JP7298698B2 - 電池管理装置、学習モデル、コンピュータプログラム、電池管理方法、及び情報提供装置 - Google Patents

Description

本発明は、精度のよい移動可能距離を提示できる電池管理装置、学習モデル、コンピュータプログラム、電池管理方法、及び情報提供装置に関する。

電気自動車、所謂ドローンと呼ばれる無人航空機の普及、電動有人航空機、電動船舶の実用化等の電動移動体の増加によって、充電スタンドの需要も増している。充電スタンドの数は都市部では充分と言えるが、都市部以外における充電スタンドの設置密度は十分であるとは言えず、電動移動体のユーザは、充電スタンドの位置を把握しながら運転する必要がある。

特許文献１には、電気自動車に搭載される蓄電池の蓄電量と道路交通情報とに基づき、走行可能距離を算出し、設定されている最終目的地までに到達できるか否かを判断し、到達できない場合には充電可能な充電スタンドを検索して提示する充電スタンド管理システムが開示されている。

特開２０１２－１６００２２号公報

都市部で充電スタンドの設置密度も十分ではあるものの、自動車の場合は渋滞、飛行機の場合は発着待機又は天候不良等の予期せぬ電力消費を要する事態が発生する場合もある。エンジンを有さない電気自動車では、特に暖房を使用する時期、都市部以外における充電スタンドへ向かう行程でも、渋滞等の想定外の事象が発生した場合、提案された充電スタンドまでの走行が可能であるか否か、ユーザに不安を感じさせる可能性がある。電動飛行機の場合も、人の乗降の際の待機時間が長かったり、風速が想定外であったりした場合、予定する経路での移動が可能であるか、乗客に不安を感じさせる可能性がある。

本発明は、電動移動体の移動予定経路の状況に応じて精度よく移動可能距離を提示する電池管理装置、学習モデル、コンピュータプログラム、電池管理方法、及び情報提供装置を提供することを目的とする。

本発明に一態様に係る電池管理装置は、電動移動体の動力源の蓄電素子の充電率に基づいて移動可能距離を算出する算出部を備える。前記算出部は、前記蓄電素子の充電率を取得し、前記電動移動体の予定経路における環境情報を取得し、取得した充電率及び環境情報から、前記予定経路を前記電動移動体が移動するために必要な電力量と、前記電動移動体に搭載されている設備での電力消費量の予測とに基づき予測される電力消費量を算出し、算出された予測電力消費量並びに前記充電率に基づき、前記蓄電素子の残電力による移動可能距離を算出する。

本開示によれば、電動移動体の動力源である蓄電素子の充電率（ＳＯＣ）を精度よく算出すると共に、渋滞又は事故、天候の影響、移動体に備えられる設備の電力消費状況にも対応して精度よく移動可能距離を提示できる。

電池管理装置を含む情報提供システムのブロック図である。 電池管理装置により実行される処理手順の一例を示すフローチャートである。 電池管理装置により実行される処理手順の他の一例を示すフローチャートである。 実施の形態２における電池管理装置の構成を示すブロック図である。 電池管理装置における学習モデルの概要図である。 学習モデルに基づく走行可能距離の算出手順の一例を示すフローチャートである。 学習モデルの他の例の概要図である。 学習モデルを用いた走行可能距離の算出手順の他の一例を示すフローチャートである。 実施の形態３における走行可能距離の算出手順の一例を示すフローチャートである。 実施の形態４における走行可能距離の算出手順の一例を示すフローチャートである。 出力される充電メッセージの例を示す図である。 実施の形態５における情報提供システムの概要図である。 実施の形態５の電池管理装置により実行される処理手順の一例を示すフローチャートである。

電池管理装置は、電動移動体の動力源の蓄電素子の充電率に基づいて移動可能距離を算出する算出部を備える。前記算出部は、前記蓄電素子の充電率を取得し、前記電動移動体の予定経路における環境情報を取得する。前記算出部は、取得した充電率及び環境情報から、前記予定経路を前記電動移動体が移動するために必要な必要電力量と、前記電動移動体に搭載されている設備での電力消費量の予測とに基づき予測される電力消費量を算出する。前記算出部は、算出された予測電力消費量並びに前記充電率に基づき、前記蓄電素子の残電力による移動可能距離を算出する。

上記構成により、移動の予定経路の状況、環境状況に応じた設備の利用状況の予測に基づき、予定経路における電力消費量が算出される。予定経路では、移動体がその時点で移動している場所での状態とは異なる事態が発生する可能性がある。予定経路における電力消費量の予測には、混雑情報や移動に影響する外気温、風速、波の高さ等の環境情報を用いた平均旅行時間、平均速度に基づく電動移動体の移動自体に必要な電力量の予測と、環境情報に応じて求められる設備の電力消費量の予測とが加味される。

「電動移動体」は蓄電素子を搭載した電気自動車、飛行機、船舶等の乗り物である。電動移動体は、有人であっても無人であってもよい。「電動移動体」は、駆動の動力源の少なくとも一部が前記蓄電素子であり、動力源は一部エンジン等の他の動力を含んでもよい。

電動移動体が電動飛行機である場合、モータ又はプロペラ等から発生する音が大きい。温度調整のために外気を導入するとその騒音が進入するから、有人機である場合は空調設備が使われることがある。高高度で飛行する場合、外気温が低いため、客室内及び蓄電素子の温度低下を防止するために空調が必要になる。湿度又は温度によって窓が曇る場合、空調又は電熱線によって曇りを防止する必要がある。このように、電動移動体は、設備での電力消費量が移動の経路の場所、又は時間の影響を受けて変化する。したがって、電動移動体の移動自体に必要な電力量のみならず、設備における電力消費量が加味される。

算出時点までの電力消費量の経過のみではなく、その時点以降に移動する予定の経路における蓄電素子の電力消費量を算出し、算出した予測電力消費量から移動可能距離が算出される。蓄電素子と接続される電池管理装置が、蓄電素子の特性に基づいて精度よく電力消費量を予測できるから、移動可能距離が算出される。

前記算出部は、前記電動移動体の予定経路を区分けし、区分けした区間毎に、前記環境情報に基づいて前記必要電力量、及び前記設備での電力消費量を予測し、区間毎に、前記電動移動体が、充電率に基づいて前記区間を移動可能であるか否を判断し、移動可能でないと判断される区間までの距離を移動可能距離として算出してもよい。

環境情報には、渋滞情報が含まれてよい。渋滞情報は、経路の区間毎の渋滞長、区間における時刻毎の平均旅行時間、平均速度等の情報で提供されることがある。提供される情報を有効的に用いるべく、提供される情報に合わせた区間毎の電力消費量を予測することにより、精度よく走行予定経路における予測電力消費量を算出できる。精度よく予測電力消費量を算出することで、精度よく移動可能距離が算出される。

前記算出部は、前記蓄電素子の充電率、前記予定経路における混雑情報、及び、前記予定経路に対して算出される前記予測電力消費量の入力に応じて、前記充電率の蓄電素子を動力源として移動可能な距離を出力するように学習されている学習モデルを用いて移動可能距離を算出してもよい。

移動可能距離は、蓄電素子の個体特性、移動速度、運転者の運転特性、空調設備の設定温度、外気温、湿度、風速、波の高さ、移動体の特性等、各々の閾値との比較に基づく判断によって算出するには困難な条件に影響される。これらの情報を入力する深層学習に基づく学習モデルを使用することによって、蓄電素子の特性を考慮した移動可能距離の精度良い算出が可能になる。

前記算出部は、算出時点までの前記蓄電素子の充電率の時間変化、前記予定経路に対し予測されている混雑時間分布、及び、前記予定経路における外気温の予想分布の入力に応じて、前記充電率の蓄電素子を動力源として移動可能な距離、又は前記蓄電素子の算出時点以降の充電率の時間変化を出力するように学習されている学習モデルを用いて移動可能距離を算出してもよい。

