JP5160416B2 - バッテリーの残存容量を推定する装置及び方法 - Google Patents

Description

本発明は、バッテリーの残存容量（ＳＯＣ；Ｓｔａｔｅ ｏｆ Ｃｈａｒｇｅ）を推定する装置及び方法に関し、より詳細には、フュージョン形態のソフトコンピューティング（ｓｏｆｔ ｃｏｍｐｕｔｉｎｇ）によりバッテリーの残存容量を推定する装置及び方法に関する。

一般に、バッテリーの残存容量は非線形的特性を持つ。従って、バッテリーの残存容量の正確な検出は、事実上困難であり、推定する方法に依存している。

従来のバッテリー残存容量推定方法としては、バッテリー容量カウンティング方式（Ａｈ‐ｃｏｕｎｔｉｎｇ）、ＯＣＶ（Ｏｐｅｎ Ｃｉｒｃｕｉｔ Ｖｏｌｔａｇｅ）測定方式、バッテリーインピーダンス測定方式などがある。

バッテリー容量カウンティング方式は、バッテリーの実際の容量を検出して残存容量を検出する方式である。この方式は、実際の容量を検出するセンサーのエラー及び正確度に大きく影響を受けるため、誤差が大きいという問題がある。

ＯＣＶ測定方式は、休止状態でバッテリーの開放電圧を読み取り、それから残存容量を推定する方式である。この方式は、休止状態でのみ測定可能であり、温度などの外部要因に多くの影響を受けるという問題がある。

バッテリーインピーダンス測定方式は、バッテリーのインピーダンス測定値からバッテリーの残存容量を推定する方式である。この方式は、温度に大きい影響を受けるため、その推定値の正確度が下がるという問題がある。

低いＣ‐レート（Ｃ‐ｒａｔｅ）環境で使用される携帯電話、ノートＰＣなどは製品の特性上、バッテリーの残存容量の正確な検出が要求されない。このような製品においてバッテリーの残存容量は、バッテリー容量カウンティング方式、ＯＣＶ測定方式などにより容易に推定される。ここで、Ｃ‐レートとは、瞬時に出力できる最大電流の大きさを言う。

しかし、高いＣ‐レート環境で使用されるハイブリッド電気自動車（Ｈｙｂｒｉｄ Ｅｌｅｃｔｒｉｃａｌ Ｖｅｈｉｃｌｅ：ＨＥＶ）、電気自動車（Ｅｌｅｃｔｒｉｃａｌ Ｖｅｈｉｃｌｅ：ＥＶ）などは、一般自動車の燃料検出器（ｆｕｅｌ ｇａｕｇｅ）のように正確なバッテリーの残存容量情報が要求される一方、バッテリーの残存容量の非線形の程度は強まる。従って、従来のバッテリー残存容量推定方法は、このような製品において正確な推定が非常に難しいという問題がある。

発明の詳細な説明

［技術的課題]
本発明は、フュージョンタイプのソフトコンピューティングアルゴリズムを用いてバッテリーの残存容量を推定することで、高いＣ‐レート環境においてもバッテリーの残存容量を正確に推定することができる装置及び方法を提供することを目的とする。

[技術的解決方法]
上記した本発明によるバッテリーの残存容量を推定する装置は、バッテリーセルの電流、電圧、及び温度を検出するセンシング部と；上記センシング部で検出された電流、電圧、及び温度を神経網アルゴリズムによる放射関数で処理することによって、バッテリーの残存容量の推定値を出力するソフトコンピューティング部とを含むことを特徴とする。

特に、上記ソフトコンピューティング部は、上記神経網アルゴリズムに、パラメータを適応的に更新するファジーアルゴリズム、遺伝アルゴリズム、セルラーオートマタ（ｃｅｌｌｕｌａｒ ａｕｔｏｍａｔａ）アルゴリズム、免疫システムアルゴリズム、及びラフセットアルゴリズムのうち何れか一つを結合して、上記神経網アルゴリズムのパラメータを適応的に更新することを特徴とする。

