WO2013136559A1 - 二次電池の状態推定装置及び方法 - Google Patents

二次電池の状態推定装置及び方法 Download PDF

Info

Publication number
WO2013136559A1
WO2013136559A1 PCT/JP2012/073784 JP2012073784W WO2013136559A1 WO 2013136559 A1 WO2013136559 A1 WO 2013136559A1 JP 2012073784 W JP2012073784 W JP 2012073784W WO 2013136559 A1 WO2013136559 A1 WO 2013136559A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
secondary battery
voltage
state
models
Prior art date
Application number
PCT/JP2012/073784
Other languages
English (en)
French (fr)
Inventor
尚志 赤嶺
Original Assignee
プライムアースＥｖエナジー株式会社
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 プライムアースＥｖエナジー株式会社 filed Critical プライムアースＥｖエナジー株式会社
Priority to US14/375,734 priority Critical patent/US10120032B2/en
Publication of WO2013136559A1 publication Critical patent/WO2013136559A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • 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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • 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
    • 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
    • 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
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
    • 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
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • 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
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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
    • 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
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • 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]
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Definitions

  • the present invention relates to a state estimation apparatus and method for a secondary battery, and more particularly to a state estimation technique using a plurality of battery models.
  • a technology for estimating the state of charge (SOC) of a secondary battery such as a nickel metal hydride secondary battery or a lithium ion secondary battery and controlling the charge / discharge of the secondary battery based on the estimated SOC is known. Yes.
  • Patent Document 1 listed below includes a sensing unit that measures charge / discharge current flowing through a battery, battery temperature and terminal voltage, a prediction unit that accumulates charge / discharge current to estimate battery SOC, battery temperature, charge / discharge.
  • a data rejection unit that generates information corresponding to an error generated by the measurement model according to at least one of current, SOC, and time change rate of the charge / discharge current, and information corresponding to the measurement model and the error
  • a battery management system includes a measurement unit that corrects the estimated SOC of the battery. Specifically, the data rejection unit sets a modeled battery equivalent circuit as a measurement model, and generates a gain corresponding to the variance of errors generated by the measurement model. Then, a Kalman gain is generated using the dispersion gain of the measurement model error, and the estimated SOC is corrected using the generated Kalman gain.
  • the prediction unit predicts the voltage Vdiff applied to the SOC and diffusion impedance of the battery, which is the state variable (x), using the state equation.
  • the prediction unit generates a covariance for the predicted state variable and the estimation error of the state variable and supplies the generated covariance to the measurement unit.
  • the measurement unit predicts a value that can be measured using the SOC predicted by the prediction unit and the voltage Vdiff, that is, the terminal voltage of the battery.
  • the measurement unit solves the non-linearity between SOC and OCV and uses differential equations to use the Kalman filter. Then, the measurement unit generates a Kalman gain for correcting the predicted SOC and voltage Vdiff.
  • the Kalman gain is set to a value that minimizes the covariance.
  • Patent Document 2 discloses that when the SOC is high and close to the upper limit of the control region, the SOC is detected from the relationship between the charging voltage and the charging current when charging the storage battery, and the SOC is low and close to the lower limit of the control region. It describes that the SOC is detected from the relationship between the discharge voltage and the discharge current when the storage battery is discharged.
  • Patent Document 3 describes that the internal characteristics of an electrochemical battery are reconfigured using a mathematical model of the battery in applications related to hybrid vehicles and electric vehicles. Specifically, a mathematical expression of the reaction kinetics of the electrochemical reaction occurring at the interface between each electrode and the electrolyte considering the interface temperature, and an electrical expression of the spatial accumulation of charge at each electrode, Establish a model that includes the balance of charge in each solid phase and liquid phase (electrolyte), the mass balance of all phases of the system, and the energy balance of the system that calculates the temperature of the rechargeable electrochemical system. It describes the calculation of the variation of electrochemical variables over time. It also describes that the system potential is recorded as an output signal.
  • a mathematical expression of the reaction kinetics of the electrochemical reaction occurring at the interface between each electrode and the electrolyte considering the interface temperature, and an electrical expression of the spatial accumulation of charge at each electrode Establish a model that includes the balance of charge in each solid phase and liquid phase (electrolyte), the mass balance of all phases of the system, and the energy balance
  • An object of the present invention is to provide an apparatus and method that can improve estimation accuracy by appropriately selecting an optimum model that reflects actual battery behavior in an apparatus that estimates the state of a secondary battery using a plurality of models. Is to provide.
  • the present invention is a state estimation device for a secondary battery, a voltage detection means for detecting the voltage of the secondary battery, and a calculation means for estimating the state of the secondary battery using a plurality of models, Compare the estimated voltage values obtained by each of the plurality of models with the change trends of the voltage values obtained by the voltage detecting means over a predetermined period, and select the most similar model among the plurality of models. And calculating means for selecting a model and estimating the state of the secondary battery using the selected optimal model.
  • the present invention also relates to a state estimation method for a secondary battery, which includes a voltage detection step for detecting the voltage of the secondary battery and a calculation step for estimating the state of the secondary battery using a plurality of models. The voltage estimated values obtained by a plurality of models and the voltage value obtained by the voltage detection step are compared for a predetermined period, and the model having the most similar tendency among the plurality of models. And calculating a state of the secondary battery using the selected optimal model.
  • the calculation means compares the voltage estimated values obtained by the plurality of models with the voltage values obtained by the voltage detecting means, and calculates the voltage estimated values and the voltage values.
  • the model having the highest correlation is selected as the optimum model.
  • the calculation means optimizes a parameter used in the optimum model using a voltage value detected by the voltage detection means to estimate the state of the secondary battery. It is characterized by.
  • the computing unit optimizes a parameter used in each of the plurality of models using a voltage value detected by the voltage detecting unit, and the parameter is optimized.
  • a model having the smallest change amount of the parameter correction amount obtained by each of the plurality of models is selected as the optimum model.
  • the computing means compares the voltage estimated values obtained by the plurality of models with the voltage values obtained by the voltage detecting means, and the voltage estimated values and the voltages A first process of selecting a model having the highest value correlation as an optimum model, and optimizing parameters used in the optimum model using the voltage value detected by the voltage detection means to estimate the state of the secondary battery And the parameter used in each of the plurality of models is optimized using the voltage value detected by the voltage detection means, and the amount of change in the parameter correction amount obtained in each of the plurality of models with optimized parameters is The state of the secondary battery is estimated by switching the second process for selecting the smallest model as the optimum model and estimating the state of the secondary battery.
  • the present invention it is possible to appropriately select a model reflecting actual battery behavior by selecting an optimal model from a plurality of models using actually detected voltage values, and the state of the secondary battery The estimation accuracy of can be improved.
  • FIG. It is a system configuration figure of an embodiment. It is a block diagram of battery ECU. It is a processing flowchart of a 1st embodiment.
  • 2 is a block diagram of Model 1.
  • FIG. It is a block diagram of a polarization voltage model of model 1. It is a block diagram of Model 2. It is a block diagram of a polarization voltage model of model 2.
  • Model 3. 4 is an explanatory diagram of a dynamic battery model of model 3.
  • FIG. It is model evaluation explanatory drawing of 1st Embodiment. It is parameter optimization explanatory drawing. It is a processing flowchart of a 2nd embodiment. It is model evaluation explanatory drawing of 2nd Embodiment. It is a processing flowchart of a 3rd embodiment.
  • FIG. 1 shows a schematic configuration of a hybrid electric vehicle.
  • the vehicle ECU 10 controls the inverter 50 and the engine ECU 40.
  • the engine ECU 40 controls the engine 60.
  • the battery ECU 20 functions as a charge state estimation device, receives information such as the battery voltage V, the charge / discharge current I, and the battery temperature T from the secondary battery 30 and estimates the state of charge (SOC) of the secondary battery 30.
  • the battery ECU 20 transmits battery information such as the SOC and battery temperature of the secondary battery 30 to the vehicle ECU 10.
  • the vehicle ECU 10 controls charging / discharging of the secondary battery 30 by controlling the engine ECU 40, the inverter 50, and the like based on various battery information.
  • the secondary battery 30 supplies electric power to the motor 52.
  • the inverter 50 converts DC power supplied from the secondary battery 30 into AC power and supplies it to the motor 52 when the secondary battery 30 is discharged.
  • the engine 60 transmits power to the wheels via the power split mechanism 42, the speed reducer 44, and the drive shaft 46.
  • the motor 52 transmits power to the wheels via the speed reducer 44 and the dry shaft 46.
  • a part of the power of the engine 60 is supplied to the generator 54 via the power split mechanism 42 and used for charging.
  • the vehicle ECU 10 receives information on the operating state of the engine 60 from the engine ECU 40, the operation amount of the accelerator pedal, the operation amount of the brake pedal, the operation information such as the shift range set by the shift lever, and the battery information such as the SOC from the battery ECU 20. Is output to the engine ECU 40 or the inverter 50 to drive the engine 60 or the motor 52.
  • FIG. 2 shows the configuration of the secondary battery 30 and the battery ECU 20.
  • the secondary battery 30 is configured, for example, by connecting battery blocks B1 to B20 in series.
  • Battery blocks B1 to B20 are housed in a battery case 32.
  • Each of the battery blocks B1 to B20 is configured by electrically connecting a plurality of battery modules in series, and each battery module is configured by electrically connecting a plurality of single cells (cells) in series.
  • a plurality of temperature sensors 34 are provided in the battery case 32.
  • the battery ECU 20 corresponds to a state estimation device for a secondary battery.
  • the voltage measuring unit 22 measures the terminal voltage of the secondary battery 30.
  • the voltage measuring unit 22 measures the terminal voltages of the battery blocks B1 to B20 and outputs them to the control unit 26.
  • the control unit 26 stores the voltage measurement value in the storage unit 28.
  • the output of the voltage data to the control unit 26 is performed at a preset period, for example, 100 msec.
  • the control unit 26 calculates the battery voltage V by summing the terminal voltages of the battery blocks B1 to B20.
  • the current measuring unit 23 measures the charging / discharging current I at the time of charging / discharging the secondary battery 30 and outputs it to the control unit 26.
  • the control unit 26 stores the current measurement value and the voltage measurement value in the storage unit 28.
  • the current measuring unit 23 generates a current measurement value, for example, when charging is negative and when discharging is positive.
  • the temperature measurement unit 24 measures the battery temperature of the secondary battery 30 and outputs it to the control unit 26.
  • the control unit 26 stores temperature data in the storage unit 26.
  • the control unit 26 includes a DCIR (internal resistance) unit 261, a polarization voltage calculation unit 262, an electromotive voltage calculation unit 263, a charge state estimation unit 264, and a voltage estimation unit 265.
  • the control unit 26 estimates the state of charge (SOC) of the secondary battery 30 using the current measurement value and the voltage measurement value.
  • the estimation of the SOC is executed using a plurality of battery behavior models. Although the number of battery behavior models is arbitrary, in the present embodiment, an example in which three models of model 1, model 2, and model 3 are used will be described.
  • the functional blocks of the DCIR unit 261, the polarization voltage calculation unit 262, the electromotive voltage calculation unit 263, the charging state estimation unit 264, and the voltage estimation unit 265 in FIG. 2 are functional blocks used in these models. It may not be necessary to always use these functional blocks. That is, these functional blocks are not essential constituent elements for each model.
  • the control unit 26 is specifically composed of a microprocessor.
  • FIG. 3 shows a processing flowchart of the control unit 26 in the present embodiment.
  • the control unit 26 acquires measurement data (S101).
  • the measurement data is specifically a voltage value measured by the voltage measurement unit 22, a temperature value measured by the temperature measurement unit 24, and a current value measured by the current measurement unit 23.
  • the control unit 26 reads and acquires these data stored in the storage unit 28.
  • control unit 26 estimates the voltage of the secondary battery 30 using the three models, model 1, model 2, and model 3, respectively. That is, the measurement data is processed by the model 1 to calculate the voltage estimated value, the measurement data is processed by the model 2 to calculate the voltage estimated value, and the measurement data is processed by the model 3 to calculate the voltage estimated value.
  • the likelihood of each estimated value is evaluated (S103). That is, the estimated voltage values of model 1, model 2, and model 3 are compared with actual voltage measurement values, and the accuracy of each model is evaluated. Based on the result of evaluating the estimated value of each model, the control unit 26 selects a model that seems to have the highest accuracy among the model 1, the model 2, and the model 3 as an optimal model (S104).
  • the control unit 26 selects one of the models as the optimal model, and then optimizes the parameters of the selected optimal model (S105).
  • the parameter is a parameter used for calculating an estimated voltage value in each model.
  • the number of parameters is not necessarily one, and a plurality of parameters may exist.
  • the parameter optimization is performed using the current measurement value and the voltage measurement value.
  • the control unit 26 executes the state estimation process of the secondary battery 30 with the optimal model and outputs it (S106). Specifically, the control unit 26 estimates and outputs the state of charge (SOC) of the secondary battery 30 using an optimum model with optimized parameters.
  • SOC state of charge
  • FIG. 4 is an overall block diagram of the model 1 and is a functional block executed by each unit of the control unit 26.
  • FIG. 5 is a detailed view of the polarization voltage model in FIG.
  • a DCIR (internal resistance) block corresponds to the DCIR unit 261 in FIG. 2, and a set of current measurement values and voltage measurement values is plotted in advance, and the secondary battery 30 has the slope of the primary approximation line.
  • DCIR internal resistance
  • a voltage drop (voltage drop) using this DCIR is calculated.
  • the obtained voltage drop (DCIR drop estimated value) is output to voltage estimating section 265.
  • the polarization voltage model block corresponds to the model in the polarization voltage calculation unit 262 in FIG. 2, and calculates the polarization voltage based on the equivalent circuit model of the polarization voltage.
  • the polarization voltage is calculated on the assumption that it consists of an estimated linear polarization value and an estimated hysteresis value. These polarization voltages are output to the voltage estimation unit 265.
  • the estimated SOC value is supplied to the polarization voltage model block.
  • the estimated SOC value is calculated by integrating the measured current value over time as will be described later.
  • the polarization voltage model block that is, the polarization voltage calculation unit 262 obtains a hysteresis target value corresponding to the estimated SOC value based on the hysteresis relationship between the SOC and the electromotive voltage stored in advance in the memory.
  • the relationship between the SOC and the electromotive voltage is shifted from the initial relationship (electromotive voltage curve indicated by a solid line in the figure), the charging side is a charging curve indicated by a broken line in the figure, and the discharging side is a discharging curve indicated by a broken line in the figure.
  • the initial relationship electrotive voltage curve indicated by a solid line in the figure
