JP2008522152A - Battery state and parameter estimation system and method - Google Patents

Abstract

バッテリーの現在動作条件を示す値を推定する方法とシステムは、ＳＯＣ（Ｓｔａｔｅ Ｏｆ Ｃｈａｒｇｅ）が内的状態の一つを構成するバッテリーにおけるＳＯＣを推定する段階と、ＳＯＨ（Ｓｔａｔｅ Ｏｆ Ｈｅａｌｔｈ）が内的パラメーターの一つを構成するバッテリーにおけるＳＯＨを推定する段階と、を含む。特に、バッテリーにおけるＳＯＣを推定する方法は、上記ＳＯＣが内的状態の一つである上記バッテリーの内的状態の予測を行う段階と、上記内的状態の予測の不確定性の予測を行う段階と、上記内的状態の予測と上記不確定性の予測を補正する段階と、上記内的状態の予測を行う段階、上記不確定性の予測を行う段階、及び上記補正段階を繰り返すアルゴリズムを適用して、上記ＳＯＣに対して行う推定と上記ＳＯＣ推定に対する不確定性を算出する段階と、を含む。
電気化学セルシステムの現在パラメーターを推定する方法とシステムは、上記セルの内的パラメーターの予測を行う段階と、上記内的パラメーターの予測の不確定性の予測を行う段階と、上記内的パラメーターの予測と上記不確定性の予測を補正する段階と、上記内的パラメーターの予測、上記不確定性の予測及び上記補正を繰り返すアルゴリズムを適用してパラメーターに対して行う推定とパラメーターの予測に対する不確定性を算出する段階と、を含む。A method and system for estimating a value indicating a current operating condition of a battery includes a step of estimating SOC in a battery in which SOC (State Of Charge) constitutes one of internal states, and SOH (State Of Health). Estimating SOH in the battery constituting one of the parameters. In particular, a method for estimating SOC in a battery includes a step of predicting an internal state of the battery in which the SOC is one of internal states, and a step of predicting uncertainty of the prediction of the internal state. Applying an algorithm that repeats the step of correcting the prediction of the internal state and the prediction of the uncertainty, the step of predicting the internal state, the step of predicting the uncertainty, and the correction step Then, an estimation performed on the SOC and a step of calculating uncertainty with respect to the SOC estimation are included.
A method and system for estimating a current parameter of an electrochemical cell system includes the steps of predicting the internal parameter of the cell, predicting the uncertainty of the prediction of the internal parameter, Uncertainty for prediction and parameter prediction by applying the algorithm that repeats the prediction and the prediction of uncertainty and applying the algorithm for predicting the internal parameter, predicting the uncertainty and correcting the uncertainty Calculating sex.

Description

本発明は、デジタルフィルタリング技法、特に、カルマンフィルタリング（Ｋａｌｍａｎ ｆｉｌｔｅｒｉｎｇ）と拡張カルマンフィルタリング（ｅｘｔｅｎｄｅｄ Ｋａｌｍａｎ ｆｉｌｔｅｒｉｎｇ）を用いたバッテリーパックシステムの状態とパラメーターの推定のための装置及び方法に関するものである。バッテリーパックにおけるバッテリー管理システムは、バッテリーパックの現在の動作条件を示す値を推定すべきである。上記現在の動作状態は、ＳＯＣ（Ｓｔａｔｅ Ｏｆ Ｃｈａｒｇｅ）、電力減退（ｐｏｗｅｒ‐ｆａｄｅ）、容量減退（ｃａｐａｃｉｔｙ‐ｆａｄｅ）及び即刻に利用可能な電力などを含む。上記電力減退と上記容量減退は、主にＳＯＨ（Ｓｔａｔｅ Ｏｆ Ｈｅａｌｔｈ）の表現として扱われる。本発明は、バッテリーＳＯＣ及びＳＯＨを含むパックの現在の動作条件を示す値を推定するための改善された方法と装置を提供する。   The present invention relates to an apparatus and method for estimating the state and parameters of a battery pack system using digital filtering techniques, in particular Kalman filtering and extended Kalman filtering. The battery management system in the battery pack should estimate a value indicating the current operating condition of the battery pack. The current operating state includes SOC (State Of Charge), power reduction (power-fade), capacity reduction (capacity-fade), and immediately available power. The power reduction and the capacity reduction are mainly handled as expressions of SOH (State Of Health). The present invention provides an improved method and apparatus for estimating a value indicative of the current operating conditions of a pack including batteries SOC and SOH.

バッテリーは電子・電気装置に広範囲に用いられる。各応用例においてバッテリーにどれくらいの充電が残っているかを測定することが有用であり、且つ必要である。このような測定は、充電状態（ＳＯＣ）と称する。例えば、セルフォンの使用者が自分の電話機でどれくらい長く話せるかを知ることは有用である。なお、再充電装置は過充電を防止するためにバッテリー内にどれくらいの充電が存在するのかを知る必要がある。種々のバッテリーは過充電（ｏｖｅｒｃｈａｇｉｎｇ）のみならず過少充電（ｕｎｄｅｒｃｈａｒｇｉｎｇ）にも敏感である。過充電と過少充電はバッテリーの効率性を低下させ得、しかも損傷させ得る。   Batteries are widely used in electronic and electrical devices. It is useful and necessary to measure how much charge remains in the battery in each application. Such a measurement is referred to as a state of charge (SOC). For example, it is useful to know how long a cell phone user can speak on his telephone. Note that the recharging device needs to know how much charge is present in the battery in order to prevent overcharging. Various batteries are sensitive not only to overcharging, but also to undercharging. Overcharging and undercharging can reduce battery efficiency and even damage it.

現在、バッテリーの残っている充電を測定する多くの技術が存在する。このようなＳＯＣ決定技術それぞれは欠点を有している。アンペアアワーカウンティング（Ａｍｐｅｒｅ‐ｈｏｕｒ ｃｏｕｎｔｉｎｇ）のような技術は測定誤差に敏感であり、Ｃｏｕｐ ｄｅ ｆｏｕｅｔのようなものは一つのバッテリータイプでのみ動作する。インピーダンス分光法（Ｉｍｐｅｄａｎｃｅ Ｓｐｅｃｔｒｏｓｃｏｐｙ）のような他の技術は急変する温度のようなバッテリーの条件に依然として制限される。また、多くの技術はＳＯＣの推定に不確定性の範囲（ｕｎｃｅｒｔａｉｎｔｙ ｒａｎｇｅ）を提供していない。ＨＥＶ及びＥＶのような応用例においてＳＯＣ測定に関わる上記不確定性の範囲は非常に重要である。もし、不確定性の範囲が知られずにバッテリーが誤って過少充電されれば、運送手段は道の上で電力を失う恐れがあり危険をもたらす。不確定性の範囲が分かればこのようなことを防止することができる。例えば、バッテリーＳＯＣが最小充電の臨界値の１０％以内に存在すると決定され、不確定性の範囲が１５％と知られていれば、システムはバッテリーを充電すべきであることが分かる。なぜなら、不確定性の範囲が上記臨界値の間隔より大きいからである。   There are currently many techniques for measuring the remaining charge of a battery. Each such SOC determination technique has drawbacks. Techniques such as Ampere-hour counting are sensitive to measurement errors, and those such as Coup de foot operate only with one battery type. Other techniques, such as Impedance Spectroscopy, are still limited to battery conditions such as rapidly changing temperatures. Also, many techniques do not provide an uncertain range for SOC estimation. The range of uncertainty associated with SOC measurement in applications such as HEV and EV is very important. If the range of uncertainty is not known and the battery is accidentally undercharged, the transport means can lose power on the road and pose a danger. If the range of uncertainty is known, this can be prevented. For example, if the battery SOC is determined to be within 10% of the minimum charge critical value and the uncertainty range is known to be 15%, then the system knows that the battery should be charged. This is because the uncertainty range is larger than the critical value interval.

現存する技術
現存する技術とそれらの短所に対する概略を説明する。放電テストと呼ばれる一つの方法はテスティングの正確な一つの形態である。これは制御される条件下におけるＳＯＣを決定するためにバッテリーを完全に放電することを要する。しかし、完全放電に対する必要条件はこのテストを実生活の応用に対して非実用的にする。これはあまりにも多くの時間が所要され、テストが行われる間システム機能を中断させる。 A schematic for the existing technologies existing technologies and their disadvantages will be described. One method called discharge testing is an exact form of testing. This requires the battery to be fully discharged to determine the SOC under controlled conditions. However, the requirement for full discharge makes this test impractical for real life applications. This takes too much time and interrupts the system function while the test is performed.

他のＳＯＣ決定技術は、アンペア‐アワ‐カウンティングと呼ばれる。これは簡単に実行できるためＳＯＣの決定に対する最も一般的な技術である。これは、バッテリーの電流を測定し、ＳＯＣを決定するために上記測定値を用いる。アンペア‐アワ‐カウンティングは、以下の数式を用いる。

Another SOC determination technique is called ampere-hour-counting. This is the most common technique for determining the SOC because it can be easily performed. This measures the battery current and uses the above measurements to determine the SOC. Amp-hour-counting uses the following formula:

上記（１）式において、Ｃ_ｎは、バッテリーの評価された容量である。I_battは、バッテリーの電流であり、I_lossは損失反応（ｌｏｓｓ ｒｅａｃｔｉｏｎｓ）によって消費された電流である。上記数式（方程式）はスタート地点である初期値ＳＯＣ_０に基づいてＳＯＣを決定する。アンペア‐アワ‐カウンティングは、本質的に紛らわしい「開ループ（ｏｐｅｎ ｌｏｏｐ）」方式である。測定誤差は蓄積され時間が経つにつれてＳＯＣ決定の正確性を低下させる。電流測定を改善する方法があるがかなりの費用がかかる。 In the above equation (1), C _n is an estimated capacity of the battery. I _batt is the battery current, and I _loss is the current consumed by the loss reactions. The above equation (equation) determines the SOC based on the initial value SOC ₀ that is the starting point. Ampere-hour-counting is an inherently misleading "open loop" scheme. Measurement errors accumulate and degrade the accuracy of the SOC determination over time. There are ways to improve current measurements, but they are quite expensive.

電解質の測定は、さらに他の一般的な技術である。例えば、鉛蓄バッテリー（ｌｅａｄ‐ａｃｉｄ ｂａｔｔｅｒｉｅｓ）において電解質は充電と放電の間反応に関与する。そのため、酸密度における変化とＳＯＣとの間に線形関係が存在する。そのため、電解質密度を測定すればＳＯＣ推定値を算出することができる。上記密度は、イオン濃度、電導率、屈折率、粘度などによって直接または間接的に測定される。さらに、これはバッテリーにおける酸層化（ａｃｉｄ ｓｔｒａｔｉｆｉｃａｔｉｏｎ）、水分喪失、センサーの長期間の不安定性に影響を受けやすい。   Electrolyte measurement is yet another common technique. For example, in lead-acid batteries, the electrolyte is involved in the reaction between charge and discharge. Therefore, a linear relationship exists between the change in acid density and the SOC. Therefore, if the electrolyte density is measured, the estimated SOC value can be calculated. The density is measured directly or indirectly by ion concentration, conductivity, refractive index, viscosity, and the like. In addition, it is susceptible to acid stratification in the battery, moisture loss, and long term instability of the sensor.

開回路電圧測定がバッテリーのＳＯＣテストに行われることができる。開回路電圧とＳＯＣ間の関係が非線形的であるにもかかわらず、実験室テストを通じて決定することができる。一旦関係が決まれば、ＳＯＣは開回路電圧を測定することで決定することができる。しかし、測定と推定はバッテリーが長い間の非活動の後にのみ成すことができる安定状態（ｓｔｅａｄｙ ｓｔａｔｅ）にある場合にのみ正確である。これは、上記開回路の電圧技術を動的実時間（ｄｙｎａｍｉｃ ｒｅａｌ ｔｉｍｅ）の応用に非実用的になるようにする。   An open circuit voltage measurement can be made to the battery SOC test. Despite the non-linear relationship between open circuit voltage and SOC, it can be determined through laboratory tests. Once the relationship is determined, the SOC can be determined by measuring the open circuit voltage. However, measurements and estimates are only accurate when the battery is in a steady state that can only be made after a long period of inactivity. This makes the open circuit voltage technique impractical for dynamic real time applications.

インピーダンス分光法は、ＳＯＣの決定に用いられる他の技術である。インピーダンス分光法は、バッテリーの多様な特性の決定において広くて多様な応用例を有している。インピーダンス分光法はインピーダンス分光法の測定から誘導されるバッテリーモデルパラメーターとＳＯＣ間の関係を活用する。しかし、この技術の短所はインピーダンス曲線が温度効果により強く影響を受けるということである。そのため、これの応用例は温度が安定的な環境下における応用例に制限される。   Impedance spectroscopy is another technique used to determine SOC. Impedance spectroscopy has a wide variety of applications in determining various characteristics of batteries. Impedance spectroscopy takes advantage of the relationship between battery model parameters and SOC derived from impedance spectroscopy measurements. However, the disadvantage of this technique is that the impedance curve is strongly affected by the temperature effect. Therefore, this application example is limited to an application example in a temperature stable environment.

内的抵抗は、インピーダンス分光法に関連する技術である。内的抵抗は、同一の時間隔間の電流変化により除される電圧降下によって計算される。１０ｍｓより長い全ての時間間隔はさらに複雑な抵抗測定をもたらすため、上記選択された時間間隔は重要である。内的抵抗の測定は、測定正確性に非常に敏感である。このような必要条件は、ハイブリッド電気輸送手段（Ｈｙｂｒｉｄ Ｅｌｅｃｔｒｉｃ Ｖｅｈｉｃｌｅ：ＨＥＶ）と電気輸送手段（Ｅｌｅｃｔｒｉｃ Ｖｅｈｉｃｌｅｓ：ＥＶ）の応用例においては特に達成しにくい。   Internal resistance is a technique related to impedance spectroscopy. The internal resistance is calculated by the voltage drop divided by the current change during the same time interval. The selected time interval is important because all time intervals longer than 10 ms result in more complex resistance measurements. The measurement of internal resistance is very sensitive to measurement accuracy. Such a requirement is particularly difficult to achieve in application examples of hybrid electric vehicles (HEV) and electric vehicles (EV).

ある技術は測定より直接ＳＯＣを推定するために非線形モデリングを用いる。一つの例が人工的な神経網ネックワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ）である。人工的な神経網ネットワークはあらゆるシステムでも動作して入力と出力間の関係を予測する。上記ネットワークは、それの推定を改善するように反復的に訓練されるべきである。データの正確性はネックワークに対する訓練プログラムに基づくため、人工的な神経網ネットワークによって与えられるＳＯＣ予測に関わる誤差を決定することは難しい。   One technique uses nonlinear modeling to estimate SOC directly from measurements. One example is artificial neural networks. Artificial neural network networks work in any system to predict the relationship between input and output. The network should be iteratively trained to improve its estimation. Since the accuracy of the data is based on a training program for the neckwork, it is difficult to determine the error associated with the SOC prediction given by the artificial neural network network.

解釈技術（ｉｎｔｅｒｐｒｅｔｉｖｅ ｔｅｃｈｎｉｑｕｅｓ）と呼ばれるＳＯＣ推定技術の他のグループがある。解釈技術は直接的にＳＯＣを与えない代わり、それらはＳＯＣを決定するために電気的放電及び充電特性を用いる。その自体で、ＳＯＣは計算された値から推論されるべきである。このような技術の一つが「鞭打ち（Ｃｏｕｐ ｄｅ ｆｏｕｅｔ）」と呼ばれる。「鞭打ち」は、鉛蓄バッテリーの完全充電に相次ぐ放電の開始地点で発生する短い電圧降下領域を示す。この「鞭打ち」領域で発生する電圧パラメーター間の特別な相関関係を用いてＳＯＣを推論することができる。上記「鞭打ち」に対する一つの限界は鉛蓄バッテリーでのみ動作するということである。さらに、これはバッテリー作動中に完全充電が頻繁になされる場合にのみ効果的である。   There is another group of SOC estimation techniques called interpretive techniques. Interpretation techniques do not provide SOC directly, but they use electrical discharge and charge characteristics to determine SOC. As such, the SOC should be inferred from the calculated value. One such technique is called “Cup de fouet”. “Whipping” refers to a short voltage drop region that occurs at the beginning of the discharge following the full charge of the lead acid battery. The SOC can be inferred using a special correlation between the voltage parameters generated in this “whipping” region. One limitation to the “whipping” is that it only works with lead acid batteries. Furthermore, this is only effective if full charging is done frequently during battery operation.

カルマンフィルター（Ｔｈｅ Ｋａｌｍａｎ Ｆｉｌｔｅｒ）
ＳＯＣ決定技術の一つは、数学的にバッテリーの動作をモデリングし上記モデルに基づいたＳＯＣを予測することと関連する。その一つのモデルがカルマンフィルターである。それは、統計、確率及びシステムモデリングにおける数学的基礎を有している。カルマンフィルターの主な目的は、システムの出力値のみを用いて動的システムの内的状態を再帰的に予測することである。システムの内的状態は知られずにまた直接的に測定できないので多くの例でこれはかなり有用である。その自体で、カルマンフィルターはバッテリーの全てのタイプで動作でき、言及された多くの技術の制限に対処する。 Kalman filter (The Kalman Filter)
One SOC determination technique involves mathematically modeling battery behavior and predicting SOC based on the model. One model is the Kalman filter. It has a mathematical basis in statistics, probability and system modeling. The main purpose of the Kalman filter is to recursively predict the internal state of a dynamic system using only the output value of the system. This is quite useful in many instances because the internal state of the system is unknown and cannot be measured directly. As such, the Kalman filter can work with all types of batteries, addressing many of the technology limitations mentioned.

カルマンフィルターは他の多くの類似な数学的システムモデルに比べて幾つかの長所を有するので航空学とコンピューターグラフィックのような分野に広く用いられている。特に、カルマンフィルターは連続的な段階で推定をアップデートするとき、測定の不確定性と推定の不確定性を両方とも考慮する。カルマンフィルターはセンサーから受信した新しい測定値に基づいて二つの不確定性を補正する。これは二つの理由で非常に重要である。第一、センサーはたびたびそれの測定に関わる不確定性またはノイズ成分を有する。補正されなければ時間が経つにつれて上記測定の不確定性は蓄積され得る。第二、如何なるモデルシステムであっても推定そのものは本来不確定性を有する。何故ならば、システムの内的動的状態（ｉｎｔｅｒｎａｌ ｄｙｎａｍｉｃ）は時間が経つにつれて変化し得るためである。システムは内的に変化してモデルにあまりに合わないように行動することがあるため、一つの時間段階（ｏｎｅ ｔｉｍｅ ｓｔｅｐ）の推定は次（ｎｅｘｔ）より正確でないことがある。カルマンフィルターの補正メカニズム（ｃｏｒｒｅｃｔｉｏｎ ｍｅｃｈａｎｉｓｍ）は、各時間段階におけるこうような不確定性を最小化して時間の経過による正確性の低下を防止することができる。   The Kalman filter has several advantages over many other similar mathematical system models and is widely used in fields such as aeronautics and computer graphics. In particular, the Kalman filter considers both measurement uncertainty and estimation uncertainty when updating the estimation in successive steps. The Kalman filter corrects for two uncertainties based on new measurements received from the sensor. This is very important for two reasons. First, the sensor often has an uncertainty or noise component associated with its measurement. If not corrected, the measurement uncertainty can accumulate over time. Second, the estimation itself is inherently uncertain in any model system. This is because the internal dynamic state of the system can change over time. Since the system may change internally and behave too little to fit the model, the estimation of one time step may be less accurate than the next. The correction mechanism of the Kalman filter can minimize such uncertainties at each time step to prevent a decrease in accuracy over time.

