状态估计方法以及状态估计系统与流程

1.本发明涉及估计监视对象物的状态的状态估计方法以及状态估计系统。


背景技术：

2.在专利文献1中公开了二次电池的剩余量估计装置。在该剩余量估计装置中，对由神经网络构成的多个估计器分配不同的剩余量范围作为负责范围。各估计器基于相同的输入数据以及相同的方法来生成表示二次电池的剩余量的估计值的多个中间估计值，输出控制部选择这些中间估计值中的一个而输出最终估计值。
3.现有技术文献
4.专利文献
5.专利文献1：日本特开2015-99042号公报


技术实现要素：

6.发明所要解决的课题
7.然而，即使在使用了基于相同的输入数据且相同的方法的多个估计器的情况下，分别负责不同的剩余量范围，例如依赖于输入数据的时间行为的变化等，也不一定是在负责的剩余量范围内一定输出高精度的估计值。
8.本发明是鉴于上述情况而完成的，其目的在于更稳定且高精度地估计监视对象物的状态。
9.用于解决课题的手段
10.本发明的一个方式是一种状态估计方法，估计监视对象物的状态，该状态估计方法包括：第一步骤，准备基于关于所述监视对象物测定的状态变量而估计所述监视对象物的状态的多个第一估计模型；第二步骤，准备第二估计模型，该第二估计模型基于关于所述监视对象物测定的状态变量或者关于使用所述监视对象物进行动作的利用装置测定的状态变量，从所述多个第一估计模型中，估计以最高的精度估计所述监视对象物的所述状态的一个所述第一估计模型是哪一个；以及第三步骤，输出由所述第二估计模型估计出的一个所述第一估计模型的、关于所述监视对象物的状态的估计结果。
11.根据本发明的其他方式，在所述第三步骤中，仅使用由所述第二估计模型估计出的一个所述第一估计模型来估计所述监视对象物的所述状态，并输出该估计结果。
12.根据本发明的另一方式，在所述第三步骤中，取得所述多个第一估计模型各自的关于所述监视对象物的所述状态的估计结果，输出所取得的估计结果中的、所述第二估计模型估计出的一个所述第一估计模型的所述估计结果。
13.根据本发明的其他方式，所述多个第一估计模型中的至少一部分第一估计模型的模型构造不同。
14.根据本发明的其他方式，所述多个第一估计模型包含机器学习模型。
15.根据本发明的其他方式，所述多个第一估计模型中的至少一部分第一估计模型是
分别使用不同的学习数据进行了学习的机器学习模型。
16.根据本发明的其他方式，所述第一估计模型包含基于规则的模型。
17.根据本发明的其他方式，所述多个第一估计模型中的至少一部分第一估计模型的所输入的所述状态变量中包含的参数的组合彼此不同。
18.根据本发明的另一方式，所述监视对象物是工作中的二次电池，所述第一估计模型估计所述工作中的二次电池的充电率和/或劣化度作为所述监视对象物的所述状态。
19.本发明的其他方式是一种状态估计系统，估计监视对象物的状态，其中，所述状态估计系统具备：多个第一估计模型，它们基于关于所述监视对象物测定的状态变量而估计所述监视对象物的状态；第二估计模型，其基于关于所述监视对象物测定的状态变量或者关于使用所述监视对象物进行动作的利用装置测定的状态变量，从所述多个第一估计模型中，估计以最高的精度估计所述监视对象物的所述状态的一个所述第一估计模型是哪一个；以及状态估计部，其基于当前测定出的所述监视对象物的状态变量或所述利用装置的状态变量，通过所述第二估计模型来估计一个所述第一估计模型，使用所述估计出的一个所述第一估计模型，根据当前测定出的所述监视对象物的状态变量而估计所述监视对象物的所述状态并输出。
20.发明效果
21.根据本发明，能够更稳定且高精度地估计监视对象物的状态。另外，由此，例如能够将车辆中的二次电池作为监视对象物，高精度地进行其状态估计，实现车辆中的能量效率的改善(sdgs 7.3、7a)。
附图说明
22.图1是示出本发明的一实施方式的状态估计方法的过程的流程图。
23.图2是示出在状态估计方法的第一步骤中进行第一估计模型的机器学习的第一机器学习装置的结构的一例的图。
24.图3是示出在状态估计方法的第二步骤中进行第二估计模型的机器学习的第二机器学习装置的结构的一例的图。
25.图4是示出作为状态估计方法的第三步骤而进行监视对象物、即工作中的二次电池的状态估计的状态估计系统的结构的一例的图。
26.图5是状态估计系统的功能框图。
27.图6是具有变形例的状态估计部的状态估计系统的功能框图。
28.附图标记说明
[0029]1…
第一机器学习装置、2
…
存储装置、3
…
学习数据、3a
…
第一学习数据、3b
…
第二学习数据、3c
…
第三学习数据、3d
…
第四学习数据、4
…
学习数据生成装置、5、33
…
二次电池、6
…
充电器、7
…
负载、8
…
切换开关、9、34
…
特性测定器、10
…
第一处理器、11
…
第一存储器、12
…
第一变量生成部、13
…
第一模型学习部、14、14a、14b、14c
…
第一估计模型、15
…
第一学习程序、20
…
第二机器学习装置、21
…
第二处理器、22
…
第二存储器、23
…
第二变量生成部、24
…
第二模型学习部、25
…
第二估计模型、26
…
第二学习程序、30
…
车辆、31
…
状态估计系统、32
…
行驶控制装置、35
…
通电控制器、36
…
旋转电机、37
…
外部充电装置、38
…
显示装置、39
…
油门踏板传感器、40
…
制动踏板传感器、41
…
车速传感器、50
…
第三处理器、51
…
第三存储器、52
…
变量取得部、53、53-1
…
状态估计部、54
…
估计程序、60
…
第四处理器、61
…
第四存储器、62
…
马达控制部、63
…
充电控制部、64
…
通知控制部。
具体实施方式
[0030]
