特許 6857998 蓄電池状態推定装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6857998

(24)【登録日】2021年3月25日

(45)【発行日】2021年4月14日

(54)【発明の名称】蓄電池状態推定装置

(51)【国際特許分類】

   G01R 31/367 20190101AFI20210405BHJP

   H01M 10/48 20060101ALI20210405BHJP

   H02J 7/00 20060101ALI20210405BHJP

【ＦＩ】

   G01R31/367

   H01M10/48 P

   H02J7/00 Y

【請求項の数】4

【全頁数】11

(21)【出願番号】特願2016-209981(P2016-209981)

(22)【出願日】2016年10月26日

(65)【公開番号】特開2018-72090(P2018-72090A)

(43)【公開日】2018年5月10日

【審査請求日】2019年9月19日

(73)【特許権者】

【識別番号】000006895

【氏名又は名称】矢崎総業株式会社

(73)【特許権者】

【識別番号】899000068

【氏名又は名称】学校法人早稲田大学

(74)【代理人】

【識別番号】110001771

【氏名又は名称】特許業務法人虎ノ門知的財産事務所

(72)【発明者】

【氏名】高橋 信之

(72)【発明者】

【氏名】荘田 隆博

(72)【発明者】

【氏名】砂山 竜男

(72)【発明者】

【氏名】有江 浩明

(72)【発明者】

【氏名】菅野 重樹

【審査官】 永井 皓喜

(56)【参考文献】

【文献】 国際公開第２０１３／１３６５５９（ＷＯ，Ａ１）

【文献】 特開２００１−３１２７１２（ＪＰ，Ａ）

【文献】 特開２０１５−１２１５２０（ＪＰ，Ａ）

【文献】 特開２０１５−１３５２８６（ＪＰ，Ａ）

【文献】 米国特許第５５９６２６０（ＵＳ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０１Ｒ ３１／３６７

Ｇ０１Ｒ ３１／３８２

Ｇ０１Ｒ ３１／３８５

Ｇ０１Ｒ ３１／３８９

Ｇ０１Ｒ ３１／３９２

Ｇ０１Ｒ ３１／３６

(57)【特許請求の範囲】

【請求項1】

電力を蓄電する蓄電池の状態を推定する蓄電池状態推定装置であって、
前記蓄電池の検出電流値を検出する電流検出部と、
前記蓄電池の検出電圧値を検出する電圧検出部と、
前記電流検出部により検出された前記検出電流値、及び、前記電圧検出部により検出された前記検出電圧値に基づいて、前記蓄電池の等価回路モデルにおける複数のパラメータの候補から特定の前記パラメータを複数選択し、選択した前記特定の複数のパラメータを事前知識として用いて前記パラメータを推定する推定部と、を備え、
前記推定部は、
前記複数のパラメータの候補から構成されるパラメータ母集団を生成し、前記パラメータ母集団における前記パラメータの候補に対して、前記検出電流値に基づいて前記等価回路モデルに基づく前記蓄電池の状態方程式における予測電圧値を算出し、前記検出電圧値に対する前記予測電圧値の誤差が大きければ前記パラメータの評価が低い結果を返し、前記検出電圧値に対する前記予測電圧値の誤差が小さければ前記パラメータの評価が高い結果を返す評価関数の結果に基づいて、評価が高い特定の前記パラメータを前記パラメータ母集団に残し、評価が低い前記パラメータを前記パラメータ母集団から削除するパラメータ選択処理と、
選択された前記特定の複数のパラメータを事前知識として用いると共に新たな前記パラメータを追加して前記パラメータ母集団を生成する母集団生成処理とを行い、
前記パラメータ選択処理と前記母集団生成処理とを繰り返すことにより最終の前記パラメータを推定することを特徴とする蓄電池状態推定装置。

【請求項2】

前記推定部は、
ベイズ推定を用いて前記パラメータを推定する請求項１に記載の蓄電池状態推定装置。

【請求項3】

前記推定部は、
前記ベイズ推定においてマルコフ連鎖モンテカルロ法を用いて前記パラメータを推定する請求項２に記載の蓄電池状態推定装置。

【請求項4】

前記蓄電池の状態として開放電圧を推定する請求項１〜３のいずれか１項に記載の蓄電池状態推定装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、蓄電池状態推定装置に関する。

