JP7044634B2 - バッテリ状態推定方法及び装置 - Google Patents

Description

本発明は、バッテリ状態推定に関する。

環境問題とエネルギー資源問題が重要視される中、電気自動車（Ｅｌｅｃｔｒｉｃ Ｖｅｈｉｃｌｅ）が未来の運送手段として注目を浴びている。電気自動車は、充放電可能な複数の２次電池が１つのパックとして形成されたバッテリを主な動力源として利用するため排気ガスがなく、騒音が小さい。

電気自動車においてバッテリは、ガソリン自動車のエンジン及び燃料タンクのような役割を果たすため、電気自動車のユーザ安全のためにバッテリの状態を推定することが重要である。

最近では、バッテリの状態をより正確に推定するための研究が盛んに行われている。

本発明の目的は、バッテリ状態推定を提供することにある。

一つの側面に係るバッテリ状態推定方法は、バッテリの検出データに設定されたターゲット区間からデータを抽出するステップと、前記ターゲット区間それぞれから抽出されたデータに対する特徴ベクトルを生成するステップと、前記生成された特徴ベクトルそれぞれに加重値を適用するステップと、前記加重値が適用された特徴ベクトルを併合するステップと、前記併合に基づいて前記バッテリの状態情報を決定するステップとを含む。

前記特徴ベクトルを生成するステップは、前記ターゲット区間それぞれから抽出されたデータをサンプリングするステップと、前記特徴ベクトルを生成するために前記サンプリングされたデータをエンコーディングするステップとを含み得る。

前記生成された特徴ベクトルに加重値を適用するステップは、前記生成された特徴ベクトル及び前記バッテリの以前状態情報に基づいて加重値を算出するステップと、前記生成された特徴ベクトルそれぞれに前記算出された加重値それぞれを適用するステップとを含み得る。

前記バッテリ状態推定方法は、前記状態情報に対するアップデートイベントが発生した場合、前記検出データに追加ターゲット区間を設定し、前記追加ターゲット区間からデータを抽出するステップと、前記追加ターゲット区間から抽出されたデータをエンコーディングして追加特徴ベクトルを生成するステップと、前記生成された追加特徴ベクトルに第２加重値を適用した結果及び前記生成された特徴ベクトルのうちの一部に第３加重値を適用した結果に基づいて、前記状態情報をアップデートするステップとをさらに含み得る。

前記バッテリ状態推定方法は、前記検出データに前記ターゲット区間それぞれを任意に設定するステップをさらに含み得る。

前記ターゲット区間それぞれの長さは互いに異なり得る。

前記アップデートイベントは、ユーザ入力によって発生したりアップデート周期に達するとき発生し得る。

前記ターゲット区間のうち最も安定的なパターン変化を示すターゲット区間に関する特徴ベクトルに最大加重値が適用され得る。

コンピュータで読み出し可能な格納媒体は、前記バッテリ状態推定方法を実行するための命令を格納し得る。

一実施形態に係るバッテリ状態推定装置は、バッテリの検出データに設定されたターゲット区間からデータを抽出し、前記ターゲット区間それぞれから抽出されたデータに対する特徴ベクトルを生成し、前記生成された特徴ベクトルそれぞれに加重値を適用し、前記加重値が適用された特徴ベクトルを併合し、前記併合に基づいて前記バッテリの状態情報を決定するコントローラを含む。

前記コントローラは前記抽出されたデータをサンプリングし、前記サンプリングされたデータをエンコーディングして前記特徴ベクトルを生成し得る。

前記コントローラは、前記生成された特徴ベクトル及び前記バッテリの以前状態情報に基づいて加重値を算出し、前記生成された特徴ベクトルそれぞれに前記算出された加重値それぞれを適用し得る。

前記コントローラは、前記状態情報に対するアップデートイベントが発生した場合、前記検出データに追加ターゲット区間を設定し、前記追加ターゲット区間からデータを抽出し、前記追加ターゲット区間から抽出されたデータをエンコーディングして追加特徴ベクトルを生成し、前記生成された追加特徴ベクトルに第２加重値を適用した結果、及び前記特徴ベクトルのうちの一部に第３加重値を適用した結果に基づいて前記状態情報をアップデートし得る。

前記コントローラは、前記検出データに前記ターゲット区間それぞれを任意に設定し得る。

前記ターゲット区間それぞれの長さは互いに異なり得る。

前記ターゲット区間のうち最も安定的なパターン変化を示すターゲット区間に関する特徴ベクトルに最大加重値が適用され得る。

他の一実施形態に係るバッテリ状態推定装置は、バッテリの検出データに設定されたターゲット区間からデータを抽出し、前記抽出されたデータ及び状態推定モデルに基づいて前記バッテリの状態情報を決定するコントローラを含み、前記状態推定モデルは、前記ターゲット区間それぞれから抽出されたデータに対する特徴ベクトルを生成する第１レイヤと、前記生成された特徴ベクトルそれぞれに加重値を適用し、前記加重値が適用された特徴ベクトルを併合する第２レイヤと、前記併合された特徴ベクトルに基づいて前記バッテリの状態情報を決定する第３レイヤとを含む。

前記第１レイヤは、前記抽出されたデータそれぞれのパターン変化を認識し得る。

前記第２レイヤは、前記生成された特徴ベクトル及び前記バッテリの以前状態情報に基づいて加重値を算出し、前記生成された特徴ベクトルそれぞれに前記算出された加重値それぞれを適用し得る。