移動可能距離は、時間の経過と共に変化する移動経路の混雑状況、気温の変化、湿度変化等の移動体内外の状況によって影響される。移動体内外の状況を各時点での状況に基づいてシミュレートすることは困難である。時間変化するデータについては画像化して学習モデルに入力して、実際の移動可能距離、又は充電率の時間変化を教師データとしてそれらが出力されるように学習することができる。上記構成により、時間変化、混雑予測の時間分布、外気温の変化の予想分布の入力によって移動可能距離、又は充電率の時間変化予測を精度よく得られる。

前記学習モデルは、前記予定経路の通過予定時刻を入力してもよい。

移動可能距離は、時間の経過と共に変化する移動経路の混雑状況、気温の変化、湿度変化等の移動体内外の状況によって影響される。特に、冬季夜間、夏季昼間、高高度では、空調の消費電力が大きく、電力の消費を移動に必要な電力量のみで見積もった場合に、行程中に電力が不足してしまう可能性がある。したがって、移動可能距離を算出する対象の時刻情報が入力されることで、精度のよい算出が期待できる。

電池管理装置は、算出された移動可能距離に基づき、予定経路の全行程を走行することが可能か否かを判断してもよい。走行予定経路の一部を走行できないと判断された場合、事前に充電を促すメッセージを出力してもよい。

精度よく移動可能距離が予測されることから、途中で充電することなく走行するために必要な充電を促すことができる。出力部はスピーカを含んで音声によってメッセージを出力してもよいし、電動移動体に搭載されたディスプレイでメッセージを文字又は画像によって出力してもよい。移動体のユーザ又はオペレータは、電力が少なくなってからではなく事前に、満充電でなく少なくとも行き先までに必要な電力を把握することができる。ユーザ又はオペレータは、必要な電力を、各所に備えられている充電スタンド群からいずれかを選択して充電することが可能である。

電池管理装置は、前記予定経路上の移動に必要な予測電力消費量及び前記充電率に基づき、前記一部における予測電力消費量を算出し、算出された予測電力消費量に対応する電力を充電するために前記事前充電の充電時間又は充電量を含むメッセージを出力してもよい。

予定経路の全行程を、途中で充電することなく走行するために、現状の充電率からの不足分を充電するための情報（充電時間又は充電量）が出力される。移動体のユーザ又はオペレータは、移動体の蓄電素子の電力が少なくなってからではなく事前に、予定経路を移動させるために事前に、自宅又は移動体の所有者が管理する充電スタンド等で少なくともどれだけ充電すべきかを把握することができる。

自装置が起動中に、前記蓄電素子の充電率を所定のタイミングで取得するようにしてあり、前記充電率を取得する都度に、前記充電率が所定値以下となったか否かを判断し、前記充電率が前記所定値以下となったと判断された場合に、前記算出部による移動可能距離の算出を開始する。

移動可能距離の算出のリクエストのタイミングは、移動体の運転者又は所有者の操作があったタイミングであってもよいが、充電率が所定値以下に低下したタイミングであってもよい。運転者又は所有者が充電率の低下を認識していない場合に、移動可能距離が短くなっていることを知らしめることが可能である。ナビゲーション装置と接続される場合に、ナビゲーション装置にて行き先が設定されたタイミングで電池管理装置へリクエストされてもよい。

前記電動移動体は、有人機であってもよい。有人機である場合は特に、運転室又は客室内の温度調整や、窓の曇りを防止するために空調設備が必要である。無人機である場合よりも設備の電力消費量の影響が大きい。

前記電動移動体の動力源はエンジンを含まなくてよい。

エンジンを有するハイブリッド電動車両に対して、上述の電池管理装置のいずれかを使用することで走行可能距離を提示することも可能であるが、エンジンを有さない電気自動車の場合、電力消費予測量の精度が求められる。特に冬季夜間、夏季昼間では、車内の空調の消費電力が大きく、この場合にエンジンの稼働によって発電ができない電気自動車では、エンジンを有しているハイブリッド車よりも、行程中に電力が不足し停止してしまう可能性が高い。

前記環境情報は、予定経路における交通状況、渋滞、混雑状況、気温、気圧、高度、湿度、風速、波の高さ、及び、潮流に関する情報の内の少なくとも１つを含む。

事故発生、航行不可といった交通情報、渋滞又は混雑状況によって、移動に要する時間が異なるから、予測される電力消費量が変わり得る。気温又は湿度によって、蓄電素子、運転室又は客室の空調設備における電力消費量は異なる。風速又は波の高さによって、移動に要する時間、移動に要する電力が異なるから、予測される電力消費量が変わり得る。これらの情報を用いて精度よく移動可能距離が算出される。

電池管理装置は、前記電動移動体の移動の予定経路における環境情報を取得し、取得した充電率及び環境情報から、前記予定経路を前記電動移動体が移動するために必要な電力量と、前記電動移動体に搭載されている設備での電力消費量の予測とに基づき予測される電力消費量を算出する算出部を備え、算出された予測電力消費量と、前記蓄電素子の充電率に基づき、前記蓄電素子への充電量を決定し、決定した充電量で前記蓄電素子を充電してもよい。

電離管理装置は、移動可能距離を算出するのみならず、予定経路を移動するために必要な電力量を算出し、充電可能な充電装置まで移動したタイミングでその必要な電力量の分、充電してもよい。

学習モデルは、電動移動体の動力源の蓄電素子の充電率、前記電動移動体の予定経路における環境情報、及び、前記予定経路における予測電力消費量を入力する入力層と、移動可能距離を出力する出力層と、前記電動移動体の蓄電素子の充電率、前記電動移動体が移動した経路における環境情報、及び前記蓄電素子の実際の電力消費量と、対応する実際の移動距離とを含む教師データに基づき学習された中間層とを含み、前記電動移動体の移動可能距離を算出するために用いられる。

学習モデルが、実際の電動移動体の蓄電素子の充電率、前記電動移動体が移動した経路における環境情報、及び前記蓄電素子の実際の電力消費量と、対応する実際の移動距離とを含む教師データに基づき学習されることで、精度よく移動可能距離を算出することができる。

上述の学習モデルの特徴は、学習モデルの生成方法として実現されてもよい。

コンピュータプログラムは、電動移動体の動力源の蓄電素子の状態を管理するコンピュータに処理を実行させる。該コンピュータプログラムは、コンピュータに、前記蓄電素子の充電率を取得し、前記電動移動体の予定経路における環境情報を取得し、取得した充電率及び環境情報から、前記予定経路を前記電動移動体が移動するために必要な電力量と、前記電動移動体に搭載されている設備での電力消費量とに基づいて予測される電力消費量を算出し、算出された予測電力消費量及び前記充電率に基づき移動可能距離を算出する処理を実行させる。

電池管理方法は、電動移動体の動力源の蓄電素子の充電率に基づき、前記蓄電素子における残電力による移動可能距離を出力する。電池管理方法は、前記蓄電素子の充電率を取得し、前記電動移動体の予定経路における環境情報を取得し、取得した充電率及び環境情報から、前記予定経路を前記電動移動体が移動するために必要な電力量と、前記電動移動体に搭載されている設備での電力消費量の予測とに基づいて予測される電力消費量を算出し、算出された予測電力消費量及び充電率に基づき移動可能距離を算出する処理を含む。

情報提供装置は、電動移動体と通信によって情報を送受信可能であって、前記電動移動体の動力源の蓄電素子の残電力での移動可能距離を算出するための情報を提供する。情報提供装置は、前記蓄電素子の充電率、予定経路、電力消費量の情報を受信し、前記電動移動体の予定経路における環境情報を取得する。情報提供装置は、取得した充電率及び環境情報から、前記予定経路を前記電動移動体が移動するために必要な電力量と、前記電動移動体に搭載されている設備での電力消費量とに基づいて予測される記予定経路における電力消費量を算出する。情報提供装置は、算出された予測電力消費量を前記電動移動体に向けて送信する。

上記構成により、複数の電動移動体から得られる予定経路における混雑情報、外気温、実際の電力消費量等の情報を加味した移動可能距離の提示サービスが実現できる。複数の電動移動体から情報を収集することで、精度を上げたり、移動体の種別毎の情報として提供したりすることも可能である。