【背景技術】

【0002】

従来、蓄電池状態推定装置は、例えば、電気自動車（ＥＶ；Ｅｌｅｃｔｒｉｃ Ｖｅｈｉｃｌｅ）等の車両に搭載される蓄電池の状態を推定する。蓄電池状態推定装置は、例えば、車両の航続距離の把握や蓄電池の寿命を長くするために、蓄電池の等価回路モデルを作成し当該等価回路モデルの適切なパラメータを推定することにより蓄電池の状態を推定する（例えば、特許文献１）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１２−１４９９４７号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ところで、蓄電池の等価回路モデルのパラメータに基づいて蓄電池の状態を精度よく推定することが望まれている。

【0005】

そこで、本発明は、上記に鑑みてなされたものであって、蓄電池の状態を精度よく推定することができる蓄電池状態推定装置を提供することを目的とする。

【課題を解決するための手段】

【0006】

上述した課題を解決し、目的を達成するために、本発明に係る蓄電池状態推定装置は、電力を蓄電する蓄電池の状態を推定する蓄電池状態推定装置であって、前記蓄電池の検出電流値を検出する電流検出部と、前記蓄電池の検出電圧値を検出する電圧検出部と、前記電流検出部により検出された前記検出電流値、及び、前記電圧検出部により検出された前記検出電圧値に基づいて、前記蓄電池の等価回路モデルにおける複数のパラメータの候補から特定の前記パラメータを複数選択し、選択した前記特定の複数のパラメータを事前知識として用いて前記パラメータを推定する推定部と、を備え、前記推定部は、前記複数のパラメータの候補から構成されるパラメータ母集団を生成し、前記パラメータ母集団における前記パラメータの候補に対して、前記検出電流値に基づいて前記等価回路モデルに基づく前記蓄電池の状態方程式における予測電圧値を算出し、前記検出電圧値に対する前記予測電圧値の誤差が大きければ前記パラメータの評価が低い結果を返し、前記検出電圧値に対する前記予測電圧値の誤差が小さければ前記パラメータの評価が高い結果を返す評価関数の結果に基づいて、評価が高い特定の前記パラメータを前記パラメータ母集団に残し、評価が低い前記パラメータを前記パラメータ母集団から削除するパラメータ選択処理と、選択された前記特定の複数のパラメータを事前知識として用いると共に新たな前記パラメータを追加して前記パラメータ母集団を生成する母集団生成処理とを行い、前記パラメータ選択処理と前記母集団生成処理とを繰り返すことにより最終の前記パラメータを推定することを特徴とする。

【0007】

また、上記蓄電池状態推定装置において、前記推定部は、ベイズ推定を用いて前記パラメータを推定することが好ましい。

【0008】

また、上記蓄電池状態推定装置において、前記推定部は、前記ベイズ推定においてマルコフ連鎖モンテカルロ法（ＭＣＭＣ法；Ｍａｒｋｏｖ Ｃｈａｉｎ Ｍｏｎｔｅ Ｃａｒｌｏ ｍｅｔｈｏｄｓ）を用いて前記パラメータを推定することが好ましい。

【0009】

また、上記蓄電池状態推定装置において、前記推定部は、前記複数のパラメータの候補から構成されるパラメータ母集団を生成し、前記電流値、前記電圧値、及び、前記パラメータを評価する評価関数に基づいて前記パラメータ母集団から前記特定のパラメータを複数選択し、選択されなかった前記パラメータを前記パラメータ母集団から削除するパラメータ選択処理と、選択された前記特定のパラメータを事前知識として用いると共に新たな前記パラメータを追加して前記パラメータ母集団を生成する母集団生成処理とを行い、前記パラメータ選択処理と前記母集団生成処理とを繰り返すことにより最終の前記パラメータを推定することが好ましい。

【0010】

また、上記蓄電池状態推定装置において、前記蓄電池の状態として開放電圧を推定することが好ましい。

【0011】

また、上記蓄電池状態推定装置において、前記推定部は、前記複数のパラメータの候補をダウンサンプリングすることが好ましい。

【発明の効果】

【0012】

本発明に係る蓄電池状態推定装置は、検出された電流値及び電圧値に基づいて、蓄電池の等価回路モデルにおいて蓄電池の状態を示す複数のパラメータの候補から特定のパラメータを複数選択し、選択した特定の複数のパラメータを事前知識として用いてパラメータを推定するので当該パラメータの推定精度を向上させることが可能となり、蓄電池の状態を精度よく推定することができる。