図１は、カルマンフィルターの基本的な動作を示している。カルマンフィルターには二つの主なコンポーネント（ｃｏｍｐｏｎｅｎｔ）があるが、予測コンポーネント（ｐｒｅｄｉｃｔ ｃｏｍｐｏｎｅｎｔ）１０１と補正コンポーネント（ｃｏｒｒｅｃｔ ｃｏｍｐｏｎｅｎｔ）１０２である。まず、一連の初期パラメーターが予測コンポーネント１０１に入力される。予測コンポーネント１０１は、一連の入力パラメーターを用いて特定の時点でシステムの内的状態を予測する。内的状態を予測するとともに、予測の不確定性も提供する。そして、図１に示したように、予測コンポーネント１０１の二つの出力は予測された内的状態ベクター（内的状態を含む）とその不確定性である。   FIG. 1 shows the basic operation of the Kalman filter. The Kalman filter has two main components: a predictive component 101 and a correct component 102. First, a series of initial parameters are input to the prediction component 101. The prediction component 101 uses a series of input parameters to predict the internal state of the system at a particular point in time. In addition to predicting internal conditions, it also provides prediction uncertainty. As shown in FIG. 1, the two outputs of the prediction component 101 are the predicted internal state vector (including the internal state) and its uncertainty.

補正コンポーネント１０２の役割は予測コンポーネント１０１から受信した上記予測された内的状態と不確定性を補正することである。上記補正は上記予測された内的状態と予測された不確定性をセンサーから受信した新しい測定値と比べることでなされる。結果は補正された内的状態と補正された不確定性であり、その後、両方とも再び次の反復（ｎｅｘｔ ｉｔｅｒａｔｉｏｎ）のために予測コンポーネント１０１にパラメーターとしてフィードバックされる。次の反復で、上記サイクルが再び繰り返される。   The role of the correction component 102 is to correct the predicted internal state and uncertainty received from the prediction component 101. The correction is made by comparing the predicted internal state and the predicted uncertainty with a new measurement received from the sensor. The result is a corrected internal state and a corrected uncertainty, and both are then fed back as parameters to the prediction component 101 for the next iteration again. In the next iteration, the cycle is repeated again.

カルマンフィルターの数学的基礎
図１Ａと図１Ｂは、カルマンフィルターの予測及び補正コンポーネントの両方で用いられる数式を示す。用いられた数式の根源を理解するために次の形態のｎ次階差方程式（ｎ‐ｔｈ ｏｒｄｅｒ ｄｉｆｆｅｒｅｎｃｅ ｅｑｕａｔｉｏｎ）によって表現される動的プロセスを考慮する。

Mathematical Basis of Kalman Filter FIGS. 1A and 1B show mathematical formulas used in both the Kalman filter prediction and correction components. To understand the root of the formula used, consider a dynamic process represented by the following form of n-th order difference equation: n-th order difference equation.

上記（２）式において、ｕ_ｋは、ゼロミーンホワイトランダムプロセスノイズ（ｚｅｒｏ‐ｍｅａｎ ｗｈｉｔｅｒａｎｄｏｍ ｐｒｏｃｅｓｓ ｎｏｉｓｅ）である。幾つかの基礎条件下で、上記階差方程式は次のように再表現することができる。

In the above (2), _{u k} is zero-mean white random process noise (zero-mean whiterandom process noise) . Under some basic conditions, the difference equation can be re-expressed as follows:

上記（３）式において、

は、以前状態（ｐｒｅｖｉｏｕｓ ｓｔａｔｅ）の

と入力ｕ_ｋの線形的組み合わせによってモデルされた新しい状態（ｎｅｗ ｓｔａｔｅ）を示す。マトリックスＡとＢの表記法に注目すると、これは状態空間（ｓｔａｔｅ‐ｓｐａｃｅ）モデルを誘導する。

In the above equation (3),

Is the previous state (previous state)

Indicate the new state of being model (new new state) by a linear combination of the input _{u k} and. Focusing on the notation of matrices A and B, this leads to a state-space model.

または、さらに一般的な形態として、

Or, as a more general form,

上記数式は、多くの線形推定モデルの基礎になる。（３）式ないし（５）式は単一（ｓｉｎｇｌｅ）入力と単一出力を有するシステムを示している反面、Ｂが多重列（ｃｏｌｕｍｎｓ）を有し、Ｃが多重行（ｒｏｗｓ）を有すれば、（６）式、（７）式及び次の数式は多重（ｍｕｌｔｉｐｌｅ）入力と多重出力を許容する。   The above formula is the basis for many linear estimation models. Equations (3) through (5) show a system with a single input and a single output, while B has multiple columns and C has multiple rows. For example, the equations (6), (7) and the following equations allow multiple inputs and multiple outputs.

（６）式と（７）式に基づいて、上記カルマンフィルターは以下の数式によって運用される。
x_k=Ax_k-1+Bu_k-1+w_k-1 （８）
y_k=Cx_k+Du_k+v_k （９） Based on the equations (6) and (7), the Kalman filter is operated by the following equation.
x _k = Ax _k-1 + Bu _k-1 + w _k-1 (8)
y _k = Cx _k + Du _k + v _k (9)

Ｄが時々０に仮定されるにもかかわらず（９）式がさらに一般的な形態である。（８）式におけるマトリックスＡとＢはそれぞれ（６）式においてマトリックスＡ_ｋ、Ｂ_ｋと関連する。（９）式におけるマトリックスＣとＤは（７）式においてＣ_ｋ、Ｄ_ｋと関連する。（８）式は動的システムプロセス（ｄｙｎａｍｉｃ ｓｙｓｔｅｍ ｐｒｏｃｅｓｓ）の推定を運用するためプロセス関数と呼ばれる。（８）式と（９）式において追加されたランダム変数ｗ_ｋとｖ_ｋはそれぞれプロセスノイズと測定ノイズを示す。推定に対するそれらの寄与は図１Ａと１Ｂにおいてそれらの共分散マトリックス（ｃｏｖａｒｉａｎｃｅ ｍａｔｒｉｃｅｓ）ΣωおよびΣνによって表現される。 Although D is sometimes assumed to be 0, equation (9) is a more general form. The matrices A and B in the equation (8) are related to the matrices A _k and B _{k in the} equation (6), respectively. The matrices C and D in equation (9) are related to C _k and D _{k in} equation (7). Equation (8) is called a process function in order to operate estimation of a dynamic system process. Random variables w _k and v _k added in equations (8) and (9) indicate process noise and measurement noise, respectively. Their contribution to the estimation is represented in FIGS. 1A and 1B by their covariance matrices Σω and Σν.

また、図１Ａ（予測コンポーネント１０１における数式を示す）を参照すれば、（１５１）式は（８）式に基づき、（１５２）式は（９）式の一部に基づく。（１５１）式は（８）式の形態に非常に似ているが、（１５２）式に示された形態に（９）式を変換するために必要な段階はここに示されていない。（１５１）式は現在時間段階（ｃｕｒｒｅｎｔ ｔｉｍｅ ｓｔｅｐ）からパラメーターを用いて

で表現されたベクターである、次の時間段階（ｎｅｘｔ ｔｉｍｅ ｓｔｅｐ）におけるシステムの内的状態を予測する。負数表示はベクターが上記予測コンポーネントの結果であることを示す。正数表示はベクターが上記補正コンポーネントの結果であることを示す。（１５１）式において、現在時間段階で補正コンポーネントの結果は次の時間段階の結果を予測するために用いられる。（１５２）式は、不確定性を予測するのに用いられ、これはまた誤差共分散（ｅｒｒｏｒ ｃｏｖａｒｉａｎｃｅ）として参照される。（１５２）式において、マトリックスΣωはプロセスノイズ共分散マトリックス（ｐｒｏｃｅｓｓ ｎｏｉｓｅ ｃｏｖａｒｉａｎｃｅ ｍａｔｒｉｘ）である。 Also, referring to FIG. 1A (showing mathematical formulas in the prediction component 101), formula (151) is based on formula (8), and formula (152) is based on part of formula (9). Equation (151) is very similar to the form of equation (8), but the steps necessary to convert equation (9) to the form shown in equation (152) are not shown here. Equation (151) uses parameters from the current time step.

The internal state of the system in the next time step, which is a vector expressed by A negative number display indicates that the vector is the result of the prediction component. A positive number indication indicates that the vector is the result of the correction component. In equation (151), the result of the correction component at the current time stage is used to predict the result of the next time stage. Equation (152) is used to predict uncertainty, which is also referred to as error covariance. In the equation (152), the matrix Σω is a process noise covariance matrix.

図１Ｂは、補正コンポーネント１０２内における数式を示す。このような三つの数式は連続的に行われる。第一、（１６１）式は、カルマン利得係数（Ｋａｌｍａｎ ｇａｉｎ ｆａｃｔｏｒ）を決定する。上記カルマン利得係数は（１６２）式と（１６３）式における補正を訂正するのに用いられる。（１６１）式において、マトリックスＣは（９）式から由来し、これは状態と測定値ｙ_ｋを関連させる。（１６２）式において、カルマン利得係数は、実際の測定値ｙ_ｋと予測された測定値

間に加重値を付与するために用いられる。（１６１）式に示したように、マトリックスΣν、実際の測定ノイズ共分散（ａｃｔｕａｌ ｍｅａｓｕｒｅｍｅｎｔ ｎｏｉｓｅ ｃｏｖａｒｉａｎｃｅ）はカルマン利得係数Ｌ_ｋと逆比例になる。Σνの減るほどＬ_ｋは増加し、実際の測定値ｙ_ｋにさらに大きい加重値を提供する。しかし、予測された不確定性であるマトリックス

が減少したらＬ_ｋは減少し、予測された測定値

にさらに大きい加重値を提供する。そのため、カルマン利得係数はさらに小さい不確定性を有する測定形態に依存する実際の測定値または予測された測定値を選好する。 FIG. 1B shows the mathematical formula within the correction component 102. These three mathematical expressions are performed continuously. First, Equation (161) determines a Kalman gain factor. The Kalman gain coefficient is used to correct the correction in the equations (162) and (163). In the equation (161), the matrix C is derived from the equation (9), which relates the state and the measured value y _k . In the equation (162), the Kalman gain coefficient is an actual measured value y _k and a predicted measured value.

It is used to give a weight value between them. As shown in the equation (161), the matrix Σν and the actual measurement noise covariance are inversely proportional to the Kalman gain coefficient L _k . As Σν decreases, L _k increases, providing a greater weight to the actual measurement y _k . However, the matrix that is the predicted uncertainty

If _k decreases, L _k decreases, and the predicted measurement

Provides a greater weight. Therefore, the Kalman gain factor prefers actual or predicted measurements that depend on a measurement configuration with even less uncertainty.

加重値を付与するこの方法を用いて、（１６２）式は予測された内的状態ベクター

（予測コンポーネント１０１から）、新しい測定値ｙ_ｋ及び予測された測定値

に基づいて、補正された内的状態ベクター

を演算する。結局、補正コンポーネント１０２の最後の数式において（１６３）式は、上記予測された不確定性または状態‐誤差共分散（ｓｔａｔｅ‐ｅｒｒｏｒ ｃｏｖａｒｉａｎｃｅ）を補正する。（１６３）式において、マトリックスＩは、単位行列を意味する。（１６２）式及び（１６３）式の出力は次の反復のために予測コンポーネント１０１に入力される。さらに具体的に、（１６２）式において上記計算された値

は次の反復のために（１５１）式に交替され、（１６３）式において上記計算された値

は次の反復のために（１５２）式に交替される。それでカルマンフィルターは内的状態とこれと関連した不確定性を反復的に予測し補正する。実際に、Ａ、Ｂ、Ｃ、Ｄ、Σω及びΣνは、各時間段階で変更されることができるということに注目すべきである。 Using this method of assigning weights, equation (162) is used to predict the predicted internal state vector

(From prediction component 101) new measurement y _k and predicted measurement

Corrected internal state vector based on

Is calculated. Eventually, in the last equation of the correction component 102, equation (163) corrects the predicted uncertainty or state-error covariance. In the equation (163), matrix I means a unit matrix. The outputs of equations (162) and (163) are input to the prediction component 101 for the next iteration. More specifically, the value calculated above in equation (162).

Is replaced by (151) for the next iteration, and the value calculated above in (163)

Is replaced by equation (152) for the next iteration. So the Kalman filter iteratively predicts and corrects the internal state and the associated uncertainty. In fact, it should be noted that A, B, C, D, Σω and Σν can be changed at each time step.

拡張カルマンフィルター（Ｅｘｔｅｎｄｅｄ Ｋａｌｍａｎ Ｆｉｌｔｅｒ）
カルマンフィルターはそのモデルにおいて線形関数を用いる反面、拡張カルマンフィルターは非線形関数でシステムをモデリングするために発展された。このような区別はさておき、拡張カルマンフィルターの数学的基礎または作動はカルマンフィルターと本質的に同一である。上記拡張カルマンフィルターは推定を獲得するために関数を線形化するテイラー級数（Ｔａｙｌｏｒ ｓｅｒｉｅｓ）と類似の近似値モデルを用いる。上記線形化は現在非線形プロセスとの偏導関数（ｐａｒｔｉａｌ ｄｅｒｉｖａｔｉｖｅｓ）、測定関数、予測コンポーネントにおける二つの数式に対する基礎を取ることで達成される。 Extended Kalman filter (Extended Kalman Filter)
While Kalman filters use linear functions in their models, extended Kalman filters have been developed to model systems with nonlinear functions. Apart from this distinction, the mathematical basis or operation of the extended Kalman filter is essentially the same as the Kalman filter. The extended Kalman filter uses an approximate value model similar to Taylor series that linearizes a function to obtain an estimate. The above linearization is accomplished by taking the basis for two equations in the partial derivatives with current non-linear processes, measurement functions and prediction components.

上記拡張カルマンフィルターは以下の数式によって運用される。
ｘ_ｋ＋１＝ｆ（ｘ_ｋ，ｕ_ｋ，ｗ_ｋ） （１０）
及び
ｙ_ｋ＋１＝ｈ(ｘ_ｋ，ｕ_ｋ，ｖ_ｋ) （１１） The extended Kalman filter is operated by the following formula.
_{x k + 1 = f (x} k, u k, w k) (10)
And y _{k + 1} = h (x _k , u _k , v _k ) (11)

上記数式において変数ｗ_ｋ及びｖ_ｋは各々のプロセスノイズと測定ノイズを意味する。（１０）式で非線形関数ｆは現在段階ｋにおける状態ベクターｘ_ｋを次の時間段階ｋ＋１における内的状態ベクターｘ_ｋ＋１と関連させる。関数ｆは、パラメーターとしてドライビング関数ｕ_ｋとプロセスノイズｗ_ｋをさらに含む。（１１）式で上記非線形関数ｈは、内的状態ベクターｘ_ｋと入力ｕ_ｋを測定値ｙ_ｋと関連させる。 In the above equation, the variables w _k and v _k mean process noise and measurement noise, respectively. In equation (10), the non-linear function f associates the state vector x _k at the current stage k with the internal state vector x _{k + 1} at the next time stage k + 1. The function f further includes a driving function u _k and a process noise w _k as parameters. In equation (11), the nonlinear function h associates the internal state vector x _k and the input u _k with the measured value y _k .

図２Ａ及び図２Ｂは、拡張カルマンフィルターの数式を示す。作動シーケンスはカルマンフィルターと同様である。ここでも二つのコンポーネント、すなわち予測コンポーネント２０１と補正コンポーネント２０２がある。数式は多少異なる。具体的に、マトリックスＡ及びＣはそれぞれ時間段階ごとに変化するという意味で時間段階添え字（ｓｕｂ‐ｓｃｒｉｐｔ）ｋを現在有している。この変化は関数が現在非線形的であるため必要である。これ以上マトリックスがカルマンフィルターの場合のように定数であると仮定することはできない。これらを近似化するためにヤコビ行列（ｊａｃｏｂｉａｎ ｍａｔｒｉｃｅｓ）が各時間段階で関数ｆとｈの偏導関数を取ることで演算される。ヤコビ行列は以下にリストされる。   2A and 2B show mathematical formulas of the extended Kalman filter. The operation sequence is the same as that of the Kalman filter. Again, there are two components: a prediction component 201 and a correction component 202. The formula is slightly different. Specifically, the matrices A and C currently have a time-step subscript (sub-script) k in the sense that each time-step changes. This change is necessary because the function is currently non-linear. No further assumption can be made that the matrix is constant as in the case of the Kalman filter. In order to approximate them, a Jacobian matrix is calculated by taking partial derivatives of the functions f and h at each time stage. The Jacobian matrix is listed below.

Ａは、ｘに対するｆの偏道関数を取ることで演算されたヤコビ行列である。すなわち、

A is a Jacobian matrix calculated by taking an eccentric function of f with respect to x. That is,

Ｃは、ｘに対するｈの偏導関数を取ることで演算されたヤコビ行列である。すなわち、

C is a Jacobian matrix calculated by taking a partial derivative of h with respect to x. That is,

関数の偏導関数を取るこのような追加的な段階はさておき、拡張カルマンフィルターの作動は本質的にカルマンフィルターと同様である。   Apart from this additional step of taking the partial derivative of the function, the operation of the extended Kalman filter is essentially the same as the Kalman filter.

バッテリーでＳＯＣを決定するためのカルマンフィルターの利用
バッテリー出力を測定さえすれば良いため、カルマンフィルターはＨＥＶとＥＶのような動的応用例を含むバッテリーシステムの全ての形態で作用できるという点で長所を有する。バッテリーのＳＯＣを決定するためにカルマンフィルターを用いる現存する応用例がある。しかし、それらの中で如何なる例もモデルの内的状態としてＳＯＣを用いない。そのため、ＳＯＣ推定と関連した不確定性を決定することができない。上記欠点は不確定範囲が運送手段の電力損失またはバッテリーの過少充電を防止するために必要なＨＥＶ及びＥＶにおいて特に重要である。また、現存する方法のうち如何なる方法もバッテリーＳＯＣを非線形的にモデリングするために拡張カルマンフィルターを用いない。 Use of the Kalman filter to determine the SOC in the battery The Kalman filter has the advantage that it can work in all forms of battery systems, including dynamic applications such as HEV and EV, because it only needs to measure the battery output. Have There are existing applications that use Kalman filters to determine the SOC of a battery. However, none of them use SOC as the internal state of the model. Therefore, the uncertainty associated with SOC estimation cannot be determined. The above disadvantages are particularly important in HEVs and EVs where an indeterminate range is necessary to prevent power loss of the vehicle or undercharging of the battery. Also, none of the existing methods uses an extended Kalman filter to model the battery SOC nonlinearly.

