电池状态推定装置及电池状态推定方法与流程

本发明涉及电池状态推定装置及电池状态推定方法。

背景技术：

在ev(electricvehicle)、hev(hybridelectricvehicle：混合动力电动机动车)等电动车辆中，从蓄电池控制上的观点出发，需要精度良好地进行蓄电池的状态推定。其中，soc(stateofcharge：充电率)是重要的参数。在电动车辆所使用的li离子电池等高压蓄电池中，已知存在ocv(opencircuitvoltage：开路电压)与soc的关系，因此作为推定soc的一个方法，存在推定出ocv之后，根据上述所示的ocv与soc的关系(以下，soc-ocv曲线)来换算为soc的方法。

soc-ocv曲线根据电池的劣化状态、个体差异等而变化。因此，作为现有技术，预先将基于劣化状态、个体差异、温度的soc-ocv曲线作为映射来保存，并根据得到的数据来选择最佳的soc-ocv曲线。在该情况下，通常在充放电装置等的理想状态下预先取得soc-ocv曲线，并预先设定车辆数据。但是，在上述所示的方法中，无法应对大量生产引起的soc-ocv曲线的偏差、劣化引起的soc-ocv曲线的变化，从而导致soc推定精度的恶化。

在专利文献1中记载有一种电池控制装置，该电池控制装置具有对记录了电池的开路电压与电池的充电状态的对应关系的soc-ocv映射数据进行存储的soc-ocv映射数据存储部，基于电池的开路电压和在所述电池中流过的电流来对记录有soc-ocv映射数据的对应关系进行修正，由此根据经过时间来输出不同值的充电状态。

在专利文献2中记载有一种劣化状态推定装置，其具备输入二次电池的电池、电流、电池温度来算出放电容量的q算出器、算出ocv(开路电压)值的ocv算出器、以及至少推定一个ocv曲线的ocv曲线推定器。

在先技术文献

专利文献

专利文献1：日本特开2014-196985号公报

专利文献2：日本特开2015-230193号公报

发明要解决的课题

然而，在专利文献1所记载的电池控制装置中，将基于劣化状态、个体差异、温度的soc-ocv曲线作为映射来保存，因此其全部组合变得庞大，实际上非常困难。即使将其安装，为了保存庞大的映射，也需要庞大的存储容量，从而使成本变高。另外，若为了削减存储容量而削减映射，则使精度恶化。而且，只能够仅根据预先设想的映射进行检索。

在专利文献2所记载的技术中，利用soc-ocv曲线的滞后特性来进行soc-ocv曲线的推定，因此在不存在该滞后的情况或滞后小的情况下，无法进行推定本身。另外，在专利文献2中，在根据一方的soc-ocv曲线推定另一方的soc-ocv曲线时，未言及劣化状态、个体偏差。另外，虽然采取了若电池容量确定则soc-ocv曲线唯一确定这一观点，但实际上并非如此。另外，专利文献2为没有以车载为前提的记录。

技术实现要素：

因此，本发明的课题在于，提供一种能够精度良好地推定电池状态的电池状态推定装置及电池状态推定方法。

用于解决课题的方案

为了解决上述课题，技术方案1所记载的电池状态推定装置的特征在于，具备：电流检测机构，其检测电池的充放电电流；电压检测机构，其检测电池的端子间电压；ocv算出机构，其基于检测出的所述电池的电流及电压、以及充电时和放电时的内部电阻来算出ocv；充电状态推定机构，其基于算出的ocv和充电状态参数-ocv映射，来导出所述充电状态参数；以及映射修正机构，其对所述充电状态参数-ocv映射进行修正，其中，所述映射修正机构基于在第一时间由所述ocv算出机构算出的第一ocv、在第二时间由所述ocv算出机构算出的第二ocv、以及在所述第一时间与所述第二时间之间流过所述电池的电流的电流累计值，来导出所述充电状态参数-ocv映射的模型式，并通过该模型式来对所述充电状态参数-ocv映射进行修正。

另外，技术方案6所记载的电池状态推定方法具有：检测电池的充放电电流的电流检测工序；检测电池的端子间电压的电压检测工序；基于检测出的所述电池的电流及电压、以及充电时和放电时的内部电阻来算出ocv的ocv算出工序；基于算出的ocv和充电状态参数-ocv映射来导出所述充电状态参数的充电状态推定工序；以及对所述充电状态参数-ocv映射进行修正的映射修正工序，在所述映射修正工序中，基于在第一时间通过所述ocv算出工序算出的第一ocv、在第二时间通过所述ocv算出工序算出的第二ocv、以及在所述第一时间与所述第二时间之间流过所述电池的电流的电流累计值，来导出所述充电状态参数-ocv映射的模型式，并通过该模型式来对所述充电状态参数-ocv映射进行修正。

这样，对于soc-ocv曲线的由生产偏差引起的变化、soc-ocv曲线的由劣化引起的变化，能够进行考虑了该变化的soc算出和容量算出，从而更加完全使用电池的本来的性能。作为效果，存在两种反映方式，第一个反映方式是，能够与电池的充电状态的推定精度提高了的性能相应地提高车辆性能。另外，第二个反映方式是，能够与提高的性能相应地通过单体数削减等来降低成本。