【図面の簡単な説明】

【0013】

【図1】図１は、実施形態に係る蓄電池状態推定装置の構成例を示すブロック図である。

【図2】図２は、実施形態に係る蓄電池の等価回路モデルを示す図である。

【図3】図３は、実施形態に係るメトロポリス・ヘイスティング法の疑似コードを示す図である。

【図4】図４は、実施形態に係るパラメータの推定区間の分割例を示す図である。

【図5】図５は、実施形態に係る評価関数の評価例を示す図である。

【図6】図６は、実施形態に係る予測ＯＣＶの結果を示す図である。

【図7】図７は、実施形態に係るＭＣＭＣ法によるベイズ推定結果とインピーダンス解析によるモデルパラメータ推定結果との比較例を示す図である。

【発明を実施するための形態】

【0014】

本発明を実施するための形態（実施形態）につき、図面を参照しつつ詳細に説明する。以下の実施形態に記載した内容により本発明が限定されるものではない。また、以下に記載した構成要素には、当業者が容易に想定できるもの、実質的に同一のものが含まれる。さらに、以下に記載した構成は適宜組み合わせることが可能である。また、本発明の要旨を逸脱しない範囲で構成の種々の省略、置換又は変更を行うことができる。

【0015】

〔実施形態〕
実施形態に係る蓄電池状態推定装置１について説明する。蓄電池状態推定装置１は、車両２に搭載される蓄電池３の状態（例えば内部抵抗や開放電圧（ＯＣＶ））を推定するものである。蓄電池３は、イオン拡散に由来する過電圧成分が生じ、過電圧成分が平衡に達するまでには時間を要する。そこで、蓄電池状態推定装置１は、時間を短縮するために、蓄電池３の等価回路モデル４を作成し当該等価回路モデル４において蓄電池３の状態を示すパラメータθを推定する。本実施形態では、蓄電池状態推定装置１は、ベイズ推定を用いて等価回路モデル４のパラメータθを推定する。好ましくは、蓄電池状態推定装置１は、ベイズ推定においてＭＣＭＣ法を用いて等価回路モデル４のパラメータθを推定する。蓄電池状態推定装置１は、電気自動車（ＥＶ）やプラグインハイブリッドカー（ＰＨＥＶ；Ｐｌｕｇ−ｉｎ Ｈｙｂｒｉｄ Ｅｌｅｃｔｒｉｃ Ｖｅｈｉｃｌｅ）、ハイブリッド電気自動車（ＨＥＶ；Ｈｙｂｒｉｄ Ｅｌｅｃｔｒｉｃ Ｖｅｈｉｃｌｅ）等の車両２に搭載される。以下、蓄電池状態推定装置１について詳細に説明する。

【0016】

車両２は、図１に示すように、蓄電池状態推定装置１と、蓄電池３と、ＥＣＵ（電子制御ユニット；Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）５とを備える。蓄電池状態推定装置１は、電流検出部１０と、電圧検出部２０と、推定部３０とを備える。

【0017】

電流検出部１０は、電流値を検出するものである。電流検出部１０は、蓄電池３に接続され、蓄電池３から車両２の図示しない駆動モータ等に流れる電流の電流値を検出する。また、電流検出部１０は、車両２の制動時に図示しないモータジェネレータ等から蓄電池３に流れる電流（回生電流）の電流値を検出する。電流検出部１０は、検出した検出電流値ｉを推定部３０に出力する。

【0018】

電圧検出部２０は、電圧値を検出するものである。電圧検出部２０は、蓄電池３の陽極端子４ｂ及び陰極端子４ｃ（図２参照）に接続され、陽極端子４ｂと陰極端子４ｃとの間の電圧値を検出する。電圧検出部２０は、検出した検出電圧値ｖを推定部３０に出力する。

