JP2017026616A - バッテリの状態を推定する方法及び装置 - Google Patents

Abstract

【課題】 バッテリの寿命を推定する方法及び装置を提供すること。
【解決手段】 一実施形態によれば、バッテリ寿命推定装置は、バッテリ検知データに基づいて密度データを取得することができる。バッテリ寿命推定装置は、複数のバッテリマネジメントプロファイルに基づいた密度データセットがクラスタリングされて生成されたクラスタに基づいて密度データから密度特徴を決定し、決定された密度特徴に基づいてバッテリの寿命を推定することができる。
【選択図】 図３

Description

本発明は、バッテリの状態を推定する方法及び装置に関する。

環境問題とエネルギー資源問題が重要視される中で、電気自動車が未来の輸送手段として注目されている。電気自動車は、充放電が可能な複数の二次電池を１つのパックとして形成したバッテリを主動力源として利用するため、ガソリン自動車よりも騒音が小さく、排気ガスを出さないという長所がある。

電気自動車におけるバッテリは、ガソリン自動車のエンジン及び燃料タンクのような役割をするため、電気自動車の利用においてはバッテリの状態を確認することが重要である。二次電池のバッテリを利用するほどバッテリの寿命が減り、バッテリの寿命が減るにつれてバッテリの初期容量を保存することができず、徐々に減少し得る。バッテリ容量が持続的に減少し、運転者が所望する出力、マネジメント時間、及び安全性を提供することができなくなれば、バッテリを交換する必要がある。バッテリを交換する時点を決定するためにバッテリの状態を判断することは重要なことである。

本発明の目的は、バッテリの寿命を推定する方法及び装置を提供することにある。

一実施形態に係るバッテリ寿命推定方法は、バッテリ検知データに基づいて密度データを取得するステップと、複数のバッテリマネジメントプロファイルに基づいた密度データセットがクラスタリングされて生成されたクラスタを用いて前記密度データから密度特徴を決定するステップと、前記密度特徴に基づいてバッテリの寿命を推定するステップとを含む。

一実施形態に係るバッテリ寿命推定方法において、前記密度特徴を決定するステップは、各前記クラスタに含まれる前記密度データの個数に基づいて前記密度特徴を決定してもよい。

一実施形態に係るバッテリ寿命推定方法において、前記密度特徴を決定するステップは、前記クラスタのそれぞれに含まれる前記密度データの個数に基づいてヒストグラムを生成するステップと、前記ヒストグラムに基づいて密度ベクトルを決定するステップとを含んでもよい。

一実施形態に係るバッテリ寿命推定方法において、前記密度データを取得するステップは、同一の時点に検知された複数種類のバッテリ検知データを結合するステップと、前記結合されたバッテリ検知データを時間に応じて累積して前記密度データを取得するステップとを含んでもよい。

一実施形態に係る学習方法は、バッテリ検知データに基づいた複数の密度データを結合して密度データセットを取得するステップと、前記密度データセットを複数のクラスタにクラスタリングするステップと、前記クラスタに基づいて学習データから密度特徴を決定するステップと、前記密度特徴に基づいてバッテリ寿命推定モデルを学習させるステップとを含む。

一実施形態に係る学習方法において、前記密度特徴を決定するステップは、各前記クラスタに含まれる前記学習データのデータ個数に基づいて前記密度特徴を決定してもよい。

一実施形態に係る学習方法は、前記クラスタに関する情報と前記学習されたバッテリ寿命推定モデルに関する情報を格納するステップをさらに含んでもよい。

一実施形態に係るバッテリ寿命推定装置は、バッテリ検知データに基づいて密度データを取得する密度データ取得部と、複数のバッテリマネジメントプロファイルに基づいた密度データセットがクラスタリングされて生成されたクラスタを用いて前記密度データから密度特徴を決定する密度特徴決定部と、前記密度特徴に基づいてバッテリの寿命を推定するバッテリ寿命推定部とを含む。

一実施形態に係る学習装置は、バッテリ検知データに基づいた複数の密度データを結合して密度データセットを取得する密度データセット取得部と、前記密度データセットを複数のクラスタにクラスタリングするクラスタリング部と、前記クラスタに基づいて学習データから密度特徴を決定する密度特徴決定部と、前記密度特徴に基づいてバッテリ寿命推定モデルを学習させる学習部とを含む。

一実施形態に係るバッテリ寿命推定方法は、バッテリ検知データを取得するステップと、バッテリ検知データを空間データに変換するステップと、前記空間データに基づいて空間特徴を決定するステップと、前記空間特徴に基づいてバッテリの寿命を推定するステップとを含む。

一実施形態に係るバッテリ寿命推定方法において、前記バッテリ検知データを空間データに変換するステップは、前記空間データを取得するために前記バッテリ検知データを所定の次元を有する空間上に投影してもよい。

一実施形態に係るバッテリ寿命推定方法において、前記バッテリ検知データを取得するステップは、一定時間区間の間のバッテリ検知データを取得し、前記バッテリ検知データは、前記バッテリから検知されたＮタイプのバッテリデータを含み、前記所定の次元を有する空間は、Ｎ次元空間であり、前記Ｎタイプのバッテリデータのそれぞれは、前記Ｎ次元空間の対応する次元に投影されてもよい。

一実施形態に係るバッテリ寿命推定方法において、前記空間データは、所定の次元を有する空間におけるバッテリ検知データの密度分布を示す密度データであり、前記空間特徴を決定するステップは、複数のバッテリマネジメントプロファイルに基づいて前記空間における前記密度データをクラスタにクラスタリングし、前記クラスタに基づいて前記空間特徴を決定してもよい。

一実施形態に係るバッテリ寿命推定方法において、前記クラスタのそれぞれは、クラスタの重心位置に近い密度データのデータを含んでもよい。

一実施形態に係るバッテリ寿命推定方法において、前記空間特徴を決定するステップは、前記クラスタのそれぞれに含まれる密度データのデータ個数を決定するステップと、前記データ個数に基づいて密度ベクトルを前記空間特徴で決定するステップと、前記密度ベクトルに基づいて前記バッテリの寿命を推定するステップとを含んでもよい。

一実施形態に係るバッテリ寿命推定方法において、前記密度ベクトルは、前記クラスタのそれぞれに対応するエレメントを含み、前記エレメントのそれぞれは、１つのクラスタに含まれた密度データのデータ個数を示してもよい。

一実施形態によれば、バッテリ検知データに基づいてバッテリの寿命をリアルタイムで推定することができる。

一実施形態によれば、バッテリが部分充電された場合においてもバッテリの寿命を推定することが可能になる。

一実施形態によれば、互いに関連する様々な種類のバッテリ検知データを用いることによって特定のバッテリ検知データに敏感にならずに、バッテリの寿命を推定することができる。

