JP2007518973A - 神経網を用いたバッテリ残存量推定装置及び方法 - Google Patents

Abstract

【課題】神経網を用いて非線形的特性を有するバッテリの残存量を推定する装置及び方法を提供するためのものである。
【解決手段】本発明に係るバッテリ残存量推定装置は、バッテリセルから電流、電圧及び温度を検出するセンシング部と、前記センシング部から入力される電流、電圧及び温度データと、現在の時間データとに基づいて、神経網アルゴリズム及び学習アルゴリズムを遂行し、学習された最終アルゴリズムを用いて推定されたバッテリ残存量を出力する神経網と、前記神経網から供給される出力値と所定の目標値とを比較して、その差が所定範囲内に属しない場合、前記神経網が前記学習アルゴリズムを繰返し遂行することにより、前記学習アルゴリズムを更新して学習された最終アルゴリズムを生成できるようにする比較器を含む。本発明によると、神経網アルゴリズムを通じてバッテリの残存量をより正確に推定することができる。

Description

本発明は、バッテリ残存量推定装置及び方法に関し、より詳しくは、神経網（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を用いて非線形的特性を有するバッテリの残存量を推定する装置及び方法に関する。

通常的に、バッテリの残存量（ＳＯＣ；ｓｔａｔｅ ｏｆ ｃｈａｒｇｅ）は非線形的特性を有するので、実際に正確な検出が困難である。従って、バッテリの残存量（ＳＯＣ）の値は検出ではなく推定することとなる。特に、Ｃ−ｒａｔｅが高いハイブリッド電気自動車（ｈｙｂｒｉｄ ｅｌｅｃｔｒｉｃａｌ ｖｅｈｉｃｌｅ；ＨＥＶ）、電気自動車（ｅｌｅｃｔｒｉｃａｌ ｖｅｈｉｃｌｅ；ＥＶ）等に使われるバッテリのＳＯＣの場合、非線形度合いが非常に高いので、正確な検出が非常に困難である。

一般に、バッテリＳＯＣ推定方法としては、主にＡｈ−カウンティング（ampere hourｃｏｕｎｔｉｎｇ）、ＯＣＶ（ｏｐｅｎ ｃｉｒｃｕｉｔ ｖｏｌｔａｇｅ：開放回路電圧）測定方式、バッテリのインピーダンス測定方式などが用いられる。

まず、バッテリ容量カウンティング方式（Ａｈ−ｃｏｕｎｔｉｎｇ）は、バッテリの実際の容量を検出してＳＯＣを推定する方式である。この場合、バッテリのＳＯＣ値の推定は、実際の容量を検出するセンサーの状態に依存すると思われる。従って、バッテリのＳＯＣ値の推定は、センサーのエラー及び正確度に大きく影響を受けるであろう。

また、ＯＣＶ測定方式は、バッテリの開放電圧に依拠してバッテリのＳＯＣ値を推定するものである。この場合、しかしながら、バッテリのＳＯＣ値はバッテリの休止期状態においてのみが推定することが可能である。さらに、このＯＣＶ測定方式は、外温等の外部要因に多くの影響を受ける。

また、バッテリのインピーダンス測定方式は、バッテリのインピーダンス測定値からバッテリのＳＯＣ値を推定する方式である。しかしながら、バッテリのインピーダンス測定方式は、外温により実質的に影響を受けて、バッテリのＳＯＣ値の推定値の確実性が劣ることがある。

従って、外温に関係なく、比較的推定誤差が小さい、バッテリのＳＯＣ値を確実に推定するための方式の提案が必要とされている。

本発明は、関連技術の一又は複数の前述の点及び問題点を実質的に解決するために、バッテリのＳＯＣ値を推定する装置及び方法に向けられたものである。本発明の目的は、神経網（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を用いてバッテリのＳＯＣ値を確実に推定するための装置及び方法を提供することである。