【0019】

推定部３０は、蓄電池３の状態を示すパラメータθを推定するものである。推定部３０は、パラメータθとして、例えばＯＣＶ（開放電圧；Ｏｐｅｎ ｃｉｒｃｕｉｔ ｖｏｌｔａｇｅ）を推定する。ここで、ＯＣＶは、蓄電池３に負荷をかけていない状態における陽極端子４ｂと陰極端子４ｃとの間の電圧である。推定部３０は、電流検出部１０及び電圧検出部２０に接続され、電流検出部１０により検出された検出電流値ｉ、及び、電圧検出部２０により検出された検出電圧値ｖに基づいて、ＯＣＶの電圧値を推定する。推定部３０は、例えば、蓄電池３の等価回路モデル４に基づく蓄電池３の状態方程式を解いてパラメータθ（例えばＯＣＶの電圧値）を推定する。

【0020】

ＥＣＵ５は、車両２全体を制御するものであり、例えば、エンジン等の駆動系やブレーキ等の制動系を制御するものである。ＥＣＵ５は、推定部３０から出力される推定結果に基づいて車両２を制御する。

【0021】

ここで、蓄電池３の等価回路モデル４は、図２に示すように、電源４ａ、抵抗成分Ｒ_０、コンデンサ容量成分Ｃ_０、複数のＣ−Ｒ回路４_１〜４_ｎ、陽極端子４ｂ、及び、陰極端子４ｃが含まれて構成される。蓄電池３の等価回路モデル４は、抵抗成分Ｒ_０及びコンデンサ容量成分Ｃ_０が電源４ａに直列接続され、第１のＣ−Ｒ回路４_１が抵抗成分Ｒ_０に直列接続され、第２のＣ−Ｒ回路４_２が第１のＣ−Ｒ回路４_１に直列接続され、第ｎのＣ−Ｒ回路４_ｎが第ｎ−１のＣ−Ｒ回路４_ｎー１及び陽極端子４ｂに直列接続される。本実施形態では、蓄電池３の等価回路モデル４は、「ｎ」が「２」の例について説明するが、「ｎ」の値は適宜変更可能である。第１のＣ−Ｒ回路４_１は、コンデンサ容量成分Ｃ_１と抵抗成分Ｒ_１とが並列接続されている。第２のＣ−Ｒ回路４_２は、コンデンサ容量成分Ｃ_２と抵抗成分Ｒ_２とが並列接続されている。蓄電池３の等価回路モデル４において蓄電池３の状態を示すパラメータθは、以下の式（１）に示すように、抵抗成分Ｒ_０、Ｒ_１、Ｒ_２、コンデンサ容量成分Ｃ_０、Ｃ_１、Ｃ_２、ＯＣＶの電圧値Ｖ_ｏｃｖ（０）、第１のＣ−Ｒ回路４_１の電圧値Ｖ_１（０）、及び、第２のＣ−Ｒ回路４_２の電圧値Ｖ_２（０）を含んで構成される。

【0022】

【数1】

【0023】

推定部３０は、ベイズ推定を行う際に使用されるＭＣＭＣ法を用いて、蓄電池３の等価回路モデル４に基づく蓄電池３の状態方程式（以下の式（２）〜式（６））を解くことによりＯＣＶの電圧値Ｖ_ｏｃｖを推定する。ここで、ＭＣＭＣ法は、種々のアルゴリズムが存在する。本実施形態では、ＭＣＭＣ法として例えばメトロポリス・ヘイスティング法の変形タイプを適用するが、これに限定されない。例えば、ＭＣＭＣ法としてギブスサンプリング法を適用してもよい。推定部３０は、時刻ｔにおける検出電流値Ｉ_ｏｂｓ（検出電流値ｉ）に基づいて蓄電池３の状態方程式における予測電圧値Ｖ_ｏｂｓを算出し、算出した予測電圧値Ｖ_ｏｂｓが検出電圧値ｖに近いパラメータθを探す。