一実施形態によれば、バッテリマネジメントのための履歴管理が容易になる。

一実施形態に係るバッテリ寿命推定モデルを学習させるための装置の構成を示す図である。 一実施形態に係るバッテリの寿命を推定する装置の構成を示す図である。 一実施形態に係るバッテリの寿命を推定するシステムの構成を示す図である。 一実施形態に係るバッテリ検知データに基づいて密度データを取得する過程を説明するための図である。 一実施形態に係る密度データの一例を示す図である。 一実施形態に係る密度データセットを取得して、密度データセットをクラスタリングする過程を説明するための図である。 一実施形態に係る密度特徴を決定する過程を説明するための図である。 一実施形態に係る密度特徴を決定する過程を説明するための図である。 一実施形態に係るユーザインターフェースを説明するための図である。 一実施形態に係るバッテリ寿命情報を提供するためのユーザインターフェースを説明するための図である。 一実施形態に係るバッテリ寿命推定モデルを学習させる方法を示す動作フローチャートである。 一実施形態に係るバッテリの寿命を推定する方法を示す動作フローチャートである。

以下、添付の図面を参照しながら、実施形態を詳細に説明する。下記の特定の構造的又は機能的説明は、単に実施形態を説明する目的で例示するものであって、実施形態の範囲が本文で説明される内容に限定されると解釈すべきでない。関連技術分野の通常の知識を有する者であれば、このような記載から様々な修正及び変形が可能である。本明細書における「一実施形態」又は「実施形態」に関する言及は、その実施形態と関連して説明される特定の特徴、構造又は特性が少なくとも１つの実施形態に含まれることを意味し、「一実施形態」又は「実施形態」に関する言及が必ず全て同一の実施形態を指し示すものと理解すべきでない。

また、実施形態で用いる用語は、単に特定の実施形態を説明するために用いたものであり、実施形態を限定しようとする意図はない。単数の表現は文脈上、明白に異なる意味をもたない限り複数の表現を含む。本明細書において、「含む」又は「有する」などの用語は明細書上に記載された特徴、数字、ステップ、動作、構成要素、部品又はこれらを組み合わせたものが存在することを指定しようとするものであって、１つ又はそれ以上の他の特徴や数字、ステップ、動作、構成要素、部品又はこれらを組み合わせたものなどの存在又は付加の可能性を予め排除しないものとして理解しなければならない。

添付の図面を参照して説明することにおいて、図面符号に関係なく同一の構成要素には同一の参照符号を付与し、それに対する重複説明は省略することにする。実施形態の説明において関連の公知技術に対する具体的な説明が実施形態の要旨を不要に曖昧にすると判断される場合、その詳細な説明を省略する。

以下においては、説明の便宜上、電気自動車に備わったバッテリを例に説明するが、実施形態の範囲がこれに限定されると理解すべきでなく、充放電が可能な二次電池を用いる全ての用途に下記の実施形態を適用してもよい。

バッテリは、充放電のサイクルの数が増加するほど老化し、バッテリの寿命が減り得る。バッテリの寿命はバッテリが外部に電力を正常に供給することができる期間を示す。バッテリの寿命は、バッテリの現在の容量値、内部抵抗値、及びＳｏＨ（Ｓｔａｔｅ−Ｏｆ−Ｈｅａｌｔｈ）などに対応し得る。例えば、バッテリに格納される最大電荷量の容量が閾値以下に減少すると、バッテリがアプリケーションから要求される要件を満たすことができなくなり、バッテリの交換が必要になり得る。バッテリを交換する適切な時点を決定するためにバッテリの寿命を正確に推定することが重要になり得る。

図１は、一実施形態に係るバッテリ寿命推定モデルを学習させるための装置の構成を示す図である。学習装置１００にバッテリ寿命推定モデルを学習させる。学習装置１００は、バッテリに関する検知データを収集し、収集された検知データの密度に基づいてバッテリ寿命推定モデルを学習させることができる。バッテリ寿命推定モデルは、学習が完了した後にバッテリの寿命を推定するのに用いられてもよい。以下においては、学習装置１００の動作をより詳しく説明する。

図１を参照すると、学習装置１００は、密度データセット取得部（ｄｅｎｓｉｔｙ ｄａｔａ ｓｅｔ ａｃｑｕｉｒｅｒ）１１０、クラスタリング部１２０、密度特徴決定部（ｄｅｎｓｉｔｙ ｆｅａｔｕｒｅ ｄｅｔｅｒｍｉｎｅｒ）１３０、及びバッテリ寿命推定モデル学習部（ｂａｔｔｅｒｙ ｌｉｆｅ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ ｔｒａｉｎｅｒ）１４０を含む。密度データセット取得部１１０、クラスタリング部１２０、密度特徴決定部１３０、及びバッテリ寿命推定モデル学習部１４０は、１つ以上のプロセッサによって実行されてもよい。

密度データセット取得部１１０は、バッテリ検知データ（ｂａｔｔｅｒｙ ｓｅｎｓｉｎｇ ｄａｔａ）に基づいて密度データを取得し、様々なバッテリのマネジメント状況において取得された密度データから密度データセットを取得する。密度データは収集されたバッテリ検知データが特定の次元（例えば、２次元又は３次元）の空間上に分布された程度を示し、密度データセットは密度データの集合を示す。

密度データセット取得部１１０は、まず、様々な種類のバッテリ検知データを収集し、収集されたバッテリ検知データから密度データを取得する。例えば、密度データセット取得部１１０は、バッテリに関する電圧データ、電流データ、及び温度データを収集し、同一の時点に検知された電圧データ、電流データ、及び温度データを３次元空間上に投影して密度データを取得してもよい。

密度データセット取得部１１０は、様々なバッテリマネジメントプロファイル（ｂａｔｔｅｒｙ ｍａｎａｇｅｍｅｎｔ ｐｒｏｆｉｌｅ）に基づいた密度データを取得し、取得された密度データを結合して密度データセットを取得する。密度データセットが示す領域において互いに隣接するように位置するデータはバッテリの劣化に類似する影響を及ぼすものと考えることができる。

バッテリマネジメントプロファイルによって様々なパターンの密度データが存在してもよい。例えば、電気自動車の場合、都心を走行する時のバッテリマネジメントと高速道路を走行する時のバッテリマネジメントとは互いに異なってもよく、そのため、バッテリ検知データ間のパターンも互いに異なってもよい。したがって、バッテリ検知データに基づく密度データのパターンもバッテリマネジメントによって変わってもよい。密度データセット取得部１１０はこのような様々なパターンの密度データを結合して密度データセットを生成することができる。

クラスタリング部１２０は、密度データセットを複数のクラスタにクラスタリングする。クラスタリング過程を通じて密度データセットが示す全領域が複数の領域に分割され、いずれか１つの分割された領域は１つのクラスタに対応することができる。

