WO2012086627A1 - 満充電検知装置および満充電検知方法 - Google Patents

満充電検知装置および満充電検知方法 Download PDF

Info

Publication number
WO2012086627A1
WO2012086627A1 PCT/JP2011/079459 JP2011079459W WO2012086627A1 WO 2012086627 A1 WO2012086627 A1 WO 2012086627A1 JP 2011079459 W JP2011079459 W JP 2011079459W WO 2012086627 A1 WO2012086627 A1 WO 2012086627A1
Authority
WO
WIPO (PCT)
Prior art keywords
secondary battery
full charge
learning
detection device
equivalent circuit
Prior art date
Application number
PCT/JP2011/079459
Other languages
English (en)
French (fr)
Inventor
岩根　典靖
悦藏 佐藤
泰司 光山
伸一 野元
露木　真道
タマーシュ ミヒャルフィ
アンタル コバチュ
Original Assignee
古河電気工業株式会社
古河As株式会社
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 古河電気工業株式会社, 古河As株式会社 filed Critical 古河電気工業株式会社
Priority to EP11851717.6A priority Critical patent/EP2657714B1/en
Priority to CN201180057759.8A priority patent/CN103229068B/zh
Publication of WO2012086627A1 publication Critical patent/WO2012086627A1/ja
Priority to US13/769,636 priority patent/US9153988B2/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • H02J7/0049—Detection of fully charged condition
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
    • H02J7/00714—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters in response to battery charging or discharging current
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/02—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries for charging batteries from ac mains by converters
    • H02J7/04—Regulation of charging current or voltage
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • 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

