WO2023189368A1 - 蓄電池の劣化推定装置、及び蓄電池の劣化推定方法 - Google Patents

Abstract

劣化推定装置は、蓄電池（１）を充放電させたときに測定された第１電圧値と第２電圧値とから得られる蓄電池（１）の電圧変化量を算出する第１計算部（電圧変化量算出部（２２））と、蓄電池（１）を充放電させたときに測定された第１電流値と第２電流値とから得られる蓄電池（１）の電荷変化量を算出する第２計算部（電荷変化量算出部（２５））と、電圧変化量と電荷変化量とを含む複数の測定データを格納する測定データ記憶部（３１）と、１以上の電圧変化量と１以上の電荷変化量とを入力とし、蓄電池（１）の劣化状態を出力する推定モデルを格納する推定モデル記憶部（３４）と、推定モデルを用いて、１以上の電圧変化量と１以上の電荷変化量とを入力とし、蓄電池（１）の劣化状態を推定する推定部（劣化状態推定部（３２１））とを備える。

Description

蓄電池の劣化推定装置、及び蓄電池の劣化推定方法

　本開示は、蓄電池の劣化推定装置、及び蓄電池の劣化推定方法に関する。

　近年、蓄電池などのバッテリー電源で動作する機器が幅広い分野で利用されている。これらの機器を安全に利用するためには、蓄電池の電欠状態や故障に至る事態を防ぐ必要があり、蓄電池の劣化状態を正確に把握する必要がある。

　蓄電池の劣化状態を表す指標の１つとして容量維持率（ＳＯＨ：Ｓｔａｔｅ　Ｏｆ　Ｈｅａｌｔｈ）が用いられる。蓄電池は使用を継続することで劣化が進行し、劣化後の満充電容量は初期の満充電容量より小さな値となる特性を有する。容量維持率（ＳＯＨ）は、劣化後の満充電容量と初期の満充電容量との比で定義され、容量維持率（ＳＯＨ）の値が小さくなるほど蓄電池の劣化が進行していることを示す。

　蓄電池の容量維持率（ＳＯＨ）を算出する方法として、完全に放電された蓄電池に対して、満充電が完了するまでの充電電流を積算して満充電容量を算出し、初期の満充電容量で除することで算出するクーロンカウント方式がある。

　また、蓄電池の容量維持率（ＳＯＨ）を算出する別の方法として、満充電時のＯＣＶ（Ｏｐｅｎ　Ｃｉｒｃｕｉｔ　Ｖｏｌｔａｇｅ）電圧を測定し、ＳＯＣ（Ｓｔａｔｅ　Ｏｆ　Ｃｈａｒｇｅ）－ＯＣＶ曲線から満充電容量を算出し、初期の満充電容量で除することで算出するＳＯＣ－ＯＣＶ曲線方式がある。

　また、蓄電池の容量維持率（ＳＯＨ）を算出する別の方法として、人工知能（ＡＩ：Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）技術を応用したものであり、蓄電池の各種状態を入力、蓄電池の容量維持率（ＳＯＨ）を出力とする、機械学習により学習された推定モデルを用いて算出する機械学習方式が近年開発されている。特許文献１、及び特許文献２には、機械学習方式による蓄電池の劣化推定装置が開示されている。

特開２０２１－１８５３５４号公報 国際公開第２０２１／２４１１１５号

　しかしながら、前述したクーロンカウント方式による蓄電池の容量維持率（ＳＯＨ）の算出方法、ＳＯＣ－ＯＣＶ曲線方式による蓄電池の容量維持率（ＳＯＨ）の算出方法、並びに特許文献１、及び特許文献２に開示されている機械学習方式による蓄電池の容量維持率（ＳＯＨ）の算出方法では以下に示す課題があった。

　クーロンカウント方式による蓄電池の容量維持率（ＳＯＨ）の算出方法では、蓄電池を完全に放電された状態から満充電にするという作業が必要であり、このような作業を蓄電池が搭載された機器で実施するのは利便性が悪く、さらに蓄電池が搭載された機器が常時動作するような場合では、本方式を用いた算出は困難である。

