JP7457575B2 - 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム - Google Patents

劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム Download PDF

Info

Publication number
JP7457575B2
JP7457575B2 JP2020090373A JP2020090373A JP7457575B2 JP 7457575 B2 JP7457575 B2 JP 7457575B2 JP 2020090373 A JP2020090373 A JP 2020090373A JP 2020090373 A JP2020090373 A JP 2020090373A JP 7457575 B2 JP7457575 B2 JP 7457575B2
Authority
JP
Japan
Prior art keywords
storage battery
charging
measurement data
discharging
state
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
JP2020090373A
Other languages
English (en)
Other versions
JP2021185354A (ja
JP2021185354A5 (ja
Inventor
九廷 陳
秀徳 嶋脇
逸郎 林
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.)
Envision AESC Japan Ltd
Original Assignee
AESC Japan Co Ltd
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 AESC Japan Co Ltd filed Critical AESC Japan Co Ltd
Priority to JP2020090373A priority Critical patent/JP7457575B2/ja
Priority to PCT/JP2021/016928 priority patent/WO2021241115A1/ja
Priority to EP21812723.1A priority patent/EP4160784A4/en
Priority to CN202180038308.3A priority patent/CN115698738A/zh
Priority to US17/999,834 priority patent/US20230213585A1/en
Publication of JP2021185354A publication Critical patent/JP2021185354A/ja
Publication of JP2021185354A5 publication Critical patent/JP2021185354A5/ja
Application granted granted Critical
Publication of JP7457575B2 publication Critical patent/JP7457575B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/005—Detection of state of health [SOH]
    • 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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • 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
    • G06N20/00—Machine learning
    • 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
    • G06N3/09—Supervised learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • General Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Description