  • the charging side is a charging curve indicated by a broken line in the figure
  • the discharging side is a discharging curve indicated by a broken line in the figure.
  • the electromotive voltage obtained in this way is used as the hysteresis target value, and the obtained hysteresis target value is compared with the previous hysteresis estimated value, and output as the final hysteresis estimated value by, for example, calculating the average of the two together. To do. Such a convergence process takes into account the gradual transition from the initial electromotive voltage curve to the charge curve or discharge curve indicated by the broken line. Both the linear polarization estimated value and the hysteresis estimated value calculated as described above are output to the voltage estimating unit 265.
  • the current integration block corresponds to the charging state estimation unit 264 in FIG. 2 and calculates the SOC estimation value by integrating the current measurement value over time.
  • the estimated SOC value obtained by the calculation is expressed as a percentage (%) where the fully charged state is 100.
  • the estimated SOC value is output to the polarization voltage model and the electromotive voltage map.
  • the estimated SOC value output to the polarization voltage model is used to calculate the estimated hysteresis value as described above.
  • the electromotive voltage map corresponds to the electromotive voltage calculation unit 263 in FIG. 2, and a map in which the relationship between the SOC and the electromotive voltage is stored in advance is stored in the memory.
  • the map corresponds to the estimated SOC value with reference to this map.
  • the electromotive voltage to be calculated is obtained.
  • the obtained electromotive voltage is output to the voltage estimation unit 265.
  • the voltage estimation unit 265 inputs the DCIR drop estimated value, the linear polarization estimated value, the hysteresis estimated value, and the electromotive voltage, and estimates and outputs the terminal voltage of the secondary battery 30 using these. Specifically, the voltage estimation unit 265 estimates the terminal voltage by adding the DCIR drop estimated value, the linear polarization estimated value, the hysteresis estimated value, and the electromotive voltage. The calculated terminal voltage is output as a voltage estimated value.
  • FIG. 6 and 7 show functional block diagrams of model 2.
  • FIG. 6 is an overall block diagram of the model 2 and is a functional block executed by each unit of the control unit 26.
  • FIG. 7 is a detailed view of the polarization voltage model in FIG.
  • a DCIR (internal resistance) block corresponds to the DCIR unit 261 in FIG. 2, and a set of current measurement values and voltage measurement values is plotted in advance, and the secondary battery 30 of the secondary battery 30 is determined from the slope of the primary approximation line.
  • DCIR internal resistance
  • a voltage drop (voltage drop) using this DCIR is calculated.
  • the obtained voltage drop (DCIR drop estimated value) is output to voltage estimating section 265.
  • the polarization voltage model block corresponds to the model in the polarization voltage calculation unit 262 in FIG. 2, and calculates the polarization voltage based on the equivalent circuit model of the polarization voltage.
  • the polarization voltage includes a short-term linear polarization estimation value and a long-term linear polarization estimation value, and these polarization voltages are output to the voltage estimation unit 265.
  • the current integration block corresponds to the charge state estimation unit 264 in FIG. 2, and calculates the SOC estimation value by integrating the current measurement value over time.
  • the estimated SOC value obtained by the calculation is output to an electromotive voltage map.
  • the electromotive voltage map corresponds to the electromotive voltage calculation unit 263 in FIG. 2, and a map in which the relationship between the SOC and the electromotive voltage is stored in advance in the memory.
  • the electromotive voltage map corresponding to the SOC estimated value is referred to this map. Find the voltage.
  • the obtained electromotive voltage is output to the voltage estimation unit 265.
  • the voltage estimation unit 265 inputs the DCIR drop estimated value, the short-term linear polarization estimated value, the long-term linear polarization estimated value, and the electromotive voltage, and estimates and outputs the terminal voltage using these. Specifically, the voltage estimation unit 265 estimates the terminal voltage by adding the DCIR drop estimated value, the short-term linear polarization estimated value, the long-term linear polarization estimated value, and the electromotive voltage. The calculated terminal voltage is output as a voltage estimated value.
  • FIG. 8 and 9 show functional block diagrams of model 3.
  • FIG. 8 is an overall block diagram of the model 3 and is a functional block executed by each unit of the control unit 26.
  • FIG. 9 is a detailed view of the dynamic battery model in FIG.
  • the DCIR (internal resistance) block corresponds to the DCIR unit 261 in FIG. 2, and a set of current measurement values and voltage measurement values is plotted in advance, and the secondary battery 30 has the slope of the primary approximation line.
  • DCIR internal resistance
  • a voltage drop voltage drop using this DCIR is calculated.
  • the obtained voltage drop (DCIR drop estimated value) is output to voltage estimating section 265.
  • the polarization voltage model block corresponds to the model in the polarization voltage calculation unit 262 in FIG. 2, and calculates the polarization voltage based on the equivalent circuit model of the polarization voltage.
  • the polarization voltage is assumed to be composed of a short-term linear polarization estimation value and a long-term linear polarization estimation value as in the model 2, and these polarization voltages are output to the voltage estimation unit 265.
  • the electromotive voltage map corresponds to the electromotive voltage calculation unit 263 in FIG. 2, and a map in which the relationship between the SOC and the electromotive voltage is stored in advance is stored in the memory.
  • the map corresponds to the estimated SOC value with reference to this map.
  • the electromotive voltage to be calculated is obtained.
  • the obtained electromotive voltage is output to the voltage estimation unit 265.
  • the voltage estimation unit 265 inputs the DCIR drop estimated value, the short-term linear polarization estimated value, the long-term linear polarization estimated value, and the electromotive voltage, and outputs the voltage estimated value using these. Specifically, the voltage estimation unit 265 adds the DCIR drop estimated value, the short-term linear polarization estimated value, the long-term linear polarization estimated value, and the electromotive voltage, and outputs a voltage estimated value.
  • control unit 26 calculates the voltage estimation value using the model 1, the model 2, and the model 3, respectively. Then, the most probable model is selected by evaluating the probability of these voltage estimation values.
  • FIG. 10 shows the processes of S103 and S104 in FIG. 3, that is, the model output evaluation process and the optimum model setting process.
  • the voltage estimated value of each of model 1, model 2, and model 3 is compared with the actual voltage measurement value for a predetermined period, for example, 10 minutes, and the correlation coefficient is calculated.
  • FIG. 10 shows a plot when the horizontal axis is the estimated voltage value for 10 minutes and the vertical axis is the measured voltage value for 10 minutes. A set of these (voltage estimation value, voltage measurement value) is plotted, and a correlation coefficient is calculated.
  • the method for calculating the correlation coefficient is well known.
  • the correlation coefficients calculated for each of the model 1, model 2, and model 3 are compared with each other, and the model with the highest correlation (the model with the most similar change tendency) is selected as the optimal model. .
  • the absolute value of the correlation coefficient of each model is compared, and the model having the largest absolute value is set as the optimum model.
  • the absolute value of the correlation coefficient between the estimated voltage value of the model 1 and the measured voltage value is C1
  • the absolute value of the correlation coefficient between the estimated voltage value of the model 2 and the measured voltage value is C2
  • the estimated voltage value of the model 3 and the voltage Let C3 be the absolute value of the correlation coefficient of the measured values, and if C1> C2> C3, model 1 is selected as the optimum model.
  • model 1 is set as an optimal model for data for a certain 10 minutes
  • model 2 is set as an optimal model for data for the next 10 minutes
  • model 3 is set as an optimal model for data for the next 10 minutes.
  • the optimal model corresponding to the change of the situation can be set as appropriate.
  • the predetermined period of 10 minutes is arbitrary, and may be shorter or longer as required.
  • FIG. 11 shows the process of S105 in FIG. 3, that is, the parameter optimization process. Parameter optimization will be described by taking as an example the case where model 1 is set as the optimal model. *
  • Linear polarization voltage estimate ⁇ A (k) ⁇ Vlp (k ⁇ 1) + B (k) ⁇ I (k ⁇ 1) ⁇ age
  • Hysteresis estimated value ⁇ Fi (k) ⁇ Vhys (k ⁇ 1) + (1 ⁇ Fi (k)) ⁇ Mhys (k ⁇ 1) ⁇ It is said.
  • a (k), B (k), Fi (k), and DCIR (k) are parameters that appear linearly and are parameters to be optimized.
  • Mhys (k) is a hysteresis target value. Prior to optimizing the parameters, these are given appropriate values in advance. For parameter optimization, a recursive least square (RLS) method can be used.
  • Gain G (k) ⁇ P (k ⁇ 1) ⁇ (k) ⁇ / ⁇ + ⁇ T (k) P (k ⁇ 1) ⁇ (k) ⁇
  • P (k) An error covariance matrix.
  • each of the models 1, 2, and 3 is a model for estimating a voltage using the current value measured by the current measuring unit 23. Therefore, the parameters are determined using the detected current value and voltage value.
  • the present invention also includes a case where the optimization is performed using another physical quantity (for example, the temperature measured by the temperature measurement unit 24). That is, the parameters can be optimized based on the physical quantity estimated by the model (voltage in the first embodiment) and the measured value of the physical quantity (current in the first embodiment) input to estimate the physical quantity.
  • the parameters can be optimized based on the physical quantity estimated by the model (voltage in the first embodiment) and the measured value of the physical quantity (current in the first embodiment) input to estimate the physical quantity.
  • optimization can be performed using a plurality of measured values.
  • the control unit 26 estimates the SOC of the secondary battery 30 using the optimal model with the optimized parameters, and outputs the estimated SOC to the vehicle ECU 10. For example, after setting the model 1 as the optimal model and optimizing the parameters of the model 1, the SOC correction amount is calculated from the estimated voltage value of the model 1 using the Kalman filter, and the current is integrated using the SOC correction amount. The obtained SOC estimated value is corrected and output as the final SOC estimated value.
  • the SOC estimation accuracy can be further improved.
  • an optimal model is set, and then the parameters of the optimal model are optimized.
  • the parameters of each model are optimized, and then the optimized model is set. You can also.
  • FIG. 12 shows a processing flowchart of the control unit 26 in the present embodiment.
  • the difference from FIG. 3 is that the parameters are optimized in each model (S303), then the model output is evaluated (S304), and the optimum model is set (S305). After the optimal model is set, the state of the secondary battery 30, specifically, the estimated SOC value is output using the optimal model as in FIG. 3 (S306).
  • the parameter optimization is the same as in the first embodiment, and is performed by the sequential least square method using the current measurement value and the voltage measurement value. Therefore, the optimum model setting process in this embodiment will be described below.
  • FIG. 13 shows optimal model setting processing in the present embodiment.
  • the internal state is optimized using the current measurement value and the voltage measurement value.
  • a parameter correction amount is calculated.
  • the control unit 26 sequentially calculates the parameter correction amount for a predetermined period, for example, 10 minutes in each model, and detects the time fluctuation. If the amount of time fluctuation of the parameter correction amount is large, the actual battery behavior and the model will deviate by that amount (the trend is not similar), which means that correction is necessary. It means that the actual battery behavior is not reflected. On the other hand, when the temporal variation amount of the parameter correction amount is small, it is suitable as a model and reflects the actual battery behavior (the tendency is similar). Therefore, the control unit 26 sets a model with the smallest temporal variation in the parameter correction amount as the optimum model. For example, when the variation in the parameter correction amount of model 3 for 10 minutes is the smallest and stable, model 3 is set as the optimum model. Thus, the optimal model reflecting the actual battery behavior can be selected by using the parameter correction amount.
  • the SOC estimated value of the optimum model is output as the state of the secondary battery 30.
  • the SOC correction amount is calculated from the voltage estimation value of the optimum model using the Kalman filter, and the SOC estimation value obtained by current integration is corrected using this SOC correction amount. And output as the final estimated SOC value. Since the estimated SOC value is obtained from the estimated voltage value of the optimum model reflecting the actual battery behavior, the SOC estimation accuracy can be increased.
  • model 2 is set as the optimal model for a certain 10-minute data
  • model 2 is set as the optimal model for the next 10-minute data
  • model 1 is set as the optimal model for the next 10-minute data.
  • the first embodiment optimizes the parameters of the model after setting the optimum model from a plurality of models, and the second embodiment sets the optimum model after optimizing the parameters of the plurality of models.
  • the method of the first embodiment has an advantage that the processing can be speeded up although the accuracy is relatively low.
  • the method of the second embodiment has an advantage that the processing time is required but the accuracy is relatively high. This is because the parameter optimization processing has a relatively large processing amount, and when this is performed for all models, it takes time as a result. Therefore, according to the processing capability of the processor of the control unit 26, the method of the second embodiment is used when the processing capability of the processor is relatively high, and the first embodiment when the processing capability of the processor is relatively low. It is preferable to use the above method.
  • FIG. 14 shows a processing flowchart of the control unit 26 in the present embodiment.
  • the long-term processing timing means a timing for performing the method of the second embodiment with a relatively high processing load, for example, a timing every hour.
  • the short processing timing means timing for performing the method of the first embodiment with a relatively low processing load, for example, timing every 10 minutes.
  • the processing of S403 to S407 that is, the method of the first embodiment is executed.
  • the processing of S408 to S411 that is, the method of the second embodiment is executed.
  • the process of S403 to S407, that is, the method of the first embodiment is executed.
  • the process of S408 to S411, that is, the method of the second embodiment is executed on the assumption that a relatively accurate method is required.
  • Whether or not the secondary battery 30 is in the overcharge / overdischarge region can be determined based on the previous SOC estimation value, and the SOC estimation value is in the vicinity of the predetermined lower limit overdischarge region and the predetermined upper limit value. If so, it can be determined as an overcharge region. It can be said that the method of the first embodiment is executed when the state of the secondary battery 30 is stable, and the method of the second embodiment is executed when the state of the secondary battery 30 is unstable.
  • the state is estimated by the method of the first embodiment at a certain timing, and the second battery 30 is estimated at another timing.
  • the state is estimated by switching from the method of the first embodiment to the method of the second embodiment, and the state is estimated by switching from the method of the second embodiment to the method of the first embodiment at another timing.
  • the parameters of each model are optimized by the method of the second embodiment, the parameters optimized by the method of the second embodiment are directly used as the parameters of each model in the method of the next first embodiment. be able to.
  • the process of optimizing the parameters after setting the optimization model by the method of the first embodiment can be omitted. This is because the parameters of each model have already been optimized.
  • the models shown in FIGS. 4 to 9 are used as the model 1, the model 2, and the model 3, but other known models can be used, for example, a neural network model, an electrochemical A model or the like may be used.
  • the feature of the present invention is that when estimating the state of the secondary battery 30 using a plurality of models, an optimum model is set by evaluating which model is most probable, and the secondary model is used using the optimum model. This is because the state of the battery 30 is estimated, and any model can be applied within the scope of this technical idea.
  • the selection of the optimal model is not limited to the method of the above embodiment. For example, statistical processing such as Bayesian estimation may be used.
  • the present invention is premised on a plurality of models, but the most basic configuration is a configuration in which two models, model 1 and model 2, are used to determine which model is probable.
  • a configuration is naturally included in the present invention.
  • the present invention is not limited to the type (for example, nickel metal hydride battery, lithium ion battery, etc.) or shape (for example, cylinder, square type, button type, laminate type, etc.) of the secondary battery.