　また、ＳＯＣ－ＯＣＶ方式による蓄電池の容量維持率（ＳＯＨ）の算出方法では、ＳＯＣ－ＯＣＶ曲線が温度や蓄電池の劣化状態に応じて特性変動するため、この特性変動による算出誤差が発生してしまう。ＳＯＣ－ＯＣＶ曲線の特性変動に対応するために、複数のＳＯＣ－ＯＣＶ曲線を切り替えて適用する必要があるが、この場合でも切り替え誤判断による算出誤差が発生してしまう。さらに、満充電が完了した場合にしか算出できないことに加え、ＯＣＶ電圧の測定が必要であり、蓄電池が搭載された機器が常時動作するような場合での算出は困難である。

　また、特許文献１、及び特許文献２に開示されている機械学習方式による蓄電池の容量維持率（ＳＯＨ）の算出方法では、蓄電池の満充電が複数回完了した際、あるいは満充電が複数回完了するまでの蓄電池の測定データが必要であり、蓄電池を使用している状態での容量維持率（ＳＯＨ）を即時に算出することは困難である。

　そこで、本開示は上記の問題点を鑑みてなされたもので、蓄電池を使用している状態であっても劣化状態を推定でき、且つより高い精度で劣化状態を推定できる蓄電池の劣化推定装置、及び蓄電池の劣化推定方法を提供する。

　本開示の蓄電池の劣化推定装置は、蓄電池を充放電させたときに測定された第１電圧値と、さらに測定された第２電圧値とから得られる蓄電池の電圧変化量を算出する第１計算部と、蓄電池を充放電させたときに測定された第１電流値と、さらに測定された第２電流値とから得られる蓄電池の電荷変化量を算出する第２計算部と、電圧変化量と、電荷変化量とを含む複数の測定データを格納する測定データ記憶部と、１以上の電圧変化量と、１以上の電荷変化量とを入力とし、蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを格納する推定モデル記憶部と、推定モデル記憶部に格納された推定モデルを用いて、測定データ記憶部に格納された１以上の電圧変化量と、１以上の電荷変化量とを入力とし、蓄電池の劣化状態を推定する推定部と、を備える。

　また、本開示の蓄電池の劣化推定装置は、蓄電池を充放電させたときに測定された第１電圧値と、さらに測定された第２電圧値とから得られる蓄電池の電圧変化量を算出する第１計算部と、蓄電池を充放電させたときに測定された第１電流値と、さらに測定された第２電流値とから得られる蓄電池の電荷変化量を算出する第２計算部と、電圧変化量と、電荷変化量とを含む複数の測定データを格納する測定データ記憶部と、１以上の電圧変化量と、１以上の電荷変化量とを入力とし、蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを格納する推定モデル記憶部と、推定モデル記憶部に格納された推定モデルを用いて、測定データ記憶部に格納された１以上の電圧変化量と、１以上の電荷変化量とを入力とし、蓄電池の劣化状態を推定する推定部と、推定部から出力された蓄電池の劣化状態を入力とし、低域通過フィルタを用いて蓄電池の劣化状態を平滑化して出力する低域通過フィルタ部と、を備える。

　また、本開示の蓄電池の劣化推定装置は、蓄電池を充放電させたときに測定された電圧を入力とし、低域通過フィルタを用いて平滑化して平滑電圧を出力する第１低域通過フィルタ部と、第１低域通過フィルタ部から出力される第１平滑電圧値と、さらに出力された第２平滑電圧値とから得られる蓄電池の平滑電圧変化量を算出する第１計算部と、蓄電池を充放電させたときに測定された電流を入力とし、低域通過フィルタを用いて平滑化して平滑電流を出力する第２低域通過フィルタ部と、第２低域通過フィルタ部から出力される第１平滑電流値と、さらに出力された第２平滑電流値とから得られる蓄電池の平滑電荷変化量を算出する第２計算部と、平滑電圧変化量と、平滑電荷変化量とを含む複数の測定データを格納する測定データ記憶部と、１以上の平滑電圧変化量と、１以上の平滑電荷変化量とを入力とし、蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを格納する推定モデル記憶部と、推定モデル記憶部に格納された推定モデルを用いて、測定データ記憶部に格納された１以上の平滑電圧変化量と、１以上の平滑電荷変化量とを入力とし、蓄電池の劣化状態を推定する推定部と、を備える。

　また、本開示の蓄電池の劣化推定装置は、蓄電池を充放電させたときに測定された電圧を入力とし、低域通過フィルタを用いて平滑化して平滑電圧を出力する第１低域通過フィルタ部と、第１低域通過フィルタ部から出力される第１平滑電圧値と、さらに出力された第２平滑電圧値とから得られる蓄電池の平滑電圧変化量を算出する第１計算部と、蓄電池を充放電させたときに測定された電流を入力とし、低域通過フィルタを用いて平滑化して平滑電流を出力する第２低域通過フィルタ部と、第２低域通過フィルタ部から出力される第１平滑電流値と、さらに出力された第２平滑電流値とから得られる蓄電池の平滑電荷変化量を算出する第２計算部と、平滑電圧変化量と、平滑電荷変化量とを含む複数の測定データを格納する測定データ記憶部と、１以上の平滑電圧変化量と、１以上の前記電荷変化量とを入力とし、蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを格納する推定モデル記憶部と、推定モデル記憶部に格納された推定モデルを用いて、測定データ記憶部に格納された１以上の平滑電圧変化量と、１以上の平滑電荷変化量とを入力とし、蓄電池の劣化状態を推定する推定部と、推定部から出力された蓄電池の劣化状態を入力とし、低域通過フィルタを用いて蓄電池の劣化状態を平滑化して出力する第３低域通過フィルタ部と、を備える。

　また、本開示の蓄電池の劣化推定装置における蓄電池の劣化状態は、蓄電池の容量維持率、あるいは蓄電池の満充電容量値であることが好ましい。

　また、外部より新たな推定モデルを受信する受信通信部と、推定モデル記憶部に格納された推定モデルを、受信通信部より受信した新たな推定モデルに更新する更新部と、をさらに備えることが好ましい。

　また、推定部で推定された蓄電池の劣化状態を格納する推定データ記憶部と、測定データ記憶部に格納された複数の測定データ、及び推定データ記憶部に格納された蓄電池の劣化状態を外部へ送信する送信通信部と、をさらに備えることが好ましい。

　また、本開示の蓄電池の劣化推定方法は、蓄電池を充放電させたときに測定された第１電圧値と、さらに測定された第２電圧値とから得られる蓄電池の電圧変化量を算出する計算ステップと、蓄電池を充放電させたときに測定された第１電流値と、さらに測定された第２電流値とから得られる蓄電池の電荷変化量を算出する計算ステップと、１以上の電圧変化量と、１以上の電荷変化量とを入力とし、蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを用いて、１以上の電圧変化量と、１以上の電荷変化量とを入力とし、蓄電池の劣化状態を推定する推定ステップと、を含む。

　また、本開示の蓄電池の劣化推定方法は、蓄電池を充放電させたときに測定された第１電圧値と、さらに測定された第２電圧値とから得られる蓄電池の電圧変化量を算出する計算ステップと、蓄電池を充放電させたときに測定された第１電流値と、さらに測定された第２電流値とから得られる蓄電池の電荷変化量を算出する計算ステップと、１以上の電圧変化量と、１以上の電荷変化量とを入力とし、蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを用いて、１以上の電圧変化量と、１以上の電荷変化量とを入力とし、蓄電池の劣化状態を推定する推定ステップと、蓄電池の劣化状態を入力とし、低域通過フィルタを用いて平滑化された蓄電池の劣化状態を算出する計算ステップと、を含む。

　また、本開示の蓄電池の劣化推定方法は、蓄電池を充放電させたときに測定された電圧を入力とし、低域通過フィルタを用いて平滑化して得られる第１平滑電圧値と、さらに得られる第２平滑電圧値とを算出する計算ステップと、第１平滑電圧値と、第２平滑電圧値とから得られる蓄電池の平滑電圧変化量を算出する計算ステップと、蓄電池を充放電させたときに測定された電流を入力とし、低域通過フィルタを用いて平滑化して得られる第１平滑電流値と、さらに得られる第２平滑電流値とを算出する計算ステップと、第１平滑電流値と、第２平滑電流値とから得られる平滑電荷変化量を算出する計算ステップと、１以上の平滑電圧変化量と、１以上の平滑電荷変化量とを入力とし、蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを用いて、１以上の平滑電圧変化量と、１以上の平滑電荷変化量とを入力とし、蓄電池の劣化状態を推定する推定ステップと、を含む。

　また、本開示の蓄電池の劣化推定方法は、蓄電池を充放電させたときに測定された電圧を入力とし、低域通過フィルタを用いて平滑化して得られる第１平滑電圧値と、さらに得られる第２平滑電圧値とを算出する計算ステップと、第１平滑電圧値と、第２平滑電圧値とから得られる蓄電池の平滑電圧変化量を算出する計算ステップと、蓄電池を充放電させたときに測定された電流を入力とし、低域通過フィルタを用いて平滑化して得られる第１平滑電流値と、さらに得られる第２平滑電流値とを算出する計算ステップと、第１平滑電流値と、第２平滑電流値とから得られる蓄電池の平滑電荷変化量を算出する計算ステップと、１以上の平滑電圧変化量と、１以上の平滑電荷変化量とを入力とし、蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを用いて、１以上の平滑電圧変化量と、１以上の平滑電荷変化量とを入力とし、蓄電池の劣化状態を推定する推定ステップと、蓄電池の劣化状態を入力とし、低域通過フィルタを用いて平滑化された蓄電池の劣化状態を算出する計算ステップと、を含む。

　また、本開示の蓄電池の劣化推定方法における蓄電池の劣化状態は、蓄電池の容量維持率、あるいは蓄電池の満充電容量値であることが好ましい。

　本開示の蓄電池の劣化推定装置、及び劣化推定方法によれば、蓄電池を使用している状態であっても劣化状態を推定でき、且つより高い精度で劣化状態を推定することが可能となる。

図１は、本開示の第１の実施形態に係る蓄電池の劣化推定装置の全体構成を示す図である。 図２は、蓄電池の容量維持率（ＳＯＨ）を説明する図である。 図３は、本開示の実施形態に係る蓄電池を充放電させたときに測定された電圧、及び電圧変化量の算出を説明する図である。 図４は、本開示の実施形態に係る蓄電池を充放電させたときに測定された電流、及び電荷変化量の算出を説明する図である。 図５は、本開示の実施形態に係る劣化状態推定部の構成を示す図である。 図６は、本開示の実施形態に係る劣化状態推定部の別の構成を示す図である。 図７は、本開示の第１の実施形態に係る蓄電池の劣化推定方法を示すフローチャートである。 図８は、本開示の第１の実施形態に係る蓄電池の劣化推定結果を示す図である。 図９は、本開示の第２の実施形態に係る蓄電池の劣化推定装置の全体構成を示す図である。 図１０は、本開示の第２の実施形態に係る蓄電池の劣化推定方法を示すフローチャートである。 図１１は、本開示の第２の実施形態に係る蓄電池の劣化推定結果を示す図である。 図１２は、本開示の第３の実施形態に係る蓄電池の劣化推定装置の全体構成を示す図である。 図１３は、本開示の第３の実施形態に係る蓄電池を充放電させたときに測定された電圧、及び低域通過フィルタを用いて平滑化された平滑電圧を示す図である。 図１４は、本開示の第３の実施形態に係る蓄電池の劣化推定方法を示すフローチャートである。 図１５は、本開示の第４の実施形態に係る蓄電池の劣化推定装置の全体構成を示す図である。 図１６は、本開示の第４の実施形態に係る蓄電池の劣化推定方法を示すフローチャートである。

　本開示の蓄電池の劣化推定装置、及び蓄電池の劣化推定方法は、蓄電池を使用している状態で測定が可能な電圧値と電流値とから得られる電圧変化量と電荷変化量とを入力とし、蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを用いて、電圧変化量と電荷変化量とから蓄電池の劣化状態を直接算出することができるので、従来技術では必要であった、蓄電池を完全に放電した状態から満充電状態にするのに必要な充電容量を算出する作業、あるいは蓄電池の満充電状態にした後にＯＣＶ電圧を測定する作業が不要であり、蓄電池を使用している状態であっても劣化状態を推定することが可能である。また、特性変動による算出誤差が懸念されるＳＯＣ－ＯＣＶ曲線を用いて満充電容量を算出する作業が不要であるため、より高い精度で劣化状態を推定することが可能となる。加えて、電圧変化量と電荷変化量とを入力とし、蓄電池の劣化状態を出力とする、大量の学習データを準備して、機械学習を用いて推定モデルを学習させることで、様々な蓄電池の使用状況における劣化状態を推定することが可能となるので、より高い精度で劣化状態を推定することが可能となる。

　また、推定モデルを用いて算出された蓄電池の劣化状態を入力とし、低域通過フィルタを用いて蓄電池の劣化状態を平滑化して出力する構成にすることで、推定モデルを用いて算出された蓄電池の劣化状態が、万一ある時刻において、実際の蓄電池の劣化状態に対して誤差が大きい場合であっても、フィルタ処理によって前に出力された出力データに追従するように出力データが平滑化されて出力されるため、より誤差の少ない劣化状態を推定することが可能となる。