クラスタリング部１２０は、例えば、ｋ平均法（ｋ−ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ）を含む様々なクラスタリング方式を用いて密度データセットが示す領域を複数のクラスタに分割することができる。それぞれのクラスタは重心を有しており、特定のクラスタに含まれたデータ（密度データセットのデータ）は他のクラスタの重心より当該特定のクラスタの重心と最も近い距離を有してもよい。各クラスタの重心位置に関する情報を含むクラスタ情報は格納部（図示せず）に格納されてもよい。格納されたクラスタ情報は、バッテリ寿命推定モデルを学習させる過程だけでなくバッテリの寿命を推定する過程でも用いてもよい。

別の実施形態によれば、クラスタリング部１２０はクラスタリングを実行する前に密度データセットの分布を正規化することができる。例えば、クラスタリング部１２０は、密度データセットを構成する互いに異なる種類のバッテリ検知データ間のスケールの差を調整してもよい。正規化過程を通じて、バッテリ検知データ間のスケールの差によって密度データセットの密度が特定方向に偏向されることを防止してもよい。

密度特徴決定部１３０は学習データから密度特徴を決定する。学習データとして特定時間区間におけるバッテリ検知データに基づいて生成された密度データを用いてもよい。例えば、密度特徴決定部１３０は、同一の時点に検知されたバッテリに対する電圧データ、電流データ、及び温度データを特定の次元空間に投影した密度データを学習データとして用いることができる。密度データは、初期時点から特定の時点までの収集されたバッテリ検知データに基づいて生成されてもよい。

密度特徴決定部１３０は、クラスタリング部１２０によって決定されたクラスタに基づいて学習データの密度パターンを定量化することができる。密度特徴決定部１３０は、学習データに含まれた全データに対して各クラスタに含まれるデータの個数をカウントして学習データの密度パターンを定量化することができる。密度特徴決定部１３０は、例えば、各クラスタに含まれるデータの個数をクラスタ別に区分してヒストグラムを生成してもよく、生成されたヒストグラムの情報に基づいて密度特徴を決定してもよい。密度特徴決定部１３０は、クラスタ別に含まれるデータの個数をベクトル化した密度ベクトルを密度特徴として決定してもよい。

バッテリ寿命推定モデル学習部１４０は、密度特徴に基づいてバッテリ寿命推定モデルを学習させる。学習データに対応するターゲット出力値が与えられれば、バッテリ寿命推定モデル学習部１４０は、バッテリ寿命推定モデルから当該ターゲット出力値が出力されるようにバッテリ寿命推定モデルのパラメータを学習させることができる。学習過程を通じて、バッテリ寿命推定モデルに入力される密度特徴から予め与えられたバッテリ寿命値が出力されるようにバッテリ寿命推定モデルを構成するパラメータがアップデートされてもよい。

バッテリ寿命推定モデルは、ブラックボックス関数を含んでもよく、バッテリ寿命推定モデル学習部１４０は、ブラックボックス関数に対して与えられた入力と出力とに基づいてブラックボックス関数のパラメータを学習させることができる。また、バッテリ寿命推定モデルとしてニューラルネットワークモデル、サポートベクトルマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ、ＳＶＭ）モデル又はガウス過程回帰（Ｇａｕｓｓｉａｎ Ｐｒｏｃｅｓｓ Ｒｅｇｒｅｓｓｉｏｎ、ＧＰＲ）モデルなどが用いられるが、バッテリ寿命推定モデルとして用いられる学習モデルはこれらに限定されることなく、様々な学習モデルを用いてもよい。

バッテリ寿命推定モデルとしてニューラルネットワークモデルが用いられる場合、学習パラメータは、人工ニューロン間の接続パターン、重み、及び活性化関数を含んでもよい。ＳＶＭモデルがバッテリ寿命推定モデルとして用いられる場合、学習パラメータは、カーネル関数（ｋｅｒｎｅｌ ｆｕｎｃｔｉｏｎ）及びペナルティパラメータ（ｐｅｎａｌｔｙ ｐａｒａｍｅｔｅｒｓ）を含んでもよい。あるいは、ＧＰＲモデルがバッテリ寿命推定モデルとして用いられる場合、学習パラメータは、カーネル関数及びハイパーパラメータ（ｈｙｐｅｒ−ｐａｒａｍｅｔｅｒｓ）を含んでもよい。

バッテリ寿命推定モデル学習部１４０は、様々な学習データに基づいてバッテリ寿命推定モデルを学習させることができ、学習が完了したバッテリ寿命推定モデルのパラメータ情報を格納部（図示せず）に格納することができる。格納部に格納されたバッテリ寿命推定モデルのパラメータ情報はバッテリの寿命を推定するために用いられてもよい。

図２は、一実施形態に係るバッテリの寿命を推定する装置の構成を示す図である。バッテリ寿命推定装置２３０は、バッテリ２１０の寿命又はバッテリ２１０の現在の劣化状態を推定する。バッテリ寿命推定装置２３０は、バッテリ２１０に対する検知データを収集し、収集された検知データの密度を分析してバッテリ２１０の寿命をリアルタイムで推定する。バッテリ２１０の寿命を推定する過程において、図１の学習装置１００によって決定された各クラスタに関する情報と学習したバッテリ寿命推定モデルとを用いてもよい。以下においては、バッテリ寿命装置の動作をより詳しく説明する。

図２を参照すると、バッテリ寿命推定装置２３０は、密度データ取得部２４０、密度特徴決定部２５０、及びバッテリ寿命推定部２６０を含む。密度データ取得部２４０、密度特徴決定部２５０、及びバッテリ寿命推定部２６０は１つ以上のプロセッサによって実行されてもよい。

検知部２２０はバッテリ検知データを取得する。バッテリ検知データは、例えば、バッテリ２１０に関する電圧データ、電流データ、及び温度データのうちの１つ以上を含んでもよい。また、バッテリ検知データは、圧力センサから取得された圧力データ又は湿度センサから取得された湿度データを含んでもよい。バッテリ検知データは、特定時間区間の間検知された時系列データの形態を有してもよい。図２においては、検知部２２０がバッテリ寿命推定装置２３０の外部に存在するものと表現したが、実際には、検知部２２０がバッテリ寿命推定装置２３０に含まれてもよい。

密度データ取得部２４０は、様々な種類のバッテリ検知データに基づいて密度データ（又は、空間データ）を取得する。例えば、密度データ取得部２４０は、特定時間区間内における同一の時点に検知されたバッテリ２１０に関する電圧データ、電流データ、及び温度データを特定の次元空間に投影して密度データを生成することができる。空間に投影されたそれぞれのデータはポイントとして表現されてもよい。

密度特徴決定部２５０は、密度データから密度特徴（又は空間特徴）を決定する。密度特徴決定部２５０は、バッテリ寿命推定モデルの学習過程において決定されたクラスタ情報に基づいて密度データの密度パターンを定量化することができる。密度特徴決定部２５０は、予め格納されたクラスタに関する情報を用いてクラスタ別の密度を決定し、決定されたクラスタ別の密度に基づいて密度データの密度特徴を示す特徴ベクトルを決定することができる。