以下，参照附图对本发明的实施方式进行说明。
[0031]
图1是示出本发明的一实施方式的状态估计方法的过程的图。
[0032]
该状态估计方法包括：第一步骤(s100)，准备基于关于监视对象物测定的状态变量而估计该监视对象物的状态的多个第一估计模型。另外，该状态估计方法包括：第二步骤(s102)，准备第二估计模型，该第二估计模型基于关于监视对象物测定的状态变量或者关于使用监视对象物进行动作的利用装置测定的状态变量，从多个第一估计模型中，估计以最高的精度估计监视对象物的状态的一个第一估计模型是哪一个。另外，该状态估计方法包括输出由第二估计模型估计出的一个第一估计模型的关于监视对象物的状态的估计结果的第三步骤(s104)。
[0033]
在此，优选上述多个第一估计模型中的至少一部分第一估计模型的模型构造不同。例如，在多个第一估计模型中，能够包含基于规则的模型以及/或者机器学习模型。由此，能够使用具有各种特性的多个第一估计模型来估计状态，因此能够得到精度更高的一个估计值输出。
[0034]
在能够用于第一估计模型的机器学习模型的模型构造中，例如，作为中间层，能够包含：包含lstm(long short-term memory：长短期记忆网络)或者gru(gate recurrent unit：门控循环单元)的rnn(recurrent neural network：循环神经网络)、以及/或者一维cnn(convolutional neural network：卷积神经网络)。
[0035]
另外，基于与上述相同的理由，在多个第一估计模型包含多个机器学习模型的情况下，特别是在包含相同模型构造的机器学习模型的情况下，优选的是，这些机器学习模型分别使用不同的学习数据来进行学习。
[0036]
进而，基于与上述同样的理由，优选的是，多个第一估计模型中的至少一部分第一估计模型的所输入的状态变量中包含的参数的组合彼此不同。
[0037]
在本实施方式中，作为一例，监视对象物是工作中的二次电池，通过上述状态估计方法，将上述工作中的二次电池的充电率和/或充满电时的充电量、即总容量[ah]或劣化度估计为监视对象物的状态。另外，在本实施方式中，第一估计模型以及第二估计模型是机器学习模型。但是，这是一例，第一估计模型以及第二估计模型能够使用机器学习模型以外的模型。以下，将充电率简记为soc，将充满电时的充电量即总容量[ah]或劣化度简记为soh。
[0038]
具体而言，在本实施方式中，在步骤s100中，准备通过机器学习来学习了表示连接有负载或者充电器的工作中的二次电池的电输入、电输出以及/或者电特性的状态变量与上述二次电池的soc以及/或者soh之间的关系的多个第一估计模型。另外，在本实施方式中，在步骤s102中，准备通过机器学习来学习了工作中的二次电池的上述状态变量与以最高的精度估计soc和/或soh的一个第一估计模型的选择之间的关系的第二估计模型。另外，在本实施方式中，在步骤s104中，根据工作中的二次电池的状态变量，输出由第二估计模型估计出的一个第一估计模型的、关于工作中的二次电池的充电率和/或劣化度的估计结果。
[0039]
以下，对各步骤中的处理进行说明。
[0040]
[第一步骤]
[0041]
图2是示出作为图1所示的状态估计方法的第一步骤的步骤s100中的、通过机器学习来准备多个第一估计模型的第一机器学习装置1的结构的一例的图。第一机器学习装置1从存储装置2取得学习数据，进行多个第一估计模型各自的机器学习。存储装置2存储用于机器学习的4个学习数据即第一学习数据3a、第二学习数据3b、第三学习数据3c以及第四学习数据3d。以下，也将第一学习数据3a、第二学习数据3b、第三学习数据3c、第四学习数据3d统称为学习数据3。
[0042]
学习数据3通过学习数据生成装置4存储于存储装置2。学习数据生成装置4使二次电池5工作，测定工作中的二次电池5的特性，由此生成学习数据3。
[0043]
二次电池5被充电器6充电，通过进行向负载7的通电而放电。充电器6例如是直流电源，负载7例如是马达。通过切换开关8对二次电池5进行是进行来自充电器6的充电还是进行向负载7的放电的选择。在切换开关8与二次电池5之间插入有特性测定器9。
[0044]
特性测定器9测定二次电池5的电输入、电输出以及电特性的各种参数的当前值。在本实施方式中，上述电输入和电输出的参数是二次电池5的端子电压vte和端子电流ite，电特性的参数是二次电池5的内部电阻ri和二次电池5的框体表面的温度t(℃)。在此，能够设为内部电阻ri是按照现有技术，例如通过将作为测定信号的交流电流输入到二次电池5来进行测定。
[0045]
二次电池5的端子电流ite例如能够在二次电池5的放电时取正值，在充电时取负值。端子电压vte以及端子电流ite通过取正以及负的值，分别表示二次电池5的电输出以及电输入。
[0046]
学习数据生成装置4例如是计算机，根据来自操作员的指示而开始动作，进行针对充电器6的动作指示以及针对切换开关8的切换动作指示。
[0047]
学习数据生成装置4从特性测定器9以规定的时间间隔取得包含充电时以及放电时的二次电池5的工作时的端子电流ite、端子电压vte以及内部电阻ri。学习数据生成装置4根据上述取得的端子电流ite、端子电压vte以及内部电阻ri计算二次电池5的开路电压voc。另外，学习数据生成装置4按照现有技术，根据上述取得的端子电流ite以及端子电压vte对二次电池5的放电量以及充电量进行累计，计算二次电池5的soc以及soh。
[0048]
学习数据生成装置4将上述取得以及计算出的端子电流ite、端子电压vte、温度t、内部电阻ri、开路电压voc的时间序列数据与各测定时刻的上述计算出的soc以及soh对应起来，并作为学习数据3存储于存储装置2。