本発明は、劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラムに関する。
近年は様々な場所で蓄電池が用いられている。第１の例として、蓄電池は車両などの移動体の動力源として用いられている。第２の例として、蓄電池は、余剰電力を一時的に蓄電するために用いられている。
蓄電池を利用する際、蓄電池の劣化状態（以下、ＳＯＨと記載）を精度良く算出することは重要である。例えば特許文献１には、第１時点における蓄電池のＳＯＣ及びＳＯＨを用いて、それより後の第２時点のＳＯＨを推定することが記載されている。さらに特許文献２には、第１時点における蓄電池のＳＯＨ、及び第１時点からそれより後の第２時点の間の蓄電池の状態に係る時系列データを用いて、第２時点のＳＯＨを推定することが記載されている。
国際公開第２０１９／１８１７２８号 国際公開第２０１９／１８１７２９号
一般的に、現在のＳＯＨを推定することはできるが、将来のＳＯＨを高い精度で推定することは難しい。本発明の目的の一例は、蓄電池の将来のＳＯＨを高い精度で推定することにある。
本発明によれば、充放電回数がαｉからαｊ（ただしｊ≧ｉ）のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｊ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理部と、
処理対象となる対象蓄電池の充放電回数が前記αｉからαｊのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のＳＯＨの推移の推定結果を算出する算出部と、
を備え、
前記αｉからαｊは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定装置が提供される。
本発明によれば、充放電回数がαｉのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｉ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理部と、
処理対象となる対象蓄電池の充放電回数が前記αｉのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルに前記算出用測定データを入力することにより、前記対象蓄電池のＳＯＨの推定結果を算出する算出部と、
を備え、
前記αｉは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定装置が提供される。
本発明によれば、充放電回数がαｉからαｊ（ただしｊ≧ｉ）のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｊ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得部と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αｉからαｊのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のＳＯＨの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成部と、
を備えるモデル生成装置が提供される。
本発明によれば、充放電回数がαｉのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｉ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得部と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αｉのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のＳＯＨの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成部と、
を備えるモデル生成装置が提供される。
本発明によれば、コンピュータが、
充放電回数がαｉからαｊ（ただしｊ≧ｉ）のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｊ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理と、
処理対象となる対象蓄電池の充放電回数が前記αｉからαｊのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のＳＯＨの推移の推定結果を算出する算出処理と、
を行い、
前記αｉからαｊは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定方法が提供される。
本発明によれば、コンピュータが、
充放電回数がαｉのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｉ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理と、
処理対象となる対象蓄電池の充放電回数が前記αｉのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のＳＯＨの推移の推定結果を算出する算出処理と、
を行い、
前記αｉは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定方法が提供される。
本発明によれば、コンピュータが、
充放電回数がαｉからαｊ（ただしｊ≧ｉ）のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｊ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得処理と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αｉからαｊのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のＳＯＨの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成処理と、
を行うモデル生成方法が提供される。
本発明によれば、コンピュータが、
充放電回数がαｉのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｉ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得処理と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αｉのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のＳＯＨの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成処理と、
を行うモデル生成方法が提供される。
本発明によれば、コンピュータに、
充放電回数がαｉからαｊ（ただしｊ≧ｉ）のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｊ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理機能と、
処理対象となる対象蓄電池の充放電回数が前記αｉからαｊのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のＳＯＨの推移の推定結果を算出する算出処理機能と、
を持たせ、
前記αｉからαｊは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっているプログラムが提供される。
本発明によれば、コンピュータに、
充放電回数がαｉのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｉ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理機能と、
処理対象となる対象蓄電池の充放電回数が前記αｉのときの前記状態を測定した結果である算出用測定データを取得し、前記少なくとも一つのモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のＳＯＨの推移の推定結果を算出する算出処理機能と、
を持たせ、
前記αｉは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっているプログラムが提供される。
本発明によれば、コンピュータに、
充放電回数がαｉからαｊ（ただしｊ≧ｉ）のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｊ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得機能と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αｉからαｊのとき前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のＳＯＨの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成機能と、
を持たせるプログラムが提供される。
本発明によれば、コンピュータに、
充放電回数がαｉのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｉ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得機能と、
前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αｉのとき前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のＳＯＨの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成機能と、