【0024】

【数2】

【0025】

式（２）によれば、時刻ｔにおける蓄電池３の予測電圧値Ｖ_ｏｂｓ（ｔ）は、ＯＣＶの電圧値Ｖ_ｏｃｖ（ｔ）、抵抗成分Ｒ_０の電圧値Ｖ_０（ｔ）、第１のＣ−Ｒ回路４_１の電圧値Ｖ_１（ｔ）、及び、第２のＣ−Ｒ回路４_２の電圧値Ｖ_２（ｔ）を加算して求められる。また、式（３）によれば、ＯＣＶの電圧値Ｖ_ｏｃｖ（ｔ）は、検出電流値Ｉ_ｏｂｓ（ｔ）に基づいて求められる。また、式（４）によれば、抵抗成分Ｒ_０の電圧値Ｖ_０（ｔ）は、抵抗成分Ｒ_０及び検出電流値Ｉ_ｏｂｓ（ｔ）に基づいて求められる。また、式（５）によれば、第１のＣ−Ｒ回路４_１の電圧値Ｖ_１（ｔ）は、第１のＣ−Ｒ回路４_１の抵抗成分Ｒ_１及び検出電流値Ｉ_ｏｂｓに基づいて求められる。また、式（６）によれば、第２のＣ−Ｒ回路４_２の電圧値Ｖ_２（ｔ）は、第２のＣ−Ｒ回路４_２の抵抗成分Ｒ_２及び検出電流値Ｉ_ｏｂｓ（ｔ）に基づいて求められる。

【0026】

推定部３０は、蓄電池３の状態方程式において、複数のパラメータθの候補から選択した特定の複数のパラメータθを事前知識（事前分布）として用いてパラメータθを推定する。具体的に、推定部３０は、乱数発生により複数のパラメータθを発生させる。そして、推定部３０は、複数のパラメータθから構成されるパラメータ母集団を生成する。例えば、推定部３０は、図３に示す疑似コードのラインＬ２、Ｌ３に記載の処理を実行してパラメータ母集団を生成する。そして、推定部３０は、検出電流値ｉ、検出電圧値ｖ、及び、パラメータθを評価する後述の評価関数に基づいてパラメータ母集団から特定のパラメータθを複数選択し、選択されなかったパラメータθをパラメータ母集団から削除する（パラメータ選択処理）。例えば、推定部３０は、図３に示す疑似コードのラインＬ７〜Ｌ１０に記載の処理を実行してパラメータ選択処理を行う。推定部３０は、選択された特定のパラメータθ（パラメータθの分布）を事前知識として用いると共に乱数発生により新たなパラメータθを追加してパラメータ母集団を生成する（母集団生成処理）。例えば、推定部３０は、図３に示す疑似コードのラインＬ６に記載の処理を実行して母集団生成処理を実行する。推定部３０は、削除したパラメータθと同じ個数のパラメータθをパラメータ母集団に追加する。推定部３０は、パラメータ選択処理と母集団生成処理とを繰り返すことにより最終のパラメータθを推定する。

【0027】

推定部３０は、パラメータ選択処理において、パラメータθの制約条件を設ける。推定部３０は、例えば、パラメータθの制約条件として、抵抗成分Ｒ_０、Ｒ_１、Ｒ_２、コンデンサ容量成分Ｃ_０、Ｃ_１、Ｃ_２、及び、ＯＣＶの電圧値Ｖ_ｏｃｖ（ｔ）が正の値であるパラメータθを選択し、抵抗成分Ｒ_０、Ｒ_１、Ｒ_２、コンデンサ容量成分Ｃ_０、Ｃ_１、Ｃ_２、及び、ＯＣＶの電圧値Ｖ_ｏｃｖ（ｔ）が負の値であるパラメータθをパラメータ母集団から削除する。これは、蓄電池３の等価回路モデル４において、抵抗成分Ｒ_０、Ｒ_１、Ｒ_２、コンデンサ容量成分Ｃ_０、Ｃ_１、Ｃ_２、及び、ＯＣＶの電圧値Ｖ_ｏｃｖ（ｔ）が正の値をとるためである。パラメータθにおける第１のＣ−Ｒ回路４_１の電圧Ｖ_１（ｔ）、及び、第２のＣ−Ｒ回路４_２の電圧Ｖ_２（ｔ）は、正負のいずれの値でもよい。また、推定部３０は、パラメータθの制約条件として、事前知識として用いる複数のパラメータθに比較的近いパラメータθをパラメータ母集団から選択する。このように、推定部３０は、ＭＣＭＣ法を用いることにより、例えば従来のカルマンフィルタのようにパラメータθの正規分布を採用しないので、パラメータθの分布の自由度を高くすることができ、パラメータθの推定精度を向上することができる。