前記第３レイヤは、前記併合結果に回帰を行って前記状態情報を決定し得る。

一実施形態に係る車両は、バッテリモジュールと、前記バッテリモジュールのデータを検出するセンサと、プロセッサによって実施されるバッテリ状態推定装置とを含み、前記バッテリ状態推定装置は、前記検出データを受信して前記検出データにターゲット区間を設定して前記ターゲット区間それぞれからデータを抽出する抽出器と、前記ターゲット区間それぞれから抽出されたデータをエンコーディングして各ターゲット区間に対応する特徴ベクトルを生成するエンコーダと、前記生成された特徴ベクトルそれぞれに加重値を適用して前記加重値が適用された特徴ベクトルを併合するベクトル併合器と、前記併合された特徴ベクトルに基づいて前記バッテリモジュールの状態情報を決定する推定器とを含む。

前記特徴ベクトルそれぞれは、各ターゲット区間から抽出されたデータのパターンに対する変化に対応する。

最大加重値は、前記特徴ベクトルのうちパターン変化が最も小さい特徴ベクトルに適用され得る。

前記バッテリモジュールのデータは、前記バッテリモジュールの電圧データ、電流データ、温度データのうちいずれか１つ又はその組合せを含み得る。

前記車両は、前記プロセッサとカップリングされたメモリと、前記バッテリモジュールの決定された状態情報を出力する出力部とをさらに含み得る。

前記メモリは、前記プロセッサによって実行される命令語を含み、前記検出データ、前記特徴ベクトル、及び前記決定された状態情報を格納し得る。

本発明によれば、バッテリ状態推定を提供することができる。

一実施形態に係るバッテリ装置を説明するための図である。 一実施形態に係るバッテリ状態推定装置の動作を説明するための図である。 一実施形態に係るバッテリ状態推定装置の動作を説明するための図である。 一実施形態に係るバッテリ状態推定装置の動作を説明するための図である。 一実施形態に係るバッテリ状態推定装置の動作を説明するための図である。 一実施形態に係るバッテリ状態推定装置を説明するためのブロック図である。 一実施形態に係るバッテリ状態推定方法を説明するためのフローチャートである。 一実施形態に係る車両を説明するための図である。 一実施形態に係る車両を説明するための図である。 一実施形態に係る端末を説明するための図である。 一実施形態に係る学習装置を説明するためのブロック図である。

以下に、添付する図面を参照しながら実施形態を詳細に説明する。

本明細書で開示されている特定の構造的又は機能的な説明は、単に実施形態を説明するために例示されたものであり、実施形態は様々な異なる形態で実施され、本明細書に説明された実施形態に限定されることはない。

本明細書で用いた用語は、単に特定の実施形態を説明するために用いられるものであって、本発明を限定しようとする意図はない。単数の表現は、文脈上、明白に異なる意味をもたない限り、複数の表現を含む。本明細書において、「含む」又は「有する」等の用語は、明細書上に記載した特徴、数字、ステップ、動作、構成要素、部品、又はこれらを組み合わせたものが存在することを示すものであって、１つ又はそれ以上の他の特徴や数字、ステップ、動作、構成要素、部品、又はこれらを組み合わせたものなどの存在又は付加の可能性を予め排除しないものとして理解しなければならない。

異なる定義がされない限り、技術的又は科学的な用語を含むここで用いる全ての用語は、本実施形態が属する技術分野で通常の知識を有する者によって一般的に理解されるものと同じ意味を有する。一般的に用いられる予め定義された用語は、関連技術の文脈上で有する意味と一致する意味を有するものと解釈すべきであって、本明細書で明白に定義しない限り、理想的又は過度に形式的な意味として解釈されることはない。

以下に、添付する図面を参照しながら実施形態を詳細に説明する。各図面に提示された同一の参照符号は、同一の部材を示す。

図１は、一実施形態に係るバッテリ装置を説明するための図である。

図１を参照すると、一実施形態に係るバッテリ装置１００は、バッテリ状態推定装置１１０及びバッテリ１２０を含む。バッテリ１２０は、バッテリセル、バッテリモジュール、又は、バッテリパックを示し得る。

バッテリ状態推定装置１１０は、バッテリ１２０の検出データにターゲット区間を設定し、ターゲット区間で抽出されたデータからバッテリ１２０の状態情報を決定する。ここで、バッテリ状態推定装置１１０は、抽出されたデータのうち最も安定的なパターン変化を示すデータに集中することで、バッテリ１２０の状態情報をより正確に決定することができる。

以下に、図２～図５を参照しながら、バッテリ状態推定装置１１０の動作に対して具体的に説明する。

図２～図５は、一実施形態に係るバッテリ状態推定装置の動作を説明するための図である。

図２を参照すると、バッテリ状態推定装置１１０は、入力バッファ２１０、抽出器２２０、エンコーダ２３０、第１メモリ２４０、第２メモリ２５０、ベクトル併合器（ｍｅｒｇｅｒ）２６０、推定器２７０、及び出力バッファ２８０を含む。

抽出器２２０、エンコーダ２３０、ベクトル併合器２６０、及び推定器２７０は、１つ以上のコントローラ又は１つ以上のプロセッサによって具現化される。入力バッファ２１０及び出力バッファ２８０は、互いに物理的に区分されたり、１つのバッファ内で論理的に区分されてもよい。また、第１メモリ２４０及び第２メモリ２５０は、互いに物理的に区分されたり、１つのメモリ内で論理的に区分されてもよい。