カルマンフィルターは単に一般的なモデルとして扱われるという点を注目することが重要である。カルマンフィルターの各応用例は、依然としてＳＯＣを推定するためにバッテリーの駆動を正確に示すことができる、良い特定のバッテリーモデルと初期パラメーターを用いる必要がある。例えば、カルマンフィルターを用いて内的状態としてＳＯＣを測定するために上記フィルターは一つの時間段階から次の段階へのＳＯＣ転移（ｔｒａｎｓｉｔｉｏｎ）方法を示す特定の数式を有している必要がある。そのような数式の決定は重要なことである。   It is important to note that the Kalman filter is only treated as a general model. Each application of the Kalman filter still needs to use a good specific battery model and initial parameters that can accurately indicate battery drive to estimate the SOC. For example, in order to measure SOC as an internal state using a Kalman filter, the filter needs to have a specific mathematical formula indicating a method of SOC transition from one time stage to the next stage. The determination of such a formula is important.

バッテリーでＳＯＨを決定するためのカルマンフィルターの使用
さらに、再充電可能なバッテリーパックの技術分野で直接的に測定することはできないが、現在バッテリーパックの条件を示す量的要素（ｑｕａｎｔｉｔｉｅｓ）を推定できることがある応用例において望ましい。このような量的要素の中で数分内に全体範囲を横切る（ｔｒａｖｅｒｓｅ）パックの充電状態（ｐａｃｋ ｓｔａｔｅ ｏｆ ｃｈａｒｇｅ）のような、ある要素は急激に変化し得、１０年またはそれ以上の通常の使用で２０％くらいの小さい範囲で変化し得るセル容量のような他のものなどは非常に徐々に変化する。急速に変化する傾向がある量的要素はシステムの「状態」を構成し、遅く変化する傾向がある量的要素はシステムの時変（ｔｉｍｅ ｖａｒｙｉｎｇ）パラメーターを構成する。 Use of the Kalman filter to determine SOH in the battery In addition, it is not possible to directly measure in the technical field of rechargeable battery packs, but it is possible to estimate the quantitative factors that currently indicate the battery pack conditions Is desirable in certain applications. Some of these quantitative factors, such as pack state of charge, that traverse the entire range within minutes can change rapidly and are typically 10 years or more Others such as cell capacity, which can change in as little as 20% range, will change very gradually. Quantitative elements that tend to change rapidly constitute the “state” of the system, and quantitative elements that tend to change slowly constitute the time varying parameters of the system.

バッテリーシステム分野、例えば、ハイブリッド電気輸送手段（ＨＥＶ）、バッテリー電気輸送手段（Ｂａｔｔｅｒｙ Ｅｌｅｃｔｒｉｃ Ｖｅｈｉｃｌｅｓ：ＢＥＶ）、ラップトップ（ｌａｐｔｏｐ）コンピューターのバッテリー、移動可能な装備バッテリーパックなどのようにバッテリーの寿命に悪影響を及ぼさずにできるだけ活発に長い時間作動する必要があるものなどにおいては、特に、緩変するパラメーター（例えば、全体容量）に対する情報がパックの健康状態（ｐａｃｋ ｈｅａｌｔｈ）を決定し、ＳＯＣ演算を含んだ他の演算に役立つ。   Battery system field, for example, hybrid electric vehicle (HEV), battery electric vehicle (BEV), laptop computer battery, movable equipment battery pack, etc. In particular, information on slowly changing parameters (eg total volume) determines the pack health and includes the SOC calculation, such as those that need to operate as long as possible without affecting It's useful for other operations.

セルのＳＯＨ（Ｓｔａｔｅ Ｏｆ Ｈｅａｌｔｈ）を推定するための現存する種々の方法があるが、これらは二つの量的要素（電力減退及び容量減退（両方とも緩変））を推定することと関わる。電力減退は現在と初期パックの電気抵抗が分かっていれば計算でき、容量減退は、例えば、他の方法が用いられるものの、現在と初期パックの全体容量が分かっていれば計算できる。   There are various existing methods for estimating the SOH (State Of Health) of a cell, but these involve estimating two quantitative factors: power degradation and capacity degradation (both slowly varying). The power reduction can be calculated if the current and initial pack electrical resistances are known, and the capacity reduction can be calculated if the total capacity of the current and initial packs is known, for example, although other methods are used.

電力と容量減退は普通健康状態の表現で示すことができる。ある与えられた時間におけるパックから利用可能な最大電力のような変数の値を用いて他の情報を類推することができる。追加的なパラメーターも特定の応用に必要な場合があり、個別的なアルゴリズムは各々のものを知るために典型的に要求されるだろう。   Power and capacity decline can usually be expressed in terms of health status. Other information can be inferred using values of variables such as the maximum power available from the pack at a given time. Additional parameters may also be required for specific applications, and individual algorithms will typically be required to know each one.

従来技術はＳＯＨの推定に対する次の他の接近方法、すなわち、放電テスト、化学依存的方法（ｃｈｅｍｉｓｔｒｙ‐ｄｅｐｅｎｄｅｎｔ ｍｅｔｈｏｄｓ）、オームテスト（ｏｈｍｉｃ ｔｅｓｔｓ）、そして部分放電を用いる。放電テストは、セルの全体容量を決定するために完全に充電されたセルを完全に放電させる。このテストはシステム機能を中断させ、セルエネルギーを浪費させる。化学依存的方法は、プレートの腐食、電解質密度のレベルを測定することを含む。「鞭打ち」は、鉛蓄電池に用いられる。オームテストは、抵抗、コンダクタンス、インピーダンステストを含むが、ファジーロジッグ（ｆｕｚｚｙ‐ｌｏｇｉｃ）アルゴリズム及び／または神経網と場合によって連携される。このような方法は侵襲性の測定を要する。部分的放電と他の方法は実験対象セルを良質のセルまたは良質セルのモデルと比較する。   The prior art uses the following other approaches to SOH estimation: discharge testing, chemistry-dependent methods, ohmic tests, and partial discharge. The discharge test completely discharges a fully charged cell to determine the overall capacity of the cell. This test disrupts system function and wastes cell energy. The chemical dependent method involves measuring the level of corrosion, electrolyte density of the plate. “Whipping” is used for lead acid batteries. Ohmic testing includes resistance, conductance, impedance testing, but is optionally coordinated with a fuzzy-logic algorithm and / or neural network. Such a method requires invasive measurements. Partial discharge and other methods compare the experimental cell to a good quality cell or a good quality cell model.

セルの抵抗と容量のようなセルのパラメーターを絶えずに推定する方法が必要とされている。さらに、システム機能を中断させず、エネルギーを浪費させないテスト、一般的な適用（例えば、セル電気化学の他のタイプ、他の応用例）が可能な方法、侵襲的な測定とよほど過酷な接近が要求されない方法が必要とされている。バッテリーパックにおける並列及び／または直列セルの他の構成に動作する方法が必要とされている。   What is needed is a way to continually estimate cell parameters such as cell resistance and capacity. In addition, tests that do not interrupt system functions and do not waste energy, methods that allow general applications (eg, other types of cell electrochemistry, other applications), invasive measurements and very harsh access A method that is not required is needed. What is needed is a way to operate on other configurations of parallel and / or series cells in a battery pack.

発明の概要Summary of the Invention

本発明は、バッテリー電力応用例に対するバッテリーの充電状態（ＳＯＣ）及び健康状態（ＳＯＨ）を含むパックの現在の動作条件を示す値の推定に関するものである。バッテリーは、一次タイプまたは二次（再充電可能な）タイプであり得る。さらに、本発明は、如何なるバッテリー化学分野にも適用できる。それは、高い誤差不確定性、制限された応用範囲（例えば、一つのみのバッテリータイプ）及び温度変化に対する敏感性のような現存する具現例に関連した問題に対処する。   The present invention relates to estimation of values indicative of the current operating conditions of the pack including battery state of charge (SOC) and health (SOH) for battery power applications. The battery can be a primary type or a secondary (rechargeable) type. Furthermore, the present invention can be applied to any battery chemistry field. It addresses issues associated with existing implementations such as high error uncertainty, limited application range (eg, only one battery type) and sensitivity to temperature changes.

本発明の実施例は、内的システム状態としてＳＯＣを有するバッテリーモデルとしてカルマンフィルター、線形アルゴリズムを用いる。本発明の実施例は、内的システム状態としてＳＯＣを有するバッテリーモデルとして拡張カルマンフィルター、非線形アルゴリズムを用いる。内的状態としてＳＯＣを有することは本発明がＳＯＣ推定と関連した不確定性を提供することにする。本発明の実施例は、ＳＯＣ推定におけるパラメーターとしてバッテリー温度を取らない。本発明の他の実施例は、ＳＯＣ推定を調整するためのパラメーターとしてバッテリー温度を用いる。変化する温度によって影響を受けることからＳＯＣ推定の正確性を維持することは重要である。   The embodiment of the present invention uses a Kalman filter, a linear algorithm as a battery model having SOC as an internal system state. The embodiment of the present invention uses an extended Kalman filter and a nonlinear algorithm as a battery model having SOC as an internal system state. Having SOC as an internal state allows the present invention to provide uncertainty associated with SOC estimation. Embodiments of the present invention do not take battery temperature as a parameter in SOC estimation. Another embodiment of the invention uses battery temperature as a parameter to adjust the SOC estimate. It is important to maintain the accuracy of the SOC estimation because it is affected by the changing temperature.

一実施例は、以前、具現が難しかったハイブリッド電気輸送手段と電気輸送手段に用いられる極めて動的なバッテリー（ｈｉｇｈｌｙ ｄｙｎａｍｉｃ ｂａｔｔｅｒｉｅｓ）に、バッテリーが動作する間相違なるモデリングパラメーターが適応するように許容する選択事項を有する。   One embodiment allows highly dynamic batteries used in hybrid electric vehicles and electric vehicles that were previously difficult to implement to accommodate different modeling parameters during battery operation. Have a choice.

さらに、本発明は、電気化学セル（ｅｌｅｃｔｒｏｃｈｅｍｉｃａｌ ｃｅｌｌ）のパラメーター、さらに具体的に、例えば、セルのパラメーター値を推定する装置及び方法に関する。   Furthermore, the present invention relates to an apparatus and method for estimating parameters of an electrochemical cell, more specifically, for example, a parameter value of a cell.

本発明のさらに他の側面による電気化学セルの現在パラメーターを推定する方法は、セルの内的パラメーターの予測を行う段階と、内的パラメーターの予測の不確定性の予測を行う段階と、上記内的パラメーターの予測と上記不確定性の予測を補正する段階と、上記内的パラメーターの予測、上記不確定性の予測及び上記補正を繰り返すアルゴリズムを適用して、パラメーターに対して行う推定とパラメーターの予測に対する不確定性を算出する段階と、を含む。   A method for estimating a current parameter of an electrochemical cell according to still another aspect of the present invention includes a step of predicting an internal parameter of a cell, a step of predicting uncertainty of prediction of an internal parameter, The estimation of the parameters and the parameter Calculating uncertainty for the prediction.

本発明のさらに他の側面による電気化学セルの現在パラメーターを推定するように構成される装置は、セルの内的パラメーターの予測を行うように構成されるコンポーネントと、上記内的パラメーターの予測の不確定性の予測を行うように構成されるコンポーネントと、上記内的パラメーターの予測と上記不確定性の予測を補正するように構成されるコンポーネントと、内的パラメーターの予測を行うように構成されるコンポーネント、不確定性の予測を行うように構成されるコンポーネント及び補正するように構成されるコンポーネントによって行われた段階を繰り返して、パラメーターに対して行う推定とパラメーターの予測に対する不確定性を算出するように構成されるコンポーネントと、を含む。   An apparatus configured to estimate a current parameter of an electrochemical cell according to yet another aspect of the present invention includes a component configured to perform prediction of the internal parameter of the cell, and a failure to predict the internal parameter. A component configured to perform deterministic prediction, a component configured to correct the internal parameter prediction and the uncertainty prediction, and a internal parameter prediction Repeat the steps performed by the component, the component configured to perform uncertainty prediction and the component configured to correct, to calculate the uncertainty to estimate and the parameter prediction to perform on the parameter And a component configured as described above.

さらに、ここで一実施例として開示される電気化学セルの現在パラメーターを推定するためのシステムは、セルの内的パラメーターを予測するための手段と、内的パラメーターの予測の不確定性の予測を行うための手段と、上記内的パラメーターの予測と不確定性の予測を補正するための手段と、上記内的パラメーターの予測を行うこと、上記不確定性の予測を行うこと及び上記補正することを繰り返すアルゴリズムを適用して、上記パラメーターに対して行う予測と上記パラメーターの予測に対する不確定性を算出するための手段と、を含む。   Further, the system for estimating the current parameters of an electrochemical cell disclosed herein as an example comprises a means for predicting the internal parameters of the cell and a prediction of the uncertainty of the prediction of the internal parameters. A means for performing, a means for correcting the prediction of the internal parameter and a prediction of the uncertainty, a prediction of the internal parameter, a prediction of the uncertainty, and the correction. And applying means for repeating the algorithm to predicting the parameter and calculating uncertainties for the parameter prediction.

さらに、電気化学セルの現在パラメーターを推定するための上記方法をコンピューターが行うようにするための命令語を含む機械が認識可能なコンピュータープログラムコードでコード化された貯蔵媒体が他の実施例として開示される。   Further disclosed in another embodiment is a storage medium encoded with computer program code recognizable by a machine that includes instructions for causing a computer to perform the above method for estimating current parameters of an electrochemical cell. Is done.

さらに、コンピューターが認識可能な媒体として具現されるコンピューターデータ信号に対する他の実施例が開示される。上記コンピューターデータ信号は、電気化学セルの現在パラメーターを推定する上記方法をコンピューターが行うように構成されたコードを含む。   Furthermore, other embodiments for computer data signals embodied as computer recognizable media are disclosed. The computer data signal includes code configured to cause the computer to perform the method of estimating the current parameters of the electrochemical cell.

本発明の多様な特徴・形態及び利点は発明の詳細な説明と添付された請求範囲及び図面を通じてさらに明確に理解されるであろう。なお、図面において同一の符号は同一の構成要素を意味する。   The various features, forms and advantages of the present invention will be more clearly understood through the detailed description of the invention and the appended claims and drawings. In the drawings, the same reference numerals mean the same components.

発明の実施のための最良の形態BEST MODE FOR CARRYING OUT THE INVENTION

バッテリーの充電状態（ＳＯＣ）の推定の具現
本発明の実施例は、全てのバッテリー電力応用例に対するバッテリーＳＯＣ推定子の具現に関するものである。 Implementation of Battery State of Charge (SOC) Estimation Embodiments of the present invention relate to implementation of a battery SOC estimator for all battery power applications.

本発明は、一次（ｐｒｉｍａｒｙ）タイプまたは二次（再充電可能な）タイプのバッテリーに適用することができ、本発明は如何なるバッテリー化学分野にも適用可能である。本発明の実施例は以前具現が難しかったハイブリッド電気輸送手段と電気輸送手段に用いられる動的バッテリーに作用する。それはＳＯＣ推定とＳＯＣ推定の不確定性をともに提供する長所を有する。それは高い誤差不確定性、制限された応用範囲及び温度変化に対する敏感性のような現存する具現例に関連した問題に対処する。   The present invention can be applied to primary or secondary (rechargeable) type batteries, and the present invention can be applied to any battery chemistry field. Embodiments of the present invention operate on hybrid electric transportation means and dynamic batteries used in the electric transportation means, which were difficult to implement before. It has the advantage of providing both SOC estimation and SOC estimation uncertainty. It addresses issues associated with existing implementations such as high error uncertainty, limited application range and sensitivity to temperature changes.

温度‐独立的モデル（Ｔｅｍｐｅｒａｔｕｒｅ‐Ｉｎｄｅｐｅｎｄｅｎｔ Ｍｏｄｅｌ）
図３Ａは、本発明の一実施例によるＳＯＣ推定子のコンポーネントを示す。バッテリー３０１は、ロード回路３０５に連結される。例えば、ロード回路３０５は、電気輸送手段やハイブリッド輸送手段のモーターであり得る。バッテリー端子電圧の測定は電圧計（ｖｏｌｔｍｅｔｅｒ）３０２でなされる。バッテリー電流の測定は電流計（ａｍｍｅｔｅｒ）３０３でなされる。電圧及び電流測定値はＳＯＣを推定する演算回路３０４で処理される。バッテリーの内在的な化学成分から測定するにあたって如何なる手段も必要ではないと理解すべきである。 Temperature-Independent Model (Temperature-Independent Model)
FIG. 3A shows the components of the SOC estimator according to one embodiment of the present invention. The battery 301 is connected to the load circuit 305. For example, the load circuit 305 can be an electric transportation means or a motor of a hybrid transportation means. The battery terminal voltage is measured by a voltmeter 302. The battery current is measured by an ammeter 303. The voltage and current measurement values are processed by an arithmetic circuit 304 that estimates the SOC. It should be understood that no means are required to measure from the battery's intrinsic chemical composition.

また、全ての測定は非侵襲的であることに注目すべきである。すなわち、ロード回路３０５の正常な動作に邪魔になり得る如何なる信号もシステムに導入されない。   It should also be noted that all measurements are non-invasive. That is, no signal that can interfere with the normal operation of the load circuit 305 is introduced into the system.

演算回路３０４は、モデル状態としてバッテリーＳＯＣを含むバッテリーの数学的モデルを用いる。本発明の一実施例において、離散時間モデル（ｄｉｓｃｒｅｔｅ‐ｔｉｍｅ ｍｏｄｅｌ）が用いられ、他の実施例においては、連続時間モデル（ｃｏｎｔｉｎｕｏｕｓ‐ｔｉｍｅ ｍｏｄｅｌ）が用いられる。   The arithmetic circuit 304 uses a mathematical model of the battery including the battery SOC as a model state. In one embodiment of the present invention, a discrete-time model is used, and in another embodiment, a continuous-time model is used.

一実施例において、モデル数式は下記のようである。
ｘ_ｋ＋１＝ｆ（ｘ_ｋ，ｉ_ｋ，ｗ_ｋ) （１２）
及び
ｙ_ｋ＋１＝ｈ（ｘ_ｋ，ｉ_ｋ，ｖ_ｋ) （１３） In one embodiment, the model formula is as follows:
_{xk + 1} = f ( _xk , _ik , _wk ) (12)
And y _{k + 1} = h (x _k , i _k , v _k ) (13)

上記数式において、ｘ_ｋは、時間指標ｋ（ｘ_ｋは、スカラー量またはベクターであり得る）におけるモデル状態である。ｉ_ｋは、時間指標ｋにおけるバッテリー電流であり、ｗ_ｋは、時間指標ｋにおける撹乱の入力である。関数ｆ（ｘ_ｋ，ｉ_ｋ，ｗ_ｋ）は、時間指標ｋにおけるモデル状態と時間指標ｋ＋１におけるモデル状態とを関連付け、線形または非線形関数であり得る。本発明の実施例は、モデル状態ベクターｘ_ｋの要素としてバッテリーＳＯＣを有する。 In the above equation, x _k is the model state at the time index k (x _k can be a scalar quantity or a vector). i _k is the battery current at time index k, and w _k is the disturbance input at time index k. The function f (x _k , i _k , w _k ) associates the model state at the time index k and the model state at the time index k + 1 and can be a linear or nonlinear function. Examples of the present invention has a battery SOC as an element of a model state vector x _k.