[0049]
在此，学习数据生成装置4按照各种充放电脚本，使二次电池5进行充放电动作，由此生成各种学习数据3。在本实施方式中，例如，二次电池5是车辆用的二次电池，学习数据生成装置4使用表示市区行驶、高速行驶以及山地行驶等不同的组合行驶中的二次电池的典型的充放电动作的3个不同的充放电脚本。学习数据生成装置4按照上述3个充放电脚本使二次电池5进行充放电动作，生成作为不同的4个学习数据3的第一学习数据3a、第二学习数据3b、第三学习数据3c以及第四学习数据3d并存储于存储装置2。
[0050]
第一机器学习装置1具备第一处理器10和第一存储器11。第一存储器11例如由易失性及/或非易失性的半导体存储器及/或硬盘装置等构成。第一存储器11存储由第一模型学习部13学习的3个第一估计模型14a、14b以及14c。以下，也将第一估计模型14a、14b以及
14c统称为第一估计模型14。
[0051]
在本实施方式中，第一估计模型14由具有彼此不同的模型构造的机器学习模型构成。例如，第一估计模型14a由使用gru(gate recurrent unit：门控循环单元)作为中间层的rnn(recurrent neural network：循环神经网络)构成。另外，第一估计模型14b由使用lstm(long short-term memory：长短期记忆网络)作为中间层的rnn构成。另外，第一估计模型14c由一维cnn(卷积神经网络)构成。
[0052]
第一处理器10例如是具备cpu(central processing unit：中央处理器)等处理器的计算机。第一处理器10也可以是具有写入有程序的rom(read only memory：只读存储器)、用于暂时存储数据的ram(random access memory：随机存取存储器)等的结构。而且，第一处理器10具备第一变量生成部12和第一模型学习部13作为功能要素或功能单元。
[0053]
第一处理器10所具备的这些功能要素例如通过作为计算机的第一处理器10执行存储于第一存储器11的第一学习程序15来实现。另外，第一学习程序15能够存储在计算机能够读取的任意的存储介质中。代替于此，也能够将第一处理器10所具备的上述功能要素的全部或者一部分分别由包含一个以上的电子电路部件的硬件构成。
[0054]
第一变量生成部12从存储装置2读出学习数据3，生成作为分别提供给第一估计模型14a、14b以及14c的状态变量的第一状态变量、第二状态变量以及第三状态变量。第一状态变量、第二状态变量以及第三状态变量包含表示电输入、电输出以及/或者电特性的参数彼此不同的组。
[0055]
具体而言，第一状态变量包含端子电流ite、端子电压vte以及开路电压voc的组作为上述参数，第二状态变量包含端子电流ite、端子电压vte、电流增量δite、电压增量δvte以及开路电压voc的组作为上述参数。另外，第三状态变量包含端子电流ite、端子电压vte、累计电流σite、累计电压σvte以及内部电阻ri的组作为上述参数。
[0056]
在此，电流增量δite是指端子电流ite相对于上次测定时的值的增量，电压增量δvte是指端子电压vte相对于上次测定时的值的增量。另外，累计电流σite是指关于端子电流ite的从规定时间之前到当前为止的累计值，累计电压σvte是指关于端子电压vte的从规定时间之前到当前为止的累计值。
[0057]
第一变量生成部12根据第一学习数据3a生成第一状态变量，并且生成由从第一学习数据3a提取出的各时刻的soc以及soh构成的第一训练数据。第一变量生成部12将所生成的第一状态变量和第一训练数据发送给第一模型学习部13。另外，第一变量生成部12根据第二学习数据3b生成第二状态变量，并且生成由从第二学习数据3b提取出的各时刻的soc以及soh构成的第二训练数据。第一变量生成部12将所生成的第二状态变量和第二训练数据发送给第一模型学习部13。
[0058]
同样地，第一变量生成部12根据第三学习数据3c生成第三状态变量，并且生成由从第三学习数据3c提取出的各时刻的soc以及soh构成的第三训练数据。第一变量生成部12将所生成的第三状态变量和第三训练数据发送给第一模型学习部13。
[0059]
第一模型学习部13通过机器学习使多个第一估计模型14a、14b、14c学习表示工作中的二次电池5的电输入、电输出以及/或者电特性的状态变量与上述工作中的二次电池5的soc以及/或者soh之间的关系。
[0060]
第一模型学习部13使用不同的第一学习数据3a、第二学习数据3b以及第三学习数
据3c来使第一估计模型14a、14b、14c进行学习。具体而言，第一模型学习部13使用第一变量生成部12根据第一学习数据3a生成的上述第一状态变量和第一训练数据使第一估计模型14a进行学习。另外，第一模型学习部13使用第一变量生成部12根据第二学习数据3b生成的上述第二状态变量和第二训练数据，使第一估计模型14b进行学习。同样地，第一模型学习部13使用第一变量生成部12根据第三学习数据3c生成的上述第三状态变量和第三训练数据，使第一估计模型14c进行学习。
[0061]
第一模型学习部13将完成学习的第一估计模型14a、14b、14c存储于存储装置2。由此，第一估计模型14的准备完成。
[0062]
[第二步骤]
[0063]
图3是示出在图1所示的状态估计方法的第二步骤即步骤s102中通过机器学习来准备第二估计模型的第二机器学习装置20的结构的一例的图。在图3中，对于与图2所示的构成要素相同的构成要素，使用与图2所示的附图标记相同的附图标记来表示，引用上述的关于图2的说明。此外，第二估计模型在本实施方式中是机器学习模型，但也可以是具有基于规则的模型等其他模型构造的模型。