入力バッファ２１０は、センサ２０１～２０３から検出データを受信して格納する。検出データは、一例として、バッテリ１２０の電圧データ、電流データ、及び温度データのうちいずれか１つ又はその組合せを含む。

抽出器２２０は、入力バッファ２１０から検出データを受信し、検出データにターゲット区間を設定する。抽出器２２０は、図３に示す例のように、電流データ３１０及び電圧データ３１１にターゲット区間３２０～３２４を設定する。ここで、ターゲット区間３２０～３２４のそれぞれの長さは互いに同じであるか、それぞれ異なってもよい。一実施形態によれば、抽出器２２０は、検出データにターゲット区間３２０～３２４を任意に設定する。

抽出器２２０は、ターゲット区間３２０～３２４のそれぞれに属するデータを抽出する。別の表現によれば、抽出器２２０は、ターゲット区間３２０～３２４のそれぞれに該当する区間データを抽出する。抽出器２２０は、抽出されたデータをエンコーダ２３０に出力する。

実施により、抽出器２２０は、抽出されたデータそれぞれをサンプリングし、サンプリングされたデータをエンコーダ２３０に出力する。

エンコーダ２３０は、抽出されたデータをエンコーディングして特徴ベクトルを生成する。エンコーダ２３０は、入力のパターン変化認識（又は、パターン認識）が可能なように学習されているため、抽出されたデータそれぞれのパターン変化を表現する特徴ベクトルを生成する。実施形態により、エンコーダ２３０は、例えば、ニューラルネットワークに基づく。図３を参照すると、エンコーダ２３０は、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）３３０に基づき、第１メモリ２４０に格納された１つ以上のパラメータをＬＳＴＭ３３０に適用し得る。エンコーダ２３０のＬＳＴＭ３３０は、ターゲット区間（１）３２０で抽出された電流データ及び電圧データをエンコーディングして特徴ベクトルｈ_１を生成する。ここで、特徴ベクトルｈ_１は、ターゲット区間（１）３２０内で電流データ３１０及び電圧データ３１１それぞれのパターン変化を表現する。同様に、エンコーダ２３０のＬＳＴＭ３３０は、ターゲット区間３２１～３２４のそれぞれから抽出した電流データ及び電圧データをエンコーディングして特徴ベクトルｈ_２、ｈ_３、ｈ_４、ｈ_５を生成する。エンコーダ２３０は、特徴ベクトルｈ_１、ｈ_２、ｈ_３、ｈ_４、ｈ_５を第２メモリ２５０に格納する。

ベクトル併合器２６０は、特徴ベクトルに加重値を適用し、加重値が適用された特徴ベクトルを併合する。実施形態により、ベクトル併合器２６０は、ニューラルネットワークに基づく。図３を参照すると、ベクトル併合器２６０は、集中ネットワーク３４０に基づき、このようなベクトル併合器２６０は、特徴ベクトルｈ_１、ｈ_２、ｈ_３、ｈ_４、ｈ_５とバッテリ１２０の以前の状態情報に基づいて加重値α_１、α_２、α_３、α_４、α_５を算出する。ここで、加重値α_１、α_２、α_３、α_４、α_５それぞれは特徴ベクトルｈ_１、ｈ_２、ｈ_３、ｈ_４、ｈ_５それぞれとマッチングされるが、抽出されたデータのうち最も安定的なパターン変化を有するデータに対する特徴ベクトルとマッチングされる加重値が最も大きくてもよい。一例として、ターゲット区間３２１～３２４よりもターゲット区間（１）３２０にノイズが相対的に少なく、ターゲット区間（１）３２０が最も安定的なパターン変化を示すのであれば、ターゲット区間（１）３２０に関する特徴ベクトルｈ_１（言い換えれば、ターゲット区間（１）３２０で抽出されたデータに対する特徴ベクトルｈ_１）とマッチングされる加重値α_１がα_１、α_２、α_３、α_４、α_５のうち最も大きい。ベクトル併合器２６０は、特徴ベクトルｈ_１、ｈ_２、ｈ_３、ｈ_４、ｈ_５それぞれにα_１、α_２、α_３、α_４、α_５を適用する。特に、最も安定的なパターン変化を示すデータに対する特徴ベクトルに最大加重値が適用されるため、バッテリ状態推定装置１１０はバッテリ１２０の状態情報を決定するとき、最も安定的なパターン変化を示すデータにより集中する。ベクトル併合器２６０は、加重値が適用された特徴ベクトルα_１ｈ_１、α_２ｈ_２、α_３ｈ_３、α_４ｈ_４、α_５ｈ_５を併合する。一例として、ベクトル併合器２６０は、α_１ｈ_１、α_２ｈ_２、α_３ｈ_３、α_４ｈ_４、α_５ｈ_５を加えてもよい。ベクトル併合器２６０は併合結果を推定器２７０で出力する。

推定器２７０は、併合結果に基づいてバッテリ１２０の状態情報を決定する。例えば、推定器２７０は、併合結果α_１ｈ_１＋α_２ｈ_２＋α_３ｈ_３＋α_４ｈ_４＋α_５ｈ_５に線形回帰（ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ）を行い、線形回帰の結果をバッテリ１２０の状態情報に決定する。実施形態により、推定器２７０はニューラルネットワークに基づく。