［有利な効果]
上述したように本発明によれば、フュージョン形態のソフトコンピューティングアルゴリズム及び学習アルゴリズムを通じて、バッテリーの残存容量を動的に推定することができる。また、最小限のデータにより温度、Ｃ‐レートなどのような多様な環境に応じてバッテリーの残存容量をより正確に推定することができる。

したがって、本発明によれば、高いＣ‐レート環境においてもバッテリーの残存容量の正確な推定が可能になる。そして、バッテリーの残存容量を推定するのにフュージョン形態のソフトコンピューティングアルゴリズムを用いるので、それぞれの単一のソフトコンピューティングアルゴリズムが特定の環境でのみ比較的正確であり、他の環境においては正確度が下がる、という短所を克服することができる。

特に、フュージョン形態のソフトコンピューティングアルゴリズムとしてファジー‐神経網（Ｎｅｕｒｏ‐Ｆｕｚｚｙ）アルゴリズムを用いることには、ファジー論理を神経網として具現化することで、ファジー規則を学習により自動生成できるという長所がある。これによって、初期ウェイト設定安全性とシステム収斂性とにおいて既存の単一の神経網アルゴリズムより優れた性能を奏することができる。

本発明は、ハイブリッド電気自動車などの場合のように、より正確なバッテリーの残存容量推定が必要な分野においてより広く活用され得る。従って、本発明は、ハイブリッド電気自動車用ＬｉＰＢ（Ｌｉｔｈｕｍ Ｉｏｎ Ｐｏｌｙｍｅｒ Ｂａｔｔｅｒｙ）に適用可能なのはもちろんのこと、他のバッテリーにも適用可能である。

以下、添付の図面を参照しながら、本発明の望ましい実施例を詳細に説明する。

図１は、本発明の一実施例によるバッテリー残存容量推定装置のブロック図である。図１を参照するに、残存容量推定装置は、バッテリーセル１０、センシング部１１、ソフトコンピューティング部２０、充放電器３０、及び比較器４０を含む。

センシング部１１は、電流検出部１２、電圧検出部１４、及び温度検出部１６を含む。電流検出部１２は、時間ｋにおいてバッテリーセル１０から電流（ｉ）を検出する。電圧検出部１４は、時間ｋにおいてバッテリーセル１０から電圧（ｖ）を検出する。温度検出部１６は、時間ｋにおいてバッテリーセル１０から温度（Ｔ）を検出する。

ソフトコンピューティングとは、生物の脳情報の伝達、推論、学習、遺伝、免疫システムを工学的にモデリングして作られた関数近似器（ｆｕｎｃｔｉｏｎ ａｐｐｒｏｘｉｍａｔｏｒ）を包括的に称するものであり、工業界全般にわたって制御及び同定（ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）分野で広く用いられている。ここで、同定とは、システムの入出力の特性をキャプチャすることを言う。

ソフトコンピューティングアルゴリズムは、正確な情報とモデルとが知られていなくても、入力／出力情報のみでパラメータを自己調整（ｓｅｌｆ‐ｏｒｇａｎｉｚｅ）しながら特定のシステムを同定し、制御することができるアルゴリズムである。

問題は、ソフトコンピューティング技法がそれぞれ異なる短所を内包しているということである。すなわち、それぞれのソフトコンピューティング技法を用いたバッテリーの残存容量推定は、特定の環境でのみ比較的正確なだけで、他の環境においては正確度が下がる。

ソフトコンピューティング部２０は、このような短所を補い、より完璧な関数近似化を行うために、フュージョン形態のソフトコンピューティングによりバッテリーの残存容量を推定する。

