JP6881428B2 - 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム - Google Patents

学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム Download PDF

Info

Publication number
JP6881428B2
JP6881428B2 JP2018247207A JP2018247207A JP6881428B2 JP 6881428 B2 JP6881428 B2 JP 6881428B2 JP 2018247207 A JP2018247207 A JP 2018247207A JP 2018247207 A JP2018247207 A JP 2018247207A JP 6881428 B2 JP6881428 B2 JP 6881428B2
Authority
JP
Japan
Prior art keywords
storage battery
capacity
voltage
estimation
learning
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.)
Active
Application number
JP2018247207A
Other languages
English (en)
Other versions
JP2020106470A (ja
Inventor
総一朗 虎井
総一朗 虎井
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.)
Yokogawa Electric Corp
Original Assignee
Yokogawa Electric 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 Yokogawa Electric Corp filed Critical Yokogawa Electric Corp
Priority to JP2018247207A priority Critical patent/JP6881428B2/ja
Priority to EP19902756.6A priority patent/EP3904894B1/en
Priority to PCT/JP2019/041167 priority patent/WO2020137114A1/ja
Priority to CN201980086400.XA priority patent/CN113227808A/zh
Publication of JP2020106470A publication Critical patent/JP2020106470A/ja
Application granted granted Critical
Publication of JP6881428B2 publication Critical patent/JP6881428B2/ja
Priority to US17/359,638 priority patent/US20210325469A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • H01M10/44—Methods for charging or discharging
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Description