本発明をその実施の形態を示す図面を参照して具体的に説明する。実施の形態１から４では、電動移動体として電気自動車を例に挙げて説明し、実施の形態５では、電動移動体として電動飛行機、 eVTOL（electric Vertical Take-Off and Landing Aircraft ）の一種を例に挙げて説明する。

（実施の形態１）
図１は、電池管理装置１を含む情報提供システム１００のブロック図である。情報提供システム１００は、電気自動車である車両Ｖに搭載されている蓄電素子１０、蓄電素子１０の電池管理装置１、及び情報提供サーバ２を含む。

情報提供サーバ２は、サーバコンピュータである。情報提供サーバ２は、蓄電素子１０の製造者によって管理され、情報提供サーバ２は、地図情報、ＶＩＣＳ（登録商標）、各車両から提供される交通情報、各地点の天候情報に基づいて、行程の出発地点から目標地点までの電力消費予測量に関する情報を出力する。

電池管理装置１は、蓄電素子１０と接続されている。電池管理装置１は、複数の蓄電セルを含むモジュールである蓄電素子１０に内蔵された態様であってもよい。

電池管理装置１は、車両Ｖの位置情報及び走行予定の経路情報を取得できる装置と通信接続が可能である。実施の形態１において電池管理装置１は、例えば車両Ｖに搭載されているナビゲーション装置３１から、車両Ｖの位置情報及び走行予定の経路情報を取得する。電池管理装置１は他の例では、搭乗者が所持する通信端末装置に搭載されているＧＰＳ（Global Positioning System ）機能から位置情報を取得してもよい。電池管理装置１は、通信端末装置から走行予定の経路を取得してもよい。電池管理装置１自体がナビゲーション装置３１に含まれてもよい。電池管理装置１は、他の車両と通信を行ない、位置情報を取得してもよい。

電池管理装置１は、車外の情報提供サーバ２と通信接続が可能である。実施の形態１において電池管理装置１は、車載ネットワークＶＮに接続されている車外通信装置３２を介して情報提供サーバ２と通信接続する。

電池管理装置１は、車載ネットワークＶＮを介して、空調装置３３、出力装置３４と通信接続可能である。出力装置３４は、スピーカ、ディスプレイを含み搭乗者に音又は光を出力可能な装置である。出力装置３４は、ナビゲーション装置３１と一体であってもよい。

電池管理装置１は、制御部１１、記憶部１２、接続部１３、及び通信部１４を備える。

制御部１１は、ＣＰＵ（Central Processing Unit）又はＧＰＵ（Graphics Processing Unit）を用いたプロセッサである。制御部１１は、ＣＰＵおよびＧＰＵを組み合わせたものであってもよい。制御部１１は、内蔵するＲＯＭ及びＲＡＭ等のメモリを用い、各構成部を制御して処理を実行する。制御部１１は、記憶部１２に記憶されている制御プログラム１Ｐに基づく処理を実行する。

記憶部１２は、例えばハードディスク又はＳＳＤ（Solid State Drive）等の不揮発性メモリである。記憶部１２には、上述した制御プログラム１Ｐが記憶されている。記憶部１２に記憶される制御プログラム１Ｐは、記録媒体６に記憶してある制御プログラム６Ｐを制御部１１が読み出して記憶部１２に複製したものであってもよい。

記憶部１２は、制御部１１の処理によって作成されたデータを記憶する。記憶部１２は、蓄電素子１０のＳＯＣ（State Of Charge：充電率）を記憶する。記憶部１２は、電圧、電流、内部抵抗、及び温度に関するデータを記憶してもよい。記憶部１２は、制御部１１の処理によって予測される電力消費量を記憶する。

接続部１３は、蓄電素子１０と接続されている。制御部１１は、蓄電素子１０における電圧、電流、内部抵抗、及び温度の内、少なくとも電圧値を含む測定データを、接続部１３を介して取得し、ＳＯＣを算出する。制御部１１は、蓄電素子１０内蔵の演算部によって算出されるＳＯＣを取得してもよい。

通信部１４は、車載ネットワークＶＮ及び車外のネットワークＮを介した情報提供サーバ２との通信接続を実現する通信デバイスである。

情報提供サーバ２は、制御部２０、記憶部２１及び通信部２２を備える。

制御部２０は、ＣＰＵ又はＧＰＵを用いたプロセッサである。制御部２０は、ＣＰＵおよびＧＰＵを組み合わせたものであってもよい。制御部２０は、内蔵するＲＯＭ及びＲＡＭ等のメモリを用い、各構成部を制御して処理を実行する。制御部２０は、記憶部２１に記憶してある情報提供プログラム２Ｐに基づく処理を実行する。

記憶部２１は、例えばハードディスク又はＳＳＤ等の不揮発性メモリである。記憶部２１には、上述した情報提供プログラム２Ｐが記憶されている。記憶部２１に記憶される情報提供プログラム２Ｐは、記録媒体７に記憶してある情報提供プログラム７Ｐを制御部２０が読み出して記憶部２１に複製したものであってもよい。

記憶部２１は、制御部２０の処理によって作成されたデータを記憶する。制御部２０は、通信部２２によってネットワークＮを介し、公衆通信網上の地図情報、ＶＩＣＳ（登録商標）、気温、湿度等を含む天候情報等、車両Ｖの電力消費に影響する要素に関する情報を取得し、記憶部２１に記憶できる。

記憶部２１は、電池管理装置１、蓄電素子１０、車両Ｖ、及び、車両Ｖの搭乗者、の内の少なくともいずれか１つを識別するための識別情報と対応付け、電力消費予測量に関する情報を記憶してもよい。

通信部２２は、ネットワークＮを介した通信を実現する通信デバイスである。通信部２２は例えば、ネットワークＮに対応するネットワークカードである。

ネットワークＮは、公衆通信網を含む。情報提供サーバ２は、通信部２２によってネットワークＮを介し、他のサービス提供者から地図情報、交通情報、天候情報、充電スタンドの位置情報を取得することができる。ネットワークＮは、キャリアネットワーク、光ビーコンを含み、走行中の車両Ｖの車外通信装置３２は、情報提供サーバ２と通信接続が可能である。

このように構成される情報提供システム１００では、車両Ｖに搭載されている電池管理装置１が、車両Ｖの位置情報と、充電スタンドの位置情報と、車両Ｖの走行経路における電力消費予測量と、蓄電素子１０の充電率とに基づいて、車内外における電力消費予測量を加味した走行可能距離を推定する。電力消費予測量の一部については、情報提供サーバ２から提供される。

図２は、電池管理装置１により実行される処理手順の一例を示すフローチャートである。制御部１１は、走行可能距離算出のリクエストを受け付ける（ステップＳ１０１）。

走行可能距離の算出のリクエストは、車両Ｖ内に設けられた運転者が操作可能なボタンによって運転者から受け付ける。走行可能距離の算出のリクエストは、ナビゲーション装置３１において行き先が設定された際に、ナビゲーション装置３１から出力されてもよい。走行可能距離の算出のリクエストは、制御部１１自身によって、ＳＯＣが所定値以下となったことを契機に出力されてもよい。

制御部１１は、リクエストを受け付けると、接続部１３を介して蓄電素子１０から測定データを取得し、ＳＯＣを算出する（ステップＳ１０２）。ステップＳ１０２において制御部１１は上述したように、接続部１３を介して算出済みのＳＯＣを取得してもよい。

制御部１１は、空調装置３３を含む車内設備における電力消費量を算出する（ステップＳ１０３）。ステップＳ１０３において制御部１１は、定期的（例えば１０分毎）に電力消費量を取得しておき、ステップＳ１０３で直近の単位時間（例えば１時間）当たりの電力消費量を算出してもよい。

ステップＳ１０３において制御部１１は、車載温度センサから外気温を取得し、空調装置３３から室内温度を取得し、温度差によって電力消費量を予測するか、又は、温度差からステップＳ１０３の電力消費量を補正してもよい。

