JP6449303B2 - 電池の充電状態を推定するための方法、装置およびシステム - Google Patents

Description

本発明は、電池の充電状態、（限定されないが）特に、電気車両またはハイブリッド車両の電池の充電状態を推定するための方法、装置およびシステムに関する。本発明は、このようなシステムの枠組みのなかで電池の充電状態を推定するためのこのような装置と協同する回帰モデルを推定するための装置にもまた関する。

電池に蓄積された電荷の量は、一般に、通常頭文字ＳｏＣ（ｓｔａｔｅ ｏｆ ｃｈａｒｇｅ）で表示される充電状態によって特徴付けられ、充電状態は、電池の最大可能容量に対する使用可能容量の比率として定義される。

残りの自律動作時間は電池のＳｏＣによって決まるので、所与の時点における電池のＳｏＣを知ることは、電池によって電力が供給されるすべてのシステムにとって最大関心事である。残念ながら、ＳｏＣを直接測定することは不可能である。ＳｏＣとの関係が確立されている、ある種の測定可能な物理量を用いることが可能である。しかし、そのような量の測定は、電池の環境およびその使用条件に関連する数多くの制約により支配される。例えば、無負荷電圧を用いることが可能であるが、この電圧を測定する条件は、依然として電池が使用されていない期間に限定されている。電池のインピーダンスを用いることもまた可能であるが、この量は、温度や電流といったような実験条件に大きく影響される。したがって、電池の充電状態は、適切なモデルを用いて使用中に推定できるだけである。

この推定は、電池の充電状態が多くのパラメータ、すなわち、充電レジームなのか、放電レジームなのか、外部温度といった使用条件や、その電池に固有の特徴などに左右されるという事実により、実質的に複雑化されている。ＳｏＣの算出は、実際に電池の最大容量Ｃ_ｍａｘによって決まるが、これは、外部温度が低い場合には、大幅に減少する場合がある。例えば、所与の時点の最大容量は、好条件の下で測定された最大容量の８０％にしか相当しない場合がある。加えて、電池の最大容量は時間の経過とともに減少するので、寿命の状態（ＳｏＨ）と呼ばれる経時決定基準を確立することが可能になる。

この問題は、技術的、経済的に重要であるため、電池の充電状態を推定するための、実に多くのスキームが提案されている。これらのスキームのうちのいくつかは、Ｓ．Ｐｉｌｌｅｒ，Ｍ．ＰｅｒｒｉｎおよびＡ．Ｊｏｓｓｅｎによる論文“Ｍｅｔｈｏｄｓ ｆｏｒ ｓｔａｔｅ−ｏｆ−ｃｈａｒｇｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ａｎｄ ｔｈｅｉｒ ａｐｐｌｉｃａｔｉｏｎｓ”，Ｊｏｕｒｎａｌ ｏｆ Ｐｏｗｅｒ Ｓｏｕｒｃｅｓ ９６（２００１）１１３−１２０に記載されている。

いわゆる「直接算出する」スキームは、電池の充電状態を、電池の別の特徴的な物理量と、通常は、電池の端子の両端で測定された電圧Ｕ、特に、無負荷電圧Ｕ_０と１対１で一致させた図表に依拠する。例えば、文献米国特許第４，６７７，３６３号明細書を参照されたい。あいにく、関係式「ＳｏＣ＝ｆ（Ｕ）」−ここでのＵは、電池の端子の両端で測定された電圧である−は、すべてのタイプの電池、特にリチウムイオン（Ｌｉ−ｉｏｎ）電池について厳密に１対１ではない。無負荷電圧Ｕ_０のような他の物理量、電解質の物性および電気化学インピーダンスＺが、ＳｏＣを推定するために提案されている。電池がある一定の期間の間休止状態にあり、かつ、特定の温度条件下にある場合にしか無負荷電圧を測定することができないので、関係式ＳｏＣ＝ｆ（Ｕ_０）は、特に、信頼性が高いが、かなり不便である。電解質の物性は、電解質が液体である場合にしか、測定することができない。したがって、すべてのタイプの電気化学的成分の電池に利用することができない。関係式ＳｏＣ＝ｆ（Ｚ）は、すべてのタイプの電池について厳密に１対１ではなく、電池の温度および電池の充電／放電レジームに応じて、大きく変動する。さらに、電池のすべての温度、すべての経時状態およびすべての放電／充電レジームについて図表を作図することは、特定の、しかも高価なハードウェアを要する非常に面倒な作業である。加えて、これらのスキームでは、同一の電気化学的成分の電池の挙動のバラツキを直接積分することができない。測定値が不正確であり、電池の挙動の多様性が図表には微弱にしか表われないため、このリアルタイムで直接算出する技術をそのまま適用することができず、較正手順が必要であり、これにはかなりの経費がかかってしまう場合がある。

文献米国特許出願公開第２０１０／００９０６５１号明細書は、以下の２つのステップ、すなわち、
− 第１に、電圧測定値と電流測定値との直線補間によって無負荷電圧Ｕ_０を推定するステップと、
− 次に、図表を用いてこのように推定された値Ｕ_０に基づいて充電状態を決定するステップと、を含む電池の充電状態を推定するための方法について記載している。

第１のステップを実施するために、電池が充電条件にあるのか、放電条件にあるのかに応じて、２つの異なる回帰モデルが用いられる。

この方法は、Ｕ_０を直接測定する必要がないという点を除いて、直接算出するスキームの前述した欠点を示す。

物理的モデルに基づくＳｏＣの推定は、最も広く普及している。これには、電流、電圧、内部温度、無負荷電圧、外部温度、インピーダンスなどといったような変数に依拠するモデルが関与する。ＳｏＣを推定する最も単純で最もよく知られている方法は、「クーロメトリ」である。それは、電池の最大容量Ｃ_ｍａｘに対して電池により供給された／電池から抽出された電荷Ｃ_Ｆ／Ｅの量を算出することである。電荷Ｃ_Ｆ／Ｅの量が、電池の使用中に電流Ｉ（ｔ）を積分することにより推定される。ＳｏＣのクーロメトリによる推定量は、以下のように表わされる。

ここで、ＳｏＣ_０は充電の既知（例えば、完全な充電状態、または完全な放電状態）と仮定された初期状態であり、［ｔ_０，ｔ］は、電池の使用期間であり、ηは、ファラデー効率（電池に蓄積することができる電荷の、電池から抽出することができる電荷に対する比率）である。例えば、Ｋｏｎｇ Ｓｏｏｎ Ｎｇらによる論文“Ｅｎｈａｎｃｅｄ ｃｏｕｌｏｍｂ ｃｏｕｎｔｉｎｇ ｍｅｔｈｏｄ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｓｔａｔｅ−ｏｆ−ｃｈａｒｇｅ ａｎｄ ｓｔａｔｅ−ｏｆ−ｈｅａｌｔｈ ｏｆ ｌｉｔｈｉｕｍ−ｉｏｎ ｂａｔｔｅｒｉｅｓ”，Ａｐｐｌｉｅｄ Ｅｎｅｒｇｙ ８６ ２００９）１５０６−１５１１を参照されたい。

