JPH09236641A - バッテリー残量容量計測装置 - Google Patents
バッテリー残量容量計測装置Info
- Publication number
- JPH09236641A JPH09236641A JP8107605A JP10760596A JPH09236641A JP H09236641 A JPH09236641 A JP H09236641A JP 8107605 A JP8107605 A JP 8107605A JP 10760596 A JP10760596 A JP 10760596A JP H09236641 A JPH09236641 A JP H09236641A
- Authority
- JP
- Japan
- Prior art keywords
- battery
- remaining capacity
- neuron
- measuring device
- neurons
- 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.)
- Withdrawn
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
(57)【要約】
【課題】 バッテリー残存容量を簡便にかつ正確に求め
ることができるバッテリー残量容量計測装置を提供する
こと。 【解決手段】 Ｖ−Ｉ特性とバッテリー１５の残存容量
との関係を予め学習させるとともに、バッテリー充電の
際に再学習を実行してバッテリー毎の個体差に起因する
充電率、環境温度、経時変化（主として、充放電能力の
劣化）等のバッテリーの諸特性や負荷変動の影響を補正
することにより、Ｖ−Ｉ特性にばらつきが発生した場合
でも、そのような個体差をも考慮して、バッテリー残存
容量を簡便にかつ正確に求めることができる。
ることができるバッテリー残量容量計測装置を提供する
こと。 【解決手段】 Ｖ−Ｉ特性とバッテリー１５の残存容量
との関係を予め学習させるとともに、バッテリー充電の
際に再学習を実行してバッテリー毎の個体差に起因する
充電率、環境温度、経時変化（主として、充放電能力の
劣化）等のバッテリーの諸特性や負荷変動の影響を補正
することにより、Ｖ−Ｉ特性にばらつきが発生した場合
でも、そのような個体差をも考慮して、バッテリー残存
容量を簡便にかつ正確に求めることができる。
Description
【０００１】
【発明の属する技術分野】本発明のバッテリー残量容量
計測装置は、車両に搭載されたバッテリーの残存容量を
推定する装置に関し、特に、電流データ入力層、中間
層、および出力層が階層化されて成る多層型ニューラル
ネットワークを用いて、電気自動車等の車両の走行時に
おけるバッテリーの残存容量の推定を実行するバッテリ
ー残量容量計測装置に関する。
計測装置は、車両に搭載されたバッテリーの残存容量を
推定する装置に関し、特に、電流データ入力層、中間
層、および出力層が階層化されて成る多層型ニューラル
ネットワークを用いて、電気自動車等の車両の走行時に
おけるバッテリーの残存容量の推定を実行するバッテリ
ー残量容量計測装置に関する。
【０００２】
【従来の技術】電気自動車のバッテリー残存容量を検出
する従来のバッテリー残量容量計測装置としては、例え
ば、特開平６−３４７２７号に開示された図４に示すよ
うなものがある。
する従来のバッテリー残量容量計測装置としては、例え
ば、特開平６−３４７２７号に開示された図４に示すよ
うなものがある。
【０００３】従来技術のバッテリー残量容量計測装置９
は、電圧−電流特性（則ち、Ｖ−Ｉ特性）算出手段７
Ａ、残存容量算出手段７Ｂを備えていた。このようなバ
ッテリー残量容量計測装置９においては、電圧計６と電
流計５とによりバッテリー３の電圧値と電流データとを
検出するとともに、温度センサ４によってバッテリー３
の温度を測定し、これらの検出された電圧値および電流
データをＶ−Ｉ特性算出手段７Ａに取り込んで、電圧−
電流（Ｖ−Ｉ）特性を求めていた。
は、電圧−電流特性（則ち、Ｖ−Ｉ特性）算出手段７
Ａ、残存容量算出手段７Ｂを備えていた。このようなバ
ッテリー残量容量計測装置９においては、電圧計６と電
流計５とによりバッテリー３の電圧値と電流データとを
検出するとともに、温度センサ４によってバッテリー３
の温度を測定し、これらの検出された電圧値および電流
データをＶ−Ｉ特性算出手段７Ａに取り込んで、電圧−
電流（Ｖ−Ｉ）特性を求めていた。
【０００４】Ｖ−Ｉ特性と残存容量との間には良好な相
関関係があるとされており、残存容量算出手段７Ｂは、
予め求めて算出し記憶しておいた両者の相関関係に基づ
いて、実際に求めたＶ−Ｉ特性から走行時におけるバッ
テリーの残存容量を算出していた。
関関係があるとされており、残存容量算出手段７Ｂは、
予め求めて算出し記憶しておいた両者の相関関係に基づ
いて、実際に求めたＶ−Ｉ特性から走行時におけるバッ
テリーの残存容量を算出していた。
【０００５】またバッテリー残量容量計測装置９は、算
出結果である走行時におけるバッテリーの残存容量を表
示手段８に表示させていた。
出結果である走行時におけるバッテリーの残存容量を表
示手段８に表示させていた。
【０００６】
【発明が解決しようとする課題】しかしながら、このよ
うな従来のバッテリー残量容量計測装置９では、充電
率、環境温度、経時変化（主として、充放電能力の劣
化）等のバッテリーの諸特性や負荷変動の影響に起因し
て、Ｖ−Ｉ特性にばらつきが発生してしまい、その結
果、残存容量との間の相関関係を最適化することが難し
いという問題点があった。
うな従来のバッテリー残量容量計測装置９では、充電
率、環境温度、経時変化（主として、充放電能力の劣
化）等のバッテリーの諸特性や負荷変動の影響に起因し
て、Ｖ−Ｉ特性にばらつきが発生してしまい、その結
果、残存容量との間の相関関係を最適化することが難し
いという問題点があった。
【０００７】本発明は、このような従来の問題点に着目
してなされたもので、Ｖ−Ｉ特性と走行時におけるバッ
テリーの残存容量との関係を予め学習させたニューラル
ネットワークを用いることにより、充電率、環境温度、
経時変化（主として、充放電能力の劣化）等のバッテリ
ーの諸特性や負荷変動の影響に起因して、Ｖ−Ｉ特性に
ばらつきが発生した場合でも、バッテリー残存容量を簡
便にかつ正確に求めることができるバッテリー残量容量
計測装置を提供することを目的としている。
してなされたもので、Ｖ−Ｉ特性と走行時におけるバッ
テリーの残存容量との関係を予め学習させたニューラル
ネットワークを用いることにより、充電率、環境温度、
経時変化（主として、充放電能力の劣化）等のバッテリ
ーの諸特性や負荷変動の影響に起因して、Ｖ−Ｉ特性に
ばらつきが発生した場合でも、バッテリー残存容量を簡
便にかつ正確に求めることができるバッテリー残量容量
計測装置を提供することを目的としている。
【０００８】さらに、本発明は、バッテリーの個体差に
起因して充電率、環境温度、経時変化（主として、充放
電能力の劣化）等のバッテリーの諸特性や負荷変動の影
響に個体差が発生し、その結果、Ｖ−Ｉ特性にばらつき
が発生した場合でも、そのような個体差をも考慮して、
バッテリー残存容量を簡便にかつ正確に求めることがで
きるバッテリー残量容量計測装置を提供することを目的
としている。
起因して充電率、環境温度、経時変化（主として、充放
電能力の劣化）等のバッテリーの諸特性や負荷変動の影
響に個体差が発生し、その結果、Ｖ−Ｉ特性にばらつき
が発生した場合でも、そのような個体差をも考慮して、
バッテリー残存容量を簡便にかつ正確に求めることがで
きるバッテリー残量容量計測装置を提供することを目的
としている。
【０００９】
【課題を解決するための手段】請求項１に記載の発明
は、バッテリー（１５）の残存容量を推定するバッテリ
ー残量容量計測装置において、入力層、中間層（２０
Ｃ）、および出力層（２０Ｄ）が所定の順序で階層化さ
れて成る多層型ニューラルネットワークを用いてバッテ
リー（１５）の残存容量の推定を実行することができる
残存容量推定手段（２０）、を備えて成ることを特徴と
するバッテリー残量容量計測装置（１０）である。
は、バッテリー（１５）の残存容量を推定するバッテリ
ー残量容量計測装置において、入力層、中間層（２０
Ｃ）、および出力層（２０Ｄ）が所定の順序で階層化さ
れて成る多層型ニューラルネットワークを用いてバッテ
リー（１５）の残存容量の推定を実行することができる
残存容量推定手段（２０）、を備えて成ることを特徴と
するバッテリー残量容量計測装置（１０）である。
【００１０】請求項２に記載の発明は、請求項１に記載
の発明において、前記残存容量推定手段（２０）は、車
両負荷（１１）の接続時にバッテリー（１５）が車両負
荷（１１）に供給する負荷電流に係る電流データ（１２
ａ）を入力するための所定数のニューロンから構成され
る電流データ入力層（２０Ａ）と、車両負荷（１１）に
負荷電流を供給する際のバッテリー温度に係る温度デー
タを入力するための所定数のバッテリー温度検出ニュー
ロン（２０Ｂ）とを有する入力層と、バッテリー（１
５）の供給可能な残存電力に係る残存容量推定情報（２
０ａ）を生成するための出力層（２０Ｄ）と、を備えて
成ることを特徴とするバッテリー残量容量計測装置（１
０）である。
の発明において、前記残存容量推定手段（２０）は、車
両負荷（１１）の接続時にバッテリー（１５）が車両負
荷（１１）に供給する負荷電流に係る電流データ（１２
ａ）を入力するための所定数のニューロンから構成され
る電流データ入力層（２０Ａ）と、車両負荷（１１）に
負荷電流を供給する際のバッテリー温度に係る温度デー
タを入力するための所定数のバッテリー温度検出ニュー
ロン（２０Ｂ）とを有する入力層と、バッテリー（１
５）の供給可能な残存電力に係る残存容量推定情報（２
０ａ）を生成するための出力層（２０Ｄ）と、を備えて
成ることを特徴とするバッテリー残量容量計測装置（１
０）である。
【００１１】請求項３に記載の発明は、請求項１または
２のいずれか一項に記載の発明において、前記入力層を
構成する各ニューロンは、前記中間層（２０Ｃ）を構成
する全ニューロンについて予め学習された重み付けによ
って当該全ニューロンの各々と結合されて成り、さら
に、前記中間層（２０Ｃ）を構成する各ニューロンは、
前記出力層（２０Ｄ）を構成する全ニューロンについて
予め学習された重み付けによって当該全ニューロンの各
々と結合されて成る、ことを特徴とするバッテリー残量
容量計測装置（１０）である。
２のいずれか一項に記載の発明において、前記入力層を
構成する各ニューロンは、前記中間層（２０Ｃ）を構成
する全ニューロンについて予め学習された重み付けによ
って当該全ニューロンの各々と結合されて成り、さら
に、前記中間層（２０Ｃ）を構成する各ニューロンは、
前記出力層（２０Ｄ）を構成する全ニューロンについて
予め学習された重み付けによって当該全ニューロンの各
々と結合されて成る、ことを特徴とするバッテリー残量
容量計測装置（１０）である。
【００１２】請求項４に記載の発明は、請求項１乃至３
のいずれか一項に記載の発明において、前記バッテリー
温度検出ニューロン（２０Ｂ）は、前記中間層（２０
Ｃ）を構成する各ニューロンについての予め学習された
重み付けを用いて、当該中間層（２０Ｃ）の各ニューロ
ンと各々結合されて成る、ことを特徴とするバッテリー
残量容量計測装置（１０）である。
のいずれか一項に記載の発明において、前記バッテリー
温度検出ニューロン（２０Ｂ）は、前記中間層（２０
Ｃ）を構成する各ニューロンについての予め学習された
重み付けを用いて、当該中間層（２０Ｃ）の各ニューロ
ンと各々結合されて成る、ことを特徴とするバッテリー
残量容量計測装置（１０）である。
【００１３】請求項５に記載の発明は、請求項１乃至４
のいずれか一項に記載の発明において、前記電流データ
入力層（２０Ａ）を構成する各ニューロンは、前記中間
層（２０Ｃ）を構成する各ニューロンについての予め学
習された重み付けを用いて、当該中間層（２０Ｃ）の各
ニューロンと各々結合されて成る、ことを特徴とするバ
ッテリー残量容量計測装置（１０）である。
のいずれか一項に記載の発明において、前記電流データ
入力層（２０Ａ）を構成する各ニューロンは、前記中間
層（２０Ｃ）を構成する各ニューロンについての予め学
習された重み付けを用いて、当該中間層（２０Ｃ）の各
ニューロンと各々結合されて成る、ことを特徴とするバ
ッテリー残量容量計測装置（１０）である。
【００１４】請求項６に記載の発明は、請求項１乃至５
のいずれか一項に記載の発明において、前記出力層（２
０Ｄ）を構成する各ニューロンは、前記中間層（２０
Ｃ）を構成する各ニューロンについての予め学習された
重み付けを用いて、当該中間層（２０Ｃ）の各ニューロ
ンと各々結合されて成る、ことを特徴とするバッテリー
残量容量計測装置（１０）である。
のいずれか一項に記載の発明において、前記出力層（２
０Ｄ）を構成する各ニューロンは、前記中間層（２０
Ｃ）を構成する各ニューロンについての予め学習された
重み付けを用いて、当該中間層（２０Ｃ）の各ニューロ
ンと各々結合されて成る、ことを特徴とするバッテリー
残量容量計測装置（１０）である。
【００１５】請求項７に記載の発明は、請求項１乃至６
のいずれか一項に記載の発明において、前記バッテリー
温度検出ニューロン（２０Ｂ）の入出力関数は、シグモ
イド関数（２１）である、ことを特徴とするバッテリー