一実施形態によれば、密度特徴決定部２５０は、密度データに含まれた全データに対して各クラスタに含まれるデータの個数をカウントし、クラスタ別にカウントされた値に基づいて密度ベクトルを決定することができる。密度データに含まれたデータは、特定の空間的位置を有するポイントと表現されてもよい。密度特徴決定部２５０は、当該ポイントと各クラスタとの重心位置間の距離を算出し、最も距離が短い重心位置を有するクラスタに当該ポイントが含まれるものとして決定することができる。密度特徴決定部２５０は、密度データに含まれた全データに対してこのような過程を繰り返して各クラスタ別にクラスタ領域に含まれるデータの個数をカウントしてもよい。密度特徴決定部２５０はクラスタ別にカウントされた個数情報に基づいて密度ベクトルを決定してもよい。

バッテリ寿命推定部２６０は、密度特徴に基づいてバッテリ２１０の寿命を推定する。バッテリ寿命推定部２６０は、予め学習されたバッテリ寿命推定モデルに密度特徴を入力して現在のバッテリ２１０の寿命を推定することができる。一実施形態によれば、バッテリ寿命推定モデルは、図１で説明した学習過程によって学習されてもよい。

一実施形態によれば、バッテリ寿命推定部２６０は、予め学習されたバッテリ寿命推定モデルのパラメータ情報に基づいてバッテリ寿命推定モデルを構成することができる。バッテリ寿命推定モデルは、密度ベクトルのような密度特徴に基づいてバッテリ２１０の寿命を予測して、予測結果を出力してもよい。バッテリ２１０の寿命に関する情報は、インターフェースを通じてユーザに提供したり又は格納部（図示せず）に格納されてもよい。

バッテリ寿命推定装置２３０は、上記のような過程を通じてバッテリ検知データに基づいてバッテリ２１０の寿命をリアルタイムで推定することができ、バッテリ２１０が部分充電された場合においてもバッテリ２１０の寿命を推定することができる。また、バッテリ寿命推定装置２３０は、互いに関連性を有する様々な種類のバッテリ検知データを用いることによって、所定のバッテリ検知データ（ｐｒｅｄｅｔｅｒｍｉｎｅｄ ｂａｔｔｅｒｙ ｓｅｎｓｉｎｇ ｄａｔａ）に敏感にならずに、バッテリ２１０の寿命を推定することができる。特定の時点まで収集されたバッテリ検知データに基づいてバッテリ２１０の寿命が推定され、推定されたバッテリ２１０の寿命が記録されることによってバッテリマネジメントに対する履歴管理が容易になる。

図３は、一実施形態に係るバッテリの寿命を推定するシステムの構成を示す図である。図３を参照すると、バッテリシステム３００は、バッテリ３３０、電圧センサ３４２、電流センサ３４４、温度センサ３４６、バッテリ制御装置３１０を含む。図３においては、上述のセンサ３４２，３４４、３４６は、バッテリ制御装置３１０の外部に存在するものと表現したが、実際には、センサ３４２、３４４、３４６はバッテリ制御装置３１０に含まれてもよい。

バッテリ３３０は、バッテリ３３０が装着された装置（機器又は機械）に電力を供給し、複数のバッテリモジュールを含んでもよい。複数のバッテリモジュールの容量は互いに同一であってもよく、互いに異なってもよい。

電圧センサ３４２はバッテリ３３０の電圧を検知して電圧データを取得し、電流センサ３４４はバッテリ３３０の電流を検知して電流データを取得する。温度センサ３４６はバッテリ３３０の温度を検知して温度データを取得する。センサ３４２、３４４、３４６はバッテリ３３０の状態をリアルタイムで測定することができる。

バッテリ制御装置３１０は、ＲＴＣ（Ｒｅａｌ Ｔｉｍｅ Ｃｌｏｃｋ）３６０、バッファ３５０、バッテリ寿命推定装置３２０、及びインターフェース部３７０を含む。バッファ３５０は、センサ３４２、３４４、３４６から受信したバッテリ検知データを格納する。ＲＴＣ３６０は、現在の時間を保持して、バッファ３５０に時間情報を提供することができる。バッファ３５０は、ＲＴＣ３６０から受信した時間情報に基づいてセンサ３４２、３４４、３４６からバッテリ検知データを受信した時間を記録することができる。

バッテリ寿命推定装置３２０は、格納部３２２、密度特徴決定部３２４、及びバッテリ寿命推定部３２６を含む。格納部３２２は、学習過程において決定されたクラスタに関する情報と予め学習されたバッテリ寿命推定モデルのパラメータ情報を格納する。クラスタに関する情報は各クラスタの重心位置に関する情報を含んでもよい。格納部３２２は、例えば、ＤＲＡＭメモリ、ＳＲＡＭメモリ、ＦＲＡＭ（登録商標）メモリ、フラッシュメモリ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）などを含んでもよいが、これらに限定されるものではなく、データを格納するための様々な装置を含んでもよい。

密度特徴決定部３２４は、互いに異なる種類のバッテリ検知データから密度データを生成してもよい。密度特徴決定部３２４は、格納部３２２に格納されたクラスタに関する情報に基づいてバッテリ検知データの密度をクラスタ別に定量化してもよい。例えば、密度特徴決定部３２４は、密度データに含まれたデータが各クラスタにどれくらい含まれるかをカウントし、カウント結果に基づいて密度データに対応する密度ベクトルを決定することができる。

バッテリ寿命推定部３２６は、密度ベクトルのような密度特徴を用いてバッテリ３３０の寿命を推定する。バッテリ寿命推定部３２６は、予め学習されたバッテリ寿命推定モデルに密度特徴を入力してバッテリ３３０の寿命を推定する。例えば、バッテリ寿命推定モデルとしてニューラルネットワークモデルが用いられる場合、バッテリ寿命推定部３２６は、格納部３２２に格納されたニューラルネットワークモデルのパラメータ情報をバッテリ寿命推定モデルに適用することができる。バッテリ寿命推定モデルは、入力された密度特徴に基づいてバッテリ３３０の寿命に対する推定値を出力してもよい。

インターフェース部３７０は、推定されたバッテリ３３０の寿命に関する情報を異なる装置に送信したり、又はディスプレイ装置を用いて出力することができる。

図４は、一実施形態に係るバッテリ検知データに基づいて密度データを取得する過程を説明するための図である。学習装置１００及びバッテリ寿命推定装置２３０の全てのバッテリ検知データに基づいて密度データを取得することができる。

図４を参照すると、バッテリの充放電が反復される場合において時間（ｘ軸）によって検知されたバッテリ検知データが図示されている。グラフ４１０は時間によるバッテリ電圧の変化を示し、グラフ４２０は時間によるバッテリ電流の変化を示す。グラフ４３０は時間によるバッテリ温度の変化を示す。