このスキームは、いくつかの欠点を示す。すなわち、
− 電流センサが不正確な場合があり、測定された電流が積分されるにつれて、測定誤差が蓄積される。
− 最大容量を知ることが、本願の枠組みのなかでは困難であり、したがって、非常に大まかなものである可能性がある。
− 自己放電現象が考慮されていない。
− ファラデー効率も、リアルタイムでは、あまりよくわからない。

ＳｏＣを推定するためのクーロメトリによるモデルを、カルマンフィルタリング（Ｋａｌｍａｎ ｆｉｌｔｅｒｉｎｇ）のようなデータフュージョン技術を使って測定が可能な他の物理量のモデルと組み合わせることにより改良することができる。この技術は、電池の電気化学的成分に左右される等価回路の形態の、したがって、一般的でない電池のモデルを構築しなければならない。

さらに他のスキームにより、各タイプの電池の電気化学的成分に固有の化学反応、および拡散現象の動力学のモデルに基づいてＳｏＣを推定することが可能になる。これらのスキームの主な欠点は、普遍性に欠けることである。

最後に、ＳｏＣを推定するための数多くの他のスキームは、統計的トレーニング技術を使用して、物理的モデル、半物理的モデル、またはまったく純粋に数学的モデルの係数を自動的に決定する（「ブラックボックス」タイプのアプローチ）。

Ｔ．ＨａｎｓｅｎおよびＣｈｉａ−Ｊｉｕ Ｗａｎｇによる論文、“Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｂａｓｅｄ ｓｔａｔｅ ｏｆ ｃｈａｒｇｅ ｅｓｔｉｍａｔｏｒ”，Ｊｏｕｒｎａｌ ｏｆ Ｐｏｗｅｒ Ｓｏｕｒｃｅｓ １４１（２００５），３５１−３５８頁および米国特許第７，１９７，４８７号明細書は、係数がサポートベクトル回帰（ＳＶＲ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ）スキームによって推定される多項式カーネルを用いたカーネル回帰モデルに基づいてＳｏＣを推定するためのスキームについて記載している。米国特許出願公開第２０１０／０３２４８４８号明細書は、ニューラルネットワークを使用して−およびいくつかの、このネットワークの係数を推定するための数学的技法を使用して−電圧、電流および温度の瞬時測定値に基づいて、ならびに電圧の一次導関数および二次導関数に基づいて、電池のＳｏＣを推定することについて記載している。

統計的トレーニングに基づいたこれらのスキームは、電池の成分、構造または動作に関係するいかなる仮定にも基づかないモデルを使用するので、非常に一般的になる可能性を秘めている。加えて、これらのモデルは、可変数の入力変数を使用することが可能で、入力変数の性質に左右されないので、融通がきく。しかしながら、本出願の発明者らは、この優れた普遍性は、実際には実現困難であると認識している。事実、モデルの普遍性は、決定的にそのトレーニングベースの質、すなわち、ＳｏＣ推定モデルの係数のトレーニングに使用されるデータベースの質に左右される。このベースは、冗長にならず、サイズが大きくなりすぎることなく、しかも、十分に包括的でなければならない。

米国特許第４，６７７，３６３号明細書 米国特許出願公開第２０１０／００９０６５１号明細書 米国特許第７，１９７，４８７号明細書 米国特許出願公開第２０１０／０３２４８４８号明細書

Ｓ．Ｐｉｌｌｅｒ，Ｍ．ＰｅｒｒｉｎおよびＡ．Ｊｏｓｓｅｎ"Ｍｅｔｈｏｄｓ ｆｏｒ ｓｔａｔｅ−ｏｆ−ｃｈａｒｇｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ａｎｄ ｔｈｅｉｒ ａｐｐｌｉｃａｔｉｏｎｓ"，Ｊｏｕｒｎａｌ ｏｆ Ｐｏｗｅｒ Ｓｏｕｒｃｅｓ ９６（２００１）１１３−１２０ Ｋｏｎｇ Ｓｏｏｎ Ｎｇら"Ｅｎｈａｎｃｅｄ ｃｏｕｌｏｍｂ ｃｏｕｎｔｉｎｇ ｍｅｔｈｏｄ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｓｔａｔｅ−ｏｆ−ｃｈａｒｇｅ ａｎｄ ｓｔａｔｅ−ｏｆ−ｈｅａｌｔｈ ｏｆ ｌｉｔｈｉｕｍ−ｉｏｎ ｂａｔｔｅｒｉｅｓ"，Ａｐｐｌｉｅｄ Ｅｎｅｒｇｙ ８６ ２００９）１５０６−１５１１ Ｔ．ＨａｎｓｅｎおよびＣｈｉａ−Ｊｉｕ Ｗａｎｇ"Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｂａｓｅｄ ｓｔａｔｅ ｏｆ ｃｈａｒｇｅ ｅｓｔｉｍａｔｏｒ"，Ｊｏｕｒｎａｌ ｏｆ Ｐｏｗｅｒ Ｓｏｕｒｃｅｓ １４１（２００５），３５１−３５８頁

本発明は、先行技術の前述した欠点を示さない電池の充電状態を推定するための方法およびシステムをもたらすことを目的とする。このような方法およびこのようなシステムは、高水準の普遍性を示し（すなわち、異なるタイプおよび／または異なる使用条件下の電池に適用することが可能であり）、搭載センサを用いたリアルタイムアプリケーションに適切であるので有利である。

したがって、本発明の主題は、以下のステップを含む、電池の充電状態を推定するための方法である。すなわち、
ａ）前記電池の端子の両端の少なくとも１つの時系列の電圧測定値、ならびに、前記電池の、またはその環境の別の物理的パラメータの、少なくとも１つの他の時系列の測定値を取得するステップと、
ｂ）前記電池の動作レジームを、前記測定値に応じて決定するステップと、
ｃ）非線形回帰モデルを、事前定義された、そのようなモデルのセットの中から、前記動作レジームに応じて選定するステップと、
ｄ）前記時系列の電圧測定値、および前記他の時系列の測定値または少なくとも１つの前記他の時系列の測定値に、前記非線形回帰モデルを「直接」適用することにより、前記電池の充電状態を推定するステップと、を含む方法である。

前記動作レジームは、特に、電池の充電状態、電池が充電または放電を行っているという事実、充電速度または温度の中から選定された少なくとも１つのパラメータによって定義することができる。

より一般的には、前記動作レジームは、電池の充電状態、電池が充電または放電を行っているという事実、充電速度または放電速度、周囲温度または内部温度、前記時系列の電圧測定値の平均値、電池のインピーダンスまたは電池の健全状態の測定値の中から選定された少なくとも１つのパラメータによって定義することができる。