Definitions

  • the present invention relates to a full charge detection device and a full charge detection method.
  • the determination is based on whether or not the SOC (State of) Charge), which is the charging rate, has reached 100%.
  • SOC State of Charge
  • a method of measuring a stable voltage OCV (Open (Circuit Voltage) of a secondary battery and predicting the SOC from the OCV is known. ing.
  • an object of the present invention is to provide a full charge detection device and a full charge detection method capable of accurately determining full charge regardless of the type of secondary battery.
  • a full charge detection device is a full charge detection device that detects a full charge state of the secondary battery based on an equivalent circuit model of the secondary battery.
  • Measuring means for measuring voltage and current at the time, learning means for performing learning processing on a plurality of parameters included in the equivalent circuit model based on the measurement result by the measuring means, and learning processing by the learning means Determining means for determining that the secondary battery is fully charged when a parameter corresponding to a reaction resistance of the secondary battery is greater than a predetermined threshold among the applied parameters. And According to such a configuration, it is possible to provide a full charge detection device capable of accurately determining full charge regardless of the type of secondary battery.
  • another invention is characterized in that the learning means or the determination means corrects the value of the reaction resistance or the threshold value based on the value of the current. According to such a configuration, full charge can be accurately detected regardless of the magnitude of the current.
  • another invention is characterized in that the learning means or the determination means corrects the value of the reaction resistance or the threshold value based on the temperature of the secondary battery. According to such a configuration, full charge can be accurately detected regardless of the temperature level.
  • another invention is characterized in that the learning means or the determination means corrects the value of the reaction resistance or the threshold value based on a deterioration state of the secondary battery. According to such a configuration, full charge can be accurately detected regardless of the deterioration state of the battery.
  • the learning unit may perform a Kalman filter calculation so that an error between the voltage and current values measured by the measurement unit and the response of the equivalent circuit model is minimized. And optimizing the plurality of parameters. According to such a configuration, full charge can be accurately detected even in an environment where noise exists.
  • the learning unit may be a least square so that an error between a voltage and a current value measured by the measurement unit and a response of the equivalent circuit model is minimized.
  • the plurality of parameters are optimized by calculation. According to such a configuration, it is possible to provide a robust detection device.
  • the learning means may be configured so as to minimize an error between the voltage and current values measured by the measurement means and the response of the equivalent circuit model. And optimizing the plurality of parameters. According to such a configuration, a good detection result can be obtained with a relatively small calculation amount.
  • the learning unit may support the support vector so that an error between the voltage and current values measured by the measuring unit and the response of the equivalent circuit model is minimized.
  • the plurality of parameters are optimized by a machine. According to such a configuration, it is possible to obtain an appropriate parameter and accurately detect full charge based on the parameter without stopping learning with the local optimum solution.
  • Another invention is a secondary battery power supply system having the full charge detection device. According to such a configuration, it is possible to provide a secondary battery power supply system capable of accurately determining full charge regardless of the type of secondary battery.
  • the full charge detection method of the present invention is a full charge detection method for detecting a full charge state of the secondary battery based on an equivalent circuit model of the secondary battery.
  • the method includes a determination step of determining that the secondary battery is fully charged when a parameter corresponding to a reaction resistance of the secondary battery is larger than a predetermined threshold value. According to such a method, it is possible to provide a full charge detection method capable of accurately determining full charge regardless of the type of secondary battery.
  • FIG. 1 is a diagram illustrating a configuration example of a secondary battery power supply system having a full charge detection device according to an embodiment of the present invention.
  • the full charge detection device 1 of the present embodiment includes a control unit 10 (corresponding to “learning means” and “determination means” in the claims), and a voltage detection unit 11 (“ Corresponding to "measuring means”), current detector 12 (corresponding to “measuring means” in claims), and temperature detector 14 as main components, and lead storage battery 13 (“secondary battery in claims”). )) Is fully charged.
  • an alternator 15, a cell motor 16, and a load 17 are connected to the lead storage battery 13 via the current detection unit 12.
  • a case where the full charge detection device 1 is mounted on a vehicle such as an automobile will be described as an example. Needless to say, it may be used for other purposes.
  • the control unit 10 includes a CPU (Central Processing Unit) 10a, a ROM (Read Only Memory) 10b, a RAM (Random Access Memory) 10c, and an I / F (Interface) 10d as main components. It is said.
  • the CPU 10a controls each part of the apparatus based on a program 10ba stored in the ROM 10b.
  • the ROM 10b is composed of a semiconductor memory, and stores a program 10ba, a table 10bb, and other information.
  • the RAM 10c is constituted by a semiconductor memory, and stores the parameter 10ca and other information in a rewritable manner.
  • the I / F 10d converts the detection signals from the voltage detection unit 11, the current detection unit 12, and the temperature detection unit 14 into digital signals and inputs them, and is not shown when the lead storage battery 13 is fully charged. By cutting off the electromagnetic clutch of the alternator 15, the load on a prime mover such as a reciprocating engine (not shown) is reduced.
  • the voltage detection unit 11 detects the terminal voltage of the lead storage battery 13 and notifies the control unit 10 of it.
  • the current detection unit 12 detects a current flowing through the lead storage battery 13 and notifies the control unit 10 of the current.
  • the temperature detection part 14 is comprised by the thermistor etc., for example, detects the temperature of lead acid battery 13 itself, or its ambient temperature, and notifies the control part 10 of it.
  • the alternator 15 is driven by a prime mover such as a reciprocating engine, for example, and generates DC power to charge the lead storage battery 13.
  • the cell motor 16 is constituted by, for example, a DC motor, and is rotated by DC power supplied from the lead storage battery 13 to start the prime mover.
  • the load 17 includes, for example, a steering motor, a defogger, a headlight, a wiper, a direction indication light, a navigation device, and other devices.
  • FIG. 3 is a diagram for explaining an outline of a processing algorithm realized by executing the program 10ba.
  • an equivalent circuit model 30 of the lead storage battery 13 having a plurality of parameters is set. And while measuring the lead storage battery 13 used as a target and obtaining a measured value, based on the equivalent circuit model 30, the calculated value corresponding to a measured value is obtained. Deviations between these measured values and calculated values are calculated, and optimal parameters are estimated by adaptive learning using the extended Kalman filter 31. Then, the equivalent circuit model 30 can be optimized by updating the equivalent circuit model 30 with the estimated parameters.
  • the full charge detection module 32 detects the full charge state based on the parameter Rr optimally learned in this way.
  • adaptive learning refers to a technique in which a flexible and general model having parameters is prepared and the parameters are optimized statistically and adaptively by learning.
  • an extended Kalman filter is used as an example of adaptive learning.
  • the present invention is not limited to such a case.
  • adaptive learning using a least square method a neural network model is used. It is also possible to use adaptive learning using, adaptive learning using a support vector machine, or adaptive learning using a genetic algorithm model. That is, any method can be used as long as it creates a learning target model and optimizes the parameters constituting the model based on the results obtained by observation.
  • FIG. 4 is a diagram illustrating an example of an equivalent circuit model 30 (in this example, an electrical equivalent circuit) of the lead storage battery 13.
  • the equivalent circuit model 30 includes a voltage source V0, a liquid resistance Rs, a reaction resistance Rr, and a capacitor C as main components.
  • the liquid resistance Rs is an internal resistance whose main elements are the liquid resistance of the electrolytic solution of the lead storage battery 13 and the conductive resistance of the electrode.
  • Impedance Z is an equivalent circuit corresponding to the anode of the lead storage battery 13 and the electrolyte in contact therewith, and basically has characteristics based on the Butler-Volmer equation, and includes a reaction resistance Rr and a capacitor. It can be expressed as a parallel connection circuit with C.
  • the voltage source V0 is an ideal voltage source having an internal impedance of zero.
  • an equivalent circuit model of the lead storage battery 13 shown in FIG. 4 is used, and a state vector including at least the reaction resistance Rr as a parameter is defined in the equivalent circuit model. Then, when the lead storage battery 13 is in a charged state, current values and voltage values as measurement values are acquired, and parameters are optimized statistically and adaptively by a learning process. Next, the reaction resistance Rr in the optimized parameter is acquired, and when the reaction resistance Rr is larger than a predetermined threshold Th, it is determined that the lead storage battery 13 is in a fully charged state.
  • FIG. 8 is a diagram illustrating an example of the relationship between the reaction resistance Rr and the SOC.
  • the value of the reaction resistance Rr increases when the SOC exceeds 84%, and increases rapidly when it exceeds 88%. That is, since the reaction resistance Rr during charging increases rapidly when the SOC approaches 90%, it is possible to detect full charge by detecting that the reaction resistance Rr is greater than the predetermined threshold Th. .
  • an equivalent circuit model including the reaction resistance Rr is set, and parameters constituting the equivalent circuit model are optimized by adaptive learning. Then, the reaction resistance Rr is acquired from the optimized parameters, and when the reaction resistance Rr is larger than the predetermined threshold Th, it is determined that the battery is fully charged.
  • the difference in the type of the lead storage battery 13 for example, difference in manufacturer, difference in production lot
  • individual False detection due to differences due to differences can be prevented.
  • FIG. 5 is a flowchart for explaining the flow of processing executed in the embodiment shown in FIG. When the processing of this flowchart is started, the following steps are executed.
  • step S ⁇ b> 10 the CPU 10 a determines whether or not the lead storage battery 13 is being charged based on the current value supplied from the current detector 12 and the voltage supplied from the voltage detector 11. In step S10: Yes, the process proceeds to step S11. In other cases (step S10: No), the same processing is repeated. For example, when the current detected by the current detector 12 detects that the voltage detected by the voltage detector 11 is greater than or equal to a predetermined value and that a current greater than or equal to the predetermined value flows in the direction flowing into the lead storage battery 13. Determines that charging is in progress and proceeds to step S11.
  • step S11 the CPU 10a executes a learning process for the equivalent circuit model 30 shown in FIG. Details of this learning process will be described later with reference to FIG.