バッテリから検知された様々な種類のバッテリ検知データは互いに有機的な関係を有してもよい。グラフ４１０、４２０、４３０に基づいてバッテリ検知データを分析すると、バッテリを放電する時期には電流値が負の数の値を有し、電圧値は下降して、温度値は上昇する。バッテリを充電する時期には電流値が正の数の値を有し、電圧値は上昇して、温度値は下降する。

それぞれのバッテリ検知データは、独立的に処理されず、様々な種類のバッテリ検知データが特定空間に投影された密度データ４４０の形態で表現されてもよい。密度データ４４０は、例えば、特定の時点において検知されたバッテリの電圧データ、電流データ、及び温度データを３次元のデータ（Ｖ_ｔ、Ｉ_ｔ、Ｔ_ｔ）と表現して空間上に投影して取得されてもよい。ここで、Ｖ_ｔ、Ｉ_ｔ、及びＴ_ｔは、それぞれの時点ｔにおいて検知されたバッテリの電圧値、電流値、及び温度値を示す。密度データ４４０に含まれたそれぞれのポイント４５０は、空間上に投影された特定の時点におけるバッテリ検知データを示す。ここで、ポイント４５０は、同一の時点で検知されたバッテリの電圧情報、電流情報、及び温度情報を含む。バッテリ検知データは、継続的に累積されるため、時間が経つほど密度データ４４０はより多くのポイントを含むことになる。

図４においては、３つの互いに異なるバッテリ検知データ（電圧、電流、及び温度）に基づいて密度データを生成することを説明したが、実施形態の範囲がこれに限定されると理解すべきでない。実施形態によって、２つ又は４つ以上の互いに異なる種類の検知データに基づいて密度データが生成されてもよい。例えば、バッテリの電圧データ及び電流データに基づいて密度データが生成されてもよい。又は、電圧データ、電流データ、温度データ、及び加速度センサから測定された加速度データに基づいて密度データが生成されてもよい。

図５は、一実施形態に係る密度データの一例を示す図である。図５を参照すると、様々なバッテリマネジメントプロファイルに基づいて生成された密度データ５１０が図に示されている。一実施形態によれば、バッテリマネジメントプロファイルは、与えられたバッテリマネジメント環境（ｂａｔｔｅｒｙ ｍａｎａｇｅｍｅｎｔ ｅｎｖｉｒｏｎｍｅｎｔ）においてバッテリを持続的に充放電してバッテリの特性（例えば、バッテリの寿命）の変化を検知するためのプロファイルであってもよい。

バッテリ検知データの密度はバッテリマネジメントパターンによって多様になってもよく、これはバッテリの劣化と関連がある。例えば、電気自動車が市内走行をする場合のバッテリマネジメントパターンが高速道路を走行する場合のバッテリマネジメントパターンと異なってもよく、そのため、バッテリ検知データに基づいた密度データ及びバッテリ容量の減少パターンも互いに異なるように表示され得る。学習装置１００は、様々なバッテリマネジメントプロファイルによるバッテリ検知データを収集し、収集されたバッテリ検知データに基づいて様々なバッテリマネジメント環境における密度データを取得してもよい。

図６は、一実施形態に係る密度データセットを取得して、密度データセットをクラスタリングする過程を説明するための図である。

図６を参照すると、学習装置１００は、様々なバッテリマネジメントパターンによる密度データ５１０を収集し、収集された密度データ５１０に表示されたデータを結合して密度データセット６１０を生成することができる。学習装置１００は、密度データセット６１０を複数のクラスタにクラスタリングすることができる。クラスタリングによって密度データセット６１０が示す全領域が複数のサブ領域に分割されてもよい。１つのサブ領域は１つのクラスタを形成する。

別の実施形態によれば、学習装置１００は、クラスタリングを実行する前に、密度データセット６１０の分布を各軸に従って正規化することができる。正規化過程を通じて、バッテリ検知データの種類別にスケールが異なって特定の軸に密度データセットのデータが偏向することを防いでもよい。学習装置１００は、正規化が行われた密度データセット６１０を複数のクラスタに分割してもよい。

学習装置１００は、例えば、ｋ平均法を含む様々なクラスタリング方式を用いて密度データセット６１０を複数のクラスタに分割することができる。クラスタリングによって複数のクラスタに分割された密度データセット６２０が図６に図示されている。ここでは、ｋ平均法を用いて密度データセット６１０が５０個のクラスタに分割されたと仮定する。特定のクラスタ領域内に位置するポイントは、全てのクラスタの重心のうち当該特定のクラスタ領域の重心に最も近く位置するようになる。

クラスタリング過程が行われた後、学習装置１００は、各クラスタの重心に関する位置情報を含むクラスタ情報を格納部に格納してもよい。例えば、密度データセット６１０が５０個のクラスタに分割された場合、学習装置１００は５０個のクラスタのそれぞれの重心に関する位置情報を格納することができる。格納されたクラスタ情報は、バッテリの寿命を推定する過程において密度特徴を決定するのに用いられてもよい。

図７Ａ及び図７Ｂは、一実施形態に係る密度特徴を決定する過程を説明するための図である。

図７Ａを参照すると、学習装置１００は、特定の時点までのバッテリ検知データに基づいて密度データを取得することができ、取得された密度データを学習データ７１０として用いてもよい。学習装置１００は、学習データ７１０と複数のクラスタによってクラスタリングされた密度データセット６２０を用いて学習データ７１０に対応する密度特徴を決定することができる。

学習装置１００は、学習データ７１０において、各クラスタに含まれるデータの個数をカウントして学習データ７１０を定量化することができる。もし、学習データ７１０に含まれたいずれか１つのデータが任意のポイントｐ（Ｖ_ｔ、Ｉ_ｔ、Ｔ_ｔ）で表現される場合、学習装置１００は、全てのクラスタの重心点とポイントｐとの間の距離を算出した後、最も短い距離を示すクラスタがポイントｐを含むものとして決定することができる。

学習装置１００は、カウント結果の分布をヒストグラム７２０に示すことができる。ヒストグラム７２０は、学習データ７１０を構成するデータが各クラスタに含まれる個数に関する情報を含んでもよい。ヒストグラム７２０におけるビン（ｂｉｎ）のサイズは、各クラスタに含まれるデータの個数を示す。学習装置１００は、各クラスタ別に含まれたデータの個数に基づいて密度特徴を決定することができる。

例えば、学習装置１００は、学習データ７１０から各クラスタ別に含まれるデータの個数を元素とする密度ベクトルを決定してもよい。もし、クラスタリング過程を通じてクラスタが５０個生成された場合、学習装置１００は、５０個のクラスタ別に学習データ７１０のデータが含まれる個数を定量化して５０次元の密度ベクトルを決定することができる。例えば、密度ベクトルは次の式（１）のように示すことができる。