[0064]
第二机器学习装置20使用在上述的第一步骤中由第一机器学习装置1生成的3个学习完毕的第一估计模型14a、14b、14c和学习数据生成装置4生成的第四学习数据3d，进行第二估计模型的机器学习。
[0065]
第二机器学习装置20具备第二处理器21和第二存储器22。第二存储器22例如由易失性及/或非易失性的半导体存储器及/或硬盘装置等构成。第二存储器22存储由第二模型学习部24学习的第二估计模型25。
[0066]
第二估计模型25通过机器学习来学习工作中的二次电池的状态变量与以最高的精度估计soc以及soh的一个第一估计模型14的选择之间的关系。即，第二估计模型25是如下的模型：根据工作中的二次电池的状态变量的输入，估计在该状态变量的输入中精度最高的soc和/或soh的一个第一估计模型14是哪一个。
[0067]
另外，在第二存储器22中，从存储装置2读出并存储有在上述的第一步骤中由第一机器学习装置1生成的3个学习完毕的第一估计模型14a、14b、14c。
[0068]
第二处理器21例如是具备cpu等处理器的计算机。第二处理器21也可以是具有写入了程序的rom、用于暂时存储数据的ram等的结构。而且，第二处理器21具备第二变量生成部23及第二模型学习部24作为功能要素或功能单元。
[0069]
第二处理器21所具备的这些功能要素例如通过作为计算机的第二处理器21执行存储于第二存储器22的第二学习程序26来实现。此外，第二学习程序26能够存储在计算机能够读取的任意的存储介质。代替于此，也能够将第二处理器21所具备的上述功能要素的全部或者一部分分别由包含一个以上的电子电路部件的硬件构成。
[0070]
第二变量生成部23从存储装置2读出学习数据3，生成提供给第二估计模型25的状态变量。第二变量生成部23例如从存储装置2读出第四学习数据3d，生成提供给第二估计模型25的第四状态变量，以作为在第二估计模型25的机器学习中使用的学习数据。第四状态变量可以包含：在上述的第一估计模型14的学习中使用的第一状态变量、第二状态变量以及第三状态变量所包含的、表示二次电池的电输入、电输出以及电特性的参数的全部或一部分参数。在本实施方式中，例如，第四状态变量包含端子电流ite、端子电压vte以及开路
电压voc作为上述参数。
[0071]
第二变量生成部23还生成由从第四学习数据3d提取出的各时刻的soc以及soh构成的第四训练数据。然后，第二变量生成部23将上述生成的第四状态变量和第四训练数据发送给第二模型学习部24。
[0072]
另外，第二变量生成部23与上述的第一机器学习装置1的第一变量生成部12同样地，根据第四学习数据3d，生成提供给学习完毕的第一估计模型14a、14b以及14c的第一状态变量、第二状态变量以及第三状态变量。第二变量生成部23将上述生成的第一状态变量、第二状态变量及第三状态变量发送给第二模型学习部24。
[0073]
第二模型学习部24使用第二变量生成部23生成的第四状态变量和第四训练数据来进行第二估计模型25的学习。
[0074]
具体而言，第二模型学习部24首先将第二变量生成部23生成的同一测定时刻的第一状态变量、第二状态变量以及第三状态变量分别输入到第一估计模型14a、14b以及14c，从这些第一估计模型14中的每一个取得soc的估计值。另外，第二模型学习部24算出上述取得的soc估计值的每一个与第四训练数据表示的上述测定时刻的soc之差的绝对值。第二模型学习部24将输出了上述差的绝对值最小的soc估计值的第一估计模型14确定为在上述测定时刻进行精度最高的soc估计的一个第一估计模型14。
[0075]
然后，第二模型学习部24使第二估计模型25学习上述测定时刻的第四状态变量与进行上述精度最高的soc估计的第一估计模型14的确定结果之间的关系。第二模型学习部24变更上述测定时刻的同时反复进行针对第二估计模型25的上述学习。
[0076]
第二模型学习部24将完成了上述学习的第二估计模型25存储于存储装置2。
[0077]
[第三步骤]
[0078]
第三步骤例如由状态估计系统执行。状态估计系统例如具备基于对监视对象物测定的状态变量来估计上述监视对象物的状态的多个第一估计模型。另外，状态估计系统具备第二估计模型，该第二估计模型基于关于监视对象物测定的状态变量，从多个第一估计模型中，估计以最高的精度估计监视对象物的状态的一个第一估计模型是哪一个。另外，状态估计系统具备状态估计部，该状态估计部基于当前测定出的监视对象物的状态变量，通过第二估计模型估计一个第一估计模型，使用估计出的一个第一估计模型，根据当前测定出的监视对象物的状态变量，估计该监视对象物的状态并输出。
[0079]
图4是示出作为这样的状态估计系统的一例的状态估计系统31的结构的图。在图4中，对于与图2以及图3所示的构成要素相同的构成要素，使用与图2以及图3所示的附图标记相同的附图标记来表示，引用上述的关于图2以及图3的说明。
[0080]
图4所示的状态估计系统31例如搭载于车辆30。状态估计系统31根据从搭载于车辆30的工作中的二次电池33取得的状态变量，通过第二估计模型25选择一个第一估计模型14，将该选择出的第一估计模型14估计出的上述工作中的二次电池33的soc作为估计值输出而输出至行驶控制装置32。
[0081]
二次电池33经由特性测定器34和通电控制器35与旋转电机36连接。旋转电机36作为通过来自二次电池33的放电而被供电从而驱动车辆30的车轮的马达发挥功能，并且还作为通过从车轮传递的旋转力进行发电从而对二次电池33进行充电的发电机发挥功能。
[0082]
特性测定器34将包含二次电池33的端子电流ite、端子电压vte、内部电阻ri的、表