このような方法の特定の実施形態によれば、
− １つの前記物理的パラメータまたは他の前記物理的パラメータは、電池によって供給されるか、もしくは吸収された電流、電池の内部温度、周囲温度の中から選定することが可能である。
− 前記ステップａ）は、前記電池の端子の両端の時系列の電圧測定値、およびこの電池によって供給されるか、もしくは吸収された時系列の電流測定値を取得することを少なくとも含み得るとともに、前記ステップｂ）は、−特に、前記レジームが、充電状態の範囲によって定義される場合に−前記時系列の測定値から生じる、少なくとも１つの電圧値および１つの電流値に基づいて、前記電池の前記動作レジームを決定することを含み得る。
− 前記ステップｂ）は、−特に、前記レジームが、充電状態の範囲によって定義される場合に−対応表または関数によって、電池の端子の両端の電圧平均値、および電池によって吸収されるか、もしくは供給された電流平均値に基づいて、前記電池の前記動作レジームを決定することを含み得る。
− 前記ステップｃ）は、前記他の物理的パラメータもしくは前記他の物理的パラメータに応じて、または、前記電池の健全状態に関する情報の項目に応じてもまた、モデルを選定することを含み得る。
− 本方法は、前記ステップｄ）に先立って、前記時系列の測定値、または少なくとも１つの前記時系列の測定値を、低域通過フィルタリングまたは平滑化する動作を含み得る。
− 前記事前定義されたモデルのセットは、複数のモデルを備え得るとともに、そのうちの少なくとも１つが、カーネル回帰モデル、サポートベクトル回帰モデル、および関連ベクトルマシンの中から選定される。
− 本方法は、以下のステップ、すなわち、前記時系列の測定値が、前記セットの回帰モデルを構築する際に考慮されていない使用条件に相当するかどうかを決定するステップｅ）と、肯定であった場合に、前記１つ以上の時系列の測定値をデータベースに格納するステップｆ）と、をまた含み得る。使用条件は、電池の、またはその環境の１つ以上のパラメータによって、−非線形回帰モデルの選択に使用された−動作レジームが、使用条件の集合に相当するように定義することができる。例えば、使用条件は、前記時系列の電圧測定値の平均値、電池が充電または放電を行なっているという事実、電池の充電電流もしくは放電電流、または外部温度の中から選定された１つ以上のパラメータによって、定義することができる。
− 前記ステップｆ）は、前記電池の充電状態に関係する情報の項目を決定すること、および前記情報の項目を、前記時系列の測定値、または各前記時系列の測定値と関連付けすることもまた含み得る。また本方法は、少なくとも１つの時系列の測定値を、前記少なくとも１つの時系列の測定値と関連付けされた充電状態情報の項目と、続いて決定された電池の充電状態に関する情報の項目との間の比較に基づいて、前記データベースから除外する動作と、をまた含む。
− 本方法は、以下のステップ、すなわち、少なくとも複数の時系列の前記電池の端子の両端の電圧測定値、および少なくとも１つの他の時系列の前記電池の、またはその環境の、別の物理的パラメータの測定値に基づいて、ならびに対応する前記電池の充電状態の基準値に基づいてトレーニングすることによって、前記セットの回帰モデルを構築するステップｇ）もまた含み得る。
− 本方法は、以下のステップ、すなわち、複数の前記回帰モデル、または少なくとも１つの前記回帰モデルをトレーニングすることによって、再構築するか、または、前記ステップｆ）の間に前記データベースに格納された１つ以上の時系列を考慮しながら、前記セットの新たな回帰モデルをトレーニングすることによって、構築する、ステップｈ）もまた含み得る。
− 前記ステップｇ）および／または前記ステップｈ）は、前記時系列の測定値を低域通過フィルタリングまたは平滑化し、かつ、サブサンプリングする事前動作を含み得る。
− 前記ステップｇ）および／または前記ステップｈ）は、前記ステップａ）の間に取得された時系列の電流測定値に基づいて、前記電池の電荷のクーロメトリによる推定量を非リアルタイムで算出することと、前記クーロメトリによる推定量を、前記電池の充電状態の基準値として、前記回帰モデルのトレーニングによって構築または再構築するために使用することと、を含み得る。
− 前記電池は、エネルギー消費装置に組み込むことができ、前記ステップａ）からｄ）、またはａ）からｆ）は、同様に前記エネルギー消費装置に組み込まれた充電状態推定装置によって、リアルタイムで実施することができる。
− 前記ステップｇ）、または前記ステップｇ）およびｈ）は、前記エネルギー消費装置に組み込まれていない回帰トレーニング装置によって、非リアルタイムで実施することができる。

本発明の別の主題は、電池の充電状態を推定するための装置であって、前記電池の端子の両端の電圧を測定するための、少なくとも１つの電圧センサと、前記電池の、またはその環境の別の物理的パラメータを測定するための、少なくとも１つの他のセンサと、前記電池の充電状態の回帰モデルのセットを記憶するためのメモリと、前記センサおよび前記メモリと協同することによって、前述したような方法のステップａ）からｄ）、またはａ）からｆ）を実施するようにプログラムされるか、または構成されたプロセッサと、を備える装置である。

本発明のさらに別の主題は、複数の時系列の電池の端子の両端の電圧測定値、ならびに前記電池の、またはその環境の少なくとも１つの他の物理的パラメータを格納するデータベースと、前述したような方法のステップｇ）、またはステップｇ）およびｈ）を実施するようにプログラムされるか、または構成されたプロセッサと、を備える、回帰モデルをトレーニングするための装置である。

本発明のさらに別の主題は、このような充電状態推定装置と、回帰モデルをトレーニングするためのこのような装置と、前記装置をリンクするデータ伝送システムと、を備える、電池の充電状態を推定するためのシステムである。

例として示される添付図面を参照して与えられる説明を読むことにより、本発明の他の特徴、詳細および利点が明らかになるであろう。

図１は、本発明の一実施形態による、電池の充電状態を推定するためのシステムの機能図である。 図２は、本発明の一実施形態による、電池の充電状態を推定するための方法のフローチャートである。 図３Ａは、本発明の一実施形態による、電池の充電状態の推定に使用されたデータのフィルタリングによって誘発された近似誤差を図示するグラフである。 図３Ｂは、本発明の一実施形態による、電池の充電状態の推定に使用されたデータのフィルタリングによって誘発された近似誤差を図示するグラフである。 図４は、図２の方法の枠組みのなかで回帰モデルの選定を決定する、電池の動作レジームを決定するステップをさらに詳細に図示するグラフである。 図５は、図２の方法の枠組みのなかで保存される測定値を選択する動作をさらに詳細に図示するフローチャートである。 図６は、時系列の電池の電流測定値、電圧測定値および内部温度測定値、ならびに、これらの測定値に基づいて、かつ、図２の方法によって得られた、前記電池に対する充電状態推定値を図示するグラフである。 図７Ａは、図２の方法の枠組みのなかで交差確認法を用いた統計的トレーニングによって回帰モデルを構築する動作をさらに詳細に図示するフローチャートである。 図７Ｂは、図２の方法の枠組みのなかで交差確認法を用いた統計的トレーニングによって回帰モデルを構築する動作をさらに詳細に図示するフローチャートである。