また、本発明の別の目的は、温度及びＣ−ｒａｔｅｓなどの様々な環境下で、最小限のデータを用いてバッテリのＳＯＣ値を動的に（ｄｙｎａｍｉｃａｌｌｙ）推定することができる装置及び方法を提供するものである。

態様及び本明細書の広汎な記載により、本発明の目的に従って本発明の目的及び利点を達成することが可能であり、バッテリの残存量（ＳＯＣ）を推定する装置が提案される。この装置は、バッテリセルから電流、電圧及び温度を検出するセンシング部と、前記センシング部から入力される電流、電圧及び温度データと、現在の時間データとに基づいて、神経網アルゴリズム及び学習アルゴリズムを遂行し、学習された最終のアルゴリズムを用いて推定されたバッテリ残存量を出力する神経網と、前記神経網から供給される出力値と所定の目標値とを比較して、その差が所定の範囲内に属しない場合、前記神経網が前記学習アルゴリズムを繰返し遂行することにより、前記学習アルゴリズムを更新して学習された最終アルゴリズムを生成できるようにする比較器とを備えてなるものである。

本発明の好ましい態様によれば、目標値は理想的には、実際の“真正の”バッテリのＳＯＣとなる。しかしながら、目標値を明確に計算することは容易ではなく、そのため、特定の条件で適切な実験を通じて得られた基準値がこの目標値として使用される。例えば、前記目標値は、バッテリの定格容量から充放電器のアンペア−アワーデータ値、又はバッテリのＯＣＶ（Ｏｐｅｎ Ｃｉｒｃｕｉｔ Ｖｏｌｔａｇｅ）値を減算した値が、それぞれの値として又は数学的相互補完した値として得ることができる。

本発明は、神経網アルゴリズムに関して、動的多次元ウェーブリット神経網アルゴリズムの形態を開示するものであるが、動的または静的ウェーブリット神経網としての使用も可能である。また、本発明は、逆伝播学習アルゴリズムに関して開示するものであるが、カルマンフィルター手法、ＧＡ（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ）、又はファジー学習アルゴリズムとしての使用も可能である。

本発明の第２の態様により、本発明の前記目的を達成することができ、神経網を用いたバッテリのＳＯＣ推定方法が提案される。この方法は、（ａ）バッテリセルから入力される電流、電圧及び温度データと、時間データとに基づいて、学習を遂行するステップと、（ｂ）前記学習により導出される最終のＳＯＣ推定アルゴリズムを用いて推定されたバッテリのＳＯＣを出力するステップとを含んでなるものである。

前記した本発明の態様に従って、前記（ａ）ステップは、バッテリセルから電流、電圧及び温度を検出するステップと、前記検出された電流、 電圧及び温度データと、時間データとを学習データにして神経網アルゴリズムを遂行するステップと、前記神経網アルゴリズムを通じて出力された値と所定の目標値との差が所定の範囲内に属するかどうかを確認するステップと、所定の範囲内に属しない場合、 前記学習アルゴリズムを繰返し遂行することにより、前記学習アルゴリズムを更新して学習された最終アルゴリズムを生成するステップとからなる。

前記した本発明の好ましい態様に従って、前記（ｂ）ステップはバッテリセルから電流、電圧、温度データを検出するステップと、前記検出された電流、電圧及び温度データと、時間データとに基づいて、前記（ａ）ステップから導出される最終のバッテリ残存量推定アルゴリズムを用いてバッテリのＳＯＣを推定して出力するステップとを含んでなる。

本発明の追加の利点、目的及び特徴は、下記する本明細書の記載の一部に開示されており、又、そのような開示の一部分は、当業者にとり下記する本発明の実証により明確になるであろうし、若しくは本発明の実践により容易に理解されるものであろう。本発明の目的及び別の利点は、本明細書の記載、特許請求の範囲及び添付図面において特に指摘した構造により明らかに理解され、達成されるであろう。