示二次电池33的电输入、电输出、以及/或者电特性的参数的测定值输出至状态估计系统31。通电控制器35在搭载于车辆30的行驶控制装置32的控制下，控制从二次电池33向旋转电机36的通电量以及从旋转电机36向二次电池33的通电量。另外，通电控制器35在位于车辆30的外部的外部充电装置37连接到车辆30时，在行驶控制装置32的控制下，控制从外部充电装置37向二次电池33的通电量。外部充电装置37例如是充电站的充电器。另外，在由内燃机驱动的其他发电机搭载于车辆30的情况下，通电控制器35还能够控制从该发电机向二次电池的通电量。
[0083]
行驶控制装置32从状态估计系统31取得表示二次电池33的状态的当前的soc的估计值，基于所取得的soc，控制旋转电机36的动作，并进行向用户的通知。
[0084]
具体而言，行驶控制装置32具有第四处理器60和第四存储器61。第四存储器61例如是半导体存储器，存储第四处理器60中的处理所需的数据。
[0085]
第四处理器60例如是具备cpu等处理器的计算机。第四处理器60也可以是具有写入有程序的rom、用于暂时存储数据的ram等的结构。并且，第四处理器60具备马达控制部62、充电控制部63以及通知控制部64作为功能要素或功能单元。
[0086]
第四处理器60所具备的这些功能要素例如通过作为计算机的第四处理器60执行程序来实现。此外，上述计算机程序可以存储在计算机能够读取的任意的存储介质中。取而代之，也可以由分别包含一个以上的电子电路部件的硬件构成第四处理器60所具备的上述功能要素的全部或一部分。
[0087]
马达控制部62从油门踏板传感器39检测车辆30的油门踏板(未图示)的踩踏量。行驶控制装置32在油门踏板被踩下时，对通电控制器35指示从二次电池33向旋转电机36的通电，使旋转电机36作为马达进行动作而使车辆30行驶。另外，行驶控制装置32以从车速传感器41取得的车辆30的速度成为与上述油门踏板的踩踏量对应的速度的方式经由通电控制器35控制旋转电机36的转速。
[0088]
此时，马达控制部62基于从状态估计系统31取得的当前的soc估计值，例如限制在车辆30的加速时或者恒速行驶时从二次电池33向旋转电机36通电的电流的上限值(最大通电电流)。即，马达控制部例如为了限制旋转电机36的产生扭矩来限制二次电池33的放电，以根据二次电池33以及旋转电机36的特性决定的燃料效率(例如，每1kwh的行驶距离)不小于规定值的方式确定最大通电电流。
[0089]
充电控制部63基于制动踏板传感器40的输出而判断车辆30的制动踏板(未图示)是否被踩踏。而且，在制动踏板被踩踏时，充电控制部63指示马达控制部62停止从二次电池33向旋转电机36的通电。并且，充电控制部63向通电控制器35指示从旋转电机36向二次电池33的通电，使旋转电机36作为发电机进行动作，进行从旋转电机36向二次电池33的充电(所谓的再生制动动作)。
[0090]
另外，在车辆30上连接了外部充电装置37时，充电控制部63经由通电控制器35控制从外部充电装置37向二次电池33的供电量。
[0091]
通知控制部64基于从状态估计系统31取得的当前的soc估计值，在显示装置38进行规定的显示。例如，通知控制部64将所取得的当前的soc估计值简单地显示于显示装置38。例如，当soc估计值低于规定值时，通知控制部64在显示装置38上显示建议车辆30的驾驶员在充电站处进行充电的消息。
[0092]
状态估计系统31执行图1所示的特性估计方法的步骤s104，估计工作中的二次电池33的当前的soc。然后，状态估计系统31将估计出的soc的估计值向行驶控制装置32输出。
[0093]
具体而言，状态估计系统31具有第三处理器50和第三存储器51。第三存储器51由非易失性及易失性的半导体存储器构成。在第三存储器51中，预先从存储装置2读出并保存有通过上述的步骤s100以及s102准备的第一估计模型14a、14b、14c以及第二估计模型25。
[0094]
第三处理器50例如是具备cpu等处理器的计算机。第三处理器50也可以是具有写入了程序的rom、用于暂时存储数据的ram等的结构。而且，第三处理器50具备变量取得部52和状态估计部53作为功能要素或功能单元。
[0095]
第三处理器50所具备的这些功能要素例如通过作为计算机的第三处理器50执行存储于第三存储器51的估计程序54来实现。此外，估计程序54能够存储于计算机能够读取的任意的存储介质。取而代之，也能够通过分别包含一个以上的电子电路部件的硬件来构成第三处理器50所具备的上述功能要素的全部或者一部分。
[0096]
图5中示出具有变量取得部52以及状态估计部53的第三处理器50的功能框图。在图5中，虚线矩形分别表示变量取得部52以及状态估计部53中的处理。
[0097]
变量取得部52以及状态估计部53执行图1所示的特性估计方法的步骤s104。
[0098]
首先，变量取得部52以规定的时间间隔取得工作中的二次电池33的端子电流ite、端子电压vte以及内部电阻ri作为端子电流ite(t)、端子电压vte(t)以及内部电阻r(t)(图5所示的处理200)。另外，变量取得部52根据上述取得的端子电流ite(t)以及端子电压vte(t)，计算电流增量δite(t)以及累计电流σite(t)、电压增量δvte(t)以及累计电压σvte(t)(图5所示的处理202)。另外，变量取得部52根据端子电流ite(t)、端子电压vte(t)以及内部电阻ri(t)来计算开路电压voc(t)(图5所示的处理204)。以下，将变量取得部52取得或计算出的端子电流ite(t)、端子电压vte(t)、内部电阻ri(t)、电流增量δite(t)、累计电流σite(t)、电压增量δvte(t)、累计电压σvte(t)以及开路电压voc(t)统称为状态数据。