制御部１１は、通信部１４を介して車両Ｖの現在位置を示す位置情報を取得する（ステップＳ１０４）。

制御部１１は、通信部１４を介し、現在位置に関する道路交通情報を情報提供サーバ２から取得する（ステップＳ１０５）。道路交通情報には、車両Ｖの現時点における位置情報に基づく走行中の道路の渋滞情報が含まれる。道路の渋滞情報は、渋滞地点、渋滞の程度及び渋滞長を表す情報であってもよいし、平均予想旅行時間であってもよい。道路交通情報は、情報提供サーバ２からでなく、ＶＩＣＳ（登録商標）、交通情報センターから直接的に取得されてもよい。

制御部１１は、現在渋滞中の道路を走行中であるか否かを判断する（ステップＳ１０６）。ステップＳ１０６において制御部１１は、過去所定時間における平均速度が所定速度（例えば１０ｋｍ／ｈ）以下であるか否かで判断してもよいし、ステップＳ１０５で取得した道路交通情報に含まれる渋滞情報における渋滞地点の情報と車両Ｖの現在位置から判断してもよい。

渋滞中の道路を走行中であると判断された場合（Ｓ１０６：ＹＥＳ）、制御部１１は、通信部１４を介して渋滞中の推定走行速度を算出し（ステップＳ１０７）、処理をステップＳ１０９へ進める。ステップＳ１０７において直近の単位時間（例えば１０分）当たりの平均を算出してもよいし、ステップＳ１０５で取得した渋滞の程度によって平均走行速度を決定してもよい。例えば制御部１１は、渋滞が長い場合には１０ｋｍ／ｈ、渋滞が短い場合には２０ｋｍ／ｈと、程度によって平均速度を推定する。制御部１１は、通信部１４を介して、渋滞区間における実際の車両群の平均走行速度を取得してもよい。

渋滞中の道路を走行中でないと判断された場合（Ｓ１０６：ＮＯ）、走行中の道路の進行先における推定走行速度を取得し（ステップＳ１０８）、処理をステップＳ１０９へ進める。ステップＳ１０８において制御部１１は、車両Ｖの現在位置に対応する走行中の道路の法定速度に基づき、信号で停止することを考慮した速度を取得するとよい。

制御部１１は、車両Ｖの累積された走行距離と電力消費量とから標準電力消費率を算出する（ステップＳ１０９）。ステップＳ１０９において制御部１１は、車両Ｖの蓄電素子１０における実際の燃費効率を算出する。ステップＳ１０９において制御部１１は、定期的に算出するＳＯＣと走行距離との関係から単位距離当たりの電力消費量を算出してもよいし、定期的に算出するＳＯＣの履歴から単位時間当たりの電力消費量を算出してもよい。ステップＳ１０９において制御部１１は、定期的に算出されてある標準電力消費率を取得してもよい。

制御部１１は、ステップＳ１０３からステップＳ１０９で算出・取得した情報に基づいて、電力消費予測量を算出する（ステップＳ１１０）。ステップＳ１１０において制御部１１は、ステップＳ１０３で算出した現状における車内設備の電力消費量を、現状速度、又は推定走行速度で除算して現状の距離当たりの電力消費量（消費率）とし、ステップＳ１０９で算出した標準電力消費率と加算し、距離当たりの電力消費予測量を算出する。ステップＳ１０９で時間当たりの電力消費量を算出している場合、現状速度、又は推定走行速度で除算するとよい。

制御部１１は、ステップＳ１０２で取得したＳＯＣに基づく総電力量を、ステップＳ１１０で算出した距離当たりの電力消費予測量で除算し、推定走行可能距離を算出し（ステップＳ１１１）、出力装置３４、又はナビゲーション装置３１へ出力し（ステップＳ１１２）、処理を終了する。

図２のフローチャートに示す処理手順では、現状の電力の消費率から急激な変化がないとした前提での電力消費量が予測される。図２のフローチャートに示す処理手順では、行き先が設定されていない状態における走行可能距離が算出される。

このように算出される走行可能距離が提示されることにより、車両Ｖのユーザは車載の蓄電素子１０のＳＯＣに基づく走行可能距離を参考にすることができる。ナビゲーション装置３１は、設定された予定の経路の距離に対し、電池管理装置１から上述のようにして取得できる走行可能距離が経路全体の距離以下であると判断できる場合、走行可能距離以内に存在する充電スタンドを探索して経路を再設定することが可能になる。

ナビゲーション装置３１にて行き先及び経路が設定された場合に、設定された経路に関する走行可能距離の算出について説明する。図３は、電池管理装置１により実行される処理手順の他の一例を示すフローチャートである。図３のフローチャートに示す処理手順の内、図２のフローチャートに示した手順と共通する手順には、同一のステップ番号を付して詳細な説明を省略する。

電池管理装置１の制御部１１は、走行可能距離算出のリクエストを受け付け（Ｓ１０１）、蓄電素子１０のＳＯＣを算出する（Ｓ１０２）。

制御部１１は、走行予定の経路の情報を取得する（ステップＳ１２１）。制御部１１は、通信部１４を介し、走行予定の経路に関する道路交通情報を取得する（ステップＳ１２２）。ステップＳ１２１における経路の情報は、ナビゲーション装置３１にて設定された経路の位置情報である。ステップＳ１２２における道路交通情報は、取得時点における渋滞情報であって情報提供サーバ２から取得できる。渋滞情報は、渋滞予測の情報に代替されてよい。走行予定の経路に関する道路交通情報は、道路の起伏の情報であってもよい。ステップＳ１２２で取得される情報には外気温等の電力消費に影響する情報を含む。

制御部１１は、取得した道路交通情報に基づき、走行予定の経路を渋滞の有無に基づいて区分けする（ステップＳ１２３）。

制御部１１は、区分けされた区間を走行順に選択し（ステップＳ１２４）、選択された区間における電力消費予測量を、区間における交通情報（平均旅行時間）、区間における外気温、区間における湿度等の情報に基づいて算出する（ステップＳ１２５）。

制御部１１は、選択された区間を、蓄電素子１０における残電力量で区間を走行できるか否かを、ステップＳ１２５で算出した電力消費予測量に基づいて判断する（ステップＳ１２６）。

走行できると判断された場合（Ｓ１２６：ＹＥＳ）、制御部１１は、電力消費予測量を残電力から減算し（ステップＳ１２７）、全区間について処理したか否か判断する（ステップＳ１２８）。全区間について処理したと判断された場合（Ｓ１２８：ＹＥＳ）、制御部１１は、全区間について走行可能と判断した結果をリクエストに対して応答し（ステップＳ１２９）、処理を終了する。

ステップＳ１２８で全区間について処理していないと判断された場合（Ｓ１２８：ＮＯ）、制御部１１は処理をステップＳ１２４へ戻す。

ステップＳ１２６にていずれかの区間において走行できないと判断された場合（Ｓ１２６：ＮＯ）、制御部１１は、走行できないと判断された区間を識別するための情報と共に、走行可能と判断された区間の積算距離を、リクエストに対して応答し（ステップＳ１３０）、処理を終了する。

このように、走行予定の経路においてどれほどの電力を消費するのかを、行程全体における平均値ではなく、区間に分けて渋滞情報及び車内設備における電力消費から推定することで精度よく算出することで、走行可能距離を精度良く求めることができる。

（実施の形態２）
実施の形態２では、電池管理装置１は、深層学習によって学習される学習モデルから走行可能距離を特定する。図４は、実施の形態２における電池管理装置１の構成を示すブロック図である。実施の形態２における電池管理装置１の記憶部１２には、制御プログラム１Ｐの他に、学習済みの学習モデル１Ｍが記憶されている。電池管理装置１及び情報提供システム１００の構成は、学習モデル１Ｍに基づく処理手順以外は実施の形態１と同様であるので詳細な説明を省略する。

図５は、電池管理装置１における学習モデル１Ｍの概要図である。学習モデル１Ｍは、入力時点における蓄電素子１０のＳＯＣ、車内設備における電力消費量、及び、走行予定の経路における予想平均速度の入力に応じて、走行可能距離を出力するように学習されている。学習モデル１Ｍは、学習モデル１Ｍは、図５に示すようにニューラルネットワーク（Neural Network）を用いた教師ありの深層学習アルゴリズムによって走行可能距離を出力する。学習モデル１Ｍの学習アルゴリズムは教師なしの学習アルゴリズムでもよいし、リカレントニューラルネットワーク（Recurrent Neural Network）でもよい。