本発明は、学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラムに関する。
従来、ＬｉＦｅＰＯ４およびグラファイトの相転移挙動に関連する様々なパラメータに基づくモデルを用いて蓄電池の状態を推定する技術（例えば、非特許文献１参照）や、確率的ニューラルネットワークを用いて蓄電池の状態を推定する技術（例えば、非特許文献２参照）が知られている。
［先行技術文献］
［非特許文献］
［非特許文献１］ Ｓｏｉｃｈｉｒｏ Ｔｏｒａｉ，他、"Ｓｔａｔｅ−ｏｆ−ｈｅａｌｔｈ ｅｓｔｉｍａｔｉｏｎ ｏｆ ＬｉＦｅＰＯ４／ｇｒａｐｈｉｔｅ ｂａｔｔｅｒｉｅｓ ｂａｓｅｄ ｏｎ ａ ｍｏｄｅｌ ｕｓｉｎｇ ｄｉｆｆｅｒｅｎｔｉａｌ ｃａｐａｃｉｔｙ"、Ｊｏｕｒｎａｌ ｏｆ Ｐｏｗｅｒ Ｓｏｕｒｃｅｓ ３０６（２０１６）
［非特許文献２］ Ｈｏ−Ｔａ Ｌｉｎ，他、"Ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｂａｔｔｅｒｙ Ｓｔａｔｅ ｏｆ Ｈｅａｌｔｈ Ｕｓｉｎｇ Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ"、ＩＥＥＥ ＴＲＡＮＳＡＣＴＩＯＮＳ ＯＮ ＩＮＤＵＳＴＲＩＡＬ ＩＮＦＯＲＭＡＴＩＣＳ、ＶＯＬ．９、ＮＯ.２、２０１３年５月
非特許文献１の技術では、電池の材料レベルからモデル化を行うため、電池材料の詳細な情報が必要である上、パラメータが多く存在するため演算負荷も高い。また、非特許文献２の技術では、モデルを生成するために多くの時間とコストを要する。しかしながら、蓄電池の運用中におけるデータから蓄電池の状態を容易に推定することが望まれている。
上記課題を解決するために、本発明の第１の態様においては、学習装置を提供する。学習装置は、蓄電池の充電および放電の少なくとも一方における、複数の条件下での蓄電池の電圧および容量のいずれか一方と、蓄電池の容量変化および電圧変化に応じた特性と、を取得する特性取得部を備えてよい。学習装置は、複数の条件下での蓄電池の電圧および容量のいずれか一方と特性との関係をそれぞれ学習して、蓄電池の電圧および容量のいずれか一方と特性から蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する学習部を備えてよい。
学習部は、複数の条件下のうちの少なくとも１つの条件下での関係から、異なる条件下での関係を補間する推定モデルを生成してよい。
学習部は、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて推定モデルを生成してよい。
特性は、蓄電池の容量を電圧で微分した容量微分特性であってよい。
学習部は、各条件のそれぞれについて、蓄電池の最大容量を対応付けてよい。
学習部は、容量微分特性を蓄電池の電圧で積分した積分特性に基づいて、各条件に対応付ける蓄電池の最大容量を算出してよい。
特性は、蓄電池の電圧を容量で微分した電圧微分特性であってよい。
本発明の第２の態様においては、推定装置を提供する。推定装置は、蓄電池の充電および放電の少なくとも一方における、複数の条件下での蓄電池の電圧および容量のいずれか一方と、蓄電池の容量変化および電圧変化に応じた特性と、の関係から、蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを取得するモデル取得部を備えてよい。推定装置は、蓄電池の電圧および電流の時系列データを取得するデータ取得部を備えてよい。推定装置は、蓄電池の電圧および電流の時系列データに基づいて、特性を算出する算出部を備えてよい。推定装置は、推定モデルを用いて、蓄電池の電圧および容量のいずれか一方と算出した特性から蓄電池の最大容量および残存容量の少なくとも一方を推定する推定部を備えてよい。
推定モデルは、複数の条件下のうちの少なくとも１つの条件下での関係から、異なる条件下での関係が補間されたものであってよい。
推定モデルは、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて学習されたものであってよい。
特性は、蓄電池の容量を電圧で微分した容量微分特性であってよい。
推定部は、容量微分特性を蓄電池の電圧で積分した積分特性に基づいて、蓄電池の最大容量を推定してよい。
特性は、蓄電池の電圧を容量で微分した電圧微分特性であってよい。
推定部は、推定モデルから、蓄電池の電圧を容量で微分したモデル電圧微分特性を取得し、モデル電圧微分特性をリファレンスとして蓄電池の残存容量を推定してよい。
推定部は、蓄電池の電圧および電流の時系列データに基づいて算出した、蓄電池の電圧を容量で微分した部分電圧微分特性を、モデル電圧微分特性をリファレンスとしてフィッティングして、蓄電池の残存容量を推定してよい。
推定部は、蓄電池の電圧および電流の時系列データに基づいて蓄電池の最大容量および残存容量の少なくとも一方の推定可否を判定してよい。
本発明の第３の態様においては、学習装置が学習する学習方法を提供する。学習方法は、蓄電池の充電および放電の少なくとも一方における、複数の条件下での蓄電池の電圧および容量のいずれか一方と、蓄電池の容量変化および電圧変化に応じた特性と、を取得することを備えてよい。学習方法は、複数の条件下での蓄電池の電圧および容量のいずれか一方と特性と、の関係をそれぞれ学習して、蓄電池の電圧および容量のいずれか一方と特性から蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成することを備えてよい。
本発明の第４の態様においては、推定装置が推定する推定方法を提供する。推定方法は、蓄電池の充電および放電の少なくとも一方における、複数の条件下での蓄電池の電圧および容量のいずれか一方と、蓄電池の容量変化および電圧変化に応じた特性との関係から、蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを取得することを備えてよい。推定方法は、蓄電池の電圧および電流の時系列データを取得することを備えてよい。推定方法は、蓄電池の電圧および電流の時系列データに基づいて、特性を算出することを備えてよい。推定方法は、推定モデルを用いて、蓄電池の電圧および容量のいずれか一方と算出した特性から蓄電池の最大容量および残存容量の少なくとも一方を推定することを備えてよい。
本発明の第５の態様においては、学習プログラムを提供する。学習プログラムは、コンピュータにより実行されてよい。学習プログラムは、コンピュータを、蓄電池の充電および放電の少なくとも一方における、複数の条件下での蓄電池の電圧および容量のいずれか一方と、蓄電池の容量変化および電圧変化に応じた特性と、を取得する特性取得部として機能させてよい。学習プログラムは、コンピュータを、複数の条件下での蓄電池の電圧および容量のいずれか一方と特性との関係をそれぞれ学習して、蓄電池の電圧および容量のいずれか一方と特性から蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する学習部として機能させてよい。
本発明の第６の態様においては、推定プログラムを提供する。推定プログラムは、コンピュータにより実行されてよい。推定プログラムは、コンピュータを、蓄電池の充電および放電の少なくとも一方における、複数の条件下での蓄電池の電圧および容量のいずれか一方と、蓄電池の容量変化および電圧変化に応じた特性と、の関係から、蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを取得するモデル取得部として機能させてよい。推定プログラムは、コンピュータを、蓄電池の電圧および電流の時系列データを取得するデータ取得部として機能させてよい。推定プログラムは、コンピュータを、蓄電池の電圧および電流の時系列データに基づいて、特性を算出する算出部として機能させてよい。推定プログラムは、コンピュータを、推定モデルを用いて、蓄電池の電圧および容量のいずれか一方と算出した特性から蓄電池の最大容量および残存容量の少なくとも一方を推定する推定部として機能させてよい。
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。
本実施形態に係る学習装置１００を、蓄電池１０と共に示す。 本実施形態に係る学習装置１００の算出部１５０が行うデータの前処理の一例を示す。 本実施形態に係る学習装置１００が生成する推定モデル３００の一例を示す。 本実施形態に係る学習装置１００が推定モデル３００を生成するフローを示す。 図４のフローに従って学習された学習済みｍｎＳＯＭを示す。 本実施形態に係る学習装置１００がｍｎＳＯＭの各モジュールに蓄電池１０の最大容量を対応付けた例を示す。 本実施形態に係る推定装置７００を、蓄電池１０と共に示す。 本実施形態の推定装置７００が蓄電池１０の状態を推定するフローを示す。 本実施形態に係る推定装置７００が蓄電池１０の残存容量を推定する場合に行うカーブフィッティングの一例を示す。 本実施形態の変形例に係る推定装置７００をクラウドコンピューティングにより実現する例を示す。 本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ２２００の例を示す。
以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
図１は、本実施形態に係る学習装置１００を、蓄電池１０と共に示す。本実施形態に係る学習装置１００は、充電を行うことにより繰り返し使用可能な蓄電池１０の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する。
ここで、最大容量とは、規定の電池電圧範囲において、蓄電池１０に最大限蓄えることができる電気量［Ａｈ］である。一般に、蓄電池は、充放電を繰り返すに従い、電気伝導を担う活性物質の失活や副反応により、特性が劣化して最大容量が徐々に低下する。本実施形態に係る学習装置１００は、このように充放電の繰り返しにより劣化する蓄電池１０の最大容量を推定するモデルを生成する。
また、残存容量とは、蓄電池が現時点から放電できる残りの電気量［Ａｈ］である。本実施形態に係る学習装置１００は、このような蓄電池１０の残存容量を推定するモデルを生成する。一般に、これら最大容量および残存容量を把握することは、蓄電システムを安全かつ高効率に長期運用するために極めて重要である。
学習装置１００は、ＰＣ（パーソナルコンピュータ）、タブレット型コンピュータ、スマートフォン、ワークステーション、サーバコンピュータ、または汎用コンピュータ等のコンピュータであってよく、複数のコンピュータが接続されたコンピュータシステムであってもよい。このようなコンピュータシステムもまた広義のコンピュータである。また、学習装置１００は、コンピュータ内で１または複数実行可能な仮想コンピュータ環境によって実装されてもよい。これに代えて、学習装置１００は、推定モデルの学習用に設計された専用コンピュータであってもよく、専用回路によって実現された専用ハードウェアであってもよい。
本実施形態に係る学習装置１００が学習の対象とする蓄電池１０は、図示しない負荷に対して電力を供給する。近年、蓄電池は、ハイブリッド自動車や電気自動車等の車両、ノートパソコン、デジタルカメラ、携帯電話、およびスマートフォン等に広く用いられている。一般に、これら蓄電池は、複数の電池セルを含む電池モジュールを直並列に接続した電池パックとして構成される。本実施形態に係る学習装置１００が学習の対象とする蓄電池１０は、例えば、このように構成された電池パックにおける少なくとも１つの電池モジュールであってよい。蓄電池１０は、学習装置１００が推定モデルを生成するための訓練データを取得する間、恒温槽等の内部温度が一定に保たれた槽の中で動作されてよい。蓄電池１０は、複数の電池セル１２および電流センサ１４を備える。