（１３）式において、変数ｖ_ｋは、時間指標ｋにおける測定ノイズであり、ｙ_ｋは、時間指標ｋにおけるバッテリー端子電圧モデルの予測である。関数ｈ（ｘ_ｋ，ｉ_ｋ，ｗ_ｋ）は、モデルの状態、電流及び測定ノイズを時間指標ｋにおける予測された端子電圧と関連付ける。この関数は線形的または非線形的であり得る。時間指標間に経過する期間は本発明の測定が時々省略されることもあるが固定的であり得る。 In equation (13), the variable v _k is the measurement noise at the time index k, and y _k is the prediction of the battery terminal voltage model at the time index k. The function h (x _k , i _k , w _k ) relates the model state, current and measurement noise to the predicted terminal voltage at time index k. This function can be linear or non-linear. The period that elapses between the time indices may be fixed, although the measurement of the present invention may be omitted from time to time.

温度‐従属的モデル（Ｔｅｍｐｅｒａｔｕｒｅ‐Ｄｅｐｅｎｄｅｎｔ Ｍｏｄｅｌ）
図３Ｂは、本発明の他の実施例によるＳＯＣ推定子のコンポーネントを示す。バッテリー３５１は、ロード回路３５５に連結されている。例えば、ロード回路３５５は、電気輸送手段やハイブリッド輸送手段のモーターであり得る。バッテリー端子電圧の測定は、電圧計３５２でなされる。バッテリー電流の測定は電流計３５３でなされる。バッテリー温度は、温度センサー３５６によって測定される。電圧、電流、温度の測定値はＳＯＣを推定する演算回路３５４により処理される。 Temperature-Dependent Model (Temperature-Dependent Model)
FIG. 3B shows the components of the SOC estimator according to another embodiment of the present invention. The battery 351 is connected to the load circuit 355. For example, the load circuit 355 can be an electric transportation means or a motor of a hybrid transportation means. The battery terminal voltage is measured with a voltmeter 352. The battery current is measured by an ammeter 353. Battery temperature is measured by temperature sensor 356. The measured values of voltage, current, and temperature are processed by an arithmetic circuit 354 that estimates the SOC.

演算回路３５４は、モデル状態としてバッテリーＳＯＣを含むバッテリーの温度従属的数学モデルを用いる。本発明の一実施例において、離散時間モデルが用いられる。他の実施例においては、連続時間モデルが用いられる。一実施例において、モデル数式は下記のようである。
ｘ_ｋ＋１＝ｆ（ｘ_ｋ，ｉ_ｋ，Ｔ_ｋ，ｗ_ｋ） （１４）
及び
ｙ_ｋ＋１＝ｆ（ｘ_ｋ，ｉ_ｋ，Ｔ_ｋ，ｖ_ｋ) （１５） The arithmetic circuit 354 uses a battery temperature-dependent mathematical model including the battery SOC as a model state. In one embodiment of the invention, a discrete time model is used. In other embodiments, a continuous time model is used. In one embodiment, the model formula is as follows:
_{xk + 1} = f ( _xk , _ik , _Tk , _wk ) (14)
And y _{k + 1} = f (x _k , i _k , T _k , v _k ) (15)

上記数式において、ｘ_ｋは、時間指標ｋ（ｘ_ｋは、スカラー量またはベクターであり得る）におけるモデル状態である。Ｔ_ｋは、時間指標ｋでバッテリーパック内の一つ以上の地点で測定されたバッテリー温度であり、ｗ_ｋは、時間指標ｋにおける撹乱の入力である。従属的パラメーターとして、バッテリー温度の利用は変化する温度によって影響を受けることからＳＯＣ推定の正確性を保つのに重要である。関数ｆ（ｘ_ｋ，ｉ_ｋ，Ｔ_ｋ，ｗ_ｋ）は、時間指標ｋにおけるモデル状態と時間指標ｋ＋１におけるモデル状態とを関連付け、線形または非線形関数であり得る。本発明の実施例は、モデル状態ベクターｘ_ｋの要素としてバッテリーＳＯＣを有する。 In the above equation, x _k is the model state at the time index k (x _k can be a scalar quantity or a vector). T _k is the battery temperature measured at one or more points in the battery pack at time index k, and w _k is the disturbance input at time index k. As a dependent parameter, the use of battery temperature is important to maintain the accuracy of the SOC estimation since it is affected by changing temperature. The function f (x _k , i _k , T _k , w _k ) associates the model state at the time index k with the model state at the time index k + 1 and can be a linear or nonlinear function. Examples of the present invention has a battery SOC as an element of a model state vector x _k.

（１５）式において、変数ｖ_ｋは、時間指標ｋにおける測定ノイズであり、ｙ_ｋは、時間指標ｋにおけるバッテリー端子電圧モデルの予測である。関数ｈ（ｘ_ｋ，ｉ_ｋ，Ｔ_ｋ，ｗ_ｋ）は、モデルの状態、電流及び測定ノイズを時間指標ｋにおける予測された端子電圧と関連付ける。この関数は線形的または非線形的であり得る。時間指標間に経過する期間は上記発明の測定が時々省略されることもあるが固定的であるとされる。 In equation (15), the variable v _k is the measurement noise at the time index k, and y _k is the prediction of the battery terminal voltage model at the time index k. The function h (x _k , i _k , T _k , w _k ) associates model state, current and measurement noise with the predicted terminal voltage at time index k. This function can be linear or non-linear. The period of time between the time indexes is fixed, although the measurement of the above invention is sometimes omitted.

上記モデルのカルマンフィルター及び拡張カルマンフィルターへの適用
本発明の一実施例において、（１２）式と（１３）式の上記温度‐独立的バッテリーの数学モデルは、システムが動作するとき、バッテリーＳＯＣを推定するカルマンフィルターに対する基礎として用いられる。この実施例において、関数ｆとｈは線形的である。本発明の他の実施例に（１４）式と（１５）式の上記温度‐従属的バッテリーの数学モデルはシステムが動作するとき、バッテリーＳＯＣを推定するカルマンフィルターに対する基礎として用いられる。この実施例において、関数ｆとｈはともに線形的である。 Application of the above model to the Kalman filter and the extended Kalman filter In one embodiment of the present invention, the mathematical model of the temperature-independent battery of Equations (12) and (13) determines the battery SOC when the system operates. Used as a basis for the Kalman filter to estimate. In this embodiment, the functions f and h are linear. In another embodiment of the present invention, the mathematical model of the temperature-dependent battery of equations (14) and (15) is used as a basis for the Kalman filter to estimate the battery SOC when the system is operating. In this embodiment, the functions f and h are both linear.

本発明の他の一実施例において、（１２）式と（１３）式の上記温度‐独立的数学モデルは拡張カルマンフィルターに対する基礎として用いられる。関数ｆとｈはこの実施例において非線形的である。本発明の他の実施例において、（１４）式と（１５）式の上記温度‐従属的数学モデルは拡張カルマンフィルターに対する基礎として用いられる。この実施例において、関数ｆとｈはともに非線形的である。本技術の当業者ならあるルーエンバーガ観測器（ｌｕｅｎｂｅｒｇｅｒ‐lｉｋｅ ｏｂｓｅｒｖｅｒ）のようなものだけでなく、カルマンフィルターの他の変形例も用いることができると認識するだろう。   In another embodiment of the invention, the above temperature-independent mathematical model of equations (12) and (13) is used as the basis for the extended Kalman filter. The functions f and h are non-linear in this embodiment. In another embodiment of the invention, the above temperature-dependent mathematical model of equations (14) and (15) is used as the basis for the extended Kalman filter. In this embodiment, both functions f and h are non-linear. Those skilled in the art will recognize that other variations of the Kalman filter can be used, as well as certain Luenberger-like observers.

拡張カルマンフィルターの動作
図４Ａ及び図４Ｂは、拡張カルマンフィルターに対する一実施例を示す。この実施例において、温度‐独立的モデルからの（１２）式と（１３）式は拡張カルマンフィルターの基礎として用いられる。両図面内で両予測コンポーネントと補正コンポーネント内の数式は、図２に示したように、拡張カルマンフィルターの一般的な形態を有する。しかし、この実施例において変数の名称に多少の変化がある。この差は、バッテリーのＳＯＣ測定に用いられた変数と（１２）式と（１３）式の利用を反映する。

は、バッテリーの内的状態を示す予測されたベクターを現在示している反面、

は、上記予測された状態‐誤差共分散（不確定性）を現在示している。関数ｆとｈは、（１２）式と（１３）式で示されたものと同様である。補正コンポーネント４０２の（４６２）式における実際の測定項目は現在ｍ_ｋとして表現されると理解すべきである。 Operation of Extended Kalman Filter FIGS. 4A and 4B show an embodiment for an extended Kalman filter. In this example, equations (12) and (13) from the temperature-independent model are used as the basis for the extended Kalman filter. The equations in both prediction and correction components in both drawings have the general form of an extended Kalman filter, as shown in FIG. However, there are some changes in the names of the variables in this embodiment. This difference reflects the variables used for battery SOC measurement and the use of equations (12) and (13).

Is currently showing a predicted vector indicating the internal state of the battery,

Currently shows the predicted state-error covariance (uncertainty). The functions f and h are the same as those shown in the equations (12) and (13). It should be understood that the actual measurement item in equation (462) of the correction component 402 is now expressed as m _k .

図５Ａと図５Ｂは、拡張カルマンフィルターに対する他の実施例を示している。この実施例において、温度‐従属的モデルからの（１４）式と（１５）式が拡張カルマンフィルターの基礎として用いられる。全ての数式は、図４Ａと図４Ｂにおけるそれと、（５５１）式と（５６２）式が追加的な温度項目Ｔ_ｋを現在有している点を除いては同一である。したがって、この実施例において拡張カルマンフィルターの反復遂行ごとにバッテリーの温度は推定を決定するために用いられる。バッテリー容量は時々温度によって影響を受けるので、この追加項目は数式がさらに正確にバッテリーをモデリングするようにする。 5A and 5B show another embodiment for an extended Kalman filter. In this example, equations (14) and (15) from the temperature-dependent model are used as the basis for the extended Kalman filter. All formulas therewith in FIGS. 4A and 4B, are identical except that has (551) and (562) below an additional temperature fields T _k current. Thus, in this embodiment, the battery temperature is used to determine an estimate for each iteration of the extended Kalman filter. Since battery capacity is sometimes affected by temperature, this additional item allows the formula to model the battery more accurately.

図６は、温度‐独立モデルを用いる本発明の一実施例による拡張カルマンフィルターの動作を示す。ブロック６００において、アルゴリズムは

の以前推定値（ｐｒｉｏｒ ｅｓｔｉｍａｔｅｓ）に初期化される。

は、（１２）式の関数ｆから由来する反面、

は、（１３）式の関数ｈから由来する。ブロック６００の完了後、

の推定値をもって上記アルゴリズムは拡張カルマンフィルターの補正コンポーネントを開始する。

の推定値は補正コンポーネントによって要求された予測コンポーネントからの出力の役割を果たす。ブロック６０１において、ｘに対する数式ｈの偏道関数が演算され、マトリックスＣを算出する。ブロック６０２においては、カルマンゲイン（Ｋａｌｍａｎ ｇａｉｎ）Ｌ_ｋがマトリックスＣ、

を用いて演算される。これは、図４Ｂにおける補正コンポーネント４０２の一番目の数式（（４６１）式）に対応する。ブロック６０３において、予測された内的状態ベクター、カルマンゲインＬ_ｋと端子電圧の測定値ｍ_ｋは補正された状態ベクター

を計算するのに用いられる。これは、拡張カルマンフィルターにおける補正コンポーネントの二番目の数式に対応する。ブロック６０４においては、上記予測された状態‐誤差共分散

が補正された状態‐誤差共分散

を演算するために用いられる。これは、補正コンポーネントの三番目の数式に対応する。 FIG. 6 illustrates the operation of an extended Kalman filter according to one embodiment of the present invention using a temperature-independent model. In block 600, the algorithm is

Is initialized to prior estimates.

Is derived from the function f in equation (12),

Is derived from the function h in equation (13). After completion of block 600,

The above algorithm starts the correction component of the extended Kalman filter.

The estimated value serves as the output from the prediction component requested by the correction component. In block 601, the eccentric function of equation h with respect to x is calculated to calculate matrix C. In block 602, Kalman gain L _k is matrix C,

Is calculated using. This corresponds to the first mathematical expression (formula (461)) of the correction component 402 in FIG. 4B. In block 603, the predicted internal state vector, the Kalman gain L _k and the terminal voltage measurement m _k are corrected.

Used to calculate This corresponds to the second formula of the correction component in the extended Kalman filter. In block 604, the predicted state-error covariance.

Corrected state-error covariance

Is used to calculate This corresponds to the third formula of the correction component.

ブロック６０５において、上記予測コンポーネントの数式の全てが演算される。マトリックスＡはｘに対する関数ｆの偏導関数を取ることで演算され、次の反復のための予測値、すなわち、

が演算される。ブロック６０６において、時間指標ｋは増加し動作はブロック６０１でまた次の時間段階として始まる。 In block 605, all of the prediction component formulas are computed. Matrix A is computed by taking the partial derivative of the function f with respect to x, and the predicted value for the next iteration, i.e.

Is calculated. At block 606, the time index k is incremented and operation begins at block 601 and as the next time step.

図７は、温度‐従属的モデルを用いる本発明のさらに他の実施例による拡張カルマンフィルターの動作を示す。ブロック７００において、アルゴリズムは

の以前推定値に初期化される。

は、（１４）式の関数ｆから由来する反面、

は（１５）式の関数ｈから由来する。ブロック７００の完了後、

の推定値をもって上記アルゴリズムは拡張カルマンフィルターの補正コンポーネントを開始する。

の推定値は補正コンポーネントによって要求された予測コンポーネントからの出力の役割を果たす。ブロック７０１において、ｘに対する数式ｈの偏道関数が演算され、マトリックスＣを算出する。ブロック７０２においては、カルマンゲインＬ_ｋがマトリックスＣ、

を用いて演算される。これは、図５Ｂにおいて補正コンポーネント５０２の一番目の数式（（５６１）式）に対応する。その次にブロック７０３において、予測された内的状態ベクター

およびカルマンゲインＬ_ｋ及び端子電圧の測定値ｍ_ｋが補正された状態ベクター

を計算するのに用いられる。これは、拡張カルマンフィルターで補正コンポーネントの二番目の数式に対応する。ブロック７０４においては、上記予測された状態‐誤差共分散

が補正された状態‐誤差共分散

を演算するために用いられる。これは、補正コンポーネントの三番目の数式に対応する。 FIG. 7 illustrates the operation of an extended Kalman filter according to yet another embodiment of the present invention using a temperature-dependent model. In block 700, the algorithm is

Is initialized to the previous estimate of.

Is derived from the function f in equation (14),

Is derived from the function h in equation (15). After completion of block 700,

The above algorithm starts the correction component of the extended Kalman filter.

The estimated value serves as the output from the prediction component requested by the correction component. In block 701, the deviating function of equation h for x is computed to calculate matrix C. In block 702, the Kalman gain L _k is the matrix C,

Is calculated using. This corresponds to the first formula (formula (561)) of the correction component 502 in FIG. 5B. Then, in block 703, the predicted internal state vector

And a state vector in which the Kalman gain L _k and the measured value m _{k of the} terminal voltage are corrected

Used to calculate This corresponds to the second formula of the correction component in the extended Kalman filter. In block 704, the predicted state-error covariance.

Corrected state-error covariance

Is used to calculate This corresponds to the third formula of the correction component.

ブロック７０５において、上記予測コンポーネントの数式の全てが演算される。マトリックスＡはｘに対する関数ｆの偏導関数を取ることで演算され、次の反復のための予測値、すなわち、

が演算される。ブロック７０６において、時間指標ｋは増加し動作はブロック７０１でまた次の時間段階として始まる。 At block 705, all of the prediction component formulas are computed. Matrix A is computed by taking the partial derivative of the function f with respect to x, and the predicted value for the next iteration, i.e.

Is calculated. At block 706, the time index k is incremented and operation begins at block 701 and as the next time step.

カルマンフィルターの動作
図８Ａ及び図８Ｂは、カルマンフィルターに対する実施例を示す。温度‐独立的モデルからの（１２）式と（１３）式がカルマンフィルターの基礎として用いられる。他の実施例においては、温度‐従属的モデルからの（１４）式と（１５）式が用いられる。上記両図面内で両予測コンポーネントと補正コンポーネント内の数式は図１に示したように、拡張カルマンフィルターの一般的な形態を有する。しかし、この実施例において変数の名称に多少の変化がある。一つの実施例において、上記差はバッテリーＳＯＣの測定に用いられた変数、（１２）式及び（１３）式の利用を反映する。他の実施例において、上記差はバッテリーのＳＯＣ測定に用いられる変数、（１４）式及び（１５）式の利用を反映する。

は、バッテリーの内的状態を示す予測されたベクターを現在示している反面、

は、上記予測された状態‐誤差共分散（不確定性）を現在示している。補正コンポーネント８０２の（８６２）式における実際の測定項目は現在ｍ_ｋに表現されると理解すべきである。 Operation of Kalman Filter FIGS. 8A and 8B show an embodiment for the Kalman filter. Equations (12) and (13) from the temperature-independent model are used as the basis for the Kalman filter. In another embodiment, equations (14) and (15) from the temperature-dependent model are used. In the drawings, the equations in both the prediction component and the correction component have a general form of an extended Kalman filter as shown in FIG. However, there are some changes in the names of the variables in this embodiment. In one embodiment, the difference reflects the use of the variables used to measure the battery SOC, equations (12) and (13). In another embodiment, the difference reflects the use of variables (14) and (15) used for battery SOC measurement.

Is currently showing a predicted vector indicating the internal state of the battery,

Currently shows the predicted state-error covariance (uncertainty). It should be understood that the actual measurement item in equation (862) of the correction component 802 is now expressed in m _k .

図９は、本発明の一実施例によるカルマンフィルターの動作を示す。ブロック９００において、アルゴリズムは

の以前推定値に初期化される。一つの実施例において、

は（１２）式の関数ｆから由来する反面、

は（１３）式の関数ｈから由来する。この実施例は、温度‐独立的である。他の実施例において、

は、（１４）式の関数ｆから由来する反面、

は、（１５）式の関数ｈから由来する。この実施例は、温度‐従属的である。ブロック９００の完了後、

の推定値をもって上記アルゴリズムは拡張カルマンフィルターの補正コンポーネントを開始する。

の推定値は補正コンポーネントによって要求された予測コンポーネントからの出力の役割を果たす。ブロック９０１において、カルマンゲインＬ_ｋがマトリックスＣ、

を用いて演算される。これは、図８Ｂにおいて、補正コンポーネント８０２の一番目の数式（（８６１）式）に対応する。それから、ブロック９０２において、予測された内的状態ベクター

およびカルマンゲインＬ_ｋ及び端子電圧の測定値ｍ_ｋが補正された状態ベクター

を計算するのに用いられる。これは、拡張カルマンフィルターで補正コンポーネントの二番目の数式に対応する。ブロック９０３においては、上記予測された状態‐誤差共分散

が補正された状態‐誤差共分散

を演算するために用いられる。これは、補正コンポーネントの三番目の数式に対応する。ブロック９０４において、上記予測コンポーネントの両数式が演算される。次の反復のための予測値、すなわち、

が演算される。ブロック９０５において、時間指標ｋは増加し動作はブロック９０１でまた次の時間段階として始まる。 FIG. 9 illustrates the operation of the Kalman filter according to an embodiment of the present invention. In block 900, the algorithm is

Is initialized to the previous estimate of. In one embodiment,

Is derived from the function f in equation (12),

Is derived from the function h in equation (13). This example is temperature-independent. In other embodiments,

Is derived from the function f in equation (14),

Is derived from the function h in the equation (15). This embodiment is temperature-dependent. After completion of block 900,

The above algorithm starts the correction component of the extended Kalman filter.