図１は、陸上用電気車両またはハイブリッド車両ＶＥＬに搭載され、かつ、本発明の一実施形態による充電状態推定装置ＤＥＳｏＣに接続された電池ＢＡＴＴを表わす。この装置も同様に搭載されており、プロセッサＰＲＥ、および複数のセンサ、特に、電池の端子の両端の電圧を測定するための電圧センサＣＶと、電池によって供給された（あるいは吸収された）電流を測定するための電流センサＣＩと、電池の内部温度を測定するための第１の温度センサＣＴ１、および内部温度以外の周囲温度を測定するための第２の温度センサＣＴ２と、を備える。他のセンサ、特に、電池の、またはその環境の様々な位置で温度を測定するための他の温度センサが、存在してもまたよい。装置ＤＥＳｏＣは、メモリＭＥもまた備え、メモリには、電池の充電状態の複数の回帰モデルを定義する係数だけでなく、各モデルが適合している動作レジームの定義を可能にする情報も記憶されている。センサによって生成された信号は、プロセッサＰＲＥに向けて送られ、プロセッサＰＲＥは、後ほど詳細に説明する方法で信号を処理し、それら信号を使用して、メモリＭＥに記憶された情報を用いて電池の充電状態を推定する。

装置ＤＥＳｏＣの搭載プロセッサＰＲＥは、データリンクＬＤを行う通信システムを通して、モデルをトレーニングするための装置ＤＡＭと通信する。この装置ＤＡＭは、車両に搭載されていない。データリンクは有線であってもよいし、−これは、車両と装置ＤＡＭとの間が近接していることを示唆している−あるいは、例えば、通信ネットワークを利用している無線であってもよい。通信は、連続的でなくてもよい。それどころか、装置ＤＥＳｏＣがその間に自律して動作を行う、より長い期間を間にはさんだ、間欠的な、短いフェーズのデータ交換であってもよい。

装置ＤＡＭはというと、プロセッサＰＲＤと、データベースＢＤと、を備えている。

後ほど詳細に説明するように、データベースＢＤには、装置ＤＥＳｏＣによって格納されることになるデータが送られる（装置ＤＥＳｏＣは、間欠的な通信の場合であれば、図に描写されていない補助メモリにデータを暫定的に記憶する）。すなわち、遠隔プロセッサＰＲＤは、データベースＢＤに読み出しアクセスして、そこに格納されたデータに基づいて充電状態モデルを生成し、次に、前記モデルは、推定装置ＤＥＳｏＣに伝達され、推定装置ＤＥＳｏＣのメモリＭＥに記憶される。

図１の実施形態では、データベースＢＤは、トレーニング装置ＤＡＭと同じ場所に配置されている。また、推定装置ＤＥＳｏＣは、データリンクＬＤを経由してトレーニング装置ＤＡＭにアクセスしているが、これは必須ではない。

図２は、図１のシステム（推定装置ＤＥＳｏＣ、トレーニング装置ＤＡＭ、データリンクＬＤ、およびデータベースＢＤ）によって実施することが可能な、本発明の一実施形態による、電池の充電状態を推定するための方法を、一般的なやり方で、図示する。この方法の様々なステップを、図３Ａ〜図７Ｂを用いて、後ほど詳細に説明する。

図２によって示されるように、この方法の第１のステップ（ａ）は、搭載センサＣＩ、ＣＶ、ＣＴ１、およびＣＴ２によって、電池の動作に関係する様々な時系列の測定値を、すなわち電圧測定値Ｕ_τ、電流測定値Ｉ_τ、内部温度測定値Ｔ_{ｉｎｔ，τ}、外部温度測定値Ｔ_{ｉｎｔ，τ}（インデックスτは、測定値取得の時点を表わす）を取得することを含む。これらの測定値は、すべてが必要であるとは限らない。また、これ以外の測定値を、例として列挙されたものに追加してもよい。一般に、少なくとも電圧測定値Ｕ_τは必要となる。これに対して、搭載電流センサは、有意な測定誤差を生じやすいので、電流Ｉ_τを充電状態の推定に使用しないことが有利である場合がある。考えられる特定の用途に応じて、測定値を取得する頻度は、高くてもよく、１秒当たり１０個のオーダーの測定値であってもよいし、それよりも多くても、低くてもよく、１秒当たり１個以下のオーダーの測定値であってもよい。

各前記測定値の最後のｈ個の取得が格納され、時間ｔ−ｈにおける充電状態の推定に使用される。パラメータｈの値は、取得速度０．１Ｈｚから１０Ｈｚの間で、通常、１から５０の間であり、試行により選定してもよい。

時系列の測定値は、その後、低域通過フィルタまたは平滑化技術によって、ノイズ除去される。複数のフィルタリング技術または平滑化技術を採用してもよい。例として、メディアンフィルタ、またはバターワース（Ｂｕｔｔｅｒｗｏｒｔｈ）デジタルフィルタの使用を引用することが可能である。メディアンフィルタは、長さ（Ｈ＋１）のスライディングウィンドウに含まれている要素の中央値によって時系列の各要素ｘ_τを置き換えることである。なお、Ｈは、特に取得ウィンドウ「ｈ」に等しくてもよいパラメータである。すなわち、ｘ_{τ−Ｈ／２}．．．ｘ_{τ＋Ｈ／２}（Ｈは、偶数であるとみなされる）である。図３Ａに図示されるように、Ｈが大きいほど、初期信号の近似値の精度が低い。バターワースフィルタそれ自体は公知であり、本明細書では、差分方程式によって表わされる、デジタルフィルタが当然含まれている。図３Ｂは、近似誤差を最小限に抑えている、このフィルタに対する最適な次数（ここでは１４）が存在していることを示す。

この方法のステップ（ｂ）は、特に、充電状態の範囲によって特徴付けられる電池の動作レジームを決定することである。例えば、３つの動作レジームを識別することが可能である。すなわち、ＳｏＣが０％から２０％の間である、電池がほぼ放電された動作レジーム、ＳｏＣが２０％から８０％の間である、電池が部分的に充電されている動作レジーム、ＳｏＣが８０％から１００％の間である、電池が充電された動作レジームである。したがって、動作レジームの決定は、近似的な−あるいは実際には粗雑な−充電状態の推定に基づいている。この推定は、例えば、取得間隔の間の平均電圧および平均電流に基づいて「直接算出すること」によって得ることができる。別の、有効性が低い実施形態では、推定は、電圧測定値にのみ基づいていてもよい。目的は動作レジームを特定することだけなので、このスキームがいくぶん不正確であることはさほど重要ではない。図４は、電圧電流平面（Ｖ−Ｉ平面）を、動作レジーム［０―２０％］、［２０％―８０％］、および［８０％―１００％］に対応する３つの領域に分解した図を示す。

他のパラメータを、−測定された電圧に基づいて推定されたＳｏＣ範囲の補足として、または実際にこのＳｏＣ範囲に代えて−動作レジームを決定するために考慮することもまた可能である。他のパラメータは、電池が充電または放電を行なっているという事実、充電／放電速度、周囲温度または内部温度、前記時系列の電圧測定値の平均値、電池が充電または放電を行なっているという事実、充電速度または放電速度、電池のインピーダンスまたは電池の健全状態の測定値である。健全状態（ＳｏＨ：ｓｔａｔｅ ｏｆ ｈｅａｌｔｈ）は、電池の名目上の状態に対する電池の性能の指標であり、例えば、新品の場合、名目上の容量に対する電池の容量の比率が当然含まれていてもよい。