ソフトコンピューティング部２０が用いるフュージョン形態のソフトコンピューティングアルゴリズムは、適応パラメータアップデート（Ａｄａｐｔｉｖｅ Ｐａｒａｍｅｔｅｒ Ｕｐｄａｔｅ）を行って、自己調整（ｓｅｌｆ‐ｏｒｇａｎｉｚｅ）が可能な複数のアルゴリズムがフュージョン形態で相互結合したアルゴリズムであり、バイオ‐モチーフ（ｂｉｏ‐ｍｏｔｉｖｅ）されたものである。ここで、バイオ‐モチーフとは、生物学的な情報処理能力を真似して用いることを言う。

より詳細には、ソフトコンピューティング部２０が用いるソフトコンピューティングアルゴリズムは、ファジーアルゴリズム（Ｆｕｚｚｙ Ａｌｇｏｒｉｔｈｍ）、遺伝アルゴリズム（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ：ＧＡ）、セルラーオートマタアルゴリズム（Ｃｅｌｌｕｌａｒ Ａｕｔｏｍａｔａ Ａｌｇｏｒｉｔｈｍ：ＣＡ Ａｌｇｏｒｉｔｈｍ）、免疫システムアルゴリズム（Ｉｍｍｕｎｅ Ｓｙｓｔｅｍ Ａｌｇｏｒｉｔｈｍ）、及びラフセットアルゴリズム（Ｒｏｕｇｈ‐ｓｅｔ Ａｌｇｏｒｉｔｈｍ）のうち何れか一つに、神経網アルゴリズム（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ａｌｇｏｒｉｔｈｍ）が結合したアルゴリズムである。

免疫システムアルゴリズムは、同定ポイントや制御ポイントを抗体として設定し、外乱（ｄｉｓｔｕｒｂａｎｃｅ）を抗原として設定して、どのような外乱が加えられても所望のポイントを推定することができるようにモデリングする方法である。セルラーオートマタアルゴリズムは、２進数形態のストリングで複雑なアルゴリズムをモデリングする方法である。ラフセットアルゴリズムは、パラメータの相関関係を数式でモデリングして適用する方法である。

ファジーアルゴリズムに神経網アルゴリズムが結合したファジー‐神経網アルゴリズムは、ファジー推論システムを神経網として具現化して自動にパラメータを調整する形態である。

ファジー‐神経網アルゴリズムは、学習アルゴリズムの実行によってファジー理論の専門家規則ベース（ｅｘｐｅｒｔ ｒｕｌｅ ｂａｓｅ）を自動で生成することができる。

一般的に、あるシステムに詳しい人々は正確な情報ではないファジーな情報を用いて作業を行っていく。例えば、溶接システムに詳しい溶接熟練工はこのくらいの位置なら溶接温度を少し上げれば溶接がよくできるというようなファジーな情報を用いて溶接作業を上手に行っていく。

ファジー理論の専門家規則ベースを生成するとは、このようにあるシステムの専門家たちからｉｆ〜ｔｈｅｎ構文からなる規則を獲得する過程を称する。

一般的に、ファジーアルゴリズムにおいて最も難しい作業は規則ベースを獲得する作業である。しかし、ファジー‐神経網アルゴリズムは神経網の学習能力を用いることで、このような規則ベースを自動で生成することができるという長所がある。

また、神経網の立場から見るとき、神経網の大きさ（すなわち、ニューロン数）、活性関数の選択などが全体の性能に大きく影響を及ぼし、このような部分にファジー理論を用いれば神経網の性能を最適化することができる。すなわち、神経網の大きさを規則ベースの数とし、ファジー関数中の一つを活性関数として用いることで、神経網の性能を最適化することができる。

ファジー‐神経網アルゴリズムにおいて、神経網は脳のハードウェア的な具現化形態をモデリングし、ファジーは人間の思考をモデリングする。

遺伝アルゴリズムに神経網アルゴリズムが結合したＧＡ神経網（Ｎｅｕｒｏ‐ＧＡ）アルゴリズムは、神経網の学習アルゴリズムをＧＡで具現化して学習に必要な多様なパラメータを同定するアルゴリズムである。