The estimated value serves as the output from the prediction component requested by the correction component. In block 901, the Kalman gain L _k is the matrix C,

Is calculated using. This corresponds to the first mathematical expression (formula (861)) of the correction component 802 in FIG. 8B. Then, in block 902, the predicted internal state vector

And a state vector in which the Kalman gain L _k and the measured value m _{k of the} terminal voltage are corrected

Used to calculate This corresponds to the second formula of the correction component in the extended Kalman filter. In block 903, the predicted state-error covariance

Corrected state-error covariance

Is used to calculate This corresponds to the third formula of the correction component. At block 904, both equations for the prediction component are computed. The predicted value for the next iteration, i.e.

Is calculated. At block 905, the time index k is incremented and operation begins at block 901 and as the next time step.

具体的な数式
一実施例において、関数ｆに対する次の具体的な形態が用いられる。上記内的状態ベクターｘ_ｋは、

Specific Formula In one embodiment, the following specific form for function f is used. The internal state vector x _k is

そして、各状態に対する支配方程式（ｇｏｖｅｒｉｎｉｎｇ ｅｑｕａｔｉｏｎ）は、

And the governing equation for each state is

バッテリーＳＯＣは、上記状態ベクターの一番目の要素である。上記変数は、以下のように定義される。Ｉ_ｋは、瞬間電流（ｉｎｓｔａｎｔａｎｅｏｕｓ ｃｕｒｒｅｎｔ）、△ｔは、瞬間時間の間隔、Ｃ_ｐ（ｔｅｍｐ. . .）は、温度‐従属的になるように調整されたバッテリーの「ポイカート」容量（「Ｐｅｕｋｅｒｔ」ｃａｐａｃｉｔｙ）であり、ｎは、ポイカートに関わるポイカート冪指数（ｐｅｕｋｅｒｔ ｅｘｐｏｎｅｎｔ）である。容量、そして、η（Ｉ_ｋ）は、電流の関数としてバッテリーのクーロン効率（ｃｏｕｌｏｍｂｉｃ ｅｆｆｉｃｉｅｎｃｙ）である。状態変数FILTとIFは、平坦で遅いバッテリーの動的状態の大部分を獲得するフィルター状態である。 The battery SOC is the first element of the state vector. The above variables are defined as follows: I _k is the instantaneous current, Δt is the instantaneous time interval, and C _p (temp...) Is the temperature-dependent battery “poicart” capacity (“Peukert”) "Capacity), and n is the Poicart exponent associated with the poi cart. The capacity and η (I _k ) are the coulomb efficiency of the battery as a function of current. The state variables FILT and IF are filter states that capture most of the dynamic state of flat and slow batteries.

一実施例において、関数ｈに対する次の具体的な形態が用いられる。

In one embodiment, the following specific form for function h is used.

上記数式において、ｙ_ｋは、端子電圧である。他の全ての変数（ｋ_０、ｋ_１など）はモデルの係数（ｃｏｅｆｆｉｃｉｅｎｔｓ）であり、実験室テストから決定されたア‐プリオリ（ａ ｐｒｉｏｒｉ）であり得、ここで論議されていないメカニズムを用いてシステム動作中に調整することができる。このような係数は、例えば、１０Ａｍｐｓの瞬間放電（ｉｎｓｔａｎｔａｎｅｏｕｓ ｄｉｓｃｈａｒｇｅ）に用いられる係数は５Ａｍｐｓの瞬間充電（ｉｎｓｔａｎｔａｎｅｏｕｓ ｃｈａｒｇｅ）に用いられる係数とは異なるように本発明で変わる。これは、本発明がモデルの電流‐従属性をさらに精度よくモデリングするようにする。 In the above formula, y _k is a terminal voltage. All other variables (k ₀ , k _1, etc.) are model coefficients, can be a priori determined from laboratory tests, using mechanisms not discussed here Can be adjusted during system operation. Such a coefficient varies in the present invention such that a coefficient used for an instantaneous discharge of 10 Amps is different from a coefficient used for an instantaneous charge of 5 Amps. This allows the present invention to model the current-dependency of the model more accurately.

他の実施例において、関数ｆの次の形態が用いられる。内的状態ベクターｘ_ｋは、

In another embodiment, the following form of function f is used. The internal state vector x _k is

ここでＳＯＣ_ｋは、現在のＳＯＣ推定値であり、ＳＯＣ_k−１は、以前のＳＯＣ推定値（など）であり、ｉ_ｋは、現在の電流測定値（など）であり、ｙ_ｋ-１は、以前のバッテリー電圧推定値である。α、β、γは、正の定数であって状態変数のパーシモニアスナンバー（ｐａｒｓｉｍｏｎｉｏｕｓ ｎｕｍｂｅｒ）を有した受容可能なモデルを作るように選択される。ＳＯＣ状態に対する支配方程式は下記のようである。

Where SOC _k is the current SOC estimate, SOC _k−1 is the previous SOC estimate (etc.), i _k is the current current measurement (etc.), y _k−1 Is the previous battery voltage estimate. α, β, γ are positive constants and are chosen to create an acceptable model with the state variable's persimmon number. The governing equation for the SOC state is as follows.

上記実施例において、関数ｈの具体的な形態が用いられる。
ｙ_ｋ＝ｈ（ｘ_ｋ，Ｔ_ｋ） In the above embodiment, a specific form of the function h is used.
y _k = h (x _k , T _k )

上記数式において、ｈは、測定されたデータに符合する非線形関数として具現される。例えば、ｈは、神経網ネットワークを用いて具現されることができる。   In the above formula, h is embodied as a non-linear function that matches the measured data. For example, h can be implemented using a neural network.

一実施例において、神経網ネットワークは、バッテリーの内的状態を推定するのに用いることができる。この実施例と従来の神経網ネットワーク間の差は下記のようである。従来の神経網ネットワークで推定されたＳＯＣは神経網ネットワークの出力である。この実施例は状態の一つとしてＳＯＣを有する神経網ネットワークをもって上記バッテリーセルの一番目のモデリングによって間接的にＳＯＣを測定する。その後、ＳＯＣを推定するために神経網ネットワークをもってカルマンフィルターを用いる。このような接近方法は二つの主な利点を有する。第一、作動する間オンラインで訓練されることができ、第二、推定に対する誤差限界（ｅｒｒｏｒ ｂｏｕｎｄｓ）が演算できる。   In one embodiment, the neural network can be used to estimate the internal state of the battery. The difference between this embodiment and a conventional neural network is as follows. The SOC estimated in the conventional neural network is the output of the neural network. This embodiment measures SOC indirectly by first modeling of the battery cell with a neural network having SOC as one of the states. Thereafter, a Kalman filter is used with a neural network to estimate the SOC. Such an approach has two main advantages. First, it can be trained online during operation, and second, error bounds for the estimation can be computed.

パラメーターの変更
図１０は、バッテリーＳＯＣに対するモデリング数式を動的に変化させる本発明の一実施例の動作を示す。この実施例において、演算回路は異なる時間間隔に対する異なるパラメーターを用いるバッテリーの変化する行動を適応させることができる。ブロック１０００において、バッテリー電流レベルにおける変化が感知される。例えば、ハイブリッド電気輸送手段で、バッテリー電力の突然の流出が坂を上っている上記輸送手段によって誘発される。状況による上記突然の変化は新しい条件下でＳＯＣをさらに正確に推定するための異なる一連のモデリング数式を用いるように演算回路を触発させる。ブロック１０１０において新しい一連のモデリング数式が用いられる。ブロック１０２０において、上記新しい数式がＳＯＣを決定するために用いられる。この適応的モデリング行動はハイブリッド電気輸送手段と電気輸送手段のような非常に動的な応用例において有用である。 Changing Parameters FIG. 10 illustrates the operation of one embodiment of the present invention that dynamically changes the modeling formula for the battery SOC. In this embodiment, the arithmetic circuit can adapt the changing behavior of the battery using different parameters for different time intervals. In block 1000, a change in battery current level is sensed. For example, in a hybrid electric vehicle, a sudden drain of battery power is triggered by the vehicle being uphill. The above sudden change with the situation triggers the arithmetic circuit to use a different set of modeling formulas to more accurately estimate the SOC under new conditions. At block 1010, a new set of modeling formulas is used. At block 1020, the new formula is used to determine the SOC. This adaptive modeling behavior is useful in highly dynamic applications such as hybrid electric vehicles and electric vehicles.

さらに、フィルタリングを用いる電気化学セルパラメーターの推定方法、システム及び装置に対する多様な実施例がここに開示される。図１１と図１２を参照するとき、以下の図面、多数の具体的な細部要素は本発明をさらに理解させるために用いられる。例示的な実施例はバッテリーセルを参照しながら説明されているが、以下にセルと言及される多様な電気化学セルは、バッテリー、バッテリーパック、超高容量キャパシター、キャパシターバンク、燃料電池、電気分解電池などだけでなく、前述したもののうち少なくとも一つを含む組み合わせを制限なく含んで採用できることを理解すべきである。さらに、バッテリーまたはバッテリーパックは複数個のセルを含むことができ、ここに開示される例示的な実施例は上記複数個の一つ以上のセルに適用できると理解すべきである。   Further, various embodiments for methods, systems and apparatus for estimating electrochemical cell parameters using filtering are disclosed herein. Referring to FIGS. 11 and 12, the following drawings, a number of specific details, are used to further understand the present invention. Although exemplary embodiments have been described with reference to battery cells, various electrochemical cells, referred to below as cells, include batteries, battery packs, ultra-high capacity capacitors, capacitor banks, fuel cells, electrolysis It should be understood that not only batteries but also combinations including at least one of those described above can be used without limitation. Further, it should be understood that a battery or battery pack can include a plurality of cells, and the exemplary embodiments disclosed herein are applicable to the plurality of one or more cells.

本発明の一つ以上の例示的な実施例は、フィルタリング方法を用いてセルパラメーター値を推定する。本発明の一つ以上の例示的な実施例は、カルマンフィルタリングを用いてセルパラメーター値を推定する。本発明のある実施例は、拡張カルマンフィルタリングを用いてセルパラメーター値を推定する。ある実施例は、セルの全体容量を推定する。ある実施例は、他の時変パラメーター値を推定する。フィルタリングという用語は例示的な実施例の説明と図解のために採用されているが、上記用語法はカルマンフィルタリング及び／または拡張カルマンフィルタリングを制限なく含むフィルタリングとして一般的に表現される再帰的予測と補正に関する方法論を含むように意図されると理解すべきである。   One or more exemplary embodiments of the present invention estimate cell parameter values using a filtering method. One or more exemplary embodiments of the present invention estimate cell parameter values using Kalman filtering. Some embodiments of the present invention estimate cell parameter values using extended Kalman filtering. One embodiment estimates the overall capacity of the cell. Some embodiments estimate other time-varying parameter values. Although the term filtering is employed for the description and illustration of the exemplary embodiment, the terminology is a recursive prediction that is generally expressed as filtering, including without limitation Kalman filtering and / or extended Kalman filtering. It should be understood that it is intended to include a methodology for amendments.

バッテリー健康状態（ＳＯＨ、Ｓｔａｔｅ Ｏｆ ｈｅａｌｔｈ）推定の具現
図１１は、本発明の一実施例によるパラメーターの推定子システム１０のコンポーネントを示す。複数個のセル２２を含む電気化学セルパック２０（例えば、バッテリー）はロード回路３０に連結される。例えば、ロード回路３０は、電気輸送手段やハイブリッド輸送手段のモーターであり得る。多様なセルの特性と属性を測定するための装置は参照符号４０に提供される。測定装置４０は、電圧センサー４２（例えば、電圧計など）のようなセル端子電圧を測定する装置を制限なく含むことができる。一方、セル電流の測定は、電流センシング装置４４（例えば、電流計など）によって行われる。選択的に、セルの温度の測定は温度センサー４６（例えば、温度計など）によって行われる。内的圧力またはインピーダンスのような追加的なセル特性は例えば、圧力センサー及び／またはインピーダンスセンサー４８で測定することができ、選択されたセルタイプに対して採用することができる。セルの特性と属性を評価するために必要な多様なセンサーが採用できる。電圧、電流、そして選択的に温度及びセル‐属性の測定は演算回路５０（例えば、プロセッサー、コンピューター）によって行われ、これは、セルの状態とパラメーターを推定する。上記システムは本発明が属する技術分野において通常の知識を有した者に公知されているコンピューターで使用可能な貯蔵媒体を含む貯蔵媒体５２を含むことができる。上記貯蔵媒体は、電波信号５４を制限なく含む多様な手段を採用して上記演算回路５０と通信可能な状態にある。セル１２の内在的化学成分からの測定に対する如何なる手段も本発明に用いることができるが必須ではないことを理解すべきである。また、全ての測定は非侵襲的で可能である。すなわち、ロード回路３０の正常な動作に邪魔になり得る信号は一切システムに導入されないと理解すべきである。 Implementation of Battery State of Health (SOH) Estimation FIG. 11 illustrates components of a parameter estimator system 10 according to one embodiment of the present invention. An electrochemical cell pack 20 (for example, a battery) including a plurality of cells 22 is connected to a load circuit 30. For example, the load circuit 30 can be an electric transportation means or a motor of a hybrid transportation means. An apparatus for measuring various cell characteristics and attributes is provided at reference numeral 40. The measuring device 40 can include a device for measuring a cell terminal voltage such as a voltage sensor 42 (for example, a voltmeter) without limitation. On the other hand, the cell current is measured by a current sensing device 44 (for example, an ammeter). Optionally, the temperature of the cell is measured by a temperature sensor 46 (eg, a thermometer). Additional cell characteristics such as internal pressure or impedance can be measured, for example, with the pressure sensor and / or impedance sensor 48 and can be employed for the selected cell type. Various sensors necessary for evaluating cell characteristics and attributes can be employed. Voltage, current, and optionally temperature and cell-attribute measurements are made by the arithmetic circuit 50 (eg, processor, computer), which estimates cell state and parameters. The system may include a storage medium 52 including a computer usable storage medium known to those having ordinary skill in the art to which the present invention pertains. The storage medium is in a state where it can communicate with the arithmetic circuit 50 by employing various means including the radio signal 54 without limitation. It should be understood that any means for measurement from the underlying chemical components of the cell 12 can be used in the present invention, but is not essential. All measurements are also non-invasive. In other words, it should be understood that no signals that can interfere with the normal operation of the load circuit 30 are introduced into the system.

上記規定された機能と望ましいプロセッシング及び演算を行うために、演算回路５０は、プロセッサ、ゲートアレイ、カスタムロジック、コンピューター、メモリー、貯蔵媒体、レジスター、タイミング、インタラプト、通信インターフェース、そして、入出力信号インターフェースと上述した少なくとも一つ以上からなる組み合わせを含んで制限なく含むことができる。演算回路５０は、通信インターフェースと入力ｄからの信号獲得やコンバージョン及び正確なサンプリングを行うために入力及び入力信号フィルタリングなどを含むことができる。演算回路５０の追加的な特徴とプロセッサーは後述する。   In order to perform the above defined functions and desirable processing and operations, the arithmetic circuit 50 includes a processor, a gate array, custom logic, a computer, a memory, a storage medium, a register, a timing, an interrupt, a communication interface, and an input / output signal interface. And the combination which consists of at least 1 or more mentioned above can be included without a restriction | limiting. Arithmetic circuit 50 can include input and input signal filtering to perform signal acquisition, conversion, and accurate sampling from the communication interface and input d. Additional features and processor of the arithmetic circuit 50 will be described later.

本発明の一つ以上の実施例は、演算回路５０及び／または他のプロセッシング制御手段で実行される、新たにアップデートされるファームウエアとソフトウェアによって具現できる。ソフトウェア機能はファームウエアを制限なく含み、ハードウェア、ソフトウェアまたはこれらの組み合わせによって具現できる。したがって、本発明の著しい利点は、電気化学セルの充電と制御のための現在及び／または新しいプロセッシングシステムを利用によって実現できるということである。   One or more embodiments of the present invention may be implemented by newly updated firmware and software executed by the arithmetic circuit 50 and / or other processing control means. The software function includes firmware without limitation, and can be implemented by hardware, software, or a combination thereof. Thus, a significant advantage of the present invention is that it can be realized by utilizing current and / or new processing systems for charging and controlling electrochemical cells.

例示的な実施例において、演算回路５０は、動的システム状態の標識（ｉｎｄｉｃｉａ）を含むセル２２の数学的モデルを用いる。本発明の一実施例において、離散時間モデルが用いられる。離散時間状態空間において例示的なモデル（できれば非線形）は以下の形態を有する。

In the exemplary embodiment, arithmetic circuit 50 employs a mathematical model of cell 22 that includes dynamic system state indicators. In one embodiment of the invention, a discrete time model is used. An exemplary model (preferably non-linear) in discrete time state space has the following form:

上記数式において、ｘ_ｋは、システムの状態、θ_ｋは、時変モデルパラメーターのセット、ｕ_ｋは、外部からの入力、ｙ_ｋは、システムの出力、ｗ_ｋとｖ_ｋは、「ノイズ」の入力である。全ての量的要素は、スカラーまたはベクターであり得る。ｆ（・，・，・）とｇ（・，・，・）は用いられているモデルによって定義される関数である。モデルによって要求される不時変（ｎｏｎ‐ｔｉｍｅ‐ｖａｒｙｉｎｇ）数値はｆ（・，・，・）とｇ（・，・，・）内に組み込まれることができるが、θ_ｋには含まれない。 In the above equation, _{x k} is the state of the system, θ _k is, a set of time-varying model parameters, _{u k} is input from the outside, _{y k,} the output of the system, _{w k} and _{v k} is, "noise" Input. All quantitative elements can be scalars or vectors. f (.,.,.) and g (.,.,.) are functions defined by the model used. Non-time-varying numerical values required by the model can be incorporated in f (•, •, •) and g (•, •, •) but are not included in θ _k .