【0028】

推定部３０は、パラメータ選択処理において、複数のパラメータθの候補をダウンサンプリングする。推定部３０は、例えば、一定数のパラメータθの候補をサンプリングデータとして取得し、サンプリングデータをとして取得したパラメータθの候補の平均値を求め、求めたパラメータθの候補の平均値から構成されるパラメータ母集団を生成する。これにより、推定部３０は、パラメータ母集団を構成するパラメータθの候補の個数を相対的に減らすことができるので、演算速度を向上させることができる。なお、推定部３０は、ダウンサンプリングの方法は、上述の方法に限定されない。例えば、推定部３０は、パラメータθを間引くことによりダウンサンプリングしてもよい。

【0029】

また、推定部３０は、パラメータ選択処理において、相対的に短い時間間隔で特定のパラメータθを複数選択する。推定部３０は、例えば、経過時間方向に区間を設け（移動窓を使用し）、区間毎にパラメータ選択処理を行う。推定部３０は、例えば、図４に示すように、推定区間Ｋを６つの区間に分割しそれぞれの区間でパラメータ選択処理を行う。推定部３０は、例えば、最初の第１分割区間Ｋ１において検出電流値ｉ及び検出電圧値ｖ（計測データ１）に基づいて、初期値のパラメータθの候補から構成されるパラメータ母集団から特定のパラメータθを複数選択し、選択されなかったパラメータθをパラメータ母集団から削除する。そして、推定部３０は、特定のパラメータθを事前知識として用い、削除されたパラメータθの個数と同じ個数の新たなパラメータθを追加したパラメータ母集団を生成する。次に、推定部３０は、第２分割区間Ｋ２において検出電流値ｉ及び検出電圧値ｖ（計測データ２）に基づいて、第１分割区間Ｋ１で生成されたパラメータ母集団から特定のパラメータθを複数選択し、選択されなかったパラメータθをパラメータ母集団から削除する。そして、推定部３０は、特定のパラメータθを事前知識として用い、削除されたパラメータθの個数と同じ個数の新たなパラメータθを追加したパラメータ母集団を生成する。同様に、推定部３０は、第３分割区間Ｋ３、第４分割区間Ｋ４、第５分割区間Ｋ５、第６分割区間Ｋ６においても、前区間の特定のパラメータθを事前知識として用い、削除されたパラメータθの個数と同じ個数の新たなパラメータθを追加したパラメータ母集団を生成する。これにより、推定部３０は、第１分割区間Ｋ１〜第６分割区間Ｋ６まで同様の処理を繰り返すことによって、それぞれの区間でパラメータθの事前知識を用いることができるので、各区間におけるパラメータθを選択する計算時間を短縮することができる。従って、推定部３０は、推定区間Ｋを分割せずにパラメータθを選択する計算を行う場合と比較して計算時間を短縮することができる。

【0030】

また、推定部３０は、例えば、図５及び以下の式（７）に示すように、パラメータθを選択する場合に評価を行う評価関数として正規分布の対数尤度関数を用いる。当該対数尤度関数は、検出電圧値Ｖ^＊（ｖ）に対する予測電圧値Ｖ（Ｖ_ｏｂｓ）の誤差を評価するものである。対数尤度関数は、検出電圧値Ｖ^＊に対する予測電圧値Ｖの誤差が大きければパラメータθの評価が低い結果を返し、検出電圧値Ｖ^＊に対する予測電圧値Ｖの誤差が小さければパラメータθの評価が高い結果を返す。推定部３０は、評価が高いパラメータθをパラメータ母集団に残し、評価が低いパラメータθをパラメータ母集団から削除する。推定部３０は、小さな誤差を評価する必要があるので対数尤度関数を用いている。推定部３０は、対数尤度関数を用いることで電圧値の誤差の大小に関わらず誤差の大きさが一定（線形）になる。なお、評価関数は、正規分布の対数尤度関数に限定されず、例えば、正規分布の評価関数やベータ分布の評価関数、ベータ分布の対数尤度関数等でもよい。