残量容量計測装置（１０）である。
のいずれか一項に記載の発明において、前記バッテリー
温度検出ニューロン（２０Ｂ）の入出力関数は、シグモ
イド関数（２１）である、ことを特徴とするバッテリー
残量容量計測装置（１０）である。
【００１６】請求項８に記載の発明は、請求項１乃至７
のいずれか一項に記載の発明において、前記電流データ
入力層（２０Ａ）を構成する各ニューロンの入出力関数
は、シグモイド関数（２１）である、ことを特徴とする
バッテリー残量容量計測装置（１０）である。
のいずれか一項に記載の発明において、前記電流データ
入力層（２０Ａ）を構成する各ニューロンの入出力関数
は、シグモイド関数（２１）である、ことを特徴とする
バッテリー残量容量計測装置（１０）である。
【００１７】請求項９に記載の発明は、請求項１乃至８
のいずれか一項に記載の発明において、前記残存容量推
定手段（２０）は、誤差逆伝搬学習を予め実行した前記
多層型ニューラルネットワークを用いてバッテリー（１
５）の残存容量の推定を実行することができる、ことを
特徴とするバッテリー残量容量計測装置（１０）であ
る。
のいずれか一項に記載の発明において、前記残存容量推
定手段（２０）は、誤差逆伝搬学習を予め実行した前記
多層型ニューラルネットワークを用いてバッテリー（１
５）の残存容量の推定を実行することができる、ことを
特徴とするバッテリー残量容量計測装置（１０）であ
る。
【００１８】請求項１０に記載の発明は、請求項１乃至
９のいずれか一項に記載の発明において、前記残存容量
推定手段（２０）は、前記電流データ入力層（２０Ａ）
への前記電流データ（１２ａ）の入力および前記バッテ
リー温度検出ニューロン（２０Ｂ）への前記バッテリー
温度データ（１３ａ）の入力に応じて、前記出力層（２
０Ｄ）から出力される前記残存容量推定情報（２０ａ）
を教師信号として用いることにより前記誤差逆伝搬学習
を実行する、ことを特徴とするバッテリー残量容量計測
装置（１０）である。
９のいずれか一項に記載の発明において、前記残存容量
推定手段（２０）は、前記電流データ入力層（２０Ａ）
への前記電流データ（１２ａ）の入力および前記バッテ
リー温度検出ニューロン（２０Ｂ）への前記バッテリー
温度データ（１３ａ）の入力に応じて、前記出力層（２
０Ｄ）から出力される前記残存容量推定情報（２０ａ）
を教師信号として用いることにより前記誤差逆伝搬学習
を実行する、ことを特徴とするバッテリー残量容量計測
装置（１０）である。
【００１９】請求項１１に記載の発明は、請求項１乃至
１０のいずれか一項に記載の発明において、前記残存容
量推定手段（４０）は、バッテリー充電の際に再学習を
実行し、当該再学習の結果に基づいて走行時におけるバ
ッテリー（１５）の残存容量の推定を実行するように構
成されて成る、ことを特徴とするバッテリー残量容量計
測装置（３０）である。
１０のいずれか一項に記載の発明において、前記残存容
量推定手段（４０）は、バッテリー充電の際に再学習を
実行し、当該再学習の結果に基づいて走行時におけるバ
ッテリー（１５）の残存容量の推定を実行するように構
成されて成る、ことを特徴とするバッテリー残量容量計
測装置（３０）である。
【００２０】請求項１２に記載の発明は、請求項１１に
記載の発明において、前記残存容量推定手段（４０）
は、電流データ入力層（２０Ａ）と所定数のバッテリー
温度検出ニューロン（２０Ｂ）と車両の走行距離にかか
る走行距離データ（１６ａ）を入力するための走行距離
ニューロン（２０Ｅ）と有する入力層と、バッテリー
（１５）の供給可能な残存電力に係る残存容量推定情報
（２０ａ）を生成するための出力層（２０Ｄ）と、を備
えて成ることを特徴とするバッテリー残量容量計測装置
（３０）である。
記載の発明において、前記残存容量推定手段（４０）
は、電流データ入力層（２０Ａ）と所定数のバッテリー
温度検出ニューロン（２０Ｂ）と車両の走行距離にかか
る走行距離データ（１６ａ）を入力するための走行距離
ニューロン（２０Ｅ）と有する入力層と、バッテリー
（１５）の供給可能な残存電力に係る残存容量推定情報
（２０ａ）を生成するための出力層（２０Ｄ）と、を備
えて成ることを特徴とするバッテリー残量容量計測装置
（３０）である。
【００２１】請求項１３に記載の発明は、請求項１２に
記載の発明において、前記入力層を構成する各ニューロ
ンは、前記中間層（２０Ｃ）を構成する全ニューロンに
ついてバッテリー充電の際に再学習された重み付けによ
って当該全ニューロンの各々と結合されて成り、さら
に、前記中間層（２０Ｃ）を構成する各ニューロンは、
前記出力層（２０Ｄ）を構成する全ニューロンについて
バッテリー充電の際に再学習された重み付けによって当
該全ニューロンの各々と結合されて成る、ことを特徴と
するバッテリー残量容量計測装置（３０）である。
記載の発明において、前記入力層を構成する各ニューロ
ンは、前記中間層（２０Ｃ）を構成する全ニューロンに
ついてバッテリー充電の際に再学習された重み付けによ
って当該全ニューロンの各々と結合されて成り、さら
に、前記中間層（２０Ｃ）を構成する各ニューロンは、
前記出力層（２０Ｄ）を構成する全ニューロンについて
バッテリー充電の際に再学習された重み付けによって当
該全ニューロンの各々と結合されて成る、ことを特徴と
するバッテリー残量容量計測装置（３０）である。
【００２２】請求項１４に記載の発明は、請求項１３に
記載の発明において、前記バッテリー温度検出ニューロ
ン（２０Ｂ）は、前記中間層（２０Ｃ）を構成する各ニ
ューロンについてのバッテリー充電の際に再学習された
重み付けを用いて、当該中間層（２０Ｃ）の各ニューロ
ンと各々結合されて成る、ことを特徴とするバッテリー
残量容量計測装置（３０）である。
記載の発明において、前記バッテリー温度検出ニューロ
ン（２０Ｂ）は、前記中間層（２０Ｃ）を構成する各ニ
ューロンについてのバッテリー充電の際に再学習された
重み付けを用いて、当該中間層（２０Ｃ）の各ニューロ
ンと各々結合されて成る、ことを特徴とするバッテリー
残量容量計測装置（３０）である。
【００２３】請求項１５に記載の発明は、請求項１４に
記載の発明において、前記電流データ入力層（２０Ａ）
を構成する各ニューロンは、前記中間層（２０Ｃ）を構
成する各ニューロンについてのバッテリー充電の際に再
学習された重み付けを用いて、当該中間層（２０Ｃ）の
各ニューロンと各々結合されて成る、ことを特徴とする
バッテリー残量容量計測装置（３０）である。
記載の発明において、前記電流データ入力層（２０Ａ）
を構成する各ニューロンは、前記中間層（２０Ｃ）を構
成する各ニューロンについてのバッテリー充電の際に再
学習された重み付けを用いて、当該中間層（２０Ｃ）の
各ニューロンと各々結合されて成る、ことを特徴とする
バッテリー残量容量計測装置（３０）である。
【００２４】請求項１６に記載の発明は、請求項１５に
記載の発明において、前記出力層（２０Ｄ）を構成する
各ニューロンは、前記中間層（２０Ｃ）を構成する各ニ
ューロンについてのバッテリー充電の際に再学習された
重み付けを用いて、当該中間層（２０Ｃ）の各ニューロ
ンと各々結合されて成る、ことを特徴とするバッテリー
残量容量計測装置（３０）である。
記載の発明において、前記出力層（２０Ｄ）を構成する
各ニューロンは、前記中間層（２０Ｃ）を構成する各ニ
ューロンについてのバッテリー充電の際に再学習された
重み付けを用いて、当該中間層（２０Ｃ）の各ニューロ
ンと各々結合されて成る、ことを特徴とするバッテリー
残量容量計測装置（３０）である。
【００２５】請求項１７に記載の発明は、請求項１乃至
１６のいずれか一項に記載の発明において、車両負荷
（１１）の接続時にバッテリーが車両負荷（１１）に供
給する負荷電流を計測するとともに、当該計測結果に基
づいて当該負荷電流に係る前記電流データ（１２ａ）を
生成するための電流算出手段（１２）と、車両負荷（１
１）に負荷電流を供給する際のバッテリー温度を計測す
るとともに、当該計測結果に基づいて当該バッテリー温
度に係る温度データを生成するためのバッテリー温度算
出手段（１３）と、車両負荷（１１）に負荷電流を供給
する際に車両の走行距離を計測して走行距離データ（１
６ａ）を生成するための走行距離算出手段（１６）と、
を備えて成ることを特徴とするバッテリー残量容量計測
装置（３０）である。
１６のいずれか一項に記載の発明において、車両負荷
（１１）の接続時にバッテリーが車両負荷（１１）に供
給する負荷電流を計測するとともに、当該計測結果に基
づいて当該負荷電流に係る前記電流データ（１２ａ）を
生成するための電流算出手段（１２）と、車両負荷（１
１）に負荷電流を供給する際のバッテリー温度を計測す
るとともに、当該計測結果に基づいて当該バッテリー温
度に係る温度データを生成するためのバッテリー温度算
出手段（１３）と、車両負荷（１１）に負荷電流を供給
する際に車両の走行距離を計測して走行距離データ（１
６ａ）を生成するための走行距離算出手段（１６）と、
を備えて成ることを特徴とするバッテリー残量容量計測
装置（３０）である。
【００２６】請求項１８に記載の発明は、請求項１７記
載の走行距離算出手段（１６）は、計測した前記走行距
離データ（１６ａ）を記録するためのメモリ部（１６
Ａ）、を備えて成ることを特徴とするバッテリー残量容
量計測装置（３０）である。
載の走行距離算出手段（１６）は、計測した前記走行距
離データ（１６ａ）を記録するためのメモリ部（１６
Ａ）、を備えて成ることを特徴とするバッテリー残量容
量計測装置（３０）である。
【００２７】請求項１９に記載の発明は、請求項１７ま
たは１８のいずれか一項に記載の発明において、車両負
荷（１１）の接続時にバッテリー（１５）の起電力を計
測するとともに、当該計測結果に基づいて当該バッテリ
ー（１５）の両端電圧に係る前記電圧データ（１４ａ）
を生成するための電圧算出手段（１４）と、を備えて成
ることを特徴とするバッテリー残量容量計測装置（３
０）である。
たは１８のいずれか一項に記載の発明において、車両負
荷（１１）の接続時にバッテリー（１５）の起電力を計
測するとともに、当該計測結果に基づいて当該バッテリ
ー（１５）の両端電圧に係る前記電圧データ（１４ａ）
を生成するための電圧算出手段（１４）と、を備えて成
ることを特徴とするバッテリー残量容量計測装置（３
０）である。
【００２８】
【発明の実施の形態】以下、図面に基づき本発明の各種
実施の形態を説明する。初めに、図面に基づき本発明の
第一実施の形態を説明する。図１は本発明の実施の形態
にかかるバッテリー残量容量計測装置１０を示す機能ブ
ロック図である。図２は本発明の実施の形態にかかる残
存容量推定手段２０における学習過程を示す図である。
図３は本発明の実施の形態にかかるバッテリーの電圧−
電流（Ｖ−Ｉ）特性図である。
実施の形態を説明する。初めに、図面に基づき本発明の
第一実施の形態を説明する。図１は本発明の実施の形態
にかかるバッテリー残量容量計測装置１０を示す機能ブ
ロック図である。図２は本発明の実施の形態にかかる残
存容量推定手段２０における学習過程を示す図である。
図３は本発明の実施の形態にかかるバッテリーの電圧−
電流（Ｖ−Ｉ）特性図である。
【００２９】始めに、発明の実施の形態のバッテリー残
量容量計測装置１０の構成を説明する。本発明の第一実
施の形態にかかるバッテリー残量容量計測装置１０は、
車両に搭載されたバッテリー１５の残存容量を推定する
装置であり、具体的には、入力層、中間層、および出力
層が階層化されて成る多層型ニューラルネットワークを
用いて、電気自動車等の車両のバッテリー１５の残存容
量の推定を実行することが可能なものであって、図１に
示すように、電流算出手段１２とバッテリー温度算出手
段１３と電圧算出手段１４と残存容量推定手段（多層型
ニューラルネットワーク）２０とを備えて成る。
量容量計測装置１０の構成を説明する。本発明の第一実
施の形態にかかるバッテリー残量容量計測装置１０は、
車両に搭載されたバッテリー１５の残存容量を推定する
装置であり、具体的には、入力層、中間層、および出力
層が階層化されて成る多層型ニューラルネットワークを
用いて、電気自動車等の車両のバッテリー１５の残存容
量の推定を実行することが可能なものであって、図１に
示すように、電流算出手段１２とバッテリー温度算出手
段１３と電圧算出手段１４と残存容量推定手段（多層型
ニューラルネットワーク）２０とを備えて成る。
【００３０】電気自動車等の車両に搭載可能なバッテリ
ー１５は、ワイパー、ヘッドランプ、オーディオ、エア
コン等の各種の車両負荷１１に電力を供給するためのも
のである。本発明の第一実施の形態のバッテリー１５
は、具体的には、鉛蓄電池、ニッカド電池、燃料電池等
を意味する。
ー１５は、ワイパー、ヘッドランプ、オーディオ、エア
コン等の各種の車両負荷１１に電力を供給するためのも
のである。本発明の第一実施の形態のバッテリー１５
は、具体的には、鉛蓄電池、ニッカド電池、燃料電池等
を意味する。
【００３１】車両負荷１１とは、電気自動車等の車両に
搭載されている電装品であるランプ、エアコン、オーデ
ィオ設備、各種制御回路、等を意味するものである。バ
ッテリー残量容量計測装置１０を構成する電流算出手段
１２とバッテリー温度算出手段１３と電圧算出手段１４
と残存容量推定手段（多層型ニューラルネットワーク）
２０とは、電流データ１２ａ、バッテリー温度データ１
３ａ、電圧データ１４ａ、残存容量推定情報２０ａの授