Abstract

　複数のモデルを用いて二次電池の状態を推定する装置。二次電池の状態推定装置は、モデル１、モデル２、モデル３の複数のモデルを用いてそれぞれ二次電池の状態を推定する。演算装置は、モデル１、モデル２、モデル３で得られた電圧推定値を電圧計測値と比較し、最も相関の高いモデルを最適モデルとして設定し、当該モデルのパラメータを最適化して二次電池の状態を推定する。

Description

二次電池の状態推定装置及び方法
　本発明は二次電池の状態推定装置及び方法に関し、特に、複数の電池モデルを用いた状態推定技術に関する。
　ニッケル水素二次電池やリチウムイオン二次電池等の二次電池の充電状態（ＳＯＣ：Ｓｔａｔｅ　ｏｆ　Ｃｈａｒｇｅ）を推定し、推定したＳＯＣに基づいて二次電池の充放電を制御する技術が知られている。
　下記の特許文献１には、バッテリに流れる充放電電流、バッテリの温度及び端子電圧を測定するセンシング部と、充放電電流を積算してバッテリのＳＯＣを推定する予測部と、バッテリ温度、充放電電流、ＳＯＣ、及び充放電電流の時間変化率のうちの少なくともいずれか１つに従って、測定モデルにより発生する誤差に対応する情報を生成するデータリジェクション部と、測定モデル及び誤差に対応する情報を利用して推定されたバッテリのＳＯＣを修正する測定部とを含むバッテリ管理システムが開示されている。データリジェクション部は、具体的にはモデル化されたバッテリの等価回路を測定モデルに設定し、測定モデルにより発生する誤差の分散に対応するゲインを生成する。そして、測定モデル誤差の分散ゲインを利用してカルマンゲインを生成し、生成されたカルマンゲインを利用して、推定されたＳＯＣを修正する。
　具体的には、予測部は、状態方程式を利用して、状態変数（ｘ）であるバッテリのＳＯＣ及び拡散インピーダンスに印加される電圧Ｖｄｉｆｆを予測する。予測部は、予測した状態変数及び状態変数の推定誤差に対する共分散を生成して測定部に供給する。測定部は、予測部で予測されたＳＯＣと電圧Ｖｄｉｆｆを利用して測定できる値、すなわちバッテリの端子電圧を予測する。測定部は、ＳＯＣとＯＣＶとの間の非線形性を解決し、カルマンフィルタを使用するために微分形式の方程式を使用する。そして、測定部は、予測されたＳＯＣ及び電圧Ｖｄｉｆｆを修正するためのカルマンゲインを生成する。カルマンゲインは、共分散を最小化する値に定められる。
　また、特許文献２には、ＳＯＣが高く、制御領域の上限に近い場合に蓄電池の充電時における充電電圧－充電電流の関係からＳＯＣを検知し、ＳＯＣが低く、制御領域の下限に近い場合に蓄電池の放電時における放電電圧－放電電流の関係からＳＯＣを検知することが記載されている。
　また、特許文献３には、ハイブリッド車両及び電気車両に関する用途において、電気化学電池の内部特性の再構成を、電池の数学的モデルを使用して行うことが記載されている。具体的には、界面温度を考慮した各電極と電解液との間の界面で生じる電気化学反応の反応速度論の数学的表現と、各電極での電荷の空間的蓄積の電気的表現と、各固相及び液相(電解液)における電荷の収支と、システムの全ての相における物質収支と、再充電可能な電気化学システムの温度を算出するシステムのエネルギ収支を含むモデルを確立し、内部電気化学変数の経時的な変動を算出することが記載されている。また、システムの電位が出力信号として記録されることが記載されている。
特開２００８－１０４２０号公報 特開２００４－２８６６４２号公報 特表２０１１－５１９１１８号公報
　予め設定したモデルを用いて二次電池の内部状態を推定する技術は有効である一方、予め設定したモデルが実際の二次電池の挙動に適応していない場合には、推定誤差が増大してしまう。
　そこで、予め複数のモデルを想定し、これら複数のモデルを用いて二次電池の内部状態を推定することが考えられるが、これら複数のモデルの推定結果をどのように処理して最終的な推定結果を得るのかが問題となる。すなわち、複数のモデルの平均値を推定結果としてしまうといずれかのモデルが実際の電池挙動と大きく乖離している場合に誤差が増大してしまう。複数のモデルを用いる場合、どのモデルが最も良く実際の電池挙動を反映しているかを正確に判断することが必要となる。
　本発明の目的は、複数のモデルを用いて二次電池の状態を推定する装置において、実際の電池挙動を反映した最適なモデルを適宜選択することで推定精度を向上させることができる装置及び方法を提供することにある。
　本発明は、二次電池の状態推定装置であって、前記二次電池の電圧を検出する電圧検出手段と、複数のモデルを用いて前記二次電池の状態を推定する演算手段であって、複数のモデルでそれぞれ得られた電圧推定値と前記電圧検出手段で得られた電圧値の所定期間の変化傾向を比較し、前記複数のモデルのうち、前記傾向が最も類似しているモデルを最適モデルとして選択し、選択した最適モデルを用いて前記二次電池の状態を推定する演算手段とを備えることを特徴とする。また、本発明は、二次電池の状態推定方法であって、前記二次電池の電圧を検出する電圧検出工程と、複数のモデルを用いて前記二次電池の状態を推定する演算工程であって、複数のモデルでそれぞれ得られた電圧推定値と前記電圧検出工程で得られた電圧値の所定期間の変化傾向を比較し、前記複数のモデルのうち、前記傾向が最も類似しているモデルを最適モデルとして選択し、選択した最適モデルを用いて前記二次電池の状態を推定する演算工程とを備えることを特徴とする。
　本発明の１つの実施形態では、前記演算手段は、前記複数のモデルでそれぞれ得られた電圧推定値を前記電圧検出手段で得られた電圧値と比較し、前記電圧推定値と前記電圧値の相関が最も高いモデルを最適モデルとして選択することを特徴とする。
　また、本発明の他の実施形態では、前記演算手段は、最適モデルで用いられるパラメータを、前記電圧検出手段で検出された電圧値を用いて最適化して前記二次電池の状態を推定することを特徴とする。
　また、本発明の他の実施形態では、前記演算手段は、前記複数のモデルのそれぞれで用いられるパラメータを、前記電圧検出手段で検出された電圧値を用いて最適化し、パラメータが最適化された複数のモデルでそれぞれ得られたパラメータ補正量の変化量が最も小さいモデルを最適モデルとして選択することを特徴とする。
　さらに、本発明の他の実施形態では、前記演算手段は、前記複数のモデルでそれぞれ得られた電圧推定値を前記電圧検出手段で得られた電圧値と比較し、前記電圧推定値と前記電圧値の相関が最も高いモデルを最適モデルとして選択し、最適モデルで用いられるパラメータを前記電圧検出手段で検出された電圧値を用いて最適化して前記二次電池の状態を推定する第１の処理と、前記複数のモデルのそれぞれで用いられるパラメータを前記電圧検出手段で検出された電圧値を用いて最適化し、パラメータが最適化された複数のモデルでそれぞれ得られたパラメータ補正量の変化量が最も小さいモデルを最適モデルとして選択して前記二次電池の状態を推定する第２の処理を切り替えることで前記二次電池の状態を推定することを特徴とする。
　本発明によれば、複数のモデルから、実際に検出した電圧値を用いて最適なモデルを選択することで、実際の電池挙動を反映したモデルを適宜選択することができ、二次電池の状態の推定精度を向上させることができる。
実施形態のシステム構成図である。 電池ＥＣＵの構成図である。 第１実施形態の処理フローチャートである。 モデル１のブロック図である。 モデル１の分極電圧モデルのブロック図である。 モデル２のブロック図である。 モデル２の分極電圧モデルのブロック図である。 モデル３のブロック図である。 モデル３の動的電池モデルの説明図である。 第１実施形態のモデル評価説明図である。 パラメータ最適化説明図である。 第２実施形態の処理フローチャートである。 第２実施形態のモデル評価説明図である。 第３実施形態の処理フローチャートである。
　以下、図面に基づき本発明の実施形態について、ハイブリッド電気自動車を例にとり説明する。なお、本実施形態では電気自動車の１つであるハイブリッド電気自動車を例示するが、駆動源としてモータを備える他の電気自動車にも適用可能である。
＜第１実施形態＞
　図１に、ハイブリッド電気自動車の概略構成を示す。車両ＥＣＵ１０は、インバータ５０、エンジンＥＣＵ４０を制御する。エンジンＥＣＵ４０は、エンジン６０を制御する。電池ＥＣＵ２０は、充電状態推定装置として機能し、二次電池３０から電池電圧Ｖ，充放電電流Ｉ、電池温度Ｔ等の情報を受信して二次電池３０の充電状態（ＳＯＣ）を推定する。また、電池ＥＣＵ２０は、二次電池３０のＳＯＣや電池温度等の電池情報を車両ＥＣＵ１０に送信する。車両ＥＣＵ１０は、各種電池情報に基づいてエンジンＥＣＵ４０やインバータ５０等を制御することで、二次電池３０の充放電を制御する。
　二次電池３０は、モータ５２に電力を供給する。インバータ５０は、二次電池３０の放電時に、二次電池３０から供給される直流電力を交流電力に変換してモータ５２に供給する。
　エンジン６０は、動力分割機構４２、減速機４４及びドライブシャフト４６を介して車輪に動力を伝達する。モータ５２は、減速機４４及びドライシャフト４６を介して車輪に動力を伝達する。二次電池３０に充電が必要な場合、エンジン６０の動力の一部が動力分割機構４２を介して発電機５４に供給され、充電に利用される。
　車両ＥＣＵ１０は、エンジンＥＣＵ４０からのエンジン６０の運転状態の情報やアクセルペダルの操作量、ブレーキペダルの操作量、シフトレバーで設定されるシフトレンジ等の運転情報や電池ＥＣＵ２０からのＳＯＣ等の電池情報に基づいて、エンジンＥＣＵ４０やインバータ５０に制御命令を出力し、エンジン６０やモータ５２を駆動させる。
　図２に、二次電池３０及び電池ＥＣＵ２０の構成を示す。二次電池３０は、例えば電池ブロックＢ１～Ｂ２０を直列に接続して構成される。電池ブロックＢ１～Ｂ２０は、電池ケース３２に収容される。電池ブロックＢ１～Ｂ２０は、それぞれ複数の電池モジュールを電気的に直列接続して構成され、各電池モジュールは、複数の単電池（セル）を電気的に直列接続して構成される。電池ケース３２内には、複数の温度センサ３４が設けられる。
　次に、電池ＥＣＵ２０の構成について説明する。本実施形態において、電池ＥＣＵ２０が二次電池の状態推定装置に対応する。
　電圧測定部２２は、二次電池３０の端子電圧を測定する。電圧測定部２２は、電池ブロックＢ１～Ｂ２０それぞれの端子電圧を測定し、制御部２６に出力する。制御部２６は、電圧計測値を記憶部２８に格納する。制御部２６への電圧データの出力は、予め設定された周期、例えば１００ｍｓｅｃで行われる。制御部２６は、各電池ブロックＢ１～Ｂ２０の端子電圧を合計することで電池電圧Ｖを算出する。
　電流測定部２３は、二次電池３０の充放電時における充放電電流Ｉを測定し、制御部２６に出力する。制御部２６は、電流計測値及び電圧計測値を記憶部２８に格納する。電流測定部２３は、例えば充電時をマイナス、放電時をプラスとして電流計測値を生成する。
　温度測定部２４は、二次電池３０の電池温度を測定し、制御部２６に出力する。制御部２６は、温度データを記憶部２６に格納する。
　制御部２６は、ＤＣＩＲ（内部抵抗）部２６１，分極電圧算出部２６２，起電圧算出部２６３，充電状態推定部２６４及び電圧推定部２６５を備える。制御部２６は、電流計測値、電圧計測値を用いて二次電池３０の充電状態（ＳＯＣ）を推定する。ＳＯＣの推定は、複数の電池挙動モデルを用いて実行する。電池挙動モデルの数は任意であるが、本実施形態ではモデル１、モデル２、モデル３の３つのモデルを用いる場合を例にとり説明する。図２におけるＤＣＩＲ部２６１，分極電圧算出部２６２，起電圧算出部２６３，充電状態推定部２６４及び電圧推定部２６５の各機能ブロックは、これらのモデルで用いられる機能ブロックであるが、モデルによってはこれらの機能ブロックを常に使用する必要がないこともあり得る。すなわち、これらの機能ブロックは、各モデルに必須の構成要件ではない。制御部２６は、具体的にはマイクロプロセッサで構成される。
　図３に、本実施形態における制御部２６の処理フローチャートを示す。制御部２６は、計測データを取得する（Ｓ１０１）。計測データは、具体的には電圧測定部２２で測定した電圧値、温度測定部２４で測定した温度値、電流測定部２３で測定した電流値である。制御部２６は、記憶部２８に記憶されたこれらのデータを読み出して取得する。
　次に、制御部２６は、モデル１、モデル２、モデル３の３つのモデルをそれぞれ用いて二次電池３０の電圧を推定する。すなわち、計測データをモデル１で処理して電圧推定値を演算し、計測データをモデル２で処理して電圧推定値を演算し、計測データをモデル３で処理して電圧推定値を演算する。
　モデル１、モデル２、モデル３をそれぞれ用いて電圧推定値を演算した後、それぞれの推定値の確からしさを評価する（Ｓ１０３）。すなわち、モデル１、モデル２、モデル３それぞれの電圧推定値を実際の電圧計測値と比較し、各モデルの精度を評価する。制御部２６は、各モデルの推定値を評価した結果に基づいて、モデル１、モデル２、モデル３のうち最も精度の良いと思われるモデルを最適モデルとして選択する（Ｓ１０４）。
　制御部２６は、いずれかのモデルを最適モデルに選択した後、選択した最適モデルのパラメータを最適化する（Ｓ１０５）。パラメータは、各モデルにおいて電圧推定値を演算するために用いたパラメータである。パラメータは１個である必要はなく、複数存在していてもよい。パラメータの最適化は、電流計測値、電圧計測値を用いて行われる。制御部２６は、最適モデルのパラメータを最適化した後、この最適モデルで二次電池３０の状態推定処理を実行し出力する（Ｓ１０６）。具体的には、制御部２６は、パラメータを最適化した最適モデルで二次電池３０の充電状態（ＳＯＣ）を推定して出力する。
　以下、本実施形態におけるモデル、モデルの評価、パラメータの最適化について順次説明する。
　図４及び図５に、モデル１の機能ブロック図を示す。図４は、モデル１の全体ブロック図であり、制御部２６の各部により実行される機能ブロックである。図５は、図４における分極電圧モデルの詳細図である。
　図４において、ＤＣＩＲ（内部抵抗）ブロックは、図２におけるＤＣＩＲ部２６１に対応しており、予め電流計測値と電圧計測値の組をプロットし、その一次近似直線の傾きから二次電池３０のＤＣＩＲ（内部抵抗）を算出し、このＤＣＩＲを用いた電圧降下（電圧ドロップ）分を演算する。得られた電圧降下分（ＤＣＩＲドロップ推定値）は、電圧推定部２６５に出力される。
　分極電圧モデルブロックは、図２における分極電圧算出部２６２におけるモデルに対応しており、分極電圧の等価回路モデルに基づいて分極電圧を演算する。分極電圧は、線形分極推定値とヒステリシス推定値からなるとして演算する。これらの分極電圧は電圧推定部２６５に出力される。
　分極電圧モデルの等価回路は、図５に示されるように抵抗ＲとコンデンサＣの並列接続から構成され、分極電圧の時間変化Ｖ（・）は、
Ｖ（・）＝Ｉ／Ｃ－Ｖ／（ＣＲ）
で示される。ここで、（・）は時間微分を表す。また、Ｉは電流計測値である。この式から、線形分極推定値を演算して求める。
　一方、分極電圧モデルブロックには、ＳＯＣ推定値が供給される。ＳＯＣ推定値は、後述するように電流計測値を時間積分して演算される。分極電圧モデルブロック、すなわち分極電圧算出部２６２は、予めメモリに記憶されたＳＯＣと起電圧とのヒステリシス関係に基づいて、ＳＯＣ推定値に応じたヒステリシス目標値を求める。具体的には、ＳＯＣと起電圧との関係は、当初の関係（図中実線の起電圧カーブ）からシフトし、充電側は図中破線の充電カーブに、放電側は図中破線の放電カーブに変化する。そこで、例えば放電時には、ＳＯＣ推定値に対応する起電圧を破線の放電カーブを用いて求める。こうして求めた起電圧をヒステリシス目標値とし、求めたヒステリシス目標値と前回のヒステリシス推定値とを比較し、所定の収束処理、例えば両者の平均を算出する等して最終的なヒステリシス推定値として出力する。このような収束処理は、当初の起電圧カーブから破線で示す充電カーブあるいは放電カーブへは徐々に移行していくことを考慮したものである。以上のようにして演算された線形分極推定値とヒステリシス推定値は、ともに電圧推定部２６５に出力される。
　電流積算ブロックは、図２における充電状態推定部２６４に対応し、電流計測値を時間積算してＳＯＣ推定値を演算する。演算して得られたＳＯＣ推定値は、満充電状態を１００とする百分率（％）で表される。ＳＯＣ推定値は、分極電圧モデルと起電圧マップに出力される。分極電圧モデルに出力されたＳＯＣ推定値は、既述した通りヒステリシス推定値の演算に用いられる。
　起電圧マップは、図２における起電圧算出部２６３に対応しており、予めＳＯＣと起電圧との関係を記憶したマップをメモリに記憶しており、このマップを参照してＳＯＣ推定値に対応する起電圧を求める。求めた起電圧は、電圧推定部２６５に出力される。
　電圧推定部２６５は、ＤＣＩＲドロップ推定値、線形分極推定値、ヒステリシス推定値、起電圧を入力し、これらを用いて二次電池３０の端子電圧を推定して出力する。具体的には、電圧推定部２６５は、ＤＣＩＲドロップ推定値、線形分極推定値、ヒステリシス推定値、起電圧を加算することで端子電圧を推定する。演算された端子電圧は、電圧推定値として出力される。
　図６及び図７に、モデル２の機能ブロック図を示す。図６は、モデル２の全体ブロック図であり、制御部２６の各部により実行される機能ブロックである。図７は、図６における分極電圧モデルの詳細図である。
　図６において、ＤＣＩＲ（内部抵抗）ブロックは、図２におけるＤＣＩＲ部２６１に対応しており、予め電流計測値と電圧計測値の組をプロットし、その一次近似直線の傾きから二次電池３０のＤＣＩＲ（内部抵抗）を算出し、このＤＣＩＲを用いた電圧降下（電圧ドロップ）分を演算する。得られた電圧降下分（ＤＣＩＲドロップ推定値）は、電圧推定部２６５に出力される。
　分極電圧モデルブロックは、図２における分極電圧算出部２６２におけるモデルに対応しており、分極電圧の等価回路モデルに基づいて分極電圧を演算する。分極電圧は、短期の線形分極推定値と長期の線形分極推定値からなるものとし、これらの分極電圧は電圧推定部２６５に出力される。
　分極電圧モデルの等価回路は、図７に示されるように短期用と長期用の抵抗ＲとコンデンサＣの並列接続から構成され、分極電圧の時間変化Ｖ（・）は、
　Ｖ（・）＝Ｉ／Ｃ－Ｖ／（ＣＲ）
で示される。
　従って、短期分極の抵抗をＲｐｓ、短期分極のコンデンサの容量をＣｐｓとすると、
　Ｖ（・）＝Ｉ／Ｃｐｓ－Ｖ／（ＣｐｓＲｐｓ）
であり、長期分極の抵抗をＲｐｌ、長期分極のコンデンサの容量をＣｐｌとすると、
　Ｖ（・）＝Ｉ／Ｃｐｌ－Ｖ／（ＣｐｌＲｐｌ）
である。
　電流積算ブロックは、図２における充電状態推定部２６４に対応しており、電流計測値を時間積算してＳＯＣ推定値を演算する。演算して得られたＳＯＣ推定値は、起電圧マップに出力される。
　起電圧マップは、図２における起電圧算出部２６３に対応し、予めＳＯＣと起電圧との関係を記憶したマップをメモリに記憶しており、このマップを参照してＳＯＣ推定値に対応する起電圧を求める。求めた起電圧は、電圧推定部２６５に出力される。
　電圧推定部２６５は、ＤＣＩＲドロップ推定値、短期の線形分極推定値、長期の線形分極推定値、起電圧を入力し、これらを用いて端子電圧を推定して出力する。具体的には、電圧推定部２６５は、ＤＣＩＲドロップ推定値、短期線形分極推定値、長期線形分極推定値、起電圧を加算することで端子電圧を推定する。演算された端子電圧は、電圧推定値として出力される。
　図８及び図９に、モデル３の機能ブロック図を示す。図８は、モデル３の全体ブロック図であり、制御部２６の各部により実行される機能ブロックである。図９は、図８における動的電池モデルの詳細図である。
　図８において、ＤＣＩＲ（内部抵抗）ブロックは、図２におけるＤＣＩＲ部２６１に対応しており、予め電流計測値と電圧計測値の組をプロットし、その一次近似直線の傾きから二次電池３０のＤＣＩＲ（内部抵抗）を算出し、このＤＣＩＲを用いた電圧降下（電圧ドロップ）分を演算する。得られた電圧降下分（ＤＣＩＲドロップ推定値）は、電圧推定部２６５に出力される。
　分極電圧モデルブロックは、図２における分極電圧算出部２６２におけるモデルに対応しており、分極電圧の等価回路モデルに基づいて分極電圧を演算する。分極電圧は、モデル２と同様に短期の線形分極推定値と長期の線形分極推定値からなるものとし、これらの分極電圧は電圧推定部２６５に出力される。
　動的電池モデルは、図２における充電状態推定部２６４に対応し、電池の所定の動的モデルを用いてＳＯＣを推定する。すなわち、図９に示すように、電荷が拘束電荷ＱＢと利用可能電荷ＱＡからなり、それぞれの容量比を１－Ｃ、Ｃとすると、電圧は、それぞれ
ｈ２＝ＱＢ／（１－Ｃ）
ｈ１＝ＱＡ／Ｃ
であり、
　ｄＱＡ／ｄｔ＝－ｉ＋ｋ（ｈ２－ｈ１）
　ｄＱＢ／ｄｔ＝－ｋ（ｈ２－ｈ１）
が成り立つ。ここで、ｋはパラメータである。満充電容量をＣｂａｔｔとすると、ＳＯＣはＱＡを用いて
　ＳＯＣ＝ＱＡ／Ｃｂａｔｔ×１００
で演算される。演算されたＳＯＣ推定値は、起電圧マップに出力される。
　起電圧マップは、図２における起電圧算出部２６３に対応しており、予めＳＯＣと起電圧との関係を記憶したマップをメモリに記憶しており、このマップを参照してＳＯＣ推定値に対応する起電圧を求める。求めた起電圧は、電圧推定部２６５に出力される。
　電圧推定部２６５は、ＤＣＩＲドロップ推定値、短期の線形分極推定値、長期の線形分極推定値、起電圧を入力し、これらを用いて電圧推定値を出力する。具体的には、電圧推定部２６５は、ＤＣＩＲドロップ推定値、短期線形分極推定値、長期線形分極推定値、起電圧を加算して電圧推定値を出力する。
　以上のようして、制御部２６は、モデル１、モデル２、モデル３をそれぞれ用いて電圧推定値を演算する。そして、これらの電圧推定値の確からしさを評価することで、最も確からしいモデルを選択する。
　図１０に、図３におけるＳ１０３，Ｓ１０４の処理、すなわち、モデル出力の評価処理と最適モデル設定処理を示す。
　モデル出力の評価では、モデル１、モデル２、モデル３それぞれの電圧推定値の所定期間、例えば１０分間における値を実際の電圧計測値と比較し、その相関係数を演算する。図１０には、横軸を１０分間の電圧推定値、縦軸を１０分間の電圧計測値とした場合のプロット図を示す。これら（電圧推定値，電圧計測値）の組をプロットし、相関係数を演算する。
　相関係数の算出方法は周知である。
　最適モデル設定では、モデル１、モデル２、モデル３のそれぞれについて演算された相関係数を互いに比較し、最も相関の高いモデル（変化の傾向が最も類似しているモデル）を最適モデルとして選択する。具体的には、それぞれのモデルの相関係数の絶対値を大小比較し、絶対値が最も大きいモデルを最適モデルとして設定する。例えば、モデル１の電圧推定値と電圧計測値の相関係数の絶対値をＣ１、モデル２の電圧推定値と電圧計測値の相関係数の絶対値をＣ２、モデル３の電圧推定値と電圧計測値の相関係数の絶対値をＣ３とし、Ｃ１＞Ｃ２＞Ｃ３であればモデル１を最適モデルに選択する。Ｃ１＝Ｃ２＞Ｃ３であれば、Ｃ１あるいはＣ２のいずれかを最適モデルに選択する。Ｃ１＝Ｃ２ではなくとも、Ｃ１、Ｃ２がほぼ等しく、Ｃ３がこれらに比べて小さい場合にも、Ｃ１あるいはＣ２のいずれかを最適モデルに選択する。相関係数の絶対値が大きい場合（相関係数の絶対値が１に近い場合）、電圧推定値と電圧計測値との間に良好な相関があり、電圧推定値は電圧計測値を良好に反映していることになる。言い換えれば、そのような電圧推定値を出力するモデルは、二次電池３０の挙動を良く反映していることになる。
　なお、モデル出力の評価は、所定期間毎（本実施形態では１０分毎）に実行されるから、最適モデル設定も同様に所定期間毎に行われる。従って、所定期間毎に最適モデルに設定されるモデルは変化し得る。例えば、ある１０分間のデータではモデル１が最適モデルに設定され、次の１０分間のデータではモデル２が最適モデルに設定され、さらに次の１０分間のデータではモデル３が最適モデルに設定される等である。これにより、状況の変化に対応した最適モデルを適宜設定できる。もちろん、所定期間の１０分間は任意であり、必要に応じてより短く、あるいはより長くすることもできる。最適モデルを設定した後、制御部２６は、次に最適モデルのパラメータを最適化する。
　図１１に、図３におけるＳ１０５の処理、すなわちパラメータの最適化処理を示す。モデル１が最適モデルに設定された場合を例にとり、パラメータ最適化について説明する。　
　モデル１では、既述したように、電圧推定部２６５は、
　電圧推定値＝起電圧＋線形分極電圧推定値＋ヒステリシス推定値＋ＤＣＩＲドロップ推定値
により電圧推定値を演算する。ｋを時系列データの媒介変数として、
　Ｖｂｅｓｔ（ｋ）：電圧推定値
　Ｖｅｍｆ（ｋ）：起電圧
　Ｖｌｐ（ｋ）：線形分極電圧推定値
　Ｖｈｙｓ（ｋ）：ヒステリシス推定値
　ＤＣＩＲ・Ｉ（ｋ）：ＤＣＩＲドロップ推定値
とすると、
　Ｖｂｅｓｔ＝Ｖｅｍｆ（ｋ）＋Ｖｌｐ（ｋ）＋Ｖｈｙｓ（ｋ）＋ＤＣＩＲ・Ｉ（ｋ）
　　　　　　＝Ｖｅｍｆ（ｋ）＋｛Ａ（ｋ）・Ｖｌｐ（ｋ－１）＋Ｂ（ｋ）・Ｉ（ｋ－１）｝
　　　　　　　＋｛Ｆｉ（ｋ）・Ｖｈｙｓ（ｋ－１）＋（１－Ｆｉ（ｋ））・Ｍｈｙｓ（ｋ－１）｝＋ＤＣＩＲ（ｋ）・Ｉ（ｋ）
である。上式で、
　線形分極電圧推定値＝｛Ａ（ｋ）・Ｖｌｐ（ｋ－１）＋Ｂ（ｋ）・Ｉ（ｋ－１）｝
とし、
　ヒステリシス推定値＝｛Ｆｉ（ｋ）・Ｖｈｙｓ（ｋ－１）＋（１－Ｆｉ（ｋ））・Ｍｈｙｓ（ｋ－１）｝
としている。Ａ（ｋ）、Ｂ（ｋ）、Ｆｉ（ｋ）、及びＤＣＩＲ（ｋ）は線形に現れるパラメータであり、最適化の対象となるパラメータである。また、Ｍｈｙｓ（ｋ）はヒステリシス目標値である。パラメータを最適化する前は、これらには予め適当な値が付与される。パラメータの最適化は、逐次最小自乗法（ＲＬＳ：Recursive Least Square）を用いることができる。
　ここで、次のようなベクトルΦ、Θを定義する。
　Φ＝[Ｖｌｐ（ｋ－１）　Ｉ（ｋ－１）　Ｖｈｙｓ（ｋ－１）　Ｍｈｙｓ（ｋ－１）　Ｉ（ｋ）]T
　Θ＝[Ａ（ｋ）　Ｂ（ｋ）　Ｆｉ（ｋ）　１－Ｆｉ（ｋ）　ＤＣＩＲ（ｋ）]T
 逐次最小自乗法では、これらのベクトルを用いてゲインＧを算出する。すなわち、
　ゲインＧ（ｋ）＝｛Ｐ（ｋ－１）Φ（ｋ）｝／｛λ＋ΦT（ｋ）Ｐ（ｋ－１）Φ（ｋ）｝
でゲインを算出する（Ｓ２０１）。ここで、
　Ｐ（ｋ）：誤差共分散行列
である。初期値Θ（０）、Ｐ（０）は予め所定値を付与しておく。
　次に、演算したゲインを用いて、パラメータΘ（ｋ）を更新すると、
　Θ（ｋ）＝Θ（ｋ－１）＋Ｇ（ｋ）[Ｖｍｅａｓ（ｋ）－Ｖｅｍｆ（ｋ）－ΦT（ｋ）Θ（ｋ－１）]
となる（Ｓ２０２）。ここで、
　Ｖｍｅａｓ（ｋ）：電圧計測値
　λ：忘却係数
である。また、誤差共分散行列Ｐ（ｋ）を更新する。すなわち、
　Ｐ（ｋ）＝[Ｐ（ｋ－１）－Ｇ（ｋ）ΦT（ｋ）Ｐ（ｋ－１）]／λ
である（Ｓ２０３）。
　Θ（ｋ）を更新すると、次の演算時にはこのΘ（ｋ）を前回値として用いて演算を繰り返す。また、Θ（ｋ）から電池電圧モデルを用いてＶｌｐ、Ｖｈｙｓ、Ｍｈｙｓを演算し、次の演算時に前回値として用いて演算を繰り返す。以上のようにして誤差が最小化され、パラメータΘ、すなわちＡ（ｋ）、Ｂ（ｋ）、Ｆｉ（ｋ）、ＤＣＩＲ（ｋ）が最適化される。他のモデル２、モデル３についても同様にパラメータを最適化できる。なお、第１実施形態では、各モデル１，２，３が電流測定部２３で測定された電流値を用いて電圧を推定するモデルであるため、検出された電流値及び電圧値を用いてパラメータの最適化を行ったが、モデルによっては、他の物理量（例えば、温度測定部２４で測定された温度等）を用いて最適化を行う場合も本発明には含まれる。つまり、モデルにより推定する物理量（第１実施形態では電圧）と、当該物理量を推定するために入力される物理量（第１実施形態では電流）の計測値により、パラメータを最適化することができる。もちろん、推定される物理量や入力される物理量が複数ある場合は、複数の計測値を用いて最適化することができる。