システム状態ｘ_ｋは、少なくとも現在の出力を予測するために必要なセルの数学的モデルと現在の入力とともに最少量の情報を含む。セル２２の場合、状態（例えば、ＳＯＣ）は、異なる時定数に対する分極電圧（ｐｏｌａｒｉｚａｔｉｏｎ ｖｏｌｔａｇｅ）の準位、ヒステリシス準位を含む。上記システムの外部からの入力ｕ_ｋは現在セルの電流ｉ_ｋの最小値を含み、選択的にセル温度を（もし状態で温度変化自体がモデリングされなかったら）含むことができる。システムパラメーターθ_ｋは、システム測定された入力と出力を分かることによって直接的に決定できないという点で時間につれて緩変する値である。このようなものとしては、セル容量、抵抗、分極電圧時定数、分極電圧調和ファクター、ヒステリシス調和ファクター、ヒステリシス率定数、効率ファクターなどを含む。モデル出力ｙ_ｋは、物理的に測定可能なセルの量的要素または最小値で測定された量的要素から直接的に計算できるもの（例えば、ロードセルの電圧）に対応する。 The system state x _k contains a minimal amount of information along with at least the mathematical model of the cell and the current input needed to predict the current output. In the case of cell 22, the state (eg, SOC) includes a polarization voltage level and a hysteresis level for different time constants. The input u _k from outside the system includes the minimum value of the current cell current i _k and can optionally include the cell temperature (if the temperature change itself is not modeled in the state). The system parameter θ _k is a value that varies slowly over time in that it cannot be determined directly by knowing the system measured inputs and outputs. Such things include cell capacity, resistance, polarization voltage time constant, polarization voltage harmonic factor, hysteresis harmonic factor, hysteresis rate constant, efficiency factor, and the like. The model output y _k corresponds to a physically measurable quantitative element of the cell or one that can be calculated directly from the quantitative element measured at the minimum value (eg load cell voltage).

セル２２の充電状態に制限なく含むセルの状態を推定する現存する多くの方法がある。ＳＯＣは典型的にパーセントによる値であって、現在動作できるセル容量の部分を指称する。ＳＯＣの測定に多くの接近方法が採用されてきた。放電テスト、アンペア‐アワ‐カウンティング（クーロンカウンティング）、電解質（ｅｌｅｃｔｒｏｌｙｔｅ）の測定、開放回路の電圧測定、線形／非線形回路モデリング、インピーダンス分光器、内部抵抗の測定、Ｃｏｕｐ ｄｅ ｆｏｕｅｔ及びカルマンフィルタリングの幾つかの形態などがこれに相当する。このような方法のそれぞれは限界のみならず利点を有する。   There are many existing methods for estimating the state of a cell that includes without limitation the state of charge of the cell 22. The SOC is typically a percentage value and refers to the portion of the cell capacity that is currently operational. Many approaches have been employed to measure the SOC. Discharge test, ampere-hour-counting (coulomb counting), electrolyte measurement, open circuit voltage measurement, linear / nonlinear circuit modeling, impedance spectrometer, internal resistance measurement, Cup de fouet and some of Kalman filtering This form corresponds to this. Each such method has advantages as well as limitations.

バッテリー状態（ＳＯＣ）推定子の具現に関する本発明の上記実施例によって、フィルター、望ましくは、カルマンフィルターがセル動力学とセル電圧、電流及び温度測定の公知された数学的モデルを採用することで用いられる。望ましくは、この方法はＳＯＣが少なくとも上記状態の一つである場合のセルに対する状態値を直接的に推定する。しかし、ＳＯＣの演算に対する公知された多様な方法論があると理解すべきである。   According to the above embodiment of the present invention relating to the implementation of the battery state (SOC) estimator, the filter, preferably the Kalman filter, is used by adopting a known mathematical model of cell dynamics and cell voltage, current and temperature measurement. It is done. Preferably, the method directly estimates the state value for the cell when the SOC is at least one of the above states. However, it should be understood that there are a variety of known methodologies for computing SOC.

図１２において、動的パラメーターの数学的モデルも活用される。例示的なモデルは以下の形態を有する。

In FIG. 12, a mathematical model of dynamic parameters is also utilized. An exemplary model has the following form:

一番目の数式は、パラメーターは本質的に定数であるが、ｒ_ｋで表示された疑似的ノイズプロセスによってモデリングされた例において時間につれて緩変できるということを示している。出力値ｄ_ｋは、推定誤差ｅ_ｋが勘案されたｇ（ ，，）によってモデリングされる最適動的パラメーターの関数であって、システムの状態ｘ_ｋ、外部入力ｕ_ｋ及び一連の時変パラメーターθkの関数である。 One th equation, parameter is essentially the constant shows that slow variations can over time in the example modeled by a pseudo noise process displayed in r _k. The output value d _k is a function of the optimal dynamic parameter modeled by g (,) taking into account the estimation error e _k , which is the system state x _k , the external input u _k and a series of time-varying parameters θk. Is a function of

一実施例において、セルシステム、動的状態に関する必要条件及び定義された動的パラメーターのモデルにフィルタリングの過程が適用される。もう一度、択一的にデュアルカルマンフィルターまたはデュアル拡張カルマンフィルターが採用できる。テーブル１は拡張カルマンフィルター１１００を活用するシステムと方法の例示的な具現を示す。セルモデルとパラメーターの推定モデルはセル２２の状態ｘ_ｋを採用する反面、上記状態はパラメーターの推定過程の一部として必ず予測される必要はないともう一度理解すべきである。例えば、一つの例示的な実施例において、セル２２の状態ｘ_ｋはパラメーターモデルに供給された結果状態情報をもって他のプロセスによって演算される。テーブル１の例示的な具現に引き続き、上記過程は

で表されるパラメーターの推定値を実際（ｔｒｕｅ）パラメーターの最上の推測値（ｔｈｅ ｂｅｓｔ ｇｕｅｓｓ）、例えば、

に設定することで初期化される。状態推定が要求されるか定義されないが、

で表される上記状態推定値はセル状態の最上の推定値、例えば、

に設定され得る。推定‐誤差共分散マトリックス

も初期化される。例えば、状態、特にＳＯＣの初期化は、ルックアップテーブルにおけるセル電圧またはバッテリーパック／セルが最後に電力ダウンされたときに以前に貯蔵された情報に基づくか／推定され得る。他の例は電力ダウンなどからバッテリーシステムが休止された（ｒｅｓｔｅｄ）時間の長さを統合することができる。 In one embodiment, the filtering process is applied to a model of the cell system, dynamic state requirements and defined dynamic parameters. Once again, alternatively, a dual Kalman filter or a dual extended Kalman filter can be employed. Table 1 illustrates an exemplary implementation of a system and method that utilizes an extended Kalman filter 1100. Although estimation model of the cell model and parameters employing the state x _k of the cell 22, the state is to be understood once again need not be always predicted as part of the process of estimating parameters. For example, in one exemplary embodiment, the state x _k of the cell 22 is computed by other processes with the resulting state information supplied to the parameter model. Following the exemplary implementation of Table 1, the above process is

An estimate of the parameter represented by the the best guess of the true parameter, eg,

It is initialized by setting to. Although state estimation is required or not defined,

The state estimate represented by is the best estimate of the cell state, for example,

Can be set to Estimation-error covariance matrix

Is also initialized. For example, the initialization of the state, particularly the SOC, may be based / estimated based on the cell voltage in the lookup table or information previously stored when the battery pack / cell was last powered down. Another example may integrate the length of time that the battery system was rested, such as from power down.

テーブル１：パラメーターアップデートのための拡張カルマンフィルター

Table 1: Extended Kalman filter for parameter update

この例において、各測定間隔で多様な段階が行われる。第一、以前パラメーターの推定値は時間上で前に進む。新しいパラメーター推定値は以前のパラメーター推定値と同一、すなわち

であり、パラメーター誤差不確定性は時間の流れ（駆動ノイズｒ_ｋによりモデルに適応された）のためより大きい。パラメーター不確定性の推定のアップデートに対する多くの可能性が存在し、上記テーブルは説明的な例を提供する。セル出力の測定がなされ、状態推定値

（推定されるか提供され得るが）とパラメーターの推定値

に基づいて上記予測された出力値と比較される。この差は

の値をアップデートするのに用いられる。また、状態推定値

は、パラメーターの推定値によって前に進むか上述のように外部手段を介して供給されることもできる。

は、下記の循環関係を用いて演算され得る。

In this example, various stages are performed at each measurement interval. First, the previous parameter estimate advances in time. The new parameter estimate is identical to the previous parameter estimate, i.e.

, And the larger because of a parameter error uncertainty time flow (adapted to the model by driving noise r _k). There are many possibilities for updating parameter uncertainty estimates, and the above table provides an illustrative example. Cell output is measured and state estimate

Parameter estimates (although they can be estimated or provided)

Based on the predicted output value. This difference is

Used to update the value of. In addition, state estimate

Can be advanced by parameter estimates or supplied via external means as described above.

Can be computed using the following circular relationship:

上記微分計算は本質的に再帰的であり、上記状態ｘ_ｋが展開されるにつれて時間にしたがって展開される。周辺情報（ｓｉｄｅ ｉｎｆｏｒｍａｔｉｏｎ）がその値のより良い推定値を算出しなかったらｄｘ_０／ｄθ項は０に初期化される。上記テーブルに示された段階は多様な順序によって実行できると理解すべきである。上記テーブルが説明の目的を有する例示的な順序をリストしているが、本技術の当業者なら数式の多くの等価的な一連の順序を確認することができるであろう。 The differential calculation is essentially recursive and evolves over time as the state x _k is expanded. If the side information does not calculate a better estimate of that value, the dx ₀ / dθ term is initialized to zero. It should be understood that the steps shown in the table can be performed in various orders. Although the above table lists an exemplary order for illustrative purposes, one of ordinary skill in the art will be able to ascertain many equivalent sequences of formulas.

また図１２を参照すると、本発明の例示的な実施例の例示的な具現が示される。再帰フィルター１１００は、上記パラメーターの推定値

を適応させる。上記フィルターは、時間アップデートまたは予測１１００の側面と測定アップデートまたは補正１１０４の側面を有する。パラメーター時間アップデート／予測ブロック１１０３は、入力として以前の外部入力ｕ_ｋ−１、以前の時変パラメーター予測値

及び補正されたパラメーター不確定性の推定値

を受信する。パラメーター時間アップデート／予測ブロック１１０３は、予測されたパラメーター

と予測されたパラメーター不確定性

をパラメーター測定アップデート／補正ブロック１１０４に出力する。 Referring also to FIG. 12, an exemplary implementation of an exemplary embodiment of the present invention is shown. The recursive filter 1100 is an estimate of the above parameters

Adapt. The filter has a time update or prediction 1100 aspect and a measurement update or correction 1104 aspect. The parameter time update / prediction block 1103 has the previous external input u _k−1 as input, the previous time-varying parameter predicted value

And corrected parameter uncertainty estimates

Receive. The parameter time update / prediction block 1103 is a predicted parameter

Predicted parameter uncertainty

Is output to the parameter measurement update / correction block 1104.

現在のパラメーター推定値

とパラメーター不確定性推定値

を提供するパラメーター測定アップデート／補正ブロック１１０４は、上記予測されたパラメーター

と予測されたパラメーター不確定性

のみならず外部入力ｕ_ｋとモデリングされたシステム出力ｙ_ｋを受信する。マイナス表記はベクターが上記フィルター１１００の上記予測コンポーネント１１０３の結果であることを意味する反面、プラス表記はベクターが上記フィルター１１００の上記補正コンポーネント１１０４の結果であることを意味すると理解すべきである。 Current parameter estimate

And parameter uncertainty estimates

The parameter measurement update / correction block 1104 providing the predicted parameter

Predicted parameter uncertainty

As well as the external input u _k and the modeled system output y _k . A minus notation means that the vector is the result of the prediction component 1103 of the filter 1100, while a plus notation means that the vector is the result of the correction component 1104 of the filter 1100.

本発明の実施例は特定の応用例に対するセル状態と動的出力の数学的モデルが必要である。上記実施例において、これは関心のある多くのパラメーターの多様な状態と推定の受信または推定を円滑にさせるためのｆ（ ，，）とｇ（ ，，）に対する特定の関数を定義することで達成できる。一実施例は、セルの開回路電圧（ＯＣＶ；Ｏｐｅｎ Ｃｉｒｃｕｉｔ Ｖｏｌｔａｇｅ）、内部抵抗、電圧分極時定数（ｖｏｌｔａｇｅ ｐｏｌａｒｉｚａｔｉｏｎ ｔｉｍｅ ｃｏｎｓｔａｎｔ）及びヒステリシスレベルの一つ以上による効果を含むセルモデルを用いる。この構造とここで提示される方法は一般的でかつ他の電気化学に適用できるものの、例示のためにパラメーター値は高電力ＬｉＰＢ（Ｌｉｔｈｉｕｍ‐ｉｏｎ Ｐｏｌｙｍｅｒ Ｂａｔｔｅｒｙ）セルの動力学をモデリングするためのこのモデル構造に合わせられる。例えば、一実施例において、関心のある状態とパラメーターはｆ（ ，，）とｇ（ ，，）に内包される。その例は下記のようである。

Embodiments of the present invention require a mathematical model of cell state and dynamic output for specific applications. In the above embodiment, this is accomplished by defining specific functions for f (,,) and g (,,) to facilitate the reception or estimation of various states and estimates of many parameters of interest. it can. One embodiment uses a cell model that includes the effects of one or more of an open circuit voltage (OCV), internal resistance, voltage polarization time constant, and hysteresis level of the cell. Although this structure and the method presented here are general and applicable to other electrochemistry, for illustrative purposes, the parameter values are the same for modeling the dynamics of a high power LiPB (Lithium-ion Polymer Battery) cell. Adapted to the model structure. For example, in one embodiment, the state and parameter of interest are contained in f (,,) and g (,,). An example is as follows.

ここで、η_i，ｋは、クーロン効率のような効率ファクター、
Ｃ_ｋは、セル容量、

は分極電圧時定数、

は、分極電圧調和ファクター、
Ｒ_ｋは、セルの抵抗、
Ｍ_ｋは、ヒステリシス調和ファクター及び
ｒ_ｋは、ヒステリシス率定数である。 Where η _{i, k} is an efficiency factor such as Coulomb efficiency,
C _k is the cell capacity,

Is the polarization voltage time constant,

Is the polarization voltage harmonic factor,
R _k is the cell resistance,
M _k is the hysteresis conditioning factor and r _k are hysteresis rate constant.

この例において、ＳＯＣは、関数ｆ（・，・，・）の部分としてモデルの一状態によって獲得される。この数式は下記のようである。

In this example, the SOC is obtained by one state of the model as part of the function f (.,.,.). This formula is as follows.

ここで、△ｔは、サンプル間の期間（秒単位）を意味し、Ｃ_ｋは、セル容量（アンペア‐秒単位）を示し、Ｚ_ｋは、時間指標ｋにおけるセルＳＯＣであり、ｉ_ｋは、セル電流、そして、η_i，kは、電流レベルｉ_ｋにおけるセルのクーロン効率である。 Where Δt means the period (in seconds) between samples, C _k indicates the cell capacity (in ampere-seconds), Z _k is the cell SOC at time index k, and i _k is , Cell current, and η _{i, k} is the Coulomb efficiency of the cell at current level i _k .

この例において、分極電圧レベルは多くのフィルター状態によって獲得される。ｎ_ｆ分極電圧時定数があると仮定すれば、

In this example, the polarization voltage level is obtained by a number of filter states. Assuming there is a n _f polarization voltage time constants,

上記マトリックス

は、実数値（ｒｅａｌ‐ｖａｌｕｅｄ）分極電圧時定数

を有した単位行列であり得る。そうであれば、全てのエントリーが１より小さい値を持てばシステムは安定的である。上記ベクター

は、単にｎ_ｆ「１」に決めることができる。Ｂ_ｆのエントリーは、それらが０でない限り臨界的ではない。Ａ_ｆマトリックスでｎ_ｆエントリー値は、モデルパラメーターを測定されたセルデータに最も合わせるシステムの同定過程の一部として選択できる。上記Ａ_ｆとＢ_ｆマトリックスは、時間と現在のバッテリーパック動作条件に関連した他のファクターによって変わり得る。 Matrix above

Is the real-valued polarization voltage time constant

Can be a unit matrix. If so, the system is stable if all entries have a value less than one. The above vector

Can simply be determined to be n _f “1”. Entries in _Bf are not critical unless they are zero. The n _f entry values in the A _f matrix can be selected as part of the system identification process that best fits the model parameters to the measured cell data. The A _f and B _f matrices may vary depending on time and other factors related to current battery pack operating conditions.

この例において、ヒステリシスレベルは単一状態によって獲得される。

In this example, the hysteresis level is obtained by a single state.

上記数式において、ｒ_ｋは、システム同定によって再び求められたヒステリシス率定数である。 In the above formula, r _k is the hysteresis rate constant determined again by system identification.

他の実施例において、全体的なモデルの状態は下記のように、上記例の組み合わせである。

In other embodiments, the overall model state is a combination of the above examples as follows.

上記数式において、状態の他の順序が可能である。   In the above formula, other orders of states are possible.

この例において、セル電圧を予測する状態値を組み合わせる出力数式は下記のようである。

In this example, the output formula combining the state values that predict the cell voltage is as follows:

上記数式において、

は、出力において上記分極電圧状態をともに調和させる分極電圧調和ファクター

のベクターであり、Ｒ_ｋは、セルの抵抗である（他の値は放電／充電に用いることができる）。そして、Ｍ_ｋは、ヒステリシス調和ファクターである。Ｇ_ｋは、ｉ_ｋからＧ_ｋｆ_ｋまでのｄｃゲインが０になるように強制されることができ、これはＲ_ｋの推定値が正確になるようにする。 In the above formula,

Is a polarization voltage harmony factor that harmonizes the polarization voltage states together in the output

Where R _k is the resistance of the cell (other values can be used for discharging / charging). M _k is a hysteresis harmonic factor. G _k can be forced so that the dc gain from i _k to G _k f _k is zero, which _{ensures that} the estimate of R _k is accurate.

本発明のある実施例は、上記モデルのパラメーターが安定したシステムになるように強制する方法を含むことができる。一実施例において、状態数式はｆ_ｋ＋１＝Ａ_ｆｆ_ｋ＋Ｂ_ｆｉ_ｋの形態（ここで、上記マトリックス、

は、実数値分極電圧時定数

を有した単位行列である）において分極電圧時定数に対する項を含むことができる。このような時定数は、ａ_ｉ，k＝ｔａｎｈ（α_ｉ，k）により演算することができ、上記数式において、上記モデルのパラメーターベクターはα_ｉ，kを含むが直接的にａ_ｉ，kを含まない。上記ｔａｎｈ（ ）関数はａ_ｉ，kがα_ｉ，kの値に関係なく常に±１以内（すなわち、安定的）になるように保障する。 Certain embodiments of the invention can include a method for forcing the parameters of the model to be a stable system. In one embodiment, the state equation is of the form f _{k + 1} = A _f f _k + B _f i _k where the matrix,

Is the real-valued polarization voltage time constant

A unit matrix with a term for the polarization voltage time constant. Such a time constant can be calculated by a _{i, k} = tanh (α _{i, k} ). In the above formula, the parameter vector of the model includes α _{i, k} , but directly a _{i, k} Not included. The tanh () function ensures that a _{i, k} is always within ± 1 (ie, stable) regardless of the value of α _{i, k} .