受をできるように、ワイヤーハーネスや光ファイバー等
の有線伝送媒体や電波等の無線伝送媒体を用いた伝送手
段によって相互に接続されている。
搭載されている電装品であるランプ、エアコン、オーデ
ィオ設備、各種制御回路、等を意味するものである。バ
ッテリー残量容量計測装置１０を構成する電流算出手段
１２とバッテリー温度算出手段１３と電圧算出手段１４
と残存容量推定手段（多層型ニューラルネットワーク）
２０とは、電流データ１２ａ、バッテリー温度データ１
３ａ、電圧データ１４ａ、残存容量推定情報２０ａの授
受をできるように、ワイヤーハーネスや光ファイバー等
の有線伝送媒体や電波等の無線伝送媒体を用いた伝送手
段によって相互に接続されている。
【００３２】電流算出手段１２は、図１に示すように、
車両負荷１１の接続時にバッテリー１５が車両負荷１１
に供給する負荷電流を計測するとともに、このときの計
測結果に基づいてこのときの負荷電流に係る電流データ
１２ａを生成することができるよう、対象とするバッテ
リー１５に電気的に直列に接続されて成る。
車両負荷１１の接続時にバッテリー１５が車両負荷１１
に供給する負荷電流を計測するとともに、このときの計
測結果に基づいてこのときの負荷電流に係る電流データ
１２ａを生成することができるよう、対象とするバッテ
リー１５に電気的に直列に接続されて成る。
【００３３】本発明の第一実施の形態の電流算出手段１
２は、具体的には、電流計とコンピュータのハードウェ
アとで実現することができる。バッテリー温度算出手段
１３は、図１に示すように、車両負荷１１に負荷電流を
供給する際のバッテリー温度を計測するとともに、この
ときの計測結果に基づいてこのときのバッテリー温度に
係る温度データを生成することができるよう、バッテリ
ー１５に熱的に接触した状態となっている。
２は、具体的には、電流計とコンピュータのハードウェ
アとで実現することができる。バッテリー温度算出手段
１３は、図１に示すように、車両負荷１１に負荷電流を
供給する際のバッテリー温度を計測するとともに、この
ときの計測結果に基づいてこのときのバッテリー温度に
係る温度データを生成することができるよう、バッテリ
ー１５に熱的に接触した状態となっている。
【００３４】電圧算出手段１４は、図１に示すように、
車両負荷１１の接続時にバッテリー１５の起電力を計測
するとともに、このときの計測結果に基づいてこのとき
のバッテリー１５の両端電圧に係る電圧データ１４ａを
生成することができるよう、対象となるバッテリー１５
の両電極端子間に接続されて成る。
車両負荷１１の接続時にバッテリー１５の起電力を計測
するとともに、このときの計測結果に基づいてこのとき
のバッテリー１５の両端電圧に係る電圧データ１４ａを
生成することができるよう、対象となるバッテリー１５
の両電極端子間に接続されて成る。
【００３５】本発明の第一実施の形態の電圧算出手段１
４は、具体的には、電圧計とコンピュータのハードウェ
アとで実現することができる。残存容量推定手段（多層
型ニューラルネットワーク）２０は、誤差逆伝搬学習を
予め実行した多層型ニューラルネットワークを用いてバ
ッテリー１５の残存容量の推定を実行するものである。
４は、具体的には、電圧計とコンピュータのハードウェ
アとで実現することができる。残存容量推定手段（多層
型ニューラルネットワーク）２０は、誤差逆伝搬学習を
予め実行した多層型ニューラルネットワークを用いてバ
ッテリー１５の残存容量の推定を実行するものである。
【００３６】また残存容量推定手段（多層型ニューラル
ネットワーク）２０は、電流データ入力層２０Ａへの電
流データ１２ａの入力およびバッテリー温度検出ニュー
ロン２０Ｂへのバッテリー温度データ１３ａの入力に応
じて、出力層２０Ｄから出力される残存容量推定情報２
０ａを教師信号として用いることにより誤差逆伝搬学習
を実行するものである。
ネットワーク）２０は、電流データ入力層２０Ａへの電
流データ１２ａの入力およびバッテリー温度検出ニュー
ロン２０Ｂへのバッテリー温度データ１３ａの入力に応
じて、出力層２０Ｄから出力される残存容量推定情報２
０ａを教師信号として用いることにより誤差逆伝搬学習
を実行するものである。
【００３７】本発明の第一実施の形態の残存容量推定手
段（多層型ニューラルネットワーク）２０は、具体的に
は、コンピュータのソフトウェア上で実現することがで
きる。なお、残存容量推定手段（多層型ニューラルネッ
トワーク）２０をＬＳＩを主体としたニューラルネット
ワークハードウェアによっても実現できることは周知技
術である。
段（多層型ニューラルネットワーク）２０は、具体的に
は、コンピュータのソフトウェア上で実現することがで
きる。なお、残存容量推定手段（多層型ニューラルネッ
トワーク）２０をＬＳＩを主体としたニューラルネット
ワークハードウェアによっても実現できることは周知技
術である。
【００３８】次に、発明の実施の形態のバッテリー温度
算出手段１３の構成を説明する。バッテリー温度算出手
段１３はバッテリー１５の残存容量の推定を実行するも
のであって、図１に示すように、入力層、中間層２０
Ｃ、および出力層２０Ｄが所定の順序で階層化されて成
る多層型ニューラルネットワークを備えて成る。
算出手段１３の構成を説明する。バッテリー温度算出手
段１３はバッテリー１５の残存容量の推定を実行するも
のであって、図１に示すように、入力層、中間層２０
Ｃ、および出力層２０Ｄが所定の順序で階層化されて成
る多層型ニューラルネットワークを備えて成る。
【００３９】本発明の第一実施の形態のバッテリー温度
算出手段１３は、具体的には、熱電対を用いた温度計と
コンピュータのハードウェアとで実現することができる
ことは周知技術である。次に、発明の実施の形態の残存
容量推定手段２０における入力層の構成を説明する。
算出手段１３は、具体的には、熱電対を用いた温度計と
コンピュータのハードウェアとで実現することができる
ことは周知技術である。次に、発明の実施の形態の残存
容量推定手段２０における入力層の構成を説明する。
【００４０】残存容量推定手段（多層型ニューラルネッ
トワーク）２０における入力層は、電流データ入力層２
０Ａと所定数のバッテリー温度検出ニューロン２０Ｂと
から成る。入力層を構成する各ニューロンは、図２に示
すように、中間層２０Ｃを構成する全ニューロンについ
て予め学習された重み付けによってこれらの全ニューロ
ンの各々と結合されて成る。
トワーク）２０における入力層は、電流データ入力層２
０Ａと所定数のバッテリー温度検出ニューロン２０Ｂと
から成る。入力層を構成する各ニューロンは、図２に示
すように、中間層２０Ｃを構成する全ニューロンについ
て予め学習された重み付けによってこれらの全ニューロ
ンの各々と結合されて成る。
【００４１】さらに、中間層２０Ｃを構成する各ニュー
ロンは、出力層２０Ｄを構成する全ニューロンについて
予め学習された重み付けによってこれらの全ニューロン
の各々と結合されて成る。更に詳しく、発明の実施の形
態の残存容量推定手段２０における入力層の構成を説明
する。
ロンは、出力層２０Ｄを構成する全ニューロンについて
予め学習された重み付けによってこれらの全ニューロン
の各々と結合されて成る。更に詳しく、発明の実施の形
態の残存容量推定手段２０における入力層の構成を説明
する。
【００４２】電流データ入力層２０Ａは、車両負荷１１
の接続時にバッテリー１５が車両負荷１１に供給する負
荷電流に係る電流データ１２ａを入力するための所定数
のニューロンから構成されている。具体的には、入力す
る電流データ１２ａのデータ数と同数のニューロンを、
所定数のニューロンとして設けている。本発明の第一実
施の形態では、入力する電流データ１２ａのデータ数を
５０個としているので、５０個（＝所定数）のニューロ
ンを電流データ入力層２０Ａに設けている。
の接続時にバッテリー１５が車両負荷１１に供給する負
荷電流に係る電流データ１２ａを入力するための所定数
のニューロンから構成されている。具体的には、入力す
る電流データ１２ａのデータ数と同数のニューロンを、
所定数のニューロンとして設けている。本発明の第一実
施の形態では、入力する電流データ１２ａのデータ数を
５０個としているので、５０個（＝所定数）のニューロ
ンを電流データ入力層２０Ａに設けている。
【００４３】電流データ入力層２０Ａを構成する各ニュ
ーロンは、図２に示すように、中間層２０Ｃを構成する
各ニューロンについての予め学習された重み付けを用い
て、これらの中間層２０Ｃの各ニューロンと各々結合さ
れて成る。電流データ入力層２０Ａを構成する各ニュー
ロンの入出力関数は、シグモイド関数２１である。
ーロンは、図２に示すように、中間層２０Ｃを構成する
各ニューロンについての予め学習された重み付けを用い
て、これらの中間層２０Ｃの各ニューロンと各々結合さ
れて成る。電流データ入力層２０Ａを構成する各ニュー
ロンの入出力関数は、シグモイド関数２１である。
【００４４】本発明の第一実施の形態のバッテリー温度
算出手段１３は、具体的には、コンピュータのソフトウ
ェア上で実現することができる。なお、バッテリー温度
算出手段１３をＬＳＩを主体としたニューラルネットワ
ークハードウェアによっても実現できることは周知技術
である。
算出手段１３は、具体的には、コンピュータのソフトウ
ェア上で実現することができる。なお、バッテリー温度
算出手段１３をＬＳＩを主体としたニューラルネットワ
ークハードウェアによっても実現できることは周知技術
である。
【００４５】バッテリー温度検出ニューロン２０Ｂは、
車両負荷１１に負荷電流を供給する際のバッテリー温度
に係る温度データを入力するための所定数のニューロン
から構成されている。バッテリー温度検出ニューロン２
０Ｂは、図２に示すように、中間層２０Ｃを構成する各
ニューロンについての予め学習された重み付けを用い
て、これらの中間層２０Ｃの各ニューロンと各々結合さ
れて成る。
車両負荷１１に負荷電流を供給する際のバッテリー温度
に係る温度データを入力するための所定数のニューロン
から構成されている。バッテリー温度検出ニューロン２
０Ｂは、図２に示すように、中間層２０Ｃを構成する各
ニューロンについての予め学習された重み付けを用い
て、これらの中間層２０Ｃの各ニューロンと各々結合さ
れて成る。
【００４６】バッテリー温度検出ニューロン２０Ｂの入
出力関数は、シグモイド関数２１である。本発明の第一
実施の形態のバッテリー温度検出ニューロン２０Ｂは、
具体的には、コンピュータのソフトウェア上で実現する
ことができる。なお、バッテリー温度検出ニューロン２
０ＢをＬＳＩを主体としたニューラルネットワークハー
ドウェアによっても実現できることは周知技術である。
出力関数は、シグモイド関数２１である。本発明の第一
実施の形態のバッテリー温度検出ニューロン２０Ｂは、
具体的には、コンピュータのソフトウェア上で実現する
ことができる。なお、バッテリー温度検出ニューロン２
０ＢをＬＳＩを主体としたニューラルネットワークハー
ドウェアによっても実現できることは周知技術である。
【００４７】本発明の第一実施の形態の中間層２０Ｃの
ニューロン数は可変としている。また本発明の第一実施
の形態の中間層２０Ｃは、具体的には、コンピュータの
ソフトウェア上で実現することができる。出力層２０Ｄ
は、バッテリー１５の供給可能な残存電力に係る残存容
量推定情報２０ａを生成するためのニューロンから構成
されている。また本発明の第一実施の形態の出力層２０
Ｄのニューロン数は単一としている。
ニューロン数は可変としている。また本発明の第一実施
の形態の中間層２０Ｃは、具体的には、コンピュータの
ソフトウェア上で実現することができる。出力層２０Ｄ
は、バッテリー１５の供給可能な残存電力に係る残存容
量推定情報２０ａを生成するためのニューロンから構成
されている。また本発明の第一実施の形態の出力層２０
Ｄのニューロン数は単一としている。
【００４８】出力層２０Ｄを構成する各ニューロンは、
図２に示すように、中間層２０Ｃを構成する各ニューロ
ンについての予め学習された重み付けを用いて、これら
の中間層２０Ｃの各ニューロンと各々結合されて成る。
本発明の第一実施の形態の出力層２０Ｄは、具体的に
は、コンピュータのソフトウェア上で実現することがで
きる。なお、出力層２０ＤをＬＳＩを主体としたニュー
ラルネットワークハードウェアによっても実現できるこ
とは周知技術である。
図２に示すように、中間層２０Ｃを構成する各ニューロ
ンについての予め学習された重み付けを用いて、これら
の中間層２０Ｃの各ニューロンと各々結合されて成る。
本発明の第一実施の形態の出力層２０Ｄは、具体的に
は、コンピュータのソフトウェア上で実現することがで
きる。なお、出力層２０ＤをＬＳＩを主体としたニュー
ラルネットワークハードウェアによっても実現できるこ
とは周知技術である。
【００４９】次に、発明の実施の形態の動作を説明す
る。図２は本発明の第一実施の形態にかかる残存容量推
定手段２０における学習過程を示す図である。図３は本
発明の第一実施の形態にかかるバッテリーの電圧−電流
（Ｖ−Ｉ）特性図である。
る。図２は本発明の第一実施の形態にかかる残存容量推
定手段２０における学習過程を示す図である。図３は本
発明の第一実施の形態にかかるバッテリーの電圧−電流
（Ｖ−Ｉ）特性図である。
【００５０】電気自動車等の車両に搭載可能なバッテリ
ー１５は各種の車両負荷１１に電力を供給することがで
きる。始めに、発明の実施の形態のバッテリー残量容量