学習モデル１Ｍのニューラルネットワークは、図５に示すように、定義データによって定義される複数段の畳み込み層、プーリング層および全結合層を含み、入力されるＳＯＣを含む情報に基づいて、走行可能距離を出力する。

学習モデル１Ｍは、走行可能距離を直接的に出力せずに、推定される時間当たり又は距離当たりの電力消費予測量を出力してもよい。

学習モデル１Ｍは、蓄電素子１０を電力源とする車両Ｖの走行可能距離に影響する他のデータを入力することによって走行可能距離を出力するように学習されてもよい。例えば学習モデル１Ｍは、車種を入力してもよい。学習モデル１Ｍは、走行する道路の識別情報を入力してもよい。学習モデル１Ｍは、走行する時刻を入力してもよい。

学習モデル１Ｍは、蓄電素子１０の製造者、又は車両Ｖの製造者によって管理されるモデル作成装置によって、実際の車両Ｖにおける蓄電素子１０のＳＯＣ、電力消費量、及び、走行経路における速度と、対応する実際の走行距離とを含む教師データによって学習されている。多数の実際に走行している車両Ｖにおけるデータを収集して学習されている。学習モデル１Ｍは、各車両Ｖについて、蓄電素子１０の実際のＳＯＣ、電力消費量、及び、走行経路における速度と、対応する実際の走行距離とによって再学習が繰り返されていってもよい。

学習モデル１Ｍは、車種毎に学習されてあり、車種に応じて記憶部１２に記憶されていてもよい。学習モデル１Ｍは、地域別に学習されてあり、地域に応じて記憶部１２に記憶されていてもよい。

図６は、学習モデル１Ｍに基づく走行可能距離の算出手順の一例を示すフローチャートである。図６のフローチャートに示す処理手順の内、実施の形態１の図２のフローチャートに示した手順と共通する手順には、同一のステップ番号を付して詳細な説明を省略する。

制御部１１は、走行可能距離算出のリクエストを受け付けて（Ｓ１０１）、ＳＯＣの算出（Ｓ１０２）、現状の電力消費量の算出（Ｓ１０３）、位置情報の取得（Ｓ１０４）を実行する。制御部１１は、渋滞中の道路であるか否かに応じて速度を算出する（Ｓ１０７，Ｓ１０８）。

ステップＳ１０２－Ｓ１０４，Ｓ１０７，Ｓ１０８で算出したＳＯＣ、電力消費量、走行経路における予想速度を、学習モデル１Ｍに入力する（ステップＳ１３１）。学習モデル１Ｍは、入力されたＳＯＣ、電力消費量、走行経路における予想速度に応じて走行可能距離を出力する。制御部１１は、学習モデル１Ｍから出力された走行可能距離を取得する（ステップＳ１３２）。

制御部１１は、ステップＳ１３２で取得した走行可能距離を、出力装置３４、又はナビゲーション装置３１へ出力し（Ｓ１１２）、処理を終了する。

図７は、学習モデル１Ｍの他の例の概要図である。図７に示す学習モデル１Ｍは、算出時点までのＳＯＣの時間変化、ナビゲーション装置３１にて設定された行き先までの経路において予想される渋滞の程度の時間分布、外気温の時間分布及び設定温度を入力し、経路の何％まで到達できるかを出力するように学習される。学習モデル１Ｍは、ＳＯＣの時間変化のその続きの時間変化予測を出力してもよい。

図７に示すように他の例における学習モデル１Ｍは、図５に示した例と同様にニューラルネットワークを用いた教師ありの深層学習アルゴリズムによって学習される。

図８は、学習モデル１Ｍを用いた走行可能距離の算出手順の他の一例を示すフローチャートである。図８のフローチャートに示した処理手順は、図７の学習モデル１Ｍを用いた場合の処理手順に対応する。図８のフローチャートに示す処理手順の内、実施の形態１の図２のフローチャートに示した手順と共通する手順には、同一のステップ番号を付して詳細な説明を省略する。

制御部１１は、走行可能距離算出のリクエストを受け付けると（Ｓ１０１）、算出時点までのＳＯＣの時間変化を示すグラフ画像を作成する（ステップＳ１４１）。

制御部１１は、通信部１４を介し、走行予定の経路に関する道路交通情報を取得する（ステップＳ１４２）。ステップＳ１４２における道路交通情報は、到着予想時刻における渋滞予測の情報である。制御部１１は、取得した道路交通情報に基づいて混雑の時間分布を示すグラフ画像を作成する（ステップＳ１４３）。ステップＳ１４３において制御部１１は、各地点の時刻毎の渋滞予測情報から混雑の程度（渋滞長）の情報を取得して到着予想時刻毎の混雑の分布を作成する。

制御部１１は、走行予定の経路における外気温の予測値を取得する（ステップＳ１４４）。ステップＳ１４４にて湿度、道路の起伏など、電力消費量に影響する情報を取得してもよい。制御部１１は取得した予測値の時間分布を示すグラフ画像を作成する（ステップＳ１４５）。

制御部１１は、空調装置３３の設定温度を取得する（ステップＳ１４６）。

制御部１１は、ステップＳ１４１で作成したＳＯＣの時間変化のグラフ画像、ステップＳ１４３で作成した混雑の時間分布のグラフ画像、ステップＳ１４５で作成した外気温の時間分布のグラフ画像と、設定温度とを学習モデル１Ｍに入力する（ステップＳ１４７）。

制御部１１は、学習モデル１Ｍから出力される到達可能性を示す割合、又は、ＳＯＣの時間変化予測を取得し（ステップＳ１４８）、取得した割合、又は時間変化予測に基づき、走行可能距離を算出する（ステップＳ１４９）。

制御部１１は、算出された走行可能距離を、出力装置３４、又はナビゲーション装置３１へ出力し（ステップＳ１１２）、処理を終了する。

このように、学習モデル１Ｍを用いることによって、予測が困難であった正確な走行可能距離の算出の精度が向上することが期待される。

（実施の形態３）
実施の形態３では、情報提供サーバ２が、気温、湿度、走行可能距離を算出するために必要な情報を提供する。実施の形態３における情報提供システム１００のハードウェア構成は、実施の形態１と同様であるから同一の符号を付して詳細な説明を省略する。

図９は、実施の形態３における走行可能距離の算出手順の一例を示すフローチャートである。ナビゲーション装置３１にて行き先及び経路が設定された場合に、ナビゲーション装置３１が、設定された経路に対する蓄電素子１０からの電力による走行可能距離の算出のリクエストを電池管理装置１へ出力すると以下の処理が開始される。

電池管理装置１の制御部１１は、走行可能距離算出のリクエストを受け付けると（ステップＳ３０１）、蓄電素子１０のＳＯＣを算出する（ステップＳ３０２）。ステップＳ３０２において制御部１１は上述したように、接続部１３を介して蓄電素子１０で算出済みのＳＯＣを取得してもよい。

制御部１１は、空調装置３３を含む車内設備における電力消費量を算出する（ステップＳ３０３）。ステップＳ３０３において制御部１１は、定期的（例えば１０分毎）に電力消費量を取得しておき、ステップＳ３０３で直近の単位時間（例えば１時間）当たりの電力消費量を算出してもよい。

制御部１１は、走行予定の経路の情報を取得する（ステップＳ３０４）。ステップＳ３０４において制御部１１は、ナビゲーション装置３１にて設定された経路の位置情報を取得する。

制御部１１は、算出したＳＯＣ、電力消費量、及び走行予定経路の情報と、蓄電素子１０の識別情報、及び車両の車種の情報とを含む、走行可能距離を算出するための情報提供リクエストを情報提供サーバ２へ送信する（ステップＳ３０５）。制御部１１は、ステップＳ３０４で経路の情報を取得せずに、ナビゲーション装置３１から情報提供サーバ２へ直接的に情報が送信されるように制御してもよい。