ステップ（ｃ）の間、回帰モデルが、−推定装置ＤＥＳｏＣのメモリＭＥに記憶されているものの中から−電池の現在の動作レジームに応じて選定される。実際、本出願の発明者らは、統計的トレーニングによって、信頼性の高い電池の充電状態の推定を可能にする、単一の回帰モデルを作り出すことは事実上困難であることを認識している。トレーニングスキームが、高品質の推定をもたらすように、トレーニングベースは包括的でなければならない。すなわち、多様な電池の挙動のすべてを反映していなければならず、したがって、そのサイズは、かなり大きくなければならない。しかしながら、公知の統計的トレーニングスキームには限界があり、トレーニングベースが大きくなりすぎると、もはや動作しない。それゆえ、本発明に従って、それぞれの動作レジームに対してのみ使用することを意図した複数のモデルを作り出すことが提案されている。各モデルは、実際に利用可能なトレーニングデータベースの、サブセットだけに基づいてトレーニングすることにより作成される。同時に、各モデルは、１つの動作レジームに対してのみ役割を果たすように意図されているので、使用されるトレーニングベースのサイズをこのように小型化しても、その包括性は損なわれない。このようにすることで、一方では、トレーニングベースに含まれている有益情報の量を増やすことが可能になり、他方では、先行技術から公知の技法の場合よりもはるかに正確な推定モデルを得ることが可能になる。

後ほど説明するように、モデルのトレーニングは、データベースＢＤに格納された時系列の測定値、または測定値のセットに基づいて行われる。

その後、本方法のステップ（ｄ）の間に、選定されたモデルを使用して、フィルタリングされた測定値時系列に基づいて充電状態ＳｏＣを推定する。

一般的に、メモリＭＥに記憶されたモデルはそれぞれ、次の形式で記述することができる。
ＳｏＣ_ｔ＝ｆ_λ（ｘ_ｔ，ｗ）（２）
ここで、ＳｏＣ_ｔは、時間「ｔ」における、推定することが求められている充電状態の瞬時値であり、ｆ_λは、通常は非線形の、パラメータλのベクトルに依存する関数であり、ｘ_ｔは、「説明変数」のベクトル、すなわち、（フィルタリング後の）時点「ｔ」における、（電圧、電流、内部温度および／または外部温度などの）測定値のベクトルであり、ｗは、統計的トレーニングによって決定される回帰係数のベクトルである。電池の様々な動作レジームと関連付けされたモデルは、回帰係数、パラメータλのベクトルによって、または実際に関数ｆ_λの形式によって区別される。電流の変化率

電圧の変化率

および／または、電気インピーダンスＺ_ｔ＝Ｕ_ｔ／Ｉ_ｔのような、「導出された」量が、任意選択により、ＳｏＣ推定モデルの説明変数の一部を形成してもよい。

本発明の重要な側面は、新たに取得された測定値を用いて既存のモデルを再トレーニングすることにより、新たなモデルを追加することにより、および／または、古くなったと見なされたモデルを削除することにより、回帰モデルのセットを累進的に拡充し、更新し得るという事実である。

ステップ（ｅ）では、搭載プロセッサＰＲＥが、取得されたばかりの時系列の測定値の１つ以上が、データベースＢＤにまだ記録されていない、したがって、メモリＭＥに記憶されている回帰モデルを構築する際にまだ考慮されていない、新たな使用条件に相当するかどうかを決定する。「使用条件」の概念は、モデルの選定をつかさどる「動作レジーム」の概念と区別されなければならない。例えば、同様の充電状態だが、異なる内部温度であることによって特徴付けられる２つの時系列は、まったく同一の動作レジームに、（したがってまったく同一の回帰モデルに）相当するが、これらは異なる使用条件に相当する。これに対して、異なる動作レジームとは、必ず使用条件が異なっていることを意味する。

前記ステップ（ｅ）の実行可能な実施形態が、図５に、さらに詳細に図示される。

最初に、取得ウィンドウｈにわたって測定された平均外部温度

が、データベースにすでに記録されている値に相当するかどうかが確認される。相当しない場合には、取得されたばかりの時系列の測定値は、「非冗長である」（新たな使用条件に相当する）とみなされ、後続のステップ（ｆ）の間に保存されることになる。それ以外の場合には、選択プロセスが継続する。

続いて、電池が充電レジームであるのか、または放電レジームであるのかが識別される（すなわち、充電が行なわれているのか、あるいは放電が行われているのか、また、電池によって吸収あるいは供給された電流の強度によって表示される充放電速度がどのくらいであるのか、が決定される）。ベースに格納され、−かつ、平均外部温度

に対応する−時系列の測定値のいずれもが、そのような充電／放電レジームに相当しない場合には、取得されたばかりの時系列の測定値は、「非冗長である」とみなされ、それ以外の場合には、選択プロセスが継続する。

その後、前述のステップ（ｂ）の間に行われたように、電池が置かれている充電状態の間隔が、平均電圧に基づいて決定される。再度、ベースに格納され、−かつ、平均外部温度

に対応するだけでなく、以前に特定された充電／放電レジームにも対応する−時系列の測定値のいずれもが、そのようなＳｏＣ間隔に相当しない場合には、取得されたばかりの時系列の測定値は、「非冗長である」とみなされる。それ以外の場合には、「冗長である」とみなされ、したがって、格納されない。いずれの場合にも、プロセスは、停止する。使用条件を定義する他のパラメータを考慮した、他の実施形態も想定可能である。

ステップ（ｅ）の実施は、データベースＢＤが、時系列の測定値だけでなく、時系列の測定値が取得された使用条件に関係する表示も含むことを示唆する点に注目されたい。

新たに取得された時系列の測定値が、新たな使用条件に相当する場合には、そして相当する場合にのみ、それらは、データベースに格納されることになり−ステップ（ｆ）−、これにより、データベースにすでに格納された測定値と一緒に使用され、対応する動作レジームと関連付けされた回帰モデルを「再トレーニングする」ことになる。この発想は、各モデルのトレーニングを可能な限り包括的なデータのセットに基づいて行う一方で、トレーニングベースを不必要に大きくする冗長性を回避しなければならないということである。

直前に説明したステップ（ａ）から（ｆ）は、搭載された推定装置ＤＥＳｏＣにより、さらに詳細には、タイミングよくプログラムされるか、または構成された、推定装置ＤＥＳｏＣのプロセッサＰＲＥにより実施される。しかしながら、ステップ（ｆ）は、データベースＢＤにおいて選択された時系列のデータを格納するために、データリンクＬＤの介在、および適切な場合には、遠隔プロセッサＰＲＤの介在もまた必要である。さらにこれらのステップ−または少なくともステップ（ａ）から（ｄ）−は、リアルタイムで実施される。これに対して、以下に説明するステップ（ｇ）、および（ｈ）は、遠隔の（搭載されていない）トレーニング装置ＤＡＭによって、より詳細には、タイミングよくプログラムされるか、または構成された、トレーニング装置ＤＡＭのプロセッサＰＲＤによって、リアルタイム制約条件なしで実施される。