  • step S12 the CPU 10a determines whether or not the parameter value to be learned in step S11 has converged. If it is determined that the parameter has converged (step S12: Yes), the process proceeds to step S13. In this case (step S12: No), the process returns to step S11 and the same processing is repeated.
  • the standard deviation of the residual of the reaction resistance Rr to be determined in step S17 is obtained, and it can be determined that it has converged when the standard deviation is equal to or less than a predetermined threshold.
  • time may be included in the determination element. Specifically, after a predetermined time has elapsed, it may be determined that the standard deviation has converged when the standard deviation falls below a predetermined threshold. Or you may make it determine with having converged when predetermined time passes, after a standard deviation becomes below a predetermined threshold value.
  • step S13 the CPU 10a acquires the value of the reaction resistance Rr from the parameters obtained by the learning process in step S11.
  • step S14 the CPU 10a corrects the reaction resistance Rr acquired in step S13 with current. That is, the reaction resistance Rr has a characteristic that it rapidly decreases when the current increases from 0 and converges to a predetermined value when the current value increases to some extent. Therefore, the reaction resistance Rr is constant regardless of the current value.
  • Make corrections as follows.
  • a table shown in FIG. 7A in which the value of the reaction resistance Rr, the current value Imes, and the corrected reaction resistance R′r are associated with each other is stored in the ROM 10b, for example. It can be stored as 10bb and correction can be performed based on this table. In the example of FIG.
  • step S14 the case where the current is 0 is used as a reference, and the reaction resistance Rr when the current is other than 0 is corrected to 0 which is the reference.
  • the reaction resistance Rr is 2.5 m ⁇
  • it is corrected to 2.6 m ⁇ when the current Imes is 5 A
  • 2.8 m ⁇ when 15 A It is corrected.
  • the current value Imes an average current at the time of measurement can be used.
  • the process of step S14 may be performed between, for example, step S11 and step S12.
  • step S15 the CPU 10a corrects the reaction resistance Rr corrected in step S14 by temperature. That is, since the reaction resistance Rr has a characteristic of decreasing as the temperature rises, correction is performed so that the reaction resistance Rr becomes constant regardless of the temperature.
  • a correction method for example, when the corrected reaction resistance in step S14 is set to Rr again, the value of the reaction resistance Rr, the temperature K, and the corrected reaction resistance R′r are associated with each other.
  • a table as shown in FIG. 7B can be stored as a table 10bb in the ROM 10b, for example, and correction can be performed based on this table. In the example of FIG. 7B, the case where the temperature is 25 ° C.
  • the reaction resistance Rr when the temperature is other than 25 ° C. is corrected when the temperature is 25 ° C. as a reference.
  • the reaction resistance Rr is 2.5 m ⁇
  • it is corrected to 2.6 m ⁇ when the temperature is 30 ° C., unchanged at 2.5 m ⁇ when 25 ° C., and 2 when 20 ° C. Corrected to 4 m ⁇ .
  • the process of step S15 can be moved between step S11 and step S12.
  • the processing load can be reduced.
  • step S16 the CPU 10a corrects the reaction resistance Rr corrected in step S15 due to deterioration of the lead storage battery 13. That is, the reaction resistance Rr has a characteristic of increasing as the deterioration of the lead storage battery 13 proceeds. Therefore, the reaction resistance Rr is corrected so that the reaction resistance Rr becomes constant regardless of the progress of the deterioration.
  • a correction method for example, when the reaction resistance after correction in step S15 is set to Rr again, the value of the reaction resistance Rr, the liquid resistance Rs correlated with the progress of deterioration, and the reaction resistance R after correction A table as shown in FIG.
  • step S17 the CPU 10a compares Rr ′ obtained by the correction in steps S14 to S16 with the threshold Th, and if Rr ′ ⁇ Th is satisfied (step S17: Yes), the process proceeds to step S18. Otherwise (step S17: No), the process proceeds to step S19.
  • FIG. 8 is a diagram illustrating an example of the relationship between the reaction resistance Rr and the SOC.
  • the x mark indicates each measurement point.
  • the value of the reaction resistance Rr increases when the SOC exceeds 84%, and increases rapidly when it exceeds 88%. Therefore, for example, 2 m ⁇ can be selected as the threshold Th. In this case, if Rr ′ ⁇ 2 m ⁇ is established, the process proceeds to step S17.
  • step S18 the CPU 10a determines that the lead storage battery 13 is in a fully charged state, for example, controls a regulator (not shown) built in the alternator 15 to lower the generated voltage of the alternator 15, thereby reducing the reciprocating engine. To reduce the load and improve fuel economy.
  • step S ⁇ b> 19 the CPU 10 a determines that the lead storage battery 13 is not fully charged, and controls the regulator (not shown) built in the alternator 15 to increase the power generation voltage of the alternator 15, for example.
  • the lead storage battery 13 is charged.
  • step S11 in FIG. 5 details of the processing in step S11 in FIG. 5 will be described with reference to FIG.
  • the following steps are executed.
  • step S30 the CPU 10a substitutes a value obtained by adding ⁇ T to the previous value T n ⁇ 1 for a variable T n indicating time.
  • ⁇ T for example, several msec to several hundred msec can be used.
  • step S31 CPU 10a, a current detector 12, voltage detector 11 and, based on the detection signal from the temperature detecting unit 14 measures a current I n, the voltage V n, the temperature K n.
  • step S32 the CPU 10a calculates the voltage drop ⁇ V n by applying the voltage V n measured in step S31 to the following equation (1).
  • OCV is called a stable open circuit voltage and indicates an open circuit voltage in an electrochemically balanced state.
  • the stable open circuit voltage does not need to be in a completely equilibrium state electrochemically, and may include a state close to equilibrium.
  • the terminal voltage of the lead storage battery 13 measured immediately before the start of the lead storage battery 13 or the stable open circuit voltage of the lead storage battery 13 estimated from the charge / discharge state of the lead storage battery 13 is defined as OCV. be able to.
  • step S32 the CPU 10a updates the Jacobian matrix F n based on the following equation (2) from the n-th observed value and the previous state vector estimated value.
  • diag () indicates a diagonal matrix
  • step S34 the CPU 10a sets ⁇ V n obtained by the calculation in step S32 as the actually observed value Y n of the extended Kalman filter, as shown by the following equation (3).
  • step S35 the CPU 10a determines a state vector Xn + 1
  • Xn and Un are represented by the following formulas (5) and (6).
  • T represents a transposed matrix.
  • step S36 CPU 10a, the prediction value one period ahead of the state vector X n + 1
  • the optimum state vector Xn is sequentially estimated, and the adjustment parameter (of the equivalent circuit model) is updated to the optimum one from the estimated state vector Xn . And it returns (returns) to the process of step S12 of FIG.
  • the current value and the voltage value are measured, and the equivalent value is obtained by the extended Kalman filter based on the measured current value and voltage value.
  • the parameter corresponding to the reaction resistance Rr is acquired from the parameters for which the optimization is completed, and when the reaction resistance Rr is equal to or greater than the threshold Th, it is determined that the battery is fully charged. Since the value of the reaction resistance Rr during charging changes abruptly when it is in a fully charged state, it can be easily determined whether or not it is fully charged. Moreover, since such a sudden change does not depend on the type or individual of the lead storage battery 13, full charge can be accurately determined regardless of the type or individual.
  • the reaction resistance value Rr is corrected in accordance with the current value, temperature, and deterioration, so that the fully charged state is maintained regardless of the magnitude of the current, the temperature level, and the progress of the deterioration. Can be accurately determined.
  • adaptive learning is performed using the extended Kalman filter, so that the fully charged state can be accurately determined even in a noisy environment. That is, in the case of the lead storage battery 13 mounted on the automobile, the current always fluctuates due to, for example, the operation of the steering motor as the load 17 or the defogger, and such fluctuation acts as noise. However, by using the extended Kalman filter, the full charge state can be accurately determined even in the presence of such noise.
  • adaptive learning is performed using an extended Kalman filter, but other methods may be used. Specifically, adaptive learning may be performed using a least square method, a neural network model may be used, a support vector machine may be used, or adaptive learning may be performed using a genetic algorithm model.
  • the calculated value Vcal of the terminal voltage at both ends of the equivalent circuit model of FIG. 4 can be expressed by the following equation (9).
  • I2 can be expressed by the following formula (10).
  • the parameters can be optimized by adaptively learning each parameter so that the deviation sum of squares M in the following equation (11) is minimized.
  • the parameters included in the equations (9) and (10) are parameters such that M is sequentially reduced from a predetermined initial value as in the Gauss-Newton method or the Levenberg-Marquardt method. It is sufficient to use a sequential calculation method in which is updated to the optimum value.
  • Vmes is an actual measurement value of the voltage obtained from the voltage detector 11.
  • an appropriate kernel function is set for a support vector machine, and an appropriate network such as a multistage perceptron is set for a neural network.
  • N individuals including all parameters are prepared, and each parameter of each individual is randomly generated. Then, Vcal is calculated for each individual, the absolute value of the difference between the measured V and Vcal is used as fitness, and natural selection is performed according to the fitness, and crossover, mutation, and copy are performed for each individual. Run and generate next generation individuals.
  • the parameters can be optimized by repeating such an operation.
  • the reaction resistance Rr is corrected using the table shown in FIG. 7. For example, a polynomial or the like that approximates the relationship between each of current, temperature, and deterioration and the reaction resistance Rr is used. Thus, correction may be performed.
  • the threshold Th may be corrected according to current, temperature, and deterioration.
  • FIG. 9 is a diagram showing the relationship between each of current, temperature, and deterioration and the threshold value Th before and after correction. That is, FIG. 9A is a diagram illustrating the relationship between the threshold value Th before correction, the measured current Imes, and the threshold value Th ′ after correction. In this example, the corrected threshold value Th ′ decreases as the current value increases.
  • FIG. 9B is a diagram illustrating the relationship between the threshold value Th before correction, the measured temperature K, and the threshold value Th ′ after correction. In this example, when the temperature is 25 ° C., the reference is set.
  • FIG. 9C is a diagram illustrating the relationship between the threshold value Th before correction, the liquid resistance Rs indicating deterioration, and the threshold value Th ′ after correction.
  • Rs 0.5 m ⁇ , which is a new state
  • the threshold value Th ′ after correction is set to a larger value as the deterioration progresses and Rs increases.
  • the determination as to whether or not the battery is fully charged is executed only once.
  • the process shown in FIG. A final determination as to whether or not the battery is fully charged may be made according to the frequency of the number of times of being performed. According to such an embodiment, it is possible to more accurately determine whether or not the battery is fully charged.
  • a lead storage battery has been described as an example.
  • the present invention can be applied to other batteries (for example, a nickel cadmium battery).
  • the equivalent circuit model 30 may be changed according to the type of battery.
  • control unit 10 is configured by a CPU, a ROM, a RAM, and the like, but may be configured by a DSP (Digital Signal Processor) or the like, for example.
  • DSP Digital Signal Processor