情報提供サーバ２の制御部２０は、情報提供リクエストを通信部２２によって受信する（ステップＳ２０１）。制御部２０は、情報提供リクエストに含まれる走行予定経路の情報に基づいて、走行予定経路における渋滞情報を含む道路交通情報を、ネットワークＮを介して取得する（ステップＳ２０２）。制御部２０は、情報提供リクエストに含まれる走行予定経路の情報に基づいて、走行予定経路における天候情報を、ネットワークＮを介して取得する（ステップＳ２０３）。

制御部２０は、ステップＳ２０２及びステップＳ２０３において、ネットワークＮを介してＶＩＣＳ（登録商標）等から道路交通情報を取得するのみならず、同様の電池管理装置１を搭載している複数の電動車両から情報を収集することもできる。走行予定経路を実際に走行している車両から情報を取得してもよい。この場合、同一又は類似の車種の車両から電力消費量を取得するとよい。

制御部２０は、ステップＳ２０２で取得した道路交通情報と、情報提供リクエストに含まれるＳＯＣ及び電力消費量に基づいて、走行予定経路における電力消費予測量を算出する（ステップＳ２０４）。制御部２０は、ステップＳ２０３で取得した天候情報に基づいて、空調装置３３の稼働を加味した電力消費予測量へ修正する（ステップＳ２０５）。ステップＳ２０５で得られる出力消費予測量は、距離当たりの電力消費量として算出されるとよい。

制御部２０はステップＳ２０４及びステップＳ２０５において、情報提供リクエストに車種の情報が含まれる場合、車種ごとの標準電力消費率から、電力消費予測量を算出するとよい。

制御部２０は、修正後の電力消費予測量を電池管理装置１宛てに応答する（ステップＳ２０６）。

電池管理装置１の制御部１１は、情報提供リクエストに対する応答として電力消費予測量を受信する（ステップＳ３０６）。制御部１１は、受信した電力消費予測量によって、推定走行可能距離を算出し（ステップＳ３０７）、出力装置３４、又はナビゲーション装置３１へ出力し（ステップＳ３０８）、処理を終了する。

情報提供サーバ２側で、図３のフローチャートに示した処理手順に基づく推定走行可能距離の算出まで実行し、ステップＳ２０６で制御部２０は推定走行可能距離を応答してもよい。

このように、蓄電素子１０の製造者が管理する情報提供サーバ２側で、車両Ｖにおける蓄電素子１０の特性に適した情報によって、電力消費予測量、又は、電力消費に影響する情報が提供される。これにより、車内外の状況に影響される走行可能距離の算出精度が向上する。

情報提供サーバ２にて走行可能距離、又は電力消費予測量を算出する場合、情報提供サーバ２は、実施の形態２で開示したような学習モデル１Ｍを用いてもよい。車種毎の学習モデル１Ｍを予め作成しておき、作成された学習モデル１Ｍを用いて算出することで車種に応じた蓄電素子１０の電力消費量を精度よく予測し、車両Ｖ内で走行可能距離を精度よく算出することを可能とする。

（実施の形態４）
実施の形態４では、不足分の電力消費予測量に基づいて必要な充電時間又は充電量を出力する。実施の形態４における情報提供システム１００のハードウェア構成は、実施の形態１と同様であるから同一の符号を付して詳細な説明を省略する。

図１０は、実施の形態４における走行可能距離の算出手順の一例を示すフローチャートである。実施の形態４では、ナビゲーション装置３１において行き先が設定又は検索されたことを契機に、ナビゲーション装置３１からの走行可能距離算出のリクエストを受け付ける。図１０のフローチャートに示す処理手順の内、実施の形態１の図３のフローチャートに示した処理手順と共通する手順については同一のステップ番号を付して詳細な説明を省略する。

電池管理装置１の制御部１１は、走行可能距離算出のリクエストをナビゲーション装置３１から受け付け（Ｓ１０１）、走行予定の経路の情報を取得する（Ｓ１２１）。

制御部１１は、蓄電素子１０のＳＯＣを算出する（Ｓ１０２）。

制御部１１は、取得した経路に関する道路交通情報を取得する（Ｓ１２２）。制御部１１は、取得した道路交通情報に基づき、走行予定の経路を渋滞の有無、渋滞の程度に基づいて区分けする（Ｓ１２３）。

制御部１１は、区分けされた区間を走行順に選択し（Ｓ１２４）、選択された区間における電力消費予測量の算出（Ｓ１２５）、走行の可否（Ｓ１２６）を実行する。

実施の形態４では、ステップＳ１２６にていずれかの区間において走行できないと判断された場合（Ｓ１２６：ＮＯ）、制御部１１は、ステップＳ１０２で算出した車両Ｖの現状のＳＯＣが満充電に相当するか否かを判断する（ステップＳ１５１）。ステップＳ１５１において制御部１１は、算出したＳＯＣが満充電に至らなくとも、それ以上の充電は、車両Ｖ側で停止されるような高いＳＯＣであると判断される場合には、満充電に相当すると判断する。

制御部１１は、満充電に相当すると判断された場合（Ｓ１５１：ＹＥＳ）、制御部１１は、ステップＳ１２６で走行できないと判断された区間を識別するための情報と共に、走行可能と判断された区間の積算距離とをリクエストに対して応答し（Ｓ１３０）、処理を終了する。

満充電に相当しないと判断された場合（Ｓ１５１：ＮＯ）、制御部１１は、走行できないと判断された区間から行き先（経路終端）までに必要な電力消費予測量を算出する（ステップＳ１５２）。制御部１１は、算出した電力消費予測量よりも少し多い必要充電量又は、必要充電量を充電するために要する充電時間を算出する（ステップＳ１５３）。

制御部１１は、走行できないと判断された区間を識別するための情報と、ステップＳ１５３で算出した必要充電量又は充電時間とをリクエストに対して応答し（ステップＳ１５４）、処理を終了する。

ステップＳ１５１で満充電に相当すると判断された場合であっても、制御部１１は、電力消費予測量、及び、必要充電量又は充電時間を算出し（Ｓ１５３）、途中での必要な充電時間の情報として応答に加えてもよい。

リクエストに対する応答を受け取ったナビゲーション装置３１は、必要充電量又は充電時間を含む応答を電池管理装置１から受信した場合、事前の充電を促すメッセージを、出力装置３４に出力する。電池管理装置１の制御部１１が直接的に、出力装置３４から充電を促すメッセージを出力させてもよい。

図１１は、出力される充電メッセージの例を示す図である。図１１は、ナビゲーション装置３１によるナビゲーション画面を示している。ナビゲーション画面には、ナビゲーション装置３１にて設定された経路が地図上に表示されていると共に、車両Ｖの現状のＳＯＣでは電力が不足する区間が地図上で強調表示されている。図１１の例では、車両Ｖの蓄電素子１０は、満充電に相当しないと判断され、必要な電力量と、充電時間とが提示されている。このようにして満充電とせずとも、少しでも充電しておくことで車両Ｖが全行程を走行できる場合には、ユーザはこれを認識して事前に適宜充電準備し、安心して走行することができる。

電池管理装置１及びナビゲーション装置３１との協働により、走行予定経路における行き先（経路終端）までに充電が必要であることが予想される場合には、走行予定経路に充電スタンドを加えて再度図１１のフローチャートに示した処理手順を実行し、経由地の充電スタンドにおける必要充電量又は充電時間を提示するようにしてもよい。

実施の形態４に示した処理手順は、車両Ｖに搭載されたナビゲーション装置３１との連携で実現されることに限られない。例えば、運転者の情報端末装置（スマートフォン等）にて車両Ｖの蓄電素子１０のＳＯＣを取得し、情報端末装置にて走行可能距離の算出を実行してもよい。この場合、自宅に充電設備を有するユーザは、翌日の行き先を情報端末装置で検索した際に、蓄電素子１０のＳＯＣに基づいてその行き先への行程及び帰宅するまでの行程を含む全行程を走行することが可能か否かを情報端末装置にて調べる。情報端末装置は、電池管理装置１と同様の機能によって、走行可能距離を算出し、全行程を走行できないと判断した場合には、事前の充電を促すことができる。この場合、運転者は、出発までにどの程度充電すべきかを把握することができ、目的地まで不安にならなくて済む。