ステップ（ｇ）は、統計的トレーニングによって、基準測定値に基づくだけでなく、データベースＢＤに格納されたデータにも基づいて、回帰モデルが欠けていた動作レジームに回帰モデルを作成することである。ステップ（ｈ）は、上述したように、搭載された推定装置ＤＥＳｏＣによって更新されたトレーニングベースに基づいて、回帰モデルを再トレーニングすることである。この２つのステップの実施は、実は同一であり、２つステップは、ステップ（ｈ）だけが、搭載センサによってステップ（ｆ）の間に新たに取得された時系列の測定値も使用する点のみで異なっている。

充電状態の回帰モデルの係数の統計的トレーニングには、「基準となる」充電状態を知ることが必要である。上記で説明したように、「基準となる」充電状態は、直接測定することはできず、特にクーロメトリによって推定できるだけであり、任意選択により電流以外のパラメータを考慮することにより改良できるだけである。

電池が完全に放電されている（ＳｏＣ_０＝０）か、または、完全に充電されている（ＳｏＣ_０＝１００％）場合には、初期充電状態ＳｏＣ_０を知ることができる。そうでなければ、電池が十分な時間休止したままであるときに、電圧センサＣＵによって測定される無負荷電圧Ｕ_０に基づいて直接決定することができる。これは、信頼性の高いクーロメトリによる充電状態の推定を、リアルタイムで行うことができないことを意味する。これに対して、公知の「拡張」技法は、遠隔プロセッサＰＲＤが、オフラインで（非リアルタイムで）、搭載センサＣＩにより実行された、電流の測定に基づいて算出されたクーロメトリによるＳｏＣの推定量を、訂正することが可能である。この訂正は、無負荷電圧測定値を使用する。この訂正には、クーロメトリによる時系列のＳｏＣの推定量を考慮することを伴い、この時系列のＳｏＣは、無負荷電圧測定値の時点に対応する２つの時点によって境界付けられる。これらの２つの測定値により、２つの信頼性の高いＳｏＣ値を得て、前記時系列のＳｏＣ値を、既存の拡張技法の１つによって登録することが可能になる（例えば、Ｊ．Ｏ．ＳｍｉｔｈおよびＰ．Ｇｏｓｓｅｔｔによる論文“Ａ ｆｌｅｘｉｂｌｅ ｓａｍｐｌｉｎｇ−ｒａｔｅ ｃｏｎｖｅｒｓｉｏｎ ｍｅｔｈｏｄ”，ＩＥＥＥ １９８４を参照されたい）。このクーロメトリによるＳｏＣの推定の改良は、オフラインでのみ可能である。クーロメトリによる推定量の算出を改良した他の技法も想定可能である。回帰モデルは、搭載プロセッサＰＲＥによって、リアルタイムで使用されるが、直接クーロメトリによる推定を使用するのではない。

モデルのトレーニングに取りかかる前に、データベースに格納されたデータ（時系列の測定値）は、充電状態をリアルタイムで推定するステップに関して上記で説明したように、フィルタリングされるか、または平滑化される。低域通過フィルタまたは平滑フィルタのパラメータは、試行によって自動的に決定することができる。データベースは、−少なくとも当初は−時系列の測定値を、（フィルタリングまたは平滑化の前に）未処理の状態で格納して、クーロメトリによる推定量をオフラインで算出できるようにしなければならない点に注目されたい。

モデルのトレーニングに取りかかる前に、サブサンプリングによりトレーニングデータの容量を小さくすることもまた有利である。実際、上記で言及したように、トレーニングアルゴリズムは、過度に容量が大きいトレーニングデータが存在する状態では、良好に動作しない。

サブサンプリングは、例えば、スライディングウィンドウアルゴリズムによって各時系列をセグメント化することにより、（Ｅ．Ｋｅｏｇｈら“Ａｎ Ｏｎｌｉｎｅ ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｓｅｇｍｅｎｔｉｎｇ Ｔｉｍｅ Ｓｅｒｉｅｓ”，Ｐｒｏｃｅｅｄｉｎｇ ｏｆ ｔｈｅ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｄａｔａ Ｍｉｎｉｎｇ ＩＣＤＭ ２００１，２８９−２９６頁）および、このように識別されたセグメントの終点だけを保存することにより、行うことができる。なお、過度にノイズの多いデータは、サブサンプリングが効果的にできないので、フィルタリングは、一般にサブサンプリングに必要な下準備である。図２に示されるように、クーロメトリによる推定量が算出されれば、データベースＢＤに格納された未処理のデータを、フィルタリングまたは平滑化され、かつ、サブサンプリングされたバージョンと置き換えることができる。

フィルタリング／平滑化の実行およびサブサンプリング技法の一例をあげると、電気車両は、およそ５０分間から９０分間の走行を６回行ない、この間に、電流、電圧、および内部温度の測定値が、１０Ｈｚのレートで取得された（１回目、３回目、および５回目の走行に対応する測定値、ならびに対応するＳｏＣの推定値が図６に図示されている）。フィルタリング（１．５秒に対応する、ｈ＝１５のサンプルのスライディングウィンドウを有するメディアンフィルタ）、およびサブサンプリングにより、各時系列の測定値のサイズを、約９０％（すなわち、実際には、長時間の、したがって、多数のサンプルを備える最後の２回の走行については、９４％台である）、小さくすることが可能になる。結果を、上掲の表にまとめている。電流に対する近似誤差が、極めて小さくとどまっていることが実証され得る。近似誤差は、初期信号と、フィルタリングされ、かつ、サブサンプリングされた信号（長さが初期信号の長さに等しくなるように、オーバーサンプリングされた信号）との間の差異の平均絶対値、すなわち、この差異のプラスまたはマイナス標準偏差であるとして定義される。

陳腐化した時系列の測定値を削除することにより、トレーニングデータベースのサイズを小型化することもまた可能である。その結果、電池の健全状態を−リアルタイムで、または不連続的に−監視することが可能である（例えば、充電状態の推定に使用した測定値に類似した測定値に基づいてこれを実行可能にする多数の技法が、先行技術から公知である−例えば文献米国特許第６４１１９１１号明細書および米国特許第８２６９５０２号明細書を参照されたい）。その後、データベースに格納されたデータを、対応する健全状態の表示で「標識する」ことができる。電池の健全状態が低下している場合には、現状の健全状態に対して差異が大きすぎる（すなわち確定した閾値よりも大きな差異である）健全状態と関連付けされたデータは、陳腐化しているとみなされ、削除されてもよい。

その後、遠隔プロセッサＰＲＤは、データベースに格納された測定値に基づいて、１つ以上の回帰モデルのトレーニング−あるいは再トレーニング−に取りかかる。−すなわち、フィルタリングされ、サブサンプリングされ、陳腐化したデータが削除される（この時点では、測定値の時間的構造は、もはや考慮されず、「時系列」は、単なる瞬時測定値のセットになる）。次に、前記モデルまたは各前記モデルを特徴付ける係数が、データリンクＬＤを経由して、前述したように、電池の充電状態ＳｏＣをリアルタイムで推定するためにそれらの係数を使用する、搭載された推定装置ＤＥＳｏＣに送信される。

モデルのトレーニングまたは再トレーニングには、いくつかの動作、すなわち、トレーニングベースの事前選択と、選択されたデータの正規化と、そして次にトレーニングを適切に行うことと、が含まれる。