複数の電池セル１２は、それぞれ直列に接続されている。電池セル１２は、電池の構成単位の一つであり、単電池とも呼ばれる。蓄電池１０は、このような電池セル１２を直列に複数接続することで、所望の出力電圧を得る。
電流センサ１４は、複数の電池セル１２に対して直列に接続され、蓄電池１０に流れる電流を測定する。電流センサ１４は、測定した電流を学習装置１００へ供給する。
本実施形態に係る学習装置１００は、電圧センサ１１０、温度センサ１２０、Ａ／Ｄ変換器１３０、データ取得部１４０、算出部１５０、特性取得部１６０、学習部１７０、およびモデル出力部１８０を備える。
電圧センサ１１０は、複数の電池セル１２を全て直列に接続した電圧値である蓄電池１０の端子間電圧を測定する。また、電圧センサ１１０は、複数の電池セル１２の各々の端子間電圧を測定してもよい。電圧センサ１１０は、測定した電圧をＡ／Ｄ変換器１３０へ供給する。
温度センサ１２０は、蓄電池１０の温度を測定する。温度センサ１２０は、複数の電池セル１２のうちのいずれかの位置を代表点として、蓄電池１０の温度を測定する。また、温度センサ１２０は、複数の電池セル１２の各々の温度を測定してもよい。温度センサ１２０は、測定した温度をＡ／Ｄ変換器１３０へ供給する。
Ａ／Ｄ変換器１３０は、電流センサ１４が測定した電流、電圧センサ１１０が測定した電圧、および温度センサ１２０が測定した温度を予め定められたサンプリング周期でサンプリングして、サンプリングされたアナログデータの測定値をデジタルデータに変換する。そして、Ａ／Ｄ変換器１３０は、デジタルデータに変換した蓄電池１０の電圧Ｖ、電流Ｉ、および温度Ｔをデータ取得部１４０へ供給する。
データ取得部１４０は、Ａ／Ｄ変換器１３０によってデジタルデータに変換された蓄電池１０の電圧Ｖおよび電流Ｉの時系列データを取得する。また、データ取得部１４０は、Ａ／Ｄ変換器１３０によってデジタルデータに変換された蓄電池１０の温度Ｔを、蓄電池１０の電圧Ｖおよび電流Ｉの時系列データと併せて取得する。電圧センサ１１０が複数の電池セル１２の各々の端子間電圧を測定する場合、データ取得部１４０は、例えば、複数の電池セル１２の各々の端子間電圧の和から蓄電池１０の電圧Ｖを取得してもよい。また、温度センサ１２０が複数の電池セル１２の各々の温度を測定する場合、データ取得部１４０は、例えば、複数の電池セル１２の各々の温度の統計（例えば、平均）から蓄電池１０の温度Ｔを取得してもよい。これに代えて、データ取得部１４０は、温度センサ１２０が測定した温度を用いることなく、恒温槽の設定温度を蓄電池１０の温度Ｔとして取得してもよい。しかしながら、恒温槽の設定温度と実際の電池セル１２の表面温度とが異なる場合がある。したがって、蓄電池１０の温度Ｔは、温度センサ１２０によって実際に測定した温度であると好ましい。
算出部１５０は、データ取得部１４０が取得した蓄電池１０の電圧Ｖおよび電流Ｉの時系列データの前処理を行う。算出部１５０は、例えば、蓄電池１０の電圧Ｖおよび電流Ｉの時系列データに基づいて、蓄電池１０の充電および放電の少なくとも一方における、複数の条件下での蓄電池１０の電圧Ｖおよび容量Ｑのいずれか一方と、蓄電池１０の容量変化および電圧変化に応じた特性を算出する。ここで、当該特性は、蓄電池１０の容量を電圧で微分した容量微分特性であってよい。これについては後述する。
特性取得部１６０は、蓄電池１０の充電および放電の少なくとも一方における、複数の条件下での蓄電池１０の電圧Ｖおよび容量Ｑのいずれか一方と、蓄電池１０の容量変化および電圧変化に応じた特性と、を取得する。
学習部１７０は、複数の条件下での蓄電池１０の電圧Ｖおよび容量Ｑのいずれか一方と、蓄電池１０の容量変化および電圧変化に応じた特性との関係をそれぞれ学習して、蓄電池１０の電圧Ｖおよび容量Ｑのいずれか一方と当該特性から蓄電池１０の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する。これについては後述する。
モデル出力部１８０は、学習部１７０が学習した推定モデルを出力する。モデル出力部１８０は、推定モデルを自装置内の他の機能部へ供給する。また、モデル出力部１８０は、推定モデルを、例えば、ネットワークを介して他の装置へ供給してもよい。
なお、上述の説明では、学習装置１００が、電圧センサ１１０、温度センサ１２０、およびＡ／Ｄ変換器１３０を備える場合を一例として説明したが、これに限定されるものではない。電圧センサ１１０、温度センサ１２０、およびＡ／Ｄ変換器１３０の少なくともいずれかは、学習装置１００とは異なる装置に備えられていてもよい。
図２は、本実施形態に係る学習装置１００の算出部１５０が行うデータの前処理の一例を示す。データ取得部１４０は、複数の条件下での蓄電池１０の電圧Ｖおよび電流Ｉを時間ｔと共に取得する。なお、ここでいう複数の条件とは、蓄電池１０の温度Ｔ、充放電レート、およびＳＯＨ（Ｓｔａｔｅ ｏｆ Ｈｅａｌｔｈ）の少なくともいずれかが異なる条件をいう。ここで、充放電レートとは、充電時および放電時の電流量を、１時間で蓄電池を満充電する電流量を１Ｃとして示したものである。また、ＳＯＨとは、初期の最大容量に対する現時点の最大容量を百分率で示したものである。本図左に、一例として、データ取得部１４０が、ある条件下（温度Ｔ＝○○℃、充放電レート＝○○Ｃ、ＳＯＨ＝○○％）において取得した蓄電池１０の電圧Ｖおよび電流Ｉを時間ｔと共に示す。
算出部１５０は、データ取得部１４０が取得したデータに対して、例えば、区間平均処理や移動平均処理を行い、データの平滑化を行う。次に、算出部１５０は、電流Ｉに時間ｔを乗じ、時間ｔの経過とともにそれを積算することによって、本図中央に示すように、容量Ｑ［Ａｈ］を算出する。そして、算出部１５０は、容量Ｑを電圧Ｖで微分することにより、蓄電池１０の容量Ｑを電圧Ｖで微分した容量微分特性ｄＱ／ｄＶ［Ａｈ／Ｖ］に変換する。算出部１５０は、各条件下においてデータ取得部１４０が取得したデータのそれぞれに対して、このような前処理を行うことにより、本図右に示すように、各条件下での、蓄電池１０の電圧Ｖと容量微分特性ｄＱ／ｄＶとの関係を得る。
図３は、本実施形態に係る学習装置１００が生成する推定モデル３００の一例を示す。学習部１７０は、複数の条件下のうちの少なくとも１つの条件下での関係から、異なる条件下での関係を補間する推定モデルを生成する。一例として、学習部１７０は、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップ（ｍｎＳＯＭ：ｍｏｄｕｌａｒ ｎｅｔｗｏｒｋ Ｓｅｌｆ Ｏｒｇａｎｉｚｉｎｇ Ｍａｐ）を用いて推定モデルを生成してよい。しかしながら、これに限定されるものではない。学習部１７０は、ｋ平均法等のクラスタリング、主成分分析、および独立成分分析等の他の教師なし学習を用いて推定モデルを生成してもよいし、ｋ近傍法、回帰木、ランダムフォレスト、ニューラルネットワーク、サポートベクター回帰、および射影追跡回帰等の回帰を用いて推定モデルを生成してもよい。
ＳＯＭ（Ｓｅｌｆ Ｏｒｇａｎｉｚｉｎｇ Ｍａｐ）は、与えられた入力情報の類似度をマップ上の距離で表現するモデルとして知られている。ＳＯＭは、規則的に配置された複数のユニットから構成される。各ユニットは入力ベクトルと同次元の参照ベクトルを有する。そして、ＳＯＭは、入力ベクトルを参照ベクトルと比較し、入力ベクトルを入力ベクトルに最も近い参照ベクトルを持つユニットのマップ上での座標へ変換する。すなわち、ＳＯＭは、入力ベクトルが存在するベクトル空間からユニットが配置されるマップ空間へ入力ベクトルを写像する。
ＳＯＭは、ベクトル空間上での入力ベクトル同士の関係性が、写像されたマップ空間上でも保たれるように、自分自身で学習を行う。すなわち、ＳＯＭは、教師なし学習によってベクトル空間からマップ空間への同相写像を獲得する。具体的には、ＳＯＭに入力ベクトルが与えられると、入力ベクトルに最も近い参照ベクトルを持つユニットを勝者ユニットとして決定する。このとき、マップ上で勝者ユニットの近くに位置するユニットほど、入力ベクトルに対して強く学習する権利を獲得し、その強さに応じて参照ベクトルを入力ベクトルに近づけるように学習する。このときの学習の強さは、勝者ユニットが最も強く、マップ上での位置が勝者ユニットから離れていくほど弱くなる。ＳＯＭは、このような参照ベクトルの更新を複数の入力ベクトルに対して繰り返していくことで、ベクトル空間上での入力ベクトル同士の関係性を保存したマップを得ることができる。
このように、ＳＯＭは、入力層と出力層からなる２層構造の教師なし学習ニューラルネットワークであり、教師なし学習によって入力データを任意の次元の出力層へ写像する。すなわち、ＳＯＭは、教師なし学習によって、入力データを、当該入力データと同じ次元のベクトルがそれぞれ対応付けられているユニットを規則的に複数配置した出力層へと写像するモデルであって、各ユニットに対応付けられている当該ベクトルを更新することによって学習が行われるモデルである。
ｍｎＳＯＭは、このようなＳＯＭにおける参照ベクトルユニットを、ニューラルネットワークなどのモジュールに置き換えたものである。本実施形態に係る学習装置１００の学習部１７０は、このｍｎＳＯＭを用いて推定モデル３００を生成する。推定モデル３００は、複数のモジュール３１０を有する。本実施形態において、各モジュール３１０は、多層パーセプトロンによる１入力１出力ニューラルネットワーク構造であり、各モジュール３１０におけるレイヤ数、隠れ層のノード数、および活性化関数は任意でよいものとする。学習部１７０は、蓄電池１０の電圧Ｖを入力ベクトル、容量微分特性ｄＱ／ｄＶを出力ベクトルとして各モジュール３１０をニューラルネットにより学習して、推定モデル３００を生成する。しかしながら、これに限定されるものではない。各モジュール３１０は、ニューラルネットワークに限らず、蓄電池１０の電圧Ｖを入力し、容量微分特性ｄＱ／ｄＶを出力するように学習可能な、線形回帰、ｋ近傍法、回帰木、ランダムフォレスト、サポートベクター回帰、決定木、ベイジアンネットワーク、隠れマルコフモデル等の構造であってもよい。
図４は、本実施形態に係る学習装置１００が推定モデル３００を生成するフローを示す。本フローにおいては、一例として、学習部１７０が、共通の温度条件（例えば、温度Ｔ＝２５℃）および共通の充放電レート条件（例えば、充放電レート＝０．２Ｃ充電）での、異なるＳＯＨ条件（例えば、ＳＯＨ＝６４％、６９％、８６％、９２％、および１００％）における訓練データを用いて１つのマップを形成する場合について説明する。この場合、学習部１７０は、温度条件および充放電レート条件の少なくとも一方が異なる条件下における訓練データを用いて、上記マップとは異なる他のマップを形成する。すなわち、学習部１７０は、温度条件および充放電レート条件の少なくともいずれかが異なる複数の条件にそれぞれ対応する複数のマップを形成する。これに代えて、学習部１７０は、共通の充放電レート条件（例えば、充放電レート＝０．２Ｃ）での異なる温度条件（温度Ｔ＝２５℃および４５℃）および異なるＳＯＨ条件（例えば、ＳＯＨ＝６４％、６９％、８６％、９２％、および１００％）における訓練データを用いて１つのマップを形成してもよい。すなわち、学習部１７０は、例えば、「温度Ｔ＝２５℃、充放電レート＝０．２Ｃ、ＳＯＨ＝６４％、６９％、８６％、９２％、および１００％」の５つの条件、および、「温度Ｔ＝４５℃、充放電レート＝０．２Ｃ、ＳＯＨ＝６４％、６９％、８６％、９２％、および１００％」の５つの条件、計１０個の条件下における訓練データを用いて１つのマップを形成してもよい。
ステップ４１０において、データ取得部１４０は、異なるＳＯＨ条件における蓄電池１０の電圧Ｖおよび電流Ｉの時系列データを取得する。
ステップ４２０において、算出部１５０は、図２の説明に従ってデータの前処理を行い、各ＳＯＨ条件における、蓄電池１０の電圧Ｖと容量微分特性ｄＱ／ｄＶとの関係を得る。
