JP6620902B2 - 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

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り、関連する履歴情報が膨大になるため、それらを入力としたＳＯＨ変化の推定は容易ではない。一方で、この詳細な蓄電素子の履歴情報に基づくＳＯＨ変化の推定と、将来蓄電素子が経験する仮想の使用条件とを合わせて、電池の寿命予測に応用することが期待できる。

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状態に係る時系列データ及び前記第１時点でのＳＯＨ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状態に係る時系列データ及び前記第１時点でのＳＯＨ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状態に係る時系列データ及び前記第１時点でのＳＯＨ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。

第１時点でのＳＯＨに対して、第２時点でのＳＯＨがどの程度低下しているか（劣化が進行しているか）は、第１時点から第２時点までの蓄電素子の使用状態によって異なる。そこで、蓄電素子のセンサ情報から蓄電素子の状態に係る時系列データ、例えば、第１時点から第２時点までの間の蓄電素子の状態（例えば、使用状態）に係る時系列データを特定することが考えられる。

学習処理部は、第１時点から第２時点までの間の蓄電素子の状態に係る時系列データ及び第１時点での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状態がどのように推移すると、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、移動体や施設において稼働している多くの蓄電素子からセンサ情報として大量に収集することができる。以下に述べるように、ある時点（例えば、現在）のＳＯＨ、及び当該時点から劣化推定期間後の予測対象時点（例えば、１か月後、３か月後など）までの蓄電素子の使用条件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状態に係る時系列データ及び前記第１時点でのＳＯＨ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状態に係る時系列データ及び前記第１時点でのＳＯＨ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状態に係る時系列データ及び前記第１時点でのＳＯＨ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。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。

第１時点でのＳＯＨに対して、第２時点でのＳＯＨがどの程度低下しているか（劣化が進行しているか）は、第１時点から第２時点までの蓄電素子の使用状態によって異なる。そこで、第１時点から第２時点までの間の蓄電素子の状態に係る時系列データを特定することが考えられる。第２時点は、ＳＯＨを推定する予測対象時点である。蓄電素子の状態に係る時系列データは、第１時点から第２時点までの蓄電素子の予定使用条件などから特定することができる。

学習済の学習モデルは、第１時点でのＳＯＨ及び第１時点から第２時点までの蓄電素子の状態に係る時系列データを入力データとし、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）までの蓄電素子の予定使用条件が分かれば、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予定使用条件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、前記蓄電素子の時系列に検出された電流データを取得する電流データ取得部を備え、前記学習処理部は、前記電流データ取得部で取得した電流データに基づく、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に係る時系列データに基づいて前記学習モデルを学習させてもよい。

電流データ取得部は、蓄電素子の時系列に検出された電流データを取得する。

電流データ取得部で取得した電流データに基づいて、蓄電素子のＳＯＣに係る時系列データを特定することができる。ＳＯＣに係る時系列データは、例えば、電流積算法により求めることができる。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ＳＯＣがどのような時間的推移をしたかという時系列データを用いて学習モデルを学習させることを発案した。これにより、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、前記蓄電素子の電圧データを取得する電圧データ取得部と、該電圧データ取得部で取得した電圧データに基づいて、前記ＳＯＣに係る時系列データのうち、所要時点でのデータを補正する補正部とを備えてもよい。

電圧データ取得部は、蓄電素子の電圧データを取得する。

補正部は、電圧データ取得部で取得した電圧データに基づいて、ＳＯＣに係る時系列データのうち、所要時点でのデータを補正する。例えば、蓄電素子の充電又は放電が終了して所要時間経過後の電圧が安定している時点の電圧データに基づいて、蓄電素子のＯＣＶ（開回路電圧）を取得することができる。ＳＯＣ−ＯＣＶ特性と取得したＯＣＶからＳＯＣを求めることができる。ＯＣＶから求めたＳＯＣと、電流積算法により算出したＳＯＣとの差が所定値以上である場合、電流積算法により算出したＳＯＣをＯＣＶから求めたＳＯＣに置き換えることにより、電流積算法による誤差をリセットして、精度良くＳＯＣを求めることができる。

劣化推定装置は、前記電流データ取得部で取得した電流データを記憶する記憶部と、前記第１時点から第２時点までのＳＯＣに係る時系列データに基づいて前記学習モデルを学習させる場合、前記記憶部に記憶した電流データのうち前記第１時点から第２時点までの電流データを消去する消去部とを備えてもよい。

記憶部は、電流データ取得部で取得した電流データを記憶する。

消去部は、第１時点から第２時点までのＳＯＣに係る時系列データに基づいて学習モデルを学習させる場合、記憶部に記憶した電流データのうち第１時点から第２時点までの電流データを消去する。学習モデルを学習させるべく、一旦、電流データに基づいて第１時点から第２時点までのＳＯＣに係る時系列データを特定された場合には、第１時点から第２時点までの電流データは不要となる。第１時点から第２時点までの電流データを消去することにより、記憶部の記憶容量を低減することができる。また、消去することにより空いた記憶容量に別の電流データを記憶することができるので、大量のセンサ情報を記憶することが可能となる。電流データを消去する際に、これまでのセンサ情報を圧縮して前履歴として保持し、ニューラルネットワークに前履歴を入力することで、前履歴を反映させてもよい。

劣化推定装置は、前記蓄電素子の時系列に検出された温度データを取得する温度データ取得部を備え、前記学習処理部は、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データに係る時系列データを入力データとする学習データに基づいて前記学習モデルを学習させてもよい。