另外，技术方案2所记载的发明的特征在于，所述映射修正机构具备存储机构，该存储机构存储一个或多个所述第一ocv、所述第二ocv及所述电流累计值的组合，所述映射修正机构从所述存储机构读出所述第一ocv、所述第二ocv及所述电流累计值的组合，来对所述充电状态参数-ocv映射进行修正。

根据这样的结构，通过在存储有多个第一ocv、第二ocv及电流累计值的组合的状态下进行映射修正，从而能够实现存储容量的降低，且同时精度良好地对充电状态参数-ocv映射进行修正。

另外，技术方案3所记载的发明的特征在于，所述映射修正机构具备梯度导出机构，该梯度导出机构导出表示相对于所述充电状态参数的ocv变化量的梯度来作为梯度值，所述映射修正机构预先设定梯度的能够取得的范围，在梯度为范围外的情况下对所述模型式进行修正。

根据这样的结构，基于电池的规格来预先限制梯度值的范围，由此梯度范围外的梯度值能够通过映射修正机构来修正，从而能够精确地推定电池的充电状态。

另外，技术方案4所记载的发明的特征在于，所述梯度导出机构根据所述电池的劣化状态来改变所述梯度的能够取得的范围。

根据这样的结构，通过根据电池的劣化状态来使能够取得的范围变更，从而能够更加精确地推定电池的充电状态。即，关于soc-ocv曲线的学习，在不对斜率、近似式的系数设置限制的方法的情况下，推定精度差。在本发明中，在使用由控制器算出的soc和ocv来自动学习soc-ocv曲线时，对该斜率、近似式的系数设置限制，由此能够实现电池的充电状态的推定的高精度化。

另外，技术方案5所记载的发明的特征在于，所述电池状态推定装置具备检测电池的温度的电池温度检测机构，所述映射修正机构针对检测出的所述电池的每个温度来对所述充电状态参数-ocv映射进行修正。

根据这样的结构，能够进行与电池的各温度对应的soc算出和容量算出，从而能够更加精确地推定电池的充电状态。

发明效果

根据本发明，可以提供一种能够精度良好地推定电池状态的电池状态推定装置及电池状态推定方法。

附图说明

图1是表示本发明的实施方式的电池状态推定装置的结构的图。

图2是表示上述实施方式的电池状态推定装置的ah-ocv映射中保存的ah-ocv曲线的图。

图3是表示向二次电池输入了电流时的二次电池的充放电电流的计测值和二次电池的电压的计测值的图。

图4是表示图3的二次电池的等效电路模型的图。

图5是表示搭载有上述实施方式的电池状态推定装置的车辆的时序数据的一例的图。

图6是表示作为上述实施方式的电池状态推定装置的车辆时序数据而取得的训练集(trainingset)的图。

图7是表示记录上述实施方式的电池状态推定装置的ah(电流量)与ocv(推定ocv)的对应关系的ah-ocv曲线的图。

图8是表示记录上述实施方式的电池状态推定装置的学习后ocv特性的ah-ocv曲线的图。

图9是表示记录上述实施方式的电池状态推定装置的学习后蓄电池容量特性的ah-ocv曲线的图。

图10是表示说明上述实施方式的电池状态推定装置的学习对象的假定函数的ah-ocv曲线的图。

图11是说明上述实施方式的电池状态推定装置的参数θj的导出的图，(a)是表示其成本函数j与参数θ的关系的图，(b)是表示其成本函数j相对于θ的偏微分与参数θ的关系的图。

图12是表示说明上述实施方式的电池状态推定装置的斜率、近似式的系数限制的梯度值(dah/docv)-ocv曲线的图。

图13是表示上述实施方式的电池状态推定装置的梯度值(dah/docv)与容量维持率的关系的图。

图14是表示上述实施方式的电池状态推定装置的梯度值(dah/docv)与容量维持率的关系的图。

图15是表示上述实施方式的电池状态推定装置的梯度值(dah/docv)与容量维持率的关系的图。

图16是表示上述实施方式的电池状态推定装置的电池状态推定方法的流程图。

符号说明：

100电池状态推定装置

101电流检测部(电流检测机构)

102电压检测部(电压检测机构)

103温度检测部(温度检测机构)

110电阻算出部

120ocv算出部(ocv算出机构)

130充电状态推定部(充电状态推定机构)

131ah(充电状态参数)-ocv映射

140容量算出部

150映射修正部(映射修正机构)

151数据存储部(存储机构)

152梯度导出部(梯度导出机构)

具体实施方式

以下，参照附图来详细说明本发明的实施方式。

(实施方式)

图1是表示本发明的实施方式的电池状态推定装置的结构的图。本实施方式的电池状态推定装置例如与由该电池状态推定装置推定电池状态的二次电池一起搭载于ev、hev等车辆。在这样搭载于车辆的情况下，电池状态推定装置作为蓄电池ecu(electriccontrolunit)而发挥功能。