[0099]
接着，状态估计部53根据变量取得部52取得或者计算出的状态数据，生成包含端子电流ite(t)、端子电压vte(t)以及开路电压voc(t)的第四状态变量，并输入到第二估计模型25。然后，状态估计部53通过第二估计模型25，取得在上述第四状态变量的当前值中精度最高的一个第一估计模型14是哪一个的选择(或估计)，按照所取得的选择，仅生成向上述精度最高的一个第一估计模型14输入的状态变量(图5所示的处理206)。
[0100]
例如，状态估计部53在第二估计模型25选择或估计出的、上述第四状态变量的当前值中精度最高的一个第一估计模型14为第一估计模型14a时，根据变量取得部52取得或计算出的状态数据，仅生成向第一估计模型14a输入的第一状态变量。如上所述，第一状态变量包含端子电流ite(t)、端子电压vte(t)以及开路电压voc(t)。
[0101]
然后，状态估计部53将上述生成的状态变量输入到对应的第一估计模型14，取得soc的估计值。状态估计部53将取得的soc的估计值作为soc估计值输出而向行驶控制装置32输出(图5所示的处理208)。由此，状态估计部53将第二估计模型25估计出的、第四状态变量的当前值中精度最高的一个第一估计模型14估计出的soc的估计值作为soc估计值输出而向行驶控制装置32输出。
[0102]
[变形例]
[0103]
在上述的实施方式中，如图5所示，状态估计系统31的状态估计部53仅生成向通过
第二估计模型25估计或选择出的、第四状态变量的当前值中精度最高的一个第一估计模型14输入的状态变量，由此通过该估计出的精度最高的第一估计模型14来估计soc。即，在上述的实施方式的第三步骤中，仅使用由第二估计模型估计出的一个第一估计模型，估计作为监视对象物的工作中的二次电池的状态，并输出该估计结果。
[0104]
但是，第三步骤中的处理不限于上述。例如，在第三步骤中，也可以取得关于多个第一估计模型各自的监视对象物的状态的估计结果，并输出上述取得的估计结果中的、第二估计模型估计出的一个第一估计模型的估计结果。即，作为变形例，状态估计部53也可以从全部的第一估计模型14取得soc估计值，基于第二估计模型25的估计结果，选择这些soc估计值中的一个作为soc估计值输出。
[0105]
图6是使用了这样的变形例所涉及的状态估计部53-1的第三处理器50的功能框图。在图6中，对于与图5所示的构成要素相同的构成要素，使用与图5中的附图标记相同的附图标记，引用上述的关于图5的说明。
[0106]
在图6中，状态估计部53-1根据变量取得部52取得或算出的状态数据，生成第一状态变量、第二状态变量以及第三状态变量，并分别输入到第一估计模型14a、14b以及14c。由此，状态估计部53-1从所有的第一估计模型14得到soc估计值(图6所示的处理306)。
[0107]
另外，状态估计部53-1根据变量取得部52取得或计算出的状态数据而生成第四状态变量，并输入到第二估计模型25。由此，状态估计部53-1从第二估计模型25得到在当前的第四状态变量的值中被估计为精度最高的第一估计模型14是哪一个的选择结果(或估计结果)。然后，状态估计部53-1基于上述选择结果，从由所有的第一估计模型14得到的上述soc估计值中，选择被估计为精度最高的第一估计模型14的soc估计值，作为soc估计值输出(图6的处理308)。
[0108]
[其他实施方式]
[0109]
在上述的实施方式中，状态估计系统31是一个装置，但也可以由相互能够通信地连接的服务器装置和客户端装置构成。例如，变量取得部52能够设置于客户端装置，状态估计部53、第一估计模型14以及第二估计模型25能够设置于服务器装置。
[0110]
或者，第一估计模型14也可以全部存储于服务器装置。客户端装置具备第二估计模型25，能够将第二估计模型25估计出的具有最高估计精度的第一估计模型14从服务器装置下载到客户端装置来使用。
[0111]
第二估计模型在上述的实施方式中，基于对监视对象物测定的状态变量，估计以最高的精度估计监视对象物的状态的一个第一估计模型是哪一个，但不限于此。第二估计模型也可以基于对使用监视对象物进行动作的利用装置测定的状态变量，估计以最高的精度估计监视对象物的状态的一个第一估计模型是哪一个。
[0112]
例如，在监视对象物是搭载于车辆的工作中的二次电池的情况下，第二估计模型能够基于关于作为使用该二次电池进行动作的利用装置的上述车辆测定的包含车速、加速度、当前行驶的行驶道路的坡度、车辆的负荷状况等的状态变量，估计以最高的精度估计二次电池的状态的一个第一估计模型是哪一个。
[0113]
关于状态估计方法，在上述的实施方式中，作为一例，将工作中的二次电池作为监视对象物，将该二次电池的soc和/或soh估计为监视对象物的状态，但不限于此。本发明所涉及的状态估计方法能够估计关于任意的监视对象物的任意的状态。例如，本发明所涉及
的状态估计方法能够将车辆作为监视对象物，将该车辆的从交车起的经过年月以及行驶距离作为状态变量，估计搭载于该车辆的部件的寿命作为该车辆的状态。另外，上述状态估计方法也可以将车辆的驾驶员作为监视对象物，将该驾驶员的驾驶时间以及/或者每分钟的心率作为状态变量，估计该驾驶员的驾驶模式、困倦等状态。或者，上述状态估计方法也可以将搭载于车辆的lidar装置作为监视对象物，将车辆所存在的环境的天气、气温、湿度、以及/或者该lidar装置的反射信号的到达时间作为状态变量，估计该车辆为自动驾驶状态时的、存在于该车辆的周围的行人、车辆的位置作为状态。
[0114]