を持たせるプログラムが提供される。
本発明によれば、蓄電池の将来のＳＯＨを高い精度で推定できる。
実施形態に係るモデル生成装置及び劣化推定装置の使用環境を説明するための図である。 モデル生成装置の機能構成の一例を示す図である。 劣化推定装置の機能構成の一例を示す図である。 モデル生成装置のハードウェア構成例を示す図である。 モデル生成装置が行うモデルの生成処理の一例を示すフローチャートである。 モデル生成装置の事前処理部が行う事前処理（図５のステップＳ３０）の第１例を説明するための図である。 モデル生成装置の事前処理部が行う事前処理（図５のステップＳ３０）の第２例を説明するための図である。 モデル生成装置の事前処理部が行う事前処理（図５のステップＳ３０）の第２例を説明するための図である。 劣化推定装置が行う、蓄電池のＳＯＨの算出処理の一例を示すフローチャートである。 図９に示す処理の要部を説明するための図である。 ステップＳ１８０においてディスプレイに表示されるデータの一例を示す図である。 変形例に係るデータ処理の一例を説明するための図である。 変形例に係るデータ処理の一例を説明するための図である。 変形例に係るデータ処理の一例を説明するための図である。
以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。
図１は、実施形態に係るモデル生成装置１０及び劣化推定装置２０の使用環境を説明するための図である。モデル生成装置１０及び劣化推定装置２０は、蓄電池３０と共に使用される。劣化推定装置２０は、蓄電池３０のＢＭＳ（Battery Management System）であってもよいし、蓄電池３０のＢＭＳとは別の装置であってもよい。
蓄電池３０は機器４０に電力を供給する。本図に示す例において、劣化推定装置２０及び蓄電池３０は機器４０の中に設けられている。一例として、機器４０は、例えば電動車両などの車両である。ただし、蓄電池３０が家庭用の蓄電池の場合、機器４０は家庭で用いられる電気機器となる。この場合、蓄電池３０は機器４０の外部に位置する。また蓄電池３０は、系統電力網に接続していてもよい。この場合、蓄電池３０は、供給される電力を平準化するために用いられる。具体的には、機器４０は、電力が余っている時には電力を蓄え、電力が不足している時には電力を供給する。
劣化推定装置２０は、蓄電池３０の劣化状態すなわちＳＯＨ（State Of Health）を、モデルを用いて推定する。モデル生成装置１０は、劣化推定装置２０が用いるモデルの少なくとも一つを、機械学習、例えばニューラルネットワークを用いて生成し、かつ更新する。ＳＯＨは、例えば「現在の満充電容量（Ａｈ）／初期の満充電容量（Ａｈ）×１００（％）」である。
モデル生成装置１０は、複数の蓄電池３０から蓄電池３０の状態に関するデータの測定値（以下、実績データと記載）を取得する。そして複数の実績データの一部は、機械学習の訓練データとして用いられ、実績データの残りの少なくとも一部は、モデルを検証するために用いられる。
実績データは、少なくとも、蓄電池３０の充放電回数がαｉからαｊ（ただしｊ≧ｉ）のときの当該蓄電池３０の充放電中の状態の推移を測定した結果（以下、測定データと記載）、並びに当該蓄電池３０の充放電回数がβ（ただしβ＞αｊ）のときのＳＯＨを含んでいる。測定データは、例えば電流、電圧、及び温度を含んでいる。ここで実績データは、一つの測定データに対して互いに異なるβのときのＳＯＨを含んでいてもよい。言い換えると、実績データは、ある充放電回数における電流、電圧、及び温度などの測定データと、それより後の充放電回数におけるＳＯＨの推移を示している。一例として、一つの実績データは、充放電回数がαｉからαｊ（例えば１≦αｉ≦１０であり、１＜αｊ≦１００である）のときの測定データと、充放電回数がαｊ以降のβ１、β２、・・・、βｋ（例えば２００，３００，・・・）のそれぞれで測定したＳＯＨを含んでいる。
また実績データは、蓄電池３０の種類（例えば品名や型番）を特定する情報を含んでいるのが好ましい。このようにすると、モデル生成装置１０は、蓄電池３０の種類別にモデルを生成することができる。そして劣化推定装置２０は、当該劣化推定装置２０が接続している蓄電池３０の種類に対応するモデルをモデル生成装置１０から取得し、使用することができる。したがって、劣化推定装置２０による蓄電池３０のＳＯＨの推定精度は高くなる。
実績データの少なくとも一部はデータ収集装置５０から取得される。データ収集装置５０は実績データを集める装置であり、複数の蓄電池３０のそれぞれから実績データを取得する。データ収集装置５０が管理している蓄電池３０は、実績データを集めることを主目的として使用されている。なお、実績データはさらに劣化推定装置２０から取得されてもよい。
図２は、モデル生成装置１０の機能構成の一例を示す図である。本図に示す例において、モデル生成装置１０は、訓練データ取得部１３０及びモデル生成部１５０を備えている。訓練データ取得部１３０は、複数の訓練データを取得する。一例として、訓練データのそれぞれは、蓄電池のある充放電サイクルにおける電流、電圧、及び温度の推移を含む訓練用測定データを入力値として、当該蓄電池のＳＯＨである訓練用ＳＯＨを目標値としている。モデル生成部１５０は、複数の訓練データを機械学習することにより、モデルを生成する。このモデルは、処理対象となる対象蓄電池の電流、電圧、及び温度を含む算出用測定データから当該対象蓄電池のＳＯＨを算出する。
ここで訓練データ取得部１３０は、上記したαｉからαｊとβの組み合わせ別に訓練データを取得する。言い換えると、ある訓練データを構成するデータのそれぞれは、いずれもαｉからαｊ及びβが同一である。そしてモデル生成部１５０は、上記したβ別にモデルを生成する。すなわち訓練データ取得部１３０は複数のモデルを生成するが、これら複数のモデルは、いずれも、充放電回数がαｉからαｊのときの蓄電池の測定データである訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｊ）のときの蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データを機械学習することにより生成されている。ここで、αｉからαｊは複数のモデルにおいて同一の値であり、βは複数のモデルにおいて互いに異なっている。そしてこれら複数のモデルは、いずれも、蓄電池３０の充放電回数がαｉからαｊのとき蓄電池３０の状態を示す算出用測定データから、充放電回数がβのときの当該蓄電池３０のＳＯＨの推定値を算出する。例えばβがｋ個（β１、β２、・・・、βｋ）ある場合、モデルはｋ個生成される。
ここで、モデル生成部１５０は、複数の機械学習アルゴリズム（例えばＬＳＴＭ（Long Short-Term Memory）、ＤＮＮ（Deep Neural Network）、及びＬＲ（Linear Regression）など）を用いて、一つのβについて複数のモデルを生成してもよい。この場合、劣化推定装置２０もこれら複数のモデルを用いる。またモデル生成部１５０は、少なくとも一つの前記βにおいて、他のβとは異なる機械学習アルゴリズムを用いてもよい。言い換えると、モデル生成部１５０は、β別にそのβに最適な機械学習アルゴリズムを用いてモデルを生成してもよい。
なお、訓練用測定データは、電流、電圧、及び温度のみであってもよい。この場合、モデルに入力される算出用測定データも、電流、電圧、及び温度のみになる。
モデル生成装置１０は、さらに事前処理部１４０を備えている。訓練用測定データに含まれるデータ（パラメータ）の種類をｍ（例えば電流、電圧、及び温度のみの場合はｍ＝３）とした場合、事前処理部１４０は、ｎ組の訓練用測定データを（（αｊ－αｉ＋１）×ｍ）×ｎの行列に加工し、当該行列を処理することにより、ｚ個のデータからなる一次元データを生成する。モデル生成部１５０は、この一次元データを入力値としてモデルを生成する。事前処理部１４０は、一次元モデルを生成する際、デジタルフィルタを用いる。この処理の詳細例については後述する。
モデル生成部１５０が生成した複数のモデルは、モデル記憶部１６０に記憶される。そしてモデル記憶部１６０に記憶された複数のモデルは、モデル送信部１７０によって劣化推定装置２０に送信される。本図に示す例において、モデル記憶部１６０及びモデル送信部１７０は、モデル生成装置１０の一部となっている。ただし、モデル記憶部１６０及びモデル送信部１７０の少なくとも一方はモデル生成装置１０の外部の装置になっていてもよい。
本図に示す例において、モデル生成装置１０は、さらに、実績取得部１１０、実績記憶部１２０、訓練データ取得部１３０、及び検証用データ取得部１８０を備えている。
実績取得部１１０は、劣化推定装置２０及びデータ収集装置５０の少なくとも一方から、上記した実績データを取得し、実績記憶部１２０に記憶させる。ここで実績取得部１１０は、実績データを、当該実績データの取得先を特定する情報に対応付けて記憶する。また実績取得部１１０は、実績データを、当該実績データの測定対象となった蓄電池３０の種類を示す情報に対応付けて記憶してもよい。
上記したように、複数の実績データの一部は、上記した訓練データとして用いられ、実績データの残りの少なくとも一部は、モデルを検証するために用いられる。このため、実績記憶部１２０は、複数の実績データのそれぞれを、訓練データとして用いられるデータか否かを示す情報を対応付けて記憶している。この対応付けは、ユーザからの入力に従って行われてもよいし、実績取得部１１０が行ってもよい。
そして訓練データ取得部１３０は、実績記憶部１２０から、実績データのうち訓練データとして用いられるデータを読み出す。モデル生成部１５０が蓄電池３０の種類別にモデルを生成する場合、訓練データ取得部１３０は、モデルの種類別に訓練データを読み出す。
また検証用データ取得部１８０は、実績データのうち訓練データとして用いられないデータの少なくとも一部を、モデル生成部１５０が生成したモデルを検証するために読み出す。このモデルの検証は、モデル生成部１５０が行う。