計測装置１０の動作を説明する。
ー１５は各種の車両負荷１１に電力を供給することがで
きる。始めに、発明の実施の形態のバッテリー残量容量
計測装置１０の動作を説明する。
【００５１】本発明の第一実施の形態にかかるバッテリ
ー残量容量計測装置１０は、車両に搭載されたバッテリ
ー（具体的には、鉛蓄電池）１５の残存容量を推定する
ことが可能である。電流算出手段１２は、図１に示すよ
うに、車両負荷１１の接続時にバッテリー（具体的に
は、鉛蓄電池）１５が車両負荷１１に供給する負荷電流
を計測するとともに、このときの計測結果に基づいてこ
のときの負荷電流に係る電流データ１２ａを生成する。
ー残量容量計測装置１０は、車両に搭載されたバッテリ
ー（具体的には、鉛蓄電池）１５の残存容量を推定する
ことが可能である。電流算出手段１２は、図１に示すよ
うに、車両負荷１１の接続時にバッテリー（具体的に
は、鉛蓄電池）１５が車両負荷１１に供給する負荷電流
を計測するとともに、このときの計測結果に基づいてこ
のときの負荷電流に係る電流データ１２ａを生成する。
【００５２】バッテリー温度算出手段１３は、図１に示
すように、車両負荷１１に負荷電流を供給する際のバッ
テリー温度を計測するとともに、このときの計測結果に
基づいてこのときのバッテリー温度に係る温度データを
生成する。電圧算出手段１４は、図１に示すように、車
両負荷１１の接続時にバッテリー（具体的には、鉛蓄電
池）１５の起電力を計測するとともに、このときの計測
結果に基づいてこのときのバッテリー１５の両端電圧に
係る電圧データ１４ａを生成する。
すように、車両負荷１１に負荷電流を供給する際のバッ
テリー温度を計測するとともに、このときの計測結果に
基づいてこのときのバッテリー温度に係る温度データを
生成する。電圧算出手段１４は、図１に示すように、車
両負荷１１の接続時にバッテリー（具体的には、鉛蓄電
池）１５の起電力を計測するとともに、このときの計測
結果に基づいてこのときのバッテリー１５の両端電圧に
係る電圧データ１４ａを生成する。
【００５３】バッテリー温度算出手段１３はバッテリー
（具体的には、鉛蓄電池）１５の残存容量の推定を実行
することができる。残存容量推定手段（多層型ニューラ
ルネットワーク）２０は、誤差逆伝搬学習を予め実行し
た多層型ニューラルネットワークを用いてバッテリー
（具体的には、鉛蓄電池）１５の残存容量の推定を実行
することができる。
（具体的には、鉛蓄電池）１５の残存容量の推定を実行
することができる。残存容量推定手段（多層型ニューラ
ルネットワーク）２０は、誤差逆伝搬学習を予め実行し
た多層型ニューラルネットワークを用いてバッテリー
（具体的には、鉛蓄電池）１５の残存容量の推定を実行
することができる。
【００５４】また残存容量推定手段（多層型ニューラル
ネットワーク）２０は、電流データ入力層２０Ａへの電
流データ１２ａの入力およびバッテリー温度検出ニュー
ロン２０Ｂへのバッテリー温度データ１３ａの入力に応
じて、出力層２０Ｄから出力される残存容量推定情報２
０ａを教師信号として用いることにより誤差逆伝搬学習
を実行することができる。
ネットワーク）２０は、電流データ入力層２０Ａへの電
流データ１２ａの入力およびバッテリー温度検出ニュー
ロン２０Ｂへのバッテリー温度データ１３ａの入力に応
じて、出力層２０Ｄから出力される残存容量推定情報２
０ａを教師信号として用いることにより誤差逆伝搬学習
を実行することができる。
【００５５】これにより、電圧−電流特性（Ｖ−Ｉ特
性）と走行時におけるバッテリーの残存容量との関係を
予め学習させた多層型ニューラルネットワークを用いる
ことにより、充電率、環境温度、経時変化（主として、
充放電能力の劣化）等のバッテリーの諸特性や負荷変動
の影響に起因して、電圧−電流特性（Ｖ−Ｉ特性）にば
らつきが発生した場合でも、バッテリー残存容量を簡便
にかつ正確に求めることができるバッテリー残量容量計
測装置１０を実現できる。
性）と走行時におけるバッテリーの残存容量との関係を
予め学習させた多層型ニューラルネットワークを用いる
ことにより、充電率、環境温度、経時変化（主として、
充放電能力の劣化）等のバッテリーの諸特性や負荷変動
の影響に起因して、電圧−電流特性（Ｖ−Ｉ特性）にば
らつきが発生した場合でも、バッテリー残存容量を簡便
にかつ正確に求めることができるバッテリー残量容量計
測装置１０を実現できる。
【００５６】更に詳しく、発明の実施の形態の残存容量
推定手段２０における入力層の動作を説明する。電流デ
ータ入力層２０Ａは、車両負荷１１の接続時にバッテリ
ー（具体的には、鉛蓄電池）１５が車両負荷１１に供給
する負荷電流に係る電流データ１２ａを入力することが
できる。
推定手段２０における入力層の動作を説明する。電流デ
ータ入力層２０Ａは、車両負荷１１の接続時にバッテリ
ー（具体的には、鉛蓄電池）１５が車両負荷１１に供給
する負荷電流に係る電流データ１２ａを入力することが
できる。
【００５７】バッテリー温度検出ニューロン２０Ｂは、
車両負荷１１に負荷電流を供給する際のバッテリー温度
に係る温度データを入力することができる。バッテリー
温度検出ニューロン２０Ｂの入出力関数は、シグモイド
関数２１を用いている。
車両負荷１１に負荷電流を供給する際のバッテリー温度
に係る温度データを入力することができる。バッテリー
温度検出ニューロン２０Ｂの入出力関数は、シグモイド
関数２１を用いている。
【００５８】出力層２０Ｄは、バッテリー（具体的に
は、鉛蓄電池）１５の供給可能な残存電力に係る残存容
量推定情報２０ａを生成する。多層型ニューラルネット
ワーク２０において予め実行される誤差逆伝搬学習を説
明する。
は、鉛蓄電池）１５の供給可能な残存電力に係る残存容
量推定情報２０ａを生成する。多層型ニューラルネット
ワーク２０において予め実行される誤差逆伝搬学習を説
明する。
【００５９】誤差逆伝搬学習は、バッテリー温度をパラ
メータとして予め測定された電圧データ１４ａと電流デ
ータ１２ａとから構成された電圧−電流特性（Ｖ−Ｉ特
性）（図３参照）に基づいて予め実行される。図２に示
すように、バッテリー１５の電圧−電流特性（Ｖ−Ｉ特
性）から所定の数の電圧データ１４ａと電流データ１２
ａとの組合せを選択する。
メータとして予め測定された電圧データ１４ａと電流デ
ータ１２ａとから構成された電圧−電流特性（Ｖ−Ｉ特
性）（図３参照）に基づいて予め実行される。図２に示
すように、バッテリー１５の電圧−電流特性（Ｖ−Ｉ特
性）から所定の数の電圧データ１４ａと電流データ１２
ａとの組合せを選択する。
【００６０】具体的には、５０組の電圧データ１４ａと
電流データ１２ａとの組合せを選択している。選択され
た電圧データ１４ａの数（具体的には、５０個）と同数
（則ち、５０個）のニューロンを電流データ入力層２０
Ａに設定する。本発明の第一実施の形態では、入力する
電流データ１２ａのデータ数を５０個としているので、
５０個（＝所定数）のニューロンを電流データ入力層２
０Ａに設けている。
電流データ１２ａとの組合せを選択している。選択され
た電圧データ１４ａの数（具体的には、５０個）と同数
（則ち、５０個）のニューロンを電流データ入力層２０
Ａに設定する。本発明の第一実施の形態では、入力する
電流データ１２ａのデータ数を５０個としているので、
５０個（＝所定数）のニューロンを電流データ入力層２
０Ａに設けている。
【００６１】バッテリー温度検出ニューロン２０Ｂは、
バッテリー温度を検出する測定個所に応じて設定可能で
ある。本発明の第一実施の形態では、一箇所だけバッテ
リー温度を検出するので、バッテリー温度検出ニューロ
ン２０Ｂを一つだけ設けている。
バッテリー温度を検出する測定個所に応じて設定可能で
ある。本発明の第一実施の形態では、一箇所だけバッテ
リー温度を検出するので、バッテリー温度検出ニューロ
ン２０Ｂを一つだけ設けている。
【００６２】電流データ入力層２０Ａを構成する各ニュ
ーロンの入出力関数は、シグモイド関数２１である。ま
たバッテリー温度検出ニューロン２０Ｂの入出力関数
は、シグモイド関数２１である。この状態で、電流デー
タ入力層２０Ａに、車両負荷１１の接続時にバッテリー
１５が車両負荷１１に供給する負荷電流に係る電流デー
タ１２ａを入力する。同時にバッテリー温度検出ニュー
ロン２０Ｂに、車両負荷１１に負荷電流を供給する際の
バッテリー温度に係る温度データを入力する。
ーロンの入出力関数は、シグモイド関数２１である。ま
たバッテリー温度検出ニューロン２０Ｂの入出力関数
は、シグモイド関数２１である。この状態で、電流デー
タ入力層２０Ａに、車両負荷１１の接続時にバッテリー
１５が車両負荷１１に供給する負荷電流に係る電流デー
タ１２ａを入力する。同時にバッテリー温度検出ニュー
ロン２０Ｂに、車両負荷１１に負荷電流を供給する際の
バッテリー温度に係る温度データを入力する。
【００６３】この結果、出力層２０Ｄが、バッテリー１
５の供給可能な残存電力に係る残存容量推定情報２０ａ
を生成する。このとき、残存容量推定手段２０は、図２
に示すように、電流データ入力層２０Ａへの電流データ
１２ａの入力およびバッテリー温度検出ニューロン２０
Ｂへのバッテリー温度データ１３ａの入力に応じて、出
力層２０Ｄから出力される残存容量推定情報２０ａを教
師信号として用いることにより誤差逆伝搬学習を実行す
る。
５の供給可能な残存電力に係る残存容量推定情報２０ａ
を生成する。このとき、残存容量推定手段２０は、図２
に示すように、電流データ入力層２０Ａへの電流データ
１２ａの入力およびバッテリー温度検出ニューロン２０
Ｂへのバッテリー温度データ１３ａの入力に応じて、出
力層２０Ｄから出力される残存容量推定情報２０ａを教
師信号として用いることにより誤差逆伝搬学習を実行す
る。
【００６４】これにより、電流データ入力層２０Ａを構
成する各ニューロン（本発明の第一実施の形態では、５
０個のニューロン）と中間層２０Ｃの各ニューロンとの
間の重み付け、バッテリー温度検出ニューロン（本発明
の第一実施の形態では、図２に示すように、単一のニュ
ーロン）２０Ｂと中間層２０Ｃを構成する各ニューロン
（ニューロンは可変）との間の重み付け、および中間層
２０Ｃを構成する各ニューロンと出力層２０Ｄを構成す
るニューロン（本発明の第一実施の形態では、図２に示
すように、単一のニューロン）との間の重み付けを予め
学習されせることができる。
成する各ニューロン（本発明の第一実施の形態では、５
０個のニューロン）と中間層２０Ｃの各ニューロンとの
間の重み付け、バッテリー温度検出ニューロン（本発明
の第一実施の形態では、図２に示すように、単一のニュ
ーロン）２０Ｂと中間層２０Ｃを構成する各ニューロン
（ニューロンは可変）との間の重み付け、および中間層
２０Ｃを構成する各ニューロンと出力層２０Ｄを構成す
るニューロン（本発明の第一実施の形態では、図２に示
すように、単一のニューロン）との間の重み付けを予め
学習されせることができる。
【００６５】以上説明したように、本発明の第一実施の
形態によれば、電圧−電流特性（Ｖ−Ｉ特性）と走行時
におけるバッテリーの残存容量との関係を予め誤差逆伝
搬学習させた多層型ニューラルネットワークを用いるこ
とにより、充電率、環境温度、経時変化（主として、充
放電能力の劣化）等のバッテリーの諸特性や負荷変動の
影響に起因して、電圧−電流特性（Ｖ−Ｉ特性）にばら
つきを考慮したバッテリー残存容量を簡便にかつ正確に
求めることができるバッテリー残量容量計測装置を実現
できる。
形態によれば、電圧−電流特性（Ｖ−Ｉ特性）と走行時
におけるバッテリーの残存容量との関係を予め誤差逆伝
搬学習させた多層型ニューラルネットワークを用いるこ
とにより、充電率、環境温度、経時変化（主として、充
放電能力の劣化）等のバッテリーの諸特性や負荷変動の
影響に起因して、電圧−電流特性（Ｖ−Ｉ特性）にばら
つきを考慮したバッテリー残存容量を簡便にかつ正確に
求めることができるバッテリー残量容量計測装置を実現
できる。
【００６６】次に、図面に基づき本発明の第二実施の形
態を説明する。図１は本発明の実施の形態にかかるにか
かるバッテリー残量容量計測装置３０を示す機能ブロッ
ク図である。なお、本発明の第一実施において既に記述
したものと同一の部分については、同一符号を付し、重
複した説明は省略する。
態を説明する。図１は本発明の実施の形態にかかるにか
かるバッテリー残量容量計測装置３０を示す機能ブロッ
ク図である。なお、本発明の第一実施において既に記述
したものと同一の部分については、同一符号を付し、重
複した説明は省略する。
【００６７】図１は本発明の実施の形態にかかるバッテ
リー残量容量計測装置３０を示す機能ブロック図であ
る。始めに、発明の第二実施形態のバッテリー残量容量
計測装置３０の構成を説明する。
リー残量容量計測装置３０を示す機能ブロック図であ
る。始めに、発明の第二実施形態のバッテリー残量容量
計測装置３０の構成を説明する。
【００６８】本発明の第二実施形態のバッテリー残量容
量計測装置３０は、バッテリー充電の際に再学習を実行
し、再学習の結果に基づいて走行時におけるバッテリー
１５の残存容量の推定を実行するように構成された装置
であり、Ｖ−Ｉ特性とバッテリー１５の残存容量との関
係を予め学習させることができる第一実施形態のバッテ
リー残量容量計測装置１０の機能に加えて、更にバッテ
リー充電の際に再学習を実行してバッテリー毎の個体差
に起因する充電率、環境温度、経時変化（主として、充
放電能力の劣化）等のバッテリーの諸特性や負荷変動の
