JP2019168452A - 劣化推定装置、コンピュータプログラム及び劣化推定方法 - Google Patents

劣化推定装置、コンピュータプログラム及び劣化推定方法 Download PDF

Info

Publication number
JP2019168452A
JP2019168452A JP2019050400A JP2019050400A JP2019168452A JP 2019168452 A JP2019168452 A JP 2019168452A JP 2019050400 A JP2019050400 A JP 2019050400A JP 2019050400 A JP2019050400 A JP 2019050400A JP 2019168452 A JP2019168452 A JP 2019168452A
Authority
JP
Japan
Prior art keywords
time point
soh
soc
storage element
representative value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2019050400A
Other languages
English (en)
Other versions
JP6579287B1 (ja
Inventor
南 鵜久森
Minami Ukumori
南 鵜久森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GS Yuasa Corp
Original Assignee
GS Yuasa Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GS Yuasa Corp filed Critical GS Yuasa Corp
Application granted granted Critical
Publication of JP6579287B1 publication Critical patent/JP6579287B1/ja
Publication of JP2019168452A publication Critical patent/JP2019168452A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/052—Li-accumulators
    • H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • H02J7/0049—Detection of fully charged condition
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/005—Detection of state of health [SOH]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Materials Engineering (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

【課題】ＡＩを用いた蓄電素子の劣化を推定する劣化推定装置、コンピュータプログラム及び劣化推定方法を提供する。【解決手段】劣化推定装置は、蓄電素子の第１時点でのＳＯＨ及び第１時点より後の第２時点でのＳＯＨを取得するＳＯＨ取得部と、第１時点から第２時点までの間の蓄電素子のＳＯＣの代表値を取得する代表値取得部と、第１時点でのＳＯＨ及び代表値を入力データとし、第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる学習処理部とを備える。【選択図】図４

Description

本発明は、劣化推定装置、コンピュータプログラム及び劣化推定方法に関する。
蓄電素子（Energy Storage Device）は、無停電電源装置、安定化電源に含まれる直流
又は交流電源装置等に広く使用されている。また、再生可能エネルギー又は既存の発電システムにて発電された電力を蓄電しておく大規模なシステムでの蓄電素子の利用が拡大している。
蓄電モジュールは、蓄電セルが直列に接続された構成となっている。蓄電セルは、充放電を繰り返すことで劣化が進行することが知られている。特許文献１には、車両用の二次電池について、容量管理や安全管理の必要性から学習済みのニューラルネットワーク部に温度センサで検出した電池電圧を入力して二次電池のＳＯＣ（充電状態）などを検出する技術が開示されている。
特開２００８−２３２７５８号公報
ＳＯＣの算出には、例えば、電流積算法などの手法が用いられる。比較的短時間の電流データでＳＯＣを算出することが可能である。このため、ニューラルネットワーク部を学習させるための学習用データは収集しやすい。しかし、蓄電素子のＳＯＨ（State Of Health）の変化は、ＳＯＣの変化に比べて時間がかかるため、ＳＯＨの推定は容易ではない。
本発明は、ＡＩを用いた蓄電素子の劣化を推定する劣化推定装置、コンピュータプログラム及び劣化推定方法を提供することを目的とする。
蓄電素子の劣化を推定する劣化推定装置は、蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得するＳＯＨ取得部と、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する代表値取得部と、前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる学習処理部とを備える。
コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムは、コンピュータに、蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得する処理と、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する処理と、前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる処理とを実行させる。
蓄電素子の劣化を推定する劣化推定方法は、蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得し、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得し、前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる。
ＳＯＨ取得部は、蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得する。蓄電素子は、例えば、移動体や施設において稼働している蓄電素子であってもよい。監視装置などによって、蓄電素子からセンサ情報（例えば、電流、電圧、及び温度）を収集することができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７−０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。第１時点と第２時点との間の期間は、適宜設定することができ、例えば、１か月、３か月としてもよい。センサ情報に周期性がある場合は、第１時点と第２時点との間の期間を、センサ情報の周期で区切ってもよい。その際、ＳＯＨは、第１時点と第２時点の内挿値を用いてもよい。
代表値取得部は、第１時点から第２時点までの間の蓄電素子のＳＯＣの代表値を取得する。リチウムイオン電池は、充放電や放置により電極と電解液の界面に固体電解質界面層（ＳＥＩ層）が生成され、ＳＥＩ層が成長するにつれてＳＯＨが低下する。本願発明者は、ＳＥＩ層の成長はＳＯＣに依存するという仮説に基づき、蓄電素子のＳＯＨの低下に影響を与えるＳＯＣの代表値を取得してＡＩの学習に使用することを発案した。ＳＯＣの代表値は、稼働中の蓄電素子の詳細な挙動を抽象化した情報ということができる。
学習処理部は、第１時点でのＳＯＨ及び代表値を入力データとし、第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる。例えば、第１時点でのＳＯＨをＳＯＨ（Ｎ）で表し、第２時点でのＳＯＨをＳＯＨ（Ｎ＋１）で表すとする。学習モデルは、第１時点でのＳＯＨがＳＯＨ（Ｎ）であり、第１時点から第２時点までの蓄電素子のＳＯＣの代表値に応じて、第２時点でのＳＯＨがＳＯＨ（Ｎ＋１）になるということを学習する。
このような学習データは、第１時点のＳＯＨ、第２時点のＳＯＨ、及び第１時点と第２時点との間のＳＯＣの代表値を含む。ＳＯＣの代表値は、学習モデルを学習させるための情報を抽象化、あるいは加工した統計量と言える。これにより、比較的少ない情報量で学習モデルを学習させることができ、蓄電素子の大量のデータを必要としない。
ある時点（例えば、現在）のＳＯＨ、及び当該時点から予測対象時点までのＳＯＣの代表値を学習済の学習モデルに入力すれば、予測対象時点でのＳＯＨを推定することができる。これにより、ＡＩを用いて蓄電素子の劣化を推定することができる。
蓄電素子の劣化を推定する劣化推定装置は、蓄電素子の第１時点でのＳＯＨを取得するＳＯＨ取得部と、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する代表値取得部と、前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを推定する学習済の学習モデルとを備える。
コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムは、コンピュータに、蓄電素子の第１時点でのＳＯＨを取得する処理と、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する処理と、前記第１時点でのＳＯＨ及び前記代表値を学習済の学習モデルに入力して前記第２時点でのＳＯＨを推定する処理とを実行させる。
蓄電素子の劣化を推定する劣化推定方法は、蓄電素子の第１時点でのＳＯＨを取得し、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得し、前記第１時点でのＳＯＨ及び前記代表値を学習済の学習モデルに入力して前記第２時点でのＳＯＨを推定する。
ＳＯＨ取得部は、蓄電素子の第１時点でのＳＯＨを取得する。監視装置などによって、蓄電素子からセンサ情報（例えば、電流、電圧、及び温度）を収集することができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７−０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。また、第１時点でのＳＯＨは、第１時点よりも前の時点でのＳＯＨに基づいて、学習済の学習モデルにより推定した値を用いることもできる。これにより、任意の期間において、連続的にＳＯＨを推定することが可能となる。
代表値取得部は、第１時点から第２時点までの間の蓄電素子のＳＯＣの代表値を取得する。第２時点は、ＳＯＨを推定する予測対象時点である。蓄電素子のＳＯＣの代表値は、稼働中の蓄電素子の第１時点から第２時点までの間における詳細な挙動を抽象化することにより求めることができる。
学習済の学習モデルは、第１時点でのＳＯＨ及びＳＯＣの代表値を入力データとして、第２時点でのＳＯＨを推定する。これにより、第１時点（例えば、現在）のＳＯＨ、及び第１時点から第２時点（予測対象時点）までの蓄電素子のＳＯＣの代表値が分かれば、第２時点でのＳＯＨを推定することができる。また、第１時点から第２時点までの蓄電素子のＳＯＣの代表値をどのように設定すれば、第２時点でのＳＯＨをより大きく（ＳＯＨの低下を抑制）することができるかを判定することもできる。
劣化推定装置は、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの推移を推定するＳＯＣ推定部を備え、前記代表値取得部は、前記ＳＯＣの推移に基づいて前記第１時点から第２時点までの間の、ＳＯＣの総変動量、及びＳＯＣの変動幅の少なくともいずれか一つを取得してもよい。
ＳＯＣ推定部は、第１時点から第２時点までの間の蓄電素子のＳＯＣの推移を推定する。例えば、第１時点から第２時点までの間の蓄電素子のＳＯＣの時系列のデータ量が十分でなく、ＳＯＣの値が不明な時間又は時間帯が存在するような場合、得られているＳＯＣのデータに基づいて、データが存在した箇所のＳＯＣ値を補間することにより、ＳＯＣの推移のパターンを推定することができる。これにより、大量のセンサ情報を必要としない。
代表値取得部は、ＳＯＣの推移に基づいて第１時点から第２時点までの間のＳＯＣの平均を取得する。ＳＯＣの平均は、第１時点から第２時点までの間のＳＯＣの値をサンプリングして合計した値をサンプリング数で除算した値であり、中心ＳＯＣである。蓄電素子のＳＯＣが変動する場合、ＳＯＣの平均に応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間のＳＯＣの平均を学習モデルに学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
代表値取得部は、ＳＯＣの推移に基づいて第１時点から第２時点までの間のＳＯＣの総変動量を取得する。ＳＯＣの総変動量は、第１時点から第２時点までのＳＯＣがどのように変動したかの経路に沿った変動量の積算である。蓄電素子のＳＯＣが変動する場合、ＳＯＣの総変動量に応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間のＳＯＣの総変動量を学習モデルに学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
代表値取得部は、ＳＯＣの推移に基づいて第１時点から第２時点までの間のＳＯＣの変動幅を取得する。ＳＯＣの変動幅は、第１時点から第２時点までの間のＳＯＣの最大値と最小値との差である。蓄電素子のＳＯＣが変動する場合、ＳＯＣの変動幅に応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間のＳＯＣの変動幅を学習モデルに学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
劣化推定装置は、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの推移を推定するＳＯＣ推定部を備え、前記代表値取得部は、前記ＳＯＣの推移を前記代表値として取得してもよい。
ＳＯＣ推定部は、第１時点から第２時点までの間の蓄電素子のＳＯＣの推移を推定する。例えば、第１時点から第２時点までの間の蓄電素子のＳＯＣの時系列のデータ量が十分でなく、ＳＯＣの値が不明な時間又は時間帯が存在するような場合、得られているＳＯＣのデータに基づいて、データが存在した箇所のＳＯＣ値を補間することにより、ＳＯＣの推移のパターンを推定することができる。これにより、大量のセンサ情報を必要としない。
代表値取得部は、ＳＯＣの推移を代表値として取得する。第１時点から第２時点までの間のＳＯＣの推移のパターンに応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間のＳＯＣの推移のパターンを学習モデルに学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
劣化推定装置は、前記第１時点から第２時点までの間の前記蓄電素子の温度の推移を取得する温度取得部を備え、前記学習処理部は、前記温度の推移をさらなる入力データとする学習データに基づいて学習モデルを学習させてもよい。
温度取得部は、第１時点から第２時点までの間の蓄電素子の温度の推移を取得する。取得する温度の推移は、実測値でもよく、推定値でもよい。例えば、第１時点から第２時点までの間の蓄電素子の温度の時系列のデータ量が十分でなく、温度の値が不明な時間又は時間帯が存在するような場合、得られている温度のデータに基づいて、データが存在した箇所の温度を補間することにより、温度の推移のパターンを推定することができる。これにより、大量のセンサ情報を必要としない。
学習処理部は、温度の推移を入力データとする学習データに基づいて学習モデルを学習させる。第１時点から第２時点までの間の温度の推移のパターンに応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間の温度の推移のパターンを学習モデルに学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
劣化推定装置において、前記温度取得部は、前記第１時点から第２時点までの間の前記蓄電素子の温度の代表値を取得し、前記学習処理部は、前記温度の代表値をさらなる入力データとする学習データに基づいて学習モデルを学習させてもよい。
温度の代表値は、学習モデルを学習させるための情報を抽象化、あるいは加工した統計量と言える。学習処理部は、温度の代表値を入力データとする学習データに基づいて学習モデルを学習させる。第１時点から第２時点までの間の温度の代表値に応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間の温度の代表値を学習モデルに学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
劣化推定装置において、前記学習処理部は、前記蓄電素子の製造時点から前記第１時点までの経過期間をさらなる入力データとする学習データに基づいて学習モデルを学習させてもよい。
学習処理部は、蓄電素子の製造時点から第１時点までの経過期間を入力データとする学習データに基づいて学習モデルを学習させる。蓄電素子は、放置時間にともないＳＯＨが低下する（カレンダー劣化）。第１時点以降のＳＯＨの低下は、製造時点（例えば、製造完了時点）から第１時点までの経過時間の長短に依存すると考えられる。そこで、蓄電素子の製造時点から第１時点までの経過期間を入力データとする学習データをさらに生成することにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
劣化推定装置において、前記学習処理部は、前記蓄電素子の製造時点から前記第１時点までの充放電回数をさらなる入力データとする学習データに基づいて学習モデルを学習させてもよい。
学習処理部は、蓄電素子の製造時点から第１時点までの総通電電気量（例えば、充放電回数を特定することができる場合には充放電回数でもよい）を入力データとする学習データに基づいて学習モデルを学習させる。蓄電素子は、充放電回数にともないＳＯＨが低下する（サイクル劣化）。第１時点以降のＳＯＨの低下は、製造時点（例えば、製造完了時点）から第１時点までの充放電回数の多少に依存すると考えられる。
そこで、充放電回数を特定することができる場合、蓄電素子の製造時点から第１時点までの充放電回数を入力データとする学習データをさらに生成することにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。なお、充放電回数を特定することができない場合には、充放電回数に代えて総通電電気量を用いてもよい。
劣化推定装置において、前記学習処理部は、前記第１時点から第２時点までの学習期間を前記蓄電素子の使用期間に亘って複数設けて学習データに基づいて学習モデルを学習させてもよい。
学習処理部は、第１時点から第２時点までの学習期間を蓄電素子の使用期間に亘って複数設けて学習データに基づいて学習モデルを学習させる。第１時点から第２時点までの学習期間をΔＮとすると、例えば、蓄電素子の製造時点から寿命までの使用期間に亘って、複数の学習期間ΔＮそれぞれの学習用データを用いて学習モデルを学習させることにより、蓄電素子の製造後、寿命に達するまでの所要の時点でのＳＯＨを推定することが可能となる。
劣化推定装置は、学習処理部が学習させた学習済の学習モデルを用いて蓄電素子の劣化を推定する。これにより、第１時点（例えば、現在）のＳＯＨ、及び第１時点から第２時点（予測対象時点）までの蓄電素子のＳＯＣの代表値が分かれば、第２時点でのＳＯＨを推定することができる。また、第１時点から第２時点までの蓄電素子のＳＯＣの代表値をどのように設定すれば、第２時点でのＳＯＨをより大きく（ＳＯＨの低下を抑制）することができるかを判定することもできる。
蓄電素子の劣化を推定する劣化推定装置は、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値を入力し、前記劣化シミュレータが出力するＳＯＨを取得する出力値取得部と、前記劣化シミュレータに入力したＳＯＣの代表値を取得する入力値取得部と、前記入力値取得部で取得したＳＯＣの代表値及び前記出力値取得部で取得したＳＯＨを学習データとして用いて学習モデルを学習させる学習処理部と、蓄電素子のＳＯＣの代表値を取得する代表値取得部と、前記蓄電素子のＳＯＨを取得するＳＯＨ取得部と、前記代表値取得部で取得したＳＯＣの代表値及び前記ＳＯＨ取得部で取得したＳＯＨを学習データとして用いて前記学習処理部で学習させた前記学習モデルを再学習させる再学習処理部とを備える。
コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムは、コンピュータに、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値が入力されて、前記劣化シミュレータが出力するＳＯＨを取得する処理と、前記劣化シミュレータに入力したＳＯＣの代表値を取得する処理と、取得したＳＯＣの代表値及び取得したＳＯＨを学習データとして用いて学習モデルを学習させる処理と、蓄電素子のＳＯＣの代表値を取得する処理と、前記蓄電素子のＳＯＨを取得する処理と、取得したＳＯＣの代表値及び取得したＳＯＨを学習データとして用いて、学習させた前記学習モデルを再学習させる処理とを実行させる。
蓄電素子の劣化を推定する劣化推定方法は、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値を入力し、前記劣化シミュレータが出力するＳＯＨを取得し、前記劣化シミュレータに入力したＳＯＣの代表値を取得し、取得されたＳＯＣの代表値及び取得されたＳＯＨを学習データとして用いて学習モデルを学習させ、蓄電素子のＳＯＣの代表値を取得し、前記蓄電素子のＳＯＨを取得し、取得されたＳＯＣの代表値及び取得されたＳＯＨを学習データとして用いて、学習させた前記学習モデルを再学習させる。
出力値取得部は、蓄電素子のＳＯＣの変動に基づいて当該蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値を入力して劣化シミュレータが出力するＳＯＨを取得する。
劣化シミュレータは、ＳＯＣの代表値に基づくＳＯＣの推移及び蓄電素子の温度に基づいて蓄電素子のＳＯＨの劣化値を推定することができる。蓄電素子の劣化予測対象期間（例えば、時点ｔから時点ｔ＋１まで）経過後の劣化値Ｑｄｅｇは、Ｑｄｅｇ＝Ｑｃｎｄ＋Ｑｃｕｒという式で算出できる。ここで、Ｑｃｎｄは非通電劣化値であり、Ｑｃｕｒは通電劣化値である。非通電劣化値Ｑｃｎｄは、例えば、Ｑｃｎｄ＝Ｋ１×√（ｔ）で求めることができる。ここで、係数Ｋ１は、ＳＯＣ及び温度Ｔの関数である。ｔは経過時間であり、例えば、時点ｔから時点ｔ＋１までの時間である。また、通電劣化値Ｑｃｕｒは、例えば、Ｑｃｕｒ＝Ｋ２×√（ｔ）で求めることができる。ここで、係数Ｋ２は、ＳＯＣ及び温度Ｔの関数である。時点ｔでのＳＯＨをＳＯＨｔとし、時点ｔ＋１でのＳＯＨをＳＯＨt+1 とすると、ＳＯＨt+1＝ＳＯＨｔ−ＱｄｅｇによりＳＯＨを推定することができる。係数Ｋ１は、劣化係数であり、ＳＯＣ及び温度Ｔと係数Ｋ１との対応関係を演算で求めてもよく、あるいはテーブル形式で記憶しておくことができる。ここで、ＳＯＣは、例えば、中心ＳＯＣ、ＳＯＣ変動幅などの代表値とすることができる。係数Ｋ２についても、係数Ｋ１と同様である。
入力値取得部は、劣化シミュレータに入力したＳＯＣの代表値を取得する。
学習処理部は、入力値取得部で取得したＳＯＣの代表値及び出力値取得部で取得したＳＯＨを学習データとして用いて学習モデルを学習させる。劣化シミュレータに様々なパターンのＳＯＣの代表値を入力すると、劣化シミュレータは、入力したＳＯＣの代表値に対する精度の高い劣化値（すなわち、ＳＯＨ）を出力する。様々なＳＯＣの代表値は、シミュレーション用に比較的容易に生成できるので、学習モデルの学習用データを容易に生成することができ、学習モデルの推定精度（正答率）を容易に高めることができる。
代表値取得部は、蓄電素子のＳＯＣの代表値を取得する。ＳＯＣの代表値は、稼働中の蓄電素子の詳細な挙動を抽象化した情報ということができ、センサ情報から得られたＳＯＣの推移から求めることができ、例えば、ＳＯＣの平均、ＳＯＣの総変動量、ＳＯＣの変動幅などを含む。なお、ＳＯＣの代表値は、ＳＯＣの推移の実測値に基づいて求めることができるが、実測値の他に計算値を用いてもよい。
ＳＯＨ取得部は、当該蓄電素子のＳＯＨを取得する。蓄電素子からセンサ情報（例えば、電流、電圧、及び温度）を収集することができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７−０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。
再学習処理部は、代表値取得部で取得したＳＯＣの代表値及びＳＯＨ取得部で取得したＳＯＨを学習データとして用いて学習処理部で学習させた学習モデルを再学習させる。センサ情報を収集して得られたＳＯＣの代表値やＳＯＨは、例えば、推移のパターンが複雑となり、これらのデータを学習用データとして用いて未学習の学習モデルを学習させる場合、学習モデルの推定精度（正答率）を高めるのに大量の学習用データを必要とする傾向がある。予め、劣化シミュレータを用いることにより、比較的容易に学習データを得ることができ、未学習の学習モデルの推定精度を高めておくことができるので、再学習処理によって、大量の学習用データが無くても学習モデルの精度をさらに高めることができ、蓄電素子の劣化推定の精度を高くすることができる。
劣化推定装置において、前記ＳＯＨ取得部は、蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得し、前記代表値取得部は、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する。
ＳＯＨ取得部は、蓄電素子の第１時点でのＳＯＨ及び第１時点より後の第２時点でのＳＯＨを取得する。蓄電素子は、例えば、移動体や施設において稼働している蓄電素子であってもよい。監視装置などによって、蓄電素子からセンサ情報（例えば、電流、電圧、及び温度）を収集することができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７−０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。第１時点と第２時点との間の期間は、適宜設定することができ、例えば、１か月、３か月としてもよい。センサ情報に周期性がある場合は、第１時点と第２時点との間の期間を、センサ情報の周期で区切ってもよい。その際、ＳＯＨは、第１時点と第２時点の内挿値を用いてもよい。
代表値取得部は、第１時点から第２時点までの間の当該蓄電素子のＳＯＣの代表値を取得する。リチウムイオン電池は、充放電や放置により電極と電解液の界面に固体電解質界面層（ＳＥＩ層）が生成され、ＳＥＩ層が成長するにつれてＳＯＨが低下する。本願発明者は、ＳＥＩ層の成長はＳＯＣに依存するという仮説に基づき、蓄電素子のＳＯＨの低下に影響を与えるＳＯＣの代表値を取得してＡＩの学習に使用することを発案した。ＳＯＣの代表値は、稼働中の蓄電素子の詳細な挙動を抽象化した情報ということができ、例えば、ＳＯＣの平均、ＳＯＣの総変動量、ＳＯＣの変動幅を含む。
再学習処理部は、第１時点でのＳＯＨ及び代表値を入力データとし、第２時点でのＳＯＨを出力データとする学習データに基づいて学習処理部で学習済の学習モデルを再学習させる。例えば、第１時点でのＳＯＨをＳＯＨ（Ｎ）で表し、第２時点でのＳＯＨをＳＯＨ（Ｎ＋１）で表すとする。学習モデルは、第１時点でのＳＯＨがＳＯＨ（Ｎ）であり、第１時点から第２時点までの蓄電素子のＳＯＣの代表値に応じて、第２時点でのＳＯＨがＳＯＨ（Ｎ＋１）になるということを再学習する。
このような学習データは、第１時点のＳＯＨ、第２時点のＳＯＨ、及び第１時点と第２時点との間のＳＯＣの代表値を含む。ＳＯＣの代表値は、学習済の学習モデルを再学習させるための情報を抽象化、あるいは加工した統計量と言える。これにより、比較的少ない情報量で学習済の学習モデルを再学習させることができ、蓄電素子の大量のデータを必要としない。
ある時点（例えば、現在）のＳＯＨ、及び当該時点から予測対象時点までのＳＯＣの代表値を学習済又は再学習済の学習モデルに入力すれば、予測対象時点でのＳＯＨを推定することができる。これにより、ＡＩを用いて蓄電素子の劣化を推定することができる。
蓄電素子の劣化を推定する劣化推定装置は、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに入力するＳＯＣの代表値、及び前記ＳＯＣの代表値を前記劣化シミュレータに入力したときに前記劣化シミュレータが出力するＳＯＨを学習データとして学習させた学習モデルを備え、前記学習モデルは、さらに、蓄電素子のＳＯＣの代表値及び前記蓄電素子のＳＯＨを学習データとして再学習してあり、蓄電素子の第１時点でのＳＯＨを取得するＳＯＨ取得部と、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する代表値取得部とを備え、前記第１時点でのＳＯＨ及び前記代表値取得部で取得した代表値を前記学習モデルに入力して前記第２時点でのＳＯＨを推定する。
コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムは、請求項１８
蓄電素子の劣化を推定する劣化推定方法は、蓄電素子の第１時点でのＳＯＨを取得し、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得し、前記第１時点でのＳＯＨ及び前記代表値を、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに入力するＳＯＣの代表値、及び前記ＳＯＣの代表値を前記劣化シミュレータに入力したときに前記劣化シミュレータが出力するＳＯＨを学習データとして学習させ、さらに、蓄電素子のＳＯＣの代表値及び前記蓄電素子のＳＯＨを学習データとして再学習させた学習モデルに入力して前記第２時点でのＳＯＨを推定する。
学習モデルは、蓄電素子のＳＯＣの変動に基づいて当該蓄電素子のＳＯＨを推定する劣化シミュレータに入力するＳＯＣの代表値、及びＳＯＣの代表値を劣化シミュレータに入力したときに劣化シミュレータが出力するＳＯＨを学習データとして学習させてある。学習モデルは、さらに、蓄電素子のＳＯＣの代表値及び当該蓄電素子のＳＯＨを学習データとして再学習してある。
予め、劣化シミュレータを用いることにより、比較的容易に学習データを得ることができ、未学習の学習モデルの推定精度を高めておくことができる。さらに、再学習することにより、大量の学習用データが無くても学習モデルの精度をさらに高めることができ、蓄電素子の劣化推定の精度を高くすることができる。
ＳＯＨ取得部は、蓄電素子の第１時点でのＳＯＨを取得する。代表値取得部は、第１時点から第２時点までの間の当該蓄電素子のＳＯＣの代表値を取得する。第１時点でのＳＯＨ及び代表値取得部で取得した代表値を学習モデルに入力して第２時点でのＳＯＨを推定する。
ある時点（例えば、現在）のＳＯＨ、及び当該時点から予測対象時点までのＳＯＣの代表値を学習済又は再学習済の学習モデルに入力すれば、予測対象時点でのＳＯＨを推定することができる。これにより、ＡＩを用いて蓄電素子の劣化を推定することができる。
本実施の形態の遠隔監視システムの概要を示す図である。 遠隔監視システムの構成の一例を示すブロック図である。 通信デバイスの接続形態の一例を示す図である。 サーバ装置の構成の一例を示すブロック図である。 学習モデルの構成の一例を示す模式図である。 蓄電素子の使用時間に応じたＳＯＨの低下の一例を示す模式図である。 一定ＳＯＣにおける放置試験での温度とＳＯＨ低下との関係の一例を示す模式図である。 一定温度における放置試験でのＳＯＣの平均とＳＯＨ低下との関係の一例を示す模式図である。 一定温度、一定ＳＯＣ平均におけるサイクル試験でのＳＯＣの変動幅とＳＯＨ低下との関係の一例を示す模式図である。 一定温度、一定ＳＯＣ変動幅におけるサイクル試験でのＳＯＣ総変動量とＳＯＨ低下との関係の一例を示す模式図である。 第１時点及び第２時点での蓄電素子のＳＯＨの低下の一例を示す模式図である。 第１時点から第２時点までの温度データの一例を示す模式図である。 第１時点から第２時点までのＳＯＣ推移のパターンの一例を示す模式図である。 第１時点と第２時点との間のＳＯＣの代表値の一例を示す模式図である。 学習用データの一例を示す構成図である。 学習用データの他の例を示す構成図である。 複数の学習期間を設定した一例を示す模式図である。 寿命推定のための入力データの一例を示す構成図である。 寿命推定のための入力データの他の例を示す構成図である。 蓄電素子の劣化推定結果の一例を示す模式図である。 学習モードでの処理部の処理手順の一例を示すフローチャートである。 推定モードでの処理部の処理手順の一例を示すフローチャートである。 第１時点から第２時点までの蓄電素子のＳＯＣ推移パターンの一例を示す模式図である。 第１時点から第２時点までの蓄電素子の温度推移パターンの一例を示す模式図である。 第３実施形態の劣化シミュレータの動作を示す模式図である。 劣化シミュレータによるＳＯＨの推定の一例を示す模式図である。 劣化シミュレータの推定値に基づく学習用データの一例を示す構成図である。 学習モデルの学習データセットと推定精度との関係の一例を示す模式図である。 第３実施形態の学習モードでの処理部の処理手順の一例を示すフローチャートである。
（第１実施形態）
以下、本実施の形態に係る劣化推定装置を図面に基づいて説明する。図１は本実施の形態の遠隔監視システム１００の概要を示す図である。図１に示すように、公衆通信網（例えば、インターネットなど）Ｎ１及び移動通信規格による無線通信を実現するキャリアネットワークＮ２などを含むネットワークＮには、火力発電システムＦ、メガソーラー発電システムＳ、風力発電システムＷ、無停電電源装置（ＵＰＳ：Uninterruptible Power Supply）Ｕ及び鉄道用の安定化電源システム等に配設される整流器（直流電源装置、又は交流電源装置）Ｄなどが接続されている。また、ネットワークＮには、後述の通信デバイス１、通信デバイス１から情報を収集し、劣化推定装置としてのサーバ装置２、及び収集された情報を取得するクライアント装置３などが接続されている。本実施の形態において、劣化推定装置は、寿命シミュレータであってもよい。
より具体的には、キャリアネットワークＮ２には基地局ＢＳが含まれ、クライアント装置３は、基地局ＢＳからネットワークＮを経由してサーバ装置２と通信することができる。また、公衆通信網Ｎ１にはアクセスポイントＡＰが接続されており、クライアント装置３は、アクセスポイントＡＰからネットワークＮを経由してサーバ装置２との間で情報を送受信することができる。
メガソーラー発電システムＳ、火力発電システムＦ及び風力発電システムＷには、パワーコンディショナ（ＰＣＳ：Power Conditioning System）Ｐ、及び蓄電システム１０１が併設されている。蓄電システム１０１は、蓄電モジュール群Ｌを収容したコンテナＣを複数並設して構成されている。蓄電モジュール群Ｌは、例えば、蓄電セル（セルとも称する）を複数直列に接続した蓄電モジュール（モジュールとも称する）と、蓄電モジュールを複数直列に接続したバンクと、バンクを複数並列に接続したドメインとの階層構造にて構成されている。蓄電素子は、鉛蓄電池及びリチウムイオン電池のような二次電池や、キャパシタのような、再充電可能なものであることが好ましい。蓄電素子の一部が、再充電不可能な一次電池であってもよい。
図２は遠隔監視システム１００の構成の一例を示すブロック図である。遠隔監視システム１００は、通信デバイス１、サーバ装置２、クライアント装置３などを備える。
図２に示すように、通信デバイス１は、ネットワークＮに接続されるとともに、対象装置Ｐ、Ｕ、Ｄ、Ｍにも接続されている。対象装置Ｐ、Ｕ、Ｄ、Ｍは、パワーコンディショナＰ、無停電電源装置Ｕ、整流器Ｄ、後述する管理装置Ｍを含む。
遠隔監視システム１００では、各対象装置Ｐ、Ｕ、Ｄ、Ｍに接続した通信デバイス１を用いて、蓄電システム１０１における蓄電モジュール（蓄電セル）の状態（例えば、電圧、電流、温度、充電状態（ＳＯＣ）を監視するとともに収集する。遠隔監視システム１００は、検知された蓄電セルの状態（劣化状態、異常状態などを含む）をユーザ又はオペレータ（保守担当者）が確認できるように提示する。
通信デバイス１は、制御部１０、記憶部１１、第１通信部１２及び第２通信部１３を備える。制御部１０は、ＣＰＵ（Central Processing Unit）などで構成され、内蔵するＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等のメモリを用い、通信デバイス１全体を制御する。
記憶部１１は、例えば、フラッシュメモリ等の不揮発性メモリを用いることができる。記憶部１１には、制御部１０が読み出して実行するデバイスプログラム１Ｐが記憶されている。記憶部１１には、制御部１０の処理によって収集された情報、イベントログ等の情報が記憶される。
第１通信部１２は、対象装置Ｐ、Ｕ、Ｄ、Ｍとの通信を実現する通信インタフェースであり、例えば、ＲＳ−２３２Ｃ又はＲＳ−４８５等のシリアル通信インタフェースを用いることができる。
第２通信部１３は、ネットワークＮを経由して通信を実現するインタフェースであり、例えば、Ethernet（登録商標）、又は無線通信用アンテナ等の通信インタフェースを用いる。制御部１０は、第２通信部１３を介してサーバ装置２と通信が可能である。
クライアント装置３は、発電システムＳ、Ｆの蓄電システム１０１の管理者、対象装置Ｐ、Ｕ、Ｄ、Ｍの保守担当者等のオペレータが使用するコンピュータであってもよい。クライアント装置３は、デスクトップ型又はラップトップ型のパーソナルコンピュータであってもよいし、スマートフォン又はタブレット型の通信端末であってもよい。クライアント装置３は、制御部３０、記憶部３１、通信部３２、表示部３３、及び操作部３４を備える。
制御部３０は、ＣＰＵを用いたプロセッサである。制御部３０は、記憶部３１に記憶されているＷｅｂブラウザプログラムに基づき、サーバ装置２又は通信デバイス１により提供されるＷｅｂページを表示部３３に表示させる。
記憶部３１は、例えばハードディスク又はフラッシュメモリ等の不揮発性メモリを用いる。記憶部３１には、Ｗｅｂブラウザプログラムを含む各種プログラムが記憶されている。
通信部３２は、有線通信用のネットワークカード等の通信デバイス、基地局ＢＳ（図１参照）に接続する移動通信用の無線通信デバイス、又はアクセスポイントＡＰへの接続に対応する無線通信デバイスを用いることができる。制御部３０は、通信部３２により、ネットワークＮを介してサーバ装置２又は通信デバイス１との間で通信接続又は情報の送受信が可能である。
表示部３３は、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ等のディスプレイを用いることができる。表示部３３は、制御部３０のＷｅｂブラウザプログラムに基づく処理により、サーバ装置２で提供されるＷｅｂページのイメージを表示することができる。
操作部３４は、制御部３０との間で入出力が可能なキーボード及びポインティングデバイス、若しくは音声入力部等のユーザインタフェースである。操作部３４は、表示部３３のタッチパネル、又は筐体に設けられた物理ボタンを用いてもよい。操作部３４は、ユーザによる操作情報を制御部２０へ通知する。
サーバ装置２の構成については後述する。
図３は通信デバイス１の接続形態の一例を示す図である。図３に示すように、通信デバイス１は、管理装置Ｍに接続される。管理装置Ｍには、さらに、バンク＃１〜＃Ｎそれぞれに設けられた管理装置Ｍが接続されている。なお、通信デバイス１は、バンク＃１〜＃Ｎそれぞれに設けられた管理装置Ｍと通信して蓄電素子の情報を受信する端末装置（計測モニタ）であってもよいし、電源関連装置に接続可能なネットワークカード型の通信デバイスであってもよい。
各バンク＃１〜＃Ｎは、複数の蓄電モジュール６０を備え、各蓄電モジュール６０は、制御基板（ＣＭＵ：Cell Monitoring Unit）７０を備える。バンク毎に設けられている管理装置Ｍは、蓄電モジュール６０に夫々内蔵されている通信機能付きの制御基板７０とシリアル通信によって通信を行うことができるとともに、通信デバイス１に接続された管理装置Ｍとの間で情報の送受信を行うことができる。通信デバイス１に接続された管理装置Ｍは、ドメインに所属するバンクの管理装置Ｍからの情報を集約し、通信デバイス１へ出力する。
図４はサーバ装置２の構成の一例を示すブロック図である。サーバ装置２は、制御部２０、通信部２１、記憶部２２、及び処理部２３を備える。処理部２３は、ＳＯＣ推定部２４、ＳＯＣ代表値取得部２５、学習データ生成部２６、学習モデル２７、学習処理部２８、及び入力データ生成部２９を備える。サーバ装置２は、１台のサーバコンピュータでもよいが、これに限定されるものではなく、複数台のサーバコンピュータで構成してもよい。なお、サーバ装置２は、シミュレータであってもよい。
制御部２０は、例えば、ＣＰＵで構成することができ、内蔵するＲＯＭ及びＲＡＭ等のメモリを用い、サーバ装置２全体を制御する。制御部２０は、記憶部２２に記憶されているサーバプログラム２Ｐに基づく情報処理を実行する。サーバプログラム２ＰにはＷｅｂサーバプログラムが含まれ、制御部２０は、クライアント装置３へのＷｅｂページの提供、Ｗｅｂサービスへのログインの受け付け等を実行するＷｅｂサーバとして機能する。制御部２０は、サーバプログラム２Ｐに基づき、ＳＮＭＰ（Simple Network Management Protocol）用サーバとして通信デバイス１から情報を収集することも可能である。
通信部２１は、ネットワークＮを介した通信接続及びデータの送受信を実現する通信デバイスである。具体的には、通信部２１は、ネットワークＮに対応したネットワークカードである。
記憶部２２は、例えばハードディスク又はフラッシュメモリ等の不揮発性メモリを用いることができる。記憶部２２には、制御部２０の処理によって収集される監視対象となる対象装置Ｐ、Ｕ、Ｄ、Ｍの状態を含むセンサ情報（例えば、蓄電素子の電圧データ、電流データ、温度データ）を記憶する。
処理部２３は、記憶部２２のデータベースに収集された蓄電素子（蓄電モジュール、蓄電セル）のセンサ情報（時系列の電圧データ、時系列の電流データ、時系列の温度データ）を、蓄電素子毎に区分して取得することができる。
処理部２３は、学習モデル２７を学習させる学習モードと、学習済の学習モデル２７を用いて蓄電素子のＳＯＨ（State Of Health）を推定（劣化を推定）する推定モードで動
作する。ＳＯＨは、現在の満充電容量を、新品で所定温度のときの満充電容量を基準に比較した指標である。例えば、ＳＯＨが８０％は、新品の８０％しか容量がないことを意味する。また、容量の代わりに、充放電可能な電力量を基準としてもよい。一般的には、ＳＯＨが閾値より小さくなると寿命に達し、蓄電素子は使用できないと判断される。
図５は学習モデル２７の構成の一例を示す模式図である。学習モデル２７は、深層学習（ディープラーニング）を含むニューラルネットワークモデルであり、入力層、出力層及び複数の中間層から構成されている。なお、図５では、便宜上、２つ中間層を図示しているが、中間層の層数は２つに限定されず、３つ以上であってもよい。
入力層、出力層及び中間層には、１つ又は複数のノード（ニューロン）が存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みで結合されている。入力層のノードの数と同数の成分を有するベクトルが、学習モデル２７の入力データ（学習用の入力データ及びＳＯＨ推定用の入力データ）として与えられる。入力データには、蓄電素子情報、時間情報、ＳＯＣの平均、ＳＯＣの総変動量、ＳＯＣの変動幅、温度の平均、ＳＯＨ情報などが含まれる。出力データには、ＳＯＨ情報が含まれる。これらの情報の詳細は後述する。また、特にＳＯＣに関する情報と温度情報とは互いに関連し、かつ、ＳＯＣに関する情報及び温度情報の局所的な変動がＳＯＨの変化に関連するため、それらを反映する、畳み込み層やプーリング層を中間層に加えた畳み込みニューラルネットワークを用いることが望ましい。
入力層の各ノードに与えられたデータは、最初の中間層に入力して与えられると、重み及び活性化関数を用いて中間層の出力が算出され、算出された値が次の中間層に与えられ、以下同様にして出力層の出力が求められるまで次々と後の層（下層）に伝達される。なお、ノードを結合する重みのすべては、学習アルゴリズムによって計算される。
学習モデル２７の出力層は、出力データとしてＳＯＨ情報を生成する。出力データは、出力層のノードの数（出力層のサイズ）と同じサイズの成分を有するベクトル形式のデータとすることができる。例えば、蓄電素子のＳＯＨを、０％から１００％まで１％毎に出力する場合、出力層のノード数を１０１とすることができる。なお、実用的なＳＯＨ情報として、例えば、６０％から１００％の間で１％毎にＳＯＨを推定した場合には、出力層のノード数を４１とすればよい。また、ＳＯＨの値を数％毎に区切り、数％の区切り毎に出力データを出力してもよい。なお、出力層からの出力値は、ＳＯＨの各区分に分類される確率と解釈することができる。
学習モデル２７及び学習処理部２８は、例えば、ＣＰＵ（例えば、複数のプロセッサコアを実装したマルチ・プロセッサなど）、ＧＰＵ（Graphics Processing Units）、ＤＳＰ（Digital Signal Processors）、ＦＰＧＡ（Field-Programmable Gate Arrays）などのハードウェアを組み合わせることによって構成することができる。また、量子プロセッサを組み合わせることもできる。学習モデル２７は、ニューラルネットワークモデルに限定されるものではなく、他の機械学習モデルでもよい。
図６は蓄電素子の使用時間に応じたＳＯＨの低下の一例を示す模式図である。図中、縦軸はＳＯＨ（％）を示し、横軸は時間を示す。蓄電素子は、使用時間（放置時間も含む）によりＳＯＨが低下する。図６に示すように、時点ｔａ、ｔｂ、ｔｃ、ｔｄとし、時点ｔｂと時点ｔａとの時間は、時点ｔｄと時点ｔｃとの時間と同じとする。この場合、時点ｔａから時点ｔｂまでの間のＳＯＨの低下ΔＳＯＨ（ｔｂ）と、時点ｔｃから時点ｔｄまでの間のＳＯＨの低下ΔＳＯＨ（ｔｄ）とで異なる。このように、同じ使用期間でも、蓄電素子の使用状態によって、ＳＯＨの低下度合いは異なる。そこで、蓄電素子の様々な使用状態を特定するために、異なる二つの時点間の蓄電素子の使用状態を把握することが、蓄電素子のＳＯＨを推定するために重要な因子となる。
図７は一定ＳＯＣにおける放置試験での温度とＳＯＨ低下との関係の一例を示す模式図である。図中、縦軸はＳＯＨを示し、横軸は時間を示す。図７に示すように、蓄電素子の温度が高い方がＳＯＨの低下の度合いが大きいことが分かる。すなわち、ＳＯＨの低下（減少）と温度（平均温度）との間には相関があり、ＳＯＨを推定（予測）する場合に、温度（平均温度）は重要な情報となる。
図８は一定温度における放置試験でのＳＯＣの平均とＳＯＨ低下との関係の一例を示す模式図である。図中、縦軸はＳＯＨを示し、横軸は時間を示す。ＳＯＣの平均とは、ある期間内でのＳＯＣの値をサンプリングして合計した値をサンプリング数で除算した値であり、中心ＳＯＣである。図８に示すように、ＳＯＣの平均が異なれば、ＳＯＨの低下の度合いが異なることが分かる。すなわち、ＳＯＨの低下（減少）とＳＯＣの平均との間には相関があり、ＳＯＨを推定（予測）する場合に、ＳＯＣの平均は重要な代表値となる。
図９は一定温度、一定ＳＯＣ平均におけるサイクル試験でのＳＯＣの変動幅とＳＯＨ低下との関係の一例を示す模式図である。図中、縦軸はＳＯＨを示し、横軸は時間を示す。ＳＯＣの変動幅とは、ある期間内でＳＯＣが変動した場合、当該期間のＳＯＣの最大値と最小値との差である。図９に示すように、ＳＯＣの変動幅が大きいほど、ＳＯＨの低下の度合いが大きくなることが分かる。すなわち、ＳＯＨの低下（減少）とＳＯＣの変動幅との間には相関があり、ＳＯＨを推定（予測）する場合に、ＳＯＣの変動幅は重要な代表値となる。
図１０は一定温度、一定ＳＯＣ変動幅におけるサイクル試験でのＳＯＣ総変動量とＳＯＨ低下との関係の一例を示す模式図である。図中、縦軸はＳＯＨを示し、横軸は時間を示す。ＳＯＣ総変動量とは、ある期間においてＳＯＣがどのように変動したかの経路に沿った変動量の積算である。図１０に示すように、ＳＯＣ総変動量が大きいほど、ＳＯＨの低下の度合いが大きくなることが分かる。すなわち、ＳＯＨの低下（減少）とＳＯＣ総変動量との間には相関があり、ＳＯＨを推定（予測）する場合に、ＳＯＣ総変動量は重要な代表値となる。
図１１は第１時点及び第２時点での蓄電素子のＳＯＨの低下の一例を示す模式図である。第１時点でのＳＯＨをＳＯＨ（Ｎ）で表し、第２時点でのＳＯＨをＳＯＨ（Ｎ＋１）で表す。第２時点でのＳＯＨの低下{ＳＯＨ（Ｎ）−ＳＯＨ（Ｎ＋１）}は、第１時点でのＳＯＨ（Ｎ）だけでなく、第１時点から第２時点まで、当該蓄電素子がどのような使用状態であったかに応じて異なる。別言すれば、蓄電素子の第１時点でのＳＯＨ（Ｎ）を特定することにより、第１時点から第２時点までの蓄電素子の使用状態が分かれば、蓄電素子の第２時点でのＳＯＨ（Ｎ＋１）を推定することが可能となる。また、前述のとおり、蓄電素子の温度（平均温度）、ＳＯＣに係る代表値によって、第１時点から第２時点までの使用状態を特徴付けることができる。
以下では、まず学習モデル２７の学習モードについて説明する。
処理部２３は、ＳＯＨ取得部としての機能を有し、蓄電素子の第１時点でのＳＯＨ及び第１時点より後の第２時点でのＳＯＨを取得する。蓄電素子は、例えば、実際に移動体や施設において稼働している蓄電素子とすることができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７−０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。第１時点と第２時点との間の期間は、適宜設定することができ、例えば、１か月、３か月としてもよい。センサ情報に周期性がある場合は、第１時点と第２時点との間の期間を、センサ情報の周期で区切ってもよい。その際、ＳＯＨは、第１時点と第２時点の内挿値を用いてもよい。また、第１時点でのＳＯＨは、第１時点よりも前の時点でのＳＯＨに基づいて、学習済の学習モデル２７により推定した値を用いることもできる。これにより、任意の期間において、蓄電素子の製造後の使用期間（放置期間も含む）において、連続的に蓄電素子のＳＯＨを推定することが可能となる。
ＳＯＣ代表値取得部２５は、代表値取得部としての機能を有し、第１時点から第２時点までの間の蓄電素子のＳＯＣの代表値を取得する。蓄電素子（例えば、リチウムイオン電池）は、充放電や放置により電極と電解液の界面に固体電解質界面層（ＳＥＩ層）が生成され、ＳＥＩ層が成長するにつれてＳＯＨが低下する。本願発明者は、ＳＥＩ層の成長はＳＯＣに依存するという仮説に基づき、蓄電素子のＳＯＨの低下に影響を与えるＳＯＣの代表値を取得してＡＩの学習に使用することを発案した。ＳＯＣの代表値は、稼働中の蓄電素子の詳細な挙動を抽象化した情報ということができる。なお、ＳＯＣの代表値を外部のサーバ装置などから取得するようにしてもよい。
学習データ生成部２６は、第１時点でのＳＯＨ及び第１時点と第２時点との間のＳＯＣの代表値を入力データとし、第２時点でのＳＯＨを出力データとする学習データを生成する。
学習処理部２８は、学習データ生成部２６で生成した学習データに基づいて学習モデル２７を学習させる。
なお、上述の学習データ生成部２６は、サーバ装置２内に具備する必要はなく、他のサーバ装置に具備するようにし、当該サーバ装置で生成された学習データを取得し、学習処理部２８が、取得した学習データに基づいて学習モデル２７を学習させる構成でもよい。本明細書の以下の説明においても同様である。
第１時点でのＳＯＨをＳＯＨ（Ｎ）で表し、第２時点でのＳＯＨをＳＯＨ（Ｎ＋１）で表すとする。学習モデル２７は、第１時点でのＳＯＨがＳＯＨ（Ｎ）であり、第１時点から第２時点までの蓄電素子のＳＯＣの代表値に応じて、第２時点でのＳＯＨがＳＯＨ（Ｎ＋１）になるということを学習する。
このような学習データは、第１時点のＳＯＨ、第２時点のＳＯＨ、及び第１時点と第２時点との間のＳＯＣの代表値を含む。ＳＯＣの代表値は、学習モデル２７を学習させるための情報を抽象化、あるいは加工した統計量と言える。これにより、比較的少ない情報量で学習モデル２７を学習させることができ、蓄電素子の大量のデータを必要としない。
ある時点（例えば、現在）のＳＯＨ、及び当該時点から予測対象時点までのＳＯＣの代表値の学習済の学習モデル２７に入力すれば、予測対象時点でのＳＯＨを推定することができる。これにより、ＡＩを用いて蓄電素子の劣化を推定することができる。
次に、第１時点と第２時点との間の蓄電素子の使用状態を特徴付ける平均温度、及びＳＯＣの代表値について説明する。
図１２は第１時点から第２時点までの温度データの一例を示す模式図である。図中、縦軸は温度を示し、横軸は時間を示す。処理部２３は、第１時点と第２時点との間で温度データに基づいて、第１時点と第２時点との間の平均温度を算出する。なお、図１２の例では、第１時点と第２時点との間で温度データが詳細に得られているが、データ数が少ない場合でも、第１時点と第２時点との間の平均温度を求めることができる。
図１３は第１時点から第２時点までのＳＯＣ推移のパターンの一例を示す模式図である。図中、縦軸はＳＯＣを示し、横軸は時間を示す。ＳＯＣ推定部２４は、第１時点から第２時点までの間の蓄電素子のＳＯＣの推移を推定する。なお、図１３の例では、第１時点から第２時点までの間の蓄電素子のＳＯＣの時系列のデータが詳細に得られているが、データ数が少ない場合でも、第１時点と第２時点との間のＳＯＣ推移のパターンを求めることができる。例えば、第１時点から第２時点までの間の蓄電素子のＳＯＣの時系列のデータ量が十分でなく、ＳＯＣの値が不明な時間又は時間帯が存在するような場合、得られているＳＯＣのデータに基づいて、データが存在した箇所のＳＯＣ値を補間することにより、ＳＯＣの推移のパターンを推定することができる。これにより、大量のセンサ情報を必要としない。
図１４は第１時点と第２時点との間のＳＯＣの代表値の一例を示す模式図である。図中、縦軸はＳＯＣを示し、横軸は時間を示す。ＳＯＣ代表値取得部２５は、ＳＯＣ推移パターンに基づいて第１時点から第２時点までの間のＳＯＣの平均を取得する。ＳＯＣの平均は、第１時点から第２時点までの間のＳＯＣの値をサンプリングして合計した値をサンプリング数で除算した値であり、中心ＳＯＣである。蓄電素子のＳＯＣが変動する場合、ＳＯＣの平均に応じてＳＯＨの低下の度合いが異なる。学習データ生成部２６は、第１時点から第２時点までの間のＳＯＣの平均を入力データとする学習用データを生成する。第１時点から第２時点までの間のＳＯＣの平均を学習モデル２７に学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデル２７を生成することができる。
ＳＯＣ代表値取得部２５は、ＳＯＣ推移パターンに基づいて第１時点から第２時点までの間のＳＯＣの総変動量を取得する。ＳＯＣの総変動量は、第１時点から第２時点までのＳＯＣがどのように変動したかの経路に沿った変動量の積算である。蓄電素子のＳＯＣが変動する場合、ＳＯＣの総変動量に応じてＳＯＨの低下の度合いが異なる。学習データ生成部２６は、第１時点から第２時点までの間のＳＯＣの総変動量を入力データとする学習用データを生成する。第１時点から第２時点までの間のＳＯＣの総変動量を学習モデル２７に学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデル２７を生成することができる。
ＳＯＣ代表値取得部２５は、ＳＯＣ推移パターンに基づいて第１時点から第２時点までの間のＳＯＣの変動幅を取得する。ＳＯＣの変動幅は、第１時点から第２時点までの間のＳＯＣの最大値と最小値との差である。蓄電素子のＳＯＣが変動する場合、ＳＯＣの変動幅に応じてＳＯＨの低下の度合いが異なる。学習データ生成部２６は、第１時点から第２時点までの間のＳＯＣの変動幅を入力データとする学習用データを生成する。第１時点から第２時点までの間のＳＯＣの変動幅を学習モデル２７に学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデル２７を生成することができる。上述のように、第１実施形態においては、ＳＯＣの代表値は、第１時点から第２時点までの間のＳＯＣの平均、第１時点から第２時点までの間のＳＯＣの総変動量、第１時点から第２時点までの間のＳＯＣの変動幅とすることができる。
学習データ生成部２６は、第１時点と第２時点との間の平均温度を入力データとする学習用データを生成する。なお、平均温度も第１時点と第２時点との間の温度の推移ということができる。
図１５は学習用データの一例を示す構成図である。図１５の例では、第１時点から第２時点までの時間幅をΔｔで表している。図１５に示すように、学習用入力データは、第１時点から第２時点までの時間幅Δｔ、時間幅Δｔでの平均温度、時間幅ΔｔでのＳＯＣの平均、時間幅ΔｔでのＳＯＣの総変動量、時間幅ΔｔでのＳＯＣの変動幅、第１時点でのＳＯＨ（Ｎ）とすることができる。学習用出力データは、第２時点でのＳＯＨ（Ｎ＋１）とすることができる。なお、学習用入力データは、図１５に示すデータを全て含む必要はなく、例えば、ＳＯＣの総変動量又はＳＯＣの変動幅のいずれか、あるいは両方を省略してもよい。ただし、ＳＯＣの総変動量、ＳＯＣの変動幅を学習させることにより、ＳＯＨの推定精度の向上が期待できる。
図１６は学習用データの他の例を示す構成図である。図１５の例との違いは、学習用入力データに、さらに、製造時点（例えば、製造完了時点）から第１時点までの経過時間Ｄｔ１、及び製造時点（例えば、製造完了時点）から第１時点までの充放電回数Ｃｔ１を含めることができる。
学習データ生成部２６は、蓄電素子の製造時点から第１時点までの経過期間を入力データとする学習データを生成することができる。蓄電素子は、放置時間にともないＳＯＨが低下する（カレンダー劣化）。第１時点以降のＳＯＨの低下は、製造時点（例えば、製造完了時点）から第１時点までの経過時間の長短に依存すると考えられる。そこで、蓄電素子の製造時点から第１時点までの経過期間を入力データとする学習データをさらに生成することにより、精度良くＳＯＨを推定できる学習済の学習モデル２７を生成することができる。
学習データ生成部２６は、蓄電素子の製造時点から第１時点までの総通電電気量（例えば、充放電回数を特定することができる場合には充放電回数でもよい）を入力データとする学習データを生成することができる。蓄電素子は、充放電回数にともないＳＯＨが低下する（サイクル劣化）。第１時点以降のＳＯＨの低下は、製造時点（例えば、製造完了時点）から第１時点までの充放電回数の多少に依存すると考えられる。そこで、充放電回数を特定することができる場合、蓄電素子の製造時点から第１時点までの充放電回数を入力データとする学習データをさらに生成することにより、精度良くＳＯＨを推定できる学習済の学習モデル２７を生成することができる。なお、経過時間Ｄｔ１又は充放電回数Ｃｔ１のいずれか一方だけを用いて学習データを生成してもよい。また、充放電回数を特定することができない場合には、充放電回数に代えて総通電電気量を用いてもよい。
上述の例では、第１時点から第２時点までの学習期間を一つだけ設定する例について説明したが、これに限定されるものではない。
図１７は複数の学習期間を設定した一例を示す模式図である。図中、縦軸はＳＯＨを示し、横軸は時間を示す。図１７に示すように、時点Ｎ１、時点Ｎ２、時点Ｎ３、時点Ｎ４、時点Ｎ５、時点Ｎ６、時点Ｎ７、及び時点Ｎ８を設定する。隣り合う時点間の時間は異なっていてもよい。時点Ｎ１を第１時点とし、時点Ｎ２を第２時点とする学習期間を設定することができる。また、時点Ｎ２を第１時点とし、時点Ｎ３を第２時点とする学習期間
を設定することができる。以下、同様である。
図１７に示すように、学習データ生成部２６は、第１時点から第２時点までの学習期間を蓄電素子の使用期間に亘って複数設けて学習データを生成することができる。第１時点から第２時点までの学習期間をΔＮとすると、例えば、蓄電素子の製造時点から寿命までの使用期間に亘って、複数の学習期間ΔＮそれぞれの学習用データを用いて学習モデル２７を学習させることにより、蓄電素子の製造後、寿命に達するまでの所要の時点でのＳＯＨを推定することが可能となる。すなわち、蓄電素子の寿命予測が可能となる。
次に、ＳＯＨを推定する推定モードについて説明する。
図１８は寿命推定のための入力データの一例を示す構成図である。図１８に示すように、寿命推定のための入力データは、予測期間の時間幅Δｔｅ、時間幅Δｔｅでの平均温度、時間幅ΔｔｅでのＳＯＣの平均、時間幅ΔｔｅでのＳＯＣの総変動量、時間幅ΔｔｅでのＳＯＣの変動幅、予測期間の始点（第１時点）でのＳＯＨｅとすることができる。時間幅Δｔｅは、学習用データで用いられた、第１時点から第２時点までの時間幅と同じとすることができる。なお、寿命推定のための入力データは、図１８に示すデータを全て含む必要はなく、例えば、ＳＯＣの総変動量又はＳＯＣの変動幅のいずれか、あるいは両方を省略してもよい。ただし、ＳＯＣの総変動量、ＳＯＣの変動幅を入力データに加えることにより、ＳＯＨの推定精度の向上が期待できる。
入力データ生成部２９は、第１時点でのＳＯＨ及び第１時点から第２時点までの間の蓄電素子のＳＯＣの代表値に基づいて寿命推定のための入力データを生成する。具体的には、入力データ生成部２９は、図１８に例示したような、予測期間の時間幅Δｔｅ、時間幅Δｔｅでの平均温度、時間幅ΔｔｅでのＳＯＣの平均、時間幅ΔｔｅでのＳＯＣの総変動量、時間幅ΔｔｅでのＳＯＣの変動幅、予測期間の始点（第１時点）ＳＯＨｅに係る入力データを生成する。例えば、第１時点でのＳＯＨｅは、第１時点よりも前の時点でのＳＯＨに基づいて、学習済の学習モデル２７により推定した値を用いることもできる。これにより、任意の期間において、連続的にＳＯＨを推定することが可能となる。
学習済の学習モデル２７は、入力データ生成部２９が生成した入力データに基づいて、予測対象時点（予測期間の終点、すなわち第２時点）でのＳＯＨを推定する。これにより、第１時点（例えば、現在）のＳＯＨ、及び予測期間での蓄電素子のＳＯＣの代表値が分かれば、予測対象時点でのＳＯＨを推定することができる。また、第１時点のＳＯＨを用いることにより、第１時点を基準にして、予測期間での蓄電素子のＳＯＣの代表値をどのように設定すれば、予測対象時点でのＳＯＨをより大きく（ＳＯＨの低下を抑制）することができるかを判定することもできる。
図１９は寿命推定のための入力データの他の例を示す構成図である。図１８の例との違いとして、入力データに、さらに、製造時点（例えば、製造完了時点）から予測期間の始点までの経過時間Ｄｔｅ、及び製造時点（例えば、製造完了時点）から予測期間の始点までの充放電回数Ｃｔｅを含んでいる。
図２０は蓄電素子の劣化推定結果の一例を示す模式図である。図中、縦軸はＳＯＨを示し、横軸は時間を示す。学習済の学習モデル２７は、予測期間の始点（例えば、現在）において、将来の予測対象時点でのＳＯＨを推定する。図２０において、破線で示す曲線は、蓄電素子の現在から予測対象時点までの予定使用条件（例えば、ユーザが予定している使用状態）におけるＳＯＨの推移を示す。本実施の形態のサーバ装置２によれば、蓄電素子の現在から予測対象時点までの使用条件を変えてＳＯＨを推定することができる。例えば、実線で示す曲線のように、予測対象時点でのＳＯＨの低下を抑制することができる使用条件（推奨使用条件）を見つけることができる。現在（始点）のＳＯＨ、すなわち第１時点のＳＯＨを用いることにより、第１時点を基準にして、始点から予測対象時点までの蓄電素子の使用条件をどのように設定すれば、ＳＯＨの低下を抑制することができるかの情報をユーザに提供することができる。
図２１は学習モードでの処理部２３の処理手順の一例を示すフローチャートである。処理部２３は、第１時点及び第２時点を設定し（Ｓ１１）、第１時点及び第２時点のＳＯＨを取得する（Ｓ１２）。処理部２３は、第１時点から第２時点までのセンサ情報（時系列の電流データ、時系列の温度データ、時系列の電圧データ）を取得する（Ｓ１３）。
処理部２３は、取得したセンサ情報に基づいて第１時点から第２時点までの時間幅ΔｔでのＳＯＣ推移パターンを生成し（Ｓ１４）、時間幅ΔｔでのＳＯＣの代表値を取得する（Ｓ１５）。処理部２３は、時間幅Δｔ、ＳＯＣの代表値、時間幅Δｔでの平均温度及び第１時点のＳＯＨを入力データとし、第２時点でのＳＯＨを出力データとする学習用データを生成する（Ｓ１６）。
処理部２３は、生成した学習用データに基づいて、学習モデル２７の学習及び更新を行い（Ｓ１７）、処理を終了するか否かを判定する（Ｓ１８）。処理を終了しないと判定した場合（Ｓ１８でＮＯ）、処理部２３は、ステップＳ１２以降の処理を続け、処理を終了すると判定した場合（Ｓ１８でＹＥＳ）、処理を終了する。
図２２は推定モードでの処理部２３の処理手順の一例を示すフローチャートである。処理部２３は、予測期間を設定し（Ｓ３１）、予測期間の始点（第１時点）でのＳＯＨを取得する（Ｓ３２）。処理部２３は、予測期間のセンサ情報を取得し（Ｓ３３）、取得したセンサ情報に基づいて、予測期間のＳＯＣ推移パターンを生成する（Ｓ３４）。
処理部２３は、予測期間のＳＯＣの代表値を取得し（Ｓ３５）、予測期間の時間幅、ＳＯＣの代表値、平均温度、予測期間の始点でのＳＯＨに基づいて予測用入力データを生成する（Ｓ３６）。処理部２３は、予測対象時点でのＳＯＨを推定し（Ｓ３７）、処理を終了する。
上述のように、本実施の形態のサーバ装置２によれば、学習モデル２７を学習させる際に、大量のデータを必要としない。蓄電素子の使用状態を特徴付けるＳＯＣについての代表値を取得し、取得した代表値に基づいて学習モデル２７を学習させることができるので、少ないデータ量でも学習させることが可能となる。特に、蓄電素子の開発フェーズや製造フェ−ズの初期段階のように、蓄電素子の実稼働時におけるセンサ情報の大量取得が困難な段階においても、蓄電素子の劣化予測が可能となる。また、センサ情報をそのまま学習用のデータとして使用しないので、センサ情報に含まれる誤差の影響を抑制することができる。また、学習モデル２７は、畳み込み層やプーリング層を中間層に加えた畳み込みニューラルネットワーク（ＣＮＮ）を用いてもよい。これにより、ＳＯＣ情報と温度情報との関連性、及びＳＯＣ情報及び温度情報の局所的な変動とＳＯＨの変化との関連性を反映させて学習することができる。
（第２実施形態）
上述の第１実施形態では、ＳＯＣの代表値という抽象化されたデータを用いる構成であったが、これに限定されるものではない。第２実施形態では、抽象化の度合いを小さくして、よりセンサ情報などの時系列データに近い態様で学習用データを生成することができる。
図２３は第１時点から第２時点までの蓄電素子のＳＯＣ推移パターンの一例を示す模式図である。図２３に示すＳＯＣ推移パターンは、図１３に示したものと同様である。ＳＯＣ推定部２４は、第１時点から第２時点までの間の蓄電素子のＳＯＣ推移パターンを生成する。例えば、第１時点から第２時点までの間の蓄電素子のＳＯＣの時系列のデータ量が十分でなく、ＳＯＣの値が不明な時間又は時間帯が存在するような場合、得られているＳＯＣのデータに基づいて、データが存在した箇所のＳＯＣ値を補間することにより、ＳＯＣ推移パターンを生成することができる。これにより、大量のセンサ情報を必要としない。
ＳＯＣ代表値取得部２５は、ＳＯＣ推定部２４が生成したＳＯＣ推移パターンを代表値として取得する。第１時点から第２時点までの間のＳＯＣ推移のパターンに応じてＳＯＨの低下の度合いが異なる。上述のように、第２実施形態においては、ＳＯＣの代表値は、第１時点から第２時点までの間のＳＯＣの推移のパターンとすることができる。
図２４は第１時点から第２時点までの蓄電素子の温度推移パターンの一例を示す模式図である。図中、縦軸は温度を示し、横軸は時間を示す。処理部２３は、第１時点から第２時点までの間の蓄電素子の温度推移パターンを生成する。例えば、第１時点から第２時点までの間の蓄電素子の温度の時系列のデータ量が十分でなく、温度の値が不明な時間又は時間帯が存在するような場合、得られている温度のデータに基づいて、データが存在した箇所の温度を補間することにより、温度の推移のパターンを推定することができる。これにより、大量のセンサ情報を必要としない。なお、処理部２３は、温度の推移を取得する取得部としての機能を有し、温度推移パターンを取得してもよく、あるいは蓄電素子の温度推移の実測値を取得してもよい。また、処理部２３は、温度の代表値を取得してもよい。温度の代表値は、学習モデル２７を学習させるための情報を抽象化、あるいは加工した統計量とすることができる。温度の代表値は、例えば、図１４に示すＳＯＣの代表値と同様であって、温度平均、温度変動幅、温度総変動量などを含めることができる。
学習データ生成部２６は、ＳＯＣ推移パターン及び温度推移パターンを入力データとする学習データを生成することができる。第１時点から第２時点までの間の温度の推移のパターンに応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間のＳＯＣ推移のパターン及び温度推移のパターンを学習モデル２７に学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデル２７を生成することができる。なお、学習データとしては、第１時点と第２時点との間を複数の時間幅で区切り、ＳＯＣ推移のパターン及び温度推移のパターンの時系列の時間幅毎の値を使用すればよい。また、第２実施形態においても、学習データには、第１時点のＳＯＨを入力データとし、第２時点のＳＯＨを出力データとする点は、第１実施形態と同様である。なお、学習データ生成部２６は、ＳＯＣ推移パターン及び、温度推移の実測値や代表値を入力データとする学習データを生成することができる。
第２実施形態によれば、第１実施形態の場合よりもセンサ情報がより多く収集することができる段階では、センサ情報自体の特徴を反映した劣化予測が可能となる。
（第３実施形態）
上述の第１実施形態及び第２実施形態では、学習処理部２８（処理部２３）が、学習モデル２７を学習及び更新する構成であったが、第３実施形態では、学習処理部２８（処理部２３）は、後述の劣化シミュレータが出力する蓄電素子の劣化値（ＳＯＨ）を学習データとして用いて学習モデル２７を学習させ、第１実施形態及び第２実施形態と同様の処理を用いて学習済の学習モデル２７を再学習させることができる。以下、第３実施形態について説明する。
図２５は第３実施形態の劣化シミュレータ５０の動作を示す模式図である。劣化シミュレータ５０は、ＳＯＣパターン及び温度パターンを入力データとして取得すると、蓄電素子の劣化値を推定（算出）する。ＳＯＣパターンは、ＳＯＣの代表値によって特定できる。ＳＯＣの代表値は、蓄電素子の劣化に影響を与えるものであり、例えば、ＳＯＣ平均（中心ＳＯＣとも称する）、ＳＯＣ変動幅、ＳＯＣの総変動量などを含む。
すなわち、劣化シミュレータ５０は、ＳＯＣの代表値に基づくＳＯＣの推移及び蓄電素子の温度に基づいて蓄電素子のＳＯＨの劣化値を推定することができる。時点ｔでのＳＯＨ（健康度ともいう）をＳＯＨt とし、時点ｔ＋１でのＳＯＨをＳＯＨt+1 とすると、劣化値は（ＳＯＨt −ＳＯＨt+1 ）となる。すなわち、時点ｔでのＳＯＨが分かっていると、劣化値に基づいて時点ｔ＋１でのＳＯＨを求めることができる。ここで、時点は、現在又は将来のある時点とすることができ、時点ｔ＋１は、時点ｔから将来に向かって所要の時間が経過した時点とすることができる。時点ｔと時点ｔ＋１との時間差は、劣化シミュレータ５０の劣化予測対象期間であり、どの程度の将来に対して劣化値を予測するかに応じて適宜設定することができる。時点ｔと時点ｔ＋１との時間差は、例えば、１か月、半年、１年、２年などの所要の時間とすることができる。
なお、図２５の例では、温度パターンを入力する構成であるが、温度パターンに代えて、所要温度（例えば、時点ｔから時点ｔ＋１までの平均温度）を入力してもよい。
蓄電素子の劣化予測対象期間（例えば、時点ｔから時点ｔ＋１まで）経過後の劣化値Ｑｄｅｇは、Ｑｄｅｇ＝Ｑｃｎｄ＋Ｑｃｕｒという式で算出できる。ここで、Ｑｃｎｄは非通電劣化値であり、Ｑｃｕｒは通電劣化値である。非通電劣化値Ｑｃｎｄは、例えば、Ｑｃｎｄ＝Ｋ１×√（ｔ）で求めることができる。ここで、係数Ｋ１は、ＳＯＣ及び温度Ｔの関数である。ｔは経過時間であり、例えば、時点ｔから時点ｔ＋１までの時間である。また、通電劣化値Ｑｃｕｒは、例えば、Ｑｃｕｒ＝Ｋ２×√（ｔ）で求めることができる。ここで、係数Ｋ２は、ＳＯＣ及び温度Ｔの関数である。時点ｔでのＳＯＨをＳＯＨｔとし、時点ｔ＋１でのＳＯＨをＳＯＨt+1 とすると、ＳＯＨt+1＝ＳＯＨｔ−ＱｄｅｇによりＳＯＨを推定することができる。係数Ｋ１は、劣化係数であり、ＳＯＣ及び温度Ｔと係数Ｋ１との対応関係を演算で求めてもよく、あるいはテーブル形式で記憶しておくことができる。ここで、ＳＯＣは、例えば、中心ＳＯＣ、ＳＯＣ変動幅などの代表値とすることができる。係数Ｋ２についても、係数Ｋ１と同様である。
図２６は劣化シミュレータ５０によるＳＯＨの推定の一例を示す模式図である。図２６に示すように、符号Ａ、Ｂ、Ｃで示す３つのＳＯＣの代表値（ＳＯＣパターン）を劣化シミュレータ５０に入力したとする。なお、温度は時点ｔから時点ｔ＋１までの平均温度を入力する。符号Ａで示すＳＯＣパターンは、ＳＯＣの変動幅が比較的小さい。一方、符号Ｃで示すＳＯＣパターンは、ＳＯＣの変動幅が比較的大きい。符号Ｂで示すＳＯＣパターンは、ＳＯＣの変動幅が両者の中間程度である。図２６に示すように、劣化シミュレータ５０によるＳＯＨの推定を符号Ａ、Ｂ、Ｃで示す。符号ＡのＳＯＨの推移は、符号ＡのＳＯＣパターンに対応し、符号ＢのＳＯＨの推移は、符号ＢのＳＯＣパターンに対応し、符号ＣのＳＯＨの推移は、符号ＣのＳＯＣパターンに対応している。このように、ＳＯＣの変動幅が大きいほど劣化値が大きくなる傾向が見られる。
図２６では、便宜上、３つの比較的単純なＳＯＣパターンを例示したが、様々なＳＯＣパターンを劣化シミュレータ５０に入力することにより、様々なＳＯＣパターンに対応した劣化値（ＳＯＨ）を推定することができ、ＳＯＣパターンに対応するＳＯＨの推定結果のデータの組を大量かつ容易に生成することができる。
処理部２３は、入力値取得部としての機能を有し、劣化シミュレータ５０に入力したＳＯＣの代表値を取得することができる。また、処理部２３は、出力値取得部としての機能を有し、劣化シミュレータ５０にＳＯＣの代表値が入力されたときに劣化シミュレータ５０が出力するＳＯＨを取得することができる。すなわち、処理部２３は、劣化シミュレータ５０に入力されたＳＯＣの代表値と、そのときに劣化シミュレータ５０が出力するＳＯＨ（劣化値により求められる）を取得する。
学習処理部２８は、取得したＳＯＣの代表値及び取得したＳＯＨを学習データとして用いて学習モデル２７を学習させる。
図２７は劣化シミュレータ５０の推定値に基づく学習用データの一例を示す構成図である。図２７の例では、時点ｔから時点ｔ＋１までの時間幅をΔｔで表している。図２７に示すように、学習用入力データは、時点ｔから時点ｔ＋１までの時間幅Δｔ、時間幅Δｔでの平均温度、時間幅ΔｔでのＳＯＣの平均、時間幅ΔｔでのＳＯＣの総変動量、時間幅ΔｔでのＳＯＣの変動幅、時点ｔでのＳＯＨ（Ｎ）とすることができる。学習用出力データは、時点ｔ＋１でのＳＯＨ（Ｎ＋１）とすることができる。なお、学習用入力データは、図２７に示すデータを全て含む必要はなく、例えば、ＳＯＣの総変動量又はＳＯＣの変動幅のいずれか、あるいは両方を省略してもよい。ただし、ＳＯＣの総変動量、ＳＯＣの変動幅を学習させることにより、ＳＯＨの推定精度の向上が期待できる。
劣化シミュレータ５０に様々なパターンのＳＯＣの代表値を入力すると、劣化シミュレータ５０は、入力したＳＯＣの代表値に対する精度の高い劣化値（すなわち、ＳＯＨ）を出力するので、学習モデル２７の学習用データを容易に生成することができ、学習モデル２７の推定精度（正答率）を容易に高めることができる。
次に、劣化シミュレータ５０のデータに基づく学習用データを用いて学習させた学習モデル２７に対して、学習処理部２８による再学習処理について説明する。学習処理部２８による再学習処理は、第１実施形態及び第２実施形態における学習処理と同様である。
ＳＯＣ代表値取得部２５は、代表値取得部としての機能を有し、蓄電素子のＳＯＣの代表値を取得する。ＳＯＣの代表値は、稼働中の蓄電素子の詳細な挙動を抽象化した情報ということができ、センサ情報から得られたＳＯＣの推移から求めることができ、例えば、ＳＯＣの平均、ＳＯＣの総変動量、ＳＯＣの変動幅などを含む。なお、ＳＯＣの代表値は、ＳＯＣの推移の実測値に基づいて求めることができるが、実測値の他に計算値を用いてもよい。
より具体的には、ＳＯＣ代表値取得部２５は、第１時点から第２時点までの間の当該蓄電素子のＳＯＣの代表値を取得する。リチウムイオン電池は、充放電や放置により電極と電解液の界面に固体電解質界面層（ＳＥＩ層）が生成され、ＳＥＩ層が成長するにつれてＳＯＨが低下する。本願発明者は、ＳＥＩ層の成長はＳＯＣに依存するという仮説に基づき、蓄電素子のＳＯＨの低下に影響を与えるＳＯＣの代表値を取得してＡＩの学習に使用することを発案した。ＳＯＣの代表値は、稼働中の蓄電素子の詳細な挙動を抽象化した情報ということができ、例えば、ＳＯＣの平均、ＳＯＣの総変動量、ＳＯＣの変動幅を含む。
処理部２３は、ＳＯＨ取得部としての機能を有し、当該蓄電素子のＳＯＨを取得する。蓄電素子からセンサ情報（例えば、電流、電圧、及び温度）を収集することができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７−０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。
より具体的には、処理部２３は、蓄電素子の第１時点でのＳＯＨ及び第１時点より後の第２時点でのＳＯＨを取得する。蓄電素子は、例えば、移動体や施設において稼働している蓄電素子であってもよい。監視装置などによって、蓄電素子からセンサ情報（例えば、電流、電圧、及び温度）を収集することができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７−０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。第１時点と第２時点との間の期間は、適宜設定することができ、例えば、１か月、３か月としてもよい。センサ情報に周期性がある場合は、第１時点と第２時点との間の期間を、センサ情報の周期で区切ってもよい。その際、ＳＯＨは、第１時点と第２時点の内挿値を用いてもよい。
学習処理部２８は、再学習処理部としての機能を有し、取得したＳＯＣの代表値及び取得したＳＯＨを学習データとして用いて学習モデル２７を再学習させる。
より具体的には、学習処理部２８は、第１時点でのＳＯＨ及び代表値を入力データとし、第２時点でのＳＯＨを出力データとする学習データに基づいて学習済の学習モデル２７を再学習させる。例えば、第１時点でのＳＯＨをＳＯＨ（Ｎ）で表し、第２時点でのＳＯＨをＳＯＨ（Ｎ＋１）で表すとする。学習モデルは、第１時点でのＳＯＨがＳＯＨ（Ｎ）であり、第１時点から第２時点までの蓄電素子のＳＯＣの代表値に応じて、第２時点でのＳＯＨがＳＯＨ（Ｎ＋１）になるということを再学習する。
このような学習データは、第１時点のＳＯＨ、第２時点のＳＯＨ、及び第１時点と第２時点との間のＳＯＣの代表値を含む。ＳＯＣの代表値は、学習済の学習モデル２７を再学習させるための情報を抽象化、あるいは加工した統計量と言える。これにより、比較的少ない情報量で学習済の学習モデルを再学習させることができ、蓄電素子の大量のデータを必要としない。
ある時点（例えば、現在）のＳＯＨ、及び当該時点から予測対象時点までのＳＯＣの代表値を学習済又は再学習済の学習モデル２７に入力すれば、予測対象時点でのＳＯＨを推定することができる。これにより、ＡＩを用いて蓄電素子の劣化を推定することができる。
図２８は学習モデル２７の学習データセットと推定精度との関係の一例を示す模式図である。図２８において、縦軸は学習モデル２７の推定精度（正答率）を示し、横軸は学習データセット（学習に要したデータ量）を示す。符号Ｒ′で示す曲線は、実測値（例えば、市場のデータ）のみによる学習の場合を示す。符号Ｒ′で示す曲線のように、センサ情報を収集して得られたＳＯＣの代表値やＳＯＨは、例えば、推移のパターンが複雑となり、これらのデータを学習用データとして用いて未学習の学習モデル２７を学習させる場合、学習モデル２７の推定精度（正答率）を高めるのに大量の学習用データを必要とする傾向がある。
符号Ｓａで示す曲線は、劣化シミュレータ５０のデータを学習用データとして用いて学習させた場合を示す。劣化シミュレータ５０に様々なパターンのＳＯＣの代表値を入力すると、劣化シミュレータ５０は、入力したＳＯＣの代表値に対する精度の高い劣化値（すなわち、ＳＯＨ）を出力するので、学習モデル２７の学習用データを容易に生成することができ、学習モデル２７の推定精度（正答率）を容易に高めることができる。符号Ｓａで示す曲線のように、予め、劣化シミュレータを用いることにより、比較的容易に学習データを得ることができ、未学習の学習モデルの推定精度を高めておくことができる。ただし、符号Ｓｂの曲線で示すように、劣化シミュレータ５０のパラメータを決定する場合、多量なデータを反映しにくいという傾向があり、推定精度がデータ量の割に向上しにくくなるという傾向がある。
符号Ｒで示す曲線は、劣化シミュレータ５０の推定値を用いた学習の後で実測値による再学習を行った場合を示す。符号Ｒで示す曲線のように、大量の学習用データが無くても学習モデル２７の精度をさらに高めることができ、蓄電素子の劣化推定の精度を高くすることができる。
上述のように、学習モデル２７は、劣化シミュレータ５０に入力するＳＯＣの代表値、及びＳＯＣの代表値を劣化シミュレータ５０に入力したときに劣化シミュレータ５０が出力するＳＯＨを学習データとして学習させてある。学習モデル２７は、さらに、蓄電素子のＳＯＣの代表値及び当該蓄電素子のＳＯＨを学習データとして再学習してある。
学習モデル２７の学習において、予め、劣化シミュレータ５０を用いることにより、比較的容易に学習データを得ることができ、未学習の学習モデル２７の推定精度を高めておくことができるので、再学習処理にとって大量の学習用データが無くても学習モデル２７の精度をさらに高めることができ、蓄電素子の劣化推定の精度を高くすることができる。
サーバ装置２は、蓄電素子の第１時点でのＳＯＨを取得する。サーバ装置２は第１時点から第２時点までの間の当該蓄電素子のＳＯＣの代表値を取得する。サーバ装置２は、第１時点でのＳＯＨ及び取得したＳＯＣの代表値を学習モデル２７に入力して第２時点でのＳＯＨを推定することができる。
ある時点（例えば、現在）のＳＯＨ、及び当該時点から予測対象時点までのＳＯＣの代表値を学習済又は再学習済の学習モデル２７に入力すれば、サーバ装置２は、予測対象時点でのＳＯＨを推定することができる。これにより、ＡＩを用いて蓄電素子の劣化を推定することができる。
図２９は第３実施形態の学習モードでの処理部２３の処理手順の一例を示すフローチャートである。処理部２３は、劣化シミュレータにＳＯＣの代表値及び温度パターンを入力し（Ｓ４１）、劣化シミュレータが出力するＳＯＨ（劣化値）を取得し（Ｓ４２）、劣化シミュレータ５０に入力したＳＯＣの代表値、温度パターンを取得する（Ｓ４３）。なお、ステップＳ４１の処理は、処理部２３で行わず、予め別の装置で行っておくことができる。
処理部２３は、ＳＯＣの代表値、温度パターン、時点ｔでのＳＯＨを入力データとし、時点ｔ＋１のＳＯＨを出力データとする学習用データを生成し（Ｓ４４）、生成した学習用データを用いて学習モデル２７を学習させる（Ｓ４５）。
処理部２３は、劣化シミュレータ５０のデータの有無を判定し（Ｓ４６）、データがある場合（Ｓ４６でＹＥＳ）、ステップＳ４１以降の処理を続ける。データがない場合（Ｓ４６でＮＯ）、処理部２３は、実測値データを用いて学習モデル２７を再学習し（Ｓ４７）、処理を終了する。ステップＳ４７の処理は、図２１に例示した処理と同様の処理とすることができる。
上述の実施の形態では、サーバ装置２が、学習モデル２７及び学習処理部２８を備える構成であったが、これに限定されない。例えば、学習モデル２７及び学習処理部２８を別の１又は複数のサーバに設けるようにしてもよい。劣化推定装置は、サーバ装置２に限定されない。例えば、寿命推定シミュレータのような装置であってもよい。劣化シミュレータ５０は、サーバ装置２に組み込むこともできるが、サーバ装置２とは別個の装置として構成することもできる。
本実施の形態の制御部２０及び処理部２３は、ＣＰＵ（プロセッサ）、ＧＰＵ、ＲＡＭ（メモリ）などを備えた汎用コンピュータを用いて実現することもできる。すなわち、図２１、図２２及び図２９に示すような、各処理の手順を定めたコンピュータプログラムをコンピュータに備えられたＲＡＭ（メモリ）にロードし、コンピュータプログラムをＣＰＵ（プロセッサ）で実行することにより、コンピュータ上で制御部２０及び処理部２３を実現することができる。コンピュータプログラムは記録媒体に記録され流通されてもよい。サーバ装置２で学習させた学習モデル２７及びそれに基づくコンピュータプログラムが、ネットワークＮ及び通信デバイス１経由で遠隔監視の対象装置Ｐ、Ｕ、Ｄ、Ｍや端末装置に配信されインストールされてもよい。
上述の実施の形態において、例えば、過学習を避けるため、学習の初期の段階では、代表値を用いて学習モデル２７を学習させ、その後、実測値を用いて学習させてもよい。また、代表値と実測値のデータ量を学習段階に応じて適宜変更、あるいは両者の比率を変えるようにしてもよい。また、学習用データを、いわゆる訓練データとテストデータとを分けて、まず、訓練データを用いて学習モデル２７を学習させ、その後、テストデータを用いて学習モデル２７の評価を行うこともできる。
実施の形態は、すべての点で例示であって制限的なものではない。本発明の範囲は、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれる。
２ サーバ装置
２０ 制御部
２１ 通信部
２２ 記憶部
２３ 処理部
２４ ＳＯＣ推定部
２５ ＳＯＣ代表値取得部
２６ 学習データ生成部
２７ 学習モデル
２８ 学習処理部
２９ 入力データ生成部
５０ 劣化シミュレータ

Claims (21)

  1. 蓄電素子の劣化を推定する劣化推定装置であって、
    蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得するＳＯＨ取得部と、
    前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する代表値取得部と、
    前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる学習処理部と
    を備える劣化推定装置。
  2. 前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの推移を推定するＳＯＣ推定部を備え、
    前記代表値取得部は、
    前記ＳＯＣの推移に基づいて前記第１時点から第２時点までの間の、ＳＯＣの平均、ＳＯＣの総変動量、及びＳＯＣの変動幅の少なくともいずれか一つを取得する請求項１に記載の劣化推定装置。
  3. 前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの推移を推定するＳＯＣ推定部を備え、
    前記代表値取得部は、
    前記ＳＯＣの推移を前記代表値として取得する請求項１に記載の劣化推定装置。
  4. 前記第１時点から第２時点までの間の前記蓄電素子の温度の推移を取得する温度取得部を備え、
    前記学習処理部は、
    前記温度の推移をさらなる入力データとする学習データに基づいて学習モデルを学習させる請求項１から請求項３のいずれか一項に記載の劣化推定装置。
  5. 前記温度取得部は、
    前記第１時点から第２時点までの間の前記蓄電素子の温度の代表値を取得し、
    前記学習処理部は、
    前記温度の代表値をさらなる入力データとする学習データに基づいて学習モデルを学習させる請求項４に記載の劣化推定装置。
  6. 前記学習処理部は、
    前記蓄電素子の製造時点から前記第１時点までの経過期間をさらなる入力データとする学習データに基づいて学習モデルを学習させる請求項１から請求項５のいずれか一項に記載の劣化推定装置。
  7. 前記学習処理部は、
    前記蓄電素子の製造時点から前記第１時点までの充放電回数をさらなる入力データとする学習データに基づいて学習モデルを学習させる請求項１から請求項６のいずれか一項に記載の劣化推定装置。
  8. 前記学習処理部は、
    前記第１時点から第２時点までの学習期間を前記蓄電素子の使用期間に亘って複数設けて学習データに基づいて学習モデルを学習させる請求項１から請求項７のいずれか一項に記載の劣化推定装置。
  9. 前記学習処理部が学習させた学習済の学習モデルを用いて前記蓄電素子の劣化を推定する請求項１から請求項８のいずれか一項に記載の劣化推定装置。
  10. 蓄電素子の劣化を推定する劣化推定装置であって、
    蓄電素子の第１時点でのＳＯＨを取得するＳＯＨ取得部と、
    前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する代表値取得部と、
    前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを推定する学習済の学習モデルと
    を備える劣化推定装置。
  11. 蓄電素子の劣化を推定する劣化推定装置であって、
    蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値を入力し、前記劣化シミュレータが出力するＳＯＨを取得する出力値取得部と、
    前記劣化シミュレータに入力したＳＯＣの代表値を取得する入力値取得部と、
    前記入力値取得部で取得したＳＯＣの代表値及び前記出力値取得部で取得したＳＯＨを学習データとして用いて学習モデルを学習させる学習処理部と、
    蓄電素子のＳＯＣの代表値を取得する代表値取得部と、
    前記蓄電素子のＳＯＨを取得するＳＯＨ取得部と、
    前記代表値取得部で取得したＳＯＣの代表値及び前記ＳＯＨ取得部で取得したＳＯＨを学習データとして用いて前記学習処理部で学習させた前記学習モデルを再学習させる再学習処理部と
    を備える劣化推定装置。
  12. 前記ＳＯＨ取得部は、
    蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得し、
    前記代表値取得部は、
    前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する請求項１１に記載の劣化推定装置。
  13. 蓄電素子の劣化を推定する劣化推定装置であって、
    蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに入力するＳＯＣの代表値、及び前記ＳＯＣの代表値を前記劣化シミュレータに入力したときに前記劣化シミュレータが出力するＳＯＨを学習データとして学習させた学習モデルを備え、
    前記学習モデルは、さらに、蓄電素子のＳＯＣの代表値及び前記蓄電素子のＳＯＨを学習データとして再学習してあり、
    蓄電素子の第１時点でのＳＯＨを取得するＳＯＨ取得部と、
    前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する代表値取得部と
    を備え、
    前記第１時点でのＳＯＨ及び前記代表値取得部で取得した代表値を前記学習モデルに入力して前記第２時点でのＳＯＨを推定する劣化推定装置。
  14. コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムであって、
    コンピュータに、
    蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得する処理と、
    前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する処理と、
    前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる処理と
    を実行させるコンピュータプログラム。
  15. コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムであって、
    コンピュータに、
    蓄電素子の第１時点でのＳＯＨを取得する処理と、
    前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する処理と、
    前記第１時点でのＳＯＨ及び前記代表値を学習済の学習モデルに入力して前記第２時点でのＳＯＨを推定する処理と
    を実行させるコンピュータプログラム。
  16. コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムであって、
    コンピュータに、
    蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値が入力されて、前記劣化シミュレータが出力するＳＯＨを取得する処理と、
    前記劣化シミュレータに入力したＳＯＣの代表値を取得する処理と、
    取得したＳＯＣの代表値及び取得したＳＯＨを学習データとして用いて学習モデルを学習させる処理と、
    蓄電素子のＳＯＣの代表値を取得する処理と、
    前記蓄電素子のＳＯＨを取得する処理と、
    取得したＳＯＣの代表値及び取得したＳＯＨを学習データとして用いて、学習させた前記学習モデルを再学習させる処理と
    を実行させるコンピュータプログラム。
  17. コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムであって、
    コンピュータに、
    蓄電素子の第１時点でのＳＯＨを取得する処理と、
    前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する処理と、
    前記第１時点でのＳＯＨ及び前記代表値を、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに入力するＳＯＣの代表値、及び前記ＳＯＣの代表値を前記劣化シミュレータに入力したときに前記劣化シミュレータが出力するＳＯＨを学習データとして学習させ、さらに、蓄電素子のＳＯＣの代表値及び前記蓄電素子のＳＯＨを学習データとして再学習させた学習モデルに入力して前記第２時点でのＳＯＨを推定する処理と
    を実行させるコンピュータプログラム。
  18. 蓄電素子の劣化を推定する劣化推定方法であって、
    蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得し、
    前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得し、
    前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる劣化推定方法。
  19. 蓄電素子の劣化を推定する劣化推定方法であって、
    蓄電素子の第１時点でのＳＯＨを取得し、
    前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得し、
    前記第１時点でのＳＯＨ及び前記代表値を学習済の学習モデルに入力して前記第２時点でのＳＯＨを推定する劣化推定方法。
  20. 蓄電素子の劣化を推定する劣化推定方法であって、
    蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値を入力し、前記劣化シミュレータが出力するＳＯＨを取得し、
    前記劣化シミュレータに入力したＳＯＣの代表値を取得し、
    取得されたＳＯＣの代表値及び取得されたＳＯＨを学習データとして用いて学習モデルを学習させ、
    蓄電素子のＳＯＣの代表値を取得し、
    前記蓄電素子のＳＯＨを取得し、
    取得されたＳＯＣの代表値及び取得されたＳＯＨを学習データとして用いて、学習させた前記学習モデルを再学習させる劣化推定方法。
  21. 蓄電素子の劣化を推定する劣化推定方法であって、
    蓄電素子の第１時点でのＳＯＨを取得し、
    前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得し、
    前記第１時点でのＳＯＨ及び前記代表値を、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに入力するＳＯＣの代表値、及び前記ＳＯＣの代表値を前記劣化シミュレータに入力したときに前記劣化シミュレータが出力するＳＯＨを学習データとして学習させ、さらに、蓄電素子のＳＯＣの代表値及び前記蓄電素子のＳＯＨを学習データとして再学習させた学習モデルに入力して前記第２時点でのＳＯＨを推定する劣化推定方法。
JP2019050400A 2018-03-20 2019-03-18 劣化推定装置、コンピュータプログラム及び劣化推定方法 Active JP6579287B1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018053016 2018-03-20
JP2018053016 2018-03-20

Publications (2)

Publication Number Publication Date
JP6579287B1 JP6579287B1 (ja) 2019-09-25
JP2019168452A true JP2019168452A (ja) 2019-10-03

Family

ID=67987641

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019050400A Active JP6579287B1 (ja) 2018-03-20 2019-03-18 劣化推定装置、コンピュータプログラム及び劣化推定方法

Country Status (6)

Country Link
US (1) US20210033675A1 (ja)
EP (1) EP3770619B1 (ja)
JP (1) JP6579287B1 (ja)
CN (1) CN111868539A (ja)
AU (1) AU2019238652A1 (ja)
WO (1) WO2019181728A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021124419A (ja) * 2020-02-06 2021-08-30 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
JP7443652B2 (ja) 2020-10-08 2024-03-06 エルジー エナジー ソリューション リミテッド バッテリ退化度算出方法及びバッテリ退化度算出装置
WO2024049172A1 (ko) * 2022-08-30 2024-03-07 주식회사 엘지에너지솔루션 배터리 상태 예측 장치 및 그것의 동작 방법

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3812783A1 (en) * 2019-10-23 2021-04-28 Novum engineerING GmbH Estimating a battery state from electrical impedance measurements using convolutional neural network means
KR20210066609A (ko) * 2019-11-28 2021-06-07 주식회사 엘지화학 배터리 셀 이상 퇴화 진단 장치 및 방법
JP2021170511A (ja) 2020-04-17 2021-10-28 株式会社エンビジョンＡｅｓｃジャパン 残容量推定装置、モデル生成装置、残容量推定方法、モデル生成方法、及びプログラム
JP7457575B2 (ja) 2020-05-25 2024-03-28 株式会社Ａｅｓｃジャパン 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム
DE102020212298A1 (de) * 2020-09-29 2022-03-31 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur gerätespezifischen Bestimmung eines innenwiderstandsbasierten Alterungszustands einer Batterie
DE102020215204A1 (de) 2020-12-02 2022-06-02 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Vorhersage eines Alterungszustands einer Gerätebatterie in einem batteriebetriebenen Gerät
US20220416548A1 (en) * 2021-06-23 2022-12-29 TWAICE Technologies GmbH Operational planning for battery-based energy storage systems considering battery aging
WO2023062894A1 (ja) * 2021-10-14 2023-04-20 株式会社Ｇｓユアサ 鉛蓄電デバイス、情報処理方法及びコンピュータプログラム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09243716A (ja) * 1996-03-08 1997-09-19 Sanken Electric Co Ltd 二次電池の状態判定方法
JP2001325582A (ja) * 2000-05-17 2001-11-22 Chugoku Electric Power Co Inc:The 時系列データ学習・予測装置
JP2006220616A (ja) * 2005-02-14 2006-08-24 Denso Corp 車両用蓄電装置の内部状態検出方式
WO2016092811A1 (ja) * 2014-12-10 2016-06-16 株式会社Ｇｓユアサ 蓄電素子状態推定装置及び蓄電素子状態推定方法
JP2016223964A (ja) * 2015-06-02 2016-12-28 三菱電機株式会社 蓄電デバイスの劣化診断装置及び劣化診断方法
WO2017002292A1 (ja) * 2015-06-30 2017-01-05 ソニー株式会社 蓄電システム、コントローラおよび蓄電池の充放電方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100880717B1 (ko) * 2005-02-14 2009-02-02 가부시키가이샤 덴소 뉴럴네트워크연산에 기초한 2차전지의 충전상태를 검출하기위한 방법 및 장치
JP2008232758A (ja) 2007-03-19 2008-10-02 Nippon Soken Inc 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置
FR2943794B1 (fr) * 2009-03-24 2011-05-06 Saft Groupe Sa Procede de determination de l'etat de sante d'une batterie
JPWO2016208251A1 (ja) * 2015-06-25 2018-03-08 株式会社日立製作所 蓄電システム
JP2017065532A (ja) 2015-09-30 2017-04-06 ヤマハ発動機株式会社 車両
KR102553031B1 (ko) * 2016-01-14 2023-07-06 삼성전자주식회사 배터리의 상태 추정 장치 및 방법
KR101846913B1 (ko) * 2016-11-01 2018-04-09 현대자동차 주식회사 하이브리드 차량의 배터리 충전 제어 장치 및 충전 제어 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09243716A (ja) * 1996-03-08 1997-09-19 Sanken Electric Co Ltd 二次電池の状態判定方法
JP2001325582A (ja) * 2000-05-17 2001-11-22 Chugoku Electric Power Co Inc:The 時系列データ学習・予測装置
JP2006220616A (ja) * 2005-02-14 2006-08-24 Denso Corp 車両用蓄電装置の内部状態検出方式
WO2016092811A1 (ja) * 2014-12-10 2016-06-16 株式会社Ｇｓユアサ 蓄電素子状態推定装置及び蓄電素子状態推定方法
JP2016223964A (ja) * 2015-06-02 2016-12-28 三菱電機株式会社 蓄電デバイスの劣化診断装置及び劣化診断方法
WO2017002292A1 (ja) * 2015-06-30 2017-01-05 ソニー株式会社 蓄電システム、コントローラおよび蓄電池の充放電方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021124419A (ja) * 2020-02-06 2021-08-30 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
JP7413806B2 (ja) 2020-02-06 2024-01-16 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
JP7443652B2 (ja) 2020-10-08 2024-03-06 エルジー エナジー ソリューション リミテッド バッテリ退化度算出方法及びバッテリ退化度算出装置
WO2024049172A1 (ko) * 2022-08-30 2024-03-07 주식회사 엘지에너지솔루션 배터리 상태 예측 장치 및 그것의 동작 방법

Also Published As

Publication number Publication date
EP3770619B1 (en) 2023-10-25
JP6579287B1 (ja) 2019-09-25
AU2019238652A1 (en) 2020-11-12
WO2019181728A1 (ja) 2019-09-26
EP3770619A1 (en) 2021-01-27
EP3770619A4 (en) 2021-04-28
US20210033675A1 (en) 2021-02-04
CN111868539A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
JP6620902B2 (ja) 劣化推定装置、コンピュータプログラム及び劣化推定方法
JP6579287B1 (ja) 劣化推定装置、コンピュータプログラム及び劣化推定方法
JP6555440B1 (ja) 異常要因判定装置、劣化判定装置、コンピュータプログラム、劣化判定方法及び異常要因判定方法
JP6590029B1 (ja) 行動生成装置、蓄電素子評価装置、コンピュータプログラム、学習方法及び評価方法
TW201817113A (zh) 電池管理系統
WO2019203111A1 (ja) 状態推定方法、及び状態推定装置
WO2020004163A1 (ja) 状態推定方法、及び状態推定装置
US20220113354A1 (en) Data processing apparatus, data processing method and computer readable medium
JP6973099B2 (ja) 監視装置、監視方法及びコンピュータプログラム
Savargaonkar et al. A novel neural network with gaussian process feedback for modeling the state-of-charge of battery cells
Sønderskov et al. State of Health Estimation and Prediction of Fuel Cell Stacks in Backup Power Systems
Sui et al. Early Prediction of Lithium-Ion Batteries Lifetime via Few-Shot Learning
Chen et al. Battery Lifetime Prediction and Capacity Estimation Based on Entropy and Bayesian Neural Networks
JP2024041525A (ja) 異常検知装置、異常検知方法及びプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190514

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20190514

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20190516

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190521

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190620

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20190730

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190812

R150 Certificate of patent or registration of utility model

Ref document number: 6579287

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150