在上述的实施方式中，学习数据3是通过学习数据生成装置4使二次电池5工作来测定工作中的二次电池5的特性而生成的，但不限于此。第一估计模型以及/或者第二估计模型的学习所使用的学习数据能够通过按照关于监视对象物而假定的各种利用方式的模拟来计算。第一估计模型以及/或者第二估计模型能够使用关于监视对象物如上述那样计算出的状态变量的各种时间序列数据来学习。
[0115]
在上述的实施方式中，多个第一估计模型14分别由不同的机器学习模型构成，且分别通过不同的学习数据3进行学习，但不限于此。多个第一估计模型14在各个第一估计模型14之间，只要它们构成的机器学习模型与用于学习的学习数据的组合相互不同，就能够设为由任意的机器学习模型构成且通过任意的学习数据进行学习。
[0116]
例如，多个第一估计模型14也可以全部由相同的机器学习模型构成，分别通过不同的学习数据3进行学习。另外，例如，多个第一估计模型14也可以分别由不同的机器学习模型构成，它们全部通过相同的学习数据3进行学习。
[0117]
另外，输入到各个第一估计模型14的状态变量所包含的、工作中的二次电池的电输入、电输出、以及/或者电特性的参数的组合不限于上述的第一状态变量、第二状态变量、以及第三状态变量的例，能够任意地确定。这样的参数的组合能够包含：在上述的实施方式中例示的端子电流ite(t)、端子电压vte(t)、内部电阻ri(t)、电流增量δite(t)、累计电流σite(t)、电压增量δvte(t)、累计电压σvte(t)以及开路电压voc(t)以外的参数。第二估计模型25的学习中使用的状态变量也同样不限于上述的第四状态变量的例，可以是任意的参数的任意的组合。
[0118]
另外，状态估计系统31所使用的第一估计模型14的数量在上述的实施方式中为3，但能够设为2以上的任意的数量。
[0119]
另外，在上述的实施方式中，第二估计模型25以选择估计精度最高的soc的第一估计模型14的方式进行了学习，但也可以以选择估计精度最高的soh的第一估计模型14的方式进行学习。在该情况下，状态估计系统31可以构成为估计工作中的二次电池33的soh并向行驶控制装置32输出。
[0120]
或者，第二估计模型25也可以以选择估计精度最高的soc的第一估计模型14和估计精度最高的soh的第一估计模型14的方式进行了学习。由此，状态估计系统31能够分别使用估计精度最高的soc的第一估计模型14和估计精度最高的soh的第一估计模型14，确定soc估计值输出和soh估计值输出。
[0121]
此外，本发明不限于上述的实施方式的结构，在不脱离其主旨的范围内能够以各种方式实施。
[0122]
[由上述实施方式和变形例支持的结构]
[0123]
上述的实施方式以及变形例支持以下的结构。
[0124]
(结构1)一种状态估计方法，估计监视对象物的状态，其中，该状态估计方法包括：第一步骤，准备多个第一估计模型，该第一估计模型基于关于所述监视对象物测定的状态变量，估计所述监视对象物的状态；第二步骤，准备第二估计模型，该第二估计模型基于关于所述监视对象物测定的状态变量或者关于使用所述监视对象物进行动作的利用装置测定的状态变量，从所述多个第一估计模型中，估计以最高的精度估计所述监视对象物的所述状态的一个所述第一估计模型是哪一个；以及第三步骤，输出通过所述第二估计模型估计出的一个所述第一估计模型的、关于所述监视对象物的状态的估计结果。
[0125]
根据结构1的状态估计方法，例如，作为根据关于监视对象物测定的当时的状态变量的时间行为等，以最高的精度估计该监视对象物的状态的模型，使用由第二估计模型估计出的一个第一估计模型来进行该监视对象物的状态估计，因此能够更稳定且高精度地估计监视对象物的状态。
[0126]
(结构2)结构1的状态估计方法，在所述第三步骤中，仅使用由所述第二估计模型估计出的一个所述第一估计模型而估计所述监视对象物的所述状态，并输出该估计结果。
[0127]
根据结构2的状态估计方法，仅使用由第二估计模型估计为估计精度最高的一个第一估计模型而估计监视对象物的状态，因此能够减少处理量。
[0128]
(结构3)结构1的状态估计方法，在所述第三步骤中，取得所述多个第一估计模型各自的关于所述监视对象物的所述状态的估计结果，输出所取得的估计结果中的、所述第二估计模型估计出的一个所述第一估计模型的所述估计结果。
[0129]
根据结构3的状态估计方法，能够并行处理基于第二估计模型的估计精度最高的一个第一估计模型的估计和使用了多个第一估计模型的关于监视对象物的状态估计，因此能够提高从监视对象物的状态变量的取得(或生成)到状态估计结果的输出为止的响应性。
[0130]
(结构4)结构1至3中的任意一项的状态估计方法，其中，所述多个第一估计模型中的至少一部分第一估计模型的模型构造不同。
[0131]
根据结构4的状态估计方法，能够使用具有各种特性的多个第一估计模型而估计状态，因此能够得到精度更高的一个估计值输出。
[0132]
(结构5)结构1至4中的任意一项的状态估计方法，其中，所述多个第一估计模型包含机器学习模型。
[0133]
根据结构5的状态估计方法，能够使用能够通过机器学习进行高精度的状态估计的第一估计模型。
[0134]
(结构6)结构1至5中的任意一项的状态估计方法，其中，所述多个第一估计模型中的至少一部分第一估计模型是分别使用不同的学习数据进行学习而得到的机器学习模型。
[0135]
根据结构6的状态估计方法，使用具有通过不同的学习数据学习到的各种特性的第一估计模型，因此能够得到精度更高的估计值输出。
[0136]
(结构7)结构1至6中的任意一项的状态估计方法，其中，所述第一估计模型包含基于规则的模型。
[0137]
根据结构7的状态估计方法，能够使用能够进行有效利用了基于规则模型的特性的精度高的状态估计的第一估计模型。