影響を補正するように、電流算出手段１２とバッテリー
温度算出手段１３と電圧算出手段１４と走行距離算出手
段１６とを備えて成る。
量計測装置３０は、バッテリー充電の際に再学習を実行
し、再学習の結果に基づいて走行時におけるバッテリー
１５の残存容量の推定を実行するように構成された装置
であり、Ｖ−Ｉ特性とバッテリー１５の残存容量との関
係を予め学習させることができる第一実施形態のバッテ
リー残量容量計測装置１０の機能に加えて、更にバッテ
リー充電の際に再学習を実行してバッテリー毎の個体差
に起因する充電率、環境温度、経時変化（主として、充
放電能力の劣化）等のバッテリーの諸特性や負荷変動の
影響を補正するように、電流算出手段１２とバッテリー
温度算出手段１３と電圧算出手段１４と走行距離算出手
段１６とを備えて成る。
【００６９】電流算出手段１２は、車両負荷１１の接続
時にバッテリーが車両負荷１１に供給する負荷電流を計
測するとともに、計測結果に基づいて負荷電流に係る電
流データ１２ａを生成するように接続されている。バッ
テリー温度算出手段１３は、車両負荷１１に負荷電流を
供給する際のバッテリー温度を計測するとともに、計測
結果に基づいてバッテリー温度に係る温度データを生成
するように接続されている。
時にバッテリーが車両負荷１１に供給する負荷電流を計
測するとともに、計測結果に基づいて負荷電流に係る電
流データ１２ａを生成するように接続されている。バッ
テリー温度算出手段１３は、車両負荷１１に負荷電流を
供給する際のバッテリー温度を計測するとともに、計測
結果に基づいてバッテリー温度に係る温度データを生成
するように接続されている。
【００７０】電圧算出手段１４は、車両負荷１１の接続
時にバッテリー１５の起電力を計測するとともに、計測
結果に基づいてバッテリー１５の両端電圧に係る電圧デ
ータ１４ａを生成するように接続されている。走行距離
算出手段１６は、車両負荷１１に負荷電流を供給する際
に車両の走行距離を計測して走行距離データ１６ａを生
成するように接続されている。さらに走行距離算出手段
１６は、計測した走行距離データ１６ａを随時記録する
とともに、随時読み出すことができるメモリ部１６Ａを
備えて成る。メモリ部１６Ａは、具体的には、ＥＥＰＲ
ＯＭ等の半導体記憶デバイス、ＭＯ等の磁気光記憶手
段、磁気ディスク等の磁気記憶手段等で実現できる。
時にバッテリー１５の起電力を計測するとともに、計測
結果に基づいてバッテリー１５の両端電圧に係る電圧デ
ータ１４ａを生成するように接続されている。走行距離
算出手段１６は、車両負荷１１に負荷電流を供給する際
に車両の走行距離を計測して走行距離データ１６ａを生
成するように接続されている。さらに走行距離算出手段
１６は、計測した走行距離データ１６ａを随時記録する
とともに、随時読み出すことができるメモリ部１６Ａを
備えて成る。メモリ部１６Ａは、具体的には、ＥＥＰＲ
ＯＭ等の半導体記憶デバイス、ＭＯ等の磁気光記憶手
段、磁気ディスク等の磁気記憶手段等で実現できる。
【００７１】このような再学習を実行することにより、
製品間でＶ−Ｉ特性にばらつきや経時変化が発生した場
合でも、そのような個体差をも考慮して、バッテリー残
存容量を簡便にかつ正確に求めることが可能となる。バ
ッテリー残量容量計測装置３０は、具体的には、入力
層、中間層、および出力層が階層化されて成る多層型ニ
ューラルネットワークを用いて、電気自動車等の車両の
バッテリー１５の残存容量の推定を実行することが可能
なものであって、図１に示すように、電流算出手段１２
とバッテリー温度算出手段１３と電圧算出手段１４と残
存容量推定手段（多層型ニューラルネットワーク）４０
とを備えて成る。
製品間でＶ−Ｉ特性にばらつきや経時変化が発生した場
合でも、そのような個体差をも考慮して、バッテリー残
存容量を簡便にかつ正確に求めることが可能となる。バ
ッテリー残量容量計測装置３０は、具体的には、入力
層、中間層、および出力層が階層化されて成る多層型ニ
ューラルネットワークを用いて、電気自動車等の車両の
バッテリー１５の残存容量の推定を実行することが可能
なものであって、図１に示すように、電流算出手段１２
とバッテリー温度算出手段１３と電圧算出手段１４と残
存容量推定手段（多層型ニューラルネットワーク）４０
とを備えて成る。
【００７２】第二実施形態のバッテリー残量容量計測装
置３０を構成する電流算出手段１２とバッテリー温度算
出手段１３と電圧算出手段１４と残存容量推定手段（多
層型ニューラルネットワーク）４０と走行距離算出手段
１６とは、電流データ１２ａ、バッテリー温度データ１
３ａ、電圧データ１４ａ、残存容量推定情報２０ａ、走
行距離データ１６ａの授受をできるように、ワイヤーハ
ーネスや光ファイバー等の有線伝送媒体や電波等の無線
伝送媒体を用いた伝送手段によって相互に接続されてい
る。
置３０を構成する電流算出手段１２とバッテリー温度算
出手段１３と電圧算出手段１４と残存容量推定手段（多
層型ニューラルネットワーク）４０と走行距離算出手段
１６とは、電流データ１２ａ、バッテリー温度データ１
３ａ、電圧データ１４ａ、残存容量推定情報２０ａ、走
行距離データ１６ａの授受をできるように、ワイヤーハ
ーネスや光ファイバー等の有線伝送媒体や電波等の無線
伝送媒体を用いた伝送手段によって相互に接続されてい
る。
【００７３】電流算出手段１２、バッテリー温度算出手
段１３、電圧算出手段１４は、本発明の第一実施におい
て既に記述したものと同一なので、同一符号を付し、重
複した説明は省略する。残存容量推定手段４０は、誤差
逆伝搬学習を予め実行した多層型ニューラルネットワー
ク、またはバッテリー充電の際に再び誤差逆伝搬学習を
実行した多層型ニューラルネットワークを用いて、バッ
テリー１５の残存容量の推定を実行するものである。
段１３、電圧算出手段１４は、本発明の第一実施におい
て既に記述したものと同一なので、同一符号を付し、重
複した説明は省略する。残存容量推定手段４０は、誤差
逆伝搬学習を予め実行した多層型ニューラルネットワー
ク、またはバッテリー充電の際に再び誤差逆伝搬学習を
実行した多層型ニューラルネットワークを用いて、バッ
テリー１５の残存容量の推定を実行するものである。
【００７４】また残存容量推定手段４０は、第一実施形
態の残存容量推定手段２０と同様に、電流データ入力層
２０Ａへの電流データ１２ａの入力、バッテリー温度検
出ニューロン２０Ｂへのバッテリー温度データ１３ａの
入力、および走行距離ニューロン２０Ｅへの走行距離デ
ータ１６ａの入力に応じて、出力層２０Ｄから出力され
る残存容量推定情報２０ａを教師信号として用いること
により、予め実行した誤差逆伝搬学習、またはバッテリ
ー充電の際に再び実行した誤差逆伝搬学習を実行するも
のである。
態の残存容量推定手段２０と同様に、電流データ入力層
２０Ａへの電流データ１２ａの入力、バッテリー温度検
出ニューロン２０Ｂへのバッテリー温度データ１３ａの
入力、および走行距離ニューロン２０Ｅへの走行距離デ
ータ１６ａの入力に応じて、出力層２０Ｄから出力され
る残存容量推定情報２０ａを教師信号として用いること
により、予め実行した誤差逆伝搬学習、またはバッテリ
ー充電の際に再び実行した誤差逆伝搬学習を実行するも
のである。
【００７５】具体的な残存容量推定手段４０は、コンピ
ュータのソフトウェア上で実現することができる。な
お、残存容量推定手段４０をＬＳＩを主体としたニュー
ラルネットワークハードウェアによっても実現できるこ
とは周知技術である。次に、発明の第二実施形態の残存
容量推定手段４０における入力層の構成を説明する。
ュータのソフトウェア上で実現することができる。な
お、残存容量推定手段４０をＬＳＩを主体としたニュー
ラルネットワークハードウェアによっても実現できるこ
とは周知技術である。次に、発明の第二実施形態の残存
容量推定手段４０における入力層の構成を説明する。
【００７６】残存容量推定手段４０における入力層は、
電流データ入力層２０Ａと所定数のバッテリー温度検出
ニューロン２０Ｂと走行距離ニューロン２０Ｅとから成
る。入力層を構成する各ニューロンは、図２に示すよう
に、中間層２０Ｃを構成する全ニューロンについて予め
学習された重み付け、によってこれらの全ニューロンの
各々と結合されて成る。
電流データ入力層２０Ａと所定数のバッテリー温度検出
ニューロン２０Ｂと走行距離ニューロン２０Ｅとから成
る。入力層を構成する各ニューロンは、図２に示すよう
に、中間層２０Ｃを構成する全ニューロンについて予め
学習された重み付け、によってこれらの全ニューロンの
各々と結合されて成る。
【００７７】さらに、中間層２０Ｃを構成する各ニュー
ロンは、出力層２０Ｄを構成する全ニューロンについて
予め学習された重み付け、またはバッテリー充電の際に
再学習された重み付けによってこれらの全ニューロンの
各々と結合されて成る。次に、電流データ入力層２０Ａ
の構成を説明する。
ロンは、出力層２０Ｄを構成する全ニューロンについて
予め学習された重み付け、またはバッテリー充電の際に
再学習された重み付けによってこれらの全ニューロンの
各々と結合されて成る。次に、電流データ入力層２０Ａ
の構成を説明する。
【００７８】電流データ入力層２０Ａは、車両負荷１１
の接続時にバッテリー１５が車両負荷１１に供給する負
荷電流に係る電流データ１２ａを入力するための所定数
のニューロンから構成されている。具体的には、入力す
る電流データ１２ａのデータ数と同数のニューロンを、
所定数のニューロンとして設けている。本発明の第二実
施の形態では、入力する電流データ１２ａのデータ数を
５０個としているので、５０個（＝所定数）のニューロ
ンを電流データ入力層２０Ａに設けている。電流データ
入力層２０Ａを構成する各ニューロンは、図２に示すよ
うに、中間層２０Ｃを構成する各ニューロンについての
予め学習された重み付けを用いて、これらの中間層２０
Ｃの各ニューロンと各々結合されて成る。電流データ入
力層２０Ａを構成する各ニューロンの入出力関数は、シ
グモイド関数２１である。
の接続時にバッテリー１５が車両負荷１１に供給する負
荷電流に係る電流データ１２ａを入力するための所定数
のニューロンから構成されている。具体的には、入力す
る電流データ１２ａのデータ数と同数のニューロンを、
所定数のニューロンとして設けている。本発明の第二実
施の形態では、入力する電流データ１２ａのデータ数を
５０個としているので、５０個（＝所定数）のニューロ
ンを電流データ入力層２０Ａに設けている。電流データ
入力層２０Ａを構成する各ニューロンは、図２に示すよ
うに、中間層２０Ｃを構成する各ニューロンについての
予め学習された重み付けを用いて、これらの中間層２０
Ｃの各ニューロンと各々結合されて成る。電流データ入
力層２０Ａを構成する各ニューロンの入出力関数は、シ
グモイド関数２１である。
【００７９】次に、バッテリー温度算出手段１３の構成
を説明する。本発明の第二実施形態のバッテリー温度算
出手段１３は、具体的には、コンピュータのソフトウェ
ア上で実現することができる。なお、バッテリー温度算
出手段１３をＬＳＩを主体としたニューラルネットワー
クハードウェアによっても実現できることは周知技術で
ある。バッテリー温度検出ニューロン２０Ｂは、車両負
荷１１に負荷電流を供給する際のバッテリー温度に係る
温度データを入力するための所定数のニューロンから構
成されている。バッテリー温度検出ニューロン２０Ｂ
は、図２に示すように、中間層２０Ｃを構成する各ニュ
ーロンについての予め学習された重み付けを用いて、こ
れらの中間層２０Ｃの各ニューロンと各々結合されて成
る。バッテリー温度検出ニューロン２０Ｂの入出力関数
は、シグモイド関数２１である。
を説明する。本発明の第二実施形態のバッテリー温度算
出手段１３は、具体的には、コンピュータのソフトウェ
ア上で実現することができる。なお、バッテリー温度算
出手段１３をＬＳＩを主体としたニューラルネットワー
クハードウェアによっても実現できることは周知技術で
ある。バッテリー温度検出ニューロン２０Ｂは、車両負
荷１１に負荷電流を供給する際のバッテリー温度に係る
温度データを入力するための所定数のニューロンから構
成されている。バッテリー温度検出ニューロン２０Ｂ
は、図２に示すように、中間層２０Ｃを構成する各ニュ
ーロンについての予め学習された重み付けを用いて、こ
れらの中間層２０Ｃの各ニューロンと各々結合されて成
る。バッテリー温度検出ニューロン２０Ｂの入出力関数
は、シグモイド関数２１である。
【００８０】次に、走行距離ニューロン２０Ｅの構成を
説明する。本発明の第二実施形態の走行距離ニューロン
２０Ｅは、具体的には、コンピュータのソフトウェア上
で実現することができる。なお、バッテリー温度算出手
段１３をＬＳＩを主体としたニューラルネットワークハ
ードウェアによっても実現できることは周知技術であ
る。走行距離ニューロン２０Ｅは、車両の走行距離にか
かる走行距離データ１６ａを入力するための所定数のニ
ューロンから構成されている。走行距離ニューロン２０
Ｅは、図２に示すように、中間層２０Ｃを構成する各ニ
ューロンについての予め学習された重み付けを用いて、
これらの中間層２０Ｃの各ニューロンと各々結合されて
成る。走行距離ニューロン２０Ｅの入出力関数は、シグ
モイド関数２１である。
説明する。本発明の第二実施形態の走行距離ニューロン
２０Ｅは、具体的には、コンピュータのソフトウェア上
で実現することができる。なお、バッテリー温度算出手