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

　二次電池の種類によらず満充電を検知すること。　二次電池（鉛蓄電池１３）の等価回路モデルに基づいて当該二次電池の満充電状態を検知する満充電検知装置１において、二次電池の充電時における電圧および電流を測定する測定手段（電圧検出部１１、電流検出部１２）と、測定手段による測定結果に基づいて、等価回路モデルに含まれる複数のパラメータに対して学習処理を施す学習手段（制御部１０）と、学習手段によって学習処理が施されたパラメータのうち、二次電池の反応抵抗に対応するパラメータが所定の閾値よりも大きい場合に、二次電池が満充電状態であると判定する判定手段（制御部１０）を有することを特徴とする。

Description

満充電検知装置および満充電検知方法
　本発明は、満充電検知装置および満充電検知方法に関するものである。
　従来、二次電池が満充電状態になったことを判定する場合、充電率であるＳＯＣ（State of Charge）が１００％になったか否かにより判定していた。このようなＳＯＣの検知方法としては、例えば、特許文献１に開示されているように、二次電池の安定電圧ＯＣＶ（Open Circuit Voltage）を測定し、このＯＣＶからＳＯＣを予測する手法が知られている。
　また、特許文献２には、ＯＣＶを測定するタイミングにおいて、ＳＯＣ＝１００％が常に成立しないことから、そのような場合に対応するために、ＯＣＶ測定後のＳＯＣの変化を継続的な電流の観察から時間積算によって算出する技術が開示されている。
特開２００５－０９１２１７号公報 特開２００８－１４５３４９号公報
　ところで、特許文献１に開示されている技術では、ＯＣＶとＳＯＣの相関に基づいて満充電を判断しているが、このＯＣＶとＳＯＣの相関は、二次電池の種類によって異なるため、例えば、自動車の鉛蓄電池のように、様々なメーカから供給される製品群の中から、ユーザが任意に選択した製品を使用する場合には、満充電を正確に判定することができない場合がある。
　また、特許文献２に開示されている技術では、二次電池に対する電流の出入りによるＳＯＣの変化を算出するためには、二次電池の容量に対する出入り量の割合を算出する必要があるが、この容量も固体差や検知誤差が存在するため、満充電を正確に判定することができない場合がある。
　そこで、本発明は、二次電池の種類によらず、満充電を正確に判定することが可能な満充電検知装置および満充電検知方法を提供することを目的とする。
　上記課題を解決するために、本発明の満充電検知装置は、二次電池の等価回路モデルに基づいて当該二次電池の満充電状態を検知する満充電検知装置において、前記二次電池の充電時における電圧および電流を測定する測定手段と、前記測定手段による測定結果に基づいて、前記等価回路モデルに含まれる複数のパラメータに対して学習処理を施す学習手段と、前記学習手段によって学習処理が施された前記パラメータのうち、前記二次電池の反応抵抗に対応するパラメータが所定の閾値よりも大きい場合に、前記二次電池が満充電状態であると判定する判定手段とを有することを特徴とする。
　このような構成によれば、二次電池の種類によらず、満充電を正確に判定することが可能な満充電検知装置を提供することが可能になる。
　また、他の発明は、上記発明に加えて、前記学習手段または前記判定手段は、前記電流の値に基づいて前記反応抵抗の値または前記閾値を補正することを特徴とする。
　このような構成によれば、電流の大小によらず、満充電を正確に検知することが可能になる。
　また、他の発明は、上記発明に加えて、前記学習手段または前記判定手段は、前記二次電池の温度に基づいて前記反応抵抗の値または前記閾値を補正することを特徴とする。
　このような構成によれば、温度の高低によらず、満充電を正確に検知することが可能になる。
　また、他の発明は、上記発明に加えて、前記学習手段または前記判定手段は、前記二次電池の劣化状態に基づいて前記反応抵抗の値または前記閾値を補正することを特徴とする。
　このような構成によれば、電池の劣化状態によらず、満充電を正確に検知することが可能になる。
　また、他の発明は、上記発明に加えて、前記学習手段は、前記測定手段によって測定された電圧および電流の値と、前記等価回路モデルの応答との誤差が最小となるように、カルマンフィルタ演算によって前記複数のパラメータを最適化することを特徴とする。
　このような構成によれば、ノイズが存在する環境下であっても、満充電を正確に検知することが可能になる。
　また、他の発明は、上記発明に加えて、前記学習手段は、前記測定手段によって測定された電圧および電流の値と、前記等価回路モデルの応答との誤差が最小となるように、最小二乗演算によって前記複数のパラメータを最適化することを特徴とする。
　このような構成によれば、ロバストな検知装置を提供することが可能になる。
　また、他の発明は、上記発明に加えて、前記学習手段は、前記測定手段によって測定された電圧および電流の値と、前記等価回路モデルの応答との誤差が最小となるように、ニューラルネットワークによって前記複数のパラメータを最適化することを特徴とする。
　このような構成によれば、比較的小さい計算量で良好な検知結果を得ることができる。
　また、他の発明は、上記発明に加えて、前記学習手段は、前記測定手段によって測定された電圧および電流の値と、前記等価回路モデルの応答との誤差が最小となるように、サポートベクターマシンによって前記複数のパラメータを最適化することを特徴とする。
　このような構成によれば、局所最適解で学習が停止することなく、適切なパラメータを求め、当該パラメータに基づいて満充電を正確に検知することができる。
　また、他の発明は、上記満充電検知装置を有する二次電池電源システムであることを特徴とする。
　このような構成によれば、二次電池の種類によらず、満充電を正確に判定することが可能な二次電池電源システムを提供することが可能になる。
　また、本発明の満充電検知方法は、二次電池の等価回路モデルに基づいて当該二次電池の満充電状態を検知する満充電検知方法において、前記二次電池の充電時における電圧および電流を測定する測定ステップと、前記測定ステップによる測定結果に基づいて、前記等価回路モデルに含まれる複数のパラメータに対して学習処理を施す学習ステップと、前記学習ステップによって学習処理が施された前記パラメータのうち、前記二次電池の反応抵抗に対応するパラメータが所定の閾値よりも大きい場合に、前記二次電池が満充電状態であると判定する判定ステップとを有することを特徴とする。
　このような方法によれば、二次電池の種類によらず、満充電を正確に判定することが可能な満充電検知方法を提供することが可能になる。
　本発明によれば、二次電池の種類によらず、満充電を正確に判定することが可能な満充電検知装置および満充電検知方法を提供することが可能となる。
本発明の実施形態に係る満充電検知装置の構成例を示す図である。 図１に示す制御部の構成例を示す図である。 本実施形態において実行される処理アルゴリズムを説明するための図である。 鉛蓄電池の等価回路モデルの一例である。 図１に示す実施形態において実行される処理の流れを説明するためのフローチャートである。 図５に示すステップＳ１１の処理の詳細を説明するためのフローチャートである。 反応抵抗を補正するためのテーブルの一例である。 反応抵抗とＳＯＣとの関係を示す図である。 閾値を補正するためのテーブルの一例である。
　次に、本発明の実施形態について説明する。
（Ａ）実施形態の構成の説明
　図１は本発明の実施形態に係る満充電検知装置を有する二次電池電源システムの構成例を示す図である。この図１に示すように、本実施形態の満充電検知装置１は、制御部１０（請求項中の「学習手段」および「判定手段」に対応）、電圧検出部１１（請求項中の「測定手段」に対応）、電流検出部１２（請求項中の「測定手段」に対応）、および、温度検出部１４を主要な構成要素としており、鉛蓄電池１３（請求項中の「二次電池」に対応）の満充電を検知する。この例では、鉛蓄電池１３には、電流検出部１２を介してオルタネータ１５、セルモータ１６、および、負荷１７が接続されている。なお、本実施形態では、満充電検知装置１が、例えば、自動車等の車両に搭載されている場合を例に挙げて説明する。これ以外の用途に用いてもよいことはいうまでもない。
　制御部１０は、図２に示すように、ＣＰＵ（Central Processing Unit）１０ａ、ＲＯＭ（Read Only Memory）１０ｂ、ＲＡＭ（Random Access Memory）１０ｃ、および、Ｉ／Ｆ（Interface）１０ｄを主要な構成要素としている。ＣＰＵ１０ａは、ＲＯＭ１０ｂに格納されているプログラム１０ｂａに基づいて装置の各部を制御する。ＲＯＭ１０ｂは、半導体メモリによって構成され、プログラム１０ｂａ、テーブル１０ｂｂ、および、その他の情報を格納している。ＲＡＭ１０ｃは、半導体メモリによって構成され、パラメータ１０ｃａその他の情報を書き換え可能に格納する。Ｉ／Ｆ１０ｄは、電圧検出部１１、電流検出部１２、および、温度検出部１４からの検出信号をデジタル信号に変換して入力するとともに、鉛蓄電池１３が満充電になった場合には図示しないオルタネータ１５が有する電磁クラッチを遮断することにより、図示しないレシプロエンジン等の原動機への負荷を軽減する。
　電圧検出部１１は、鉛蓄電池１３の端子電圧を検出して制御部１０に通知する。電流検出部１２は、鉛蓄電池１３に流れる電流を検出して制御部１０に通知する。温度検出部１４は、例えば、サーミスタ等によって構成され、鉛蓄電池１３自体の温度またはその周辺温度を検出して制御部１０に通知する。オルタネータ１５は、例えば、レシプロエンジン等の原動機によって駆動され、直流電力を生成して鉛蓄電池１３を充電する。セルモータ１６は、例えば、直流モータによって構成され、鉛蓄電池１３から供給される直流電力によって回転し、原動機を始動する。負荷１７は、例えば、ステアリングモータ、デフォッガ、ヘッドライト、ワイパー、方向指示ライト、ナビゲーション装置その他の装置によって構成されている。