本発明における言及は、本発明の好ましい態様に対してより詳しいものとなるであろうし、本発明の言及における実施例は添付図面によって例証されるであろう。可能な限り、同一の符号は図面間において同一又は同様の部分であることを示すために使用されるものである。

後記において、本発明の好ましい態様は、添付図面における符号により詳細に説明されるであろう。

図１は、本発明の好ましい態様によるバッテリのＳＯＣ推定するための装置１００を概略的に示すブロック図である。

図１を参照すると、神経網を用いたバッテリのＳＯＣ推定装置１００は、バッテリセル１０から電流（ｉ）、電圧（ｖ）及び温度（Ｔ）を各々検出する電流検出部１２、電圧検出部１４及び温度検出部１６と、前記各検出部から入力される電流（ｉ）、電圧（ｖ）及び温度（Ｔ）と時間（ｋ）とを学習データにして、神経網アルゴリズム及び学習アルゴリズムを遂行し、学習が終了すると学習された最終のアルゴリズム方式を用いて推定されたＳＯＣを出力する神経網２０と、前記バッテリセルに充/放電電流を供給する充放電器３０と、前記神経網２０から出力されるバッテリ残存推定量（ｇ_Ｏ）と目標値（ｔａｒｇｅｔ ｖａｌｕｅ；ｇ_Ｔ）とを比較して、その差が所定の範囲内に存在するかどうか判断し、その差が所定の範囲内に存在しない場合、 前記神経網が前記学習アルゴリズムを繰返し遂行することにより、前記学習アルゴリズムを更新して学習された最終アルゴリズムを生成できるようにする比較器４０を備えてなる。

好ましくは、目標ＳＯＣ（ｇ_Ｔ）は、特別の条件下で実験が行われることを通じて得られる。例えば、前記目標ＳＯＣ（ｇ_Ｔ）は、バッテリの定格容量（ｇ_Ｎ）から前記充放電器３０から入力されるＡｈ（ａｍｐｅｒｅ ｈｏｕｒ）データ（ｇ_ｒ）を引いた値、即ち、ｇ_Ｔ=ｇ_Ｎ-ｇ_ｒによって得られる。これは、理想的な目標値ＳＯＣがバッテリの定格容量からバッテリ自体で既に使われた容量に対応するＡｈデータを減算することによって得ることができることに起因するものである。或いは、目標ＳＯＣは、バッテリのＯＣＶ（開放回路電圧）に基づいて得られる。Ａｈ−カウンティング（ampere hourｃｏｕｎｔｉｎｇ）方式及びＯＣＶ（ｏｐｅｎ ｃｉｒｃｕｉｔ ｖｏｌｔａｇｅ：開放回路電圧）測定方式により数学的相互補完したものが好ましい。

図２は、本発明に適用される神経網の構造を示す図面である。

本発明の好ましい態様によれば、神経網は、動的多次元ウェーブリット神経網が包含される。

図２を参照すると、前記動的多次元ウェーブリット神経網は、入力層（ｉｎｐｕｔ ｆｉｅｌｄ）、隠匿層（ｈｉｄｄｅｎ ｌａｙｅｒ）及び出力層（ｏｕｔｐｕｔ ｌａｙｅｒ）で構成される。