　制御部２６は、最適モデルのパラメータを最適化した後、パラメータを最適化した最適モデルを用いて二次電池３０のＳＯＣを推定し車両ＥＣＵ１０に出力する。例えば、最適モデルとしてモデル１を設定し、モデル１のパラメータを最適化した後に、カルマンフィルタを用いてモデル１の電圧推定値からＳＯＣ補正量を算出し、このＳＯＣ補正量を用いて電流積算して得られたＳＯＣ推定値を補正し、最終的なＳＯＣ推定値として出力する。
モデル１、モデル２、モデル３の中から、実際に検出した電圧値を用いて実際の挙動を反映したモデルを選択することで、ＳＯＣの推定精度を向上させることができる。さらに、選択したモデルのパラメータの最適化も行っているので、ＳＯＣの推定精度をより向上させることができる。
＜第２実施形態＞
　第１実施形態では、最適モデルを設定し、その後に当該最適モデルのパラメータを最適化しているが、これとは逆に、まず各モデルのパラメータを最適化し、その後に最適化モデルを設定することもできる。
　図１２に、本実施形態における制御部２６の処理フローチャートを示す。図３と異なる点は、各モデルにおいてパラメータを最適化し（Ｓ３０３）、その後に、モデル出力を評価して（Ｓ３０４）、最適モデルを設定する（Ｓ３０５）点である。最適モデルを設定した後は、図３と同様に最適モデルを用いて二次電池３０の状態、具体的にはＳＯＣ推定値を出力する（Ｓ３０６）。
　パラメータの最適化は上記の第１実施形態と同様であり、電流計測値及び電圧計測値を用いて逐次最小自乗法で行われるから、以下では本実施形態における最適モデルの設定処理について説明する。
　図１３に、本実施形態における最適モデルの設定処理を示す。モデル１、モデル２、モデル３の各モデルにおいて、その内部状態を電流計測値及び電圧計測値を用いて最適化する。最適化に伴い、パラメータの補正量が算出される。例えば、上記のモデル１のパラメータ最適化を例にとると、パラメータΘ（ｋ）は、
　Θ（ｋ）＝Θ（ｋ－１）＋Ｇ（ｋ）[Ｖｍｅａｓ（ｋ）－Ｖｅｍｆ（ｋ）－ΦT（ｋ）Θ（ｋ－１）]
により更新されるが、この式の右辺第２項がパラメータ補正量に相当する。すなわち、
　パラメータ補正量＝Ｇ（ｋ）[Ｖｍｅａｓ（ｋ）－Ｖｅｍｆ（ｋ）－ΦT（ｋ）Θ（ｋ－１）]
である。
　制御部２６は、それぞれのモデルにおいて所定期間、例えば１０分間におけるパラメータ補正量を順次演算し、その時間変動を検出する。パラメータ補正量の時間的変動量が大きい場合には、その分だけ実際の電池挙動とモデルが乖離し（傾向が類似していない）、補正が必要になることを意味するからモデルとして不適当であり実際の電池挙動を反映していないことを意味する。一方、パラメータ補正量の時間的変動量が小さい場合には、モデルとして適当であり実際の電池挙動を反映している（傾向が類似している）ことになる。そこで、制御部２６は、パラメータ補正量の時間的変動が最も小さいモデルを最適モデルとして設定する。例えば、モデル３のパラメータ補正量の１０分間の変動が最も小さく安定している場合には、モデル３を最適モデルに設定する。このように、パラメータ補正量を用いることにより、実際の電池挙動を反映した最適モデルを選択することができる。
　最適モデルを設定した後、既に当該モデルのパラメータは最適化されているので、最適モデルのＳＯＣ推定値を二次電池３０の状態として出力する。具体的には、第１実施形態と同様に、カルマンフィルタを用いて最適モデルの電圧推定値からＳＯＣ補正量を算出し、このＳＯＣ補正量を用いて電流積算して得られたＳＯＣ推定値を補正し、最終的なＳＯＣ推定値として出力する。実際の電池挙動を反映した最適モデルの電圧推定値からＳＯＣ推定値を得るため、ＳＯＣの推定精度を上げることができる。
　本実施形態においても、モデル出力の評価は所定期間毎に行われるため、所定期間毎に最適モデルは変化し得る。すなわち、ある１０分間のデータではモデル２が最適モデルに設定され、次の１０分間のデータでも引き続きモデル２が最適モデルに設定され、さらに次の１０分間のデータではモデル１が最適モデルに設定される等である。これにより、状況に応じて最適モデルを設定することができる。
＜第３実施形態＞
　第１実施形態では複数のモデルから最適モデルを設定した後に当該モデルのパラメータを最適化し、第２実施形態では複数のモデルのパラメータを最適化した後に最適モデルを設定しているが、両者はそれぞれに一長一短がある。すなわち、第１実施形態の方法では精度は相対的に低いものの処理を高速化できる利点がある。また、第２実施形態の方法では処理時間を要するものの精度が相対的に高い利点がある。パラメータの最適化処理は処理量が比較的多く、全てのモデルに対してこれを行う場合には結果として時間を要することになるからである。従って、制御部２６のプロセッサの処理能力に応じ、プロセッサの処理能力が相対的に高い場合には第２実施形態の方法を用い、プロセッサの処理能力が相対的に低い場合には第１実施形態の方法を用いる等が好適であろう。
　また、これら第１実施形態と第２実施形態の方法を組み合わせ、状況に応じてこれらを適宜切り替えて使用することも可能である。
　図１４に、本実施形態における制御部２６の処理フローチャートを示す。まず、計測データを取得すると（Ｓ４０１）、長期間の処理タイミングであるか、あるいは二次電池３０が過充電／過放電領域であるかを判定する（Ｓ４０２）。長期間の処理タイミングとは、処理負荷が相対的に高い第２実施形態の方法を行うタイミングを意味し、例えば１時間毎のタイミングを意味する。短時間の処理タイミングとは、処理負荷が相対的に低い第１実施形態の方法を行うタイミングを意味し、例えば１０分間毎のタイミングを意味する。現在の制御タイミングが短時間の処理タイミングである場合には、Ｓ４０３～Ｓ４０７の処理、すなわち第１実施形態の方法を実行する。一方、現在の制御タイミングが長時間の処理タイミングである場合には、Ｓ４０８～Ｓ４１１の処理、すなわち第２実施形態の方法を実行する。
　また、二次電池３０が過充電／過放電領域にない場合には、相対的に精度の低い方法でも十分であるとみなしてＳ４０３～Ｓ４０７の処理、すなわち第１実施形態の方法を実行する。一方、二次電池３０が過充電／過放電領域である場合には、相対的に精度の高い方法が要求されるとしてＳ４０８～Ｓ４１１の処理、すなわち第２実施形態の方法を実行する。なお、二次電池３０が過充電／過放電領域か否かは、前回のＳＯＣ推定値に基づいて判定することができ、ＳＯＣ推定値が所定の下限値近傍過放電領域、所定の上限値近傍であれば過充電領域と判定することができる。二次電池３０の状態が安定的な場合には第１実施形態の方法を実行し、二次電池３０の状態が不安定な場合には第２実施形態の方法を実行すると言うこともできる。
　このように第１実施形態の方法と第２実施形態の方法を切り替えて二次電池３０の状態を推定する場合、あるタイミングで第１実施形態の方法で状態を推定し、別のタイミングで第１実施形態の方法から第２実施形態の方法に切り替えて状態を推定し、さらに別のタイミングでは第２実施形態の方法から第１実施形態の方法に切り替えて状態を推定する場合もあり得る。この場合、第２実施形態の方法で各モデルのパラメータを最適化するから、次の第１実施形態の方法では、各モデルのパラメータとして第２実施形態の方法で最適化したパラメータをそのまま援用することができる。これにより、第１実施形態の方法で最適化モデルを設定した後にパラメータを最適化する処理を省略することができる。各モデルのパラメータは既に最適化されているからである。
　以上、本発明の実施形態について説明したが、本発明はこれらに限定されるものではなく、種々の変形が可能である。
　例えば、各実施形態ではモデル１、モデル２、モデル３として図４～図９に示すモデルを用いているが、これ以外の公知のモデルを用いることができ、例えば、ニューラルネットワークモデルや、電気化学モデル等を用いてもよい。本発明の特徴は、複数のモデルを用いて二次電池３０の状態を推定する際に、いずれのモデルが最も確からしいかを評価して最適モデルを設定し、該最適モデルを用いて二次電池３０の状態を推定する点にあり、この技術思想の範囲内において任意のモデルを適用できる。さらに、最適モデルの選択も上記の実施形態の方法に限られるわけではない。例えば、ベイズ推定等の統計処理を用いてもよい。
　また、本発明は、複数のモデルを前提としているが、最も基本的な構成は、モデル１とモデル２の２つのモデルを用い、いずれか確からしいモデルであるかを判別して用いる構成であるが、このような構成も当然に本発明に含まれる。また、本発明は、二次電池の種類（例えば、ニッケル水素電池、リチウムイオン電池等）や形状（例えば、円筒、角型、ボタン型、ラミネート型等）に限定されるものではない。