温度データ取得部は、蓄電素子の時系列に検出された温度データを取得する。

学習処理部は、第１時点から第２時点までの間の蓄電素子の温度データに係る時系列データ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。蓄電素子のＳＯＨの低下は、蓄電素子の温度に依存する。そこで、蓄電素子の温度がどのような時間的推移をしたかという時系列データを用いて学習モデルを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入力データとする学習データに基づいて前記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時点までの総通電電気量を入力データとする学習データに基づいて前記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前記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してもよい。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）までの蓄電素子の予定使用条件が分かれば、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予定使用条件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に係る時系列データを入力し、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に係る時系列データ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に係る時系列データ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に係る時系列データを取得するＳＯＣ取得部と、前記蓄電素子のＳＯＨを取得するＳＯＨ取得部と、前記ＳＯＣ取得部で取得したＳＯＣに係る時系列データ及び前記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に係る時系列データを入力し、前記劣化シミュレータが出力するＳＯＨを取得する処理と、前記劣化シミュレータに入力したＳＯＣに係る時系列データを取得する処理と、取得したＳＯＣに係る時系列データ及び取得した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に係る時系列データを取得する処理と、前記蓄電素子のＳＯＨを取得する処理と、取得したＳＯＣに係る時系列データ及び取得した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に係る時系列データを入力し、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に係る時系列データを取得し、取得されたＳＯＣに係る時系列データ及び取得された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に係る時系列データを取得し、前記蓄電素子のＳＯＨを取得し、取得されたＳＯＣに係る時系列データ及び取得された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に係る時系列データが入力されたときに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に係る時系列データ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ｔ１から時点ｔｎ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ｔ１から時点ｔｎ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ｔ１でのＳＯＨをＳＯＨ_t1とし、時点ｔｎでのＳＯＨをＳＯＨ_tn とすると、ＳＯＨ_tn＝ＳＯＨ_t1−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、時系列データ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に係る時系列データを取得する。

学習処理部は、入力値取得部で取得したＳＯＣに係る時系列データ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ＳＯＣの時系列データを入力すると、劣化シミュレータは、入力したＳＯＣの時系列データ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の時系列データは、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。

ＳＯＣ取得部は、蓄電素子のＳＯＣに係る時系列データを取得する。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、取得したＳＯＣに係る時系列データ及び取得した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の時系列データやＳＯＨは、例えば、時間的な変動が複雑となり、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ＳＯＣ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に係る時系列データを取得する。

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。

ＳＯＣ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に係る時系列データを取得する。ＳＯＣに係る時系列データは、例えば、センサ情報で得られた電流データに基づいて、電流積算法により求めることができる。

再学習処理部は、第１時点から第２時点までの間の蓄電素子のＳＯＣに係る時系列データ及び第１時点での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データに基づ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。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の時間的変動がどのように推移すると、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。これにより、ある時点（例えば、現在）のＳＯＨ、及び当該時点から劣化推定期間後の予測対象時点（例えば、１か月後、３か月後など）までの蓄電素子の使用条件を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。

劣化推定装置において、前記学習モデルは、畳み込みニューラルネットワークを有し、前記入力値取得部で取得したＳＯＣに係る時系列データに基づいて、複数の時点と、前記複数の時点それぞれのＳＯＣ値とを含む２次元ＳＯＣデータを生成する２次元データ生成部を備え、前記学習処理部は、前記２次元データ生成部で生成した２次元ＳＯＣデータを学習データとして用いて前記学習モデルを学習させる。

学習モデルは、畳み込みニューラルネットワークを有する。

２次元データ生成部は、入力値取得部で取得したＳＯＣに係る時系列データ（すなわち、劣化シミュレータに入力したＳＯＣの時系列データ）に基づいて、複数の時点と当該複数の時点それぞれのＳＯＣ値とを含む２次元ＳＯＣデータを生成する。２次元ＳＯＣデータを２次元画像（２次元ＳＯＣ画像ともいう）として扱う。例えば、２次元ＳＯＣ画像を、縦×横＝ｍ×ｍの画素で構成される画像とすると、ＳＯＣの０％から１００％を縦のｍ画素に割り当て、時点ｔ１からｔｎまでの時間を横のｍ画素に割り当てることにより、時点ｔ１から時点ｔｎまでのＳＯＣの時系列データを２次元画像として生成することができる。２次元ＳＯＣ画像は、ＳＯＣ値が割り当てられた画素を「１」とし、ＳＯＣ値が割り当てられていない画素を「０」とすることができる。

学習処理部は、２次元データ生成部で生成した２次元ＳＯＣデータを学習データとして用いて学習モデルを学習させる。すなわち、劣化シミュレータに入力したＳＯＣの時系列データから２次元ＳＯＣ画像を生成することにより、畳み込みニューラルネットワークを有する学習モデルを学習させることができる。ＳＯＣの時間的変動を画像上の画素の位置の変化として捉えて、学習モデルを学習させることができる。これにより、ＳＯＣの変動によるＳＯＨの変化（劣化値）を精度良く推定できるように学習モデルを学習させることができる。

劣化推定装置において、前記２次元データ生成部は、前記ＳＯＣ取得部で取得したＳＯＣに係る時系列データに基づいて、複数の時点と、前記複数の時点それぞれのＳＯＣ値とを含む２次元ＳＯＣデータを生成し、前記再学習処理部は、前記２次元データ生成部で生成した２次元ＳＯＣデータ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。

２次元データ生成部は、ＳＯＣ取得部で取得したＳＯＣに係る時系列データに基づいて、複数の時点と当該複数の時点それぞれのＳＯＣ値とを含む２次元ＳＯＣデータを生成する。この場合、ＳＯＣに係る時系列データは、例えば、センサ情報で得られた電流データに基づいて、電流積算法により求めることができる。

再学習処理部は、２次元データ生成部で生成した２次元ＳＯＣデータ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。すなわち、センサ情報から得られたＳＯＣの時系列データから２次元ＳＯＣ画像を生成することにより、畳み込みニューラルネットワークを有する学習モデルを再学習させることができる。ＳＯＣの時間的変動を画像上の画素の位置の変化として捉えて、学習モデルを再学習させることができる。これにより、ＳＯＣの変動によるＳＯＨの変化（劣化値）を精度良く推定できるように学習モデルを再学習させることができる。