事前選択は、（例えば、充電状態の値の範囲により特徴付けられた）、前記モデルが使用されるべき電池の動作レジームと関連付けされたデータ（測定値）だけを選定することよりなる。これに対して、選定されたデータは、（例えば、異なる温度および／または電流強度により特徴付けられた）異なる使用条件に相当し得る。

トレーニングベースを構成するために選択されたデータは、正規化される。−回帰モデルの説明変数としての役割を果たすように意図された−瞬時測定値だけが正規化される一方で、改良型クーロメトリ（方程式３）によって推定された基準となる充電状態は、正規化されない。変数の正規化は通常、変数をその平均値に対してセンタリングさせることにより、および変数をその標準偏差で除算することにより実行される。ここで、各説明変数の平均値および標準偏差が、トレーニングベース全体にわたって算出される。これは、時間経過にともなって進展するので、モデルがトレーニングされるたびに、正規化を実行しなければならない。

事前選択され、かつ、正規化されたトレーニングベースは、その後、非線形回帰モデル（方程式２）の係数を推定する際に役割を果たす。このモデルは、推定の対象となる回帰係数ｗとは別に、較正の対象となるパラメータλを含んでいる。選定されたトレーニングスキーム（それらのうちのいくつかは公知である）によれば、これらの較正の対象となるパラメータの数は変化する。これらのパラメータの最良値を、いわゆる交差確認アプローチによって自動的に得ることができる。交差確認アプローチの一般原則が、図７Ａによって図示されている。この図は、トレーニングのために選択され、正規化されたデータのセットが、２つの部分、すなわち、「トレーニング」サブセット｛Ｘ_ａｐｐ，Ｙ_ａｐｐ｝および「テスト」サブセット｛Ｘ_ｔｅｓｔ，Ｙ_ｔｅｓｔ｝に分かれていることを示す。各組｛Ｘ，Ｙ｝では、Ｘは、その列が測定量（電流、電圧、温度など）に相当し、その行が測定時点に相当する行列を示す。Ｘの各行と関連付けされているのは、改良型クーロメトリスキームによって推定された充電状態の基準値ｙ_ｔである。データ｛Ｘ_ａｐｐ，Ｙ_ａｐｐ｝は、その後、Ｖ個の部分に分かれる。Ｖ個のアルゴリズムの反復が、その後、実行される。各反復ｉで、｛Ｖ＼ｉ｝部分を使用して、回帰係数ｗを推定し（これらの推定は、

によって表示される）、いわゆる確認部分であるｉ番目の部分を使用して、誤差

を推定する。なお、ここでは、

である。平均誤差

は、モデルの適合度に関する表示を提供する。Ｖ個の反復を有するこのアルゴリズムは、パラメータλのベクトルのいくつかの値について繰り返される。最良ベクトルλは、最小の

に相当するベクトルである。Ｖが、トレーニングベースにおける単位体（ｉｎｄｉｖｉｄｕａｌ）の数に等しい場合には、このタイプの交差確認は、「リーブ−ワン−アウト（ｌｅａｖｅ−ｏｎｅ−ｏｕｔ）」と呼ばれる。トレーニングセットが、Ｖ個の別個の部分に分かれる場合には、この技法は「Ｖ倍」と命名される。これらの部分が別個でない場合には、すなわち、同じ単位体がまったく同時に複数の部分にあり、ある種の単位体がどの部分にも出現しない場合には、「リセット付きランダムサブサンプリング」と呼ばれる。

図７Ｂは、「Ｖ倍（Ｖ−ｆｏｌｄ）」型のアルゴリズムを、さらに詳細に図示する。

本発明による方法は、ニューラルネットワーク、ＳＶＲ、ＲＶＭ、カーネル「リッジ」回帰、ランダムフォレストなど、いくつかの統計的トレーニング技法を使用することができる。特に有用な技法は、「関連ベクトルマシン」（ＲＶＭ：Ｒｅｌｅｖａｎｃｅ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）と命名されたものであり、Ｍ．Ｅ．Ｔｉｐｐｉｎｇによる論文“Ｓｐａｒｓｅ Ｂａｙｅｓｉａｎ Ｌｅａｒｎｉｎｇ ａｎｄ ｔｈｅ Ｒｅｌｅｖａｎｃｅ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ”Ｊｏｕｒｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｒｅｓｅａｒｃｈ １：２１１−２４４（２００１）に記載されている。

が、電池の電流、電圧、内部温度、外部温度などといったような、ｐ個の測定値からなるベクトルであるとし、Ｘ_Ｍ＝｛ｘ_１，ｘ_２，．．．，ｘ_Ｍ｝が、過去に得られた測定値を表わすベクトルのセットであるとし、Ｙ_Ｍ＝｛ＳｏＣ_１，ＳｏＣ_２，．．．，ＳｏＣ_Ｍ｝が、改良型クーロメトリスキームによって得られた充電状態の値のセットであるとする。セットＸ_ＭおよびＹ_Ｍが与えられたとすると、ＲＶＭアルゴリズムは、

であるような、回帰係数ｗ_ｊを推定しようする。
なお、ここでは、行列Ｋの各要素は、上述した交差確認スキームによって推定されたパラメータσを有するガウスカーネル

である。非線形回帰モデル（方程式４）を平滑化し、かつ単純化することにより、オーバートレーニングを回避して、モデルの複雑さを軽減するように、ＲＶＭアルゴリズムは、正則化された解を提供し、その結果、いくつかの回帰係数ｗ_ｊが取り消される。ゼロ以外の回帰係数ｗ_ｊに相当するベクトルｘ_ｊは、サポートベクトルと呼ばれる。その後、時点ｔにおける電池の充電状態を推定するために、得られたモデルが適用される。

なお、上記の方程式５が適用可能になるように、回帰係数ｗ_０およびｗ_ｊ、およびさらにサポートベクトルｘ_ｊを、メモリＭＥに記憶しなければならない。特に記述のない限り、サポートベクトルｘ_ｊおよび回帰係数ｗ_ｊは、ＳｏＣ推定モデルの「係数」を構成する。

本発明は、電池が、電気自動車両またはハイブリッド自動車両の電池である特定の場合に関して説明してきたが、これは本質的な限定を伴うものではない。本発明は、任意のタイプの、エネルギー消費設備または装置に電力を供給するための、任意のタイプの電池に実際に適用することができる。

Claims (18)