Claims (11)

  1. 　二次電池の状態推定装置であって、
    　前記二次電池の電圧を検出する電圧検出手段と、
    　複数のモデルを用いて前記二次電池の状態を推定する演算手段であって、複数のモデルでそれぞれ得られた電圧推定値と前記電圧検出手段で得られた電圧値の所定期間の変化傾向を比較し、前記複数のモデルのうち、前記傾向が最も類似しているモデルを最適モデルとして選択し、選択した最適モデルを用いて前記二次電池の状態を推定する演算手段と、
    　を備えることを特徴とする二次電池の状態推定装置。
  2. 　請求項１記載の二次電池の状態推定装置において、
    　前記演算手段は、前記複数のモデルでそれぞれ得られた電圧推定値を前記電圧検出手段で得られた電圧値と比較し、前記電圧推定値と前記電圧値の相関が最も高いモデルを最適モデルとして選択する
    　ことを特徴とする二次電池の状態推定装置。
  3. 　請求項２記載の二次電池の状態推定装置において、
    　前記演算手段は、最適モデルで用いられるパラメータを、前記電圧検出手段で検出された電圧値を用いて最適化して前記二次電池の状態を推定する
    　ことを特徴とする二次電池の状態推定装置。
  4. 　請求項２，３のいずれかに記載の二次電池の状態推定装置において、
    　前記演算手段は、所定期間毎に前記複数のモデルでそれぞれ得られた電圧推定値を前記電圧検出手段で得られた電圧値と比較し、前記電圧推定値と前記電圧値の相関が最も高いモデルを最適モデルとして選択する
    　ことを特徴とする二次電池の状態推定装置。
  5. 　請求項１記載の二次電池の状態推定装置において、
    　前記演算手段は、前記複数のモデルのそれぞれで用いられるパラメータを、前記電圧検出手段で検出された電圧値を用いて最適化し、パラメータが最適化された複数のモデルでそれぞれ得られたパラメータ補正量の変化量が最も小さいモデルを最適モデルとして選択する
    　ことを特徴とする二次電池の状態推定装置。
  6. 　請求項５記載の二次電池の状態推定装置において、
    　前記演算手段は、所定期間毎に前記複数のモデルのそれぞれで用いられるパラメータを最適化し、パラメータが最適化された複数のモデルでそれぞれ得られたパラメータ補正量の変化量が最も小さいモデルを最適モデルとして選択する
    　ことを特徴とする二次電池の状態推定装置。
  7. 　請求項１記載の二次電池の状態推定装置において、
    　前記演算手段は、前記複数のモデルでそれぞれ得られた電圧推定値を前記電圧検出手段で得られた電圧値と比較し、前記電圧推定値と前記電圧値の相関が最も高いモデルを最適モデルとして選択し、最適モデルで用いられるパラメータを前記電圧検出手段で検出された電圧値を用いて最適化して前記二次電池の状態を推定する第１の処理と、前記複数のモデルのそれぞれで用いられるパラメータを前記電圧検出手段で検出された電圧値を用いて最適化し、パラメータが最適化された複数のモデルでそれぞれ得られたパラメータ補正量の変化量が最も小さいモデルを最適モデルとして選択して前記二次電池の状態を推定する第２の処理を切り替えることで前記二次電池の状態を推定する
    　ことを特徴とする二次電池の状態推定装置。
  8. 　請求項７記載の二次電池の状態推定装置において、
    　前記演算手段は、第１の期間毎に前記第１の処理で前記二次電池の状態を推定し、前記第１の期間よりも相対的に長い第２の期間毎に前記第２の処理で前記二次電池の状態を推定する
    　ことを特徴とする二次電池の状態推定装置。
  9. 　請求項７記載の二次電池の状態推定装置において、
    　前記演算手段は、前記二次電池が過充電領域あるいは過放電領域にある場合に前記第２の処理で前記二次電池の状態を推定し、前記二次電池が過充電領域あるいは過放電領域のいずれでもない場合に前記第１の処理で前記二次電池の状態を推定する
    　ことを特徴とする二次電池の状態推定装置。
  10. 　請求項３，５，７のいずれかに記載の二次電池の状態推定装置において、
    　前記パラメータが、前記電圧検出手段で検出された電圧値、電流検出手段で検出された電流値、温度検出手段で検出された温度のいずれか２つ以上より最適化されることを特徴とする二次電池の状態推定装置。
  11. 　二次電池の状態推定方法であって、
    　前記二次電池の電圧を検出する電圧検出工程と、
    　複数のモデルを用いて前記二次電池の状態を推定する演算工程であって、複数のモデルでそれぞれ得られた電圧推定値と前記電圧検出工程で得られた電圧値の所定期間の変化傾向を比較し、前記複数のモデルのうち、前記傾向が最も類似しているモデルを最適モデルとして選択し、選択した最適モデルを用いて前記二次電池の状態を推定する演算工程と、
    　を備えることを特徴とする二次電池の状態推定方法。
PCT/JP2012/073784 2012-03-13 2012-09-18 二次電池の状態推定装置及び方法 WO2013136559A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/375,734 US10120032B2 (en) 2012-03-13 2012-09-18 Device and method for estimating secondary cell status

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2012055860A JP5798067B2 (ja) 2012-03-13 2012-03-13 二次電池の状態推定装置
JP2012-055860 2012-03-13

Publications (1)

Publication Number Publication Date
WO2013136559A1 true WO2013136559A1 (ja) 2013-09-19

Family

ID=49160515

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2012/073784 WO2013136559A1 (ja) 2012-03-13 2012-09-18 二次電池の状態推定装置及び方法

Country Status (3)