ソフトコンピューティング部２０は、この他にもセルラーオートマタアルゴリズムに神経網アルゴリズムが結合したＣＡ‐神経網（Ｎｅｕｒｏ‐ＣＡ）アルゴリズム、ラフセットアルゴリズムに神経網アルゴリズムが結合したラフセット‐神経網（Ｎｅｕｒｏ‐Ｒｏｕｇｈ ｓｅｔ）アルゴリズムなどを用いることができる。

本実施例においては、ソフトコンピューティング部２０がファジー‐神経網アルゴリズムを用いてバッテリーの残存容量を推定するが、ファジー‐神経網アルゴリズムはフュージョンタイプのソフトコンピューティングアルゴリズムの例示に過ぎない。ソフトコンピューティング部２０は、ファジー‐神経網アルゴリズム以外にも他のフュージョンタイプのソフトコンピューティングアルゴリズムを用いてバッテリーの残存容量を推定することができる。

ソフトコンピューティング部２０は、センシング部１１から検出された電流（ｉ）、電圧（ｖ）、及び温度（Ｔ）と、検出した時間（ｋ）とに基づくファジー‐神経網アルゴリズムを行って、バッテリーの残存容量の推定値（Ｆ）を出力する。

そして、ソフトコンピューティング部２０は、比較器４０からアルゴリズムの更新信号を受信すると、ファジー‐神経網アルゴリズムに対して学習アルゴリズムを行って、ソフトコンピューティングアルゴリズムを更新する。

ソフトコンピューティング部２０は、ソフトコンピューティングアルゴリズムが更新されると、更新されたソフトコンピューティングアルゴリズムを行って、バッテリーの残存容量の更新された推定値（Ｆ）を出力する。

充放電器３０は、バッテリーセル１０に充電／放電電流を供給する。

比較器４０は、ソフトコンピューティング部２０から出力された推定値（Ｆ）と所定目標値（ｔａｒｇｅｔ ｖａｌｕｅ：Ｆ_Ｔ）とを比べる。比較器４０は、出力された推定値（Ｆ）と所定目標値との差が臨界範囲を脱すると、ソフトコンピューティング部２０にアルゴリズム更新信号を出力する。

目標値（Ｆ_Ｔ）は、理想的には実際の「真の」バッテリーの残存容量値になる。しかし、その値は求めにくいので、特定の条件で適当な実験を通じて得られた基準値を用いる。

例えば、目標値（Ｆ_Ｔ）は、バッテリーの定格容量において充放電器から入力されるＡｈカウンティング値とバッテリーのＯＣＶ（Ｏｐｅｎ Ｃｉｒｃｕｉｔ Ｖｏｌｔａｇｅ）値を相互補完した値となり得る。

図２は、図１のソフトコンピューティング部２０におけるファジー‐神経網の構成図である。図２を参照するに、ファジー‐神経網は大きく、入力層（ｉｎｐｕｔ ｌａｙｅｒ）、隠匿層（ｈｉｄｄｅｎ ｌａｙｅｒ）、及び出力層（ｏｕｔｐｕｔ ｌａｙｅｒ）から構成される。

基準関数とファジー制御規則数が同一であり、ファジー規則の後件部（ｃｏｎｓｅｑｕｅｎｔ ｐａｒｔ）が定数であり、網の演算子と出力層の関数が同一であり、ファジー規則での所属関数が同じ幅（分散）の基準関数であれば、ファジーシステムと図２の放射基準関数ネットワーク（Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ Ｎｅｔｗｏｒｋ）は等価である。ここで、放射基準関数ネットワークとは、神経網の具体的な名前であって、神経網の一種である。

ソフトコンピューティング部２０は、ファジー‐神経網の構造に応じたファジー‐神経網アルゴリズムを行う。このアルゴリズムは、すなわちバッテリー残存容量推定アルゴリズムである。ソフトコンピューティング部２０においてファジー‐神経網によるバッテリー残存容量推定アルゴリズムを適用するための最終出力は、次の数式１のような形態を持つ。