推定器２７０は、決定された状態情報を出力バッファ２８０に格納する。推定器２７０は、ターゲット区間３２０～３２４のうち最も古いターゲット区間（１）３２０から抽出されたデータの特徴ベクトルｈ_１を第２メモリ２５０から削除してもよい。特徴ベクトルｈ_１は、バッテリ１２０の状態情報のアップデート時点で最も古いデータに対する特徴ベクトルであるため、状態情報をアップデートするとき適しないこともある。推定器２７０は、特徴ベクトルｈ_１を第２メモリ２５０から削除してもよい。そのため、第２メモリ２５０には特徴ベクトルｈ_２、ｈ_３、ｈ_４、ｈ_５が格納される。

一実施形態に係るバッテリ状態推定装置１１０は、状態情報をアップデートする場合、第２メモリ２５０に格納された特徴ベクトルｈ_２、ｈ_３、ｈ_４、ｈ_５を再び利用する。これによって、バッテリ状態推定装置１１０は、より少ない演算量及び向上した速度で状態情報をアップデートすることができる。以下に、図４ないし図５を参照しながら説明する。

図４を参照すると、抽出器２２０はアップデートイベントが発生する場合、電流データ３１０及び電圧データ３１１にターゲット区間（６）３２５をさらに設定し得る。ここで、アップデートイベントは、ユーザのリクエストに応じて発生したり、現在時間がアップデート周期に達するときに発生する可能性がある。抽出器２２０は、ターゲット区間（６）３２５内の電流データ３１０及び電圧データ３１１を抽出し、抽出された電流データ３１０及び電圧データ３１１をエンコーダ２３０に出力する。

エンコーダ２３０は、抽出された電流データ３１０及び電圧データ３１１をエンコーディングして特徴ベクトルｈ_６を生成する。

ベクトル併合器２６０は、エンコーダ２３０からｈ_６が入力され、第２メモリ２５０からｈ_２、ｈ_３、ｈ_４、ｈ_５が入力される。図５を参照して別に説明すると、ベクトル併合器２６０は、第２メモリ２５０でｈ_２、ｈ_３、ｈ_４、ｈ_５をロードしてもよく、エンコーダ２３０からｈ_６が入力されてもよい。

ベクトル併合器２６０は、特徴ベクトルｈ_２、ｈ_３、ｈ_４、ｈ_５、ｈ_６、及び上記で決定された状態情報を用いて加重値を算出する。加重値β_２、β_３、β_４、β_５、β_６が算出されれば、ベクトル併合器２６０は、特徴ベクトルｈ_２、ｈ_３、ｈ_４、ｈ_５、ｈ_６それぞれに加重値β_２、β_３、β_４、β_５、β_６それぞれを適用する。

ベクトル併合器２６０は、加重値が適用された特徴ベクトルβ_２ｈ_２、β_３ｈ_３、β_４ｈ_４、β_５ｈ_５、β_６ｈ_６を併合し、併合結果を推定器２７０に出力する。

推定器２７０は、β_２ｈ_２、β_３ｈ_３、β_４ｈ_４、β_５ｈ_５、β_６ｈ_６の併合結果に基づいて、バッテリ１２０の状態情報をアップデートすることができる。

推定器２７０は、アップデートされた状態情報を出力バッファ２８０に格納し、ターゲット区間３２１～３２５のうち最も古いターゲット区間（２）３２１に該当するデータの特徴ベクトルｈ_２を第２メモリ２５０から削除する。

アップデートのイベントが発生するごとに、図４を参照して説明した抽出器２２０、エンコーダ２３０、ベクトル併合器２６０、及び推定器２７０の動作が反復される。

図１～図３を参照して説明した事項は、図４を参照して説明した事項に適用し得るため、詳細な説明は省略する。

図６は、一実施形態に係るバッテリ状態推定装置を説明するためのブロック図である。

図６を参照すると、バッテリ状態推定装置１１０は、メモリ６１０及びコントローラ６２０を含む。

メモリ６１０は、状態推定モデルの１つ以上のパラメータを格納する。メモリ６１０は、コンピュータで読み出し可能な格納媒体又はコンピュータで読み出し可能な格納装置を含む。例えば、メモリ６１０は、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｉｅｓ）、ＤＲＡＭ（ｄｙｎａｍｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｉｅｓ）、ＳＲＡＭ（ｓｔａｔｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｉｅｓ）、又はこの技術分野で知られた他の形態の不揮発性メモリを含み得る。また、メモリ６１０は、コントローラ６２０によって実行される命令を格納し得る。

コントローラ６２０は、バッテリ１２０の検出データにターゲット区間を設定し、設定されたターゲット区間それぞれからデータを抽出する。

コントローラ６２０は、抽出されたデータ及び状態推定モデルに基づいてバッテリ１２０の状態情報を決定する。ここで、コントローラ６２０は、メモリ６１０に格納されたパラメータを状態推定モデルに適用する。

一実施形態によれば、状態推定モデルは、第１ないし第３レイヤを含む。第１レイヤは、抽出されたデータに対する特徴ベクトルを生成する。第１レイヤは、入力のパターン変化認識又はパターン認識が可能なように学習され、抽出されたデータそれぞれのパターン変化を認識する。そのため、第１レイヤは、抽出されたデータそれぞれのパターン変化に関する特徴ベクトルを生成する。第１レイヤは、ニューラルネットワーク（一例として、ＬＳＴＭ）に当該する。第１レイヤは、エンコーダ２３０に対応するため、詳しい説明を省略する。