ステップ４３０において、学習部１７０は、異なるＳＯＨ条件のうちの１つのＳＯＨ条件（例えば、ＳＯＨ＝６４％）における蓄電池１０の電圧Ｖと容量微分特性ｄＱ／ｄＶとの関係に基づいて、勝者モジュールを決定する。学習部１７０は、例えば、各モジュールに、訓練データであるＳＯＨ＝６４％における電圧Ｖのベクトルを入力し、各モジュールにおけるニューラルネットによって演算された容量微分特性ｄＱ／ｄＶ値ベクトルの出力をそれぞれ得る。次に、学習部１７０は、演算された容量微分特性ｄＱ／ｄＶ値ベクトルと、訓練データであるＳＯＨ＝６４％における容量微分特性ｄＱ／ｄＶ値ベクトルとのユークリッド距離を各モジュールについて演算する。そして、学習部１７０は、最もユークリッド距離が小さいモジュールを勝者モジュールとして決定する。
ステップ４４０において、学習部１７０は、ステップ４３０で決定した勝者モジュールとのマップ上での距離に基づいて、各モジュール３１０を学習する。学習部１７０は、例えば、複数のモジュール３１０のうち勝者モジュールとして決定されたモジュールを訓練データの容量微分特性ｄＱ／ｄＶに近づけるように最も強く学習し、マップ上での位置が勝者モジュールから離れていくほど弱く学習する。
ステップ４５０において、学習部１７０は、他の訓練データの有無を判断する。他の訓練データが有ると判断された場合、学習部１７０は、処理をステップ４３０に戻して、次のＳＯＨ条件（例えば、ＳＯＨ＝６９％）における訓練データを用いて次の勝者モジュールを決定し、各モジュールを学習する。このように、学習部１７０は、他の訓練データが無くなるまで、すなわち、ＳＯＨ＝６４％、６９％、８６％、９２％、１００％における訓練データを用いて各モジュールを学習するまで処理を繰り返す。
ステップ４５０において、他の訓練データが無いと判断された場合、学習部１７０は、ステップ４６０において、各条件のそれぞれについて、蓄電池１０の最大容量を対応付ける。すなわち、各モジュール３１０のそれぞれについて、蓄電池１０の最大容量を対応付ける。この際、学習部１７０は、容量微分特性ｄＱ／ｄＶを蓄電池１０の電圧Ｖで積分した積分特性に基づいて、各条件に対応付ける蓄電池１０の最大容量を算出する。具体的には、学習部１７０は、次式に基づいて、各条件に対応付ける蓄電池１０の最大容量を算出してよい。ここで、（数１）式において、Ｑｍａｘは蓄電池１０の最大容量、Ｕｐｐｅｒ Ｖは蓄電池１０の最大容量を規定する上限電圧、Ｌｏｗｅｒ Ｖは蓄電池１０の最大容量を規定する下限電圧を示す。すなわち、学習部１７０は、各モジュールの容量微分特性ｄＱ／ｄＶについて、蓄電池１０の最大容量を規定する下限電圧から上限電圧の範囲における面積値を算出し、当該面積値を各モジュールに対応付ける。そして、学習部１７０は本図のフロー処理を終了する。
Figure 0006881428
図５は、図４のフローに従って学習された学習済みｍｎＳＯＭを示す。本図に示すように、例えば、ＳＯＨ＝１００％における訓練データを用いた学習では、マップ上の左下端のモジュール、すなわち、モジュール（０、９）が勝者モジュールとして決定され、モジュール（０、９）の容量微分特性ｄＱ／ｄＶが、ＳＯＨ＝１００％における容量微分特性ｄＱ／ｄＶに最も近づくように学習されている。また、例えば、ＳＯＨ＝６４％における訓練データを用いた学習では、マップ上の右下端のモジュール、すなわち、モジュール（１４、９）が勝者モジュールとして決定され、モジュール（１４、９）の容量微分特性ｄＱ／ｄＶが、ＳＯＨ＝６４％における容量微分特性ｄＱ／ｄＶに最も近づくように学習されている。ここで、学習部１７０は、訓練データとしては５つのＳＯＨ条件しか用いていないにも関わらず、本図に示すように、１０×１５＝１５０個の関数をモジュールの学習によって取得し、類似する特性を有する関数を自己組織的に近くに配置している。
このように、本実施形態に係る学習装置１００の学習部１７０は、図４のフローに従って、ｍｎＳＯＭを用いて推定モデル３００を生成するので、勝者モジュールとして決定されたモジュールについては訓練データを用いた教師あり学習をする一方、ネットワーク全体としては教師なし学習によって自己組織的にクラスタリングすることができる。このため、学習部１７０は、比較的少ない量の訓練データから推定モデルを生成することができ、モデルを生成するための前準備にかかる時間やコストを低減することができる。また、学習部１７０は、蓄電池１０の運用中のデータに基づいて推定モデルを生成するので、蓄電池１０の電極材料固有の物性値や電池の反応原理等の詳細情報を用いることなくモデルを生成することができる。
図６は、本実施形態に係る学習装置１００がｍｎＳＯＭの各モジュールに蓄電池１０の最大容量を対応付けた例を示す。本図において、各モジュールに記載された数値は、各モジュールに対応付けられた蓄電池１０の最大容量を示しており、本図は、当該最大容量の大きさを各モジュールの濃淡で示している。学習部１７０は、図５に示される各モジュールの関数を、それぞれ、上述の（数１）式に基づいて、蓄電池１０の電圧Ｖで積分することによって、蓄電池１０の最大容量を算出し、各モジュールにそれぞれ対応付けている。
このように、本実施形態に係る学習装置１００の学習部１７０は、各モジュールに蓄電池１０の最大容量を対応付けるので、後に説明する蓄電池１０の最大容量の推定が容易な推定モデル３００を提供することができる。
なお、上述の説明では、学習装置１００が、蓄電池１０の容量Ｑを電圧Ｖで微分した容量微分特性ｄＱ／ｄＶを学習して推定モデルを生成する場合を一例として示したが、これに限定されるものではない。学習装置１００は、蓄電池１０の電圧Ｖを容量Ｑで微分した電圧微分特性ｄＶ／ｄＱを学習して推定モデルを生成してもよい。すなわち、算出部１５０は、蓄電池１０の容量変化および電圧変化に応じた特性として、蓄電池１０の電圧Ｖを容量Ｑで微分した電圧微分特性ｄＶ／ｄＱを算出し、学習部１７０が、蓄電池１０の容量Ｑを入力ベクトル、蓄電池１０の電圧微分特性ｄＶ／ｄＱを出力ベクトルとして各モジュール３１０を学習して、推定モデル３００を生成してよい。
また、上述の説明では、学習装置１００が、蓄電池１０から実際に取得したデータを訓練データとして推定モデル３００を生成する場合を一例として示したが、これに限定されるものではない。学習装置１００は、蓄電池１０の挙動を疑似する数値シミュレーションモデルの出力を訓練データとして推定モデル３００を生成してもよい。
図７は、本実施形態に係る推定装置７００を、蓄電池１０と共に示す。図７においては、図１と同じ機能および構成を有する部材に対して同じ符号を付すとともに、以下相違点を除き説明を省略する。本実施形態に係る推定装置７００は、推定モデル３００を取得して、取得した推定モデル３００を用いて、蓄電池１０の最大容量および残存容量の少なくとも一方を推定する。
推定装置７００は、図１に示す学習装置１００と同一の装置として構成されていてもよいし、学習装置１００とは異なる別の装置として構成されていてもよい。推定装置７００は、ＰＣ（パーソナルコンピュータ）、タブレット型コンピュータ、スマートフォン、ワークステーション、サーバコンピュータ、または汎用コンピュータ等のコンピュータであってよく、複数のコンピュータが接続されたコンピュータシステムであってもよい。このようなコンピュータシステムもまた広義のコンピュータである。また、推定装置７００は、コンピュータ内で１または複数実行可能な仮想コンピュータ環境によって実装されてもよい。これに代えて、推定装置７００は、最大容量および残存容量の少なくとも一方の推定用に設計された専用コンピュータであってもよく、専用回路によって実現された専用ハードウェアであってもよい。
本実施形態に係る推定装置７００は、電圧センサ１１０、温度センサ１２０、Ａ／Ｄ変換器１３０、データ取得部１４０、算出部１５０、特性取得部１６０、モデル取得部７１０、推定部７２０、および結果出力部７３０を備える。電圧センサ１１０、温度センサ１２０、Ａ／Ｄ変換器１３０、データ取得部１４０、算出部１５０、および特性取得部１６０については、図１と同様であるため説明を省略する。
モデル取得部７１０は、蓄電池１０の充電および放電の少なくとも一方における、複数の条件下での蓄電池１０の電圧Ｖおよび容量Ｑのいずれか一方と、蓄電池１０の容量変化および電圧変化に応じた特性と、の関係から、蓄電池１０の最大容量および残存容量の少なくとも一方を推定する推定モデルを取得する。モデル取得部７１０は、例えば、図１に示す学習装置１００によって最大容量が対応付けられた学習済みｍｎＳＯＭを、ネットワーク等を介して取得する。
推定部７２０は、モデル取得部７１０が取得した推定モデル３００を用いて、運用中における蓄電池１０の電圧Ｖおよび容量Ｑのいずれか一方と算出した蓄電池１０の容量変化および電圧変化に応じた特性から蓄電池１０の最大容量および残存容量の少なくとも一方を推定する。この際、推定部７２０は、運用中における蓄電池１０の電圧Ｖおよび電流Ｉの時系列データに基づいて蓄電池１０の最大容量および残存容量の少なくとも一方の推定可否を判定してよい。また、推定部７２０は、推定した蓄電池１０の最大容量および残存容量を用いて、蓄電池１０のＳＯＨおよびＳＯＣ（Ｓｔａｔｅ ｏｆ Ｃｈａｒｇｅ）を推定してよい。なお、ＳＯＣとは、蓄電池１０の現時点の最大容量に対する残存容量を百分率で示したものである。推定部７２０における各種推定については後述する。推定部７２０は、推定した結果を結果出力部７３０へ供給する。
結果出力部７３０は、推定部７２０が推定した蓄電池１０の最大容量、残存容量、ＳＯＨ、およびＳＯＣの少なくともいずれかを、他の機能部または他の装置へ供給する。結果出力部７３０は、例えば、バッテリー制御システムから蓄電池１０の状態の問い合わせがあった場合に、これら推定部７２０が推定した推定結果を出力してよい。
図８は、本実施形態の推定装置７００が蓄電池１０の状態を推定するフローを示す。ステップ８１０において、データ取得部１４０は、運用中における蓄電池１０の電圧Ｖおよび電流Ｉの時系列データを取得する。また、データ取得部１４０は、蓄電池１０の温度Ｔを、蓄電池１０の電圧Ｖおよび電流Ｉの時系列データと併せて取得する。
ステップ８３０において、推定部７２０は、蓄電池１０の電圧Ｖおよび電流Ｉの時系列データに基づいて蓄電池１０の最大容量の推定可否を判定する。推定部７２０は、例えば、最大容量を推定するのに適切なデータが蓄積されているか否か、例えば、ＳＯＨに対する変化が大きい領域が蓄積されているか否かに応じて、蓄電池１０の最大容量の推定可否を判定する。また、推定部７２０は、最大容量を推定するのに十分なデータ量が蓄積されているか否か、例えば、予め定められたＳＯＣ範囲相当分（ＳＯＣ：２０％相当分など）の容量範囲のデータが蓄積されているか否かに応じて、蓄電池１０の最大容量の推定可否を判定する。また、推定部７２０は、最大容量の推定に有利な特徴点を捉えているか否か、例えば、容量微分特性ｄＱ／ｄＶのピーク点を捉えているか否かに応じて、蓄電池１０の最大容量の推定可否を判定する。推定部７２０は、これらの全てを満たす場合に、蓄電池１０の最大容量の推定が可能であると判定してよい。これに代えて、推定部７２０は、これらのうちの少なくとも１つを満たす場合に、蓄電池１０の最大容量の推定が可能であると判定してもよい。
ステップ８３０において、最大容量の推定が可能であると判定された場合、ステップ８３５において、算出部１５０は、ステップ４２０と同様、図２の説明に従ってデータの前処理を行う。そして、特性取得部１６０は、運用中における蓄電池１０の電圧Ｖと容量微分特性ｄＱ／ｄＶとの関係を一定期間分、図示せぬデータベース等に蓄積する。