前記動的多次元ウェーブリット神経網に係るバッテリ残存量推定アルゴリズムを適用するために、任意の関数

はウェーブリット理論により次の数学式のように解決できる。

ここで、ａ_ｎは前記の任意の関数ｆ（ｘ）を分解するための基底関数ψ（●）の係数で、２^ｍｎは各々ψ（●）の伸縮と移動変数となる。

また、前記関数ｆ（ｘ）を近似化できるｇ（ｘ）を次の数学式のような形態で表現することができる。

ここに、前記数学式２を図２に示している動的多次元ウェーブリット神経網に適用すれば、次の通りである。

図２において、ｘ_ｄ（ｋ）は、前記動的多次元ウェーブリット神経網に入力される入力データベクトルである。本発明によれば、予め定められた時間（ｋ）の間、多次元ウェーブリット神経網に入力される、電流、電圧、及び温度を含んでなる入力データを包含するベクタルである。即ち、ｘ_ｄ（ｋ） = （ｉ、ｖ、Ｔ、ｋ）となる。また、ｇ_０（ｘ_ｄ（ｋ））は前記入力データに基づいて前記動的多次元ウェーブリット神経網を通じて推定された出力値である。前記出力値 ｇ_０（ｘ_ｄ（ｋ））は下記式の通りである。

ここで、

は、連結強度（ｗｅｉｇｈｔ）を表す係数であって、以下で説明される逆伝播（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ：ＢＰ）学習アルゴリズムにより毎時間ｋ毎に更新されることにより、関数が近似化されて非線形関数を同定（ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）することになる。

前記動的多次元ウェーブリット神経網の比較器４０により出力値（ｇ_Ｏ）と目標値（ｇ_Ｔ）との差が所定の許容範囲（例えば、３％）内に入らない場合、以下に説明する逆伝播学習アルゴリズムが前記神経網２０の手段により繰返し遂行される。

前記逆伝播学習アルゴリズムについて説明する前に、誤差関数を次の通り定義する。

ここでｇ_Ｔ（ｋ）は希望する出力、即ち、目標値であり、ｇ_Ｏ（ｋ）は前記神経網２０の実際の出力である。次に、上記数式において前記ｇ_Ｔ（ｋ）−ｇ_Ｏ（ｋ）＝ｅ（ｋ）に置換すれば、誤差傾き（Ｇｒａｄｉｅｎｔ）は次のように得られる。

また、

の誤差（Ｇｒａｄｉｅｎｔ）は、次のようになる。

従って、最終の連結加重値の更新は次の通りである。

ここで、ηは学習率（Ｌｅａｒｎｉｎｇ ｒａｔｅ）である。

このように、神経網２０は逆伝播学習アルゴリズムを繰返し遂行しながら、更新された

、Ｘ_ｎ（ｋ）値により決定された新しい出力値（ｇ_Ｏ）を更に比較器４０に送付する。また、このような過程は前記神経網の出力値（ｇ_Ｏ）と目標値（ｇ_Ｔ）との差が所定の範囲内に入る時まで繰返し遂行される。

神経網の出力値（ｇ_Ｏ）と目標値（ｇ_Ｔ）との差が所定の許容範囲内に入ると、神経網を用いた学習を終了し、学習を通じて得られた最終の推定アルゴリズム式（即ち、数学式３）を用いて推定されたＳＯＣを出力する。

ここに、前述の構成を通じて遂行されるバッテリのＳＯＣ推定方法を図３及び図４を参照しながら説明する。

本発明によるバッテリのＳＯＣ推定方法は、神経網を用いた学習ステップ、即ち、神経網アルゴリズム及び学習アルゴリズムを遂行して、最終の推定アルゴリズムを導出するステップと、前記導出された最終の推定アルゴリズムを用いてバッテリのＳＯＣを出力するステップで構成される。

まず、図３は、本発明に係る好ましい実施の形態により神経網を用いた学習ステップを順次に示す流れ図である。

図３を参照すると、電流（ｉ）、電圧（ｖ）、温度（Ｔ）がバッテリセル１０から検出される（ステップ１０）。次に、前記検出された電流（ｉ）、電圧（ｖ）及び温度（Ｔ）データと、時間データ（ｋ）を入力データベクトル、即ちｘ_ｄ（ｋ）=（ｉ、ｖ、Ｔ、ｋ）にして前述の動的多次元ウェーブリット神経網アルゴリズムを遂行する。その結果、出力値（ｇ_Ｏ）が得られる（ステップ１２）。