式（１）において、Ｖ_ｔは密度ベクトルを示し、Ｖ_ｉ ^ｔは０からｔ時点までの所定の時間区間の間のｉ番目のクラスタ領域に含まれるデータの個数を示す。

学習装置１００には、決定された密度ベクトルに基づいてバッテリ寿命を推定するためのモデルであるバッテリ寿命推定モデルを学習させることができる。学習装置１００は、様々なバッテリマネジメント状態で収集された学習データと各学習データに対応するバッテリ寿命の実測値を用いてバッテリ寿命推定モデルを学習させることができる。バッテリ寿命の実測値は、例えば、周期的に完全充電／放電を行って減少したバッテリ容量を測定したり、又はバッテリの増加した内部抵抗を測定して取得されてもよい。

学習装置１００は、学習データ７１０から決定された密度ベクトルをバッテリ寿命推定モデルに入力し、バッテリ寿命推定モデルから出力された結果値とバッテリ寿命の実測値（又は、目的とする結果値）との間の差が減るようにバッテリ寿命推定モデルを学習させることができる。学習過程を通じて、バッテリ寿命推定モデルのパラメータを最適化にすることができる。

バッテリ寿命推定モデルとしてニューラルネットワークモデルが用いられる場合、学習装置１００は、誤差逆伝播学習（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ ｌｅａｒｎｉｎｇ）方式などを用いてバッテリ寿命推定モデルを学習させることができる。誤差逆伝播学習法は、与えられた学習データに対して前進算出（ｆｏｒｗａｒｄ ｃｏｍｐｕｔａｔｉｏｎ）でエラーを推定した後、ニューラルネットワークモデルの出力層から開始して隠れ層と入力層の方向に逆に前進して推定したエラーを伝播し、エラーを減らす方向に人工ニューロン間の接続重みをアップデートする方式である。

一実施形態によれば、上述のような過程を通じて学習されたバッテリ寿命推定モデルとバッテリ寿命推定モデルとのパラメータ情報はバッテリ寿命推定装置２３０に搭載されてもよい。例えば、バッテリ寿命推定装置２３０は、電気自動車の運用中にバッテリから検知されるバッテリ検知データを用いてバッテリの寿命をリアルタイムで推定することができる。

バッテリ寿命推定装置２３０は、バッテリから検知された検知データに基づいて密度データを生成し、所定のクラスタに含まれる密度データの個数（又はエレメントの個数）を定量化して密度特徴を決定してもよい。密度データから密度特徴が決定される過程は、学習データ７１０から密度特徴が決定される過程に関する説明がそのまま適用されるため、詳しい内容は省略するようにする。

図７Ｂは、図７Ａと異なるバッテリマネジメントプロファイルに基づいて取得された学習データ７３０を定量化して密度特徴を決定する一例を示す。図７Ａと同様に、学習装置１００は、学習データ７３０と複数のクラスタにクラスタリングされた密度データセット６２０に基づいてヒストグラム７４０を取得することができる。バッテリマネジメントプロファイルによって互いに異なる密度特徴が表示されてもよい。

図８は、一実施形態に係るユーザインターフェースを説明するための図である。

図８を参照すると、バッテリ制御装置は、外部からのトリガ信号を受信し、トリガ信号の受信に応答してバッテリ検知データを取得することができる。バッテリ制御装置は、バッテリが部分充電／放電を行う場合においてもリアルタイムでバッテリの寿命終了時点を推定することができる。例えば、電子制御装置（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ、ＥＣＵ）は、バッテリ及びバッテリ制御装置が装着された電気自動車の始動がオン状態である時、計器盤にユーザインターフェース８１０を表示してもよい。ユーザインターフェース８１０は、トリガ信号を生成するためのインターフェース８２０を含んでもよい。ユーザからインターフェース８２０が選択された場合、電子制御装置は、バッテリ制御装置にトリガ信号を送信してもよい。バッテリ制御装置は、バッテリ検知データを予め決定した区間に分割し、分割された区間に対応する時間情報を累積し、累積された時間情報から少なくとも１つの周期に対応する時間情報を抽出することができる。また、バッテリ制御装置は、累積された時間情報、少なくとも１つの周期に対応する時間情報、及び予め決定した学習情報に基づいて、バッテリの使用による累積された時間情報の変化を予測して予想時間情報を抽出し、予想時間情報に基づいてバッテリの寿命終了時点を推定することができる。

一実施形態においては、バッテリ制御装置は、推定したバッテリの寿命終了時点を電子制御装置（ＥＣＵ）に送信することができ、電子制御装置（ＥＣＵ）は、バッテリ制御装置から受信されたバッテリの寿命終了時点を表示することができる。

図９は、一実施形態に係るバッテリ寿命情報を提供するためのユーザインターフェースを説明するための図である。

図９を参照すると、電気自動車９１０は、バッテリシステム９２０を含む。バッテリシステム９２０は、バッテリ９３０及びバッテリ制御装置９４０を含む。バッテリ制御装置９４０は、バッテリ９３０の寿命を推定した後、無線インターフェースを通じて端末装置９５０にバッテリ９３０の寿命を送信してもよい。

一実施形態においては、バッテリ制御装置９４０は、無線インターフェースを通じて端末装置９５０からのトリガ信号を受信することができ、トリガ信号の受信に応答してバッテリ９３０の寿命を推定することができる。バッテリ制御装置９４０は、推定したバッテリ９３０の寿命を、無線インターフェースを通じて端末装置９５０に送信してもよい。端末装置９５０は、ユーザインターフェース９６０を用いてバッテリ９３０の寿命９７０を表示してもよい。

図１０は、一実施形態に係るバッテリ寿命推定モデルを学習させる方法を示す動作フローチャートである。バッテリ寿命推定モデルを学習させる方法は、学習装置１００によって実行される。

図１０を参照すると、ステップＳ１０１０で、学習装置１００はバッテリ検知データを取得する。学習装置１００は、様々な種類のバッテリ検知データを収集し、収集されたバッテリ検知データに基づいて密度データを生成することができる。

ステップＳ１０２０で、学習装置１００は密度データを結合して密度データセットを取得する。学習装置１００は、様々なバッテリマネジメントプロファイルによる密度データを取得し、密度データに含まれたデータを結合して密度データセットを生成することができる。

ステップＳ１０３０で、学習装置１００は密度データセットを複数のクラスタにクラスタリングする。学習装置１００は、予め設定された個数のクラスタで密度データセットの領域を分割し、クラスタに関する情報を格納することができる。学習装置１００は、クラスタリングを実行する前に密度データセットの分布を正規化することができる。

ステップＳ１０４０で、学習装置１００はクラスタに基づいて学習データから密度特徴を決定する。学習装置１００は、学習データに含まれた全データに対して各クラスタに含まれるデータの個数をカウントして学習データの密度パターンを定量化し、定量化結果に基づいて密度特徴を決定することができる。

ステップＳ１０５０で、学習装置１００は、決定された密度特徴に基づいてバッテリ寿命推定モデルを学習させる。学習装置１００は、様々な機械学習方式を用いてバッテリ寿命推定モデルを学習させ、学習結果としてクラスタに関する情報と学習されたバッテリ寿命推定モデルに関する情報とを格納することができる。