【0031】

【数3】

【0032】

次に、図６、図７を参照して蓄電池状態推定装置１の所定の運転モードにおける予測ＯＣＶの結果について説明する。図６は、予測ＯＣＶの結果を示す図であり、左側の縦軸が電圧値であり、右側の縦軸が電圧値の誤差（ｍｖ）であり、横軸が時間である。図６には、検出電圧値ｖと、測定された測定ＯＣＶ（真のＯＣＶ）の電圧値Ｖａと、予測された予測ＯＣＶの電圧値Ｖｂと、測定電圧値Ｖａに対する予測電圧値Ｖｂの誤差Ｅ１とが示されている。蓄電池状態推定装置１は、図６に示すように、測定電圧値Ｖａと予測電圧値Ｖｂとの差分がほとんど見られなかった。つまり、蓄電池状態推定装置１は、測定電圧値Ｖａに対する予測電圧値Ｖｂの誤差Ｅ１を±１０ｍｖ程度に抑えることができた。

【0033】

図７は、ＭＣＭＣ法によるベイズ推定結果とインピーダンス解析によるモデルパラメータ推定結果との比較例を示す図である。図７に示すように、ＭＣＭＣ法によるベイズ推定結果とインピーダンス解析によるモデルパラメータ推定結果とは、抵抗成分Ｒ_０、Ｒ_１、Ｒ_２、コンデンサ容量成分Ｃ_１、Ｃ_２において、ほとんど違いが見られなかった。これにより、蓄電池状態推定装置１は、ＭＣＭＣ法により、抵抗成分Ｒ_０、Ｒ_１、Ｒ_２、コンデンサ容量成分Ｃ_１、Ｃ_２を適切に推定できることが分かる。

【0034】

以上のように、実施形態に係る蓄電池状態推定装置１は、検出電流値ｉ及び検出電圧値ｖに基づいて、蓄電池３の等価回路モデル４において蓄電池３の状態を示す複数のパラメータθの候補から特定のパラメータθを複数選択し、選択した特定の複数のパラメータθを事前知識として用いてパラメータθを推定する。これにより、蓄電池状態推定装置１は、パラメータθの推定精度を向上することができるので、蓄電池３の状態を精度よく推定することができる。従来、例えばカルマンフィルタのようにパラメータθを平均値及び分散による正規分布で近似計算する場合、パラメータθの推定対象や外乱が正規分布から外れるとパラメータθの推定の精度が低下する。これに対して、実施形態に係る蓄電池状態推定装置１は、正規分布で近似計算を行わずにパラメータθの分布をそのまま事前知識として用いるので、パラメータθの推定対象や外乱が外れずパラメータθの推定の精度を向上させることができる。

【0035】

また、蓄電池状態推定装置１において、推定部３０は、ベイズ推定においてＭＣＭＣ法を用いてパラメータθを推定する。これにより、特定のパラメータθの分布をそのまま事前知識として用いるのでパラメータθの推定精度を向上することができる。

【0036】

また、蓄電池状態推定装置１において、推定部３０は、複数のパラメータθの候補から構成されるパラメータ母集団を生成し、検出電流値ｉ、検出電圧値ｖ、及び、パラメータθを評価する評価関数に基づいてパラメータ母集団から特定のパラメータθを複数選択し、選択されなかったパラメータθをパラメータ母集団から削除するパラメータ選択処理と、選択された特定のパラメータを事前知識として用いると共に新たなパラメータθを追加してパラメータ母集団を生成する母集団生成処理とを行い、パラメータ選択処理と母集団生成処理とを繰り返すことにより最終のパラメータθを推定する。これにより、蓄電池状態推定装置１は、特定のパラメータθの分布をそのまま事前知識として用いるのでパラメータθの推定精度を向上することができる。

【0037】

また、蓄電池状態推定装置１において、推定部３０は、パラメータθとして蓄電池３のＯＣＶを推定する。これにより、蓄電池状態推定装置１は、ＯＣＶを精度よく推定することができる。

【0038】

また、蓄電池状態推定装置１において、推定部３０は、複数のパラメータθの候補をダウンサンプリングする。これにより、蓄電池状態推定装置１は、計算速度を向上させることができる。

【符号の説明】

【0039】

１ 蓄電池状態推定装置
１０ 電流検出部
２０ 電圧検出部
３０ 推定部
３ 蓄電池
４ 等価回路モデル
θ パラメータ
ｉ、Ｉ_ｏｂｓ 検出電流値（電流値）
ｖ、Ｖ^＊ 検出電圧値（電圧値）
Ｖ_ｏｂｓ、Ｖ 予測電圧値

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】