劣化推定装置において、前記出力値取得部は、前記ＳＯＣに係る時系列データとともに温度に係る時系列データが入力された前記劣化シミュレータが出力するＳＯＨを取得する。

出力値取得部は、ＳＯＣに係る時系列データとともに温度に係る時系列データが入力された劣化シミュレータが出力するＳＯＨを取得する。これにより、劣化シミュレータに入力する温度データとして、例えば、平均温度を用いる場合に比べて、温度変動も考慮した劣化値を推定できるので、学習モデルの推定精度を向上させることができる。

劣化推定装置において、前記入力値取得部は、前記劣化シミュレータに入力した温度に係る時系列データを取得し、前記学習処理部は、前記入力値取得部で取得した温度に係る時系列データ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前記学習モデルを学習させる。

入力値取得部は、劣化シミュレータに入力した温度に係る時系列データを取得する。

学習処理部は、入力値取得部で取得した温度に係る時系列データ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。これにより、温度変動も考慮して学習モデルを学習させることができ、学習モデルの推定精度を向上させることができる。

劣化推定装置は、前記蓄電素子の時系列に検出された温度データを取得する温度データ取得部を備え、前記再学習処理部は、前記温度データ取得部で取得した温度データ及び前記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。

温度データ取得部は、蓄電素子の時系列に検出された温度データを取得する。

再学習処理部は、温度データ取得部で取得した温度データ及び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。これにより、温度変動も考慮して学習モデルを再学習させることができ、学習モデルの推定精度を向上させることができる。

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に係る時系列データと、前記ＳＯＣに係る時系列データ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に係る時系列データ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に係る時系列データを取得するＳＯＣ取得部とを備え、前記第１時点でのＳＯＨ及び前記ＳＯＣ取得部で取得したＳＯＣに係る時系列データ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、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に係る時系列データを取得する処理と、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に係る時系列データと、前記ＳＯＣに係る時系列データ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、前記第１時点での学習データとして学習させ、さらに、蓄電素子のＳＯＣに係る時系列データ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。

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に係る時系列データを取得し、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に係る時系列データと、前記ＳＯＣに係る時系列データ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、前記第１時点での学習データとして学習させ、さらに、蓄電素子のＳＯＣに係る時系列データ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に係る時系列データ、及び当該ＳＯＣに係る時系列データ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を第１時点での学習データとして学習してある。学習モデルは、さらに、蓄電素子のＳＯＣに係る時系列データ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。ＳＯＣ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に係る時系列データを取得する。第１時点でのＳＯＨ及び取得したＳＯＣに係る時系列データ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の時系列データ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。 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時点までの電流波形の一例を示す模式図である。 第１時点から第２時点までの電圧波形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データの一例を示す模式図である。 ＳＯＣリセットが行われたＳＯＣデータの一例を示す模式図である。 第１時点から第２時点までの温度データ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２実施形態のサーバ装置の構成の一例を示すブロック図である。 第２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。 ＳＯＣの時系列データから２次元ＳＯＣ画像を生成する一例を示す模式図である。 温度の時系列データから２次元温度画像を生成する一例を示す模式図である。 学習モデルの構成の一例を示す模式図である。 劣化シミュレータの推定値を用いた学習用データの一例を示す構成図である。 実測値を用いた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２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２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、ＳＯＣ（充電状態）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特定部２４、学習データ生成部２５、学習モデル２６、学習処理部２７、及び入力データ生成部２８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２６を学習させる学習モードと、学習済の学習モデル２６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２６の構成の一例を示す模式図である。学習モデル２６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２６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情報、温度情報、経過時間情報、充放電回数情報、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。なお、入力データのうち、特にＳＯＣ情報が最も重要なデータであると言える。蓄電素子の劣化は、ＳＯＣの変化に最も影響を受けると考えられるからであり、ＳＯＣ情報を用いて学習モデル２６を学習させることにより、劣化判定の精度を向上させることができる。すなわち、ＳＯＣ情報は、他の情報よりも蓄電素子の状態を最も正しく表現可能であると言える。また、ＳＯＣが高い（大きい）状態で蓄電素子が放電する場合、電圧の変化に基づいて蓄電素子の状態を表現することが難しいという理由もある。また、特にＳＯＣ情報と温度情報とは互いに関連し、かつ、ＳＯＣ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、重みおよ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２６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２６及び学習処理部２７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２６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。

以下では、まず学習モデル２６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であってもよい。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２６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。

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状態（例えば、使用状態）に係る時系列データを特定する。第１時点でのＳＯＨに対して、第２時点でのＳＯＨがどの程度低下しているか（劣化が進行しているか）は、第１時点から第２時点までの蓄電素子の使用状態によって異なる。処理部２３は、蓄電素子のセンサ情報から蓄電素子の状態に係る時系列データを特定する。

学習データ生成部２５は、第１時点でのＳＯＨ及び第１時点から第２時点までの時系列データを入力データとし、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２７は、学習データ生成部２５で生成した学習データに基づいて学習モデル２６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。

なお、上述の学習データ生成部２５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２７が、取得した学習データに基づいて学習モデル２６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。

学習モデル２６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状態がどのように推移すると、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、移動体や施設において稼働している多くの蓄電素子のセンサ情報から大量に収集することができる。以下に述べるように、ある時点（例えば、現在）のＳＯＨ、及び当該時点から劣化推定期間後の予測対象時点（例えば、現在から１か月後又は３か月後など）までの蓄電素子の使用条件を学習済の学習モデル２６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を用いて将来（例えば、１か月後又は３か月後など）の蓄電素子の劣化を推定することができる。

次に、時系列データの例として、ＳＯＣ（充電状態）に係る時系列データについて説明する。

図８は第１時点から第２時点までの電流波形の一例を示す模式図である。図中、縦軸は電流を示し、正側が充電を表し、負側が放電を表す。横軸は時間を示す。図８に示すような、時系列の電流データを、蓄電素子（蓄電セル）それぞれから収集することができる。