段１３をＬＳＩを主体としたニューラルネットワークハ
ードウェアによっても実現できることは周知技術であ
る。走行距離ニューロン２０Ｅは、車両の走行距離にか
かる走行距離データ１６ａを入力するための所定数のニ
ューロンから構成されている。走行距離ニューロン２０
Ｅは、図２に示すように、中間層２０Ｃを構成する各ニ
ューロンについての予め学習された重み付けを用いて、
これらの中間層２０Ｃの各ニューロンと各々結合されて
成る。走行距離ニューロン２０Ｅの入出力関数は、シグ
モイド関数２１である。
【００８１】中間層２０Ｃは、本発明の第一実施におい
て既に記述したものと同一なので、同一符号を付し、重
複した説明は省略する。次に、発明の第二実施形態の動
作を説明する。電気自動車等の車両に搭載可能なバッテ
リー１５は各種の車両負荷１１に電力を供給することが
できる。
て既に記述したものと同一なので、同一符号を付し、重
複した説明は省略する。次に、発明の第二実施形態の動
作を説明する。電気自動車等の車両に搭載可能なバッテ
リー１５は各種の車両負荷１１に電力を供給することが
できる。
【００８２】始めに、発明の第二実施形態のバッテリー
残量容量計測装置３０の動作を説明する。本発明の第二
実施形態のバッテリー残量容量計測装置３０は、Ｖ−Ｉ
特性とバッテリー１５の残存容量との関係を予め学習さ
せるとともに、バッテリー充電の際に再学習を実行して
バッテリー毎の個体差に起因する充電率、環境温度、経
時変化（主として、充放電能力の劣化）等のバッテリー
の諸特性や負荷変動の影響を補正することにより、車両
に搭載されたバッテリー（具体的には、鉛蓄電池）１５
の残存容量を推定することが可能である。
残量容量計測装置３０の動作を説明する。本発明の第二
実施形態のバッテリー残量容量計測装置３０は、Ｖ−Ｉ
特性とバッテリー１５の残存容量との関係を予め学習さ
せるとともに、バッテリー充電の際に再学習を実行して
バッテリー毎の個体差に起因する充電率、環境温度、経
時変化（主として、充放電能力の劣化）等のバッテリー
の諸特性や負荷変動の影響を補正することにより、車両
に搭載されたバッテリー（具体的には、鉛蓄電池）１５
の残存容量を推定することが可能である。
【００８３】電流算出手段１２は、図１に示すように、
車両負荷１１の接続時にバッテリー（具体的には、鉛蓄
電池）１５が車両負荷１１に供給する負荷電流を計測す
るとともに、このときの計測結果に基づいてこのときの
負荷電流に係る電流データ１２ａを生成する。
車両負荷１１の接続時にバッテリー（具体的には、鉛蓄
電池）１５が車両負荷１１に供給する負荷電流を計測す
るとともに、このときの計測結果に基づいてこのときの
負荷電流に係る電流データ１２ａを生成する。
【００８４】バッテリー温度算出手段１３は、図１に示
すように、車両負荷１１に負荷電流を供給する際のバッ
テリー温度を計測するとともに、このときの計測結果に
基づいてこのときのバッテリー温度に係る温度データを
生成する。電圧算出手段１４は、図１に示すように、車
両負荷１１の接続時にバッテリー（具体的には、鉛蓄電
池）１５の起電力を計測するとともに、このときの計測
結果に基づいてこのときのバッテリー１５の両端電圧に
係る電圧データ１４ａを生成する。
すように、車両負荷１１に負荷電流を供給する際のバッ
テリー温度を計測するとともに、このときの計測結果に
基づいてこのときのバッテリー温度に係る温度データを
生成する。電圧算出手段１４は、図１に示すように、車
両負荷１１の接続時にバッテリー（具体的には、鉛蓄電
池）１５の起電力を計測するとともに、このときの計測
結果に基づいてこのときのバッテリー１５の両端電圧に
係る電圧データ１４ａを生成する。
【００８５】バッテリー温度算出手段１３はバッテリー
（具体的には、鉛蓄電池）１５の残存容量の推定を実行
することができる。走行距離算出手段１６は、図１に示
すように、車両負荷１１に負荷電流を供給する際に、車
両の走行距離を計測して走行距離データ１６ａを生成す
るための残存容量推定手段４０は、誤差逆伝搬学習を予
め実行した多層型ニューラルネットワーク、またはバッ
テリー充電の際に再び誤差逆伝搬学習を実行した多層型
ニューラルネットワークを用いてバッテリー（具体的に
は、鉛蓄電池）１５の残存容量の推定を実行することが
できる。
（具体的には、鉛蓄電池）１５の残存容量の推定を実行
することができる。走行距離算出手段１６は、図１に示
すように、車両負荷１１に負荷電流を供給する際に、車
両の走行距離を計測して走行距離データ１６ａを生成す
るための残存容量推定手段４０は、誤差逆伝搬学習を予
め実行した多層型ニューラルネットワーク、またはバッ
テリー充電の際に再び誤差逆伝搬学習を実行した多層型
ニューラルネットワークを用いてバッテリー（具体的に
は、鉛蓄電池）１５の残存容量の推定を実行することが
できる。
【００８６】また残存容量推定手段４０は、電流データ
入力層２０Ａへの電流データ１２ａの入力、バッテリー
温度検出ニューロン２０Ｂへのバッテリー温度データ１
３ａの入力、および車両の走行距離にかかる走行距離デ
ータ１６ａの入力に応じて、出力層２０Ｄから出力され
る残存容量推定情報２０ａを教師信号として用いること
により、バッテリー充電の際に再び誤差逆伝搬学習を実
行することができ、また予め誤差逆伝搬学習を実行する
ことができる。
入力層２０Ａへの電流データ１２ａの入力、バッテリー
温度検出ニューロン２０Ｂへのバッテリー温度データ１
３ａの入力、および車両の走行距離にかかる走行距離デ
ータ１６ａの入力に応じて、出力層２０Ｄから出力され
る残存容量推定情報２０ａを教師信号として用いること
により、バッテリー充電の際に再び誤差逆伝搬学習を実
行することができ、また予め誤差逆伝搬学習を実行する
ことができる。
【００８７】これにより、電圧−電流特性（Ｖ−Ｉ特
性）と走行時におけるバッテリーの残存容量との関係を
予め学習させた多層型ニューラルネットワークを用いる
ことにより、充電率、環境温度、経時変化（主として、
充放電能力の劣化）等のバッテリーの諸特性や負荷変動
の影響に起因して、電圧−電流特性（Ｖ−Ｉ特性）にば
らつきが発生した場合でも、バッテリー残存容量を簡便
にかつ正確に求めることができるバッテリー残量容量計
測装置３０を実現できる。
性）と走行時におけるバッテリーの残存容量との関係を
予め学習させた多層型ニューラルネットワークを用いる
ことにより、充電率、環境温度、経時変化（主として、
充放電能力の劣化）等のバッテリーの諸特性や負荷変動
の影響に起因して、電圧−電流特性（Ｖ−Ｉ特性）にば
らつきが発生した場合でも、バッテリー残存容量を簡便
にかつ正確に求めることができるバッテリー残量容量計
測装置３０を実現できる。
【００８８】更に詳しく、発明の第二実施形態の残存容
量推定手段４０における入力層の動作を説明する。電流
データ入力層２０Ａは、車両負荷１１の接続時にバッテ
リー（具体的には、鉛蓄電池）１５が車両負荷１１に供
給する負荷電流に係る電流データ１２ａを入力すること
ができる。
量推定手段４０における入力層の動作を説明する。電流
データ入力層２０Ａは、車両負荷１１の接続時にバッテ
リー（具体的には、鉛蓄電池）１５が車両負荷１１に供
給する負荷電流に係る電流データ１２ａを入力すること
ができる。
【００８９】バッテリー温度検出ニューロン２０Ｂは、
車両負荷１１に負荷電流を供給する際のバッテリー温度
に係る温度データを入力することができる。走行距離ニ
ューロン２０は、車両の走行距離にかかる走行距離デー
タ１６ａを入力することができる。走行距離データ１６
ａとは、車両負荷１１に負荷電流を供給する際に、車両
の走行距離を計測して実際に走行した走行距離から逆算
したバッテリー残存容量にかかるデータである。計測さ
れた走行距離データ１６ａは、走行距離算出手段１６に
よって、随時メモリ部１６Ａに記録され、また随時読み
出される。
車両負荷１１に負荷電流を供給する際のバッテリー温度
に係る温度データを入力することができる。走行距離ニ
ューロン２０は、車両の走行距離にかかる走行距離デー
タ１６ａを入力することができる。走行距離データ１６
ａとは、車両負荷１１に負荷電流を供給する際に、車両
の走行距離を計測して実際に走行した走行距離から逆算
したバッテリー残存容量にかかるデータである。計測さ
れた走行距離データ１６ａは、走行距離算出手段１６に
よって、随時メモリ部１６Ａに記録され、また随時読み
出される。
【００９０】出力層２０Ｄは、バッテリー（具体的に
は、鉛蓄電池）１５の供給可能な残存電力に係る残存容
量推定情報２０ａを生成する。多層型ニューラルネット
ワーク２０において予め実行した誤差逆伝搬学習、また
はバッテリー充電の際に再び実行した誤差逆伝搬学習を
説明する。
は、鉛蓄電池）１５の供給可能な残存電力に係る残存容
量推定情報２０ａを生成する。多層型ニューラルネット
ワーク２０において予め実行した誤差逆伝搬学習、また
はバッテリー充電の際に再び実行した誤差逆伝搬学習を
説明する。
【００９１】予め実行される誤差逆伝搬学習は、本発明
の第一実施において既に記述したものと同一なので、説
明は省略する。また再学習にかかる誤差逆伝搬学習は、
バッテリー充電の際にバッテリー温度をパラメータとし
て再び測定された、電圧データ１４ａと電流データ１２
ａとから構成された電圧−電流特性（Ｖ−Ｉ特性）（図
３参照）に基づいて実行される。
の第一実施において既に記述したものと同一なので、説
明は省略する。また再学習にかかる誤差逆伝搬学習は、
バッテリー充電の際にバッテリー温度をパラメータとし
て再び測定された、電圧データ１４ａと電流データ１２
ａとから構成された電圧−電流特性（Ｖ−Ｉ特性）（図
３参照）に基づいて実行される。
【００９２】図２に示すように、バッテリー１５の電圧
−電流特性（Ｖ−Ｉ特性）から所定の数の電圧データ１
４ａと電流データ１２ａとの組合せを選択する。具体的
には、５０組の電圧データ１４ａと電流データ１２ａと
の組合せを選択している。
−電流特性（Ｖ−Ｉ特性）から所定の数の電圧データ１
４ａと電流データ１２ａとの組合せを選択する。具体的
には、５０組の電圧データ１４ａと電流データ１２ａと
の組合せを選択している。
【００９３】選択された電圧データ１４ａの数（具体的
には、５０個）と同数（則ち、５０個）のニューロンを
電流データ入力層２０Ａに設定する。本発明の第二実施
の形態では、入力する電流データ１２ａのデータ数を５
０個としているので、５０個（＝所定数）のニューロン
を電流データ入力層２０Ａに設けている。
には、５０個）と同数（則ち、５０個）のニューロンを
電流データ入力層２０Ａに設定する。本発明の第二実施
の形態では、入力する電流データ１２ａのデータ数を５
０個としているので、５０個（＝所定数）のニューロン
を電流データ入力層２０Ａに設けている。
【００９４】バッテリー温度検出ニューロン２０Ｂは、
バッテリー温度を検出する測定個所に応じて設定可能で
ある。本発明の第二実施の形態では、一箇所だけバッテ
リー温度を検出するので、バッテリー温度検出ニューロ
ン２０Ｂを一つだけ設けている。
バッテリー温度を検出する測定個所に応じて設定可能で
ある。本発明の第二実施の形態では、一箇所だけバッテ
リー温度を検出するので、バッテリー温度検出ニューロ
ン２０Ｂを一つだけ設けている。
【００９５】電流データ入力層２０Ａを構成する各ニュ
ーロンの入出力関数は、シグモイド関数２１である。ま
たバッテリー温度検出ニューロン２０Ｂの入出力関数
は、シグモイド関数２１である。この状態で、車両負荷
１１に負荷電流を供給する際に、電流データ入力層２０
Ａに、車両負荷１１の接続時にバッテリー１５が車両負
荷１１に供給する負荷電流に係る電流データ１２ａを入
力し、同時にバッテリー温度検出ニューロン２０Ｂに車
両負荷１１に負荷電流を供給する際のバッテリー温度に
係る温度データを入力し、同時に車両負荷１１に負荷電
流を供給する際の車両の走行距離を計測して走行距離デ
ータ１６ａを走行距離ニューロン２０Ｅに入力して、再
学習にかかる誤差逆伝搬学習を実行する。
ーロンの入出力関数は、シグモイド関数２１である。ま
たバッテリー温度検出ニューロン２０Ｂの入出力関数
は、シグモイド関数２１である。この状態で、車両負荷
１１に負荷電流を供給する際に、電流データ入力層２０
Ａに、車両負荷１１の接続時にバッテリー１５が車両負
荷１１に供給する負荷電流に係る電流データ１２ａを入
力し、同時にバッテリー温度検出ニューロン２０Ｂに車
両負荷１１に負荷電流を供給する際のバッテリー温度に
係る温度データを入力し、同時に車両負荷１１に負荷電
流を供給する際の車両の走行距離を計測して走行距離デ
ータ１６ａを走行距離ニューロン２０Ｅに入力して、再
学習にかかる誤差逆伝搬学習を実行する。
【００９６】このような再学習にかかる誤差逆伝搬学習
を実行した後に、出力層２０Ｄが、再学習にかかる誤差
逆伝搬学習に基づくバッテリー１５の供給可能な残存電
力に係る残存容量推定情報２０ａを生成する。このと
き、残存容量推定手段４０は、図２に示すように、電流
データ入力層２０Ａへの電流データ１２ａの入力、バッ
テリー温度検出ニューロン２０Ｂへのバッテリー温度デ
ータ１３ａの入力、および走行距離ニューロン２０Ｅ
（図１）への走行距離データ１６ａの入力に応じて、出
力層２０Ｄから出力される残存容量推定情報２０ａを教
師信号として用いることにより、バッテリー充電の際に
再び誤差逆伝搬学習を実行することができる。
を実行した後に、出力層２０Ｄが、再学習にかかる誤差