Country Link
US (1) US10120032B2 (ja)
JP (1) JP5798067B2 (ja)
WO (1) WO2013136559A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018072090A (ja) * 2016-10-26 2018-05-10 矢崎総業株式会社 蓄電池状態推定装置
JP2021532336A (ja) * 2019-06-24 2021-11-25 寧徳時代新能源科技股▲分▼有限公司Contemporary Amperex Technology Co., Limited 電池の荷電状態の修正方法、装置、システム及び記憶媒体

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9244129B2 (en) * 2013-01-29 2016-01-26 Mitsubishi Electronic Research Laboratories, Inc. Method for estimating a state of charge of batteries
FR3010532B1 (fr) * 2013-09-11 2017-06-09 Commissariat Energie Atomique Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie
US20150081237A1 (en) * 2013-09-19 2015-03-19 Seeo, Inc Data driven/physical hybrid model for soc determination in lithium batteries
JP6299187B2 (ja) * 2013-11-29 2018-03-28 富士通株式会社 推定プログラム、推定方法および推定装置
JP6421411B2 (ja) * 2013-11-29 2018-11-14 富士通株式会社 電池の充電率を推定する推定プログラム、電池の充電率を推定する推定方法、および、電池の充電率を推定する推定装置
JP2015155859A (ja) * 2014-02-21 2015-08-27 ソニー株式会社 電池残量推定装置、電池パック、蓄電装置、電動車両および電池残量推定方法
JP6129411B2 (ja) * 2014-04-23 2017-05-17 三菱電機株式会社 電池残量推定装置および電池残量推定方法
JP6455914B2 (ja) * 2014-05-27 2019-01-23 学校法人立命館 蓄電残量推定装置、蓄電池の蓄電残量を推定する方法、及びコンピュータプログラム
JP6383704B2 (ja) * 2015-07-02 2018-08-29 日立オートモティブシステムズ株式会社 電池制御装置
US10224579B2 (en) 2015-12-31 2019-03-05 Robert Bosch Gmbh Evaluating capacity fade in dual insertion batteries using potential and temperature measurements
US10263447B2 (en) * 2016-01-29 2019-04-16 Robert Bosch Gmbh Secondary battery management system
US10686321B2 (en) 2016-01-29 2020-06-16 Robert Bosch Gmbh Secondary battery management
US9960625B2 (en) * 2016-03-31 2018-05-01 Robert Bosch Gmbh Battery management system with multiple observers
US9707855B1 (en) 2016-04-15 2017-07-18 Ford Global Technologies, Llc Battery overcurrent diagnostic system
US10106049B2 (en) 2016-05-18 2018-10-23 Nxp Usa, Inc. Battery monitoring device
US10447054B2 (en) * 2016-05-20 2019-10-15 Robert Bosch Gmbh Staircase charging
DE102016216951A1 (de) * 2016-09-07 2018-03-08 Robert Bosch Gmbh Modellberechnungseinheit und Steuergerät zur wahlweisen Berechnung eines RBF-Modells, eines Gauß-Prozess-Modells und eines MLP-Modells
FR3061307B1 (fr) 2016-12-22 2021-05-07 Electricite De France Caracterisation perfectionnee d'un dispositif electrochimique en operation pour un pronostic de fonctionnement futur du dispositif
US11214150B2 (en) 2017-01-09 2022-01-04 Volvo Truck Corporation Method and arrangement for determining the state of charge of a battery pack
WO2018159843A1 (ja) * 2017-03-03 2018-09-07 カルソニックカンセイ株式会社 充電率推定装置及び充電率推定方法
KR102417897B1 (ko) * 2017-09-07 2022-07-07 현대자동차주식회사 친환경 차량 충전 제어 장치, 그를 포함한 시스템 및 그 방법
KR102203245B1 (ko) 2017-11-01 2021-01-13 주식회사 엘지화학 배터리 soc 추정 장치 및 방법
JP7048519B2 (ja) * 2019-01-25 2022-04-05 本田技研工業株式会社 二次電池状態検知システム、二次電池状態検知装置および二次電池状態検知方法
KR20210049338A (ko) * 2019-10-25 2021-05-06 주식회사 엘지화학 배터리의 soc를 추정하기 위한 장치, 그것을 포함하는 전기 차량 및 그 방법
KR20210121610A (ko) * 2020-03-30 2021-10-08 현대자동차주식회사 차량 및 차량의 제어방법
CN111478398B (zh) * 2020-04-30 2021-11-09 内蒙古稀奥科镍氢动力电池有限公司 镍氢电池的直流屏充电管理系统及充电截止方法
CN115968447A (zh) 2020-05-07 2023-04-14 齐塔拉科技公司 电池分析系统和方法
JP7314880B2 (ja) * 2020-08-21 2023-07-26 トヨタ自動車株式会社 バッテリ診断装置、方法、プログラム、及び車両
JP7387660B2 (ja) 2021-02-10 2023-11-28 株式会社東芝 電池の診断方法、電池の診断装置、電池の診断システム、電池搭載機器及び電池の診断プログラム
DE102021201857A1 (de) 2021-02-26 2022-09-01 Siemens Mobility GmbH Schätzeinrichtungen und Verfahren zum Schätzen des Betriebszustands einer Batterie
JP7423566B2 (ja) * 2021-03-02 2024-01-29 株式会社東芝 二次電池の管理方法、二次電池の管理装置、二次電池の管理システム、電池搭載機器及び二次電池の管理プログラム
FR3126812B1 (fr) * 2021-09-03 2023-09-22 Safran Electrical & Power Procédé de surveillance d’un niveau de charge d’une batterie, et système de stockage associé
US11774504B2 (en) * 2021-10-04 2023-10-03 Zitara Technologies, Inc. System and method for battery management
EP4339632A1 (en) * 2022-09-19 2024-03-20 Tiamat Method for determining a state of charge (soc) of a battery

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000504477A (ja) * 1996-11-21 2000-04-11 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ バッテリー管理システム及びバッテリー・シミュレータ
WO2011039912A1 (ja) * 2009-09-30 2011-04-07 新神戸電機株式会社 蓄電池装置並びに蓄電池の電池状態評価装置及び方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100395516B1 (ko) * 1998-11-19 2003-12-18 금호석유화학 주식회사 비선형등가회로모형을이용한축전장치의특성인자수치화방법및장치
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
US6778913B2 (en) * 2002-04-29 2004-08-17 Cadex Electronics Inc. Multiple model systems and methods for testing electrochemical systems
JP4165268B2 (ja) 2003-03-24 2008-10-15 松下電器産業株式会社 蓄電池の充電状態検知方法
KR100804698B1 (ko) 2006-06-26 2008-02-18 삼성에스디아이 주식회사 배터리 ｓｏｃ 추정 방법 및 이를 이용하는 배터리 관리시스템 및 구동 방법
JP4802945B2 (ja) * 2006-08-31 2011-10-26 トヨタ自動車株式会社 二次電池の制御システムおよびそれを搭載したハイブリッド車両
JP4925060B2 (ja) * 2007-10-19 2012-04-25 本田技研工業株式会社 電池状態推定装置
FR2929410B1 (fr) 2008-03-28 2010-04-09 Inst Francais Du Petrole Methode pour estimer les caracteristiques non mesurables d'un systeme electrochimique
JP5842421B2 (ja) * 2010-07-20 2016-01-13 日産自動車株式会社 電池状態推定装置
JP5589988B2 (ja) * 2011-07-28 2014-09-17 横河電機株式会社 電池インピーダンス測定装置
JP5842054B2 (ja) * 2012-03-02 2016-01-13 株式会社日立製作所 蓄電池分析システム、蓄電池分析方法、および蓄電池分析プログラム
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000504477A (ja) * 1996-11-21 2000-04-11 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ バッテリー管理システム及びバッテリー・シミュレータ
WO2011039912A1 (ja) * 2009-09-30 2011-04-07 新神戸電機株式会社 蓄電池装置並びに蓄電池の電池状態評価装置及び方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018072090A (ja) * 2016-10-26 2018-05-10 矢崎総業株式会社 蓄電池状態推定装置
JP2021532336A (ja) * 2019-06-24 2021-11-25 寧徳時代新能源科技股▲分▼有限公司Contemporary Amperex Technology Co., Limited 電池の荷電状態の修正方法、装置、システム及び記憶媒体
US11231467B2 (en) 2019-06-24 2022-01-25 Contemporary Amperex Technology Co., Limited Method, device, and system, for state of charge (SOC) correction for a battery
JP7047131B2 (ja) 2019-06-24 2022-04-04 寧徳時代新能源科技股▲分▼有限公司 電池の荷電状態の修正方法、装置、システム及び記憶媒体

Also Published As

Publication number Publication date
US10120032B2 (en) 2018-11-06
US20150046108A1 (en) 2015-02-12
JP5798067B2 (ja) 2015-10-21
JP2013190274A (ja) 2013-09-26

Similar Documents

Publication Publication Date Title
JP5798067B2 (ja) 二次電池の状態推定装置
Hannan et al. A review of lithium-ion battery state of charge estimation and management system in electric vehicle applications: Challenges and recommendations
Hussein Capacity fade estimation in electric vehicle li-ion batteries using artificial neural networks
Li et al. A multi-model probability SOC fusion estimation approach using an improved adaptive unscented Kalman filter technique
CN107690585B (zh) 用于确定锂硫电池组的健康状况和充电状态的方法和装置
JP5595361B2 (ja) 二次電池の充電状態推定装置
Wang et al. Online dynamic equalization adjustment of high-power lithium-ion battery packs based on the state of balance estimation
Huang et al. A model-based state-of-charge estimation method for series-connected lithium-ion battery pack considering fast-varying cell temperature
JP5261828B2 (ja) 電池状態推定装置
US10359474B2 (en) Charge state calculation device and charge state calculation method
US11163010B2 (en) Secondary battery deterioration estimation device and secondary battery deterioration estimation method
Farag Lithium-ion batteries: Modelling and state of charge estimation
KR20110084633A (ko) 배터리의 수명 예측 장치 및 방법
CN103020445A (zh) 一种电动车车载磷酸铁锂电池的soc与soh预测方法
US11143710B2 (en) Device for estimating degradation of secondary cell, and method for estimating degradation of secondary cell
JPWO2011135609A1 (ja) 蓄電素子の劣化推定装置および劣化推定方法
JP6958965B2 (ja) バッテリーｓｏｃ推定装置及び方法
KR102572652B1 (ko) 배터리의 충전상태를 추정하는 방법
Hussein Kalman filters versus neural networks in battery state-of-charge estimation: A comparative study
CN109633456B (zh) 一种基于分段电压识别法的动力锂电池组soc估算方法
JP2014207054A (ja) 電池システム
CN113785209B (zh) 用于检测异常电池单体的方法
CN109444750A (zh) 一种铅酸蓄电池容量预估方法
JP2014176196A (ja) 電池制御装置及び電池制御方法
JP5904916B2 (ja) バッテリの健全度算出装置および健全度算出方法

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: 12870969

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 14375734

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12870969

Country of ref document: EP

Kind code of ref document: A1