次に、前記出力値（ｇ_Ｏ）と目標値（ｇ_Ｔ）とを比較して、その誤差が３％以内であるかどうかを確認する（ステップ１４）。本実施の形態において、誤差限度が３％に設定されたが、これは設計者によって十分変更可能である。前記誤差限度が小さいほどバッテリのＳＯＣの正確度が高まり、誤差限度が大きいほどバッテリのＳＯＣの正確度は低くなることになる。

ステップ１４の比較結果、その誤差が３％より大きい場合には、前述の逆伝播学習アルゴリズムを遂行して更新された出力値（ｇ_Ｏ）を得る（ステップ１６）。次に、ステップ１４に戻る。

一方、ステップ１４の比較結果、その誤差が３％より同じか小さな場合には、神経網を用いた学習アルゴリズムを終了する（ステップ１８）。これによって、前述の学習を通じて得られた最終の推定アルゴリズム式（例えば、数学式３）を得る。

図４は、図３の学習ステップを通じて得られた最終の推定アルゴリズムを通じてバッテリのＳＯＣを出力する方法を示す図面である。

図４を参照すると、バッテリセル１０から電流（ｉ）、電圧（ｖ）、温度（Ｔ）を検出する（ステップ２０）。次に、前記検出された電流（ｉ）、電圧（ｖ）及び温度（Ｔ）データと、時間データ（ｋ）とを入力データベクトル、即ち、ｘ_ｄ（ｋ） =（ｉ、ｖ、Ｔ、ｋ）にして図３の学習アルゴリズムを通じて得られた最終の推定アルゴリズムを通じてバッテリのＳＯＣを出力する（ステップ２２）。

一方、本実施の形態では神経網構造として動的多次元ウェーブリット神経網を中心にして説明したが、必ずこれに限るのではない。即ち、従来の前方向神経網（ｆｅｅｄｆｏｒｗａｒｄ ｎｅｕｒａｌ ｎｅｗｏｒｋ）、動的神経網（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、ウェーブリット神経網（ｗａｖｅｌｅｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）などが多様に適用されることができる。

また、本実施の形態では、学習アルゴリズムとして、逆伝播学習アルゴリズムを中心にして説明したが、必ずこれに限るのではない。例えば、カルマンフィルター、ＧＡ、Ｆｕｚｚｙ学習アルゴリズム等を使用することができる。

既に申し述べた通り、本発明は、神経網アルゴリズム及び学習アルゴリズムを通じてバッテリのＳＯＣを動的に推定することができる。特に、温度、Ｃ−ｒａｔｅ等の様々な外部環境下でバッテリのＳＯＣをより正確に推定することができる。本発明は、特に、ハイブリッド電気自動車の分野において、より正確なバッテリのＳＯＣの推定が必要な分野において、より広く活用できる。

上記した態様は、主として説明のためであり、本発明の範囲を限定して解釈されるものではない。本発明の教示は、他の如何なる装置において容易に適用することができるであろう。本発明の開示内容は、例証することを目的とするものであり、本発明の範囲を何等限定するものではない。本発明に基づく多くの改変、変更、および態様は当業者であれば容易になし得るであろう。

本発明の好ましい実施の形態に係るバッテリ残存量推定装置の構成を概略的に示すブロック図である。 本発明に適用される動的多次元ウェーブリット神経網構造を示す図面である。 本発明に係る好ましい実施の形態により神経網を用いた学習ステップを順次に示す流れ図である。 図３の学習ステップを通じて得られた最終の推定アルゴリズムを通じてバッテリ残存量を出力するステップを順次に示す流れ図である。

符号の説明

１０ バッテリセル
１２ 電流検出部
１４ 電圧検出部
１６ 温度検出部
２０ 神経網
３０ 充放電器
４０ 比較器

Claims (14)