本発明のある実施例は、その正確な値へのパラメーターの収斂を確実にするためにモデルに対する制約を含む。ここで示した上記モデルを用いる一実施例はｉ_ｋからＧ_ｋｆ_ｋまでのｄｃゲインが０になるようにＧ_ｋを強制し、これはＲ_ｋの推定値が正確になるようにする。これはＧ_ｋの他の要素と分極電圧時定数

を用いてＧ_ｋの最後の要素が演算されるように強制することでなされる。これはまた

に関わる

の要素を演算する場合、さらに注意が必要である。もしａ_ｉ，k値が常に±１以内（例えば、以前の段落に記述された方法を用いて）なら、微分演算で０で除される問題は絶対に生じない。 Certain embodiments of the invention include constraints on the model to ensure convergence of the parameter to its exact value. One embodiment using the model shown here forces G _k such that the dc gain from i _k to G _k f _k is zero, which _{ensures that} the estimate of R _k is accurate. This is the other factor of G _k and the polarization voltage time constant

Is used to force the last element of G _k to be computed. This is also

Involved in

Further care must be taken when computing the elements of. If a _{i, k} values are always within ± 1 (eg, using the method described in the previous paragraph), the problem of being divided by zero in the differential operation never occurs.

他の実施例は、フルフィルター（ｆｕｌｌ ｆｉｌｔｅｒ）１１００を採用せずにＳＯＨの重要な側面を推定する方法を含む。上記フルフィルター１１００方法は演算的に集中的である。セルモデルパラメーターのフルセット（ｆｕｌｌ ｓｅｔ）のための正確な値が必要でない限り、潜在的にあまり複雑でないか演算的にあまり集中的でない他の方法が用いられ得る。例示的な方法は、フィルタリング方法を用いてセル容量と抵抗を決定する。名目上の「新しいセル」値から容量及び抵抗の変化は容量減退と電力減退を提供し、これは、セルＳＯＨの最もよく採用される指示子である。   Another embodiment includes a method for estimating important aspects of SOH without employing a full filter 1100. The full filter 1100 method is computationally intensive. Other methods that are potentially less complex or less computationally intensive can be used unless exact values for the full set of cell model parameters are required. An exemplary method uses a filtering method to determine cell capacity and resistance. The change in capacity and resistance from the nominal “new cell” value provides capacity and power reduction, which is the most commonly used indicator for cell SOH.

この例において、フィルタリングメカニズムを用いてセル抵抗を推定するためにモデルを下記のように公式化する。

In this example, the model is formulated as follows to estimate cell resistance using a filtering mechanism.

上記数式において、Ｒ_ｋは、セル抵抗であり、改造を許容する疑似的ノイズプロセスｒ_ｋとともに定数にモデリングされる。ｙ_ｋは、セル電圧の推定値であり、ｉ_ｋは、セル電流、そして、ｅ_ｋは、推定誤差をモデリングする。外部で生成され供給されるＺ_ｋの推定値が採用されれば、フィルター１１００はセル抵抗を推定するためにこのモデルに適用できる。標準フィルター１１０において、上記ｙ_ｋのモデル予測が実際に測定されたセル電圧と比較される。上記比較により発生する如何なる差もＲ_ｋを適応させるの似用いられる。 In the above equation, R _k is the cell resistance and is modeled as a constant along with a pseudo noise process r _k that allows modification. y _k is an estimate of the cell voltage, i _k models the cell current, and e _k models the estimation error. If an estimate of _Zk generated and supplied externally is employed, filter 1100 can be applied to this model to estimate cell resistance. In the standard filter 110, the model prediction of y _k is compared with the actually measured cell voltage. Any difference generated by the comparator is also used similar adapt the R _k.

上記言及されたモデルはセル２２の多様な条件のための異なる抵抗値を扱うために拡張できることに注目すべきである（例えば、充電と放電に基づいた差、異なるＳＯＣ、異なる温度）。上記スカラーＲ_ｋは、修正される全ての抵抗値を含むベクターからなることができ、上記ベクターからの適切な要素は計算過程中上記フィルターの各時間段階に用いることができる。 It should be noted that the model mentioned above can be extended to handle different resistance values for various conditions of the cell 22 (eg, differences based on charge and discharge, different SOCs, different temperatures). The scalar R _k can consist of a vector containing all the resistance values to be modified, and the appropriate elements from the vector can be used at each time step of the filter during the calculation process.

この例において、フィルター１１００を用いてセル容量を推定するために、セルモデルを下記のように公式化する。

In this example, in order to estimate the cell capacity using the filter 1100, the cell model is formulated as follows:

また、容量推定値を算出するためにこのモデルを用いるフィルターが公式化される。上記フィルター１１００が施されるにつれて、二番目の数式の演算は０に比較され、その差は容量推定値をアップデートするために用いられる。できればＳＯＣを推定するフィルターから現在と以前のＳＯＣの良質の推定が要求されることを注目すべきである。推定された容量は望ましければ、容量ベクターを採用することでまた温度などの関数になることができ、上記容量ベクターから計算過程中各時間段階で適切な要素が用いられる。   Also, a filter is formulated that uses this model to calculate the capacity estimate. As the filter 1100 is applied, the operation of the second equation is compared to 0, and the difference is used to update the capacity estimate. It should be noted that a good quality estimation of the current and previous SOC is required from the filter that estimates the SOC if possible. The estimated capacity can be made a function such as temperature by adopting a capacity vector, if desired, and appropriate elements are used at each time step during the calculation process from the capacity vector.

したがって、セルパラメーターの推定に対する方法が多くの具体的な実施例と共に説明された。一つ以上の実施例は、カルマンフィルターを用いる。ある実施例は、拡張カルマンフィルター１１００を用いる。さらに、ある実施例は、一つ以上のパラメーターの収斂を強制するメカニズムを含む。一つ以上の実施例は抵抗を推定するために単純化されたパラメーターフィルターを含む一方、ある実施例は全体の容量を推定するために単純化されたパラメーターフィルターを含む。本発明は、広範囲な応用例及びセル電気化学に適用できる。   Thus, a method for cell parameter estimation has been described with many specific examples. One or more embodiments use a Kalman filter. One embodiment uses an extended Kalman filter 1100. Further, some embodiments include a mechanism that enforces convergence of one or more parameters. One or more embodiments include a simplified parameter filter to estimate resistance, while some embodiments include a simplified parameter filter to estimate overall capacity. The present invention is applicable to a wide range of applications and cell electrochemistry.

開示された本方法は、コンピューターで行われる過程または上記過程を行う装置の形態に具体化することができる。上記方法は、プロッピィーディスク、ＣＤ‐ＲＯＭ、ハードディスクまたはコンピューターで認識可能な貯蔵媒体などの有形媒体５２で具体化／形状化される、命令語を含むコンピュータープログラムコードの形態でも実現できる。ここで上記コンピュータープログラムコードは、コンピューター内にローディングされコンピューターによって実行され、上記コンピューターは上記方法の実行が可能な装備になる。本方法は、コンピュータープログラムの形態、例えば、貯蔵媒体に貯蔵された形態、コンピューターによってローディングおよび／または実行される形態、変調されたキャリアウエーブの形態、伝送媒体、電気配線またはケーブル、光ファイバ、電磁気放射などの形態で伝送されるデータ信号５４などの形態でも実現できる。ここで上記コンピュータープログラムコードはコンピューター内にローディングされコンピューターにより実行される。汎用マイクロプロセッサーで具現される場合、上記コンピュータープログラムコードセグメントは上記マイクロプロセッサーが特定の論理回路を作るように構成される。   The disclosed method can be embodied in the form of a computer-implemented process or an apparatus for performing the process. The above method can also be realized in the form of computer program code, including instruction words, embodied / shaped in a tangible medium 52 such as a floppy disk, CD-ROM, hard disk or computer readable storage medium. Here, the computer program code is loaded into a computer and executed by the computer, and the computer becomes an apparatus capable of executing the method. The method may be in the form of a computer program, eg, stored in a storage medium, loaded and / or executed by a computer, modulated carrier wave, transmission medium, electrical wiring or cable, optical fiber, electromagnetic It can also be realized in the form of a data signal 54 transmitted in the form of radiation or the like. Here, the computer program code is loaded into the computer and executed by the computer. When implemented on a general-purpose microprocessor, the computer program code segments are configured such that the microprocessor creates specific logic circuits.

類似な構成を示すための第一、第二または他の類似な名称の使用は他の言及がなければ、ある特定の順序を暗示するか内包する意図ではないとすべきである。   The use of the first, second or other similar names to indicate similar configurations should not be intended to imply or include a particular order unless otherwise noted.

一実施例を参照しながら本発明が説明されているが、本発明の範囲を逸脱しない領域で等価的な構成要素の代替及び多様な変化が可能であることが本発明が属する技術分野の当業者に理解されるであろう。また、多くの変形例が本発明の本質的領域を逸脱することなく本発明の教示に対する特別な状況と内容に適用できる。従って、本発明は、本発明を実施するために考慮された最も望ましい一実施例として開示された特定実施例に限られず、添付された請求の範囲内にある全ての実施例を含む。   Although the present invention has been described with reference to one embodiment, it is within the technical field to which the present invention pertains that equivalent components can be substituted and various changes can be made without departing from the scope of the present invention. The merchant will understand. In addition, many modifications may be made to the particular situation and content of the teachings of the invention without departing from the essential scope thereof. Accordingly, the present invention is not limited to the specific embodiment disclosed as the most preferred embodiment contemplated for practicing the invention, but includes all embodiments that fall within the scope of the appended claims.

図１は、一般的なカルマンフィルターの動作を示す図面である。FIG. 1 is a diagram illustrating the operation of a general Kalman filter. 図１Ａは、一般的なカルマンフィルターの予測コンポーネントの数式を示す図面である。FIG. 1A is a diagram illustrating a mathematical expression of a prediction component of a general Kalman filter. 図１Ｂは、一般的なカルマンフィルターの補正コンポーネントの数式を示す図面である。FIG. 1B is a diagram illustrating mathematical expressions of a correction component of a general Kalman filter. 図２Ａは、一般的拡張カルマンフィルターの予測コンポーネントの数式を示す図面である。FIG. 2A is a diagram illustrating a mathematical expression of a prediction component of a general extended Kalman filter. 図２Ｂは、一般的拡張カルマンフィルターの補正コンポーネントの数式を示す図面である。FIG. 2B is a diagram illustrating a mathematical expression of a correction component of a general extended Kalman filter. 図３Ａは、本発明の一実施例によるＳＯＣ推定子（ｅｓｔｉｍａｔｏｒ）のコンポーネントを示す図面である。FIG. 3A is a diagram illustrating components of an SOC estimator according to an embodiment of the present invention. 図３Ｂは、本発明のさらに他の実施例によるＳＯＣ推定子のコンポーネントを示す図面である。FIG. 3B is a diagram illustrating components of an SOC estimator according to still another embodiment of the present invention. 図４Ａは、本発明の一実施例により具現された拡張カルマンフィルターの予測コンポーネントの数式を示す図面である。FIG. 4A is a diagram illustrating a mathematical expression of a prediction component of an extended Kalman filter implemented according to an embodiment of the present invention. 図４Ｂは、本発明の一実施例により具現された拡張カルマンフィルターの補正コンポーネントの数式を示す図面である。FIG. 4B is a diagram illustrating a mathematical expression of a correction component of an extended Kalman filter implemented according to an embodiment of the present invention. 図５Ａは、本発明のさらに他の実施例により具現された拡張カルマンフィルターの予測コンポーネントの数式を示す図面である。FIG. 5A is a diagram illustrating a mathematical expression of a prediction component of an extended Kalman filter implemented according to still another embodiment of the present invention. 図５Ｂは、本発明のさらに他の実施例により具現された拡張カルマンフィルターの補正コンポーネントの数式を示す図面である。FIG. 5B is a diagram illustrating a mathematical expression of a correction component of an extended Kalman filter implemented according to still another embodiment of the present invention. 図６は、本発明の一実施例による拡張カルマンフィルターの動作を示す図面である。FIG. 6 is a diagram illustrating an operation of the extended Kalman filter according to an embodiment of the present invention. 図７は、本発明のさらに他の実施例による拡張カルマンフィルターの動作を示す図面である。FIG. 7 is a diagram illustrating an operation of an extended Kalman filter according to another embodiment of the present invention. 図８Ａは、本発明の一実施例により具現されたカルマンフィルターの予測コンポーネントの数式を示す図面である。FIG. 8A illustrates a mathematical expression of a prediction component of a Kalman filter implemented according to an embodiment of the present invention. 図８Ｂは、本発明の一実施例により具現されたカルマンフィルターの補正コンポーネントの数式を示す図面である。FIG. 8B illustrates a mathematical expression of a Kalman filter correction component implemented according to an embodiment of the present invention. 図９は、本発明の一実施例により具現されたカルマンフィルターの動作を示す図面である。FIG. 9 is a diagram illustrating an operation of a Kalman filter implemented according to an embodiment of the present invention. 図１０は、バッテリーＳＯＣに対するモデリング数式を動的に変化させる本発明の一実施例の動作を示した図面である。FIG. 10 is a diagram illustrating the operation of an embodiment of the present invention that dynamically changes the modeling formula for the battery SOC. 図１１は、本発明の一実施例によるパラメーターの推定に対する例示的なシステムを示すブロック図である。FIG. 11 is a block diagram illustrating an exemplary system for parameter estimation according to one embodiment of the present invention. 図１２は、本発明の一実施例によるパラメーターの推定に対するフィルタリング方法を示すブロック図である。FIG. 12 is a block diagram illustrating a filtering method for parameter estimation according to an embodiment of the present invention.

Claims (40)