ここで、Φは、ファジー放射関数であり、あるいは神経網における放射基準関数（Ｒａｄｉａｌ Ｂａｓｉｓ ｆｕｎｃｔｉｏｎ）または活性関数である。この関数内のＰは、媒介変数であり、Ｘは、入力である。Ｗは、学習する間に更新されるべき加重値（ｗｅｉｇｈｔ）である。

数式１を図２のファジー‐神経網の構造に適用すると、次のようになる。

図２において、Ｘ＝ｘ_ｄ（ｋ）は、ファジー‐神経網の構造に入力される入力データベクトルである。本実施例では、ｘ_ｄ（ｋ）＝（ｉ，ｖ，Ｔ，ｋ）となる。ここで、ｉ，ｖ，Ｔは、図１のセンシング部１１が時間ｋにおいてバッテリーセル１０から検出した電流、電圧、温度データである。

数式１のＦ、すなわち最終出力は、放射関数Φ＝φ_ｄ（ｋ）とＷ＝ｗ_ｄ（ｋ）の積からなる。

ここで、Ｗは、連結強度（ｗｅｉｇｈｔ）を示す係数である。Ｗは、以下で説明する逆伝播（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ：ＢＰ）学習アルゴリズムにより、毎時間ｋごとに更新される。これにより、関数が近似化され、非線形関数が同定されることになる。

図１の比較器４０がファジー‐神経網の出力値（Ｆ）と目標値（Ｆ_Ｔ）とを比較した結果、出力値（ｇ_Ｏ）と目標値（ｇ_Ｔ）との誤差が所定範囲（例えば、３％）を脱すると、図１の比較器４０は図１のソフトコンピューティング部２０にアルゴリズム更新信号を伝送する。

図１のソフトコンピューティング部２０がアルゴリズム更新信号を受信すると、図２のファジー‐神経網では学習アルゴリズムが行われる。本実施例では、学習アルゴリズムとして逆伝播学習アルゴリズムを中心に説明するが、これは例示に過ぎない。例えば、カルマンフィルター、遺伝アルゴリズム、ファジー学習アルゴリズムなどを学習アルゴリズムとして採用することも可能である。

逆伝播学習アルゴリズムについて説明すると、まず、誤差関数を次のように定義する。

ここで、Ｆ_Ｔ（ｋ）は、所望の出力、すなわち目標値であり、F（ｋ）は、ファジー‐神経網の実際の出力である。従って、最終の連結加重値の更新は、次の数式３のようになる。

ここで、ηは、学習率（Ｌｅａｒｎｉｎｇ ｒａｔｅ）である。

このように、逆伝播学習アルゴリズムの反復実行によってファジー‐神経網アルゴリズムが更新される。詳細には、逆伝播学習アルゴリズムの反復実行によってファジー‐神経網アルゴリズムのＷ値が更新される。

そして、ファジー‐神経網は、更新されたＷ値により決められた新しい出力値（Ｆ）を再び比較器４０に出力する。このような過程は、ファジー‐神経網の出力値（Ｆ）と目標値（Ｆ_Ｔ）との誤差が所定範囲内に入るまで繰り返し行われる。

図１の比較器４０は、ファジー‐神経網の出力値（Ｆ）と目標値（Ｆ_Ｔ）との誤差が所定範囲を脱しない場合、アルゴリズムの更新信号を伝送しない。よって、ファジー‐神経網に対する学習アルゴリズムの実行が終了する。学習アルゴリズムの実行によって得られた最終的なファジー‐神経網アルゴリズム式（すなわち、数式１）を用いて、バッテリーの残存容量の推定値が出力される。