図１０に示したバッテリ寿命推定モデルを学習させる方法には、図１及び図４〜図７Ｂを用いて説明した内容がそのまま適用されるため、詳細な説明を省略する。

図１１は、一実施形態に係るバッテリの寿命を推定する方法を示す動作フローチャートである。

図１１を参照すると、ステップＳ１１１０で、バッテリ寿命推定装置２３０はバッテリ検知データを取得する。バッテリ寿命推定装置２３０は、例えば、バッテリに関する電圧、電流、及び温度に対する検知データを取得することができる。

ステップＳ１１２０で、バッテリ寿命推定装置２３０はバッテリ検知データに基づいて密度データを取得する。バッテリ寿命推定装置２３０は、様々な種類のバッテリ検知データのデータを結合し、結合されたバッテリ検知データを時間によって累積して密度データを取得することができる。

ステップＳ１１３０で、バッテリ寿命推定装置２３０はクラスタを用いて密度データから密度特徴を決定する。バッテリ寿命推定装置２３０は、バッテリ寿命推定モデルの学習過程において決定されたクラスタ情報に基づいて密度データの密度パターンを定量化することができる。バッテリ寿命推定装置２３０は密度データを密度ベクトルに変換してもよい。バッテリ寿命推定装置２３０は、密度データに含まれた全データに対して各クラスタに含まれるデータの個数をカウントし、クラスタ別にカウントされた値に基づいて密度ベクトルを決定してもよい。

ステップＳ１１４０で、バッテリ寿命推定装置２３０は密度特徴に基づいてバッテリの寿命を推定する。バッテリ寿命推定装置２３０は、予め学習されたバッテリ寿命推定モデルに密度特徴を入力して現在のバッテリの寿命を推定することができる。

図１１に示したバッテリの寿命を推定する方法には、図２〜図５及び図７Ａ〜図９において説明した内容がそのまま適用されるため、詳細な説明を省略する。

以上で説明した装置はハードウェア構成要素、ソフトウェア構成要素、及び／又はハードウェア構成要素及びソフトウェア構成要素の組み合わせで実現してもよい。例えば、実施形態で説明した装置及び構成要素は、例えば、プロセッサ、コントローラ、ＡＬＵ（ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）、デジタル信号プロセッサ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、マイクロコンピュータ、ＦＰＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ａｒｒａｙ）、ＰＬＵ（ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｕｎｉｔ）、マイクロプロセッサー、又は、命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行して応答できる異なる装置のように、１つ以上の汎用コンピュータ又は特殊目的コンピュータを用いて実現されてもよい。処理装置は、オペレーティングシステム（ＯＳ）及び該オペレーティングシステム上で行われる１つ以上のソフトウェアアプリケーションを行ってもよい。また、処理装置は、ソフトウェアの実行に応答してデータをアクセス、格納、操作、処理及び生成してもよい。理解の便宜上、処理装置は１つが使用されるものと説明される場合もあるが、当該の技術分野の通常の知識を有する者は、処理装置が複数の処理要素（ｐｒｏｃｅｓｓｉｎｇ ｅｌｅｍｅｎｔ）及び／又は複数類型の処理要素を含んでいることが分かる。例えば、処理装置は、複数のプロセッサ又は１つのプロセッサ及び１つのコントローラを含んでもよい。また、並列プロセッサ（ｐａｒａｌｌｅｌ ｐｒｏｃｅｓｓｏｒ）のような、他の処理構成も可能である。

ソフトウェアはコンピュータプログラム、コード、命令、又は、これらのうちの１つ以上の組み合わせを含んでもよく、希望通りに動作するように処理装置を構成したり、独立的又は結合的に処理装置を命令したりしてもよい。ソフトウェア及び／又はデータは、処理装置によって解釈されたり処理装置に命令又はデータを提供するためどのような類型の機械、構成要素、物理的装置、仮想装置、コンピュータ格納媒体又は装置、又は送信される信号波に永久的に又は一時的に具体化できるソフトウェアは、ネットワークに接続されたコンピュータシステム上に分散し、分散された方式で格納されたり実行されたりしてもよい。ソフトウェア及びデータは１つ以上のコンピュータ読取可能な記録媒体に格納されてもよい。

実施形態に係る方法は、多様なコンピュータ手段を通じて実施することができるプログラム命令の形態で実現され、コンピュータで読取可能な媒体に記録してもよい。該記録媒体は、プログラム命令、データファイル、データ構造などを単独で又は組み合わせて含んでもよい。前記記録媒体及びプログラム命令は、本発明の目的のために特別に設計して構成されたものでもよく、コンピュータソフトウェア分野の技術を有する当業者にとって公知のものであり使用可能なものであってもよい。コンピュータ読取可能な記録媒体の例としては、ハードディスク、フロッピー（登録商標）ディスク及び磁気テープのような磁気媒体、ＣＤ−ＲＯＭ、ＤＶＤのような光記録媒体、フロプティカルディスクのような磁気−光媒体、及びＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令を保存して実行するように特別に構成されたハードウェア装置を含んでもよい。プログラム命令の例としては、コンパイラによって生成されるような機械語コードだけでなく、インタプリタなどを用いてコンピュータによって実行され得る高級言語コードを含む。上述のハードウェア装置は、本発明の動作を行うために１つ以上のソフトウェアモジュールとして作動するように構成してもよく、その逆も同様である。

上述したように、限定された実施形態と図面によって実施形態を説明したが、当該技術分野の通常の知識を有する者であれば、前記の記載から様々な修正及び変形が可能である。例えば、説明した技術が説明した方法と異なる順序で行われたり、及び／又は説明したシステム、構造、装置、回路などの構成要素が説明された方法と異なる形態で結合又は組み合わせたり、他の構成要素又は均等物によって代替、置換されても適切な結果が達成され得る。したがって、本発明の範囲は、開示された実施形態に限定されて定められるものではなく、特許請求の範囲及び特許請求の範囲と均等なものなどによって定められるものである。

１００：学習装置
１１０：密度データセット取得部
１２０：クラスタリング部
１３０：密度特徴決定部
１４０：バッテリ寿命推定モデル学習部
２１０：バッテリ
２２０：検知部
２３０：バッテリ寿命推定装置
２４０：密度データ取得部
２５０：密度特徴決定部
２６０：バッテリ寿命推定部

Claims (26)