　図３は、プログラム１０ｂａが実行されることにより実現される処理アルゴリズムの概略を説明するための図である。この図に示すように、本実施形態では、複数のパラメータを有する鉛蓄電池１３の等価回路モデル３０を設定する。そして、対象となる鉛蓄電池１３を測定して測定値を得るとともに、等価回路モデル３０に基づいて測定値に対応する計算値を得る。これらの測定値と計算値の偏差を計算し、拡張カルマンフィルタ３１による適応学習によって最適なパラメータを推定する。そして、推定されたパラメータにより、等価回路モデル３０を更新することにより、等価回路モデル３０を最適化することができる。満充電検知モジュール３２は、このようにして最適学習されたパラメータＲｒに基づいて、満充電状態を検出する。
　なお、本明細書中において「適応学習」とは、パラメータを有する柔軟で一般的なモデルを用意し、学習によって統計的・適応的にパラメータを最適化する手法を言う。以下の実施形態では、適応学習の一例として拡張カルマンフィルタを用いているが、本発明はこのような場合にのみ限定されるものではなく、例えば、最小二乗法を用いた適応学習、ニューラルネットワークモデルを用いた適応学習、サポートベクターマシンを用いた適応学習、あるいは、遺伝的アルゴリズムモデルを用いた適応学習等を用いることも可能である。すなわち、学習対象のモデルを作成し、観測により得られた結果によって、モデルを構成するパラメータを最適化する手法であれば、どのような手法でも使用することができる。
　図４は、鉛蓄電池１３の等価回路モデル３０（この例では電気的な等価回路）の一例を示す図である。この例では、等価回路モデル３０は、電圧源Ｖ０、液抵抗Ｒｓ、反応抵抗Ｒｒ、および、コンデンサＣを主要な構成要素としている。
　ここで、液抵抗Ｒｓは、鉛蓄電池１３の電解液の液抵抗および電極の導電抵抗を主要な要素とする内部抵抗である。インピーダンスＺは、鉛蓄電池１３の陽極とこれに接する電解液とに対応する等価回路であり、基本的にはバトラー・ボルマー（Butler-Volmer）の式に基づく特性を有し、反応抵抗ＲｒとコンデンサＣとの並列接続回路として表すことができる。電圧源Ｖ０は、内部インピーダンスが０の理想的な電圧源である。
（Ｂ）実施形態の動作原理の説明
　つぎに、本実施形態の動作を説明する。以下では、まず、本実施形態の動作原理について説明した後、図５および図６を参照して詳細な動作について説明する。
　本実施形態では、図４に示す鉛蓄電池１３の等価回路モデルを用い、この等価回路モデルのうち、少なくとも反応抵抗Ｒｒをパラメータとして含む状態ベクトルを定義する。そして、鉛蓄電池１３が充電状態である場合に、測定値としての電流値および電圧値を取得し、学習処理によってパラメータを統計的・適応的に最適化する。つぎに、最適化がなされたパラメータの中の反応抵抗Ｒｒを取得し、この反応抵抗Ｒｒが所定の閾値Ｔｈよりも大きい場合には、鉛蓄電池１３が満充電状態であると判定する。図８は反応抵抗ＲｒとＳＯＣとの関係の一例を示す図である。この例では、ＳＯＣが８４％を超える付近から反応抵抗Ｒｒの値が増加し、８８％を超えると急上昇している。つまり、充電中の反応抵抗Ｒｒは、ＳＯＣが９０％近くなると急激に増加するので、反応抵抗Ｒｒが所定の閾値Ｔｈよりも大きくなったことを検出することで、満充電を検出することができる。
　このように、本実施形態では、反応抵抗Ｒｒを含む等価回路モデルを設定し、この等価回路モデルを構成するパラメータを適応学習によって最適化する。そして最適化がなされたパラメータの中から反応抵抗Ｒｒを取得し、反応抵抗Ｒｒが所定の閾値Ｔｈよりも大きい場合には満充電であると判定する。ここで、充電中の反応抵抗Ｒｒの挙動は、鉛蓄電池１３の種類または個体差による差異が少ないことから、鉛蓄電池１３の種類の相違（例えば、メーカの相違、製造ロットの相違）や、個体差による相違による誤検出を防止することができる。
（Ｃ）実施形態の詳細な動作の説明
　図５は、図１に示す実施形態において実行される処理の流れを説明するためのフローチャートである。このフローチャートの処理が開始されると、以下のステップが実行される。
　ステップＳ１０では、ＣＰＵ１０ａは、電流検出部１２から供給される電流値と、電圧検出部１１から供給される電圧に基づいて、鉛蓄電池１３が充電中か否かを判定し、充電中である場合（ステップＳ１０：Ｙｅｓ）にはステップＳ１１に進み、それ以外の場合（ステップＳ１０：Ｎｏ）には同様の処理を繰り返す。例えば、電圧検出部１１によって検出される電圧が所定値以上であって、かつ、鉛蓄電池１３に流入する方向に所定値以上の電流が流れていることが電流検出部１２によって検出された場合には充電中と判定してステップＳ１１に進む。
　ステップＳ１１では、ＣＰＵ１０ａは、図３に示す等価回路モデル３０に対する学習処理を実行する。なお、この学習処理の詳細については、図６を参照して後述する。
　ステップＳ１２では、ＣＰＵ１０ａは、ステップＳ１１において学習対象となっているパラメータの値が収束したか否かを判定し、収束したと判定した場合（ステップＳ１２：Ｙｅｓ）にはステップＳ１３に進み、それ以外の場合（ステップＳ１２：Ｎｏ）にはステップＳ１１に戻って同様の処理を繰り返す。例えば、ステップＳ１７における判断の対象となる反応抵抗Ｒｒの残差の標準偏差を求め、当該標準偏差が所定の閾値以下になった場合に、収束したと判定することができる。なお、誤判定を防ぐために、時間を判断要素に含めるようにしてもよい。具体的には、所定の時間が経過した後に、標準偏差が所定の閾値以下になった場合に収束したと判定するようにしてもよい。あるいは、標準偏差が所定の閾値以下になった後に、所定の時間が経過した場合に収束したと判定するようにしてもよい。
　ステップＳ１３では、ＣＰＵ１０ａは、ステップＳ１１における学習処理によって得られたパラメータの中から、反応抵抗Ｒｒの値を取得する。
　ステップＳ１４では、ＣＰＵ１０ａは、ステップＳ１３で取得した反応抵抗Ｒｒに対して電流による補正を行う。すなわち、反応抵抗Ｒｒは、電流が０から増加すると急激に減少し、電流値がある程度大きくなると所定の値に収束する特性を有しているので、電流の値によらず反応抵抗Ｒｒが一定になるように補正を行う。補正の方法としては、例えば、反応抵抗Ｒｒの値と、電流値Ｉｍｅｓと、補正後の反応抵抗Ｒ’ｒとを対応付けした図７（Ａ）に示すようなテーブルを、例えば、ＲＯＭ１０ｂにテーブル１０ｂｂとして格納しておき、このテーブルに基づいて補正を行うことができる。なお、図７（Ａ）の例では、電流が０の場合を基準とし、電流が０以外の場合の反応抵抗Ｒｒを基準である０の場合に補正している。例えば、反応抵抗Ｒｒが２．５ｍΩである場合において、電流Ｉｍｅｓが５Ａの場合には２．６ｍΩに補正され、１０Ａの場合には２．７ｍΩに補正され、１５Ａの場合には２．８ｍΩに補正される。電流値Ｉｍｅｓとしては、測定時における平均電流を用いることができる。なお、電流値が大幅に変動する場合に対応するために、ステップＳ１４の処理を、例えば、ステップＳ１１とステップＳ１２の間に行うようにしてもよい。
　ステップＳ１５では、ＣＰＵ１０ａは、ステップＳ１４で補正した反応抵抗Ｒｒに対して温度による補正を行う。すなわち、反応抵抗Ｒｒは、温度が上昇すると減少する特性を有しているので、温度によらず反応抵抗Ｒｒが一定になるように補正を行う。補正の方法としては、例えば、ステップＳ１４における補正後の反応抵抗を再度Ｒｒと設定した場合に、反応抵抗Ｒｒの値と、温度Ｋと、補正後の反応抵抗Ｒ’ｒとを対応付けした図７（Ｂ）に示すようなテーブルを、例えば、ＲＯＭ１０ｂにテーブル１０ｂｂとして格納しておき、このテーブルに基づいて補正を行うことができる。なお、図７（Ｂ）の例では、温度が２５℃の場合を基準とし、温度が２５℃以外の場合の反応抵抗Ｒｒを基準である２５℃の場合に補正している。例えば、反応抵抗Ｒｒが２．５ｍΩである場合において、温度が３０℃の場合には２．６ｍΩに補正され、２５℃の場合には２．５ｍΩで不変であり、２０℃の場合には２．４ｍΩに補正される。なお、ステップＳ１４の処理同様に、ステップＳ１５の処理をステップＳ１１とステップＳ１２の間に移動することも可能であるが、温度は電流ほど大幅に変動しないので、学習処理が終了した後に一括して補正することで、処理の負荷を減らすことができる。
　ステップＳ１６では、ＣＰＵ１０ａは、ステップＳ１５で補正した反応抵抗Ｒｒに対して鉛蓄電池１３の劣化による補正を行う。すなわち、反応抵抗Ｒｒは、鉛蓄電池１３の劣化が進行すると、増加する特性を有しているので、劣化の進行によらず反応抵抗Ｒｒが一定になるように補正を行う。補正の方法としては、例えば、ステップＳ１５における補正後の反応抵抗を再度Ｒｒと設定した場合に、反応抵抗Ｒｒの値と、劣化の進行と相関を有する液抵抗Ｒｓと、補正後の反応抵抗Ｒ’ｒとを対応付けした図７（Ｃ）に示すようなテーブルを、例えば、ＲＯＭ１０ｂにテーブル１０ｂｂとして格納しておき、このテーブルに基づいて補正を行うことができる。なお、図７（Ｃ）の例では、新品の状態（この例では、Ｒｓ＝０．５ｍΩの状態）を基準とし、劣化が進行してＲｓ≠０．５ｍΩの場合の反応抵抗Ｒｒを基準であるＲｓ＝０．５ｍΩの場合に補正している。例えば、反応抵抗Ｒｒが２．５ｍΩである場合において、液抵抗Ｒｓ＝０．５ｍΩのときには補正がなされず、反応抵抗Ｒｒが２．６ｍΩである場合においてＲｓ＝０．６ｍΩの場合には２．５ｍΩに補正され、反応抵抗Ｒｒが２．７ｍΩである場合においてＲｓ＝０．７ｍΩの場合には２．５ｍΩに補正される。なお、ステップＳ１４の処理同様に、ステップＳ１６の処理をステップＳ１１とステップＳ１２の間に移動することも可能であるが、劣化は電流ほど大幅に変動しないので、学習処理が終了した後に一括して補正することで、処理の負荷を減らすことができる。
　ステップＳ１７では、ＣＰＵ１０ａは、ステップＳ１４～ステップＳ１６の補正によって得られたＲｒ’と閾値Ｔｈとを比較し、Ｒｒ’≧Ｔｈが成立する場合（ステップＳ１７：Ｙｅｓ）にはステップＳ１８に進み、それ以外の場合（ステップＳ１７：Ｎｏ）にはステップＳ１９に進む。図８は反応抵抗ＲｒとＳＯＣとの関係の一例を示す図である。この図において、×印は各測定点を示している。この例では、ＳＯＣが８４％を超える付近から反応抵抗Ｒｒの値が増加し、８８％を超えると急上昇している。そこで、閾値Ｔｈとして、例えば、２ｍΩを選択することができる。その場合、Ｒｒ’≧２ｍΩが成立する場合にステップＳ１７に進む。
