WO2021241115A1 - 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
WO2021241115A1
WO2021241115A1 PCT/JP2021/016928 JP2021016928W WO2021241115A1 WO 2021241115 A1 WO2021241115 A1 WO 2021241115A1 JP 2021016928 W JP2021016928 W JP 2021016928W WO 2021241115 A1 WO2021241115 A1 WO 2021241115A1
Authority
WO
WIPO (PCT)
Prior art keywords
storage battery
charge
data
measurement data
training
Prior art date
Application number
PCT/JP2021/016928
Other languages
English (en)
French (fr)
Inventor
九廷 陳
秀徳 嶋脇
逸郎 林
Original Assignee
株式会社エンビジョンＡｅｓｃジャパン
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 株式会社エンビジョンＡｅｓｃジャパン filed Critical 株式会社エンビジョンＡｅｓｃジャパン
Priority to US17/999,834 priority Critical patent/US20230213585A1/en
Priority to CN202180038308.3A priority patent/CN115698738A/zh
Priority to EP21812723.1A priority patent/EP4160784A4/en
Publication of WO2021241115A1 publication Critical patent/WO2021241115A1/ja

Links

Images

Classifications

    • 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]
    • G01R31/367—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]
    • G01R31/378—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

Definitions

  • the present invention relates to a deterioration estimation device, a model generation device, a deterioration estimation method, a model generation method, and a program.
  • a storage battery is used as a power source for a moving body such as a vehicle.
  • a storage battery is used to temporarily store surplus electric power.
  • Patent Document 1 describes that the SOC and SOH of the storage battery at the first time point are used to estimate the SOH at the second time point after that. Further, in Patent Document 2, the SOH of the second time point is estimated by using the SOH of the storage battery at the first time point and the time series data relating to the state of the storage battery between the first time point and the second time point after that. It is stated that.
  • An example of an object of the present invention is to estimate the future SOH of a storage battery with high accuracy.
  • the number of charge / discharge is ⁇ (where ⁇ ) with the training measurement data showing the result of measuring the state of the storage battery when the number of charge / discharge is ⁇ i to ⁇ j (where j ⁇ i) as an input value.
  • a storage processing unit that stores a plurality of models generated by machine learning of training data with SOH as a target value indicating the deterioration state of the storage battery at the time of> ⁇ j) in the storage unit.
  • the calculation measurement data which is the result of measuring the state when the charge / discharge frequency of the target storage battery to be processed is ⁇ i to ⁇ j is acquired, and the calculation measurement data is input to each of the plurality of models.
  • a calculation unit that calculates the estimation result of the SOH transition of the target storage battery, and Equipped with ⁇ i to ⁇ j are the same values in the plurality of models, and ⁇ is provided as a deterioration estimation device different from each other in the plurality of models.
  • the training measurement data showing the result of measuring the state of the storage battery when the number of charge / discharge times is ⁇ i is used as an input value, and the storage battery when the number of charge / discharge times is ⁇ (where ⁇ > ⁇ i) is used.
  • a storage processing unit that stores a plurality of models generated by machine learning of training data with SOH as a target value indicating the deterioration state of the storage unit, and a storage unit.
  • the target A calculation unit that calculates the SOH estimation result of the storage battery, Equipped with ⁇ i is the same value in the plurality of models, and ⁇ is provided as a deterioration estimation device different from each other in the plurality of models.
  • the measured data for training showing the results of state was measured battery when the charging and discharging times are alpha i from alpha j (except j ⁇ i), the charge and discharge count beta (but beta Training data acquisition unit that acquires the training data prepared separately for ⁇ , which is training data with SOH as a target value indicating the deterioration state of the storage battery at the time of> ⁇ j), and By machine learning the training data for each value of ⁇ , the target storage battery when the number of charges and discharges is ⁇ is obtained from the measurement data for calculation indicating the state when the number of charges and discharges of the target storage battery is ⁇ i to ⁇ j.
  • a model generator that generates a model for calculating the estimated value of SOH for each of multiple ⁇ s, A model generator is provided.
  • the storage battery when the number of charge / discharge times is ⁇ (where ⁇ > ⁇ i ) is used as an input value as training measurement data showing the result of measuring the state of the storage battery when the number of charge / discharge times is ⁇ i.
  • Training data acquisition unit that acquires the training data prepared separately for ⁇ , which is training data with SOH as a target value indicating the deterioration state of
  • the SOH of the target storage battery when the number of charge / discharge times is ⁇ is obtained from the calculation measurement data indicating the state when the number of charge / discharge times of the target storage battery is ⁇ i.
  • a model generator that generates a model for calculating estimated values for each of multiple ⁇ s, A model generator is provided.
  • the computer When the number of charge / discharge is ⁇ (where ⁇ > ⁇ j ) with the training measurement data showing the result of measuring the state of the storage battery when the number of charge / discharge is ⁇ i to ⁇ j (where j ⁇ i) as an input value.