車両Ｖは、敷地内において荷物を運搬するＡＧＶ（Automated Guided Vehicle）、トラック等の産業用車両であってもよく、電力を駆動力とする電動車両であれば電気自動車に限らない。更には、電池管理装置１の対象は、次の実施の形態５で説明するように、車両ではなく飛行機、船舶、宇宙船等、蓄電素子を動力源として移動するものを対象とすることが可能である。

（実施の形態５）
実施の形態５では、電池管理装置１の対象を、有人のeVTOLである飛行体Ｖ２とする。図１２は、実施の形態５における情報提供システム１００の概要図である。実施の形態５における情報提供システム１００の構成は、飛行体Ｖ２を対象とする処理を実行すること以外は、実施の形態１と同様であるからハードウェア構成についての詳細な説明は省略する。

実施の形態５における電池管理装置１は、図１に示すような経路で飛行する飛行体Ｖ２に搭載されている。電池管理装置１は、飛行体Ｖ２の蓄電素子１０と接続されている。電池管理装置１は、飛行体Ｖ２の位置情報及び移動予定の経路情報を取得する装置と通信接続が可能である。例えば電池管理装置１は、飛行体Ｖ２に搭載されているＧＰＳ受信機から位置情報を取得し、図示しない航行制御装置から経路情報を取得する。ここで航行制御装置は、運転者又は外部の指示系統から指示された経路と、緯度経度高度とに基づき飛行を制御する装置である。

電池管理装置１は、情報提供サーバ２と通信接続が可能である。実施の形態５において電池管理装置１は、飛行体Ｖ２に搭載されている外部との通信装置を介して情報提供サーバ２と通信によるデータ送受信が可能である。

電池管理装置１は、飛行体Ｖ２に搭載されている空調装置と通信接続が可能である。電池管理装置１は、飛行体Ｖ２に搭載されている気圧調整装置と通信接続が可能でもよい。電池管理装置１は、飛行体Ｖ２の運転者に対し情報を出力する出力装置と接続されていてもよい。

実施の形態５の情報提供サーバ２の制御部２０は、情報提供プログラム２Ｐに基づき、地図情報、高度別の外気温データ、風速データ、離発着ポイントごとの混雑状況等、飛行体Ｖ２の電力消費に影響する要素に関する情報を取得し、記憶部２１に記憶できる。制御部２０は、情報提供プログラム２Ｐに基づき、位置情報に対応付けられる高度別の気圧分布の実測値又は予測値の情報を取得し、記憶部２１に記憶できる。

実施の形態５における情報提供システム１００では、飛行体Ｖ２に搭載されている電池管理装置１が、飛行体Ｖ２の位置情報と、充電スタンドＥＳの位置情報と、飛行体Ｖ２の移動経路における電力消費予測量と、蓄電素子１０の充電率とに基づいて、飛行体Ｖ２内外における電力消費量の予測を加味した走行可能距離を推定する。予測される電力消費量の一部については、情報提供サーバ２から提供される。

図１３は、実施の形態５の電池管理装置１により実行される処理手順の一例を示すフローチャートである。制御部１１は、移動可能距離のリクエストを受け付ける（ステップＳ１６１）。

制御部１１は、蓄電素子１０から測定データを取得し、ＳＯＣを算出する（ステップＳ１６２）。ステップＳ１６２において制御部１１は算出済みのＳＯＣを取得してもよい。

制御部１１は、空調装置を含む飛行体Ｖ２に搭載されている設備における時間当たりの電力消費量を算出する（ステップＳ１６３）。ステップＳ１６３において制御部１１は、定期的（例えば１０分毎）に電力消費量を取得しておき、ステップＳ１６３で直近の単位時間（例えば１５分、３０分、１時間等）当たりの電力消費量を算出してもよい。

ステップＳ１６３において制御部１１は、図示しない温度・湿度センサから外気温、外気湿度、室内温度及び湿度を取得し、温度差及び湿度差によって、空調装置による電力消費量を予測するか、又は、温度差からステップＳ１６３の電力消費量を補正する。制御部１１は、図示しない高度センサ及び気圧センサから、高度、外気圧を取得し、気圧調整装置による電力消費を鑑み、電力消費量を予測するか、又は補正してもよい。

制御部１１は、飛行体Ｖ２の現在位置を示す位置情報を取得する（ステップＳ１６４）。

制御部１１は、通信部１４を介し、設定されている目的地における離発着の混雑状況を示す情報を情報提供サーバ２から取得する（ステップＳ１６５）。ステップＳ１６５において制御部１１は、目的地の離発着に要する平均時間を取得する。

制御部１１は、通信部１４を介して、現在位置から設定されている目的地までの間の風速の分布情報を情報提供サーバ２から取得する（ステップＳ１６６）。

制御部１１は、取得した混雑状況を示す情報及び風速の情報を含む環境情報と、現在地から目的地までの距離に基づいて、目的地までの移動に要する時間を算出し（ステップＳ１６７）、移動に要する電力量を予測する（ステップＳ１６８）。

制御部１１は、ステップＳ１６３にて算出した時間当たりの電力消費量に基づいて目的地までに設備で消費される電力量を算出し（ステップＳ１６９）、ステップＳ１６８で算出した移動に要する電力量と合わせて予測電力消費量を算出する（ステップＳ１７０）。

制御部１１は、ステップＳ１６２で算出したＳＯＣに基づく残電力量と、ステップＳ１７０で算出した予測電力消費量とに基づいて、目的地までの距離を、移動可能か否かを判断する（ステップＳ１７１）。ステップＳ１７１で制御部１１は一例として、残電力量と予測電力消費量の大小を比較し、残電力量の方が多い場合に移動可能と判断すればよい。制御部１１は、単位時間当たりの電力消費量を算出して距離を算出してから目的地までの距離と比較してもよい。

移動可能であると判断された場合（Ｓ１７１：ＹＥＳ）、制御部１１は、残電力量及び予測電力消費量を出力し（ステップＳ１７２）、処理を終了する。

ステップＳ１７１で移動可能でないと判断された場合（Ｓ１７１：ＮＯ）、予測電力消費量と残電力量に対する割合に基づいて移動可能距離を算出し（ステップＳ１７３）、出力し（ステップＳ１７４）、処理を終了する。

ステップＳ１７４において制御部１１は、情報提供サーバ２へ、現在地から移動可能距離以内にある充電スタンドＥＳが設けられている離発着場所の検索リクエストを送信してもよい。制御部１１は、リクエストに対して応答された離発着場所の候補を共に出力する。制御部１１は、離発着場所の候補に到着した場合に充電スタンドＥＳで充電すべき電力量を、残電力量、予測電力消費量を用いて算出する。候補から選択された離発着場所に到着した場合、制御部１１は、充電スタンドＥＳと接続されたタイミングで充電電力量を再度決定して充電を実行してよい。

実施の形態５に示したように、電池管理装置１による移動可能距離の算出の対象は、電気自動車に限られない。同様にして電池管理装置１による処理は、ドローンと呼ばれる無人飛行機についても適用できる。電池管理装置１による処理はほかに、蓄電素子を搭載し、電力で航行する電動船舶における電池管理に適用することも可能である。電池管理装置１による処理を電動船舶に適用する場合、制御部１１は気温、風速、及び波の高さに加え、潮流に関する情報を鑑みて電力消費量を予測、補正する。電池管理装置１による処理はほかに、電力を用いて航行しより緻密な管理が必要な宇宙船、衛星等の飛行体における電池管理にも適用が可能である。

上述のように開示された実施の形態は全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、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内での全ての変更が含まれる。

１ 電池管理装置
１０ 蓄電素子
１１ 制御部
１２ 記憶部
１４ 通信部
１Ｐ 制御プログラム
２ 情報提供サーバ
２０ 制御部
２１ 記憶部
２２ 通信部
３１ ナビゲーション装置
３３ 空調装置

Claims (11)