図３は、本発明の一実施例によるバッテリー残存容量推定方法の流れ図である。

図３を参照するに、センシング部１１は、時間ｋにおいてバッテリーセル１０から電流（ｉ）、電圧（ｖ）、及び温度（Ｔ）を検出する（Ｓ３０）。

ソフトコンピューティング部２０は、センシング部１１から検出された電流（ｉ）、電圧（ｖ）、及び温度（Ｔ）データと、時間データ（ｋ）とを入力データベクトルにして前述したファジー‐神経網アルゴリズムを行うことで、暫定推定値（ｇ_ｏ）を出力する（Ｓ３２）。すなわち、ソフトコンピューティング部２０は、ｘ_ｄ（ｋ）＝（ｉ，ｖ，Ｔ，ｋ）に対してファジー‐神経網アルゴリズムを行うことで、暫定推定値（Ｆ）を出力する。

比較器４０は、暫定推定値（Ｆ）と目標値（Ｆ_Ｔ）とを比較してその誤差が３％以内か否かを確認する（Ｓ３４）。本実施例においては、誤差の臨界範囲を３％に設定したが、これは例示に過ぎない。誤差の臨界範囲は設計者によって十分に変更可能である。バッテリーの残存容量の最終推定値は、臨界範囲が狭いほど正確度が高くなり、臨界範囲が広いほど正確度が低くなる。

ソフトコンピューティング部２０は、暫定推定値（Ｆ）と目標値（Ｆ_Ｔ）との誤差が３％を脱すると、ファジー‐神経網アルゴリズムに対して前述した学習アルゴリズムを行って、ファジー‐神経網アルゴリズムを更新する（Ｓ３６）。そして、ソフトコンピューティング部２０は、更新されたソフトコンピューティングアルゴリズムを行って、バッテリーの残存容量の更新された暫定推定値Ｆを算出する（Ｓ３２）。

比較器４０は、更新された暫定推定値（Ｆ）と目標値（Ｆ_Ｔ）とを比較して、その誤差が３％以内か否かを確認する（Ｓ３４）。ソフトコンピューティング部２０は、更新された暫定推定値（Ｆ）と目標値（Ｆ_Ｔ）との誤差が３％を脱する場合、学習アルゴリズムを再び行い（Ｓ３６）、更新されたファジー‐神経網アルゴリズムを行う（Ｓ３２）。

すなわち、ソフトコンピューティング部２０は、暫定推定値（Ｆ）と目標値（Ｆ_Ｔ）との誤差が３％以内に入るまで、学習アルゴリズムと更新されたファジー‐神経網アルゴリズムとを繰り返し行う。

暫定推定値（Ｆ）と目標値（Ｆ_Ｔ）との誤差が３％以内に入ると、ソフトコンピューティング部２０は学習アルゴリズムを行わない。よって、最終的なファジー‐神経網アルゴリズム式（例えば、数式３）が得られる。

最終的なファジー‐神経網アルゴリズム式に従って算出された暫定推定値（Ｆ）が、バッテリーの残存容量の確定推定値に決められる（Ｓ３８）。

本発明は、コンピュータで読み取りできる記録媒体にコンピュータが読み取りできるコードとして具現化することができる。コンピュータが読み取りできる記録媒体とは、コンピュータシステムによって読み取りできるデータが格納される全ての種類の記録装置を含む。コンピュータが読み取りできる記録媒体の例としては、ＲＯＭ、ＲＡＭ、ＣＤ‐ＲＯＭ、磁気テープ、フロッピーディスク、光データ記憶装置などがあり、またキャリアウエーブ（ｃａｒｒｉｅｒ ｗａｖｅ）（例えば、インターネットを通じた伝送）の形態に具現化されることも含む。また、コンピュータが読み取りできる記録媒体は、ネットワークで連結されたコンピュータシステムに分散され、分散方式でコンピュータが読み取りできるコードが格納され実行され得る。

ここまで、本発明に対してその望ましい実施例を中心にしてみてきた。本発明が属する技術分野において通常の知識を持つ者は、本発明が、本発明の本質的な特性から逸脱しない範囲内で変形された形態に具現化され得ることを理解すべきである。従って、開示された実施例は、限定的な観点ではなく、説明的な観点で考慮されるべきである。本発明の範囲は前述した説明ではなく特許請求の範囲に示されており、これと同等の範囲内にある全ての差異点は本発明に含まれるものとして解釈されるべきである。