第２レイヤは、特徴ベクトルに加重値を適用し、加重値が適用された特徴ベクトルを併合する。第２レイヤは、ニューラルネットワーク（一例として、集中ネットワーク）に当該する。第２レイヤは、ベクトル併合器２６０に対応するため、詳しい説明を省略する。

第３レイヤは、併合結果に基づいてバッテリ１２０の状態情報を決定する。第３レイヤは推定器２７０に対応するため、詳しい説明を省略する。

状態推定モデルは、学習装置によって学習が完了したものである。学習については図１０を参照して後述する。

図１～図５を参照して説明した事項は、図６を参照して説明した事項に適用し得るため、詳細な説明は省略する。

図７は、一実施形態に係るバッテリ状態推定方法を説明するためのフローチャートである。

バッテリ状態推定方法は、バッテリ状態推定装置１１０によって実行されてもよい。

図７を参照すると、バッテリ状態推定装置１１０は、バッテリ１２０の検出データに設定されたターゲット区間それぞれからデータを抽出する（Ｓ７１０）。

バッテリ状態推定装置１１０は、抽出されたデータに対する特徴ベクトルを生成する（Ｓ７２０）。

バッテリ状態推定装置１１０は、特徴ベクトルに加重値を適用する（Ｓ７３０）。

バッテリ状態推定装置１１０は、加重値が適用された特徴ベクトルを併合する（Ｓ７４０）。

バッテリ状態推定装置１１０は、併合結果に基づいてバッテリ１２０の状態情報を決定する（Ｓ７５０）。

図１～図６を参照して説明した事項は、図７を参照して説明した事項に適用し得るため、詳細な説明は省略する。

図８Ａ及び図８Ｂは、一実施形態に係る車両を説明するための図である。

図８Ａを参照すると、車両８００は、バッテリパック８１０及びバッテリ管理装置（Ｂａｔｔｅｒｙ Ｍａｎａｇｅｍｅｎｔ Ａｐｐａｒａｔｕｓ：ＢＭＡ）８２０を含む。車両８００は、バッテリパック８１０を電力源として利用し得る。車両８００は、例えば、電気自動車、ハイブリッド自動車、トゥラム（ｔｒａｍ）、汽車、モノレール、バス、ボート、スノーモバイル（ｓｎｏｗｍｏｂｉｌｅ）、スクーター、トラクター、トラック、バイクなどのような装置であり得る。

バッテリパック８１０は、１つ以上のバッテリモジュールを含む。ここで、バッテリモジュールは、１つ以上のバッテリセルを含む。

バッテリ管理装置８２０は、バッテリパック８１０に異常が発生したかをモニタリングし、バッテリパック８１０が過充電（ｏｖｅｒ－ｃｈａｒｇｉｎｇ）又は過放電（ｏｖｅｒ－ｄｉｓｃｈａｒｇｉｎｇ）されないようにする。また、バッテリ管理装置８２０は、バッテリパック８１０の温度が第１温度（一例として、４０℃）を超過したり、第２温度（一例として、－１０℃）未満であれば、バッテリパック８１０に対して熱制御を行ってもよい。また、バッテリ管理装置８２０は、セルのバランシングを行ってバッテリパック８１０に含まれるバッテリセル間の充電状態が均等になるようにする。

一実施形態によれば、バッテリ管理装置８２０は、バッテリ状態推定装置１１０を含む。バッテリ管理装置８２０は、バッテリ状態推定装置１１０を用いてバッテリパック８１０の状態情報又はバッテリパック８１０に含まれたバッテリセルの状態情報を決定する。バッテリ管理装置８２０は、車両８００が走行しているとき又はバッテリパック８１０が部分充放電されているとき、バッテリパック８１０の状態情報又はバッテリパック８１０に含まれたバッテリセルの状態情報を決定する。

バッテリ管理装置８２０は、決定された状態情報を車両８００のＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）又はＶＣＵ（Ｖｅｈｉｃｌｅ Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）に送信する。車両８００のＥＣＵ又はＶＣＵは、決定された状態情報をディスプレイ９１０に出力する。図８Ｂに示す例のように、ＥＣＵ又はＶＣＵは、バッテリパック８１０の状態情報８３０を車両８００内の計器盤に表示する。また、図８Ｂに図示していないが、ＥＣＵ又はＶＣＵは、バッテリパック８１０の状態情報８３０を車両８００のヘッドアップディスプレイに表示してもよい。

実施により、ＥＣＵ又はＶＣＵは、バッテリ状態推定装置１１０により決定された状態情報を車両８００の無線通信インターフェースを介してユーザの端末に送信する。そのため、ユーザは、車両８００の外部でバッテリパック８１０の状態情報又はバッテリパック８１０に含まれたバッテリセルの状態情報をチェックすることができる。