なお、実績取得部１１０は定期的に動作しているため、実績記憶部１２０に記憶されている実績データは定期的に更新（追加）される。そしてモデル生成部１５０は、定期的にモデルを更新する。モデル送信部１７０は、モデル記憶部１６０に記憶されているモデルが更新されると、モデルを更新するためのデータを劣化推定装置２０に送信する。
図３は、劣化推定装置２０の機能構成の一例を示す図である。劣化推定装置２０は、記憶処理部２１０及び算出部２４０を備えている。
記憶処理部２１０は、モデル生成装置１０から複数のモデルを取得し、モデル記憶部２２０に記憶させる。記憶処理部２１０は、モデル生成装置１０からモデルを更新するためのデータを取得した場合、このデータを用いて、モデル記憶部２２０に記憶されているモデルを更新する。この更新処理は、繰り返し行われるのが好ましい。本図に示す例において、モデル記憶部２２０は劣化推定装置２０の一部となっている。ただし、モデル記憶部２２０は劣化推定装置２０の外部の装置であってもよい。
算出部２４０は、モデル記憶部２２０が記憶されている複数のモデルを用いて、劣化推定装置２０が管理している蓄電池３０のＳＯＨの推移の推定結果を算出する。この際、モデルに入力されるデータ（以下、算出用測定データと記載）は、蓄電池３０の充放電回数がαｉからαｊのときの測定データであるが、この測定データは、例えば電流、電圧、及び温度を含んでいる。例えばモデルを生成するときの入力データが電流、電圧、及び温度のみである場合、算出用測定データは、電流、電圧、及び温度のみである。
本実施形態において、劣化推定装置２０は、表示処理部２５０を備えている。表示処理部２５０は、算出部２４０が算出した蓄電池３０のＳＯＨをディスプレイ２６０に表示させる。ディスプレイ２６０は、機器４０の使用者が視認可能な位置に配置されている。例えば機器４０が車両の場合、ディスプレイ２６０は当該車両の内部（例えば運転席の前又は斜め前）に設けられている。
本図に示す例において、劣化推定装置２０は、さらに算出用データ取得部２３０、データ記憶部２７０、及びデータ送信部２８０を備えている。
算出用データ取得部２３０は、蓄電池３０から算出用測定データを取得する。データ記憶部２７０は、算出用データ取得部２３０が取得したデータを、その時の充放電回数（すなわち上記したαｉからαｊ）とともに記憶する。その後、算出用データ取得部２３０は、充放電回数が所定の値（上記したβ１、β２、・・・、βｋ）に達したときのＳＯＨを特定するためのデータ（例えばＳＯＨそのものでもよい）も記憶する。そしてデータ送信部２８０は、少なくとも一部の算出用測定データを、上記したＳＯＨを特定するためのデータと共に、モデル生成装置１０に送信する。このデータは、実績データとして扱われる。
図４は、モデル生成装置１０のハードウェア構成例を示す図である。モデル生成装置１０は、バス１０１０、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、入出力インタフェース１０５０、及びネットワークインタフェース１０６０を有する。
バス１０１０は、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、入出力インタフェース１０５０、及びネットワークインタフェース１０６０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０２０などを互いに接続する方法は、バス接続に限定されない。
プロセッサ１０２０は、ＣＰＵ（Central Processing Unit） やＧＰＵ（Graphics Processing Unit）などで実現されるプロセッサである。
メモリ１０３０は、ＲＡＭ（Random Access Memory）などで実現される主記憶装置である。
ストレージデバイス１０４０は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、メモリカード、又はＲＯＭ（Read Only Memory）などで実現される補助記憶装置である。ストレージデバイス１０４０はモデル生成装置１０の各機能（例えば実績取得部１１０、訓練データ取得部１３０、事前処理部１４０、モデル生成部１５０、モデル送信部１７０、及び検証用データ取得部１８０）を実現するプログラムモジュールを記憶している。プロセッサ１０２０がこれら各プログラムモジュールをメモリ１０３０上に読み込んで実行することで、そのプログラムモジュールに対応する各機能が実現される。また、ストレージデバイス１０４０は実績記憶部１２０及びモデル記憶部１６０としても機能する。
入出力インタフェース１０５０は、モデル生成装置１０と各種入出力機器とを接続するためのインタフェースである。
ネットワークインタフェース１０６０は、モデル生成装置１０をネットワークに接続するためのインタフェースである。このネットワークは、例えばＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）である。ネットワークインタフェース１０６０がネットワークに接続する方法は、無線接続であってもよいし、有線接続であってもよい。モデル生成装置１０は、ネットワークインタフェース１０６０を介して劣化推定装置２０及びデータ収集装置５０と通信してもよい。
なお、劣化推定装置２０のハードウェア構成も図４に示した例と同様である。そして、ストレージデバイスは、劣化推定装置２０の各機能（例えば記憶処理部２１０、算出用データ取得部２３０、算出部２４０、ディスプレイ２６０、及びデータ送信部２８０）を実現するプログラムモジュールを記憶している。またストレージデバイスは、モデル記憶部２２０及びデータ記憶部２７０としても機能する。
図５は、モデル生成装置１０が行うモデルの生成処理の一例を示すフローチャートである。本図に示す処理とは別に、実績取得部１１０は、繰り返し実績データを取得して、実績記憶部１２０を更新している。
まず実績データは、訓練データとそれ以外のデータに分類される（ステップＳ１０）。そしてモデル生成装置１０の訓練データ取得部１３０は、実績記憶部１２０から訓練データを読み出す（ステップＳ２０）。次いで事前処理部１４０は、訓練データに対して事前処理を行い、訓練データに含まれる訓練用測定データ（すなわち入力データ）を一次元データに変換する。この際、デジタルフィルタ（後述）が用いられる（ステップＳ３０）。ステップＳ３０の詳細例については、他の図を用いて説明する。
そしてモデル生成部１５０は、ステップＳ３０で変換された後の訓練データを用いてモデルを生成する。（ステップＳ４０）。
その後、モデル生成部１５０は、実績記憶部１２０から、実績データのうち訓練データとして用いられなかったデータを読み出し、このデータを用いて、ステップＳ４０で算出したモデルの精度を検証する。具体的には、モデル生成部１５０は、生成したモデルに対して電流、電圧、及び温度を含むデータを入力し、ＳＯＨの推定結果を得る。そしてこの推定結果と、実績記憶部１２０から読み出したＳＯＨの実績値との差を算出する（ステップＳ５０）。この差（すなわち誤差）が基準値以下の場合（ステップＳ６０：Ｙｅｓ）、モデル生成部１５０は、生成したモデルをモデル記憶部１６０に記憶させる（ステップＳ７０）。
一方、ステップＳ５０で算出した差が基準値超の場合（ステップＳ６０：Ｎｏ）、ステップＳ３０以降の処理を繰り返す。この際、事前処理部１４０は、必要に応じて事前処理で用いるデジタルフィルタの値を変更する。また、モデルがニューラルネットワークの場合、モデル生成部１５０は、必要に応じてニューラルネットワークのニューロン間の係数を最適化する。これら２つの処理は、毎回行われてもよいし、いずれか一方のみ行われてもよい。
ここで、事前処理で用いるデジタルフィルタの値が変更された場合、モデル生成部１５０は、変更後のデジタルフィルタの値もモデル記憶部１６０に記憶させる。そしてモデル送信部１７０は、このデジタルフィルタの値を劣化推定装置２０に送信する。そして劣化推定装置２０の記憶処理部２１０は、モデル記憶部２２０に、モデルと共に、デジタルフィルタの値も記憶させる。これにより、劣化推定装置２０の算出部２４０は、ステップＳ３０と同じ変換処理を行うことができる。なお、デジタルフィルタの値を送信するタイミングの一例は、モデルを劣化推定装置２０に送信するときである。
図２を用いて説明したように、モデル生成部１５０は、複数の機械学習アルゴリズムを用いて、一つのβについて複数のモデルを生成してもよい。この場合、モデル生成部１５０は、複数の機械学習アルゴリズム毎に、ステップＳ３０～ステップＳ６０に示した処理を行う。そしてモデル生成部１５０は、ステップＳ７０において、これら複数のモデルをモデル記憶部１６０に記憶させる。
また図２を用いて説明したように、モデル生成部１５０は、β別にそのβに最適な機械学習アルゴリズムを用いてモデルを生成してもよい。この場合も、複数の機械学習アルゴリズム毎に、ステップＳ３０～ステップＳ６０に示した処理を行う。そしてモデル生成部１５０は、ステップＳ７０において、ステップＳ６０で算出した誤差が最も小さかったモデル、すなわち最も精度が高かったモデルを、モデル記憶部１６０に記憶させる。
なお、モデル生成装置１０は、上記したβ毎に、図５に示した処理を行う。さらにモデル生成装置１０は、蓄電池３０の種類別にモデルを生成する場合、これら種類毎にかつ上記したβ毎に、図５に示した処理を行う。
またモデル生成装置１０は、複数のαｉとαｊの組み合わせに対して、上記した処理を行ってもよい。この場合、モデル生成装置１０は、互いに異なる複数のαｉとαｊの組み合わせ別に上記したモデルを生成する。
図６は、モデル生成装置１０の事前処理部１４０が行う事前処理（図５のステップＳ３０）の第１例を説明するための図である。図２を用いて説明したように、事前処理部１４０は、αｉからαｊの各々で得られるｎ組の訓練用測定データを（（αｊ－αｉ＋１）×ｍ）×ｎの行列に加工し、当該行列を処理することにより、ｚ個のデータからなる一次元データを生成する。ここで、ｍは、訓練用測定データに含まれるデータ（パラメータ）の種類の数である。
本図に示す例において、事前処理部１４０は、当該行列にデジタルフィルタを処理することにより、少ない次元数に縮小する変換処理を、少なくとも一回行う。これにより、入力データとなる一次元データが生成される。