  • the calculation measurement data which is the result of measuring the state when the charge / discharge frequency of the target storage battery to be processed is ⁇ i to ⁇ j is acquired, and the calculation measurement data is input to each of the plurality of models.
  • ⁇ i to ⁇ j are the same values in the plurality of models, and ⁇ is provided as a deterioration estimation method different from each other in the plurality of models.
  • the computer SOH indicating the deterioration state of the storage battery when the number of charge / discharge times is ⁇ (where ⁇ > ⁇ i ), using the training measurement data showing the result of measuring the state of the storage battery when the number of charge / discharge times is ⁇ i as an input value.
  • Storage processing to store multiple models generated by machine learning of training data with the target value in the storage unit By acquiring the calculation measurement data which is the result of measuring the state when the charge / discharge frequency of the target storage battery to be processed is ⁇ i , and inputting the calculation measurement data into each of the plurality of models, the calculation data is input.
  • a calculation process for calculating the estimation result of the SOH transition of the target storage battery, and And ⁇ i has the same value in the plurality of models, and ⁇ provides deterioration estimation methods different from each other in the plurality of models.
  • the computer When the number of charge / discharge is ⁇ (where ⁇ > ⁇ j ) with the training measurement data showing the result of measuring the state of the storage battery when the number of charge / discharge is ⁇ i to ⁇ j (where j ⁇ i) as an input value.
  • Training data acquisition processing for acquiring the training data prepared separately for ⁇ which is training data with SOH as a target value indicating the deterioration state of the storage battery,
  • the target storage battery when the number of charges and discharges is ⁇ is obtained from the measurement data for calculation indicating the state when the number of charges and discharges of the target storage battery is ⁇ i to ⁇ j.
  • a model generation process that generates a model for calculating the estimated value of SOH for each of multiple ⁇ s, A model generation method for performing the above is provided.
  • a model generation process that generates a model for calculating an estimated value for each of multiple ⁇ s, A model generation method for performing the above is provided.
  • the computer When the number of charge / discharge is ⁇ (where ⁇ > ⁇ j ) with the training measurement data showing the result of measuring the state of the storage battery when the number of charge / discharge is ⁇ i to ⁇ j (where j ⁇ i) as an input value.
  • a storage processing function that stores a plurality of models generated by machine learning of training data with SOH as a target value, which indicates the deterioration state of the storage battery, in the storage unit.
  • the calculation measurement data which is the result of measuring the state when the charge / discharge frequency of the target storage battery to be processed is ⁇ i to ⁇ j is acquired, and the calculation measurement data is input to each of the plurality of models.
  • the computer SOH indicating the deterioration state of the storage battery when the number of charge / discharge times is ⁇ (where ⁇ > ⁇ i ), using the training measurement data showing the result of measuring the state of the storage battery when the number of charge / discharge times is ⁇ i as an input value.
  • a storage processing function that stores multiple models generated by machine learning of training data with the target value in the storage unit, and By acquiring the calculation measurement data which is the result of measuring the state when the charge / discharge frequency of the target storage battery to be processed is ⁇ i , and inputting the calculation measurement data into each of the at least one model.
  • a calculation processing function for calculating the estimation result of the SOH transition of the target storage battery, and To have ⁇ i has the same value in the plurality of models, and ⁇ provides programs different from each other in the plurality of models.
  • the computer When the number of charge / discharge is ⁇ (where ⁇ > ⁇ j ) with the training measurement data showing the result of measuring the state of the storage battery when the number of charge / discharge is ⁇ i to ⁇ j (where j ⁇ i) as an input value.
  • the training data acquisition function for acquiring the training data prepared separately for ⁇ , which is the training data with SOH as the target value indicating the deterioration state of the storage battery, By machine learning the training data for each value of ⁇ , when the number of charge / discharge times of the target storage battery is ⁇ i to ⁇ j , from the calculation measurement data indicating the state, the target storage battery when the number of charge / discharge times is ⁇
  • a model generation function that generates a model for calculating the estimated value of SOH for each of multiple ⁇ s, Is provided.
  • the computer SOH indicating the deterioration state of the storage battery when the number of charge / discharge times is ⁇ (where ⁇ > ⁇ i ), using the training measurement data showing the result of measuring the state of the storage battery when the number of charge / discharge times is ⁇ i as an input value.
  • the training data acquisition function that acquires the training data prepared separately for ⁇ , which is the training data with the target value of By machine learning the training data for each value of ⁇ , the SOH of the target storage battery when the number of charges and discharges is ⁇ is estimated from the calculation measurement data indicating the state when the number of charges and discharges of the target storage battery is ⁇ i.
  • a model generation function that generates a model for calculating values for each of multiple ⁇ s, Is provided.
  • the future SOH of the storage battery can be estimated with high accuracy.
  • FIG. 1 is a diagram for explaining the usage environment of the model generation device 10 and the deterioration estimation device 20 according to the embodiment.
  • the model generation device 10 and the deterioration estimation device 20 are used together with the storage battery 30.
  • the deterioration estimation device 20 may be a BMS (Battery Management System) of the storage battery 30, or may be a device different from the BMS of the storage battery 30.
  • BMS Battery Management System
  • the storage battery 30 supplies electric power to the device 40.
  • the deterioration estimation device 20 and the storage battery 30 are provided in the device 40.
  • the device 40 is a vehicle such as an electric vehicle.
  • the storage battery 30 is a household storage battery
  • the device 40 is an electric device used at home.
  • the storage battery 30 is located outside the device 40.
  • the storage battery 30 may be connected to the grid power grid.
  • the storage battery 30 is used to level the supplied electric power.
  • the device 40 stores electric power when there is surplus electric power, and supplies electric power when the electric power is unpredictable.
  • the deterioration estimation device 20 estimates the deterioration state of the storage battery 30, that is, SOH (State Of Health) using a model.
  • the model generation device 10 generates and updates at least one of the models used by the deterioration estimation device 20 by using machine learning, for example, a neural network.
  • the SOH is, for example, "current full charge capacity (Ah) / initial full charge capacity (Ah) x 100 (%)".
  • the model generator 10 acquires measured values (hereinafter referred to as actual data) of data relating to the state of the storage batteries 30 from the plurality of storage batteries 30. A part of the actual data is used as training data for machine learning, and at least a part of the remaining actual data is used to verify the model.
  • the actual data is at least the result of measuring the transition of the state of the storage battery 30 during charging / discharging when the number of times of charging / discharging of the storage battery 30 is ⁇ i to ⁇ j (however, j ⁇ i) (hereinafter referred to as measurement data).
  • measurement data includes, for example, current, voltage, and temperature.
  • the actual data may include SOH at ⁇ different from each other for one measurement data.
  • the actual data shows the measurement data such as current, voltage, and temperature at a certain charge / discharge frequency, and the transition of SOH at the subsequent charge / discharge frequency.
  • one actual data includes measurement data when the number of charge / discharge is ⁇ i to ⁇ j (for example, 1 ⁇ ⁇ i ⁇ 10 and 1 ⁇ j ⁇ 100), and the number of charge / discharge is ⁇ . It contains SOH measured at ⁇ 1 , ⁇ 2 , ..., ⁇ k (for example, 200, 300, 7) After j.
  • the actual data includes information for specifying the type (for example, product name or model number) of the storage battery 30.
  • the model generation device 10 can generate a model for each type of the storage battery 30.
  • the deterioration estimation device 20 can acquire a model corresponding to the type of the storage battery 30 to which the deterioration estimation device 20 is connected from the model generation device 10 and use it. Therefore, the accuracy of estimating the SOH of the storage battery 30 by the deterioration estimation device 20 is high.
  • the data collecting device 50 is a device for collecting actual data, and acquires actual data from each of the plurality of storage batteries 30.
  • the storage battery 30 managed by the data collecting device 50 is used mainly for the purpose of collecting actual data.
  • the actual data may be further acquired from the deterioration estimation device 20.
  • FIG. 2 is a diagram showing an example of the functional configuration of the model generator 10.
  • the model generation device 10 includes a training data acquisition unit 130 and a model generation unit 150.
  • the training data acquisition unit 130 acquires a plurality of training data.
  • each of the training data has the training measurement data including the transition of the current, the voltage, and the temperature in a certain charge / discharge cycle of the storage battery as the input value, and the training SOH which is the SOH of the storage battery as the target value.
  • the model generation unit 150 generates a model by machine learning a plurality of training data. This model calculates the SOH of the target storage battery from the calculation measurement data including the current, voltage, and temperature of the target storage battery to be processed.
  • the training data acquisition unit 130 acquires training data from ⁇ i described above for each combination of ⁇ j and ⁇ .
  • each of the data constituting a certain training data has the same ⁇ i to ⁇ j and ⁇ .
  • the model generation unit 150 generates a model for each ⁇ described above. That is, the training data acquisition unit 130 generates a plurality of models, and all of these plurality of models use the training measurement data, which is the measurement data of the storage battery when the number of charge / discharge times is ⁇ i to ⁇ j, as an input value.
  • the model generation unit 150 uses a plurality of machine learning algorithms (for example, LSTM (Long Short-Term Memory), DNN (Deep Neural Network), LR (Linear Regression), etc.) for a plurality of ⁇ s. You may generate a model. In this case, the deterioration estimation device 20 also uses these plurality of models. Further, the model generation unit 150 may use a machine learning algorithm different from the other ⁇ s in at least one ⁇ . In other words, the model generation unit 150 may generate a model for each ⁇ by using the machine learning algorithm optimal for the ⁇ .
  • LSTM Long Short-Term Memory
  • DNN Deep Neural Network
  • LR Linear Regression
  • the training measurement data may be only current, voltage, and temperature.
  • the calculation measurement data input to the model is only current, voltage, and temperature.
  • the model generation device 10 further includes a preprocessing unit 140.
  • the preprocessing unit 140 uses n sets of training measurement data (for example,). By processing into a matrix of ( ⁇ j ⁇ ⁇ i +1) ⁇ m) ⁇ n and processing the matrix, one-dimensional data consisting of z data is generated.
  • the model generation unit 150 generates a model using this one-dimensional data as an input value.
  • the preprocessing unit 140 uses a digital filter when generating a one-dimensional model. A detailed example of this process will be described later.
  • the plurality of models generated by the model generation unit 150 are stored in the model storage unit 160. Then, the plurality of models stored in the model storage unit 160 are transmitted to the deterioration estimation device 20 by the model transmission unit 170.
  • the model storage unit 160 and the model transmission unit 170 are a part of the model generation device 10. However, at least one of the model storage unit 160 and the model transmission unit 170 may be an external device of the model generation device 10.
  • the model generation device 10 further includes a performance acquisition unit 110, a performance storage unit 120, a training data acquisition unit 130, and a verification data acquisition unit 180.
  • the performance acquisition unit 110 acquires the above-mentioned performance data from at least one of the deterioration estimation device 20 and the data collection device 50 and stores it in the performance storage unit 120.
  • the achievement acquisition unit 110 stores the achievement data in association with the information for specifying the acquisition destination of the achievement data.
  • the performance acquisition unit 110 may store the performance data in association with the information indicating the type of the storage battery 30 for which the performance data is measured.
  • the performance storage unit 120 stores each of the plurality of performance data in association with information indicating whether or not the data is used as training data. This association may be performed according to the input from the user, or may be performed by the achievement acquisition unit 110.
  • the training data acquisition unit 130 reads out the data used as the training data among the actual data from the actual data storage unit 120.
  • the model generation unit 150 generates a model for each type of the storage battery 30
  • the training data acquisition unit 130 reads out the training data for each type of model.
  • the verification data acquisition unit 180 reads at least a part of the actual data that is not used as training data in order to verify the model generated by the model generation unit 150.
  • the model generation unit 150 verifies this model.
  • the model generation unit 150 periodically updates the model.
  • the model transmission unit 170 transmits data for updating the model to the deterioration estimation device 20.
  • FIG. 3 is a diagram showing an example of the functional configuration of the deterioration estimation device 20.
  • the deterioration estimation device 20 includes a storage processing unit 210 and a calculation unit 240.
  • the storage processing unit 210 acquires a plurality of models from the model generation device 10 and stores them in the model storage unit 220.
  • the storage processing unit 210 acquires data for updating the model from the model generation device 10
  • the storage processing unit 210 updates the model stored in the model storage unit 220 by using this data. This update process is preferably repeated.
  • the model storage unit 220 is a part of the deterioration estimation device 20.
  • the model storage unit 220 may be an external device of the deterioration estimation device 20.
  • the calculation unit 240 calculates the estimation result of the transition of the SOH of the storage battery 30 managed by the deterioration estimation device 20 by using a plurality of models in which the model storage unit 220 is stored.
  • the data input to the model (hereinafter referred to as measurement data for calculation) is the measurement data when the number of times of charging / discharging of the storage battery 30 is ⁇ i to ⁇ j. Includes voltage and temperature. For example, if the input data for generating the model is only current, voltage, and temperature, the measurement data for calculation is only current, voltage, and temperature.
  • the deterioration estimation device 20 includes a display processing unit 250.
  • the display processing unit 250 causes the display 260 to display the SOH of the storage battery 30 calculated by the calculation unit 240.
  • the display 260 is arranged at a position visible to the user of the device 40.
  • the display 260 is provided inside the vehicle (for example, in front of the driver's seat or diagonally in front).
  • the deterioration estimation device 20 further includes a calculation data acquisition unit 230, a data storage unit 270, and a data transmission unit 280.
  • the calculation data acquisition unit 230 acquires calculation measurement data from the storage battery 30.
  • the data storage unit 270 stores the data acquired by the calculation data acquisition unit 230 together with the number of charges / discharges at that time (that is, ⁇ i to ⁇ j described above). After that, the calculation data acquisition unit 230 uses data for specifying the SOH when the number of charges / discharges reaches a predetermined value ( ⁇ 1 , ⁇ 2 , ..., ⁇ k described above) (for example, even the SOH itself). Good) also remembers. Then, the data transmission unit 280 transmits at least a part of the measurement data for calculation to the model generation device 10 together with the data for specifying the SOH described above. This data is treated as actual data.
  • FIG. 4 is a diagram showing a hardware configuration example of the model generator 10.
  • the model generator 10 includes a bus 1010, a processor 1020, a memory 1030, a storage device 1040, an input / output interface 1050, and a network interface 1060.
  • the bus 1010 is a data transmission path for the processor 1020, the memory 1030, the storage device 1040, the input / output interface 1050, and the network interface 1060 to transmit and receive data to each other.
  • the method of connecting the processors 1020 and the like to each other is not limited to the bus connection.
  • the processor 1020 is a processor realized by a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), or the like.
  • the memory 1030 is a main storage device realized by a RAM (RandomAccessMemory) or the like.
  • the storage device 1040 is an auxiliary storage device realized by an HDD (Hard Disk Drive), SSD (Solid State Drive), memory card, ROM (Read Only Memory), or the like.
  • the storage device 1040 realizes each function of the model generation device 10 (for example, a performance acquisition unit 110, a training data acquisition unit 130, a preprocessing unit 140, a model generation unit 150, a model transmission unit 170, and a verification data acquisition unit 180).
  • the program module When the processor 1020 reads each of these program modules into the memory 1030 and executes them, each function corresponding to the program module is realized.
  • the storage device 1040 also functions as a performance storage unit 120 and a model storage unit 160.
  • the input / output interface 1050 is an interface for connecting the model generation device 10 and various input / output devices.
  • the network interface 1060 is an interface for connecting the model generator 10 to the network.
  • This network is, for example, LAN (Local Area Network) or WAN (Wide Area Network).
  • the method of connecting the network interface 1060 to the network may be a wireless connection or a wired connection.
  • the model generation device 10 may communicate with the deterioration estimation device 20 and the data acquisition device 50 via the network interface 1060.
  • the hardware configuration of the deterioration estimation device 20 is the same as the example shown in FIG.
  • the storage device stores a program module that realizes each function of the deterioration estimation device 20 (for example, a storage processing unit 210, a calculation data acquisition unit 230, a calculation unit 240, a display 260, and a data transmission unit 280). ..
  • the storage device also functions as a model storage unit 220 and a data storage unit 270.
  • FIG. 5 is a flowchart showing an example of a model generation process performed by the model generation device 10. Apart from the processing shown in this figure, the performance acquisition unit 110 repeatedly acquires the performance data and updates the performance storage unit 120.
  • step S10 the actual data is classified into training data and other data.
  • the training data acquisition unit 130 of the model generation device 10 reads the training data from the performance storage unit 120 (step S20).
  • the pre-processing unit 140 performs pre-processing on the training data, and converts the training measurement data (that is, input data) included in the training data into one-dimensional data.
  • a digital filter (described later) is used (step S30). A detailed example of step S30 will be described with reference to other figures.
  • the model generation unit 150 generates a model using the training data after being converted in step S30. (Step S40).
  • the model generation unit 150 reads out the data that was not used as the training data among the actual data from the actual storage unit 120, and verifies the accuracy of the model calculated in step S40 using this data. Specifically, the model generation unit 150 inputs data including current, voltage, and temperature to the generated model, and obtains an estimation result of SOH. Then, the difference between this estimation result and the actual value of SOH read from the actual storage unit 120 is calculated (step S50). When this difference (that is, an error) is equal to or less than the reference value (step S60: Yes), the model generation unit 150 stores the generated model in the model storage unit 160 (step S70).
  • step S50 exceeds the reference value (step S60: No)
  • step S60 the processing after step S30 is repeated.
  • the preprocessing unit 140 changes the value of the digital filter used in the preprocessing as necessary.
  • the model generation unit 150 optimizes the coefficients between the neural networks of the neural network as needed. These two processes may be performed each time, or only one of them may be performed.
  • the model generation unit 150 when the value of the digital filter used in the preprocessing is changed, the model generation unit 150 also stores the changed digital filter value in the model storage unit 160. Then, the model transmission unit 170 transmits the value of this digital filter to the deterioration estimation device 20. Then, the storage processing unit 210 of the deterioration estimation device 20 stores the model and the value of the digital filter in the model storage unit 220. As a result, the calculation unit 240 of the deterioration estimation device 20 can perform the same conversion process as in step S30.
  • An example of the timing for transmitting the value of the digital filter is when the model is transmitted to the deterioration estimation device 20.
  • the model generation unit 150 may generate a plurality of models for one ⁇ by using a plurality of machine learning algorithms. In this case, the model generation unit 150 performs the processes shown in steps S30 to S60 for each of the plurality of machine learning algorithms. Then, in step S70, the model generation unit 150 stores these a plurality of models in the model storage unit 160.
  • the model generation unit 150 may generate a model for each ⁇ by using the machine learning algorithm optimal for the ⁇ . Also in this case, the processes shown in steps S30 to S60 are performed for each of the plurality of machine learning algorithms. Then, in step S70, the model generation unit 150 stores the model with the smallest error calculated in step S60, that is, the model with the highest accuracy, in the model storage unit 160.
  • the model generator 10 performs the process shown in FIG. 5 for each ⁇ described above. Further, when the model generation device 10 generates a model for each type of the storage battery 30, the process shown in FIG. 5 is performed for each of these types and for each ⁇ described above.
  • the model generation device 10 may perform the above-mentioned processing on a plurality of combinations of ⁇ i and ⁇ j. In this case, the model generation device 10 generates the above-mentioned model for each combination of a plurality of ⁇ i and ⁇ j which are different from each other.
  • FIG. 6 is a diagram for explaining a first example of preprocessing (step S30 in FIG. 5) performed by the preprocessing unit 140 of the model generation device 10.
  • the preprocessing unit 140 uses a matrix of (( ⁇ j ⁇ ⁇ i +1) ⁇ m) ⁇ n for n sets of training measurement data obtained in each of ⁇ i to ⁇ j.
  • m is the number of types of data (parameters) included in the training measurement data.
  • the preprocessing unit 140 performs a conversion process of reducing the number of dimensions to a small number at least once by processing the matrix with a digital filter. As a result, one-dimensional data to be input data is generated.
  • the digital filter is a matrix.
  • the preprocessing unit 140 performs the following (1) and (2) at least once as the conversion process.
  • (1) From the matrix to be processed, a submatrix having the same number of rows and columns as the digital filter is cut out.
  • (2) A digital filter is calculated on a submatrix, and the value obtained by adding each component of the calculation result is used as a component of the processed matrix.
  • the operation performed here is, for example, multiplication, but may be addition, subtraction, or division, or may be a combination of four arithmetic operations as appropriate.
  • the positions of the components of the matrix after processing correspond to the positions where the submatrix is cut out. For example, the value calculated using the upper left submatrix is a component of the first row and first column of the processed matrix. Further, the value calculated using the lower right submatrix becomes the lower right component of the processed matrix.
  • the preprocessing unit 140 performs at least one of the rows and columns of the matrix to be processed by adding a dummy value to the outer circumference of the matrix to be processed before (1).
  • the dummy values added here are all the same value (for example, 0). However, this process does not have to be performed.
  • FIG. 7 and 8 are diagrams for explaining a second example of the pre-processing (step S30 in FIG. 5) performed by the pre-processing unit 140 of the model generation device 10.
  • the preprocessing unit 140 prepares a plurality of digital filters for one conversion process, and generates a converted matrix for each of the plurality of digital filters. For example, when three digital filters are used in a certain conversion process, the number of matrices after conversion is three times the number of matrices before conversion.
  • the preprocessing unit 140 repeats this processing, at any stage, the plurality of transformed matrices are all one row and one column. Then, the preprocessing unit 140 generates one-dimensional data as input data by arranging the data in one row and one column.
  • FIG. 9 is a flowchart showing an example of the SOH calculation process of the storage battery 30 performed by the deterioration estimation device 20.
  • FIG. 10 is a diagram for explaining a main part of the process shown in FIG.
  • the storage battery 30 generates measurement data for calculation at least every time the storage battery 30 repeats charging and discharging. Then, when the number of charge / discharge times reaches the above-mentioned ⁇ j , the deterioration estimation device 20 performs the process shown in this figure.
  • the model generation device 10 When the model generation device 10 generates the above-mentioned model for each combination of a plurality of ⁇ i and ⁇ j which are different from each other, the model generation device 10 shows in this figure each time the number of charge / discharge reaches ⁇ j. Perform processing.
  • the calculation data acquisition unit 230 of the deterioration estimation device 20 acquires calculation measurement data from the storage battery 30 (step S110 in FIG. 9). Further, the calculation unit 240 reads out a plurality of models from the model storage unit 220. Then, the calculation unit 240 calculates the estimated value of SOH when the number of charge / discharge reaches ⁇ 1 , ⁇ 2 , ..., ⁇ k, respectively, using a plurality of models.
  • the calculation unit 240 selects a model that has not been processed yet (step S120 in FIG. 9). Next, the calculation unit 240 generates the converted data by performing the same conversion processing as the preprocessing performed by the preprocessing unit 140 of the model generation device 10 on the measurement data for calculation (step S130 in FIG. 9). ).
  • the calculation unit 240 obtains output data by inputting this one-dimensional data into the model stored in the model storage unit 220. As shown in FIG. 10, this output data has the same data structure (1 ⁇ 1 matrix in the example shown in this figure) as the target value of the training data when the model is generated (step S140). The calculation unit 240 uses this output data as an estimated value of SOH when the number of charge / discharge cycles becomes ⁇ (step S150).
  • the calculation unit 240 performs the processes shown in steps S130 to S160 for each of a plurality of models (for each of a plurality of ⁇ s) (step S160). After that, the display processing unit 250 displays the estimated result of the calculated SOH transition on the display 260 (step S170).
  • the model storage unit 220 may store a plurality of models generated by using a plurality of machine learning algorithms for each combination of ⁇ i to ⁇ j and ⁇ .
  • the calculation unit 240 performs the processes shown in steps S130 to S160 for each of these plurality of models. Therefore, the calculation unit 240 will calculate the estimated value of SOH for each model. Then, the calculation unit 240 uses the average value or the weighted average value of these plurality of estimated values as the estimated value of SOH in the combination of ⁇ i to ⁇ j and ⁇ .
  • FIG. 11 is a diagram showing an example of data displayed on the display 260 in step S180.
  • the model used by the calculation unit 240 calculates the estimated value of the SOH of the storage battery 30 when the number of charge / discharge cycles becomes ⁇ .
  • these four models are optimized so that the SOH can be calculated accurately at the assigned charge / discharge frequency ( ⁇ ). Therefore, the SOH estimates for each of ⁇ 1 , ⁇ 2 , ⁇ 3 , and ⁇ 4 have high accuracy.
  • the calculation unit 240 may define a function for calculating the estimated value of SOH from the number of charge / discharge cycles using the calculated values of each of the plurality of models.
  • the deterioration estimation device 20 calculates the SOH of the storage battery 30 using the model generated by the model generation device 10.
  • the model used by the calculation unit 240 calculates the estimated value of the SOH of the storage battery 30 when the number of charge / discharge cycles becomes ⁇ .
  • the ⁇ s of the plurality of models are different from each other. That is, the plurality of models are optimized so that the SOH can be calculated accurately at the assigned charge / discharge frequency ( ⁇ ). Therefore, it is possible to accurately calculate the estimated value of SOH at a plurality of charge / discharge times.
  • the model generation device 10 can generate a model if there are current, voltage, and temperature of the storage battery 30 as input values of training data. Therefore, the number of parameters of the storage battery 30 required for the deterioration estimation device 20 to calculate the SOH of the storage battery 30 can be set to a minimum of three (current, voltage, and temperature). Therefore, when estimating the SOH of the storage battery 30 using machine learning, the amount of calculation required for the deterioration estimation device 20 is reduced.
  • the model generation device 10 may have a function of the deterioration estimation device 20.
  • a cloud service can provide the customer with an estimated value of SOH.
  • the training measurement data and the calculation measurement data are data obtained when the number of charge / discharge cycles is ⁇ i to ⁇ j.
  • the training measurement data and the calculation measurement data are both data when the number of charge / discharge cycles is ⁇ i. Therefore, according to this modification, the deterioration estimation device can update the deterioration estimation result every time the number of charge / discharge cycles is increased by 1.
  • FIGS. 12 to 14 are diagrams for explaining an example of data processing according to this modification. 12, 13 and 14 correspond to FIGS. 6, 8 and 10 of the embodiment, respectively.
  • the preprocessing unit 140 of the model generation device 10 is placed on the outer periphery of the matrix composed of training measurement data before (1) described with reference to FIG. Processing is performed to expand at least one of the rows and columns of the matrix by adding dummy data.
  • a row of dummy data is added above the first row, a row of dummy data is added below the bottom row of the target row, and further in the leftmost column.
  • a column of dummy values is added on the left side.
  • the dummy data added here all have the same value (for example, 0).
  • the calculation unit 240 of the deterioration estimation device 20 also performs a process for calculating the estimated value of SOH after adding dummy data to the outer circumference of the matrix composed of the measurement data for calculation.
  • the deterioration estimation device 20 may calculate the estimated value of SOH at a specific ⁇ .
  • the model generator 10 may generate a plurality of models in which ⁇ is the same as each other and ⁇ i is different from each other.
  • the deterioration estimation device 20 uses these plurality of models, the deterioration estimation device 20 reaches the charge / discharge count when the charge / discharge count reaches ⁇ each time the charge / discharge count of the storage battery 30 increases (that is, each time ⁇ i increases).
  • the estimated value of SOH of the storage battery 30 can be updated.
  • Model generation device 10
  • Deterioration estimation device 30
  • Storage battery 40
  • Equipment 50 Data collection device 110
  • Results acquisition unit 120
  • Results storage unit 130
  • Training data acquisition unit 140
  • Pre-processing unit 150
  • Model generation unit 160
  • Model transmission unit 180
  • Verification data acquisition Unit 210
  • Model storage unit 230
  • Calculation data acquisition unit 240
  • Calculation unit 250
  • Display processing unit 260
  • Display 270 Data storage unit 280 Data transmission unit

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)

Abstract

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。これら複数のモデルは、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。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。

Description

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
　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、
　αｉからαｊは前記複数のモデルにおいて同一の値であり、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、
　αｉは前記複数のモデルにおいて同一の値であり、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、
　αｉからαｊは前記複数のモデルにおいて同一の値であり、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、
　αｉは前記複数のモデルにおいて同一の値であり、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、
　αｉからαｊは前記複数のモデルにおいて同一の値であり、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、
　αｉは前記複数のモデルにおいて同一の値であり、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、電力が不測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。
　この出願は、２０２０年５月２５日に出願された日本出願特願２０２０－０９０３７３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　　　　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、
    　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、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、
    　αｉは前記複数のモデルにおいて同一の値であり、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、
    　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、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、
    　αｉは前記複数のモデルにおいて同一の値であり、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、
    　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、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、
    　αｉは前記複数のモデルにおいて同一の値であり、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。
PCT/JP2021/016928 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 WO2021241115A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
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
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
EP21812723.1A EP4160784A4 (en) 2020-05-25 2021-04-28 DETERIORATION ESTIMATION DEVICE, MODEL GENERATION DEVICE, DETERIORATION ESTIMATION METHOD, MODEL GENERATION METHOD AND PROGRAM

Applications Claiming Priority (2)

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
JP2020-090373 2020-05-25

Publications (1)

Publication Number Publication Date
WO2021241115A1 true WO2021241115A1 (ja) 2021-12-02

Family

ID=78745276

Family Applications (1)

Application Number Title Priority Date Filing Date
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

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)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023286650A1 (ja) * 2021-07-15 2023-01-19 恒林日本株式会社 電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル
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

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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 (10)

* 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
JP2020071070A (ja) * 2018-10-29 2020-05-07 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
JP2020090373A (ja) 2018-12-07 2020-06-11 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
US20200203780A1 (en) * 2018-12-21 2020-06-25 Samsung Electronics Co., Ltd. Method and system for predicting onset of capacity fading in a battery

Family Cites Families (9)

* 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
EP3721499B1 (en) * 2017-12-07 2023-04-12 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
JP7217277B2 (ja) * 2018-07-31 2023-02-02 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
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 (10)

* 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
JP2020071070A (ja) * 2018-10-29 2020-05-07 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
JP2020090373A (ja) 2018-12-07 2020-06-11 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
US20200203780A1 (en) * 2018-12-21 2020-06-25 Samsung Electronics Co., Ltd. Method and system for predicting onset of capacity fading in a battery

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4160784A4

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023286650A1 (ja) * 2021-07-15 2023-01-19 恒林日本株式会社 電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル
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

Also Published As

Publication number Publication date
JP2021185354A (ja) 2021-12-09
JP7457575B2 (ja) 2024-03-28
US20230213585A1 (en) 2023-07-06
EP4160784A4 (en) 2024-01-17
EP4160784A1 (en) 2023-04-05
CN115698738A (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
WO2021241115A1 (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
JP6757602B2 (ja) バッテリ状態推定装置及び方法
US10228425B2 (en) Method and apparatus for learning and estimating battery state information
EP3542173B1 (en) Determining a state of health of a battery and providing an alert
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
CN108089130B (zh) 基于误差校正的用于估计电池的状态的方法和设备
CN110333450B (zh) 电池开路电压预估方法及系统
CN110658460B (zh) 一种电池包的电池寿命预测方法及装置
US20230029810A1 (en) Battery model construction method and battery degradation prediction device
JP6405942B2 (ja) 電池パックの異常判定装置
CN111098753A (zh) 电动车辆的续航里程估算方法和装置、电动车辆
JP6455914B2 (ja) 蓄電残量推定装置、蓄電池の蓄電残量を推定する方法、及びコンピュータプログラム
Camci et al. Sampling based State of Health estimation methodology for Li-ion batteries
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
US20210194259A1 (en) Method for determining parameters of a simplified model of an energy storage system, control method using such a model and associated device
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
WO2022102532A1 (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
Sugumaran An extended Kalman-Bucy filter for state of charge estimation of 2-RC network modelled Li-ion battery
KR101918949B1 (ko) 데이터 기반 모델의 불확도 산출 방법
US20230213587A1 (en) Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin
JP2019158835A (ja) 推定装置および推定方法
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
US20220097561A1 (en) Method and Device for the Robust Prediction of the Aging Behavior of an Energy Storage Unit in a Battery-Operated Machine
JP2023030559A (ja) 蓄電池の放電及び充電に関連する処理方法、処理装置、及び、処理プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21812723

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021812723

Country of ref document: EP

Effective date: 20230102