図１～図７を参照して説明した事項は、図８Ａ～図８Ｂを参照して説明された事項に適用し得るため、詳細な説明は省略する。

図９は、一実施形態に係る端末を説明するための図である。

図９を参照すると、端末９００は、バッテリ状態推定装置１１０及びバッテリ１２０を含む。端末９００は、知能型エージェント（ｉｎｔｅｌｌｉｇｅｎｔ ａｇｅｎｔ）、モバイルフォン、セルラーフォン、スマートフォン、ウェアラブルスマートデバイス、サーバ、ＰＣ、ラップトップ、ノート型パソコン、ネットブック、タブレット、ファブレット、ＰＤＡ（ｐｅｒｓｏｎａｌ ｄｉｇｉｔａｌ ａｓｓｉｓｔａｎｔ）、ＥＤＡ（ｅｎｔｅｒｐｒｉｓｅ ｄｉｇｉｔａｌ ａｓｓｉｓｔａｎｔ）、デジタルカメラ、ＭＰ３ｖプレーヤー、ＰＭＰ（ｐｏｒｔａｂｌｅ／ｐｅｒｓｏｎａｌ ｍｕｌｔｉｍｅｄｉａ ｐｌａｙｅｒ）、ＨＤＴＶ（ｈｉｇｈ ｄｅｆｉｎｉｔｉｏｎ ｔｅｌｅｖｉｓｉｏｎ）、スマート家電、ネットワークを介して制御されるＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）デバイスのような製品の様々なタイプを含み得る。

バッテリ１２０は、脱着型バッテリ（ｒｅｍｏｖａｂｌｅ ｂａｔｔｅｒｙ）又は内蔵型バッテリ（ｅｍｂｅｄｄｅｄ ｂａｔｔｅｒｙ）であり得る。

端末９００は、バッテリ状態推定装置１１０を用いてバッテリ１２０の状態情報を決定し、決定された状態情報をディスプレイに出力する。例えば、端末９００は、バッテリ状態推定装置１１０を用いてバッテリ１２０の残存寿命を推定することができ、推定された残存寿命をディスプレイに表示する。

また、端末９００は、決定された状態情報によって通知情報を生成してディスプレイに出力する。例えば、端末９００は、バッテリ１２０の寿命がほとんど残っておらず、バッテリ１２０を新しいバッテリに交換する必要があるというメッセージをディスプレイに出力する。

図１～図８を参照して説明した事項は、図９を参照して説明した事項に適用し得るため、詳細な説明は省略する。

バッテリ状態推定装置１１０は車両８００と端末９００のみならず、充放電が可能な二次電池を電力源として用いる装置又はシステムに含まれてもよい。また、バッテリ状態推定装置１１０は、エネルギー格納システム（Ｅｎｅｒｇｙ Ｓｔｏｒａｇｅ Ｓｙｓｔｅｍ、ＥＳＳ）に含まれてもよい。

図１０は、一実施形態に係る学習装置を説明するためのブロック図である。

図１０を参照すると、学習装置１０００は、メモリ１０１０及びコントローラ１０２０を含む。

メモリ１０１０は学習データを格納する。ここで、学習データは、バッテリ１２０が充放電される間に検知された結果に該当する全体検出データを示し得る。

コントローラ１０２０は、学習データにターゲット区間を設定し、設定されたターゲット区間それぞれに属するデータを抽出する。コントローラ１０２０は、抽出されたデータに基づいて第１ないし第３レイヤを含む状態推定モデルを学習させる。特に、コントローラ１０２０は、第１レイヤが抽出されたデータそれぞれのパターン変化を認識できるように第１レイヤを学習させる。このような学習によって、コントローラ１０２０は、各レイヤの１つ以上のパラメータを最適化することができる。最適化されたパラメータは、バッテリ状態推定装置１１０の第１メモリ２４０又はメモリ６１０に格納される。

上述の実施形態は、ハードウェア構成要素、ソフトウェア構成要素、又はハードウェア構成要素及びソフトウェア構成要素の組合せで具現化される。例えば、実施形態で説明した装置及び構成要素は、例えば、プロセッサ、コントローラ、ＡＬＵ（ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）、デジタル信号プロセッサ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、マイクロコンピュータ、ＦＰＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ａｒｒａｙ）、ＰＬＵ（ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｕｎｉｔ）、マイクロプロセッサー、又は命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行して応答する異なる装置のように、１つ以上の汎用コンピュータ又は特殊目的コンピュータを用いて具現化される。処理装置は、オペレーティングシステム（ＯＳ）及びオペレーティングシステム上で実行される１つ以上のソフトウェアアプリケーションを実行する。また、処理装置は、ソフトウェアの実行に応答してデータをアクセス、格納、操作、処理、及び生成する。理解の便宜のために、１つの処理装置が使用されるものとして説明する場合もあるが、当該技術分野で通常の知識を有する者は、処理装置が複数の処理要素（ｐｒｏｃｅｓｓｉｎｇ ｅｌｅｍｅｎｔ）及び／又は複数類型の処理要素を含むことが分かる。例えば、処理装置は、複数のプロセッサ又は１つのプロセッサ及び１つのコントローラを含む。また、並列プロセッサ（ｐａｒａｌｌｅｌ ｐｒｏｃｅｓｓｏｒ）のような、他の処理構成も可能である。

ソフトウェアは、コンピュータプログラム、コード、命令、又はこれらのうちの１つ以上の組合せを含み、希望通りに動作するように処理装置を構成し、独立的又は結合的に処理装置に命令する。ソフトウェア及び／又はデータは、処理装置によって解釈され、処理装置に命令又はデータを提供するためのあらゆる類型の機械、構成要素、物理的装置、仮想装置、コンピュータ格納媒体又は装置、或いは送信される信号波を介して永久的又は一時的に具現化される。ソフトウェアは、ネットワークに接続されたコンピュータシステム上に分散され、分散された方法で格納されるか又は実行される。ソフトウェア及びデータは１つ以上のコンピュータ読み取り可能な記録媒体に格納される。