図９は第１時点から第２時点までの電圧波形の一例を示す模式図である。図中、縦軸は電圧を示し、横軸は時間を示す。図９に示すような、時系列の電圧データを、蓄電素子（蓄電セル）それぞれから収集することができる。

図１０は第１時点から第２時点までのＳＯＣデータ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特定部２４は、図８に示すような、蓄電素子の時系列の電流データに基づいて、蓄電素子のＳＯＣに係る時系列データを特定することができる。ＳＯＣに係る時系列データは、例えば、電流積算法により求めることができる。なお、上述のＳＯＣ特定部２４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、当該サーバ装置で特定した蓄電素子のＳＯＣに係る時系列データを取得し、学習処理部２７が、取得した時系列データに基づいて学習モデル２６を学習させる構成でもよい。

学習データ生成部は、第１時点でのＳＯＨ及びＳＯＣに係る時系列データを入力データとし、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ことができる。

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ＳＯＣがどのような時間的推移をしたかという時系列データを用いて学習モデル２６を学習させることを発案した。これにより、精度良くＳＯＨを推定できる学習済の学習モデル２６を生成することができる。

図１１はＳＯＣリセットが行われたＳＯＣデータの一例を示す模式図である。ＳＯＣ特定部２４は、補正部としての機能を有し、電圧データに基づいて、特定したＳＯＣに係る時系列データのうち、所要時点でのデータを補正する。

例えば、蓄電素子の充電又は放電が終了して所要時間経過後の電圧が安定している時点(図１１のリセット時点)の電圧データに基づいて、蓄電素子のＯＣＶ（開回路電圧）を取得することができる。ＳＯＣ−ＯＣＶ特性と取得したＯＣＶからＳＯＣを求めることができる。ＯＣＶから求めたＳＯＣと、電流積算法により算出したＳＯＣとの差が所定値以上である場合、電流積算法により算出したＳＯＣをＯＣＶから求めたＳＯＣに置き換えることにより、電流積算法による誤差をリセットして、精度良くＳＯＣを求めることができる。

処理部２３は、消去部としての機能を有し、第１時点から第２時点までのＳＯＣに係る時系列データに基づいて学習モデル２６を学習させる場合、記憶部２２に記憶した電流データのうち第１時点から第２時点までの電流データを消去することができる。例えば、処理部２３は、ＳＯＣ特定部２４で第１時点から第２時点までのＳＯＣに係る時系列データを特定した場合、記憶部２２に記憶した電流データのうち第１時点から第２時点までの電流データを消去することができる。

一旦、電流データに基づいて第１時点から第２時点までのＳＯＣに係る時系列データを特定した場合には、第１時点から第２時点までの電流データは不要となる。第１時点から第２時点までの電流データを消去することにより、記憶部２２の記憶容量を低減することができる。また、消去することにより空いた記憶容量に別の電流データを記憶することができるので、大量のセンサ情報を記憶することが可能となる。電流データを消去する際に、これまでのセンサ情報を圧縮して前履歴として保持し、学習モデル２６に前履歴を入力することで、前履歴を反映させてもよい。

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。図１２に示すような、時系列の温度データを、蓄電素子（蓄電セル）それぞれから収集することができる。

学習データ生成部２５は、第１時点から第２時点までの間の蓄電素子の温度データに係る時系列データ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。蓄電素子のＳＯＨの低下は、蓄電素子の温度に依存する。そこで、蓄電素子の温度がどのような時間的推移をしたかという時系列データを用いて学習モデル２６を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２６を生成することができる。

図１３は学習用データの一例を示す構成図である。図１３の例では、第１時点を時間ｔ１とし、第２時点を時間ｔ９０としている。第１時点から第２時点までを３か月とすると、時間間隔は、１日とすることができる。ここで、時間（時間情報）は、一義的に定まる時点または時間帯を示す数値または文字列とすることができる。時間情報（ｔ１、ｔ２、…）は、第１時点からの相対的な時間でもよく、あるいは、蓄電素子の製造時点を基準とした時間でもよく、特定の時点（例えば、２０１７年１月１日０時０分０秒）を基準にした時間でもよい。

図１３に示すように、学習用入力データは、時間ｔ１から時間ｔ９０までの９０個のＳＯＣ値、時間ｔ１から時間ｔ９０までの９０個の温度値、時間ｔ１でのＳＯＨｔ１とすることができる。学習用出力データは、時間ｔ９０でのＳＯＨｔ９０とすることができる。

図１４は学習用データの他の例を示す構成図である。図１３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）から時間ｔ１までの経過時間Ｄｔ１、及び製造時点（例えば、製造完了時点）から時間ｔ１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２５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２６を生成することができる。

学習データ生成部２５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２６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１５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１５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１５に示すように、学習データ生成部２５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２６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１６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１６に示すように、寿命推定のための入力データは、時間ｔｅ１（例えば、現在）から時間ｔｅ９０までの９０個のＳＯＣ値、時間ｔｅ１から時間ｔｅ９０までの９０個の温度値、時間ｔｅ１でのＳＯＨｔｅ１とすることができる。

入力データ生成部２８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状態（例えば、使用状態）に係る時系列データに基づいて、寿命推定のための入力データを生成する。第１時点（図１６では、時間ｔｅ１）でのＳＯＨｔｅ１は、センサ情報に基づいて公知の手法により推定してもよく、学習済の学習モデル２６により推定した値を用いることもできる。例えば、第１時点でのＳＯＨｔｅ１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２６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。第２時点は、ＳＯＨを推定する予測対象時点である。蓄電素子の状態に係る時系列データ（図１６では、ＳＯＣに係る時系列データ）は、第１時点から第２時点までの蓄電素子の予定使用条件などから特定することができる。

学習済の学習モデル２６は、第１時点でのＳＯＨ及び時系列データ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）までの蓄電素子の予定使用条件が分かれば、第２時点でのＳＯＨを推定することができる。また、第１時点のＳＯＨを用いることにより、第１時点を基準にして、第１時点から第２時点までの蓄電素子の予定使用条件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。