図１は、本発明の一実施例によるバッテリー残存容量推定装置のブロック図である。 図２は、図１のソフトコンピューティング部２０におけるファジー‐神経網の構成図である。 図３は、本発明の一実施例によるバッテリー残存容量推定方法の流れ図である。

Claims (8)

1. バッテリーの残存容量（ＳＯＣ；Ｓｔａｔｅ ｏｆ Ｃｈａｒｇｅ）を推定する装置であって、
   バッテリーセルの電流、電圧、及び温度を検出するセンシング部と；
   ファジー論理を神経網アルゴリズムとして具現化したフュージョンタイプのソフトコンピューティングアルゴリズムにより上記センシング部で検出された電流、電圧、及び温度を処理して、バッテリーの残存容量値を推定して出力するソフトコンピューティング部と；
   上記ソフトコンピューティング部の残存容量値推定中に前記ソフトコンピューティング部の出力をモニタリングし、前記ソフトコンピューティング部から出力された推定値をバッテリーの充電または放電によって変わる所定目標値と比較して、上記推定値と上記所定目標値との差が臨界範囲を脱すると、上記所定目標値を追従するように学習させる学習アルゴリズムに従って上記神経網アルゴリズムが更新されるように上記ソフトコンピューティング部にアルゴリズム更新信号を伝送する比較器と；を含むことを特徴とするバッテリー残存容量推定装置。
2. 上記目標値は、特定の条件で該当する実験を通じて得られた基準値であることを特徴とする請求項１に記載のバッテリー残存容量推定装置。
3. 上記目標値は、バッテリーの定格容量で充放電器から入力されるＡｈカウンティング値とバッテリーのＯＣＶ（Ｏｐｅｎ Ｃｉｒｃｕｉｔ Ｖｏｌｔａｇｅ）値を相互補完した値であることを特徴とする請求項１に記載のバッテリー残存容量推定装置。
4. 上記学習アルゴリズムは、逆伝播学習アルゴリズム、カルマンフィルター、遺伝アルゴリズム、及びファジー学習アルゴリズムのうち何れか一つであることを特徴とする請求項１に記載のバッテリー残存容量推定装置。
5. バッテリーの残存容量（ＳＯＣ；Ｓｔａｔｅ ｏｆ Ｃｈａｒｇｅ）を推定する方法であって、
   バッテリーセルの電流、電圧、及び温度を検出する段階と；
   ファジー論理を神経網アルゴリズムとして具現化したフュージョンタイプのソフトコンピューティングアルゴリズムにより上記検出された電流、電圧、及び温度を処理してバッテリーの残存容量値を推定して出力する段階と；
   上記残存容量値の推定中に、上記出力された推定値とバッテリーの充電または放電によって変わる所定目標値とを比較する段階と；
   上記推定値と上記所定目標値との差が臨界範囲を脱すると、上記所定目標値を追従するように学習させる学習アルゴリズムに従って上記神経網アルゴリズムを更新させる段階と；を含むことを特徴とするバッテリー残存容量推定方法。
6. 上記目標値は、特定の条件で該当する実験を通じて得られた基準値であることを特徴とする請求項５に記載のバッテリー残存容量推定方法。
7. 上記目標値は、バッテリーの定格容量で充放電器から入力されるＡｈカウンティング値とバッテリーのＯＣＶ（Ｏｐｅｎ Ｃｉｒｃｕｉｔ Ｖｏｌｔａｇｅ）値を相互補完した値であることを特徴とする請求項５に記載のバッテリー残存容量推定方法。
8. 上記学習アルゴリズムは、逆伝播学習アルゴリズム、カルマンフィルター、遺伝アルゴリズム、及びファジー学習アルゴリズムのうち何れか一つであることを特徴とする請求項５に記載のバッテリー残存容量推定方法。

Images