逆伝搬学習に基づくバッテリー１５の供給可能な残存電
力に係る残存容量推定情報２０ａを生成する。このと
き、残存容量推定手段４０は、図２に示すように、電流
データ入力層２０Ａへの電流データ１２ａの入力、バッ
テリー温度検出ニューロン２０Ｂへのバッテリー温度デ
ータ１３ａの入力、および走行距離ニューロン２０Ｅ
（図１）への走行距離データ１６ａの入力に応じて、出
力層２０Ｄから出力される残存容量推定情報２０ａを教
師信号として用いることにより、バッテリー充電の際に
再び誤差逆伝搬学習を実行することができる。
【００９７】これにより、電流データ入力層２０Ａを構
成する各ニューロン（本発明の第二実施の形態では、５
０個のニューロン）と中間層２０Ｃの各ニューロンとの
間の重み付け、バッテリー温度検出ニューロン（本発明
の第二実施の形態では、図２に示すように、単一のニュ
ーロン）２０Ｂと中間層２０Ｃを構成する各ニューロン
（ニューロンは可変）との間の重み付け、および中間層
２０Ｃを構成する各ニューロンと出力層２０Ｄを構成す
るニューロン（本発明の第二実施の形態では、図２に示
すように、単一のニューロン）との間の重み付けを、再
学習されせることができる。
成する各ニューロン（本発明の第二実施の形態では、５
０個のニューロン）と中間層２０Ｃの各ニューロンとの
間の重み付け、バッテリー温度検出ニューロン（本発明
の第二実施の形態では、図２に示すように、単一のニュ
ーロン）２０Ｂと中間層２０Ｃを構成する各ニューロン
（ニューロンは可変）との間の重み付け、および中間層
２０Ｃを構成する各ニューロンと出力層２０Ｄを構成す
るニューロン（本発明の第二実施の形態では、図２に示
すように、単一のニューロン）との間の重み付けを、再
学習されせることができる。
【００９８】以上説明したように、本発明の第二実施の
形態によれば、電圧−電流特性（Ｖ−Ｉ特性）と走行時
におけるバッテリーの残存容量との関係を、誤差逆伝搬
学習を予め実行した多層型ニューラルネットワーク、ま
たはバッテリー充電の際に再び誤差逆伝搬学習を実行し
た多層型ニューラルネットワークを用いて、バッテリー
毎の個体差に起因する充電率、環境温度、経時変化（主
として、充放電能力の劣化）等のバッテリーの諸特性や
負荷変動の影響を補正することにより、Ｖ−Ｉ特性にば
らつきが発生した場合でも、そのような個体差をも考慮
して、バッテリー残存容量を簡便にかつ正確に求めるこ
とができるバッテリー残量容量計測装置を実現できる。
形態によれば、電圧−電流特性（Ｖ−Ｉ特性）と走行時
におけるバッテリーの残存容量との関係を、誤差逆伝搬
学習を予め実行した多層型ニューラルネットワーク、ま
たはバッテリー充電の際に再び誤差逆伝搬学習を実行し
た多層型ニューラルネットワークを用いて、バッテリー
毎の個体差に起因する充電率、環境温度、経時変化（主
として、充放電能力の劣化）等のバッテリーの諸特性や
負荷変動の影響を補正することにより、Ｖ−Ｉ特性にば
らつきが発生した場合でも、そのような個体差をも考慮
して、バッテリー残存容量を簡便にかつ正確に求めるこ
とができるバッテリー残量容量計測装置を実現できる。
【００９９】
【発明の効果】本発明によれば、Ｖ−Ｉ特性と走行時に
おけるバッテリーの残存容量との関係を予め学習させた
ニューラルネットワークを用いることにより、充電率、
環境温度、経時変化（主として、充放電能力の劣化）等
のバッテリーの諸特性や負荷変動の影響に起因して、Ｖ
−Ｉ特性にばらつきが発生した場合でも、バッテリー残
存容量を簡便にかつ正確に求めることができるバッテリ
ー残量容量計測装置を実現できる。
おけるバッテリーの残存容量との関係を予め学習させた
ニューラルネットワークを用いることにより、充電率、
環境温度、経時変化（主として、充放電能力の劣化）等
のバッテリーの諸特性や負荷変動の影響に起因して、Ｖ
−Ｉ特性にばらつきが発生した場合でも、バッテリー残
存容量を簡便にかつ正確に求めることができるバッテリ
ー残量容量計測装置を実現できる。
【０１００】さらに、本発明によれば、バッテリー充電
の際に再学習を実行しバッテリー毎の個体差に起因する
充電率、環境温度、経時変化（主として、充放電能力の
劣化）等のバッテリーの諸特性や負荷変動の影響を補正
することにより、Ｖ−Ｉ特性にばらつきが発生した場合
でも、そのような個体差をも考慮して、バッテリー残存
容量を簡便にかつ正確に求めることができるバッテリー
残量容量計測装置を実現できる。
の際に再学習を実行しバッテリー毎の個体差に起因する
充電率、環境温度、経時変化（主として、充放電能力の
劣化）等のバッテリーの諸特性や負荷変動の影響を補正
することにより、Ｖ−Ｉ特性にばらつきが発生した場合
でも、そのような個体差をも考慮して、バッテリー残存
容量を簡便にかつ正確に求めることができるバッテリー
残量容量計測装置を実現できる。
【図１】本発明の実施の形態にかかるバッテリー残量容
量計測装置を示す機能ブロック図である。
量計測装置を示す機能ブロック図である。
【図２】本発明の実施の形態にかかる残存容量推定手段
における学習過程を示す図である。
における学習過程を示す図である。
【図３】本発明の実施の形態にかかるバッテリーの電圧
−電流（Ｖ−Ｉ）特性図である。
−電流（Ｖ−Ｉ）特性図である。
【図４】従来のバッテリー残量容量計測装置を示す機能
ブロック図である。
ブロック図である。
１０，３０ バッテリー残量容量計測装置 １１ 車両負荷 １２ 電流算出手段 １２ａ 電流データ １３ バッテリー温度算出手段 １３ａ バッテリー温度データ １４ 電圧算出手段 １４ａ 電圧データ １５ バッテリー １６ 走行距離算出手段 １６ａ 走行距離データ １６Ａ メモリ部 ２０，４０ 残存容量推定手段（多層型ニューラルネ
ットワーク） ２０ａ 残存容量推定情報 ２０Ａ 電流データ入力層 ２０Ｂ バッテリー温度検出ニューロン ２０Ｃ 中間層 ２０Ｄ 出力層 ２１ シグモイド関数
ットワーク） ２０ａ 残存容量推定情報 ２０Ａ 電流データ入力層 ２０Ｂ バッテリー温度検出ニューロン ２０Ｃ 中間層 ２０Ｄ 出力層 ２１ シグモイド関数
Claims (19)
- 【請求項１】 走行時におけるバッテリーの残存容量を
推定するバッテリー残量容量計測装置において、 入力層、中間層、および出力層が所定の順序で階層化さ
れて成る多層型ニューラルネットワークを用いて走行時
におけるバッテリーの残存容量の推定を実行することが
できる残存容量推定手段、 を備えて成ることを特徴とするバッテリー残量容量計測
装置。 - 【請求項２】 前記残存容量推定手段は、 車両負荷の接続時にバッテリーが車両負荷に供給する負
荷電流に係る電流データを入力するための所定数のニュ
ーロンから構成される電流データ入力層と、車両負荷に
負荷電流を供給する際のバッテリー温度に係る温度デー
タを入力するための所定数のバッテリー温度検出ニュー
ロンとを有する入力層と、 バッテリーの供給可能な残存電力に係る残存容量推定情
報を生成するための出力層と、 を備えて成ることを特徴とする請求項１に記載のバッテ
リー残量容量計測装置。 - 【請求項３】 前記入力層を構成する各ニューロンは、
前記中間層を構成する全ニューロンについて予め学習さ
れた重み付けによって当該全ニューロンの各々と結合さ
れて成り、 さらに、前記中間層を構成する各ニューロンは、前記出
力層を構成する全ニューロンについて予め学習された重
み付けによって当該全ニューロンの各々と結合されて成
る、 ことを特徴とする請求項１、または２に記載のバッテリ
ー残量容量計測装置。 - 【請求項４】 前記バッテリー温度検出ニューロンは、
前記中間層を構成する各ニューロンについての予め学習
された重み付けを用いて、当該中間層の各ニューロンと
各々結合されて成る、 ことを特徴とする請求項１乃至３のいずれか一項に記載
のバッテリー残量容量計測装置。 - 【請求項５】 前記電流データ入力層を構成する各ニュ
ーロンは、前記中間層を構成する各ニューロンについて
の予め学習された重み付けを用いて、当該中間層の各ニ
ューロンと各々結合されて成る、 ことを特徴とする請求項１乃至４のいずれか一項に記載
のバッテリー残量容量計測装置。 - 【請求項６】 前記出力層を構成する各ニューロンは、
前記中間層を構成する各ニューロンについての予め学習
された重み付けを用いて、当該中間層の各ニューロンと
各々結合されて成る、 ことを特徴とする請求項１乃至５のいずれか一項に記載
のバッテリー残量容量計測装置。 - 【請求項７】 前記バッテリー温度検出ニューロンの入
出力関数は、シグモイド関数である、 ことを特徴とする請求項１乃至６のいずれか一項に記載
のバッテリー残量容量計測装置。 - 【請求項８】 前記電流データ入力層を構成する各ニュ
ーロンの入出力関数は、シグモイド関数である、 ことを特徴とする請求項１乃至７のいずれか一項に記載
のバッテリー残量容量計測装置。 - 【請求項９】 前記残存容量推定手段は、誤差逆伝搬学
習を予め実行した前記多層型ニューラルネットワークを
用いて走行時におけるバッテリーの残存容量の推定を実
行することができる、 ことを特徴とする請求項１乃至８のいずれか一項に記載
のバッテリー残量容量計測装置。 - 【請求項１０】 前記残存容量推定手段は、前記電流デ
ータ入力層への前記電流データの入力および前記バッテ
リー温度検出ニューロンへの前記バッテリー温度データ
の入力に応じて、前記出力層から出力される前記残存容
量推定情報を教師信号として用いることにより前記誤差
逆伝搬学習を実行する、 ことを特徴とする請求項１乃至９のいずれか一項に記載
のバッテリー残量容量計測装置。 - 【請求項１１】 前記残存容量推定手段は、バッテリー
充電の際に再学習を実行し、当該再学習の結果に基づい
て走行時におけるバッテリーの残存容量の推定を実行す
るように構成されて成る、 ことを特徴とする請求項１乃至１０のいずれか一項に記
載のバッテリー残量容量計測装置。 - 【請求項１２】 前記残存容量推定手段は、 前記電流データ入力層と、前記バッテリー温度検出ニュ
ーロンと車両の走行距離にかかる走行距離データを入力
するための走行距離ニューロンと有する入力層、 を備えて成ることを特徴とする請求項１１に記載のバッ
テリー残量容量計測装置。 - 【請求項１３】 前記入力層を構成する各ニューロン
は、前記中間層を構成する全ニューロンについてバッテ
リー充電の際に再学習された重み付けによって当該全ニ
ューロンの各々と結合されて成り、 さらに、前記中間層を構成する各ニューロンは、前記出
力層を構成する全ニューロンについてバッテリー充電の
際に再学習された重み付けによって当該全ニューロンの
各々と結合されて成る、 ことを特徴とする請求項１２に記載のバッテリー残量容
量計測装置。 - 【請求項１４】 前記バッテリー温度検出ニューロン
は、前記中間層を構成する各ニューロンについてのバッ
テリー充電の際に再学習された重み付けを用いて、当該
中間層の各ニューロンと各々結合されて成る、 ことを特徴とする請求項１３に記載のバッテリー残量容
量計測装置。 - 【請求項１５】 前記電流データ入力層を構成する各ニ
ューロンは、前記中間層を構成する各ニューロンについ
てのバッテリー充電の際に再学習された重み付けを用い
て、当該中間層の各ニューロンと各々結合されて成る、 ことを特徴とする請求項１４に記載のバッテリー残量容
量計測装置。 - 【請求項１６】 前記出力層を構成する各ニューロン
は、前記中間層を構成する各ニューロンについてのバッ
テリー充電の際に再学習された重み付けを用いて、当該
中間層の各ニューロンと各々結合されて成る、 ことを特徴とする請求項１５に記載のバッテリー残量容
量計測装置。 - 【請求項１７】 車両負荷の接続時にバッテリーが車両
負荷に供給する負荷電流を計測するとともに、当該計測
結果に基づいて当該負荷電流に係る前記電流データを生
成するための電流算出手段と、 車両負荷に負荷電流を供給する際のバッテリー温度を計
測するとともに、当該計測結果に基づいて当該バッテリ
ー温度に係る温度データを生成するためのバッテリー温
度算出手段と、 車両負荷に負荷電流を供給する際に車両の走行距離を計
測して走行距離データを生成するための走行距離算出手
段と、 を備えて成ることを特徴とする請求項１乃至１６のいず
れか一項に記載のバッテリー残量容量計測装置。 - 【請求項１８】 請求項１７記載の走行距離算出手段
は、計測した前記走行距離データを記録するためのメモ
リ部、 を備えて成ることを特徴とするバッテリー残量容量計測
装置。 - 【請求項１９】 車両負荷の接続時にバッテリーの起電
力を計測するとともに、当該計測結果に基づいて当該バ
ッテリーの両端電圧に係る前記電圧データを生成するた
めの電圧算出手段と、 を備えて成ることを特徴とする請求項１７または１８の
いずれか一項に記載のバッテリー残量容量計測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8107605A JPH09236641A (ja) | 1995-12-28 | 1996-04-26 | バッテリー残量容量計測装置 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP34245495 | 1995-12-28 | ||
| JP7-342454 | 1995-12-28 | ||