　ステップＳ１８では、ＣＰＵ１０ａは、鉛蓄電池１３が満充電状態であると判定し、例えば、オルタネータ１５に内蔵されているレギュレータ（不図示）を制御し、オルタネータ１５の発電電圧を下げることにより、レシプロエンジンの負荷を軽減して燃費を向上させる。
　ステップＳ１９では、ＣＰＵ１０ａは、鉛蓄電池１３が満充電状態でないと判定し、例えば、オルタネータ１５に内蔵されているレギュレータ（不図示）を制御し、オルタネータ１５の発電電圧を上げることにより、オルタネータ１５による鉛蓄電池１３の充電を実行する。
　つぎに、図６を参照して、図５のステップＳ１１の処理の詳細について説明する。図６の処理が開始されると以下のステップが実行される。
　ステップＳ３０では、ＣＰＵ１０ａは、時間を示す変数Ｔｎに、前回値Ｔｎ－１にΔＴを加算した値を代入する。なお、ΔＴとしては、例えば、数ｍｓｅｃ～数百ｍｓｅｃを用いることができる。
　ステップＳ３１では、ＣＰＵ１０ａは、電流検出部１２、電圧検出部１１、および、温度検出部１４からの検出信号に基づいて、電流Ｉｎ、電圧Ｖｎ、温度Ｋｎを測定する。
　ステップＳ３２では、ＣＰＵ１０ａは、ステップＳ３１で測定した電圧Ｖｎを以下の式（１）に適用し、電圧降下ΔＶｎを算出する。
Figure JPOXMLDOC01-appb-M000001
　ここで、ＯＣＶは、安定開回路電圧と呼ばれ、電気化学的に平衡状態における開回路電圧を示す。なお、安定開回路電圧は、電気化学的に完全に平衡状態である必要はなく、平衡に近い状態を含めるようにしてもよい。ＯＣＶを求める方法としては、例えば、鉛蓄電池１３の起動直前に測定された鉛蓄電池１３の端子電圧、または、鉛蓄電池１３の充放電状態から推定した鉛蓄電池１３の安定開回路電圧をＯＣＶとすることができる。
　ステップＳ３２では、ＣＰＵ１０ａは、ｎ回目の観測値と前回の状態ベクトル推定値とから、以下の式（２）に基づいてヤコビアン行列Ｆｎの更新を行う。
Figure JPOXMLDOC01-appb-M000002
 　ここで、ｄｉａｇ（）は対角行列を示す。
　ステップＳ３４では、ＣＰＵ１０ａは、ステップＳ３２で計算によって得たΔＶｎを以下の式（３）で示すように、拡張カルマンフィルタの実測観測値Ｙｎとする。
Figure JPOXMLDOC01-appb-M000003
　ステップＳ３５では、ＣＰＵ１０ａは、以下の式（４）に基づいて、一期先の状態ベクトルＸｎ＋１｜ｎを求める。
Figure JPOXMLDOC01-appb-M000004
　ここで、ＸｎおよびＵｎは、以下の式（５）および式（６）で表される。なお、Ｔは転置行列を示す。
Figure JPOXMLDOC01-appb-M000005
Figure JPOXMLDOC01-appb-M000006
　なお、Ｈｎ Ｔを以下の式（７）ように定めることで、観測方程式および予測観測値Ｙｎ＋１｜ｎを式（８）のように定めることができる。
Figure JPOXMLDOC01-appb-M000007
Figure JPOXMLDOC01-appb-M000008
　ステップＳ３６では、ＣＰＵ１０ａは、状態ベクトルの一期先の予測値Ｘｎ＋１｜ｎと実測観測値Ｙｎ＋１と予測観測値Ｙｎ＋１｜ｎに基づいて、カルマンゲイン計算とフィルタリング計算による拡張カルマンフィルタ演算により、最適な状態ベクトルＸｎを逐次的に推定し、推定された状態ベクトルＸｎから（等価回路モデルの）調整パラメータを最適なものに更新する。そして、図５のステップＳ１２の処理に復帰（リターン）する。
　以上に説明したように、本実施形態によれば、鉛蓄電池１３が充電状態である場合に、電流値および電圧値を測定し、測定された電流値および電圧値に基づいて拡張カルマンフィルタにより、等価回路モデルに対して適応学習を実行してパラメータを最適化する。そして、最適化が終了したパラメータのうち、反応抵抗Ｒｒに対応するパラメータを取得し、反応抵抗Ｒｒが閾値Ｔｈ以上の場合には満充電状態であると判定するようにした。充電中の反応抵抗Ｒｒは、満充電状態になると値が急激に変化するので、満充電か否かの判定を容易に行うことができる。また、このような急激な変化は、鉛蓄電池１３の種類または個体によらないので、種類または個体によらず、満充電を正確に判定することができる。
　また、本実施形態では、反応抵抗値Ｒｒを電流値、温度、および、劣化に応じて補正するようにしたので、電流の大小、温度の高低、および、劣化の進行に拘わらず、満充電状態を正確に判定することができる。
　また、本実施形態では、拡張カルマンフィルタを用いて適応学習を行うようにしたので、ノイズが多い環境下であっても、満充電状態を正確に判断することができる。すなわち、自動車に搭載されている鉛蓄電池１３の場合には、例えば、負荷１７であるステアリングモータや、デフォッガ等の動作により電流が常に変動し、このような変動はノイズとして作用する。しかしながら、拡張カルマンフィルタを用いることにより、そのようなノイズの存在下においても正確に満充電状態を判定することができる。
（Ｄ）変形実施形態
　なお、上記の実施形態は、一例であって、これ以外にも各種の変形実施態様が存在する。例えば、以上の実施形態では、拡張カルマンフィルタを用いて適応学習を行うようにしたが、これ以外の方法を用いるようにしてもよい。具体的には、最小二乗法を用いて適応学習を行ったり、ニューラルネットワークモデルを用いたり、サポートベクターマシンを用いたり、遺伝的アルゴリズムモデルを用いて適応学習を行うようにしたりしてもよい。
　例えば、最小二乗法の場合、図４の等価回路モデルの両端の端子電圧の計算値Ｖｃａｌを以下の式（９）で表すことができる。
Figure JPOXMLDOC01-appb-M000009
　ここで、Ｉ２は以下の式（１０）で表すことができる。
Figure JPOXMLDOC01-appb-M000010
　そして、以下の式（１１）の偏差平方和Ｍが最小となるように各パラメータを適応学習することで、パラメータを最適化することができる。具体例としては、式（９），（１０）に含まれる各パラメータをＧａｕｓｓ－Ｎｅｗｔｏｎ法またはＬｅｖｅｎｂｅｒｇ－Ｍａｒｑｕａｒｄｔ法等のように、予め定めた初期値から順次Ｍを小さくしていくように、パラメータを最適値に更新していく逐次演算法を用いればよい。
Figure JPOXMLDOC01-appb-M000011
 　なお、Ｖｍｅｓは電圧検出部１１から得られる電圧の実測値である。
　また、サポートベクターマシンおよびニューラルネットワークについては、サポートベクターマシンであれば適切なカーネル関数を設定し、ニューラルネットワークであれば例えば多段パーセプトロンのような適切なネットワークを設定し、予め実験によって確認された電流、電圧、温度等の入力に対する前述の等価回路モデルの定数の正解の組み合わせ既知データを用いて、サポートベクターマシンであれば分離超平面を決定し、ニューラルネットワークであればニューロンセルの発火の閾値／結合係数を最適に決定しておけば、任意の電流、電圧、温度のデータ入力に対し、最適な等価回路モデルを出力させるようにすることができる。
　また、遺伝的アルゴリズムの場合には、例えば、全パラメータを含む個体をＮ個準備し、各個体の各パラメータをランダムに生成する。そして、各個体についてＶｃａｌを計算し、測定されたＶと、Ｖｃａｌの差の絶対値を適応度とし、適応度に応じて自然淘汰を行うとともに、各個体について交叉、突然変異、および、コピーを実行し、次世代の個体を生成する。例えば、このような操作を繰り返すことで、パラメータを最適化することができる。
　また、以上の実施形態では、反応抵抗Ｒｒを図７に示すテーブルを用いて補正するようにしたが、例えば、電流、温度、劣化のそれぞれと反応抵抗Ｒｒとの関係を近似する多項式等を用いて、補正を行うようにしてもよい。
　また、反応抵抗Ｒｒを補正するのではなく、電流、温度、劣化に応じて、閾値Ｔｈを補正するようにしてもよい。図９は、電流、温度、劣化のそれぞれと、補正前後の閾値Ｔｈとの関係を示す図である。すなわち、図９（Ａ）は、補正前の閾値Ｔｈと、測定された電流Ｉｍｅｓと、補正後の閾値Ｔｈ’の関係を示す図である。この例では、電流値が大きくなるにつれて補正後の閾値Ｔｈ’が小さくなっている。図９（Ｂ）は、補正前の閾値Ｔｈと、測定された温度Ｋと、補正後の閾値Ｔｈ’の関係を示す図である。この例では、温度が２５℃のときが基準とされ、温度が２５℃より高い場合には補正後の閾値Ｔｈ’が小さい値に設定され、温度が２５℃より低い場合には補正後の閾値Ｔｈ’が大きい値に設定される。また、図９（Ｃ）は、補正前の閾値Ｔｈと、劣化を示す液抵抗Ｒｓと、補正後の閾値Ｔｈ’の関係を示す図である。この例では、新品の状態であるＲｓ＝０．５ｍΩのときが基準とされ、劣化が進行してＲｓが大きくなるにつれて、補正後の閾値Ｔｈ’が大きい値に設定される。
　また、以上の実施形態では、図５に示すように、満充電か否かの判定を１度だけ実行するようにしたが、例えば、図５に示す処理を複数回実行し、満充電と判定された回数の頻度に応じて満充電であるか否かの最終的な判断をするようにしてもよい。そのような実施形態によれば、満充電か否かの判断をより正確に行うことができる。
　また、以上の実施形態では、鉛蓄電池を例として説明を行ったが、これ以外の電池（例えば、ニッケルカドミウム電池等）についても本発明を適用することが可能である。なお、その場合には、電池の種類に応じて等価回路モデル３０を変更するようにすればよい。
　また、以上の実施形態では、制御部１０は、ＣＰＵ、ＲＯＭ、ＲＡＭ等から構成されるようにしたが、例えば、ＤＳＰ（Digital Signal Processor）等によって構成するようにしてもよい。
　１　満充電検知装置
　１０　制御部（学習手段、判定手段）
　１０ａ　ＣＰＵ
　１０ｂ　ＲＯＭ
　１０ｃ　ＲＡＭ
　１０ｄ　Ｉ／Ｆ
　１１　電圧検出部（測定手段）
　１２　電流検出部（測定手段）
　１３　鉛蓄電池（二次電池）
　１４　温度検出部
　１５　オルタネータ
　１６　セルモータ
　１７　負荷
　３０　等価回路モデル
　３１　拡張カルマンフィルタ
　Ｒｒ　反応抵抗
　Ｒｓ　液抵抗