図１７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１６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）から時間ｔｅ１までの経過時間Ｄｔｅ１、及び製造時点（例えば、製造完了時点）から時間ｔｅ１までの充放電回数Ｃｔｅ１を含んでいる。

図１８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２６は、現在（時間ｔｅ１）のＳＯＨ及び現在から予測対象時点（時間ｔｅ９０）でのＳＯＨを推定する。図１８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（時間ｔｅ１）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、第１時点から第２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１９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ＳＯＣの推移を特定し（Ｓ１４）、第１時点のＳＯＨ、第１時点から第２時点までのＳＯＣの推移及び第１時点から第２時点までの温度の推移を入力データとし、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（Ｓ１５）。

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２６の学習及び更新を行い（Ｓ１６）、処理を終了するか否かを判定する（Ｓ１７）。処理を終了しないと判定した場合（Ｓ１７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（Ｓ１７でＹＥＳ）、処理を終了する。

図２０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の推移を特定する（Ｓ３４）。

処理部２３は、予測期間の始点でのＳＯＨ、予測期間のＳＯＣの推移、及び予測期間の温度の推移に基づいて予測用入力データを生成する（Ｓ３５）。処理部２３は、予測対象時点でのＳＯＨを推定し（Ｓ３６）、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、移動体や施設において稼働している多数の蓄電素子で検出された大量のセンサ情報に基づいて、実際の使用状態における蓄電素子の詳細な挙動を学習モデル２６に学習させることができるので、従来の劣化推定のモデル（例えば、単純な条件下における耐久試験などから決定されたパラメータに基づく推定モデル）に比べて、蓄電素子のＳＯＨを精度良く推定することができる。

また、学習モードにおいて、実際の使用状態における蓄電素子の詳細な挙動を学習させているので、移動体や施設において稼働しているＳＯＨ推定対象の蓄電素子の挙動との相関関係が良く、ＳＯＨ推定の信頼性が高い。なお、学習用の蓄電素子は、実際に稼働しているものに限定されない。例えば、寿命に近づいている、あるいは劣化が進行しているとして返却された蓄電素子のデータを用いることもできる。
なお、第２実施形態に記載しているように、入力データであるＳＯＣの時系列データとして、２次元画像データを入力させてもよい。２次元画像データを生成する２次元画像生成部が処理部２３に含まれていてもよいが、これに限らず、２次元画像生成部が処理部２３（或いはサーバ装置２）の外にあってもよい。すなわち、劣化推定装置が２次元画像生成部を備えなくてもよく、他の処理装置により２次元画像が生成されたデータを劣化推定装置に入力させてもよい。

（第２実施形態）
上述の第１実施形態では、学習処理部２７（処理部２３）が、学習モデル２６を学習及び更新する構成であったが、第２実施形態では、学習処理部２７（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２６を学習させ、第１実施形態と同様の処理を用いて学習済の学習モデル２６を再学習させることができる。以下、第２実施形態について説明する。

図２１は第２実施形態のサーバ装置２の構成の一例を示すブロック図である。図４に示す第１実施形態のサーバ装置２との相違点は、２次元画像生成部２９を備える点である。なお、２次元画像生成部２９の詳細は後述する。なお、本実施例では、２次元画像生成部２９が処理部２３に含まれている例を示しているが、これに限らず、２次元画像生成部２９が処理部２３（或いはサーバ装置２）の外にあってもよい。すなわち、劣化推定装置が２次元画像生成部を備えなくてもよく、他の処理装置により２次元画像が生成されたデータを劣化推定装置に入力させてもよい。

図２２は第２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の時系列データ及び温度の時系列データ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。図２２に示すように、ＳＯＣの時系列データは、時点ｔ１から時点ｔｎまでのＳＯＣの変動（例えば、時点毎のｎ個のＳＯＣの値の変動）を示し、温度の時系列データは、時点ｔ１から時点ｔｎまでの温度の変動（例えば、時点毎のｎ個の温度の値の変動）を示す。

すなわち、劣化シミュレータ５０は、時点ｔ１から時点ｔｎまでのＳＯＣ及び温度の変動に基づいて、時点ｔ１から時点ｔｎまでのＳＯＨの低下（劣化値）を推定することができる。時点ｔ１でのＳＯＨ（健康度ともいう）をＳＯＨ_t1 とし、時点ｔｎでのＳＯＨをＳＯＨ_tn とすると、劣化値は（ＳＯＨ_t −ＳＯＨ_tn ）となる。すなわち、時点ｔ１でのＳＯＨが分かっていると、劣化値に基づいて時点ｔｎ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ｔｎは、時点ｔ１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ｔ１と時点ｔｎ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ｔ１と時点ｔｎ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２２の例では、温度の時系列データを入力する構成であるが、温度の時系列データに代えて、所要温度（例えば、時点ｔ１から時点ｔｎ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ｔ１から時点ｔｎ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ｔ１から時点ｔｎ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ｔ１でのＳＯＨをＳＯＨ_t1とし、時点ｔｎでのＳＯＨをＳＯＨ_tn とすると、ＳＯＨ_tn＝ＳＯＨ_t1−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、時系列データ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２３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２３に示すように、符号Ａ、Ｂ、Ｃで示す３つのＳＯＣの時系列データ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の時系列データは、ＳＯＣの変動幅が比較的小さい。一方、符号Ｃで示すＳＯＣの時系列データは、ＳＯＣの変動幅が比較的大きい。符号Ｂで示すＳＯＣの時系列データは、ＳＯＣの変動幅が両者の中間程度である。図２３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の時系列データに対応し、符号ＢのＳＯＨの推移は、符号ＢのＳＯＣの時系列データに対応し、符号ＣのＳＯＨの推移は、符号ＣのＳＯＣの時系列データに対応している。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。

様々なＳＯＣの時系列データを劣化シミュレータ５０に入力することにより、様々なＳＯＣの時系列データに対応した劣化値（ＳＯＨ）を推定することができ、ＳＯＣの時系列データに対応する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、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に係る時系列データ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。また、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に係る時系列データを取得する。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の時系列データと、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２７は、劣化シミュレータ５０に入力されたＳＯＣに係る時系列データ及び劣化シミュレータ５０が出力したＳＯＨを学習データとして用いて学習モデル２６を学習させる。劣化シミュレータ５０に様々なＳＯＣの時系列データを入力すると、劣化シミュレータ５０は、入力したＳＯＣの時系列データ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の時系列データは、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２６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２６の推定精度（正答率）を容易に高めることができる。

処理部２３は、ＳＯＣに係る時系列データとともに温度に係る時系列データが入力された劣化シミュレータ５０が出力するＳＯＨを取得することができる。これにより、劣化シミュレータ５０に入力する温度データとして、例えば、平均温度を用いる場合に比べて、温度変動も考慮した劣化値を推定できるので、学習モデル２６の推定精度を向上させることができる。

学習処理部２７は、劣化シミュレータ５０に入力された温度の時系列データ及び劣化シミュレータ５０が出力したＳＯＨを学習データとして用いて学習モデル２６を学習させることができる。これにより、温度変動も考慮して学習モデル２６を学習させることができ、学習モデル２６の推定精度を向上させることができる。

処理部２３は、ＳＯＣ取得部としての機能を有し、蓄電素子のＳＯＣに係る時系列データを取得する。また、処理部２３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。

学習処理部２７は、再学習処理部としての機能を有し、処理部２３で取得したＳＯＣに係る時系列データ及びＳＯＨを学習データとして用いて、劣化シミュレータ５０のデータを用いて学習させた学習モデル２６を再学習させる。

より具体的には、学習処理部２７は、第１時点から第２時点までの間の蓄電素子のＳＯＣに係る時系列データ及び第１時点での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データに基づいて、劣化シミュレータ５０のデータを用いて学習させた学習モデル２６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２６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の時間的変動がどのように推移すると、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。これにより、ある時点（例えば、現在）のＳＯＨ、及び当該時点から劣化推定期間後の予測対象時点（例えば、１か月後、３か月後など）までの蓄電素子の使用条件を学習モデル２６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。

また、学習処理部２７は、センサ情報から得られた温度データ及び取得したＳＯＨを学習データとして用いて、劣化シミュレータ５０のデータを用いて学習させた学習モデル２６を再学習させることができる。これにより、温度変動も考慮して学習モデル２６を再学習させることができ、学習モデル２６の推定精度を向上させることができる。

次に、２次元画像生成部２９について説明する。

２次元画像生成部２９は、２次元データ生成部としての機能を有し、ＳＯＣの時系列データに基づいて、複数の時点と当該複数の時点それぞれのＳＯＣ値とを含む２次元ＳＯＣデータを生成する。本明細書では、２次元ＳＯＣデータを２次元ＳＯＣ画像として説明する。ＳＯＣの時系列データは、劣化シミュレータ５０に入力したＳＯＣの時系列データでもよく、センサ情報（例えば、電流の時系列データ）に基づいて電流積算法により求めたＳＯＣの時系列データでもよい。

２次元画像生成部２９は、温度の時系列データに基づいて、複数の時点と当該複数の時点それぞれの温度値とを含む２次元温度画像を生成することができる。

図２４はＳＯＣの時系列データから２次元ＳＯＣ画像を生成する一例を示す模式図である。図２４Ａは、ＳＯＣの時系列データを示す。図２４Ａにおいて、縦軸はＳＯＣ（０から１００％）を示し、横軸は時間（時点ｔ１からｔｎ）を示す。ＳＯＣの時系列データは、時点ｔ１から時点ｔｎのｎ個の時点それぞれにおけるＳＯＣ値をプロットしたものである。図２４Ｂは、２次元ＳＯＣ画像を示し、縦×横＝ｍ×ｍの画素で構成される画像である。２次元ＳＯＣ画像を生成する場合には、ＳＯＣの０％から１００％を縦のｍ画素に割り当て、時点ｔ１からｔｎまでの時間を横のｍ画素に割り当てる。２次元ＳＯＣ画像は、ＳＯＣ値が割り当てられた画素を「１」とし、ＳＯＣ値が割り当てられていない画素を「０」とする画像として捉えることができる。図２４Ｂでは、模式的に画素「１」を黒丸で示している。

例えば、ｎを２００００（秒）とし、ＳＯＣの目盛りを０．５（％）刻みとし、縦×横の画素（ｍ×ｍ）を２００×２００とすると、２次元ＳＯＣ画像での縦方向の１画素は、ＳＯＣの０．５％に相当し、横方向の１画素は、１００秒に相当する。この場合、１画素当たりのＳＯＣは、１００秒間のＳＯＣの平均値を用いることができる。

図２５は温度の時系列データから２次元温度画像を生成する一例を示す模式図である。図２５Ａは、温度の時系列データを示す。図２５Ａにおいて、縦軸は温度（例えば、０℃から１００℃）を示し、横軸は時間（時点ｔ１からｔｎ）を示す。温度の時系列データは、時点ｔ１から時点ｔｎのｎ個の時点それぞれにおける温度をプロットしたものである。図２５Ｂは、２次元温度画像を示し、縦×横＝ｍ×ｍの画素で構成される画像である。２次元温度画像を生成する場合には、温度の０℃から１００℃を縦のｍ画素に割り当て、時点ｔ１からｔｎまでの時間を横のｍ画素に割り当てる。２次元温度画像は、温度が割り当てられた画素を「１」とし、温度が割り当てられていない画素を「０」とする画像として捉えることができる。図２５Ｂでは、模式的に画素「１」を黒丸で示している。