本実施形態による方法は、多様なコンピュータ手段を介して実施されるプログラム命令の形態で具現化され、コンピュータ読み取り可能な記録媒体に記録される。記録媒体は、プログラム命令、データファイル、データ構造などを単独又は組合せて含む。記録媒体及びプログラム命令は、本発明の目的のために特別に設計して構成されたものでよく、コンピュータソフトウェア分野の技術を有する当業者にとって公知のものであり、使用可能なものであってもよい。コンピュータ読み取り可能な記録媒体の例としては、ハードディスク、フロッピー（登録商標）ディスク及び磁気テープのような磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤのような光記録媒体、フロプティカルディスクのような磁気－光媒体、及びＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令を保存して実行するように特別に構成されたハードウェア装置を含む。プログラム命令の例としては、コンパイラによって生成されるような機械語コードだけでなく、インタプリタなどを用いてコンピュータによって実行される高級言語コードを含む。ハードウェア装置は、本発明の動作を実行するために１つ以上のソフトウェアモジュールとして作動するように構成してもよく、その逆も同様である。

上述のように、たとえ実施形態を限定された図面によって説明したとしても、当技術分野で通常の知識を有する者であれば、前記に基づいて様々な技術的な修正及び変形を適用することができる。例えば、説明された技術が説明された方法と異なる順序で実行されたり、かつ／あるいは、説明されたシステム、構造、装置、回路などの構成要素が説明された方法と異なる形態で結合又は組合せられたり、他の構成要素又は均等物によって置き換えたり置換されても適切な結果を達成することができる。

１００ バッテリ装置
１１０ バッテリ状態推定装置
１２０ バッテリ
２２０ 抽出器
２３０ エンコーダ
２６０ ベクトル併合器
８００ 車両
９００ 端末

Claims (25)