1. バッテリ検知データに基づいて密度データを取得するステップと、
   複数のバッテリマネジメントプロファイルに基づいた密度データセットがクラスタリングされて生成されたクラスタを用いて前記密度データから密度特徴を決定するステップと、
   前記密度特徴に基づいてバッテリの寿命を推定するステップと、
   を含むバッテリの寿命を推定する方法。
2. 前記密度特徴を決定するステップは、各前記クラスタに含まれる前記密度データの個数に基づいて前記密度特徴を決定する、請求項１に記載のバッテリの寿命を推定する方法。
3. 前記密度特徴を決定するステップは、各前記クラスタの重心位置に基づいて前記密度データが含まれるクラスタを決定する、請求項２に記載のバッテリの寿命を推定する方法。
4. 前記密度特徴を決定するステップは、
   前記クラスタのそれぞれに含まれる前記密度データの個数に基づいてヒストグラムを生成するステップと、
   前記ヒストグラムに基づいて密度ベクトルを決定するステップと、
   を含む、請求項１乃至３のいずれか一項に記載のバッテリの寿命を推定する方法。
5. 前記密度特徴を決定するステップは、前記クラスタに基づいて前記密度データを密度ベクトルに変換する、請求項１乃至４のいずれか一項に記載のバッテリの寿命を推定する方法。
6. 前記密度データを取得するステップは、
   同一の時点に検知された複数種類のバッテリ検知データを結合するステップと、
   前記結合されたバッテリ検知データを時間によって累積して前記密度データを取得するステップと、
   を含む、請求項１乃至５のいずれか一項に記載のバッテリの寿命を推定する方法。
7. 前記密度データは、時間に応じたバッテリ検知データを空間上の分布で示したデータである、請求項１乃至６のいずれか一項に記載のバッテリの寿命を推定する方法。
8. 前記バッテリ検知データは、バッテリの電圧データ、電流データ、及び温度データのうちの少なくとも１つを含む、請求項１乃至７のいずれか一項に記載のバッテリの寿命を推定する方法。
9. 前記密度データセットは、複数のバッテリマネジメントプロファイルに基づいた密度データが結合されたものである、請求項１乃至８のいずれか一項に記載のバッテリの寿命を推定する方法。
10. 前記バッテリの寿命を推定するステップは、
    バッテリ寿命推定モデルを用いて前記密度特徴から前記バッテリの寿命を推定し、
    前記バッテリ寿命推定モデルは、ニューラルネットワークモデル、サポートベクトルマシンモデル（ＳＶＭ）、及びガウス過程回帰モデル（ＧＰＲ）のうちのいずれか１つに基づく、請求項１乃至９のいずれか一項に記載のバッテリの寿命を推定する方法。
11. ハードウェアと結合して、請求項１乃至１０のいずれか一項に記載の方法を行うために媒体に格納されたコンピュータプログラム。
12. バッテリ検知データに基づいた複数の密度データを結合して密度データセットを取得するステップと、
    前記密度データセットを複数のクラスタにクラスタリングするステップと、
    前記クラスタに基づいて学習データから密度特徴を決定するステップと、
    前記密度特徴に基づいてバッテリ寿命推定モデルを学習させるステップと、
    を含むバッテリ寿命推定モデルを学習させる方法。
13. 前記密度特徴を決定するステップは、各前記クラスタに含まれる学習データのデータ個数に基づいて前記密度特徴を決定する、請求項１２に記載のバッテリ寿命推定モデルを学習させる方法。
14. 前記密度特徴を決定するステップは、前記クラスタの各クラスタの重心位置に基づいて前記学習データのデータが含まれるクラスタを決定する、請求項１３に記載のバッテリ寿命推定モデルを学習させる方法。
15. 前記密度特徴を決定するステップは、
    前記クラスタのそれぞれに含まれる学習データのデータ個数に基づいてヒストグラムを生成するステップと、
    前記ヒストグラムに基づいて密度ベクトルを決定するステップと、
    を含む、請求項１２乃至１４のいずれか一項に記載のバッテリ寿命推定モデルを学習させる方法。
16. 前記クラスタに関する情報と前記学習されたバッテリ寿命推定モデルに関する情報とを格納するステップをさらに含む、請求項１２乃至１５のいずれか一項に記載のバッテリ寿命推定モデルを学習させる方法。
17. 前記密度データセットを正規化するステップ
    をさらに含み、
    前記クラスタリングするステップは、
    前記正規化された密度データセットを複数のクラスタにクラスタリングする、請求項１２乃至１６のいずれか一項に記載のバッテリ寿命推定モデルを学習させる方法。
18. 前記密度データセットを取得するステップは、
    複数のバッテリマネジメントプロファイルに基づいた密度データを取得するステップと、
    前記取得した密度データを結合して前記密度データセットを取得するステップと、
    を含む、請求項１２乃至１７のいずれか一項に記載のバッテリ寿命推定モデルを学習させる方法。
19. 前記密度データセットを取得するステップは、
    同一の時点に検知された複数種類のバッテリ検知データを結合するステップと、
    前記結合されたバッテリ検知データを時間によって累積するステップと、
    を含む、請求項１２乃至１８のいずれか一項に記載のバッテリ寿命推定モデルを学習させる方法。
20. バッテリ検知データを取得するステップと、
    バッテリ検知データを空間データに変換するステップと、
    前記空間データに基づいて空間特徴を決定するステップと、
    前記空間特徴に基づいてバッテリの寿命を推定するステップと、
    を含むバッテリの寿命を推定する方法。
21. 前記バッテリ検知データを空間データに変換するステップは、前記空間データを取得するために前記バッテリ検知データを所定の次元を有する空間上に投影する、請求項２０に記載のバッテリの寿命を推定する方法。
22. 前記バッテリ検知データを取得するステップは、
    一定時間区間の間のバッテリ検知データを取得し、
    前記バッテリ検知データは、前記バッテリから検知されたＮタイプのバッテリデータを含み、
    前記所定の次元を有する空間は、Ｎ次元空間であり、
    前記Ｎタイプのバッテリデータのそれぞれは、前記Ｎ次元空間の対応する次元に投影される、請求項２１に記載のバッテリの寿命を推定する方法。
23. 前記空間データは、所定の次元を有する空間におけるバッテリ検知データの密度分布を示す密度データであり、
    前記空間特徴を決定するステップは、
    複数のバッテリマネジメントプロファイルに基づいて前記空間における前記密度データをクラスタにクラスタリングし、前記クラスタに基づいて前記空間特徴を決定する、請求項２０乃至２２のいずれか一項に記載のバッテリの寿命を推定する方法。
24. 前記クラスタのそれぞれは、クラスタの重心位置に近い密度データのデータを含む、請求項２３に記載のバッテリの寿命を推定する方法。
25. 前記空間特徴を決定するステップは、
    前記クラスタのそれぞれに含まれる密度データのデータ個数を決定するステップと、
    前記データ個数に基づいて密度ベクトルを前記空間特徴で決定するステップと、
    前記密度ベクトルに基づいて前記バッテリの寿命を推定するステップと、
    を含む、請求項２４に記載のバッテリの寿命を推定する方法。
26. 前記密度ベクトルは、前記クラスタのそれぞれに対応するエレメントを含み、
    前記エレメントのそれぞれは、１つのクラスタに含まれた密度データのデータ個数を示す、請求項２５に記載のバッテリの寿命を推定する方法。