1. 電池（ＢＡＴＴ）の充電状態を推定するための方法であって、以下のステップ、すなわち、
   ａ）前記電池の端子の両端の電圧（Ｕ _τ ）の少なくとも１つの時系列の測定値、ならびに、前記電池または前記電池の環境の物理的パラメータの、少なくとも１つの他の時系列の測定値を取得するステップと、
   ｂ）前記電池の動作レジームを、前記測定値に応じて決定するステップと、
   ｃ）非線形回帰モデルを、事前定義された非線形回帰モデルのセットの中から、前記動作レジームに応じて選定するステップと、
   ｄ）電圧の前記時系列の測定値および少なくとも１つの前記他の時系列の測定値に、前記非線形回帰モデルを適用することにより、前記電池の充電状態（ＳｏＣ）を推定するステップと、
   を含む方法。
2. 前記物理的パラメータが、電池によって供給されるか、もしくは吸収された電流（Ｉ_τ）、電池の内部温度（Ｔ_τ）、周囲温度または内部温度（Ｔ_{ｅｘｔ，τ}）、前記時系列の電圧測定値の平均値、充電速度または放電速度、電池のインピーダンスまたは電池の健全状態の測定値の中から選定される、請求項１に記載の方法。
3. 前記ステップａ）が、前記電池の端子の両端の電圧（Ｕ _τ ）の時系列の測定値、および電池によって供給されるか、もしくは吸収された電流（Ｉ _τ ）の時系列の測定値を取得することを少なくとも含み、かつ、前記ステップｂ）が、前記時系列の測定値から生じる、少なくとも１つの電圧値および少なくとも１つの電流値に基づいて前記動作レジームを決定することを含む、請求項１または２に記載の方法。
4. 前記ステップｂ）が、対応表または関数によって、前記電池の端子の両端の電圧の平均値、および前記電池によって吸収されるか、もしくは供給された電流の平均値に基づいて前記電池の前記動作レジームを決定することを含む、請求項３に記載の方法。
5. 前記ステップｃ）が、前記物理的パラメータに応じて、または、前記電池の健全状態に関する情報の項目に応じてもまた、モデルを選定することを含む、請求項３または４に記載の方法。
6. 前記ステップｄ）に先立って、前記時系列の測定値、または少なくとも１つの前記他の時系列の測定値を、低域通過フィルタリングまたは平滑化する動作を含む、請求項１から５のいずれか１項に記載の方法。
7. 前記事前定義された非線形回帰モデルのセットが、複数のモデルを備えるとともに、そのうちの少なくとも１つが、カーネル回帰モデル、サポートベクトル回帰モデル、および関連ベクトルマシンの中から選定される、請求項１から６のいずれか１項に記載の方法。
8. 前記ステップａ）の後に、以下のステップ、すなわち、
   ｅ）前記時系列の測定値が、前記セットの非線形回帰モデルを構築する際に考慮されていない使用条件に相当するかどうかを決定するステップと、
   ｆ）肯定であった場合に、前記１つ以上の時系列の測定値をデータベース（ＢＤ）に格納するステップと、
   をまた含む、請求項１から７のいずれか１項に記載の方法。
9. 前記ステップｆ）が、前記電池の充電状態に関係する情報の項目を決定すること、および前記情報の項目を、前記時系列の測定値と関連付けすることもまた含み、かつ、少なくとも１つの時系列の測定値を、少なくとも１つの時系列の測定値と関連付けされた充電状態情報の項目と、続いて決定された電池の充電状態に関する情報の項目との間の比較に基づいて、前記データベースから除外する動作もまた含む、請求項８に記載の方法。
10. 前記ステップｃ）に先立って、以下のステップ、すなわち、
    ｇ）前記電池の端子の両端の電圧の少なくとも複数の時系列の測定値、および前記電池または前記電池の環境の物理的パラメータの少なくとも１つの他の時系列の測定値、ならびに前記電池の充電状態の対応する基準値に基づいてトレーニングすることによって、前記セットの非線形回帰モデルを構築するステップもまた含む、請求項１から９のいずれか１項に記載の方法。
11. 前記ステップｆ）の後に、以下のステップ、すなわち、
    ｇ）前記電池の端子の両端の電圧の少なくとも複数の時系列の測定値、および前記電池または前記電池の環境の物理的パラメータの少なくとも１つの他の時系列の測定値、ならびに前記電池の充電状態の対応する基準値に基づいてトレーニングすることによって、前記セットの非線形回帰モデルを構築するステップと、
    ｈ）少なくとも１つの前記非線形回帰モデルをトレーニングすることによって、再構築するか、または、前記セットの新たな非線形回帰モデルを、前記ステップｆ）の間に前記データベースに格納された１つ以上の時系列を考慮しながら、トレーニングすることによって、構築するステップ
    もまた含む、請求項８または９に記載の方法。
12. 前記ステップｇ）および／または前記ステップｈ）が、前記時系列の測定値を低域通過フィルタリングまたは平滑化し、かつ、サブサンプリングする事前動作を含む、請求項１１に記載の方法。
13. 前記ステップｇ）および／または前記ステップｈ）が、前記ステップａ）の間に取得された時系列の電流測定値に基づいて、前記電池の電荷のクーロメトリによる推定量を非リアルタイムで算出することと、前記クーロメトリによる推定量を、前記電池の充電状態の基準値として、前記非線形回帰モデルのトレーニングによって構築または再構築するために使用することと、を含む、請求項１１または１２に記載の方法。
14. 前記電池が、エネルギー消費装置に組み込まれ、前記ステップａ）からｄ）が、同様に前記エネルギー消費装置に組み込まれた充電状態推定装置（ＤＥＳｏＣ）によって、リアルタイムで実施される、請求項１から１３のいずれか１項に記載の方法。
15. 前記電池が、エネルギー消費装置に組み込まれ、前記ステップａ）からｄ）が、同様に前記エネルギー消費装置に組み込まれた充電状態推定装置（ＤＥＳｏＣ）によって、リアルタイムで実施され、前記ステップｇ）、または前記ステップｇ）およびｈ）が、前記エネルギー消費装置に組み込まれていない回帰トレーニング装置（ＰＲＤ）によって、非リアルタイムで実施される、請求項１１から１３のいずれか１項に記載の方法。
16. 電池（ＢＡＴＴ）の充電状態（ＤＥＳｏＣ）を推定するための装置であって、
    − 前記電池の端子の両端の電圧を測定するための、少なくとも１つの電圧センサ（ＣＶ）と、
    − 前記電池または前記電池の環境の物理的パラメータを測定するための、少なくとも１つの他のセンサ（ＣＴ１、ＣＴ１、ＣＩ）と、
    − 前記電池の前記充電状態の非線形回帰モデルのセットを記憶するためのメモリ（ＭＥ）と、
    − 前記電圧センサ、前記他のセンサおよび前記メモリと協同することによって、請求項１から１５のいずれか１項に記載の方法の各ステップを実施するように構成されたプロセッサ（ＰＲＥ）と、
    を備える装置。
17. 回帰モデル（ＤＡＭ）をトレーニングするための装置であって、
    − 複数の時系列の、電池の端子の両端の電圧測定値、ならびに前記電池の、または前記電池の環境の少なくとも１つの他の物理的パラメータを格納するデータベースと、
    − 請求項１１から１３のいずれか１項に記載の方法のステップｇ）、またはステップｇ）およびｈ）を実施するように構成されたプロセッサ（ＰＲＤ）と、
    を備える、回帰モデル（ＤＡＭ）をトレーニングするための装置。
18. 請求項１６の充電状態推定装置（ＤＥＳｏＣ）と、請求項１７の回帰モデルをトレーニングするための装置（ＤＡＭ）と、前記装置をリンクするデータ伝送システム（ＬＤ）と、を備える、電池の充電状態を推定するためのシステム。

Images