1. バッテリの検出データに設定されたターゲット区間からデータを抽出するステップと、
   前記ターゲット区間それぞれから抽出されたデータに対する特徴ベクトルを生成するステップと、
   前記生成された特徴ベクトルそれぞれに第１加重値それぞれを適用するステップと、
   前記第１加重値それぞれが適用された各特徴ベクトルを併合するステップと、
   前記併合結果に基づいて前記バッテリの状態情報を決定するステップと、
   前記状態情報に対するアップデートイベントが発生した場合、前記状態情報をアップデートするステップと、
   を含み、
   前記アップデートするステップは、
   前記検出データに追加ターゲット区間を設定し、前記追加ターゲット区間からデータを抽出するステップと、
   前記追加ターゲット区間から抽出されたデータに対する追加特徴ベクトルを生成するステップと、
   前記生成された特徴ベクトルのうちの一部と前記生成された追加特徴ベクトルそれぞれに第２加重値を適用した結果に基づいて前記状態情報をアップデートするステップと、
   を含む、バッテリ状態推定方法。
2. 前記特徴ベクトルを生成するステップは、
   前記ターゲット区間それぞれから抽出されたデータをサンプリングするステップと、
   前記特徴ベクトルを生成するために前記サンプリングされたデータをエンコーディングするステップと、
   を含む、請求項１に記載のバッテリ状態推定方法。
3. 前記生成された特徴ベクトルに第１加重値それぞれを適用するステップは、
   前記生成された特徴ベクトル及び前記バッテリの以前状態情報に基づいて第１加重値それぞれを算出するステップ、
   を含む、請求項１または２に記載のバッテリ状態推定方法。
4. 前記追加特徴ベクトルを生成するステップは、
   前記追加ターゲット区間から抽出されたデータをエンコーディングして前記追加特徴ベクトルを生成するステップ、
   を含む、請求項１ないし３のいずれか一項に記載のバッテリ状態推定方法。
5. 前記方法は、さらに、
   前記検出データに前記ターゲット区間それぞれを任意に設定するステップ、を含む、
   請求項１ないし４のいずれか一項に記載のバッテリ状態推定方法。
6. 前記ターゲット区間それぞれの長さは互いに異なる、
   請求項１に記載のバッテリ状態推定方法。
7. 前記アップデートイベントは、ユーザ入力によって発生したりアップデート周期に達するとき発生する、
   請求項１に記載のバッテリ状態推定方法。
8. 前記ターゲット区間のうち最も安定的なパターン変化を示すターゲット区間に関する特徴ベクトルに前記第１加重値のうち最大加重値が適用される、
   請求項１に記載のバッテリ状態推定方法。
9. 請求項１ないし請求項８のいずれか一項に記載の方法を実行するための命令を格納するコンピュータで読み出し可能な格納媒体。
10. バッテリの検出データに設定されたターゲット区間からデータを抽出し、前記ターゲット区間それぞれから抽出されたデータに対する特徴ベクトルを生成し、前記生成された特徴ベクトルそれぞれに第１加重値それぞれを適用し、前記第１加重値それぞれが適用された各特徴ベクトルを併合し、前記併合結果に基づいて前記バッテリの状態情報を決定し、前記状態情報に対するアップデートイベントが発生した場合、前記検出データに追加ターゲット区間を設定し、前記追加ターゲット区間からデータを抽出し、前記追加ターゲット区間から抽出されたデータに対する追加特徴ベクトルを生成し、前記生成された特徴ベクトルのうちの一部と前記生成された追加特徴ベクトルそれぞれに第２加重値それぞれを適用した結果に基づいて前記状態情報をアップデートする、コントローラ、
    を含む、バッテリ状態推定装置。
11. 前記コントローラは前記抽出されたデータをサンプリングし、前記サンプリングされたデータをエンコーディングして前記特徴ベクトルを生成する、
    請求項１０に記載のバッテリ状態推定装置。
12. 前記コントローラは、前記生成された特徴ベクトル及び前記バッテリの以前状態情報に基づいて前記第１加重値それぞれを算出する、
    請求項１０または１１に記載のバッテリ状態推定装置。
13. 前記コントローラは、
    前記追加ターゲット区間から抽出されたデータをエンコーディングして前記追加特徴ベクトルを生成する、
    請求項１０ないし１２のいずれか一項に記載のバッテリ状態推定装置。
14. 前記コントローラは、前記検出データに前記ターゲット区間それぞれを任意に設定する、
    請求項１０ないし１３のいずれか一項に記載のバッテリ状態推定装置。
15. 前記ターゲット区間それぞれの長さは互いに異なる、請求項１０に記載のバッテリ状態推定装置。
16. 前記ターゲット区間のうち最も安定的なパターン変化を示すターゲット区間に関する特徴ベクトルに前記第１加重値のうち最大加重値が適用される、
    請求項１０に記載のバッテリ状態推定装置。
17. バッテリの検出データに設定されたターゲット区間からデータを抽出し、前記抽出されたデータ及び状態推定モデルに基づいて前記バッテリの状態情報を決定するコントローラを含み、
    前記状態推定モデルは、
    前記ターゲット区間それぞれから抽出されたデータに対する特徴ベクトルを生成する第１レイヤと、
    前記生成された特徴ベクトルそれぞれに第１加重値それぞれを適用し、前記第１加重値それぞれが適用された各特徴ベクトルを併合する第２レイヤと、
    前記併合された特徴ベクトルに基づいて前記バッテリの状態情報を決定する第３レイヤと、
    を含み、
    前記状態情報に対するアップデートイベントが発生した場合、
    前記コントローラは、前記検出データに追加ターゲット区間を設定し、前記追加ターゲット区間からデータを抽出し、
    前記第１レイヤは、前記追加ターゲット区間から抽出されたデータに対する追加特徴ベクトルを生成し、
    前記第２レイヤは、前記生成された特徴ベクトルのうちの一部と前記生成された追加特徴ベクトルに第２加重値それぞれを適用し、
    前記第３レイヤは、前記生成された特徴ベクトルのうちの一部と前記生成された追加特徴ベクトルそれぞれに第２加重値それぞれを適用した結果に基づいて前記状態情報をアップデートする、
    バッテリ状態推定装置。
18. 前記第１レイヤは、前記抽出されたデータそれぞれのパターン変化を認識する、
    請求項１７に記載のバッテリ状態推定装置。
19. 前記第２レイヤは、前記生成された特徴ベクトル及び前記バッテリの以前状態情報に基づいて前記第１加重値それぞれを算出する、
    請求項１７または１８に記載のバッテリ状態推定装置。
20. 前記第３レイヤは、前記併合の結果に回帰を行って前記状態情報を決定する、
    請求項１７ないし１９のいずれか一項に記載のバッテリ状態推定装置。
21. 車両において、
    バッテリモジュールと、
    前記バッテリモジュールのデータを検出するセンサと、
    プロセッサによって実施されるバッテリ状態推定装置と、
    を含み、
    前記バッテリ状態推定装置は、
    検出データを受信して前記検出データにターゲット区間を設定して前記ターゲット区間それぞれからデータを抽出する抽出器と、
    前記ターゲット区間それぞれから抽出されたデータをエンコーディングして各ターゲット区間に対応する特徴ベクトルを生成するエンコーダと、
    前記生成された特徴ベクトルそれぞれに第１加重値を適用して前記第１加重値それぞれが適用された各特徴ベクトルを併合するベクトル併合器と、
    前記併合された特徴ベクトルに基づいて前記バッテリモジュールの状態情報を決定する推定器と、
    を含み、
    前記推定器は、前記状態情報に対するアップデートイベントが発生した場合、前記検出データに追加ターゲット区間を設定し、前記追加ターゲット区間からデータを抽出し、前記追加ターゲット区間から抽出されたデータに対する追加特徴ベクトルを生成し、前記生成された特徴ベクトルのうちの一部と前記生成された追加特徴ベクトルに第２加重値それぞれを適用した結果に基づいて前記状態情報をアップデートする、
    車両。
22. 前記特徴ベクトルそれぞれは、各ターゲット区間から抽出されたデータのパターンに対する変化に対応する、
    請求項２１に記載の車両。
23. 最大加重値は、前記特徴ベクトルのうちパターン変化が最も小さい特徴ベクトルに適用される、
    請求項２２に記載の車両。
24. 前記バッテリモジュールのデータは、前記バッテリモジュールの電圧データ、電流データ、温度データのうちいずれか１つ又はその組合せを含む、
    請求項２１ないし２３のいずれか一項に記載の車両。
25. 前記車両は、さらに、
    前記プロセッサとカップリングされたメモリと、
    前記バッテリモジュールの決定された状態情報を出力する出力部と、
    を含み、
    前記メモリは、前記プロセッサによって実行される命令語を含み、前記検出データ、前記特徴ベクトル、及び前記決定された状態情報を格納する、
    請求項２１に記載の車両。
    

Images