Claims (10)

  1. 　二次電池の等価回路モデルに基づいて当該二次電池の満充電状態を検知する満充電検知装置において、
    　前記二次電池の充電時における電圧および電流を測定する測定手段と、
    　前記測定手段による測定結果に基づいて、前記等価回路モデルに含まれる複数のパラメータに対して学習処理を施す学習手段と、
    　前記学習手段によって学習処理が施された前記パラメータのうち、前記二次電池の反応抵抗に対応するパラメータが所定の閾値よりも大きい場合に、前記二次電池が満充電状態であると判定する判定手段と、
    　を有することを特徴とする満充電検知装置。
  2. 　前記学習手段または前記判定手段は、前記電流の値に基づいて前記反応抵抗の値または前記閾値を補正することを特徴とする請求項１に記載の満充電検知装置。
  3. 　前記学習手段または前記判定手段は、前記二次電池の温度に基づいて前記反応抵抗の値または前記閾値を補正することを特徴とする請求項１または２に記載の満充電検知装置。
  4. 　前記学習手段または前記判定手段は、前記二次電池の劣化状態に基づいて前記反応抵抗の値または前記閾値を補正することを特徴とする請求項１乃至３のいずれか１項に記載の満充電検知装置。
  5. 　前記学習手段は、前記測定手段によって測定された電圧および電流の値と、前記等価回路モデルの応答との誤差が最小となるように、カルマンフィルタ演算によって前記複数のパラメータを最適化することを特徴とする請求項１乃至４のいずれか１項に記載の満充電検知装置。
  6. 　前記学習手段は、前記測定手段によって測定された電圧および電流の値と、前記等価回路モデルの応答との誤差が最小となるように、最小二乗演算によって前記複数のパラメータを最適化することを特徴とする請求項１乃至４のいずれか１項に記載の満充電検知装置。
  7. 　前記学習手段は、前記測定手段によって測定された電圧および電流の値と、前記等価回路モデルの応答との誤差が最小となるように、ニューラルネットワークによって前記複数のパラメータを最適化することを特徴とする請求項１乃至４のいずれか１項に記載の満充電検知装置。
  8. 　前記学習手段は、前記測定手段によって測定された電圧および電流の値と、前記等価回路モデルの応答との誤差が最小となるように、サポートベクターマシンによって前記複数のパラメータを最適化することを特徴とする請求項１乃至４のいずれか１項に記載の満充電検知装置。
  9. 　前記請求項１乃至８にいずれか１項に記載の満充電検知装置を有する二次電池電源システム。
  10. 　二次電池の等価回路モデルに基づいて当該二次電池の満充電状態を検知する満充電検知方法において、
    　前記二次電池の充電時における電圧および電流を測定する測定ステップと、
    　前記測定ステップによる測定結果に基づいて、前記等価回路モデルに含まれる複数のパラメータに対して学習処理を施す学習ステップと、
    　前記学習ステップによって学習処理が施された前記パラメータのうち、前記二次電池の反応抵抗に対応するパラメータが所定の閾値よりも大きい場合に、前記二次電池が満充電状態であると判定する判定ステップと、
    　を有することを特徴とする満充電検知方法。
PCT/JP2011/079459 2010-12-20 2011-12-20 満充電検知装置および満充電検知方法 WO2012086627A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP11851717.6A EP2657714B1 (en) 2010-12-20 2011-12-20 Full-charge detection device, and full-charge detection method
CN201180057759.8A CN103229068B (zh) 2010-12-20 2011-12-20 满充电检测装置以及满充电检测方法
US13/769,636 US9153988B2 (en) 2010-12-20 2013-02-18 Full charge sensing apparatus and full charge sensing method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2010-283564 2010-12-20
JP2010283564A JP5307113B2 (ja) 2010-12-20 2010-12-20 満充電検知装置および満充電検知方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US13/769,636 Continuation US9153988B2 (en) 2010-12-20 2013-02-18 Full charge sensing apparatus and full charge sensing method

Publications (1)

Publication Number Publication Date
WO2012086627A1 true WO2012086627A1 (ja) 2012-06-28

Family

ID=46313896

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2011/079459 WO2012086627A1 (ja) 2010-12-20 2011-12-20 満充電検知装置および満充電検知方法

Country Status (5)