如图1所示，电池状态推定装置100具备电流检测部101(电流检测机构)、电压检测部102(电压检测机构)、温度检测部103(温度检测机构)、电阻算出部110、ocv算出部120(ocv算出机构)、充电状态推定部130(充电状态推定机构)、ah(充电状态参数)-ocv映射131、容量算出部140及映射修正部150(映射修正机构)。

映射修正部150具备数据存储部151(存储机构)和梯度导出部152。

<检测机构>

电流检测部101检测向二次电池1充电的充电电流及从二次电池放电的放电电流中的至少一方的电流(以下，也称作充放电电流)i。

电压检测部102检测二次电池1的端子间电压v。

温度检测部103检测二次电池1的温度t。

<电阻算出部>

电阻算出部110根据检测出的二次电池1的电流和端子间电压来算出电阻r。详细而言，电阻算出部110根据由电流检测部101检测出的电流(以下，也称作实际电流)的微分值di和由电压检测部102检测出的电压(以下，也称作实际电压)的微分值dv，并按照下式(1)来算出电阻r。关于电阻算出的具体方法，在图3中进行后述。

r＝dv/di…(1)

图3是表示向二次电池输入了电流时的二次电池的充放电电流的计测值和二次电池的电压的计测值的图，图4是表示图3的二次电池的等效电路模型(电容器成分仅图示出了一次成分)的图。

在根据二次电池的电压及电流的计测值来求出内部电阻和soc的情况下，将以下的关系式(式(2))成立作为前提。

v(电压计测值)＝ocv(开路电压)-k(内部电阻)×i(电流计测值)

…(2)

为了求出上述内部电阻k，将式(2)的一次式作为二次电池的简易模型来进行包括内部电阻的参数在内的参数推定。作为一次式的近似方法，已知有迭代最小二乘法，但仅通过该方法无法准确地进行二次电池的内部电阻推定。

二次电池的特性并非完全具有线形性，而如图3所示那样，包含具有非线形性的部分。图3是向二次电池输入了电流时的二次电池的充放电电流的计测值和二次电池的电压的计测值。在图3中，在时刻t1开始电流的输入之后，电压迟于电流而逐渐上升。并且，在时刻t2结束电流的输入之后，电压迟于电流而逐渐下降。这样电压迟于电流地变动是由于，如图4所示，二次电池包含电容成分(c成分、图4中的c1的成分)。实际上，在向二次电池输入的电流的输入停止后，作为电压的延迟，产生有一次的延迟和二次的延迟。

电阻算出部110的同定器(省略图示)根据实际电流的微分值di及实际电压的微分值dv，并使用迭代最小二乘法来推定一次式的斜率、即临时内部电阻r。该同定器通过迭代最小二乘法来进行参数的同定。同定器向ocv算出部120(参照图1)分别输出同定后的充电时和放电时的内部电阻。

另外，在图3所示的二次电池中，产生流过电流时的电极电位与未流过电流时的电位(平衡电位)成为不同的值的所谓极化。若二次电池产生极化，则因极化的变动而soc的推定精度可能降低。因此，在确认了二次电池的极化被消除之后，进行推定二次电池的soc。例如，在从点火开关切换为断开起的时间经过了规定时间时，判定为二次电池的极化被消除。

<ocv算出部>

ocv算出部120根据检测值(电流i、端子间电压ccv)及算出的电阻(充电时和放电时的内部电阻)，并按照下式(3)来算出ocv(推定ocv)。

ocv＝ccv+ir…(3)

具体而言，ocv算出部120监视检测出的电流(实际电流)及电压(实际电压)，基于充电时和放电时的内部电阻来算出ocv(推定ocv)。在此，ocv(推定ocv)如所述式(3)所示那样，通过ocv＝ccv+ir来算出，因此在推定中无需soc-ocv曲线信息。

<充电状态推定部>

充电状态推定部130在作为soc算出部而发挥功能的情况下，使用由ocv算出部120算出的ocv(推定ocv)及电流累计值，并按照下式(4)来算出soc(推定soc)。soc(推定soc)如式(5)所示那样由温度及ocv(推定ocv)的函数fsoc表示。

【数1】

soc＝fsoc(t，ocv)…(5)

充电状态推定部130基于算出的ocv(推定ocv)和充电状态参数(soc或ah)-ocv映射131，来导出充电状态参数(soc或ah)。

在本实施方式中，作为充电状态参数而使用了ah(电流量(放电容量))，但充电状态参数也可以是soc。如后所述，若由容量算出部140算出容量cap，则使ah除以容量cap就成为soc(计算上)，因此作为充电状态参数，可以使用soc或ah中的任一方。即，ah-ocv映射131也可以是soc-ocv映射。

<ah-ocv映射>

图2是表示ah-ocv映射131中保存的ah-ocv曲线(充电状态参数-ocv曲线)的图。图2的纵轴采用ah(电流量)，横轴采用ocv(推定ocv)。

ah-ocv映射131是供充电状态推定部130取得充电状态参数-ocv曲线的映射。ah-ocv映射131只要是由充电状态推定部130参照的映射即可，可以设置在充电状态推定部130的内外的任意位置。在本实施方式中，ah-ocv映射131设置在充电状态推定部130内。