[0138]
(结构8)结构1至7的状态估计方法，其中，所述多个第一估计模型中的至少一部分
第一估计模型的所输入的所述状态变量中包含的参数的组合互不相同。
[0139]
根据结构8的状态估计方法，在一部分的第一估计模型中使用包含不同的参数的组的状态变量来进行学习，因此能够实现具有各种特性的第一估计模型，能够得到精度更高的估计值输出。
[0140]
(结构9)结构1至8中的任意一项的状态估计方法，其中，所述监视对象物是工作中的二次电池，所述第一估计模型估计所述工作中的二次电池的充电率和/或劣化度作为所述监视对象物的所述状态。
[0141]
根据结构9的状态估计方法，使用作为根据工作中的二次电池的当时的状态变量的时间行为等，以最高的精度估计充电率和/或劣化度的模型，由第二估计模型选择了的一个第一估计模型，进行上述充电率和/或劣化度的估计，因此能够更稳定且高精度地估计工作中的二次电池的充电率和/或劣化度。
[0142]
(结构10)一种状态估计系统，估计监视对象物的状态，其中，所述状态估计系统具备：多个第一估计模型，它们基于关于所述监视对象物测定的状态变量，估计所述监视对象物的状态；第二估计模型，其基于关于所述监视对象物测定的状态变量或者关于使用所述监视对象物进行动作的利用装置测定的状态变量，从所述多个第一估计模型中，估计以最高的精度估计所述监视对象物的所述状态的一个所述第一估计模型是哪一个；以及状态估计部，其基于当前测定出的所述监视对象物的状态变量或者所述利用装置的状态变量，通过所述第二估计模型估计所述第一第一估计模型，使用估计出的一个所述第一估计模型，根据当前测定出的所述监视对象物的状态变量而估计所述监视对象物的所述状态并输出。
[0143]
根据结构10的状态估计系统，例如，使用作为根据关于监视对象物测定的当时的状态变量的时间行为等，以最高的精度估计该监视对象物的状态的模型，由第二估计模型估计出的一个第一估计模型，进行该监视对象物的状态估计，因此能够更稳定且高精度地估计监视对象物的状态。

技术特征：
1.一种状态估计方法，估计监视对象物的状态，其中，该状态估计方法包括：第一步骤，准备多个第一估计模型，该第一估计模型基于关于所述监视对象物测定的状态变量，估计所述监视对象物的状态；第二步骤，准备第二估计模型，该第二估计模型基于关于所述监视对象物测定的状态变量或者关于使用所述监视对象物进行动作的利用装置测定的状态变量，从所述多个第一估计模型中，估计以最高的精度估计所述监视对象物的所述状态的一个所述第一估计模型是哪一个；以及第三步骤，输出通过所述第二估计模型估计出的一个所述第一估计模型的、关于所述监视对象物的状态的估计结果。2.根据权利要求1所述的状态估计方法，其中，在所述第三步骤中，仅使用由所述第二估计模型估计出的一个所述第一估计模型来估计所述监视对象物的所述状态，并输出该估计结果。3.根据权利要求1所述的状态估计方法，其中，在所述第三步骤中，取得所述多个第一估计模型各自的关于所述监视对象物的所述状态的估计结果，输出所取得的估计结果中的、所述第二估计模型估计出的一个所述第一估计模型的所述估计结果。4.根据权利要求1所述的状态估计方法，其中，所述多个第一估计模型中的至少一部分第一估计模型的模型构造不同。5.根据权利要求1所述的状态估计方法，其中，所述多个第一估计模型包含机器学习模型。6.根据权利要求1所述的状态估计方法，其中，所述多个第一估计模型中的至少一部分第一估计模型是分别使用不同的学习数据进行了学习的机器学习模型。7.根据权利要求1所述的状态估计方法，其中，所述第一估计模型包含基于规则的模型。8.根据权利要求1所述的状态估计方法，其中，所述多个第一估计模型中的至少一部分第一估计模型的所输入的所述状态变量中包含的参数的组合彼此不同。9.根据权利要求1至8中的任意一项所述的状态估计方法，其中，所述监视对象物是工作中的二次电池，所述第一估计模型估计所述工作中的二次电池的充电率和/或劣化度作为所述监视对象物的所述状态。10.一种状态估计系统，其估计监视对象物的状态，其中，所述状态估计系统具备：多个第一估计模型，它们基于关于所述监视对象物测定的状态变量，估计所述监视对象物的状态；第二估计模型，其基于关于所述监视对象物测定的状态变量或者关于使用所述监视对象物进行动作的利用装置测定的状态变量，从所述多个第一估计模型中，估计以最高的精度估计所述监视对象物的所述状态的一个所述第一估计模型是哪一个；以及状态估计部，其基于当前测定出的所述监视对象物的状态变量或所述利用装置的状态
变量，通过所述第二估计模型估计一个所述第一估计模型，使用估计出的一个所述第一估计模型，根据当前测定出的所述监视对象物的状态变量而估计所述监视对象物的所述状态并输出。

技术总结
本发明提供状态估计方法以及状态估计系统，更稳定且高精度地估计工作中的二次电池的状态。估计监视对象物(5)的状态的状态估计方法包括：第一步骤(S100)，准备基于关于监视对象物测定的状态变量估计监视对象物的状态的多个第一估计模型(14)；第二步骤(S102)，准备第二估计模型(25)，该第二估计模型(25)基于关于监视对象物测定的状态变量或者关于使用监视对象物进行动作的利用装置(30)测定的状态变量，从多个第一估计模型中，估计以最高的精度估计监视对象物的状态的一个第一估计模型是哪一个；以及第三步骤(S104)，输出通过第二估计模型估计出的一个所述第一估计模型的关于监视对象物的状态的估计结果。于监视对象物的状态的估计结果。于监视对象物的状态的估计结果。


技术研发人员：并木滋 鱼岛稔
受保护的技术使用者：本田技研工业株式会社
技术研发日：2023.02.03
技术公布日：2023/9/25