ＳＯＣ（Ｓｔａｔｅ Ｏｆ Ｃｈａｒｇｅ）が内的状態の一つを構成するバッテリーにおけるＳＯＣを推定する段階と、
ＳＯＨ（Ｓｔａｔｅ Ｏｆ Ｈｅａｌｔｈ）が内的パラメーターの一つを構成するバッテリーにおけるＳＯＨを推定する段階と、
を含むことを特徴とするバッテリーの現在動作条件を示す値を推定する方法。 Estimating SOC in a battery in which SOC (State Of Charge) constitutes one of internal states;
Estimating SOH in a battery in which SOH (State Of Health) constitutes one of the internal parameters;
A method for estimating a value indicative of a current operating condition of a battery, comprising: 上記バッテリーにおけるＳＯＣを推定する段階は、
上記ＳＯＣが上記内的状態の一つである上記バッテリーの内的状態の予測を行う段階と、
上記内的状態の予測の不確定性の予測を行う段階と、
上記内的状態の予測と上記不確定性の予測を補正する段階と、
上記内的状態の予測を行う段階、上記不確定性の予測を行う段階、および上記補正する段階を繰り返すアルゴリズムを適用して、上記ＳＯＣに対して行う推定と上記ＳＯＣ推定に対する不確定性を算出する段階と、
を含むことを特徴とする請求項１に記載のバッテリーの現在動作条件を示す値を推定する方法。 The step of estimating the SOC in the battery includes
Predicting the internal state of the battery in which the SOC is one of the internal states;
Predicting the uncertainty of the internal state prediction,
Correcting the internal state prediction and the uncertainty prediction;
Applying an algorithm that repeats the step of predicting the internal state, the step of predicting the uncertainty, and the step of correcting, and calculating the estimation performed on the SOC and the uncertainty relative to the SOC estimation And the stage of
The method of estimating a value indicative of a current operating condition of the battery according to claim 1, comprising: 上記内的状態の予測を行う段階は、
電流測定値を決定する段階と、
電圧測定値を決定する段階と、
数学的モデルに上記電流測定値と上記電圧測定値を用いて上記内的状態の予測を行う段階と、
を含むことを特徴とする請求項２に記載のバッテリーの現在動作条件を示す値を推定する方法。 The stage of predicting the internal state is as follows:
Determining a current measurement;
Determining a voltage measurement; and
Predicting the internal state using the current measurement and the voltage measurement in a mathematical model;
The method for estimating a value indicating a current operating condition of the battery according to claim 2, comprising: 上記不確定性の予測を行う段階は、
数学的モデルに上記電流測定値と上記電圧測定値を用いて上記不確定性の予測を行う段階を含むことを特徴とする請求項３に記載のバッテリーの現在動作条件を示す値を推定する方法。 The stage of predicting uncertainty is
4. The method for estimating a value indicating a current operating condition of a battery according to claim 3, further comprising the step of predicting the uncertainty using the current measurement value and the voltage measurement value in a mathematical model. . 上記補正する段階は、
利得係数を演算する段階と、
上記利得係数、上記電圧測定値及び上記内的状態の予測を用いて補正された内的状態の予測を演算する段階と、
上記利得係数と上記不確定性の予測を用いて補正された不確定性の予測を演算する段階と、
を含むことを特徴とする請求項４に記載のバッテリーの現在動作条件を示す値を推定する方法。 The correction step is as follows:
Calculating a gain factor;
Calculating an internal state prediction corrected using the gain factor, the voltage measurement, and the internal state prediction;
Computing an uncertainty prediction corrected using the gain factor and the uncertainty prediction;
The method of estimating a value indicating a current operating condition of the battery according to claim 4, comprising: 上記適用する段階は、
上記補正された内的状態の予測と上記補正された不確定性の予測を用いて上記アルゴリズムが再び繰り返される次の時間段階のための予測を獲得する段階を含むことを特徴とする請求項５に記載のバッテリーの現在動作条件を示す値を推定する方法。 The application step is
6. The method of claim 5, comprising using the corrected internal state prediction and the corrected uncertainty prediction to obtain a prediction for the next time step in which the algorithm is repeated again. A method for estimating a value indicating a current operating condition of the battery described in 1. 上記アルゴリズムは、
カルマンフィルターであることを特徴とする請求項６に記載のバッテリーの現在動作条件を示す値を推定する方法。 The above algorithm is
The method of estimating a value indicating a current operating condition of the battery according to claim 6, wherein the value is a Kalman filter. 上記アルゴリズムは、
拡張カルマンフィルターであることを特徴とする請求項６に記載のバッテリーの現在動作条件を示す値を推定する方法。 The above algorithm is
The method of estimating a value indicating a current operating condition of the battery according to claim 6, wherein the value is an extended Kalman filter. 上記内的状態の予測を行う段階は、
変化するバッテリーの条件に基づいた予測のために他の数学的モデルを用いる段階をさらに含むことを特徴とする請求項８に記載のバッテリーの現在動作条件を示す値を推定する方法。 The stage of predicting the internal state is as follows:
The method of claim 8, further comprising using another mathematical model for prediction based on changing battery conditions. 上記不確定性の予測を行う段階は、
変化するバッテリーの条件に基づいた予測のために他の数学的モデルを用いる段階をさらに含むことを特徴とする請求項８に記載のバッテリーの現在動作条件を示す値を推定する方法。 The stage of predicting uncertainty is
The method of claim 8, further comprising using another mathematical model for prediction based on changing battery conditions. 上記内的状態の予測を行う段階は、
温度を決定する段階と、
数学的モデルに、上記温度測定値、上記電流測定値及び上記電圧測定値を用いて上記内的状態の予測を行う段階と、
を更に含むことを特徴とする請求項３に記載のバッテリーの現在動作条件を示す値を推定する方法。 The stage of predicting the internal state is as follows:
Determining the temperature; and
A mathematical model for predicting the internal state using the temperature measurement, the current measurement and the voltage measurement;
The method of estimating a value indicative of a current operating condition of the battery according to claim 3, further comprising: 上記不確定性の予測を行う段階は、
数学的モデルに、上記温度測定値、上記電流測定値及び上記電圧測定値を用いて上記不確定性の予測を行う段階を含むことを特徴とする請求項１１に記載のバッテリーの現在動作条件を示す値を推定する方法。 The stage of predicting uncertainty is
The battery operating condition according to claim 11, wherein the mathematical model includes a step of predicting the uncertainty using the temperature measurement value, the current measurement value, and the voltage measurement value. A method for estimating the indicated value. ＳＯＣが内的状態の一つを構成するバッテリーにおけるＳＯＣを推定するように構成されるコンポーネントと、
ＳＯＨが内的パラメーターの一つを構成するバッテリーにおけるＳＯＨを推定するように構成されるコンポーネントと、
を含むバッテリーの現在動作条件を示す値を推定する装置。 A component configured to estimate an SOC in a battery for which the SOC constitutes one of the internal states;
A component configured to estimate SOH in a battery where SOH constitutes one of the internal parameters;
A device for estimating a value indicating a current operating condition of a battery including 上記バッテリーにおけるＳＯＣを推定するように構成されるコンポーネントは、
上記ＳＯＣが上記内的状態の一つである上記バッテリーの内的状態の予測を行うように構成されるコンポーネントと、
上記内的状態の予測の不確定性の予測を行うように構成されるコンポーネントと、
上記内的状態の予測と上記不確定性の予測を補正するように構成されるコンポーネントと、
上記内的状態の予測を行うように構成されたコンポーネントと、上記不確定性の予測を行うように構成されるコンポーネントと、上記補正段階を繰り返すアルゴリズムとを適用して、上記ＳＯＣに対して行う推定と上記ＳＯＣ推定に対する不確定性を算出するように構成されるコンポーネントと、
を含むことを特徴とする請求項１３に記載のバッテリーの現在動作条件を示す値を推定する装置。 The component configured to estimate the SOC in the battery is:
A component configured to predict an internal state of the battery in which the SOC is one of the internal states;
A component configured to predict uncertainty of the internal state prediction;
A component configured to correct the internal state prediction and the uncertainty prediction;
Apply to the SOC by applying a component configured to predict the internal state, a component configured to predict the uncertainty, and an algorithm that repeats the correction step A component configured to calculate an uncertainty for the estimate and the SOC estimate;
The apparatus for estimating a value indicating a current operating condition of the battery according to claim 13. 上記内的状態の予測を行うように構成されるコンポーネントは、
電流測定値を決定するように構成されるコンポーネントと、
電圧測定値を決定するように構成されるコンポーネントと、
数学的モデルに上記電流測定値と上記電圧測定値を用いて上記内的状態の予測を行うように構成されるコンポーネントと、
を含むことを特徴とする請求項１４に記載のバッテリーの現在動作条件を示す値を推定する装置。 The component configured to perform the internal state prediction is
A component configured to determine a current measurement;
A component configured to determine a voltage measurement;
A component configured to predict the internal state using the current measurement and the voltage measurement in a mathematical model;
The apparatus for estimating a value indicating a current operating condition of the battery according to claim 14, comprising: 上記補正するように構成されるコンポーネントは、
利得係数を演算するように構成されるコンポーネントと、
上記利得係数、上記電圧測定値及び上記内的状態の予測を用いて補正された内的状態の予測を演算するように構成されるコンポーネントと、
上記利得係数と上記不確定性の予測を用いて補正された不確定性の予測を演算するように構成されるコンポーネントと、
を含むことを特徴とする請求項１５に記載のバッテリーの現在動作条件を示す値を推定する装置。 The components configured to correct above are:
A component configured to compute a gain factor;
A component configured to compute a predicted internal state corrected using the gain factor, the voltage measurement, and the internal state prediction;
A component configured to compute an uncertainty prediction corrected using the gain factor and the uncertainty prediction;
The apparatus for estimating a value indicating a current operating condition of the battery according to claim 15, comprising: 上記内的状態の予測を行うように構成されるコンポーネントは、
温度測定値を決定するように構成されるコンポーネントと、
数学的モデルに、上記温度測定値、上記電流測定値及び上記電圧測定値を用いて上記内的状態の予測を行うコンポーネントと、
を更に含むことを特徴とする請求項１５に記載のバッテリーの現在動作条件を示す値を推定する装置。 The component configured to perform the internal state prediction is
A component configured to determine a temperature measurement; and
A mathematical model that predicts the internal state using the temperature measurement, the current measurement, and the voltage measurement;
The apparatus for estimating a value indicating a current operating condition of the battery according to claim 15, further comprising: セルの内的パラメーターの予測を行う段階と、
上記内的パラメーターの予測の不確定性の予測を行う段階と、
上記内的パラメーターの予測と上記不確定性の予測を補正する段階と、
上記内的パラメーターの予測を行う段階と、上記不確定性の予測を行う段階と、上記補正する段階を繰り返すアルゴリズムとを適用して、パラメーターに対して行う推定とパラメーターの予測に対する不確定性を算出する段階と、
を含むことを特徴とする電気化学セルシステムの現在パラメーターを推定する方法。 Predicting the internal parameters of the cell;
Predicting the uncertainty of the internal parameter prediction,
Correcting the internal parameter prediction and the uncertainty prediction;
Applying an algorithm that repeats the step of predicting the internal parameter, the step of predicting the uncertainty, and the step of correcting the above, the uncertainty for the parameter estimation and parameter prediction is applied. Calculating the stage;
A method for estimating a current parameter of an electrochemical cell system comprising: 上記内的パラメーターの予測を行う段階は、
状態推定値を受信する段階と、
電流測定値を決定する段階と、
電圧測定値を決定する段階と、
数学的モデルに上記状態推定値と上記電流測定値及び上記電圧測定値を用いて上記内的パラメーターの予測を行う段階と、
を含むことを特徴とする請求項１８に記載の電気化学セルシステムの現在パラメーターを推定する方法。 The stage of predicting the internal parameters is as follows:
Receiving a state estimate; and
Determining a current measurement;
Determining a voltage measurement; and
Predicting the internal parameter using the mathematical model with the state estimate, the current measurement, and the voltage measurement;
The method of estimating a current parameter of an electrochemical cell system according to claim 18, comprising: 上記不確定性の予測を行う段階は、
数学的モデルに、上記状態推定値と上記電流測定値及び上記電圧測定値を用いて上記不確定性の予測を行う段階を含むことを特徴とする請求項１９に記載の電気化学セルシステムの現在パラメーターを推定する方法。 The stage of predicting uncertainty is
The current model of the electrochemical cell system according to claim 19, wherein the mathematical model includes a step of predicting the uncertainty by using the state estimation value, the current measurement value, and the voltage measurement value. How to estimate parameters. 上記補正する段階は、
利得係数を演算する段階と、
上記利得係数、上記電圧測定値及び上記内的パラメーターの予測を用いて補正された内的パラメーターの予測を演算する段階と、
上記利得係数と上記不確定性の予測を用いて補正された不確定性の予測を演算する段階と、
を含むことを特徴とする請求項２０に記載の電気化学セルシステムの現在パラメーターを推定する方法。 The correction step is as follows:
Calculating a gain factor;
Calculating a corrected internal parameter prediction using the gain factor, the voltage measurement, and the internal parameter prediction;
Computing an uncertainty prediction corrected using the gain factor and the uncertainty prediction;
21. A method for estimating a current parameter of an electrochemical cell system according to claim 20, comprising: 上記適用する段階は、
上記補正された内的パラメーターの予測と上記補正された不確定性の予測を用いて上記アルゴリズムが繰り返される次の時間段階のための予測を獲得する段階を含むことを特徴とする請求項２１に記載の電気化学セルシステムの現在パラメーターを推定する方法。 The application step is
The method of claim 21, comprising obtaining a prediction for a next time step in which the algorithm is repeated using the corrected internal parameter prediction and the corrected uncertainty prediction. Method for estimating the current parameters of the described electrochemical cell system. 上記アルゴリズムは、
カルマンフィルターと拡張カルマンフィルターのうち少なくとも一つであることを特徴とする請求項２２に記載の電気化学セルシステムの現在パラメーターを推定する方法。 The above algorithm is
The method for estimating a current parameter of an electrochemical cell system according to claim 22, wherein the current parameter is at least one of a Kalman filter and an extended Kalman filter. 上記内的パラメーターは、
抵抗、容量、分極電圧時定数、分極電圧調和定数、ヒステリシス調和ファクター、ヒステリシス率定数及び効率ファクターのうち少なくとも一つ以上を含むことを特徴とする請求項２３に記載の電気化学セルシステムの現在パラメーターを推定する方法。 The internal parameters are
The current parameter of the electrochemical cell system according to claim 23, comprising at least one of resistance, capacity, polarization voltage time constant, polarization voltage harmonic constant, hysteresis harmonic factor, hysteresis rate constant, and efficiency factor. How to estimate. 上記不確定性の予測を行う段階は、
状態推定値を受信する段階と、
電流測定値を決定する段階と、
電圧測定値を決定する段階と、
数学的モデルに、上記状態推定値と上記電流測定値及び上記電圧測定値を用いて上記不確定性の予測を行う段階と、
を含むことを特徴とする請求項１８に記載の電気化学セルシステムの現在パラメーターを推定する方法。 The stage of predicting uncertainty is
Receiving a state estimate; and
Determining a current measurement;
Determining a voltage measurement; and
A mathematical model for predicting the uncertainty using the state estimate, the current measurement, and the voltage measurement;
The method of estimating a current parameter of an electrochemical cell system according to claim 18, comprising: 上記不確定性の予測を行う段階は、
温度測定値を決定する段階をさらに含み、
上記不確定性の予測を行う段階は、
数学的モデルに、上記状態予測値、上記電流測定値、上記電圧測定値及び上記温度測定値を用いる段階を含むことを特徴とする請求項２５に記載の電気化学セルシステムの現在パラメーターを推定する方法。 The stage of predicting uncertainty is
Further comprising determining a temperature measurement;
The stage of predicting uncertainty is
26. Estimating a current parameter of an electrochemical cell system according to claim 25, including using the state prediction value, the current measurement value, the voltage measurement value, and the temperature measurement value in a mathematical model. Method. 上記内的パラメーターの予測を行う段階は、
温度測定値を決定する段階と、
数学的モデルに、上記状態測定値、上記温度測定値、上記電流測定値及び上記電圧測定値を用いて上記内的パラメーターの予測を行う段階と、
を更に含むことを特徴とする請求項１９に記載の電気化学セルシステムの現在パラメーターを推定する方法。 The stage of predicting the internal parameters is as follows:
Determining a temperature measurement;
A mathematical model for predicting the internal parameter using the state measurement, the temperature measurement, the current measurement and the voltage measurement;
The method of estimating current parameters of an electrochemical cell system according to claim 19 further comprising: 各物理的値に対する一つ以上のパラメーターの収斂を保障する段階を更に含むことを特徴とする請求項１８に記載の電気化学セルシステムの現在パラメーターを推定する方法。   The method of estimating current parameters of an electrochemical cell system according to claim 18, further comprising ensuring convergence of one or more parameters for each physical value. 上記保障する段階は、
電圧分極フィルターのｄｃゲインが０になるように強制する段階を含むことを特徴とする請求項２８に記載の電気化学セルシステムの現在パラメーターを推定する方法。 The guarantee stage is
30. The method of estimating current parameters of an electrochemical cell system according to claim 28, comprising forcing the dc gain of the voltage polarization filter to be zero. セルモデル動力学の安全性を保障する段階を含むことを特徴とする請求項１８に記載の電気化学セルシステムの現在パラメーターを推定する方法。   The method for estimating current parameters of an electrochemical cell system according to claim 18, comprising ensuring the safety of cell model dynamics. 上記保障する段階は、
フィルターポール（ｆｉｌｔｅｒ ｐｏｌｅｓ）が１より小さい値を有するように強制する段階を含むことを特徴とする請求項３０に記載の電気化学セルシステムの現在パラメーターを推定する方法。 The guarantee stage is
32. The method of estimating current parameters of an electrochemical cell system according to claim 30, comprising forcing filter poles to have a value less than one. フィルターポールが、ｔａｎｈ関数を用いて演算されてフィルターポールの大きさが１より小さいように保障することを特徴とする請求項３０に記載の電気化学セルシステムの現在パラメーターを推定する方法。   31. The method of estimating current parameters of an electrochemical cell system according to claim 30, wherein the filter pole is calculated using a tanh function to ensure that the size of the filter pole is less than one. 上記電気化学セルと関連した初期状態値と初期パラメーター値を受信する段階を含むことを特徴とする請求項１８に記載の電気化学セルシステムの現在パラメーターを推定する方法。   The method of estimating current parameters of an electrochemical cell system according to claim 18, comprising receiving initial state values and initial parameter values associated with the electrochemical cell. 上記バッテリーの現在パラメーターを推定するように構成されるコンポーネントは、
上記セルの内的パラメーターの予測を行うように構成されるコンポーネントと、
上記内的パラメーターの予測の不確定性の予測を行うように構成されるコンポーネントと、
上記内的パラメーターの予測と上記不確定性の予測を補正するように構成されるコンポーネントと、
上記内的パラメーターの予測を行うように構成されるコンポーネントと、上記不確定性の予測を行うように構成されるコンポーネントと、上記補正するように構成されるコンポーネントとによって行われた段階を繰り返して、上記パラメーターに対して行う推定と上記パラメーターの推定に対する不確定性を算出するように構成されるコンポーネントと、を含むことを特徴とする請求項１３に記載のバッテリーの現在動作条件を示す値を推定する装置。 The component configured to estimate the current parameters of the battery is
A component configured to predict the internal parameters of the cell;
A component configured to predict the uncertainty of the internal parameter prediction;
A component configured to correct the prediction of the internal parameter and the prediction of the uncertainty;
Repeat the steps performed by the component configured to predict the internal parameter, the component configured to predict the uncertainty, and the component configured to correct A value indicative of a current operating condition of the battery according to claim 13, comprising: a component configured to calculate an estimate for the parameter and to calculate an uncertainty for the parameter estimate. Device to estimate. 上記内的パラメーターの予測を行うように構成されるコンポーネントは、
状態推定値を受信するように構成されるコンポーネントと、
電流測定値を決定するように構成されるコンポーネントと、
電圧測定値を決定するように構成されるコンポーネントと、
数学的モデルに、上記状態推定値、上記電流測定値及び上記電圧測定値を用いて上記内的パラメーターの予測を行うように構成されるコンポーネントと、
を含むことを特徴とする請求項３４に記載のバッテリーの現在動作条件を示す値を推定する装置。 The components configured to make predictions of the internal parameters are
A component configured to receive a state estimate;
A component configured to determine a current measurement;
A component configured to determine a voltage measurement;
A component configured to predict the internal parameter using the state estimate, the current measurement, and the voltage measurement in a mathematical model;
35. The apparatus for estimating a value indicating a current operating condition of a battery according to claim 34. 上記補正するように構成されるコンポーネントは、
利得係数を演算するように構成されるコンポーネントと、
上記利得係数、上記電圧測定値及び上記内的パラメーターの予測を用いて補正された内的パラメーターの予測を演算するように構成されるコンポーネントと、
上記利得係数と上記不確定性の予測を用いて補正された不確定性の予測を演算するように構成されるコンポーネントと、
を含むことを特徴とする請求項３５に記載のバッテリーの現在動作条件を示す値を推定する装置。 The components configured to correct above are:
A component configured to compute a gain factor;
A component configured to compute a predicted internal parameter corrected using the gain factor, the voltage measurement, and the internal parameter prediction;
A component configured to compute an uncertainty prediction corrected using the gain factor and the uncertainty prediction;
36. The apparatus for estimating a value indicative of a current operating condition of a battery according to claim 35. 上記不確定性の予測を行うように構成されるコンポーネントは、
状態推定値を受信するように構成されるコンポーネントと、
電流測定値を決定するように構成されるコンポーネントと、
電圧測定値を決定するように構成されるコンポーネントと、
温度測定値を決定するように構成されるコンポーネントと、
数学的モデルに、上記状態推定値、上記温度測定値、上記電流測定値及び上記電圧測定値を用いて上記不確定性の予測を行うように構成されるコンポーネントと、
を含むことを特徴とする請求項３４に記載のバッテリーの現在動作条件を示す値を推定する装置。 The components configured to perform the uncertainty prediction are:
A component configured to receive a state estimate;
A component configured to determine a current measurement;
A component configured to determine a voltage measurement;
A component configured to determine a temperature measurement; and
A component configured to predict the uncertainty using the state estimate, the temperature measurement, the current measurement, and the voltage measurement in a mathematical model;
35. The apparatus for estimating a value indicating a current operating condition of a battery according to claim 34. 上記内的パラメーターの予測を行うように構成されるコンポーネントは、
温度を決定するように構成されるコンポーネントと、
数学的モデルに、上記状態推定値、上記温度測定値、上記電流測定値及び上記電圧測定値を用いて上記内的パラメーターの予測を行うように構成されるコンポーネントと、
を更に含むことを特徴とする請求項３５に記載のバッテリーの現在動作条件を示す値を推定する装置。 The components configured to make predictions of the internal parameters are
A component configured to determine the temperature;
A component configured to predict the internal parameter using a mathematical model using the state estimate, the temperature measurement, the current measurement, and the voltage measurement;
36. The apparatus for estimating a value indicative of a current operating condition of a battery according to claim 35, further comprising: セルの内的パラメーターの予測を行うための手段と、
上記内的パラメーターの予測の不確定性の予測を行うための手段と、
上記内的パラメーターの予測と上記不確定性の予測を補正するための手段と、
上記内的パラメーターの予測、上記不確定性の予測及び上記補正を繰り返すアルゴリズムを適用して、上記パラメーターに対して行う推定と上記パラメーターの予測に対する不確定性を算出するための手段と、
を含む電気化学セルシステムの現在パラメーターを推定するためのシステム。 Means for predicting the internal parameters of the cell;
Means for predicting the uncertainty of the internal parameter prediction;
Means for correcting the internal parameter prediction and the uncertainty prediction;
Means for applying an algorithm that repeats the prediction of the internal parameter, the prediction of the uncertainty and the correction to calculate an estimation performed on the parameter and the uncertainty of the parameter prediction;
A system for estimating the current parameters of an electrochemical cell system including: 上記セルの内的パラメーターの予測を行う段階と、
上記内的パラメーターの予測の不確定性の予測を行う段階と、
上記内的パラメーターの予測と上記不確定性の予測を補正する段階と、
上記内的パラメーターの予測を行う段階と、上記不確定性の予測を行う段階と、上記補正する段階とを繰り返すアルゴリズムを適用して、上記パラメーターに対して行う推定と上記パラメーターの予測に対する不確定性を算出する段階と、
を含む電気化学セルの現在パラメーターを推定するための方法をコンピューターが行うようにする命令語を含む機械により認識可能なコンピュータープログラムコードでコード化された貯蔵媒体。 Predicting the internal parameters of the cell;
Predicting the uncertainty of the internal parameter prediction,
Correcting the internal parameter prediction and the uncertainty prediction;
Applying an algorithm that repeats the step of predicting the internal parameter, the step of predicting the uncertainty, and the step of correcting, to make an estimate for the parameter and an uncertainty for the prediction of the parameter Calculating gender,
A storage medium encoded with computer program code recognizable by a machine, including instructions that cause a computer to perform a method for estimating a current parameter of an electrochemical cell comprising:

Images