より詳細には、デジタルフィルタは行列である。そして事前処理部１４０は、変換処理として、以下の（１）及び（２）を少なくとも一回行う。
（１）処理対象となる行列から、デジタルフィルタと同じ行数および列数からなる部分行列を切り出す。
（２）部分行列にデジタルフィルタを演算し、当該演算結果の各成分を足し合わせた値を、処理後の行列の成分とする。ここで行われる演算は、例えば乗算であるが、加算、減算、又は割算であってもよいし、四則演算を適宜組み合わせたものであってもよい。なお、処理後の行列の成分の位置は、部分行列を切り出した位置に対応している。例えば、最も左上の部分行列を用いて算出された値は、処理後の行列の一行目かつ一列目の成分になる。また、最も右下の部分行列を用いて算出された値は、処理後の行列の最も右下の成分になる。
なお、本図に示す例において、事前処理部１４０は、（１）の前に、処理対象となる行列の外周にダミー値を加えることにより当該処理対象となる行列の行および列の少なくとも一方を拡張する処理を行ってもよい。例えば、１行目の上にダミー値の行を追加し、対象行目の最も下の行のさらに下にダミー値の行を追加し、さらに、充放電回数と次の充放電回数の境界にダミー値の行を追加してもよい。ここで加えられるダミー値は、いずれも同一の値（例えば０）である。ただし、この処理は行われなくてもよい。
なお、上記した変換処理が繰り返される場合、各変換処理で用いられるデジタルフィルタを同一にする必要はない。これらデジタルフィルタのそれぞれは最適化されるため、これらデジタルフィルタは互いに異なる場合がほとんどである。
図７及び図８は、モデル生成装置１０の事前処理部１４０が行う事前処理（図５のステップＳ３０）の第２例を説明するための図である。この例において、事前処理部１４０は、図８に示すように、一回の変換処理について複数のデジタルフィルタを準備し、複数のデジタルフィルタ毎に変換後の行列を生成している。例えばある変換処理において３つのデジタルフィルタを用いる場合、変換後の行列の数は、変換前の行列の数の３倍になる。
そして、図７に示すように、事前処理部１４０がこの処理を繰り返すと、いずれかの段階で、変換後の複数の行列は、いずれも一行一列になる。そして事前処理部１４０は、この一行一列のデータを並べることにより、入力データとなる一次元データを生成する。
図９は、劣化推定装置２０が行う、蓄電池３０のＳＯＨの算出処理の一例を示すフローチャートである。図１０は、図９に示す処理の要部を説明するための図である。蓄電池３０は、少なくとも蓄電池３０が充放電を繰り返すたびに、算出用測定データを生成する。そして劣化推定装置２０は、充放電回数が上記したαｊに達したときに、本図に示す処理を行う。なお、モデル生成装置１０が互いに異なる複数のαｉとαｊの組み合わせ別に上記したモデルを生成していたとき、モデル生成装置１０は、充放電回数がαｊに達するたびに、本図に示す処理を行う。
まず劣化推定装置２０の算出用データ取得部２３０は、蓄電池３０から算出用測定データを取得する（図９のステップＳ１１０）。また算出部２４０は、モデル記憶部２２０から複数のモデルを読み出す。そして算出部２４０は、複数のモデルを用いて、充放電回数がβ１、β２、・・・、βｋのそれぞれに達したときのＳＯＨの推定値を算出する。
詳細には、算出部２４０は、まだ処理していないモデルを選択する（図９のステップＳ１２０）。次いで算出部２４０は、算出用測定データに対して、モデル生成装置１０の事前処理部１４０が行った事前処理と同様の変換処理を行うことにより、変換後データを生成する（図９のステップＳ１３０）。
一例として、図１０に示すように、算出用測定データは（（αｊ－αｉ＋１）×ｍ）×ｎ（図１０の例ではｍ＝３）の行列になっている。そして算出部２４０は、訓練用目標データの事前処理と同様の処理を行うことにより、ｚ個のデータからなる一次元データを生成する。この際、算出部２４０は、モデル記憶部２２０からデジタルフィルタの値を読み出して使用する（ステップＳ１３０）。
次いで算出部２４０は、この一次元データを、モデル記憶部２２０が記憶しているモデルに入力することにより、出力データを得る。この出力データは、図１０に示すように、モデルを生成するときの訓練データの目標値と同じデータ構造（本図に示す例では１×１の行列）を有している（ステップＳ１４０）。算出部２４０は、この出力データを、充放電回数がβになった時のＳＯＨの推定値とする（ステップＳ１５０）。
算出部２４０は、複数のモデル毎（複数のβ毎）にステップＳ１３０～ステップＳ１６０に示した処理を行う（ステップＳ１６０）。その後、表示処理部２５０は、算出したＳＯＨの推移の推定結果をディスプレイ２６０に表示する（ステップＳ１７０）。
なお、モデル記憶部２２０が、一つのαｉからαｊ及びβの組み合わせ毎に、複数の機械学習アルゴリズムを用いて生成された複数のモデルを記憶していることがある。この場合、算出部２４０は、これら複数のモデルごとにステップＳ１３０～ステップＳ１６０に示した処理を行う。このため、算出部２４０は、モデル別にＳＯＨの推定値を算出することになる。そして算出部２４０は、これら複数の推定値の平均値又は加重平均値を、そのαｉからαｊ及びβの組み合わせにおけるＳＯＨの推定値とする。
図１１は、ステップＳ１８０においてディスプレイ２６０に表示されるデータの一例を示す図である。上記したように、算出部２４０が用いるモデルは、充放電回数がβになったときの蓄電池３０のＳＯＨの推定値を算出するものである。本図に示す例においてモデルは４個であり、これら４個のモデルは、βが互いに異なる（β１、β２、β３、及びβ４）。言い換えると、これら４個のモデルは、それぞれが割り当てられた充放電回数（β）においてＳＯＨを精度良く算出できるように、最適化されている。したがって、β１、β２、β３、及びβ４のそれぞれにおけるＳＯＨの推定値は高い精度を有している。
なお、算出部２４０は、図１１に示すように、複数のモデルそれぞれの算出値を用いて、充放電回数からＳＯＨの推定値を算出するための関数を定めてもよい。
以上、本実施形態によれば、劣化推定装置２０は、モデル生成装置１０が生成したモデルを用いて、蓄電池３０のＳＯＨを算出する。算出部２４０が用いるモデルは、充放電回数がβになったときの蓄電池３０のＳＯＨの推定値を算出するものである。ここで、複数のモデルは、βが互いに異なる。すなわち、複数のモデルは、それぞれが割り当てられた充放電回数（β）においてＳＯＨを精度良く算出できるように、最適化されている。従って、複数の充放電回数におけるＳＯＨの推定値を精度よく算出することができる。
また、モデル生成装置１０は、訓練データの入力値として、蓄電池３０の電流、電圧、及び温度があれば、モデルを生成することができる。このため、劣化推定装置２０が蓄電池３０のＳＯＨを算出する際に必要な蓄電池３０のパラメータの数も、最小で３つ（電流、電圧、及び温度）にすることができる。したがって、機械学習を用いて蓄電池３０のＳＯＨを推定する場合において、劣化推定装置２０に要求される計算量は少なくなる。
なお、モデル生成装置１０は、劣化推定装置２０が有する機能を備えていてもよい。この場合、例えばクラウドサービスによってＳＯＨの推定値を顧客に提供することができる。
（変形例）
上記した実施形態において、訓練用測定データ及び算出用測定データは、充放電回数がαｉからαｊの各々で得られるデータであった。これに対して本変形例では、訓練用測定データ及び算出用測定データは、いずれも充放電回数がαｉの時のデータである。このため、本変形例によると、劣化推定装置は、充放電回数が１増えるたびに、劣化の推定結果を更新することができる。
図１２～図１４は、本変形例に係るデータ処理の一例を説明するための図である。図１２，１３，１４は、それぞれ実施形態の図６，８，１０に対応している。
図１２及び図１３に示すように、本変形例において、モデル生成装置１０の事前処理部１４０は、図６を用いて説明した（１）の前に、訓練用測定データからなる行列の外周にダミーデータを加えることにより当該行列の行および列の少なくとも一方を拡張する処理を行っている。本図に示す例では、１行目の上に、ダミーデータの行を追加し、対象行目の最も下の行のさらに下にダミーデータの行を追加し、さらに、最も左側の列のさらに左側にダミー値の列を追加している。ここで加えられるダミーデータは、いずれも同一の値（例えば０）である。
そして、図１４に示すように、劣化推定装置２０の算出部２４０も、算出用測定データからなる行列の外周にダミーデータを加えた後に、ＳＯＨの推定値を算出するための処理を行う。
これらの図に示すようなダミーデータを用いると、訓練データの数が一つ（すなわち単一の充放電サイクルから得られる一組のデータ）であっても、精度の高い劣化推定を行うことができる。
なお、本変形例において、劣化推定装置２０が、ある特定のβにおけるＳＯＨの推定値を算出すれば良い場合も考えられる。この場合、モデル生成装置１０は、βは互いに同一であり、αｉが互いに異なる複数のモデルを生成すればよい。劣化推定装置２０がこれら複数のモデルを用いると、劣化推定装置２０は、蓄電池３０の充放電回数が増加するたび（すなわちαｉが増加するたび）に、充放電回数がβに達したときの当該蓄電池３０のＳＯＨの推定値を更新することができる。
以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記以外の様々な構成を採用することもできる。
また、上述の説明で用いた複数のフローチャートでは、複数の工程（処理）が順番に記載されているが、各実施形態で実行される工程の実行順序は、その記載の順番に制限されない。各実施形態では、図示される工程の順番を内容的に支障のない範囲で変更することができる。また、上述の各実施形態は、内容が相反しない範囲で組み合わせることができる。
１０ モデル生成装置
２０ 劣化推定装置
３０ 蓄電池
４０ 機器
５０ データ収集装置
１１０ 実績取得部
１２０ 実績記憶部
１３０ 訓練データ取得部
１４０ 事前処理部
１５０ モデル生成部
１６０ モデル記憶部
１７０ モデル送信部
１８０ 検証用データ取得部
２１０ 記憶処理部
２２０ モデル記憶部
２３０ 算出用データ取得部
２４０ 算出部
２５０ 表示処理部
２６０ ディスプレイ
２７０ データ記憶部
２８０ データ送信部

Claims (22)

  1. 充放電回数がαｉからαｊ（ただしｊ≧ｉ）のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｊ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理部と、
    処理対象となる対象蓄電池の充放電回数が前記αｉからαｊのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のＳＯＨの推移の推定結果を算出する算出部と、
    を備え、
    前記αｉおよびαｊは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定装置。
  2. 請求項１に記載の劣化推定装置において、
    前記訓練用測定データ及び前記算出用測定データは、いずれも電流、電圧、及び温度を含む劣化推定装置。
  3. 請求項２に記載の劣化推定装置において、
    前記訓練用測定データ及び前記算出用測定データは、いずれも電流、電圧、及び温度からなる劣化推定装置。
  4. 請求項１～３のいずれか一項に記載の劣化推定装置において、
    前記モデルは、複数の前記蓄電池に関する前記訓練データを用いて生成されている劣化推定装置。
  5. 請求項１～４のいずれか一項に記載の劣化推定装置において、
    前記記憶処理部は、外部の装置から少なくとも一つの前記モデルを更新するためのデータを取得し、当該データを用いて前記記憶部に記憶されている前記モデルを更新する劣化推定装置。
  6. 請求項５に記載の劣化推定装置において、
    前記対象蓄電池の充放電回数が前記αｉからαｊのときの前記算出用測定データと、前記対象蓄電池の充放電回数が前記βのときのＳＯＨを特定するためのデータとを、前記訓練データとして前記外部の装置に送信するデータ送信部をさらに備える劣化推定装置。
  7. 充放電回数がαｉのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｉ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理部と、
    処理対象となる対象蓄電池の充放電回数が前記αｉのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のＳＯＨの推移の推定結果を算出する算出部と、
    を備え、
    前記αｉは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定装置。
  8. 充放電回数がαｉからαｊ（ただしｊ≧ｉ）のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｊ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得部と、
    前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αｉからαｊのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のＳＯＨの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成部と、
    を備えるモデル生成装置。
  9. 請求項８に記載のモデル生成装置において、
    前記モデル生成部は、少なくとも一つの前記βにおいて、複数の機械学習アルゴリズムを用いて複数の前記モデルを生成するモデル生成装置。
  10. 請求項８又は９に記載のモデル生成装置において、
    前記モデル生成部は、少なくとも一つの前記βにおいて、他の前記βとは異なる機械学習アルゴリズムを用いる、モデル生成装置。
  11. 請求項８～１０のいずれか一項に記載のモデル生成装置において、
    前記訓練データは前記蓄電池の種類別に準備されており、
    前記モデル生成部は、前記モデルを前記蓄電池の種類別に生成するモデル生成装置。
  12. 請求項８～１１のいずれか一項に記載のモデル生成装置において、
    前記訓練用測定データ及び前記算出用測定データは、いずれも電流、電圧、及び温度を含むモデル生成装置。
  13. 請求項１２に記載のモデル生成装置において、
    前記訓練用測定データ及び前記算出用測定データは、いずれも電流、電圧、及び温度からなるモデル生成装置。
  14. 充放電回数がαｉのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｉ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得部と、
    前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αｉのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のＳＯＨの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成部と、
    を備えるモデル生成装置。
  15. コンピュータが、
    充放電回数がαｉからαｊ（ただしｊ≧ｉ）のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｊ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理と、
    処理対象となる対象蓄電池の充放電回数が前記αｉからαｊのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のＳＯＨの推移の推定結果を算出する算出処理と、
    を行い、
    前記αｉおよびαｊは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定方法。
  16. コンピュータが、
    充放電回数がαｉのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｉ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理と、
    処理対象となる対象蓄電池の充放電回数が前記αｉのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のＳＯＨの推移の推定結果を算出する算出処理と、
    を行い、
    前記αｉは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっている劣化推定方法。
  17. コンピュータが、
    充放電回数がαｉからαｊ（ただしｊ≧ｉ）のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｊ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得処理と、
    前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αｉからαｊのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のＳＯＨの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成処理と、
    を行うモデル生成方法。
  18. コンピュータが、
    充放電回数がαｉのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｉ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得処理と、
    前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αｉのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のＳＯＨの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成処理と、
    を行うモデル生成方法。
  19. コンピュータに、
    充放電回数がαｉからαｊ（ただしｊ≧ｉ）のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｊ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理機能と、
    処理対象となる対象蓄電池の充放電回数が前記αｉからαｊのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のＳＯＨの推移の推定結果を算出する算出処理機能と、
    を持たせ、
    前記αｉおよびαｊは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっているプログラム。
  20. コンピュータに、
    充放電回数がαｉのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｉ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データを機械学習することにより生成された複数のモデルを記憶部に記憶させる記憶処理機能と、
    処理対象となる対象蓄電池の充放電回数が前記αｉのときの前記状態を測定した結果である算出用測定データを取得し、前記複数のモデルのそれぞれに前記算出用測定データを入力することにより、前記対象蓄電池のＳＯＨの推移の推定結果を算出する算出処理機能と、
    を持たせ、
    前記αｉは前記複数のモデルにおいて同一の値であり、前記βは前記複数のモデルにおいて互いに異なっているプログラム。
  21. コンピュータに、
    充放電回数がαｉからαｊ（ただしｊ≧ｉ）のときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｊ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得機能と、
    前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αｉからαｊのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のＳＯＨの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成機能と、
    を持たせるプログラム。
  22. コンピュータに、
    充放電回数がαｉのときの蓄電池の状態を測定した結果を示す訓練用測定データを入力値として、充放電回数がβ（ただしβ＞αｉ）のときの前記蓄電池の劣化状態を示すＳＯＨを目標値とした訓練データであって、互いに異なる前記β別に準備された前記訓練データを取得する訓練データ取得機能と、
    前記訓練データを前記βの値別に機械学習することにより、対象蓄電池の充放電回数が前記αｉのときの前記状態を示す算出用測定データから、充放電回数が前記βのときの当該対象蓄電池のＳＯＨの推定値を算出するためのモデルを、複数の前記β別に生成するモデル生成機能と、
    を持たせるプログラム。
JP2020090373A 2020-05-25 2020-05-25 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム Active JP7457575B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2020090373A JP7457575B2 (ja) 2020-05-25 2020-05-25 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム
PCT/JP2021/016928 WO2021241115A1 (ja) 2020-05-25 2021-04-28 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム
EP21812723.1A EP4160784A4 (en) 2020-05-25 2021-04-28 DETERIORATION ESTIMATION DEVICE, MODEL GENERATION DEVICE, DETERIORATION ESTIMATION METHOD, MODEL GENERATION METHOD AND PROGRAM
CN202180038308.3A CN115698738A (zh) 2020-05-25 2021-04-28 劣化推定装置、模型生成装置、劣化推定方法、模型生成方法及程序
US17/999,834 US20230213585A1 (en) 2020-05-25 2021-04-28 Deterioration estimation apparatus, model generation apparatus, deterioration estimation method, model generation method, and non-transitory computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020090373A JP7457575B2 (ja) 2020-05-25 2020-05-25 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム

Publications (3)

Publication Number Publication Date
JP2021185354A JP2021185354A (ja) 2021-12-09
JP2021185354A5 JP2021185354A5 (ja) 2023-03-28
JP7457575B2 true JP7457575B2 (ja) 2024-03-28

Family

ID=78745276

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020090373A Active JP7457575B2 (ja) 2020-05-25 2020-05-25 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム

Country Status (5)

Country Link
US (1) US20230213585A1 (ja)
EP (1) EP4160784A4 (ja)
JP (1) JP7457575B2 (ja)
CN (1) CN115698738A (ja)
WO (1) WO2021241115A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902121B (zh) * 2021-07-15 2023-07-21 陈九廷 一种电池劣化推测装置校验的方法、装置、设备及介质
WO2023149011A1 (ja) * 2022-02-07 2023-08-10 株式会社デンソー 二次電池状態検出装置、学習部、二次電池状態検出方法
JPWO2023181101A1 (ja) * 2022-03-22 2023-09-28
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
JP7459161B2 (ja) 2022-03-31 2024-04-01 本田技研工業株式会社 モデル評価装置、フィルタ生成装置、モデル評価方法、フィルタ生成方法及びプログラム
JP2024018139A (ja) * 2022-07-29 2024-02-08 株式会社Ｇｓユアサ 推定装置、推定方法及びコンピュータプログラム