| JP8107605A JPH09236641A (ja) | 1995-12-28 | 1996-04-26 | バッテリー残量容量計測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09236641A true JPH09236641A (ja) | 1997-09-09 |
Family
ID=26447629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8107605A Withdrawn JPH09236641A (ja) | 1995-12-28 | 1996-04-26 | バッテリー残量容量計測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH09236641A (ja) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000046587A (ja) * | 1998-07-31 | 2000-02-18 | Equos Research Co Ltd | 燃料電池車輌用の表示装置 |
| GB2386709A (en) * | 2002-03-18 | 2003-09-24 | Ching Chuen Chan | A neural network for estimating battery residual capacity in an electric vehicle |
| JP2010519691A (ja) * | 2007-04-20 | 2010-06-03 | 杭州高特電子設備有限公司 | 蓄電池の性能を分析するためのエキスパート診断方法 |
| US7955747B2 (en) | 2003-01-08 | 2011-06-07 | Nikon Corporation | Electronic device and electronic device operating control method |
| CN104849671A (zh) * | 2015-05-22 | 2015-08-19 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测系统 |
| JP2016536605A (ja) * | 2013-09-11 | 2016-11-24 | コミサリヤ・ア・レネルジ・アトミク・エ・オ・エネルジ・アルテルナテイブ | 電池の充電状態を推定するための方法、装置およびシステム |
| KR101983986B1 (ko) * | 2018-02-08 | 2019-05-30 | 충남대학교산학협력단 | 드론 비행고도와 비행 모드 전환에 따른 배터리팩 충전상태 모니터링장치 |
| KR101992051B1 (ko) * | 2018-03-19 | 2019-06-21 | 충북대학교 산학협력단 | 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 |
| CN110057742A (zh) * | 2019-05-07 | 2019-07-26 | 深圳市信宇人科技股份有限公司 | 锂离子电池极片孔隙率在线检测方法及其应用 |
| WO2019176602A1 (ja) * | 2018-03-16 | 2019-09-19 | 株式会社Ｇｓユアサ | 検査方法、検査装置、学習モデル及び蓄電素子ユニットの製造方法 |
| US10427535B2 (en) | 2015-11-24 | 2019-10-01 | Samsung Electronics Co., Ltd. | Method and apparatus for battery management |
| WO2020137114A1 (ja) * | 2018-12-28 | 2020-07-02 | 横河電機株式会社 | 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム |
-
1996
- 1996-04-26 JP JP8107605A patent/JPH09236641A/ja not_active Withdrawn
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000046587A (ja) * | 1998-07-31 | 2000-02-18 | Equos Research Co Ltd | 燃料電池車輌用の表示装置 |
| GB2386709A (en) * | 2002-03-18 | 2003-09-24 | Ching Chuen Chan | A neural network for estimating battery residual capacity in an electric vehicle |
| GB2386709B (en) * | 2002-03-18 | 2004-03-17 | Ching Chuen Chan | Battery residual capacity estimation for electric vehicles |
| US7955747B2 (en) | 2003-01-08 | 2011-06-07 | Nikon Corporation | Electronic device and electronic device operating control method |
| JP2010519691A (ja) * | 2007-04-20 | 2010-06-03 | 杭州高特電子設備有限公司 | 蓄電池の性能を分析するためのエキスパート診断方法 |
| JP2016536605A (ja) * | 2013-09-11 | 2016-11-24 | コミサリヤ・ア・レネルジ・アトミク・エ・オ・エネルジ・アルテルナテイブ | 電池の充電状態を推定するための方法、装置およびシステム |
| CN104849671A (zh) * | 2015-05-22 | 2015-08-19 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测系统 |
| US10427535B2 (en) | 2015-11-24 | 2019-10-01 | Samsung Electronics Co., Ltd. | Method and apparatus for battery management |
| KR101983986B1 (ko) * | 2018-02-08 | 2019-05-30 | 충남대학교산학협력단 | 드론 비행고도와 비행 모드 전환에 따른 배터리팩 충전상태 모니터링장치 |
| WO2019176602A1 (ja) * | 2018-03-16 | 2019-09-19 | 株式会社Ｇｓユアサ | 検査方法、検査装置、学習モデル及び蓄電素子ユニットの製造方法 |
| KR101992051B1 (ko) * | 2018-03-19 | 2019-06-21 | 충북대학교 산학협력단 | 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 |
| WO2020137114A1 (ja) * | 2018-12-28 | 2020-07-02 | 横河電機株式会社 | 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム |
| JP2020106470A (ja) * | 2018-12-28 | 2020-07-09 | 横河電機株式会社 | 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム |
| CN110057742A (zh) * | 2019-05-07 | 2019-07-26 | 深圳市信宇人科技股份有限公司 | 锂离子电池极片孔隙率在线检测方法及其应用 |
| CN110057742B (zh) * | 2019-05-07 | 2020-08-04 | 深圳市信宇人科技股份有限公司 | 锂离子电池极片孔隙率在线检测方法及其应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3887047B2 (ja) | 監視システム、ホスト装置及び監視システムのニューラルネットワーク発生方法 | |
| US11422192B2 (en) | Method and apparatus for estimating state of health of battery | |
| JP5694088B2 (ja) | 二次電池の劣化管理システム | |
| EP1896925B1 (en) | Apparatus and method for testing state of charge in battery | |
| JP3887048B2 (ja) | 監視システム | |
| CN1312804C (zh) | 二次电池允许输入和输出功率的估计装置和估计方法 | |
| JP4075925B2 (ja) | 車両用鉛蓄電池の内部状態検出システム | |
| Wang et al. | Online dynamic equalization adjustment of high-power lithium-ion battery packs based on the state of balance estimation | |
| US7197487B2 (en) | Apparatus and method for estimating battery state of charge | |
| JP4703593B2 (ja) | 二次電池の状態推定装置 | |
| CA2333619C (en) | Means for estimating charged state of battery and method for estimating degraded state of battery | |
| TWI272737B (en) | Method and system for joint battery state and parameter estimation | |
| JPH09236641A (ja) | バッテリー残量容量計測装置 | |
| Shah et al. | State of charge, remaining useful life and knee point estimation based on artificial intelligence and Machine learning in lithium-ion EV batteries: A comprehensive review | |
| KR20060091269A (ko) | 뉴럴네트워크연산에 기초한 2차전지의 충전상태를 검출하기위한 방법 및 장치 | |
| US20060238168A1 (en) | Method and device for monitoring deterioration of battery | |
| CN104422917A (zh) | 在范围内的电流传感器的故障检测 | |
| Fu et al. | An improved neural network model for battery smarter state-of-charge estimation of energy-transportation system | |
| Gong et al. | Voltage-stress-based state of charge estimation of pouch lithium-ion batteries using a long short-term memory network | |
| Zhu et al. | The SOH estimation of LiFePO4 battery based on internal resistance with Grey Markov Chain | |
| US20200313248A1 (en) | Apparatus and Method for Diagnosing Insulation Condition Between Battery Pack and Ground, and Battery Pack Including the Apparatus | |
| Zhu et al. | Battery parameter identification using recursive least squares with variable directional forgetting | |
| KR102533200B1 (ko) | 배터리 시스템의 비균질한 셀 성능을 검출하기 위한 방법 및 검출 장치 | |
| Errifai et al. | Combined Coulomb-Counting and Open-Circuit Voltage Methods for State of Charge Estimation of Li-Ion Batteries | |
| Pendyala et al. | Development of a Machine Learning Technique to Accurately Estimate Battery State of Charge |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20030701 |