1. 神経網を用いたバッテリの残存量推定装置であって、
   バッテリセルから電流、電圧及び温度を検出するセンシング部と、
   前記センシング部から入力される電流、電圧及び温度データと、現在の時間データに基づいて、神経網アルゴリズム及び学習アルゴリズムを遂行し、学習された最終のアルゴリズムを用いて推定されたバッテリの残存量を出力する神経網と、
   前記神経網から供給される出力値と所定の目標値とを比較して、その差が所定の範囲内に属しない場合、前記神経網が前記学習アルゴリズムを繰返し遂行することにより、前記学習アルゴリズムを更新して学習された最終アルゴリズムを生成できるようにする比較器とを備えてなる、神経網を用いたバッテリ残存量推定装置。
2. 前記目標値が、特定の条件で適宜な実験を通じて得られた基準値である、請求項１記載に記載のバッテリ残存量推定装置。
3. 前記基準値が、バッテリの定格容量において、充放電器から入力されるＡｈデータ値とバッテリのＯＣＶ値とを相互補完した値である、請求項２に記載のバッテリ残存量推定装置。
4. 前記神経網アルゴリズムが、動的または静的ウェーブリット神経網アルゴリズムである、請求項１に記載のバッテリ残存量推定装置。
5. 前記ウェーブリット神経網アルゴリズムが、動的多次元ウェーブリット神経網アルゴリズムである、請求項４に記載のバッテリ残存量推定装置。
6. 前記学習アルゴリズムは、逆伝播学習アルゴリズム、カルマンフィルター、ＧＡ、ファジー学習アルゴリズム中のいずれかである、請求項１に記載のバッテリ残存量推定装置。
7. 神経網を用いたバッテリ残存量推定方法であって、
   （ａ）バッテリセルから入力される電流、電圧及び温度データと、時間データとに基づいて学習を遂行するステップと、
   （ｂ）前記学習を通じて導出される最終のバッテリ残存量推定アルゴリズムを用いて推定されたバッテリの残存量を出力するステップとを含んでなる、神経網を用いたバッテリ残存量推定方法。
8. 前記（ａ）ステップが、
   バッテリセルから電流、電圧及び温度を検出するステップと、
   前記検出された電流、電圧及び温度データと、時間データを学習データにして神経網アルゴリズムを遂行するステップと、
   前記神経網アルゴリズムを通じて出力された値と所定の目標値との差が所定の範囲内に属するかどうかを確認するステップと、
   所定の範囲内に属しない場合、前記学習アルゴリズムを繰返し遂行することにより、前記学習アルゴリズムを更新して学習された最終アルゴリズムを生成するステップとを含んでなる、請求項７に記載のバッテリ残存量推定方法。
9. 前記目標値が、特定の条件で適宜な実験を通じて得られた基準値である、請求項８に記載の神経網を用いたバッテリ残存量推定方法。
10. 前記基準値が、バッテリの定格容量において、充放電器から入力されるＡｈデータ値とバッテリのＯＣＶ値とを相互補完した値である、請求項９に記載のバッテリ残存量推定方法。
11. 前記（ｂ）ステップが、
    バッテリセルから電流、電圧、温度データを検出するステップと、
    前記検出された電流、電圧及び温度データと、時間データとに基づいて、前記 （ａ）ステップから導出される最終のバッテリ残存量推定アルゴリズムを用いて、バッテリの残存量を推定して出力するステップとを含んでなる、請求項７に記載のバッテリ残存量推定方法。
12. 前記神経網アルゴリズムが、動的または静的ウェーブリット神経網アルゴリズムである、請求項７に記載のバッテリ残存量推定方法。
13. 前記ウェーブリット神経網アルゴリズムが、動的多次元ウェーブリット神経網アルゴリズムである、請求項１２に記載のバッテリ残存量推定方法。
14. 前記学習アルゴリズムが、逆伝播学習アルゴリズム、または、カルマンフィルター、ＧＡ、ファジー学習アルゴリズムである、請求項７に記載のバッテリ残存量推定方法。

Images