Country Link
US (1) US9153988B2 (ja)
EP (1) EP2657714B1 (ja)
JP (1) JP5307113B2 (ja)
CN (1) CN103229068B (ja)
WO (1) WO2012086627A1 (ja)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5944291B2 (ja) * 2012-10-05 2016-07-05 カルソニックカンセイ株式会社 バッテリのパラメータ等推定装置およびその推定方法
KR101547006B1 (ko) * 2012-10-26 2015-08-24 주식회사 엘지화학 배터리 잔존 용량 추정 장치 및 방법
JP5897697B2 (ja) * 2012-11-08 2016-03-30 新電元工業株式会社 内燃機関制御回路及び内燃機関制御方法
CN104040827B (zh) * 2012-11-08 2016-03-09 新电元工业株式会社 两轮车的引擎控制电路以及两轮车的引擎控制方法
JP5810116B2 (ja) 2013-03-14 2015-11-11 古河電気工業株式会社 二次電池状態検出装置および二次電池状態検出方法
US10393813B2 (en) * 2013-08-27 2019-08-27 The Regents Of The University Of Michigan On-board state of health monitoring of batteries using incremental capacity analysis
JP6044512B2 (ja) 2013-11-07 2016-12-14 株式会社デンソー 電池特性学習装置
EP3113277B1 (en) * 2014-04-01 2020-08-05 Furukawa Electric Co. Ltd. Secondary battery state detection device and secondary battery state detection method
JP6277864B2 (ja) * 2014-05-26 2018-02-14 株式会社デンソー 電池内部状態推定装置
WO2016031191A1 (ja) * 2014-08-28 2016-03-03 日本電気株式会社 情報処理装置、情報処理方法、及び、記録媒体
JP2016090330A (ja) * 2014-10-31 2016-05-23 カルソニックカンセイ株式会社 バッテリのパラメータ推定装置
FR3029315B1 (fr) * 2014-11-28 2016-12-09 Renault Sa Procede automatique d'estimation de la capacite d'une cellule d'une batterie
JP6390471B2 (ja) * 2015-03-09 2018-09-19 株式会社デンソー ２次電池制御装置
JP6354700B2 (ja) * 2015-08-07 2018-07-11 株式会社デンソー 電池の充電状態推定装置
CN109874354B (zh) 2016-09-23 2023-01-13 古河电气工业株式会社 二次电池状态检测装置和二次电池状态检测方法
KR20180056238A (ko) * 2016-11-18 2018-05-28 삼성전자주식회사 배터리 충전 방법, 배터리 충전 정보 생성 방법 및 배터리 충전 장치
KR102179677B1 (ko) * 2017-04-12 2020-11-17 주식회사 엘지화학 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법
KR102405005B1 (ko) 2017-04-14 2022-06-07 삼성전자주식회사 배터리의 상태에 따라 충전 파라미터를 변경하는 전자 장치 및 그 전자 장치의 제어 방법
JP6927000B2 (ja) * 2017-12-06 2021-08-25 トヨタ自動車株式会社 二次電池の劣化状態推定方法
JP6820905B2 (ja) * 2017-12-29 2021-01-27 ゴゴロ インク 交換可能エネルギー貯蔵装置ステーションを管理するためのシステムおよび方法
CN109633450B (zh) * 2018-11-23 2021-05-14 成都大超科技有限公司 一种基于神经网络的锂电池充电检测系统
US11069926B1 (en) * 2019-02-14 2021-07-20 Vcritonc Alpha, Inc. Controlling ongoing battery system usage via parametric linear approximation
CN110138035A (zh) * 2019-05-22 2019-08-16 深圳市海派通讯科技有限公司 移动终端充电控制方法
JP7124812B2 (ja) * 2019-09-30 2022-08-24 株式会社デンソー 電池状態推定装置
US11498446B2 (en) * 2020-01-06 2022-11-15 Ford Global Technologies, Llc Plug-in charge current management for battery model-based online learning
CN113541649B (zh) * 2021-06-21 2024-03-29 苏州大学 变步长核符号误差自适应滤波器

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005091217A (ja) 2003-09-18 2005-04-07 Furukawa Electric Co Ltd:The 二次電池劣化状態判定方法、二次電池劣化状態判定装置及び電源システム
JP2005269760A (ja) * 2004-03-18 2005-09-29 Hitachi Maxell Ltd 充電電池あるいは充電電池パック
JP2008107168A (ja) * 2006-10-24 2008-05-08 Toyota Central R&D Labs Inc 電池特性の検出方法及び電池特性の検出装置
JP2008145349A (ja) 2006-12-12 2008-06-26 Furukawa Electric Co Ltd:The バッテリ充電率推定方法、バッテリ充電率推定装置及びバッテリ電源システム
JP2010500539A (ja) * 2006-08-07 2010-01-07 ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツング 容量に依存したパラメータに基づくバッテリ容量検出方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6081097A (en) * 1998-01-19 2000-06-27 Matsushita Electric Industrial Co., Ltd. Method for charging lithium secondary battery
JP4759795B2 (ja) * 2000-09-28 2011-08-31 株式会社Ｇｓユアサ 二次電池の残存容量検知方法
US7072871B1 (en) * 2001-08-22 2006-07-04 Cadex Electronics Inc. Fuzzy logic method and apparatus for battery state of health determination
EP2626716B1 (en) 2003-06-27 2015-09-16 The Furukawa Electric Co., Ltd. Device and method for judging deterioration of accumulator / secondary cell
CN101639523B (zh) * 2003-06-27 2011-07-27 古河电气工业株式会社 二次电池的内部阻抗测量方法及装置、恶化判断装置、电源系统
US7227335B2 (en) * 2003-07-22 2007-06-05 Makita Corporation Method and apparatus for diagnosing the condition of a rechargeable battery
US8344685B2 (en) * 2004-08-20 2013-01-01 Midtronics, Inc. System for automatically gathering battery information
JP4952971B2 (ja) * 2005-07-12 2012-06-13 日立工機株式会社 電池寿命判別装置
US7899631B2 (en) 2007-03-29 2011-03-01 The Furukawa Electric Co., Ltd. Method and device for estimating battery residual capacity, and battery power supply system
JP4865627B2 (ja) * 2007-03-29 2012-02-01 古河電気工業株式会社 バッテリ残存容量推定方法、バッテリ残存容量推定装置及びバッテリ電源システム
US7928735B2 (en) * 2007-07-23 2011-04-19 Yung-Sheng Huang Battery performance monitor
GB2463297A (en) * 2008-09-09 2010-03-10 Ricardo Uk Ltd Determining a power source state of charge using an equivalent circuit model
US8866443B2 (en) * 2010-08-11 2014-10-21 Shin-Kobe Electric Machinery Co., Ltd. Lead acid storage battery and lead acid storage battery system for natural energy utilization system
US8860420B2 (en) * 2011-09-16 2014-10-14 Blackberry Limited Diagnostic use of physical and electrical battery parameters and storing relative condition data
US8719195B2 (en) * 2011-10-10 2014-05-06 The Boeing Company Battery adaptive learning management system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005091217A (ja) 2003-09-18 2005-04-07 Furukawa Electric Co Ltd:The 二次電池劣化状態判定方法、二次電池劣化状態判定装置及び電源システム
JP2005269760A (ja) * 2004-03-18 2005-09-29 Hitachi Maxell Ltd 充電電池あるいは充電電池パック
JP2010500539A (ja) * 2006-08-07 2010-01-07 ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツング 容量に依存したパラメータに基づくバッテリ容量検出方法
JP2008107168A (ja) * 2006-10-24 2008-05-08 Toyota Central R&D Labs Inc 電池特性の検出方法及び電池特性の検出装置
JP2008145349A (ja) 2006-12-12 2008-06-26 Furukawa Electric Co Ltd:The バッテリ充電率推定方法、バッテリ充電率推定装置及びバッテリ電源システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP2657714A4

Also Published As

Publication number Publication date
JP5307113B2 (ja) 2013-10-02
CN103229068A (zh) 2013-07-31
US20130154577A1 (en) 2013-06-20
CN103229068B (zh) 2015-06-24
EP2657714A4 (en) 2017-10-04
JP2012132724A (ja) 2012-07-12
EP2657714B1 (en) 2021-04-14
US9153988B2 (en) 2015-10-06
EP2657714A1 (en) 2013-10-30

Similar Documents

Publication Publication Date Title
JP5307113B2 (ja) 満充電検知装置および満充電検知方法
US9678164B2 (en) Battery internal state estimating apparatus and battery internal state estimating method
CN108885242B (zh) 二次电池劣化估计装置和二次电池劣化估计方法
JP6490414B2 (ja) 二次電池状態検出装置および二次電池状態検出方法
JP2008232758A (ja) 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置
US11143710B2 (en) Device for estimating degradation of secondary cell, and method for estimating degradation of secondary cell
JP7028781B2 (ja) 二次電池状態検出装置および二次電池状態検出方法
CN106662620B (zh) 电池状态探测装置、二次电池系统、存储介质、电池状态探测方法
JP2018096953A (ja) 電池状態推定装置
WO2019230033A1 (ja) パラメータ推定装置、パラメータ推定方法及びコンピュータプログラム
JP6895786B2 (ja) 二次電池状態検出装置および二次電池状態検出方法
JP2007179968A (ja) バッテリ状態管理装置
JP4689755B1 (ja) 電池内部状態推定装置および電池内部状態推定方法
CN114072685A (zh) 一种用于估计电池单元的操作参数的方法
JP7172013B2 (ja) バッテリー管理装置、バッテリー管理方法及びバッテリーパック
WO2021112224A1 (ja) 制御装置、劣化推定システム、制御方法、及びコンピュータプログラム
JP2015215272A (ja) 二次電池状態検出装置および二次電池状態検出方法
US20220099745A1 (en) Method and Apparatus for Device-Specific Determination of an Internal-Resistance Based State of Health of a Battery
JPWO2018211824A1 (ja) 電池制御装置および車両システム
CN117222904A (zh) 电池状态推定装置、电力系统
JP2006300692A (ja) 二次電池の残存容量演算方式
US20230400527A1 (en) Secondary battery degradation determination apparatus and secondary battery degradation determination method
WO2023171619A1 (ja) 電池監視装置
JP6034954B2 (ja) 二次電池の内部情報検出装置
JP2018100851A (ja) 二次電池状態検出装置および二次電池状態検出方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11851717

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2011851717

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE