WO2021210526A1 - 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 - Google Patents

Abstract

残容量推定装置（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、モデル記憶部（２２０）に記憶されているモデルを更新する。算出部（２４０）は、モデル記憶部（２２０）が記憶されているモデルを用いて、残容量推定装置（２０）が管理している蓄電池（３０）の残容量を算出する。この際、モデルに入力されるデータ（算出用測定データ）は、蓄電池（３０）の電流、電圧、及び温度を含んでいる。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。

Description

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

　本発明は、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、蓄電池の残容量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及び２には、ニューラルネットワークなどの機械学習を用いてモデルを生成し、このモデルを用いて蓄電池の残容量を算出することが記載されている。また特許文献３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４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。

特開２００７－２４０５２１号公報 特開２００８－２３２７５８号公報 国際公開第２０１９／１８１７２８号 国際公開第２０１９／１８１７２９号

　一般的に、機械学習は計算量が増える反面、精度の高い場合が多い。一方、蓄電池の残容量を推定する際の計算量が少ない場合、例えばリアルタイムで蓄電池残容量を算出することができる。このため、機械学習を用いて蓄電池の残容量を推定する場合において、計算量を少なくすることは重要である。

　本発明の目的の一例は、機械学習を用いて蓄電池の残容量を推定する場合において、計算量を少なくすることにある。

　本発明によれば、蓄電池の電流、電圧、及び温度を含む訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数機械学習することにより生成された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電流、電圧、及び温度を含む算出用測定データを取得し、当該算出用測定データを前記モデルに入力することにより、前記対象蓄電池の残容量を算出する算出部と、
を備える残容量推定装置が提供される。

　本発明によれば、蓄電池の電流、電圧、及び温度からなる訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数取得する訓練データ取得部と、
　前記複数の訓練データを機械学習することにより、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残容量を算出するためのモデルを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、蓄電池の電流、電圧、及び温度を含む訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数取得する訓練データ取得部と、
　ｎ組の前記訓練データをｍ×ｎの対象行列（ただし、ｍは訓練用測定データに含まれるデータの種類の数）に加工し、当該対象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事前処理部と、
　前記一次元データを入力値として機械学習を行うことにより、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残容量を算出するためのモデルを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、
　　蓄電池の電流、電圧、及び温度を含む訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数機械学習することにより生成されたモデルを記憶部に記憶させ、
　　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を取得し、当該算出用測定データを前記モデルに入力することにより、前記対象蓄電池の残容量を算出する、残容量推定方法が提供される。

　本発明によれば、コンピュータが、
　　蓄電池の電流、電圧、及び温度からなる訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数取得し、
　　前記訓練データを機械学習することにより、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残容量を算出するためのモデルを生成する、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、
　　蓄電池の電流、電圧、及び温度を含む訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数取得し、
　　ｎ組の前記訓練データをｍ×ｎの対象行列に加工し、当該対象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し、
　　前記一次元データを入力値として機械学習を行うことにより、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残容量を算出するためのモデルを生成する、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、
　　蓄電池の電流、電圧、及び温度を含む訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数機械学習することにより生成された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電流、電圧、及び温度を含む算出用測定データを取得し、当該算出用測定データを前記モデルに入力することにより、前記対象蓄電池の残容量を算出する算出機能と、
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、
　　蓄電池の電流、電圧、及び温度からなる訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数取得する取得機能と、
　　前記訓練データを機械学習することにより、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残容量を算出するためのモデルを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、
　　蓄電池の電流、電圧、及び温度を含む訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数取得する取得機能と、
　　ｎ組の前記訓練データをｍ×ｎの対象行列に加工し、当該対象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事前処理機能と、
　　前記一次元データを入力値として機械学習を行うことにより、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残容量を算出するためのモデルを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、機械学習を用いて蓄電池の残容量を推定する場合において、計算量は少なくなる。

実施形態に係るモデル生成装置及び残容量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。 残容量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。 図６のステップＳ３０の第１例を説明するための図である。 図６のステップＳ３０の第２例を説明するための図である。 図６のステップＳ３０の第２例を説明するための図である。 残容量推定装置が行う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。

　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及び残容量推定装置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及び残容量推定装置２０は、蓄電池３０と共に使用される。残容量推定装置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、残容量推定装置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、電力が不測している時には電力を供給する。

　残容量推定装置２０は、蓄電池３０の残容量（単位はＡｈ）を、モデルを用いて推定する。モデル生成装置１０は、残容量推定装置２０が用いるモデルを、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。

　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の電流、電圧、温度、及び残容量値を含んでいる。ここで実績データは、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。そして残容量推定装置２０は、当該残容量推定装置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、残容量推定装置２０による蓄電池３０の残容量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残容量推定装置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。訓練データのそれぞれは、蓄電池の電流、電圧、及び温度を含む訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値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残容量を算出する。

　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ｍ×ｎの対象行列に加工し、当該対象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。

　また事前処理部１４０は、ｎ組の訓練用測定データに対応するｎ個の訓練用残容量値を処理することにより、ｋ個（ただしｋ＜ｎ）のデータからなる目標値を生成する。ここで、ｋ＝１であってもよいし、ｋ＝ｚであってもよい。

　モデル生成部１５０が生成したモデルは、モデル記憶部１６０に記憶される。そしてモデル記憶部１６０に記憶されたモデルは、モデル送信部１７０によって残容量推定装置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、残容量推定装置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残容量推定装置２０に送信する。

　図３は、残容量推定装置２０の機能構成の一例を示す図である。残容量推定装置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。本図に示す例において、モデル記憶部２２０は残容量推定装置２０の一部となっている。ただし、モデル記憶部２２０は残容量推定装置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が記憶されているモデルを用いて、残容量推定装置２０が管理している蓄電池３０の残容量を算出する。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、残容量推定装置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の残容量をディスプレイ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。

　算出部２４０が行う処理の演算量は少ない。このため、算出部２４０がリアルタイムの算出用測定データを取得する場合、算出部２４０は、ほぼリアルタイムの蓄電池３０の残容量を算出することができる。このため、機器４０の使用者は、ディスプレイ２６０を見ることにより、ほぼリアルタイムで蓄電池３０の残量を確認できる。

　本図に示す例において、残容量推定装置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記憶する。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、当該算出用測定データを測定したときの蓄電池３０の残容量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。なお、算出用測定データを測定したときの蓄電池３０の残容量を特定するためのデータは、例えば、以下のようにして算出される。この算出処理は、残容量推定装置２０が行ってもよいし、残容量推定装置２０の外部の装置が行ってもよい。

　まず、蓄電池３０の充電率（ＳＯＣ）と開放電圧（ＯＣＶ）の関係を予め調べておく。そして、定期的に、開放電圧を測定し、この測定値を蓄電池３０の蓄電率に変換することにより、充電率の変化量、すなわち所定の期間における蓄電池３０の充電率の変化（ΔＳＯＣ）を算出する。

　一方、蓄電池３０の放電電流及び充電電流をそれぞれ測定し続けてこの測定結果を積算することにより、上記の所定の期間における蓄電池３０の残容量の変化量（ΔＣ）を算出する。そして、この変化量（ΔＣ）をΔＳＯＣで除すること（ΔＣ／ΔＳＯＣ）により、蓄電池３０の満容量の絶対値を算出する。

　上記した蓄電池３０の満容量の絶対値の算出処理は、定期的に行われる。そして、所望のタイミングにおける蓄電池３０の残容量は、「そのタイミングにおけるＳＯＣ×蓄電池３０の満容量の絶対値」によって算出される。

　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を介して残容量推定装置２０及びデータ収集装置５０と通信してもよい。

　なお、残容量推定装置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、残容量推定装置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。事前処理部１４０は、訓練データに含まれる残容量の実績値（すなわち目標値）も所定のフォーマットに変換する（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、残容量の算出値を得る。そしてこの算出地と、実績記憶部１２０から読み出した残容量の実績値との差を算出する（ステップＳ５０）。この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ラル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残容量推定装置２０に送信する。そして残容量推定装置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、残容量推定装置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、モデルを残容量推定装置２０に送信するときである。

　なお、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、これら種類毎に図５に示した処理を行う。

　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６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、ｎ組の訓練用測定データをｍ×ｎの対象行列に加工し、当該対象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、対象行列にデジタルフィルタを処理することにより、対象行列の行及び列のうち前記電流、電圧、及び温度に対応する一方（本図に示す例では列：以下の説明においては列と記載）を当該一方の次元数より多い次元数に拡張しつつ、対象行列の行及び列の他方（本図に示す例では行：以下の説明においては行と記載）を当該他方の次元数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）対象行列から、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、処理後の対象行列の成分とする。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、処理後の対象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、処理後の対象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、処理後の対象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、対象行列の外周にダミー値を加えることにより当該対象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、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。

　また本図に示す例において、事前処理部１４０は、目標値となる１×ｎの行列に対しても、外周にダミー値を加え、当該行列の行および列の少なくとも一方を拡張している。そして事前処理部１４０は、拡張後の行列に対して、入力データを同じようにデジタルフィルタを適用する処理を行っている。そして、この処理を繰り返すことにより、加工後の目標データを生成している。なお、目標データを加工するときのデジタルフィルタは、入力データを加工するときのデジタルフィルタと同一であるのが好ましいが、異なっていてもよい。本図に示す例において、加工後の目標データは１行１列になっているが、これに限定されない。

　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６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対象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、変換後の対象行列の数は、変換前の対象行列の数の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、変換後の複数の対象行列は、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、残容量推定装置２０が行う、蓄電池３０の残容量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、例えば１秒ごとに算出用測定データを生成する。そして残容量推定装置２０は、算出用測定データを蓄電池３０が生成するたびに、本図に示す処理を行う。

　まず残容量推定装置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）。すると算出部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Ｓ１２０）。

　一例として、図１０に示すように、算出用測定データは１×ｍ（図１０の例では１×３）の行列になっているが、算出部２４０は、ダミーデータ（例えば０）を付与することにより、算出用測定データを訓練用目標データと同じｍ×ｎの行列に拡張する。そして、算出部２４０は、拡張後の算出用測定データに対して、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Ｓ１２０）。

　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変換後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Ｓ１３０）。

　次いで算出部２４０は、出力データを逆変換する（ステップＳ１４０）。この逆変換は、訓練データの目標値に対して行われた事前処理とは逆の処理を行うものである。逆変換の際に行われる処理は、ステップＳ１２０で用いられたデジタルフィルタの値を用いて設定される。これにより、出力データは、変換前の訓練データの目標値と同じデータ構造を有する。そして算出部２４０は、出力データのうち予め定められた位置の成分を、残容量の算出値とする（ステップＳ１５０）。この「予め定められた位置」は、拡張後の算出用測定データにおける拡張前の算出用測定データの位置に応じて、設定される。

　具体的には、「予め定められた位置」の設定ルールは、変換前のｍ×ｎの訓練用目標データ（対象行列）における実績測定データの入力データの位置と、変換前の目標値の１×ｎのデータにおける当該実績測定データの目標値の位置と、の対応関係と同じである。図１０に示す例において、算出用測定データは、変換前かつダミー値（例えば０）を付与した後（拡張後）の行列の左から２列目に位置している。拡張後の対象行列（訓練データ）において左から２列目の訓練用測定データは、変換前かつダミー値を付与した後（拡張後）の目標値の列において左から２番目の成分に対応している。そこで、算出部２４０は、出力データのうち左から２番目の成分が示す値を、蓄電池３０の残容量とする。

　その後、表示処理部２５０は、算出した残容量をディスプレイ２６０に表示する（ステップＳ１６０）。

　以上、本実施形態によれば、残容量推定装置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の残容量を算出する。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、残容量推定装置２０が蓄電池３０の残容量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の残容量を推定する場合において、残容量推定装置２０に要求される計算量は少なくなる。

　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。

　この出願は、２０２０年４月１７日に出願された日本出願特願２０２０－０７３８４４号を基礎とする優先権を主張し、その開示の全てをここに取り込む。

１０　　　　モデル生成装置
２０　　　　残容量推定装置
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 (21)

1. 　蓄電池の電流、電圧、及び温度を含む訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数機械学習することにより生成された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電流、電圧、及び温度を含む算出用測定データを取得し、当該算出用測定データを前記モデルに入力することにより、前記対象蓄電池の残容量を算出する算出部と、
   を備える残容量推定装置。
2. 　請求項１に記載の残容量推定装置において、
   　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残容量推定装置。
3. 　請求項１又は２に記載の残容量推定装置において、
   　前記記憶処理部は、外部の装置から繰り返し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残容量推定装置。
4. 　請求項３に記載の残容量推定装置において、
   　少なくとも一つの前記算出用測定データと、前記算出用測定データを測定したときの前記対象蓄電池の残容量値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残容量推定装置。
5. 　請求項１～４のいずれか一項に記載の残容量推定装置において、
   　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、及び温度からなる残容量推定装置。
6. 　蓄電池の電流、電圧、及び温度からなる訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数取得する訓練データ取得部と、
   　前記複数の訓練データを機械学習することにより、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残容量を算出するためのモデルを生成するモデル生成部と、
   を備えるモデル生成装置。
7. 　請求項６に記載のモデル生成装置において、
   　　ｎ組の前記訓練データを３×ｎの対象行列に加工し、当該対象行列を処理することにより、Ｌ個のデータからなる一次元データを生成する事前処理部と、
   を備え、
   　前記モデル生成部は、前記一次元データを入力値として前記モデルを生成するモデル生成装置。
8. 　蓄電池の電流、電圧、及び温度を含む訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数取得する訓練データ取得部と、
   　ｎ組の前記訓練データをｍ×ｎの対象行列（ただし、ｍは訓練用測定データに含まれるデータの種類の数）に加工し、当該対象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事前処理部と、
   　前記一次元データを入力値として機械学習を行うことにより、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残容量を算出するためのモデルを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７又は８に記載のモデル生成装置において、
   　前記事前処理部は、前記対象行列にデジタルフィルタを処理することにより、前記対象行列の行及び列のうち前記電流、電圧、及び温度に対応する一方を当該一方の次元数より多い次元数に拡張しつつ、前記対象行列の行及び列の他方を当該他方の次元数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とにより、前記一次元データを生成するモデル生成装置。
10. 　請求項９に記載のモデル生成装置において、
    　前記デジタルフィルタは行列であり、
    　前記事前処理部は、前記変換処理として、以下の（１）及び（２）を少なくとも一回行うモデル生成装置。
    （１）前記対象行列から、前記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）前記部分行列に前記デジタルフィルタを演算し、当該演算の結果の各成分を足し合わせた値を、処理後の前記対象行列の成分とする。
11. 　請求項１０に記載のモデル生成装置において、
    　前記事前処理部は、前記変換処理において、前記（１）の前に、前記対象行列の外周にダミー値を加えることにより当該対象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うモデル生成装置。
12. 　請求項７～１１のいずれか一項に記載のモデル生成装置において、
    　前記事前処理部は、さらに、前記ｎ組の訓練データに対応するｎ個の前記訓練用残容量値を処理することにより、ｋ個（ただしｋ＜ｎ）のデータからなる前記目標値を生成するモデル生成装置。
13. 　請求項６～１２のいずれか一項に記載のモデル生成装置において、
    　前記機械学習はニューラルネットワークを用いて行われるモデル生成装置。
14. 　請求項６～１３のいずれか一項に記載のモデル生成装置において、
    　蓄電池の電流、電圧、温度、及び残容量値それぞれの測定値を含む実績データが準備されており、
    　前記訓練データは、前記実績データの一部を用いて生成されており、
    　前記モデル生成部は、前記実績データの残りの少なくとも一つを用いて、前記モデルを検証するモデル生成装置。
15. 　請求項６～１３のいずれか一項に記載のモデル生成装置において、
    　前記訓練データ取得部は、前記蓄電池の種類別に、前記訓練データを取得し、
    　前記モデル生成部は、前記蓄電池の種類別に前記モデルを生成するモデル生成装置。
16. 　コンピュータが、
    　　蓄電池の電流、電圧、及び温度を含む訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数機械学習することにより生成されたモデルを記憶部に記憶させ、
    　　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を取得し、当該算出用測定データを前記モデルに入力することにより、前記対象蓄電池の残容量を算出する、残容量推定方法。
17. 　コンピュータが、
    　　蓄電池の電流、電圧、及び温度からなる訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数取得し、
    　　前記訓練データを機械学習することにより、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残容量を算出するためのモデルを生成する、モデル生成方法。
18. 　コンピュータが、
    　　蓄電池の電流、電圧、及び温度を含む訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数取得し、
    　　ｎ組の前記訓練データをｍ×ｎの対象行列に加工し、当該対象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し、
    　　前記一次元データを入力値として機械学習を行うことにより、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残容量を算出するためのモデルを生成する、モデル生成方法。
19. 　コンピュータに、
    　　蓄電池の電流、電圧、及び温度を含む訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数機械学習することにより生成された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電流、電圧、及び温度を含む算出用測定データを取得し、当該算出用測定データを前記モデルに入力することにより、前記対象蓄電池の残容量を算出する算出機能と、
    を持たせるプログラム。
20. 　コンピュータに、
    　　蓄電池の電流、電圧、及び温度からなる訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数取得する取得機能と、
    　　前記訓練データを機械学習することにより、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残容量を算出するためのモデルを生成するモデル生成機能と、
    を持たせるプログラム。
21. 　コンピュータに、
    　　蓄電池の電流、電圧、及び温度を含む訓練用測定データを入力値として、当該蓄電池の残容量値である訓練用残容量値を目標値とした訓練データを複数取得する取得機能と、
    　　ｎ組の前記訓練データをｍ×ｎの対象行列に加工し、当該対象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事前処理機能と、
    　　前記一次元データを入力値として機械学習を行うことにより、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残容量を算出するためのモデルを生成するモデル生成機能と、
    を持たせるプログラム。

Images