図２６は学習モデル２６の構成の一例を示す模式図である。第２実施形態では、学習モデル２６は畳み込みニューラルネットワークで構成することができる。学習モデル２６は、入力層２６１、畳み込み層２６２、プーリング層２６３、畳み込み層２６４、プーリング層２６５、全結合層２６６、及び出力層２６７が、この順に接続されている。なお、畳み込み層、プーリング層及び全結合層の数は便宜上のものであり、図２６に示す数に限定されない。また、便宜上、活性化関数の層は省略している。

入力層２６１には、２次元画像生成部２９で生成した２次元ＳＯＣ画像及び２次元温度画像を入力することができる。なお、入力層５８１を２チャネルで構成し、一方のチャネルに２次元ＳＯＣ画像を入力し、他方のチャネルに２次元温度画像を入力することができる。

出力層２６７の出力ノードの数は適宜決定できる。例えば、出力ノードの数を２０とし、出力ノード１〜２０をそれぞれＳＯＨの低下割合（１〜２０％）とすることができる。

学習処理部２７は、２次元画像生成部２９で生成した２次元ＳＯＣ画像を学習データとして用いて学習モデル２６を学習させる。

図２７は劣化シミュレータ５０の推定値を用いた学習用データの一例を示す構成図である。図２７に示すように、ＮＯ．１の学習用データは、学習用入力データとして、２次元ＳＯＣ画像、２次元温度画像、時点ｔ１におけるＳＯＨとし、学習用出力データは時点ｔｎにおけるＳＯＨとすることができる。ＮＯ．２、ＮＯ．３以降の学習用データも同様である。すなわち、劣化シミュレータに入力したＳＯＣの時系列データから２次元ＳＯＣ画像を生成し、劣化シミュレータに入力した温度の時系列データから２次元温度画像を生成することにより、畳み込みニューラルネットワークを有する学習モデル２６を学習させることができる。ＳＯＣの時間的変動を画像上の画素の位置の変化として捉えて、学習モデル２６を学習させることができる。これにより、ＳＯＣの変動によるＳＯＨの変化（劣化値）を精度良く推定できるように学習モデル２６を学習させることができる。

学習処理部２７は、２次元画像生成部２９で生成した２次元ＳＯＣ画像を学習データとして用いて、劣化シミュレータ５０の推定値を用いて学習させた学習モデル２６を再学習させることができる。

図２８は実測値を用いた学習用データの一例を示す構成図である。図２８に示すように、ＮＯ．１の学習用データは、学習用入力データとして、２次元ＳＯＣ画像、２次元温度画像、時点ｔ１におけるＳＯＨとし、学習用出力データは時点ｔｎにおけるＳＯＨとすることができる。ＮＯ．２、ＮＯ．３以降の学習用データも同様である。すなわち、センサ情報から得られたＳＯＣの時系列データから２次元ＳＯＣ画像を生成することにより、畳み込みニューラルネットワークを有する学習モデル２６を再学習させることができる。ＳＯＣの時間的変動を画像上の画素の位置の変化として捉えて、学習モデル２６を再学習させることができる。これにより、ＳＯＣの変動によるＳＯＨの変化（劣化値）を精度良く推定できるように学習モデル２６を再学習させることができる。

図２９は学習モデル２６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２９において、縦軸は学習モデル２６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の時系列データやＳＯＨは、例えば、ＳＯＣの時間的な変動が複雑となり、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２６を学習させる場合、学習モデル２６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ＳＯＣの時系列データを入力すると、劣化シミュレータ５０は、入力したＳＯＣの時系列データ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２６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２６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、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２６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２６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２６は、劣化シミュレータ５０に入力するＳＯＣに係る時系列データ、及び当該ＳＯＣに係る時系列データ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してある。学習モデル２６は、さらに、蓄電素子のＳＯＣに係る時系列データ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２６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２６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２６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を取得し、第１時点から第２時点までの間の当該蓄電素子のＳＯＣに係る時系列データを取得する。サーバ装置２は、第１時点でのＳＯＨ及び取得したＳＯＣに係る時系列データを学習モデル２６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の時系列データを学習済又は再学習済の学習モデル２６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３０及び図３１は第２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の時系列データ及び温度の時系列データを入力し（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の時系列データ、温度の時系列データを取得する（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、２次元ＳＯＣ画像、２次元温度画像を生成し（Ｓ４４）、生成した２次元ＳＯＣ画像、２次元温度画像及び時点ｔ１のＳＯＨを入力データとし、時点ｔｎのＳＯＨを出力データとする学習用データを生成し（Ｓ４５）、生成した学習用データを用いて学習モデル２６を学習させる（Ｓ４６）。

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（Ｓ４７）、データがある場合（Ｓ４７でＹＥＳ）、ステップＳ４１以降の処理を続ける。データがない場合（Ｓ４７でＮＯ）、処理部２３は、第１時点及び第２時点を設定し（Ｓ４８）、第１時点及び第２時点のＳＯＨを取得する（Ｓ４９）。

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（Ｓ５０）。

処理部２３は、取得したセンサ情報を用いて２次元ＳＯＣ画像、２次元温度画像を生成し（Ｓ５１）、第１時点のＳＯＨ、２次元ＳＯＣ画像及び２次元温度画像を入力データとし、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（Ｓ５２）。

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２６の再学習を行い（Ｓ５３）、処理を終了するか否かを判定する（Ｓ５４）。処理を終了しないと判定した場合（Ｓ５４でＮＯ）、処理部２３は、ステップＳ４９以降の処理を続け、処理を終了すると判定した場合（Ｓ５４でＹＥＳ）、処理を終了する。

（第３実施形態）
学習モデル２６の学習において、学習モデル２６の全てのパラメータの中から、一部の所要のパラメータを選定し、例えば、ＳＯＣの代表値を用いて学習モデル２６を学習させることによって、選定した所要のパラメータを決定する。ここで、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。ＳＯＣの代表値としては、例えば、ＳＯＣの平均値、ＳＯＣの総変動量、ＳＯＣの変動幅などを含む。ＳＯＣの平均値は、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。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。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。なお、ＳＯＣの代表値に加えて、温度の代表値を用いてもよい。

所要のパラメータを決定した後、ＳＯＣや温度などの時系列データ（実測値）を用いて、学習モデル２６を学習させることによって、学習モデル２６の全て（残り）のパラメータを決定してもよい。これにより、劣化判定の精度が向上し、計算が速く収束させる（パラメータを決定し易くする）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２６及び学習処理部２７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２６及び学習処理部２７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。

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１９、図２０、図３０及び図３１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２６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。

上述の実施形態では、時間ｔ１から時間ｔ９０までのＳＯＣ及び温度を纏めて入力層に入力する構成であるが、これに限定されない。例えば、リカレントニューラルネットワーク（再帰型ニューラルネットワーク：ＲＮＮ）という手法により、前の時間の中間層を次の時間の入力と合わせて学習するようにしてもよい。これにより、入力層のノード数を少なくすることができる。また、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。

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特定部
２５ 学習データ生成部
２６ 学習モデル
２７ 学習処理部
２８ 入力データ生成部
２９ ２次元画像生成部

Claims (18)

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状態に係る時系列データ及び前記第１時点でのＳＯＨ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、
   前記蓄電素子の時系列に検出された電流データを取得する電流データ取得部と
   を備え、
   前記学習処理部は、
   さらに、前記電流データ取得部で取得した電流データに基づく、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に係る時系列データに基づいて前記学習モデルを学習させる劣化推定装置。
2. 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状態に係る時系列データ及び前記第１時点でのＳＯＨ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、
   前記蓄電素子の時系列に検出された温度データを取得する温度データ取得部と
   を備え、
   前記学習処理部は、
   さらに、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データに係る時系列データを入力データとする学習データに基づいて前記学習モデルを学習させる劣化推定装置。
3. 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、
   前記蓄電素子の時系列に検出された電流データを取得する電流データ取得部と、
   前記電流データ取得部で取得した電流データに基づく前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣに係る時系列データ、及び前記第１時点でのＳＯＨ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。
4. 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、
   前記蓄電素子の時系列に検出された温度データを取得する温度データ取得部と、
   前記第１時点から第２時点までの間の前記蓄電素子の状態に係る時系列データ、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データに係る時系列データ及び前記第１時点でのＳＯＨ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。
5. 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に係る時系列データを入力し、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に係る時系列データ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に係る時系列データ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に係る時系列データを取得するＳＯＣ取得部と、
   前記蓄電素子のＳＯＨを取得するＳＯＨ取得部と、
   前記ＳＯＣ取得部で取得したＳＯＣに係る時系列データ及び前記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。
6. 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に係る時系列データと、前記ＳＯＣに係る時系列データ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に係る時系列データ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に係る時系列データを取得するＳＯＣ取得部と
   を備え、
   前記第１時点でのＳＯＨ及び前記ＳＯＣ取得部で取得したＳＯＣに係る時系列データ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。
7. 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、
   前記蓄電素子の時系列に検出された電流データを取得する処理と、
   取得した電流データに基づく、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に係る時系列データ及び前記第１時点でのＳＯＨ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。
8. 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、
   前記蓄電素子の時系列に検出された温度データを取得する処理と、
   前記第１時点から第２時点までの間の前記蓄電素子の状態に係る時系列データ、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データに係る時系列データ及び前記第１時点でのＳＯＨ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。
9. 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、
   前記蓄電素子の時系列に検出された電流データを取得する処理と、
   取得した電流データに基づく前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣに係る時系列データ及び前記第１時点でのＳＯＨ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。
10. 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、
    前記蓄電素子の時系列に検出された温度データを取得する処理と、
    前記第１時点から第２時点までの間の前記蓄電素子の状態に係る時系列データ、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データに係る時系列データ及び前記第１時点でのＳＯＨ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。
11. 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に係る時系列データを入力し、前記劣化シミュレータが出力するＳＯＨを取得する処理と、
    前記劣化シミュレータに入力したＳＯＣに係る時系列データを取得する処理と、
    取得したＳＯＣに係る時系列データ及び取得した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に係る時系列データを取得する処理と、
    前記蓄電素子のＳＯＨを取得する処理と、
    取得したＳＯＣに係る時系列データ及び取得した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。
12. 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に係る時系列データを取得する処理と、
    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に係る時系列データと、前記ＳＯＣに係る時系列データ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、前記第１時点での学習データとして学習させ、さらに、蓄電素子のＳＯＣに係る時系列データ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。
13. 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、
    前記蓄電素子の時系列に検出された電流データを取得し、
    取得された電流データに基づく、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に係る時系列データ及び前記第１時点でのＳＯＨ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。
14. 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、
    前記蓄電素子の時系列に検出された温度データを取得し、
    前記第１時点から第２時点までの間の前記蓄電素子の状態に係る時系列データ、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データに係る時系列データ及び前記第１時点でのＳＯＨ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。
15. 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、
    前記蓄電素子の時系列に検出された電流データを取得し、
    取得された電流データに基づく前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣに係る時系列データ及び前記第１時点でのＳＯＨ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。
16. 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、
    前記蓄電素子の時系列に検出された温度データを取得し、
    前記第１時点から第２時点までの間の前記蓄電素子の状態に係る時系列データ、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データに係る時系列データ及び前記第１時点でのＳＯＨ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。
17. 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に係る時系列データを入力し、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に係る時系列データを取得し、
    取得されたＳＯＣに係る時系列データ及び取得された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に係る時系列データを取得し、
    前記蓄電素子のＳＯＨを取得し、
    取得されたＳＯＣに係る時系列データ及び取得された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。
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に係る時系列データを取得し、
    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に係る時系列データと、前記ＳＯＣに係る時系列データ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、前記第１時点での学習データとして学習させ、さらに、蓄電素子のＳＯＣに係る時系列データ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。

Images