1. 電動移動体の動力源の蓄電素子の充電率に基づいて移動可能距離を算出する算出部を備える電池管理装置であって、
   前記算出部は、
   前記蓄電素子の充電率を逐次取得して時間変化を記憶し、
   前記電動移動体の予定経路における混雑時間分布及び外気温の予想時間分布を含む環境情報を取得し、
   算出時点までの前記蓄電素子の充電率の時間変化、前記予定経路に対し予測されている混雑時間分布、及び、前記予定経路における外気温の予想時間分布の入力に応じて、前記蓄電素子の算出時点以降の充電率の時間変化を出力するように、電動移動体個々の、前記電動移動体が移動するために必要な必要電力量と、前記電動移動体に搭載されている設備での電力消費量との合計の電力消費実績と、移動中の各時点における前記蓄電素子の充電率の実際の時間変化、実際の移動経路における混雑時間分布、及び、前記移動経路における外気温の実際の時間分布とを含む学習データによって学習されている学習モデルを用いて移動可能距離を算出する、
   電池管理装置。
2. 前記学習モデルは、前記電動移動体の種類を、充電率の時間変化、混雑時間分布、及び外気温の予想時間分布に加えて入力した場合に、前記充電率の蓄電素子を動力源として移動可能な距離、又は前記蓄電素子の算出時点以降の充電率の時間変化を出力するように学習してあり、
   前記算出部は、
   前記電動移動体の種類を前記充電率の時間変化、混雑時間分布、及び外気温の予想時間分布に加えて入力する、
   請求項１に記載の電池管理装置。
3. 前記学習モデルは、前記予定経路の通過予定時刻を入力する、請求項１または２に記載の電池管理装置。
4. 電動移動体の動力源の蓄電素子の充電率に基づいて移動可能距離を算出する算出部を備える電池管理装置であって、
   前記電動移動体は、電気自動車、又は電動飛行体であり、
   前記算出部は、
   前記蓄電素子の充電率を取得し、
   前記電動移動体の予定経路における時間別の外気温の変化の予想分布を含む環境情報を取得し、
   取得した充電率及び環境情報に含まれる前記外気温の変化の予想分布から、前記予定経路を前記電動移動体が移動するために必要な必要電力量と、前記電動移動体に搭載されている曇り防止用電熱線を含む設備での電力消費量の時間別の予測とに基づき予測される前記予定経路における電力消費量を算出し、
   算出された前記予定経路における予測電力消費量並びに前記充電率に基づき、前記蓄電素子の残電力による移動可能距離を算出する
   電池管理装置。
5. 自装置が起動中に、前記蓄電素子の充電率を所定のタイミングで取得するようにしてあり、
   前記充電率を取得する都度に、前記充電率が所定値以下となったか否かを判断し、
   前記充電率が前記所定値以下となったと判断された場合に、前記算出部による移動可能距離の算出を開始する
   請求項１から４のいずれか１項に記載の電池管理装置。
6. 電動移動体の動力源の蓄電素子の充電率の時間変化、前記電動移動体の予定経路に対し予測されている混雑時間分布、及び前記予定経路における外気温の予想時間分布を含む環境情報を入力する入力層と、
   前記蓄電素子の算出時点以降の充電率の時間変化を出力する出力層と、
   前記電動移動体の蓄電素子の充電率の実際の時間変化、前記電動移動体が移動した実際の移動経路における混雑時間分布及び前記移動経路における外気温の実際の時間変化分布を含む環境情報と、前記環境情報に対応する実際に移動するために消費した電力量と、前記電動移動体に搭載されている設備での電力消費量の合計の電力消費実績とを含む教師データに基づき学習された中間層とを含み、
   前記電動移動体の移動可能距離を算出するために用いられる、学習モデル。
7. 電動移動体の動力源の蓄電素子の状態を管理するコンピュータに、
   前記蓄電素子の充電率を逐次取得して時間変化を記憶し、
   前記電動移動体の予定経路における混雑時間分布及び外気温の予想時間分布を含む環境情報を取得し、
   算出時点までの前記蓄電素子の充電率の時間変化、前記予定経路に対し予測されている混雑時間分布、及び、前記予定経路における外気温の予想時間分布の入力に応じて、前記蓄電素子の算出時点以降の充電率の時間変化を出力するように、電動移動体個々の、前記電動移動体が移動するために必要な必要電力量と、前記電動移動体に搭載されている設備での電力消費量との合計の電力消費実績と、移動中の各時点における前記蓄電素子の充電率の実際の時間変化、実際の移動経路における混雑時間分布、及び、前記移動経路における外気温の実際の時間分布とを含む学習データによって学習されている学習モデルを用いて移動可能距離を算出する、
   処理を実行させるコンピュータプログラム。
8. 電動移動体と通信によって情報を送受信可能なコンピュータが、前記電動移動体の動力源の蓄電素子の充電率に基づき、前記蓄電素子における残電力による移動可能距離を出力する電池管理方法であって、
   前記コンピュータが、
   前記蓄電素子の充電率を逐次取得して時間変化を記憶し、
   前記電動移動体の予定経路における混雑時間分布及び外気温の予想時間分布を含む環境情報を取得し、
   算出時点までの前記蓄電素子の充電率の時間変化、前記予定経路に対し予測されている混雑時間分布、及び、前記予定経路における外気温の予想時間分布の入力に応じて、前記蓄電素子の算出時点以降の充電率の時間変化を出力するように、電動移動体個々の、前記電動移動体が移動するために必要な必要電力量と、前記電動移動体に搭載されている設備での電力消費量との合計の電力消費実績と、移動中の各時点における前記蓄電素子の充電率の実際の時間変化、実際の移動経路における混雑時間分布、及び、前記移動経路における外気温の実際の時間分布とを含む学習データによって学習されている学習モデルを用いて移動可能距離を算出する、
   電池管理方法。
9. 電動移動体と通信によって情報を送受信可能であって、前記電動移動体の動力源の蓄電素子の残電力での移動可能距離を算出するための情報を提供する情報提供装置であって、
   前記蓄電素子の充電率の時間変化、予定経路、電力消費量の情報を受信し、
   前記電動移動体の予定経路における混雑時間分布及び外気温の予想時間分布を含む環境情報を取得し、
   算出時点までの前記蓄電素子の充電率の時間変化、前記予定経路に対し予測されている混雑時間分布、及び、前記予定経路における外気温の予想時間分布の入力に応じて、前記蓄電素子の算出時点以降の充電率の時間変化を出力するように、電動移動体個々の、前記電動移動体が移動するために必要な必要電力量と、前記電動移動体に搭載されている設備での電力消費量との合計の電力消費実績と、移動中の各時点における前記蓄電素子の充電率の実際の時間変化、実際の移動経路における混雑時間分布、及び、前記移動経路における外気温の実際の時間分布とを含む学習データによって学習されている学習モデルを用いて前記予定経路における電力消費量を算出し、
   算出された予測電力消費量を前記電動移動体に向けて送信する
   情報提供装置。
10. 複数の電動移動体それぞれから、前記環境情報を取得し、
    受信した情報を用いて前記電力消費量を算出する
    請求項９に記載の情報提供装置。
11. 電動移動体の動力源の蓄電素子の充放電を管理する電池管理装置であって、
    前記蓄電素子の充電率を逐次取得して時間変化を記憶する記憶部と、
    前記電動移動体の移動の予定経路における混雑時間分布及び外気温の予想時間分布を含む環境情報を取得し、算出時点までの前記蓄電素子の充電率の時間変化、前記予定経路に対し予測されている混雑時間分布、及び、前記予定経路における外気温の予想時間分布の入力に応じて、前記蓄電素子の算出時点以降の充電率の時間変化を出力するように、前記電動移動体が移動するために必要な必要電力量と、前記電動移動体に搭載されている設備での電力消費量との合計の電力消費実績と、移動中の各時点における前記蓄電素子の充電率の実際の時間変化、実際の移動経路における混雑時間分布、及び、前記移動経路における外気温の実際の時間分布とを含む学習データによって学習されている学習モデルを用いて予測電力消費量を算出する算出部とを備え、
    算出された予測電力消費量と、前記蓄電素子の充電率に基づき、前記蓄電素子への充電量を決定し、決定した充電量で前記蓄電素子を充電する
    電池管理装置。

Images