Specific Integrated Circuit）等を用いてもよい。

また、上記した実施形態例は本発明をわかりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態例の構成の一部を他の実施形態例の構成に置き換えることが可能であり、また、ある実施形態例の構成に他の実施形態例の構成を加えることも可能である。また、各実施形態例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、図１及び図６に示すように、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行するためのソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、または、ＩＣ（Integrated Circuit）カード、ＳＤ（Secure Digital）カード、光ディスク等の記録媒体に保持することができる。また、本明細書において、時系列的な処理を記述する処理ステップは、記載された順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理（例えば、並列処理あるいはオブジェクトによる処理）をも含むものである。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１００ 電池状態推定装置
１０１ 電流検出部（電流検出手段）
１０２ 電圧検出部（電圧検出手段）
１０３ 温度検出部（温度検出手段）
１１０ 抵抗算出部
１２０ ＯＣＶ算出部（ＯＣＶ算出手段）
１３０ 充電状態推定部（充電状態推定手段）
１３１ Ａｈ（充電状態パラメータ）−ＯＣＶマップ
１４０ 容量算出部
１５０ マップ補正部１５０（マップ補正手段）
１５１ データ記憶部（記憶手段）
１５２ 勾配導出部（勾配導出手段）

Claims (6)

1. 電池の充放電電流を検出する電流検出手段と、
   電池の端子間電圧を検出する電圧検出手段と、
   検出された前記電池の電流および電圧と、充電時と放電時の内部抵抗とに基づいてＯＣＶを算出するＯＣＶ算出手段と、
   算出したＯＣＶと充電状態パラメータ−ＯＣＶマップに基づいて、前記充電状態パラメータを導出する充電状態推定手段と、
   前記充電状態パラメータ−ＯＣＶマップを補正するマップ補正手段と、を備え、
   前記マップ補正手段は、
   第１時間において前記ＯＣＶ算出手段により算出された第１ＯＣＶと、第２時間において前記ＯＣＶ算出手段により算出された第２ＯＣＶと、前記第１時間と前記第２時間間で前記電池を流れる電流の電流積算値とに基づいて、前記充電状態パラメータ−ＯＣＶマップのモデル式を導出し、当該モデル式により前記充電状態パラメータ−ＯＣＶマップを補正する
   ことを特徴とする電池状態推定装置。
2. 前記マップ補正手段は、
   前記第１ＯＣＶと前記第２ＯＣＶと前記電流積算値との組合せを１または複数記憶する記憶手段を備え、
   前記記憶手段から前記第１ＯＣＶと前記第２ＯＣＶと前記電流積算値との組合せを読み出して前記充電状態パラメータ−ＯＣＶマップを補正する
   ことを特徴とする請求項１に記載の電池状態推定装置。
3. 前記マップ補正手段は、
   前記充電状態パラメータに対するＯＣＶ変化量を示す勾配を勾配値として導出する勾配導出手段を備え、
   予め勾配の取り得る範囲を設定し、勾配が範囲外である場合には前記モデル式を補正する
   ことを特徴とする請求項１または請求項２に記載の電池状態推定装置。
4. 前記勾配の取り得る範囲は、前記電池の劣化状態に応じて変える
   ことを特徴とする請求項３に記載の電池状態推定装置。
5. 電池の温度を検出する電池温度検出手段を備え、
   前記マップ補正手段は、
   検出した前記電池の温度毎に、前記充電状態パラメータ−ＯＣＶマップを補正する
   ことを特徴とする請求項１ないし請求項４のいずれか一項に記載の電池状態推定装置。
6. 電池の充放電電流を検出する電流検出工程と、
   電池の端子間電圧を検出する電圧検出工程と、
   検出された前記電池の電流および電圧と、充電時と放電時の内部抵抗とに基づいてＯＣＶを算出するＯＣＶ算出工程と、
   算出したＯＣＶと充電状態パラメータ−ＯＣＶマップに基づいて、前記充電状態パラメータを導出する充電状態推定工程と、
   前記充電状態パラメータ−ＯＣＶマップを補正するマップ補正工程と、を有し、
   前記マップ補正工程では、
   第１時間において前記ＯＣＶ算出工程により算出された第１ＯＣＶと、第２時間において前記ＯＣＶ算出工程により算出された第２ＯＣＶと、前記第１時間と前記第２時間間で前記電池を流れる電流の電流積算値とに基づいて、前記充電状態パラメータ−ＯＣＶマップのモデル式を導出し、当該モデル式により前記充電状態パラメータ−ＯＣＶマップを補正する
   ことを特徴とする電池状態推定方法。

Images