<容量算出部>

容量算出部140根据ah(电流量)的微分值dah(电流累计值)和soc(推定soc)的微分值dsoc，按照下式(6)来算出容量cap，并向充电状态推定部130输出。在此，在本说明书的记载中，dah表示微分值，δah表示差分值。它们均是两点间的差，但“微分”包括使其差最小至极限这样的概念。需要说明的是，电阻算出的dv、di也同样表示微分值。

cap＝dah/dsoc…(6)

<映射修正部>

映射修正部150对ah-ocv映射131进行修正(参照图2)。详细而言，映射修正部150基于在第一时间由ocv算出部120算出的第一ocv、在第二时间由ocv算出部120算出的第二ocv、以及在第一时间与第二时间之间流过二次电池1的电流的电流累计值，来导出ah-ocv映射131的模型式(参照式(8))，通过该模型式来对ah-ocv映射131进行修正。即，映射修正部150基于在规定的时间差(第一时间与第二时间)取得的两个ocv、及这两个ocv之间的电流累计值来导出模型式，通过该模型式来对ah-ocv映射131进行修正。

映射修正部150针对由温度检测部103(参照图1)检测出的二次电池1(参照图1)的每个温度来对ah-ocv映射131进行修正。

映射修正部150具备数据存储部151(存储机构)和梯度导出部152(梯度导出机构)。

数据存储部151存储一个或多个第一ocv、第二ocv及电流累计值的集合(组合)(参照后述的图6)。映射修正部150从数据存储部151以集合的形式读出第一ocv、第二ocv及电流累计值，并对ah-ocv映射131进行修正。

梯度导出部152导出表示相对于充电状态参数(soc或ah)的ocv变化量的梯度来作为梯度值。如后述那样，梯度值例如为(dah/docv)。映射修正部150预先设定梯度的能够取得的范围，在上述梯度为范围外的情况下对模型式进行修正。

另外，梯度导出部152根据二次电池1(参照图1)的劣化状态来使梯度的能够取得的范围变化(参照后述的图15)。

接着，说明映射修正部150的映射修正方法的概要。

<训练集>

图1所示的映射修正部150取得检测出的ah(电流量(放电容量))和由ocv算出部120算出的ocv(推定ocv)来作为车辆时序数据。

图5是表示搭载有电池状态推定装置100的车辆的时序数据的一例的图。图5的纵轴采用ocv，横轴采用时间。如图5所示，根据车辆的行驶状态等，ocv值随着时间的经过而发生变动。当前，采用任意的时间的两点的ocv值：ocv1及ocv2，在该期间流过的电流值的累计值为δah。映射修正部150的数据存储部151将这两点的ocv值：ocv1和ocv2、以及δah量作为集合，并作为训练集(学习数据)而进行存储。

图6是表示作为车辆时序数据而取得的训练集的图。如图6所示，数据存储部151存储各时间的两点的ocv1和ocv2、以及δah量(电流累计值)的集合[ocv1ocv2δah]…。

<监督学习(supervisedlearning)>

接着，说明监督学习(有教导的学习)。

图7是表示记录ah(电流量)与ocv(推定ocv)的对应关系的ah-ocv曲线的图。图7的纵轴采用ah(电流量)，横轴采用ocv(推定ocv)。图7的圆圈记号(○记号)是样本值。

如图7所示，ah(电流量)可以由下式(7)所示的假定函数表示(后述)。

ah＝f(ocv，θj)…(7)

其中，θj为参数(矢量)。

图7的粗虚线所示的ah(电流量)可通过最佳值探索来求出。最佳值探索使用gradientdescent(梯度下降法)、gauss-newton法或normalequation(正规方程式)(后述)。需要说明的是，若考虑到向ecu的安装，则gauss-newton法优选。图7的空心箭头表示通过最佳值探索来求出ah。

<学习后ocv特性>

接着，说明学习后ocv特性。

图8是表示记录学习后ocv特性的ah-ocv曲线的图。图8的纵轴采用ah(电流量)，横轴采用ocv(学习后ocv)。图8的圆圈记号(○记号)是ah和ocv的多个样本。另外，与图8的纵轴平行的虚线之间的区域是学习区域。

导出后述的ocv函数参数，算出表示图8所示的学习后ocv特性的ah-ocv曲线。

<学习后蓄电池容量>

基于学习后ocv特性，能够求出学习后蓄电池容量。

图9是表示记录学习后蓄电池容量特性的ah-ocv曲线的图。图9的纵轴采用ah(电流量)，横轴采用ocv(学习后ocv)。图8的圆圈记号(○记号)为ah和ocv的多个样本。另外，若如图9的黑圆圈记号(●记号)所示那样设定ocv的使用上下限值，则其之间的容量成为可使用容量。

如图9的粗箭头所示，基于学习后ocv特性，能够求出蓄电池容量的下限值和上限值。根据该蓄电池容量的下限值和上限值能够算出学习后蓄电池容量。

以下，说明soc-ocv曲线学习法的详细情况。

[soc-ocv曲线学习法]

<学习对象的假定函数>

首先，说明学习对象的假定函数。

图10是表示说明学习对象的假定函数的ah-ocv曲线的图。图10的纵轴采用ah(电流量)，横轴采用ocv(推定ocv)。假定函数用于通过运算来推定soc。

利用下式(8)所示的4次多项式(模型式)对ah(电流量)进行模型化。需要说明的是，模型式不限定于式(8)所示的4次多项式，只要是由数学式表示的模型式即可。

ah＝θ0+θ1ocv+θ2ocv²+θ3ocv³+θ4ocv⁴+…(8)

其中，θ0～θ4为参数。

ah(电流量)的微分值δah由下式(9)表示。另外，假定函数y由下式(10)表示。

δah＝θ1(ocv1-ocv2)+θ2(ocv1²-ocv2²)+θ3(ocv1³-ocv2³)+θ4(ocv1⁴-ocv2⁴)…(9)

【数2】

<训练集(学习数据)>

接着，说明保存于映射修正部150的数据存储部151的训练集(学习数据)。

本实施方式取得车辆时序数据作为训练集(学习数据)。如图6所示，数据存储部151保存各时间的两点的ocv1和ocv2、以及δah量的集合。通过保存两点的ocv1和ocv2、以及δah量的集合，从而容易进行数据的建立关联和向式子的应用。训练集(学习数据)在数据数为m的情况下，由下式(11)表示。

[ocv1ocv2δah]

[ocv1ocv2δah]…(11)

…

将上述式(11)所示的训练集(学习数据)应用于上述式(10)的假定函数y来表示，成为下式(12)。数据数为m。

[x1x2x3x4y]

＝[ocv1-ocv2ocv1²-ocv2²ocv1³-ocv2³y]

…(12)

<成本函数(costfunction)>

接着，说明成本函数(costfunction)。

成本函数(costfunction)为了求出误差的累计值而被导入。

成本函数j由下式(13)表示。

【数3】

上述式(13)的(i)表示在具有i＝1、2、3…所示那样的离散的格点时对每个该格点来进行运算的情况。

以θ对成本函数j进行偏微分，探求使其值接近0的那样的θj，由此找到精度最优的θ1、θ2、θ3…。

<梯度下降法(gradientdescent)>

接着，说明梯度下降法(gradientdescent)。

如上所述，梯度下降法(gradientdescent)是最佳值探索之一。在本实施方式中，用于基于监督学习(带教导的学习)的ah-ocv曲线算出。

梯度下降法(gradientdescent)的参数θj由下式(14)表示。

【数4】

α：学习系数(适用于每个参数(j))

对上述式(14)所示的参数θj的导出过程进行叙述。

图11是说明参数θj的导出的图，图11(a)表示其成本函数j与参数θ的关系，图11(b)表示其成本函数j相对于θ的偏微分与参数θ的关系。

在图11(a)所示的j-θ曲线中，求出使成本函数j成为最小的θ。即，在上述式(13)中，求出使成本函数j成为最小的θ。

将成本函数j相对于参数θ进行偏微分该偏微分由下式(15)表示。

【数5】

参数更新规则由下式(16)所示。

【数6】

如图11(a)所示，通过从θ前次值减去上述偏微分乘以学习系数(learningrate)而得到的值，来算出θ更新值。

在上述式(16)的右边导入上述式(15)而得到的式子是上述式(14)。能够导出上述式(14)所示的参数θj。

[斜率、近似式的系数限制]

电池状态推定装置100使用算出的ah和ocv来自动学习ah-ocv曲线。在ah-ocv曲线的自动学习时对斜率、近似式的系数设置限制，由此实现高精度化。

图12是表示说明斜率、近似式的系数限制的梯度值(dah/docv)-ocv曲线的图。图12的纵轴采用梯度值(dah/docv)[ah/v]，横轴采用ocv(推定ocv)[v]。

在图12中的曲线中，虚线为初期(initial)的曲线，实线为学习(learn)后的曲线，单点划线为实测值(real)的曲线。

另外，如图12的阴影线所示，设置对斜率、近似式的系数进行限制的制约区域。该制约区域例如是ocv为3.5-4.0[v]的范围。

而且，在该制约区域中，以规定范围限制梯度值(dah/docv)的能够取得的宽度。作为梯度值(dah/docv)的能够取得的宽度，设置下限边界αocv和上限边界βocv。图12的粗实线曲线的下侧为下限边界αocv，上侧为上限边界βocv。在图12的例子中，初期(initial)的曲线、学习(learn)后的曲线、实测值(real)的曲线中，学习(learn)后的曲线的一部分超过下限边界αocv而学习被限制。

实际上，为了避免学习(learn)后的曲线超出下限边界αocv及上限边界βocv，通过对模型式(参照式(8))进行修正，从而使学习(learn)后的曲线收敛于下限边界αocv及上限边界βocv范围内。

若通过数学式来表示上述梯度值(dah/docv)在上述制约区域中能够取得的宽度的下限边界αocv和上限边界βocv，则成为下式(17)。

【数7】

这样，电池状态推定装置100具备映射修正部150，映射修正部150预先设定梯度值(dah/docv)的能够取得的范围，在梯度值(dah/docv)为范围外的情况下，对所述式(8)所示的模型式进行修正。在图12的例子中，存在想要使学习(learn)后的曲线(图12的实线)接近实测值(real)的曲线(图12的单点划线)的要求。此时，若不对梯度值(dah/docv)的能够取得的宽度设置下限边界αocv及上限边界βocv，则对模型式进行修正的运算量变得庞大，结果无法完成运算或导致算出精度的降低。通过对梯度值(dah/docv)的能够取得的宽度设置下限边界αocv及上限边界βocv，从而能够实现运算精度的提高。

基于二次电池1(参照图1)的规格来预先限制梯度值的范围，由此梯度值(dah/docv)范围外的梯度值由映射修正部150进行修正，从而能够精确地推定二次电池1的充电状态。

[考虑了制约条件的机械学习器的构建]

接着，对考虑了制约条件的机械学习器的构建进行说明。

通过对学习附加制约条件，从而能够削减运算量，提高精度。

学习时的制约条件通过在成本函数(参照式(13))中反映制约条件(参照图12、式(17))来进行。

无制约条件的成本函数j由所述式(13)表示。

<制约条件考虑时的成本函数>

制约条件考虑时的成本函数j由下式(18)表示。制约条件考虑时的成本函数j通过对无制约条件的成本函数j(参照式(13))附加制约条件来表现。在本实施方式中，制约条件例如是权函数(weightfunction)μ及罚函数(penaltyfunction)pθ。需要说明的是，带限制的学习的方法中除了罚函数法以外，还存在障碍函数(barrierfunction)法等。

【数8】

上述式(18)的右边的μ为权函数(weightfunction)，pθ为罚函数。

<罚函数>

制约条件gj(θ)≤0，其中，在设为j＝(1、…、n)时，罚函数pθ由下式(19)表示。

【数9】

制约条件gj(θ)≤0j＝(1，…，n).

制约条件的数量

<带制约条件的梯度下降法(gradientdescent)>

接着，说明带制约条件的梯度下降法(gradientdescent)。

也可以对梯度下降法(gradientdescent)的参数θj附加制约条件。该制约条件为权函数(weightfunction)μ。带制约条件的梯度下降法的参数θj由下式(20)表示。

【数10】

α：学习系数(适用于每个参数(j))

上述式(20)的α为学习系数(learningrate)。

进行上述式(20)的更新，直到参数(成本函数)收敛。

<下限边界限制条件>

也可以对上述的梯度值(dah/docv))下限边界αocv和上限边界βocv附加限制条件(参照图12、式(17))。

首先，说明下限边界限制条件。

下限边界限制条件gocv_bd由下式(21)～(23)表示。

【数11】

上述式(21)的左边四项(-θ-2θ2ocvbd-3θ3ocvbd²-4θ4ocvbd³)为下限边界αocv_bd的限制条件。另外，上述式(22)是将罚函数pθ相对于参数θ进行偏微分的条件式，上述式(23)是使参数θ为四个参数θ1～θ4的情况下的式(22)的基于行列的表现。

<上限边界限制条件>

同样，对梯度值(dah/docv))上限边界βocv附加限制条件(参照图12、式(17))。

上限边界限制条件gocv_bd由下式(24)～(26)表示。

【数12】

上述式(24)的左边四项(θ+2θ2ocvbd+3θ3ocvbd²+4θ4ocvbd³)为上限边界βocv_bd的限制条件。另外，上述式(25)是将罚函数pθ相对于参数θ进行偏微分的条件式，上述式(26)是使参数θ为四个参数θ1～θ4的情况下的式(25)的行列式。

[梯度值(dah/docv))的能够取得的宽度的规定范围限制]

接着，说明以规定范围限制梯度值(dah/docv))的能够取得的宽度的情况。

图13～图15是表示梯度值(dah/docv)与容量维持率的关系的图。纵轴采用梯度值(dah/docv)[ah/v]，横轴采用容量维持率[％]。

图13～图15的实线所示的曲线是梯度值(dah/docv)的各容量维持率的max值(梯度值的最大值)，虚线所示的曲线是梯度值(dah/docv)的各容量维持率的min值(梯度值的最小值)。该max值及min值预先考虑了n/p比差异等生产偏差、放置/循环差异。

如图13所示，在容量维持率为100[％]的情况(不存在电池的劣化的情况)下，梯度值(dah/docv)的max值及min值的能够取得的宽度最大。在该情况下，梯度值(dah/docv))很少从规定范围偏离。在梯度值(dah/docv))处于规定范围内的情况下，映射修正部150(图1)不对所述式(8)所示的模型式进行修正。另外，在容量维持率为20[％]的情况(电池的劣化进展了的状态)下，梯度值(dah/docv)的max值及min值的能够取得的宽度均小。在该情况下，假定为频繁发生梯度值(dah/docv))从规定范围偏离的情况。在梯度值(dah/docv))从规定范围偏离了的情况下，映射修正部150(图1)对所述式(8)所示的模型式进行修正。通过梯度值(dah/docv)范围外的梯度值由映射修正部150进行修正，从而电池状态推定装置100能够精确地推定二次电池1(图1)的充电状态。

图14所示的阴影线部分示出了使梯度值(dah/docv))收敛于规定范围的劣化限制区间。在该劣化限制区间内判别梯度值(dah/docv))是否从规定范围偏离。在二次电池1使用的初期，将劣化限制区间(图14的阴影线部分)设定在接近容量维持率100[％](不存在电池的劣化)的位置，在图14中设定在容量维持率100[％]-90[％]的位置。

图15是例如算出的容量维持率为86％时的例子。在存在经过电池使用期间、电池劣化的情况下，如图15的空心箭头所示，劣化限制区间(图15的阴影线部分)的容量维持率发生位置移动，在图15中移动至容量维持率92[％]-80[％]的位置。

通过与电池劣化状态等对应而使基于映射修正部150进行的模型式的修正范围最佳化，从而能够精确地推定二次电池1(图1)的充电状态。

以上所述的二次电池1的充电状态的推定针对二次电池1的各个温度来进行。

在本实施方式中，对于限制所使用的值，通过预先进行测试来求出最大值和最小值。另外，考虑到二次电池1的劣化速率，可以预先以使容量维持率具有宽度的形式来选择梯度值(dah/docv)、近似式的系数μ的最大/最小值。

需要说明的是，对梯度值(dah/docv)进行了叙述，但在近似式的系数μ的情况下，也能够同样进行二次电池1的充电状态的推定。在系数μ的情况下，也发挥与梯度值(dah/docv)的情况同样的作用效果。

接着，说明电池状态推定装置100的动作。

图16是表示电池状态推定装置100(参照图1)的电池状态推定方法的动作的流程图。

首先，在步骤s11中，各检测机构取得电流信息i、电压信息ccv、温度信息t。即，电流检测部101取得电流信息i，电压检测部102取得电压信息ccv，温度检测部103取得温度信息t。

在步骤s12中，ocv算出部120根据检测值(电流i、端子间电压ccv)及算出的电阻，按照所述式(2)来算出ocv(推定ocv)。

在步骤s13的循环端，充电状态推定部130进行循环，直至得到规定数量的使用soc范围内的ocv。即，在步骤s13的循环始端与循环终端之间，反复进行步骤s14至步骤s16的处理，直至得到规定数量的使用soc范围内的ocv。在该循环处理中，收集用于生成电池的soc曲线的数据。

在步骤s14中，充电状态推定部130取得算出的ocv(推定ocv)、电流信息i及温度信息t。

在步骤s15中，充电状态推定部130进行电池ocv信息的差分处理。在此，充电状态推定部130算出电池ocv信息的差分(ocv1-ocv2)、(ocv1²-ocv2²)、(ocv1³-ocv2³)、(ocv1⁴-ocv2⁴)。

在步骤s16中，充电状态推定部130进行电池电流信息积分处理：δah＝∑i。由此，算出δah(电流累计值)。

在步骤s17的循环端，充电状态推定部130进行循环，直至规定的运算次数结束。即，在步骤s17的循环始端与循环结终端之间，反复进行步骤s18至步骤s23的处理，直至规定的运算次数结束。

在步骤s18中，充电状态推定部130按照假想曲线，基于在电池ocv信息差分处理(步骤s15)中求出的各ocv差分信息并按照所述式(9)来算出δahest。

在步骤s19中，梯度导出部152判定ah-ocv曲线131(参照图2)的斜率是否为规定值以内。

在ah-ocv曲线的斜率为规定值以内的情况下(步骤s19：是)，不施加罚函数，即在步骤s20中梯度导出部152导出罚函数(pθ＝0)并进入步骤s22。

在ah-ocv曲线的斜率从规定值偏离的情况下(步骤s19：否)，为了通过学习使ah-ocv曲线收敛于规定值内，在步骤s21中梯度导出部152导出下式(27)～(29)所示的罚函数并进入步骤s22。

【数13】

上述式(27)(28)的gocv⁽ⁱ⁾表示与ocv相关的函数g，(i)表示每个格点的项。另外，l表示函数g为下侧lower的情况，u表示函数g为上侧upper的情况。

在上述式(27)的lgocv⁽ⁱ⁾中导入上述的梯度值(dah/docv))的下限边界αocv。另外，在上述式(28)的ugocv⁽ⁱ⁾中导入上述的梯度值(dah/docv))的上限边界βocv。

在步骤s22中，映射修正部150按照所述式(18)来算出成本函数j。

在步骤s23中，映射修正部150按照所述式(16)对成本函数j进行偏微分，并以使值接近0的方式针对各θ进行学习。

执行上述循环直至规定的运算次数，并结束本流程的处理。

如以上说明的那样，本实施方式的电池状态推定装置100(参照图1)具备：ocv算出部120，其根据检测值来算出ocv；充电状态推定部130，其基于算出的ocv和ah(充电状态参数)-ocv映射131来导出所述充电状态参数；以及映射修正部150，其对ah-ocv映射131(参照图2)进行修正，其中，映射修正部150基于在第一时间由ocv算出部120算出的第一ocv、在第二时间由ocv算出部120算出的第二ocv、以及在第一时间与第二时间之间流过二次电池1的电流累计值，来导出ah-ocv映射131的模型式(参照式(8))，并通过该模型式来对ah-ocv映射131进行修正。

在本实施方式的电池状态推定方法中，具有基于检测出的二次电池1的电流及电压、充电时和放电时的内部电阻来算出ocv的ocv算出工序；基于算出的ocv和ah-ocv映射131来导出充电状态参数的充电状态推定工序；以及对ah-ocv映射131进行修正的映射修正工序，其中，在上述映射修正工序中，基于在第一时间通过所述ocv算出工序算出的第一ocv、在第二时间通过ocv算出工序算出的第二ocv、以及在第一时间与第二时间之间流过二次电池1的电流的电流累计值，来导出ah-ocv映射131的模型式，并通过该模型式来对ah-ocv映射131进行修正。

这样，对于soc-ocv曲线的由生产偏差引起的变化、soc-ocv曲线的由劣化引起的变化，能够进行考虑了该变化的soc算出和容量算出，从而更加完全使用电池的本来的性能。作为效果，能够与电池的充电状态的推定精度提高了的性能相应地提高车辆性能。另外，能够与提高的性能相应地通过单体数削减等来降低成本。

另外，本实施方式的电池状态推定装置100能够在车辆行驶中每次取得并运算数据来推定二次电池1的充电状态，因此具有如下这样的特有的效果：能够进行也加进了劣化状态的推定(劣化状态因每个用户而不同)，并且也没有个体差异的影响。

另外，不像专利文献1记载的装置那样需要基于劣化状态、个体差异、温度的多个soc-ocv曲线的映射，因此能够实现存储容量降低，且同时精度良好地推定电池状态。另外，即使在无法假想的状况下，也能够推定电池状态。由此，对于soc-ocv曲线的由生产偏差引起的变化、soc-ocv曲线的由劣化引起的变化，能够进行考虑了该变化的soc算出、容量算出，从而更加完全使用电池的本来的性能。其结果是，能够与提高的性能相应地提高车辆性能。换言之，能够与提高的性能相应地通过单体数削减等来削减成本。

另外，不像专利文献2记载的装置那样以滞后为前提，因此即使不存在滞后也能够进行soc-ocv曲线的推定。另外，设定了仅对其斜率、系数的条件规定上下限值的映射，因此还能够应对所有的劣化状态、个体偏差。

另外，在本实施方式中，在根据由控制器算出的soc值和ocv值来学习soc-ocv曲线时，对soc-ocv曲线的斜率、学习时的数学式的系数设置限制。该限制值具有依存于容量维持率的宽度。由此，能够实现学习精度的提高。

在此，如上所述，对于限制所使用的值，通过预先进行测试来求出最大值和最小值。考虑到二次电池1的劣化速率，可以预先以使容量维持率具有宽度的形式来选择斜率、近似式的系数的最大/最小值。在宽度的推定中，也可以使用期间、记录器所取得的温度、soc的直方图的数据。

本发明没有限定于上述的实施方式例，在不脱离技术方案所记载的本发明的主旨的限度内，包括其他变形例、应用例。

例如，电池状态推定方法、电池状态推定装置及程序可以是使计算功能独立的硬件，也可以是电池系统中的软件。因此，电池特性推定方法、电池特性推定装置及程序的计算、运算处理即使不是计算机的程序，也可以使用asic(applicationspecificintegratedcircuit)等。

另外，上述的实施方式例是为了容易理解地说明本发明而详细说明的实施方式例，并非一定限定为具备所说明的全部结构。另外，可以将某一实施方式例的结构的一部分置换为其他实施方式例的结构，另外，也可以向某一实施方式例的结构添加其他实施方式例的结构。另外，对于各实施方式例的结构的一部分，可以进行其他结构的追加、删除、置换。

另外，对于上述的各结构、功能、处理部、处理机构等，例如可以通过利用集成电路进行设计等而以硬件实现它们的一部分或全部。另外，如图1及图6所示，上述的各结构、功能等也可以通过用于使处理器解释并执行实现各功能的程序的软件来实现。实现各功能的程序、表、文件等的信息可以保持于存储器、硬盘、ssd(solidstatedrive)等记录装置、或者ic(integratedcircuit)卡、sd(securedigital)卡、光盘等记录介质。另外，在本说明书中，在记录时序的处理的处理步骤中，当然包括按照记载的顺序按时序进行的处理，也包括即便并非一定按时间序列进行处理也是并列或单独地执行的处理(例如并列处理或基于目标(object)的处理)。

另外，对于控制线、信息线，示出在说明上认为必要的控制线、信息线，并非在产品上一定将全部的控制线、信息线示出。实际上，也可以认为几乎全部的结构相互连接。