そして、ステップ８４０において、蓄積された蓄電池１０の電圧Ｖと容量微分特性ｄＱ／ｄＶとの関係から勝者モジュールを決定して、勝者モジュールを更新する。なお、初期時には、任意のいずれかのモジュールが勝者モジュールとして設定されていてよい。推定部７２０は、複数のマップから運用中の条件に対応するｍｎＳＯＭのマップを選択する。推定部７２０は、例えば、運用中の温度条件および充放電レート条件に対応するｍｎＳＯＭのマップを選択する。次に、推定部７２０は、選択したｍｎＳＯＭの各モジュールに、蓄積された電圧Ｖのベクトルを入力し、各モジュールにおけるニューラルネットによって演算された容量微分特性ｄＱ／ｄＶ値ベクトルの出力をそれぞれ得る。次に、推定部７２０は、演算された容量微分特性ｄＱ／ｄＶ値ベクトルと、蓄積された容量微分特性ｄＱ／ｄＶ値ベクトルとのユークリッド距離を各モジュールについて演算する。そして、推定部７２０は、最もユークリッド距離が小さいモジュールを勝者モジュールとして決定する。
ステップ８５０において、推定部７２０は、勝者モジュールとして決定されたモジュールにおける容量微分特性ｄＱ／ｄＶを蓄電池１０の電圧Ｖで積分した積分特性に基づいて、蓄電池１０の最大容量を推定する。推定部７２０は、例えば、モデル取得部７１０が取得した推定モデル３００において、各モジュールに蓄電池１０の最大容量が予め対応付けられていた場合、勝者モジュールとして決定されたモジュールに対応付けられている最大容量を呼び出し、それを蓄電池１０の最大容量として推定してよい。推定モデル３００において、各モジュールについて蓄電池１０の最大容量が対応付けられていなかった場合、推定部７２０は、上述の（数１）式に基づいて最大容量を算出し、それを蓄電池１０の最大容量として推定してよい。推定装置７００は、このように推定した蓄電池１０の最大容量を、最新の最大容量推定値として記憶する。これにより、結果出力部７３０は、他の機能部または他の装置から最大容量値の問い合わせがあった場合に、当該最大容量推定値を供給することができる。
ステップ８６０において、推定部７２０は、ステップ８５０において推定した最大容量推定値を用いて蓄電池１０のＳＯＨを推定する。推定部７２０は、例えば、最大容量推定値を初期の最大容量、すなわち、ＳＯＨ＝１００％の最大容量で除算した値を百分率で示すことで、蓄電池１０のＳＯＨを推定してよい。推定装置７００は、このように推定した蓄電池１０のＳＯＨを、最新のＳＯＨ推定値として記憶する。これにより、結果出力部７３０は、他の機能部または他の装置からＳＯＨの問い合わせがあった際に、当該ＳＯＨ推定値を供給することができる。
なお、上述の説明では、推定装置７００が蓄電池１０の最大容量およびＳＯＨの両者を推定する場合について一例として説明したが、これに限定されるものではない。ＳＯＨの推定が不要な場合、推定装置７００は、ステップ８６０の処理を省略してもよい。また、最大容量およびＳＯＨの推定が不要な場合、推定装置７００は、ステップ８３０からステップ８６０の処理を省略してもよい。これにより、推定装置７００は、不要な状態の推定を省略することができ、演算負荷を軽減することができる。
ステップ８７０において、推定部７２０は、蓄電池１０の電圧Ｖおよび電流Ｉの時系列データに基づいて蓄電池１０の残存容量の推定可否を判定する。推定部７２０は、例えば、残存容量を推定するのに適切な領域のデータが蓄積されているか否か、例えば、ＳＯＣに対する変化が大きい領域が蓄積されているか否かに応じて、蓄電池１０の残存容量の推定可否を判定する。また、推定部７２０は、残存容量を推定するのに十分なデータ量が蓄積されているか否か、例えば、予め定められたＳＯＣ範囲相当分（ＳＯＣ：２０％相当分など）の容量範囲のデータが蓄積されているか否かに応じて、蓄電池１０の残存容量の推定可否を判定する。また、推定部７２０は、残存容量を推定するのに有利な特徴点を捉えているか否か、例えば、容量微分特性ｄＱ／ｄＶのピーク点を捉えているか否かに応じて、蓄電池１０の残存容量の推定可否を判定する。推定部７２０は、これらの全てを満たす場合に、蓄電池１０の残存容量の推定が可能であると判定してよい。これに代えて、推定部７２０は、これらのうちの少なくとも１つを満たす場合に、蓄電池１０の残存容量の推定が可能であると判定してもよい。
ステップ８７０において、残存容量の推定が可能であると判定された場合、推定装置７００は、ステップ８７５において、データの前処理を行い、推定部７２０は、運用中における蓄電池１０の電圧Ｖおよび電流Ｉの時系列データに基づいて算出した、蓄電池１０の電圧Ｖを容量Ｑで微分した部分電圧微分特性ｄＶ／ｄＱを取得する。この際、例えば、算出部１５０が、図２の左図および中央図と同様に、運用中における蓄電池１０の電圧Ｖおよび電流Ｉの時系列データに基づいて、データの平滑化および容量Ｑの算出を行い、次に、電圧Ｖを容量Ｑで微分することにより、蓄電池１０の電圧Ｖを容量Ｑで微分した電圧微分特性ｄＶ／ｄＱ［Ｖ／Ａｈ］に変換し、推定部７２０にそれを供給してもよい。これに代えて、例えば、ステップ８３０において最大容量の推定が可能であると判定された後、すなわち、ステップ８３５におけるデータの前処理が実施された後のステップ８７５においては、推定部７２０が、ステップ８３５において取得された、蓄電池１０の容量微分特性ｄＱ／ｄＶを、蓄電池１０の電圧Ｖを容量Ｑで微分した電圧微分特性ｄＶ／ｄＱに変換することで、部分電圧微分特性ｄＶ／ｄＱを取得してもよい。
そして、推定部７２０は、ステップ８８０において、推定モデル３００から、蓄電池１０の電圧Ｖを容量Ｑで微分したモデル電圧微分特性ｄＶ／ｄＱを取得し、モデル電圧微分特性ｄＶ／ｄＱをリファレンスとして蓄電池１０の残存容量を推定する。例えば、推定部７２０は、ステップ８４０において勝者モジュールとして決定されたモジュールにおける容量微分特性ｄＱ／ｄＶを蓄電池１０の電圧Ｖを容量Ｑで微分したモデル電圧微分特性ｄＶ／ｄＱに変換し、モデル電圧微分特性ｄＶ／ｄＱをリファレンスとして使用する。
そして、推定部７２０は、運用中における蓄電池１０の電圧Ｖおよび電流Ｉの時系列データに基づいて算出した、蓄電池１０の電圧Ｖを容量Ｑで微分した部分電圧微分特性ｄＶ／ｄＱを、モデル電圧微分特性ｄＶ／ｄＱをリファレンスとしてフィッティングして、蓄電池１０の残存容量を推定する。これについては後述する。なお、ステップ８３０において、最大容量の推定が可能でないと判定された場合、推定部７２０は、前回の最大容量推定時の勝者モジュールを残存容量の推定に使用してよい。また、上述のようにステップ８３０からステップ８６０の処理を省略する場合、推定部７２０は、前回の最大容量推定時の勝者モジュール、もしくは、予め勝者モジュールとして設定されたモジュールを残存容量の推定に使用してよい。推定装置７００は、このように推定した蓄電池１０の残存容量を、最新の残存容量推定値として記憶する。これにより、結果出力部７３０は、他の機能部または他の装置から残存容量値の問い合わせがあった際に、当該残存容量推定値を供給することができる。
ステップ８９０において、推定部７２０は、ステップ８８０において推定した残存容量推定値を用いて蓄電池１０のＳＯＣを推定する。推定部７２０は、例えば、残存容量推定値を最大容量推定値で除算した値を百分率で示すことで、蓄電池１０のＳＯＣを推定してよい。推定装置７００は、このように推定した蓄電池１０のＳＯＣを、最新のＳＯＣ推定値として記憶する。これにより、結果出力部７３０は、他の機能部または他の装置からＳＯＣの問い合わせがあった際に、当該ＳＯＣ推定値を供給することができる。
なお、上述の説明では、推定装置７００が蓄電池１０の残存容量およびＳＯＣを推定する場合について一例として説明したが、これに限定されるものではない。ＳＯＣの推定が不要な場合、推定装置７００は、ステップ８９０の処理を省略してもよい。また、残残容量およびＳＯＣの推定が不要な場合、推定装置７００は、ステップ８７０からステップ８９０の処理を省略してもよい。これにより、推定装置７００は、不要な状態の推定を省略することができ、演算負荷を軽減することができる。
図９は、本実施形態に係る推定装置７００が蓄電池１０の残存容量を推定する場合に行うカーブフィッティングの一例を示す。本図左は、カーブフィッティング前におけるモデル電圧微分特性ｄＶ／ｄＱおよび部分電圧微分特性ｄＶ／ｄＱを示す。本図において、モデル電圧微分特性ｄＶ／ｄＱは波形９１０として示されている。また、部分電圧微分特性ｄＶ／ｄＱは波形９２０として示されている。
この状態において、推定部７２０は、残存容量を推定するために、モデル電圧微分特性ｄＶ／ｄＱをリファレンスとして、部分電圧微分特性ｄＶ／ｄＱをフィッティングする。具体的には、推定部７２０は、部分電圧微分特性ｄＶ／ｄＱを示す波形９２０を、モデル電圧微分特性ｄＶ／ｄＱを示す波形９１０にフィットするように横軸方向（Ｘ軸方向）にシフトさせる。
本図右は、カーブフィッティング後におけるモデル電圧微分特性ｄＶ／ｄＱおよび部分電圧微分特性ｄＶ／ｄＱを示す。推定部７２０は、このようにカーブフィッティングした後における、部分電圧微分特性ｄＶ／ｄＱに基づいて、蓄電池１０の残存容量を推定する。推定部７２０は、例えば、カーブフィッティング後における部分電圧微分特性ｄＶ／ｄＱのＸ軸の値（一例として、波形９２０の左端におけるＸ軸の値）を、蓄電池１０の残存容量として推定する。
このように、本実施形態における推定装置７００は、取得した推定モデル３００を用いて、運用中における蓄電池１０の電圧と蓄電池１０の容量変化および電圧変化に応じた特性から蓄電池１０の最大容量および残存容量の少なくとも一方を推定する。これにより、本実施形態に係る推定装置７００は、蓄電池１０の電極材料固有の物性値や電池の反応原理等の詳細情報を用いることなく、蓄電池１０の最大容量および残存容量の少なくとも一方を推定することができる。
なお、上述の説明では、推定モデル３００が、容量微分特性ｄＱ／ｄＶを出力ベクトルとして各モジュール３１０を学習して生成されたモデルである場合における、推定装置７００の処理を一例として示したが、これに限定されるものではない。推定モデル３００が、電圧微分特性ｄＶ／ｄＱを出力ベクトルとして各モジュール３１０を学習して生成されたモデルである場合、推定装置７００は、蓄電池１０の容量Ｑを入力ベクトル、蓄電池１０の電圧微分特性ｄＶ／ｄＱを出力ベクトルとして蓄電池１０の勝者モジュールを決定し、最大容量および残存容量を推定してもよい。
図１０は、本実施形態の変形例に係る推定装置７００をクラウドコンピューティングにより実現する例を示す。本図においては、ＶＰＰ（Ｖｉｒｔｕａｌ Ｐｏｗｅｒ Ｐｌａｎｔ）のように、各家庭に分散して配置される多数の小規模な仮想発電所におけるそれぞれの蓄電池１０の運用中におけるデータを取得して、ＶＰＰを統合制御するアグリゲータにそれぞれの蓄電池１０の状態を提供する場合を一例として説明する。
本図において、各家庭には、蓄電池１０、パワーコンディショニングサブシステム１０１０、ゲートウェイ１０２０、およびホームネットワーク１０３０が設けられている。パワーコンディショニングサブシステム１０１０は、主に、系統のＡＣ電力をＤＣ電力に変換して蓄電池１０に充電する機能、蓄電池１０のＤＣ電力をＡＣ電力に変換して家庭内の機器に供給する機能、蓄電池１０の状態をモニタして蓄電池１０を安全に制御する機能、および蓄電池１０の情報を上位に提供する機能を有する。
ゲートウェイ１０２０は、コンピュータネットワークをプロトコルの異なるネットワークと接続するためのネットワークノードである。ゲートウェイ１０２０は、ホームネットワーク１０３０を介してパワーコンディショニングサブシステム１０１０と接続されている。
ホームネットワーク１０３０は、パワーコンディショニングサブシステム１０１０とゲートウェイ１０２０とを接続する。ホームネットワーク１０３０の代表的な通信プロトコルは、ＥＣＨＯＮＥＴ Ｌｉｔｅ（登録商標）である。ＥＣＨＯＮＥＴ Ｌｉｔｅは、センサ類、白物家電、および設備系機器など省リソースの機器をＩｏＴ化し、エネルギーマネージメントやリモートメンテナンスなどのサービスを実現するための通信仕様である。したがって、ゲートウェイ１０２０は、このような通信仕様を介してパワーコンディショニングサブシステム１０１０から提供された各種データを、ＩＰネットワークを介してクラウド環境へ供給する。また、ゲートウェイ１０２０は、ＩＰネットワークを介してクラウド環境から取得した各種データを、ホームネットワークを介してパワーコンディショニングサブシステム１０１０へ供給する。
クラウド環境には、本実施形態に係る推定装置７００、サーバコンピュータ１０５０、および、測定データベース１０６０が設けられている。
サーバコンピュータ１０５０は、クラウド環境にアクセス可能なクライアントに各種サービスを提供する。サーバコンピュータ１０５０は、例えば、クラウドコンピューティングにおけるクラウドサーバであってもよいし、エッジコンピューティングにおけるエッジサーバであってもよい。本図におけるサーバコンピュータ１０５０は、パワーコンディショニングサブシステム１０１０が有する蓄電池１０の電圧および電流を含む各種データを、ゲートウェイ１０２０およびＩＰネットワークを介して取得し、取得した各種データを測定データベース１０６０へ供給する。
測定データベース１０６０は、サーバコンピュータ１０５０から供給された各種データを蓄積する。そして、蓄積した各種データを推定装置７００へ供給する。
本変形例における推定装置７００のデータ取得部１４０は、蓄電池１０の最大容量および残存容量の推定に必要な各種データを、測定データベース１０６０から取得する。そして、推定したそれぞれの蓄電池１０の状態をＶＰＰのアグリゲータ等に提供する。このように、本変形例においては、クラウドコンピューティングにより推定装置７００を実現するので、クラウドにアクセス可能な様々な環境において、蓄電池１０の容量推定に係るサービスを実現することができる。
本発明の様々な実施形態は、フローチャートおよびブロック図を参照して記載されてよく、ここにおいてブロックは、（１）操作が実行されるプロセスの段階または（２）操作を実行する役割を持つ装置のセクションを表わしてよい。特定の段階およびセクションが、専用回路、コンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、および／またはコンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタルおよび／またはアナログハードウェア回路を含んでよく、集積回路（ＩＣ）および／またはディスクリート回路を含んでよい。プログラマブル回路は、論理ＡＮＤ、論理ＯＲ、論理ＸＯＲ、論理ＮＡＮＤ、論理ＮＯＲ、および他の論理操作、フリップフロップ、レジスタ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックアレイ（ＰＬＡ）等のようなメモリ要素等を含む、再構成可能なハードウェア回路を含んでよい。
コンピュータ可読媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読媒体は、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭまたはフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ-ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（ＲＴＭ）ディスク、メモリスティック、集積回路カード等が含まれてよい。
コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、またはＳｍａｌｌｔａｌｋ、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語または同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１または複数のプログラミング言語の任意の組み合わせで記述されたソースコードまたはオブジェクトコードのいずれかを含んでよい。
コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサまたはプログラマブル回路に対し、ローカルにまたはローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して提供され、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく、コンピュータ可読命令を実行してよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。
図１１は、本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ２２００の例を示す。コンピュータ２２００にインストールされたプログラムは、コンピュータ２２００に、本発明の実施形態に係る装置に関連付けられる操作または当該装置の１または複数のセクションとして機能させることができ、または当該操作または当該１または複数のセクションを実行させることができ、および／またはコンピュータ２２００に、本発明の実施形態に係るプロセスまたは当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ２２００に、本明細書に記載のフローチャートおよびブロック図のブロックのうちのいくつかまたはすべてに関連付けられた特定の操作を実行させるべく、ＣＰＵ２２１２によって実行されてよい。
本実施形態によるコンピュータ２２００は、ＣＰＵ２２１２、ＲＡＭ２２１４、グラフィックコントローラ２２１６、およびディスプレイデバイス２２１８を含み、それらはホストコントローラ２２１０によって相互に接続されている。コンピュータ２２００はまた、通信インターフェイス２２２２、ハードディスクドライブ２２２４、ＤＶＤ−ＲＯＭドライブ２２２６、およびＩＣカードドライブのような入／出力ユニットを含み、それらは入／出力コントローラ２２２０を介してホストコントローラ２２１０に接続されている。コンピュータはまた、ＲＯＭ２２３０およびキーボード２２４２のようなレガシの入／出力ユニットを含み、それらは入／出力チップ２２４０を介して入／出力コントローラ２２２０に接続されている。
ＣＰＵ２２１２は、ＲＯＭ２２３０およびＲＡＭ２２１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ２２１６は、ＲＡＭ２２１４内に提供されるフレームバッファ等またはそれ自体の中にＣＰＵ２２１２によって生成されたイメージデータを取得し、イメージデータがディスプレイデバイス２２１８上に表示されるようにする。
通信インターフェイス２２２２は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ２２２４は、コンピュータ２２００内のＣＰＵ２２１２によって使用されるプログラムおよびデータを格納する。ＤＶＤ−ＲＯＭドライブ２２２６は、プログラムまたはデータをＤＶＤ−ＲＯＭ２２０１から読み取り、ハードディスクドライブ２２２４にＲＡＭ２２１４を介してプログラムまたはデータを提供する。ＩＣカードドライブは、プログラムおよびデータをＩＣカードから読み取り、および／またはプログラムおよびデータをＩＣカードに書き込む。
ＲＯＭ２２３０はその中に、アクティブ化時にコンピュータ２２００によって実行されるブートプログラム等、および／またはコンピュータ２２００のハードウェアに依存するプログラムを格納する。入／出力チップ２２４０はまた、様々な入／出力ユニットをパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入／出力コントローラ２２２０に接続してよい。
プログラムが、ＤＶＤ−ＲＯＭ２２０１またはＩＣカードのようなコンピュータ可読媒体によって提供される。プログラムは、コンピュータ可読媒体から読み取られ、コンピュータ可読媒体の例でもあるハードディスクドライブ２２２４、ＲＡＭ２２１４、またはＲＯＭ２２３０にインストールされ、ＣＰＵ２２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ２２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置または方法が、コンピュータ２２００の使用に従い情報の操作または処理を実現することによって構成されてよい。
例えば、通信がコンピュータ２２００および外部デバイス間で実行される場合、ＣＰＵ２２１２は、ＲＡＭ２２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インターフェイス２２２２に対し、通信処理を命令してよい。通信インターフェイス２２２２は、ＣＰＵ２２１２の制御下、ＲＡＭ２２１４、ハードディスクドライブ２２２４、ＤＶＤ−ＲＯＭ２２０１、またはＩＣカードのような記録媒体内に提供される送信バッファ処理領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、またはネットワークから受信された受信データを記録媒体上に提供される受信バッファ処理領域等に書き込む。
また、ＣＰＵ２２１２は、ハードディスクドライブ２２２４、ＤＶＤ−ＲＯＭドライブ２２２６（ＤＶＤ−ＲＯＭ２２０１）、ＩＣカード等のような外部記録媒体に格納されたファイルまたはデータベースの全部または必要な部分がＲＡＭ２２１４に読み取られるようにし、ＲＡＭ２２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ２２１２は次に、処理されたデータを外部記録媒体にライトバックする。
様々なタイプのプログラム、データ、テーブル、およびデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ２２１２は、ＲＡＭ２２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプの操作、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ２２１４に対しライトバックする。また、ＣＰＵ２２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ２２１２は、第１の属性の属性値が指定される、条件に一致するエントリを当該複数のエントリの中から検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。
上で説明したプログラムまたはソフトウェアモジュールは、コンピュータ２２００上またはコンピュータ２２００近傍のコンピュータ可読媒体に格納されてよい。また、専用通信ネットワークまたはインターネットに接続されたサーバーシステム内に提供されるハードディスクまたはＲＡＭのような記録媒体が、コンピュータ可読媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ２２００に提供する。
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。
１０ 蓄電池
１２ 電池セル
１４ 電流センサ
１００ 学習装置
１１０ 電圧センサ
１２０ 温度センサ
１３０ Ａ／Ｄ変換器
１４０ データ取得部
１５０ 算出部
１６０ 特性取得部
１７０ 学習部
１８０ モデル出力部
３００ 推定モデル
３１０ モジュール
７００ 推定装置
７１０ モデル取得部
７２０ 推定部
７３０ 結果出力部
１０１０ パワーコンディショニングサブシステム
１０２０ ゲートウェイ
１０３０ ホームネットワーク
１０５０ サーバコンピュータ
１０６０ 測定データベース
２２００ コンピュータ
２２０１ ＤＶＤ−ＲＯＭ
２２１０ ホストコントローラ
２２１２ ＣＰＵ
２２１４ ＲＡＭ
２２１６ グラフィックコントローラ
２２１８ ディスプレイデバイス
２２２０ 入／出力コントローラ
２２２２ 通信インターフェイス
２２２４ ハードディスクドライブ
２２２６ ＤＶＤ−ＲＯＭドライブ
２２３０ ＲＯＭ
２２４０ 入／出力チップ
２２４２ キーボード

Claims (20)

  1. 蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得する特性取得部と、
    前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性との関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する学習部と、
    を備え、
    前記学習部は、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて前記推定モデルを生成する、学習装置。
  2. 蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得する特性取得部と、
    前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性との関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する学習部と、
    を備え、
    前記特性は、前記蓄電池の容量を電圧で微分した容量微分特性である、学習装置。
  3. 前記学習部は、各条件のそれぞれについて、前記蓄電池の最大容量を対応付ける、請求項２に記載の学習装置。
  4. 前記学習部は、前記容量微分特性を前記蓄電池の電圧で積分した積分特性に基づいて、各条件に対応付ける前記蓄電池の最大容量を算出する、請求項３に記載の学習装置。
  5. 蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得する特性取得部と、
    前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性との関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する学習部と、
    を備え、
    前記特性は、前記蓄電池の電圧を容量で微分した電圧微分特性である、学習装置。
  6. 前記学習部は、前記複数の条件下のうちの少なくとも１つの条件下での前記関係から、異なる条件下での前記関係を補間する前記推定モデルを生成する、請求項１から５のいずれか一項に記載の学習装置。
  7. 蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、の関係から、前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを取得するモデル取得部と、
    前記蓄電池の電圧および電流の時系列データを取得するデータ取得部と、
    前記蓄電池の電圧および電流の時系列データに基づいて、前記特性を算出する算出部と、
    前記推定モデルを用いて、前記蓄電池の電圧および容量のいずれか一方と算出した前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定部と、
    を備え、
    前記推定モデルは、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて学習されたものである、推定装置。
  8. 前記推定モデルは、前記複数の条件下のうちの少なくとも１つの条件下での前記関係から、異なる条件下での前記関係が補間されたものである、請求項７に記載の推定装置。
  9. 前記特性は、前記蓄電池の容量を電圧で微分した容量微分特性である、請求項７または８に記載の推定装置。
  10. 前記推定部は、前記容量微分特性を前記蓄電池の電圧で積分した積分特性に基づいて、前記蓄電池の最大容量を推定する、請求項９に記載の推定装置。
  11. 前記特性は、前記蓄電池の電圧を容量で微分した電圧微分特性である、請求項７または８に記載の推定装置。
  12. 前記推定部は、前記推定モデルから、前記蓄電池の電圧を容量で微分したモデル電圧微分特性を取得し、前記モデル電圧微分特性をリファレンスとして前記蓄電池の残存容量を推定する、請求項９から１１のいずれか一項に記載の推定装置。
  13. 前記推定部は、前記蓄電池の電圧および電流の時系列データに基づいて算出した、前記蓄電池の電圧を容量で微分した部分電圧微分特性を、前記モデル電圧微分特性をリファレンスとしてフィッティングして、前記蓄電池の残存容量を推定する、請求項１２に記載の推定装置。
  14. 前記推定部は、前記蓄電池の電圧および電流の時系列データに基づいて前記蓄電池の最大容量および残存容量の少なくとも一方の推定可否を判定する、請求項７から１３のいずれか一項に記載の推定装置。
  15. 学習装置が学習する学習方法であって、
    蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得することと、
    前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性と、の関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成することと、
    を備え、
    前記推定モデルを生成することは、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて前記推定モデルを生成することを含む、学習方法。
  16. 学習装置が学習する学習方法であって、
    蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得することと、
    前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性と、の関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成することと、
    を備え、
    前記特性は、前記蓄電池の容量を電圧で微分した容量微分特性、および、前記蓄電池の電圧を容量で微分した電圧微分特性のいずれかである、学習方法。
  17. 推定装置が推定する推定方法であって、
    蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性との関係から、前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを取得することと、
    前記蓄電池の電圧および電流の時系列データを取得することと、
    前記蓄電池の電圧および電流の時系列データに基づいて、前記特性を算出することと、
    前記推定モデルを用いて、前記蓄電池の電圧および容量のいずれか一方と算出した前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定することと、
    を備え、
    前記推定モデルは、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて学習されたものである、推定方法。
  18. コンピュータにより実行されて、前記コンピュータを、
    蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得する特性取得部と、
    前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性との関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する学習部と、
    して機能させ、
    前記学習部は、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて前記推定モデルを生成する、学習プログラム。
  19. コンピュータにより実行されて、前記コンピュータを、
    蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、を取得する特性取得部と、
    前記複数の条件下での前記蓄電池の電圧および容量のいずれか一方と前記特性との関係をそれぞれ学習して、前記蓄電池の電圧および容量のいずれか一方と前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを生成する学習部と、
    して機能させ、
    前記特性は、前記蓄電池の容量を電圧で微分した容量微分特性、および、前記蓄電池の電圧を容量で微分した電圧微分特性であるのいずれかである、学習プログラム。
  20. コンピュータにより実行されて、前記コンピュータを、
    蓄電池の充電および放電の少なくとも一方における、複数の条件下での前記蓄電池の電圧および容量のいずれか一方と、前記蓄電池の容量変化および電圧変化に応じた特性と、の関係から、前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定モデルを取得するモデル取得部と、
    前記蓄電池の電圧および電流の時系列データを取得するデータ取得部と、
    前記蓄電池の電圧および電流の時系列データに基づいて、前記特性を算出する算出部と、
    前記推定モデルを用いて、前記蓄電池の電圧および容量のいずれか一方と算出した前記特性から前記蓄電池の最大容量および残存容量の少なくとも一方を推定する推定部と、
    して機能させ、
    前記推定モデルは、ニューラルネットワークをモジュールとするモジュラーネットワーク型自己組織化マップを用いて学習されたものである、推定プログラム。
JP2018247207A 2018-12-28 2018-12-28 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム Active JP6881428B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2018247207A JP6881428B2 (ja) 2018-12-28 2018-12-28 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム
EP19902756.6A EP3904894B1 (en) 2018-12-28 2019-10-18 Training device, estimation device, training method, estimation method, training program, and estimation program
PCT/JP2019/041167 WO2020137114A1 (ja) 2018-12-28 2019-10-18 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム
CN201980086400.XA CN113227808A (zh) 2018-12-28 2019-10-18 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序
US17/359,638 US20210325469A1 (en) 2018-12-28 2021-06-28 Learning apparatus, estimation apparatus, learning method, estimation method, recording medium having recorded thereon learning program, and recording medium having recorded thereon estimation program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018247207A JP6881428B2 (ja) 2018-12-28 2018-12-28 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム

Publications (2)

Publication Number Publication Date
JP2020106470A JP2020106470A (ja) 2020-07-09
JP6881428B2 true JP6881428B2 (ja) 2021-06-02

Family

ID=71128395

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018247207A Active JP6881428B2 (ja) 2018-12-28 2018-12-28 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム

Country Status (5)

Country Link
US (1) US20210325469A1 (ja)
EP (1) EP3904894B1 (ja)
JP (1) JP6881428B2 (ja)
CN (1) CN113227808A (ja)
WO (1) WO2020137114A1 (ja)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7082603B2 (ja) * 2019-12-25 2022-06-08 本田技研工業株式会社 機械学習装置、機械学習方法、充電率推定装置、および充電率推定システム
KR20220114915A (ko) * 2021-02-09 2022-08-17 주식회사 엘지에너지솔루션 배터리 진단 장치 및 방법
JP7423583B2 (ja) 2021-09-30 2024-01-29 横河電機株式会社 診断装置、診断方法及び診断プログラム
CN114210591B (zh) * 2021-12-02 2023-12-22 格林美股份有限公司 一种基于ic曲线的锂电池梯次利用分选方法及装置
CN114280491B (zh) * 2021-12-23 2024-01-05 中山大学 一种基于主动学习的退役电池剩余容量估计方法
WO2023189368A1 (ja) * 2022-03-30 2023-10-05 ヌヴォトンテクノロジージャパン株式会社 蓄電池の劣化推定装置、及び蓄電池の劣化推定方法
JP2023154613A (ja) * 2022-04-07 2023-10-20 株式会社デンソー 電池残量推定装置
JP2023154612A (ja) * 2022-04-07 2023-10-20 株式会社デンソー 電池残量推定装置
KR20230167664A (ko) * 2022-06-02 2023-12-11 주식회사 엘지에너지솔루션 배터리 셀 수명 진단 장치 및 그것의 동작 방법
CN115954992B (zh) * 2023-03-14 2023-05-23 银河航天(西安)科技有限公司 基于马尔科夫链的蓄电池过放保护方法
CN117390015A (zh) * 2023-09-27 2024-01-12 希维科技(广州)有限公司 电池护照的存储方法、设备及存储介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09236641A (ja) * 1995-12-28 1997-09-09 Yazaki Corp バッテリー残量容量計測装置
JP3520886B2 (ja) * 1996-03-08 2004-04-19 サンケン電気株式会社 二次電池の状態判定方法
US6526361B1 (en) * 1997-06-19 2003-02-25 Snap-On Equipment Limited Battery testing and classification
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
JP3935099B2 (ja) * 2003-04-15 2007-06-20 株式会社デンソー 車両用蓄電装置の内部状態検出システム
CN103091642B (zh) * 2013-01-22 2014-12-10 北京交通大学 一种锂电池容量快速估计方法
JP6370902B2 (ja) * 2014-06-24 2018-08-15 株式会社東芝 蓄電池システムの劣化制御装置及びその方法
JP6295858B2 (ja) * 2014-07-02 2018-03-20 日産自動車株式会社 バッテリ管理装置
CN205583754U (zh) * 2016-04-13 2016-09-14 华北电力大学（保定） 基于分组轮换的蓄电池组充放电智能均衡系统
JP6326452B2 (ja) * 2016-06-15 2018-05-16 本田技研工業株式会社 電池状態推定装置および電池状態推定方法
JP6477610B2 (ja) * 2016-06-22 2019-03-06 横河電機株式会社 二次電池容量測定システムおよび二次電池容量測定方法
KR20180037760A (ko) * 2016-10-05 2018-04-13 삼성전자주식회사 배터리 상태 추정 장치 및 방법
CN107273445A (zh) * 2017-05-26 2017-10-20 电子科技大学 一种大数据分析中缺失数据混合多重插值的装置和方法

Also Published As

Publication number Publication date
US20210325469A1 (en) 2021-10-21
WO2020137114A1 (ja) 2020-07-02
EP3904894B1 (en) 2023-03-22
EP3904894A1 (en) 2021-11-03
EP3904894A4 (en) 2022-03-02
CN113227808A (zh) 2021-08-06
JP2020106470A (ja) 2020-07-09

Similar Documents

Publication Publication Date Title
JP6881428B2 (ja) 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム
Wang et al. A critical review of online battery remaining useful lifetime prediction methods
Peng et al. Novel prediction and memory strategies for dynamic multiobjective optimization
Lin et al. State of health estimation of lithium-ion battery based on an adaptive tunable hybrid radial basis function network
Liu et al. Future ageing trajectory prediction for lithium-ion battery considering the knee point effect
Liu et al. State of charge prediction framework for lithium-ion batteries incorporating long short-term memory network and transfer learning
Ting et al. Tuning of Kalman filter parameters via genetic algorithm for state-of-charge estimation in battery management system
Chen et al. A long short-term memory neural network based Wiener process model for remaining useful life prediction
Nichiforov et al. Deep learning techniques for load forecasting in large commercial buildings
Luzi et al. A novel neural networks ensemble approach for modeling electrochemical cells
JP2023520970A (ja) リチウム電池のｓｏｃ推定方法、装置及びコンピュータ読み取り可能な記憶媒体
Bai et al. Prognostics of Lithium-Ion batteries using knowledge-constrained machine learning and Kalman filtering
Sesidhar et al. A review on data-driven SOC estimation with Li-Ion batteries: Implementation methods & future aspirations
Zhang et al. State of health estimation of lithium-ion batteries based on modified flower pollination algorithm-temporal convolutional network
Li et al. An optimal stacking ensemble for remaining useful life estimation of systems under multi-operating conditions
De Sousa et al. Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms
Zhao et al. Battery prognostics and health management from a machine learning perspective
Li et al. A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression
Ghaeminezhad et al. Review on state of charge estimation techniques of lithium-ion batteries: A control-oriented approach
Lutska et al. Forecasting the efficiency of the control system of the technological object on the basis of neural networks
Myilsamy et al. State-of-Health Prediction for Li-ion Batteries for Efficient Battery Management System Using Hybrid Machine Learning Model
US20240149728A1 (en) Methods and systems for an electric vehicle charging connector
Chen et al. State of health estimation for lithium-ion battery based on particle swarm optimization algorithm and extreme learning machine
Li et al. State-of-health estimation method for fast-charging lithium-ion batteries based on stacking ensemble sparse Gaussian process regression
Uddin et al. State of health estimation of lithium-ion batteries in vehicle-to-grid applications using recurrent neural networks for learning the impact of degradation stress factors

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200220

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210112

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210301

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: 20210406

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210419

R150 Certificate of patent or registration of utility model

Ref document number: 6881428

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150