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006220616A (ja) 2005-02-14 2006-08-24 Denso Corp 車両用蓄電装置の内部状態検出方式
WO2017094759A1 (ja) 2015-11-30 2017-06-08 積水化学工業株式会社 診断用周波数決定方法、蓄電池劣化診断方法、診断用周波数決定システムおよび蓄電池劣化診断装置
WO2018147194A1 (ja) 2017-02-07 2018-08-16 日本電気株式会社 蓄電池制御装置、充放電制御方法、及び記録媒体
WO2019021099A1 (ja) 2017-07-25 2019-01-31 株式会社半導体エネルギー研究所 蓄電システム、電子機器及び車両、並びに推定方法
JP2019113524A (ja) 2017-10-17 2019-07-11 ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー リチウムイオン電池の容量低下と寿命予測のためのデータ駆動モデル
WO2019181728A1 (ja) 2018-03-20 2019-09-26 株式会社Ｇｓユアサ 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
WO2019181729A1 (ja) 2018-03-20 2019-09-26 株式会社Ｇｓユアサ 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

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107340476B (zh) * 2016-04-29 2021-01-26 株式会社日立制作所 电池的电气状态监测系统和电气状态监测方法
CN107329088B (zh) * 2016-04-29 2021-05-14 株式会社日立制作所 电池的健康状态诊断装置和方法
KR20180037760A (ko) * 2016-10-05 2018-04-13 삼성전자주식회사 배터리 상태 추정 장치 및 방법
KR101792975B1 (ko) * 2017-04-25 2017-11-02 한국기술교육대학교 산학협력단 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법
WO2019162749A1 (en) * 2017-12-07 2019-08-29 Yazami Ip Pte. Ltd. Method and system for online assessing state of health of a battery
CN108414937A (zh) * 2017-12-08 2018-08-17 国网北京市电力公司 充电电池荷电状态确定方法及装置
WO2020027203A1 (ja) * 2018-07-31 2020-02-06 本田技研工業株式会社 推定システム、推定装置、推定方法、プログラム、及び記憶媒体
JP7062775B2 (ja) * 2018-08-28 2022-05-06 本田技研工業株式会社 診断装置、診断方法、及びプログラム
JP7145035B2 (ja) * 2018-10-29 2022-09-30 本田技研工業株式会社 学習装置、学習方法、及びプログラム
JP6767463B2 (ja) 2018-12-07 2020-10-14 日本海上工事株式会社 板状体の吊り枠装置および敷設工法
WO2020130422A1 (en) * 2018-12-21 2020-06-25 Samsung Electronics Co., Ltd. Method and system for predicting onset of capacity fading in a battery
CN110068774B (zh) * 2019-05-06 2021-08-06 清华四川能源互联网研究院 锂电池健康状态的估计方法、装置及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006220616A (ja) 2005-02-14 2006-08-24 Denso Corp 車両用蓄電装置の内部状態検出方式
WO2017094759A1 (ja) 2015-11-30 2017-06-08 積水化学工業株式会社 診断用周波数決定方法、蓄電池劣化診断方法、診断用周波数決定システムおよび蓄電池劣化診断装置
WO2018147194A1 (ja) 2017-02-07 2018-08-16 日本電気株式会社 蓄電池制御装置、充放電制御方法、及び記録媒体
WO2019021099A1 (ja) 2017-07-25 2019-01-31 株式会社半導体エネルギー研究所 蓄電システム、電子機器及び車両、並びに推定方法
JP2019113524A (ja) 2017-10-17 2019-07-11 ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー リチウムイオン電池の容量低下と寿命予測のためのデータ駆動モデル
WO2019181728A1 (ja) 2018-03-20 2019-09-26 株式会社Ｇｓユアサ 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
WO2019181729A1 (ja) 2018-03-20 2019-09-26 株式会社Ｇｓユアサ 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

Also Published As

Publication number Publication date
CN115698738A (zh) 2023-02-03
EP4160784A1 (en) 2023-04-05
EP4160784A4 (en) 2024-01-17
US20230213585A1 (en) 2023-07-06
WO2021241115A1 (ja) 2021-12-02
JP2021185354A (ja) 2021-12-09

Similar Documents

Publication Publication Date Title
JP7457575B2 (ja) 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム
EP3748380B1 (en) Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
CN110068774B (zh) 锂电池健康状态的估计方法、装置及存储介质
JP6757602B2 (ja) バッテリ状態推定装置及び方法
CN104459560B (zh) 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
EP3351953B1 (en) Battery management method and apparatus
CN108089130B (zh) 基于误差校正的用于估计电池的状态的方法和设备
CN110658460B (zh) 一种电池包的电池寿命预测方法及装置
CN110333450B (zh) 电池开路电压预估方法及系统
CN115684947A (zh) 电池模型构建方法及电池劣化预测装置
CN113505534A (zh) 一种考虑需求响应的负荷预测方法
EP4330696A1 (en) Health monitoring of electrochemical energy supply elements
WO2021210526A1 (ja) 残容量推定装置、モデル生成装置、残容量推定方法、モデル生成方法、及びプログラム
WO2022075215A1 (ja) データ処理システム、モデル生成装置、データ処理方法、モデル生成方法、及びプログラム
JP7443218B2 (ja) データ処理装置、モデル生成装置、データ処理方法、モデル生成方法、及びプログラム
KR20210128181A (ko) 전지의 용량 측정 장치 및 방법
CN117574984B (zh) 容量保持率判断模型的训练、应用方法、装置及存储介质
Wannera et al. Diagnosis and remaining useful life prediction of end-of-life battery systems for second-life applications
US20230213587A1 (en) Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin
WO2024013794A1 (ja) 深層学習モデル生成装置、及び蓄電池の特性値算出装置
US20220097561A1 (en) Method and Device for the Robust Prediction of the Aging Behavior of an Energy Storage Unit in a Battery-Operated Machine
WO2024115934A1 (ja) 電池劣化状態推定方法、及び電池劣化状態推定装置
CN116610926A (zh) 电池老化特征的确定方法、装置、存储介质和车辆
Jagwani et al. SoC Estimation for an Electric Two-Wheeler Using Machine Learning Techniques
CN117970121A (zh) 锂电池剩余寿命的预测方法、装置、服务器及存储介质

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230317

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230317

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: 20240305

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240315

R150 Certificate of patent or registration of utility model

Ref document number: 7457575

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150