　また、蓄電池を充放電させたときに測定された電圧と電流とを入力とし、低域通過フィルタを用いて蓄電池の電圧と電流とを平滑化して平滑電圧と平滑電流とを出力し、平滑電圧と平滑電流とから得られる平滑電圧変化量と平滑電荷変化量とを入力とし、蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを用いて、蓄電池の劣化状態を算出する構成とすることで、蓄電池から測定される電圧及び電流が、蓄電池の充放電電流の急峻な変動、測定ノイズ等の影響を受けて、測定毎に連続的ではない離散的な電圧変動と電流変動とが起こる場合があっても、低域通過フィルタを用いて離散的な電圧変動と電流変動とが前に測定された電圧と電流とに追従して平滑化されるため、蓄電池の劣化状態を推定する推定モデルに入力される電圧変化量と電荷変化量とが連続的なデータとなるため、電圧変化量と電荷変化量とからノイズ等の影響を排除することが可能となり、より誤差の少ない蓄電池の劣化状態を推定することが可能となる。

　また、外部より蓄電池の劣化状態を推定する推定モデルを受信する受信通信部と、劣化推定装置に格納された推定モデルを受信通信部より受信した新たな推定モデルに更新する更新部とを備えた構成にすることで、劣化推定装置を製品に搭載した後でも、その後に新たな学習データを追加して学習された、より高い精度で蓄電池の劣化状態が推定できる推定モデルに更新することが可能となるため、より高い精度で劣化状態を推定することが可能となる。

　また、劣化推定装置で測定と算出された複数の測定データを記憶する測定データ記憶部と、劣化推定装置で推定された蓄電池の劣化状態を記憶する推定データ記憶部と、測定データ記憶部に格納された複数の測定データ、及び推定データ記憶部に格納された蓄電池の劣化状態とを外部へ送信する送信通信部とを備えた構成にすることで、劣化推定装置を製品に搭載した後でも、劣化推定装置が使用された際の蓄電池の測定データ、及び蓄電池の劣化状態の推定データを収集することが可能となるため、蓄電池の様々な使用状態における学習データを追加することが可能となる。これにより、より高い精度の新たな推定モデルを生成し更新することが可能となるため、より高い精度で劣化状態を推定することが可能となる。

　以下、本開示の実施形態について、図面を参照しながら説明する。

　なお、以下で説明する実施の形態は、いずれも包括的または具体的な例を示すものである。以下の実施の形態で示される数値、形状、構成要素、構成要素の配置位置および接続形態、ステップ、ステップの順序などは、一例であり、本開示を限定する主旨ではない。例えば、数値は、厳格な意味のみを表す表現ではなく、実質的に同等な範囲、例えば数％程度の差異をも含むことを意味する表現である。また、以下の実施の形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意の構成要素として説明される。

　また、各図は、模式図であり、必ずしも厳密に図示されたものではない。したがって、例えば、各図において縮尺などは必ずしも一致しない。また、各図において、実質的に同一の構成については同一の符号を付しており、重複する説明は省略又は簡略化する。

　また、本明細書において、数値、及び、数値範囲は、厳格な意味のみを表す表現ではなく、実質的に同等な範囲、例えば数％程度（例えば、１０％程度）の差異をも含むことを意味する表現である。

　＜第１の実施形態＞
　［蓄電池の劣化推定装置の全体構成］
　図１は、本開示の第１の実施形態に係る蓄電池の劣化推定装置の全体構成を示す図である。

　蓄電池１は複数の電池モジュールが直列、及び並列に接続された構成である。

　蓄電池管理装置１０は蓄電池１に接続され、蓄電池１の電圧、電流、及び温度を測定する装置であり、蓄電池１の電圧、電流、及び温度に相当するアナログ信号値をデジタル信号値に変換するＡＤＣ（Ａｎａｌｏｇ　Ｄｉｇｉｔａｌ　Ｃｏｎｖｅｒｔｅｒ）部１１と、ＡＤＣ部の出力であるデジタル信号値を演算処理して電圧値、電流値、及び温度として算出する演算部１２と、演算部１２で算出された電圧値、電流値、及び温度を外部に送信する通信Ｉ／Ｆ１３とを有する。

　蓄電池状態推定装置１００ａは、蓄電池管理装置１０から蓄電池１の電圧値、電流値、及び温度を受信する通信Ｉ／Ｆ４１と、通信Ｉ／Ｆ４１から受信したデータを処理して蓄電池１の各種測定値を算出する蓄電池測定部２０ａと、蓄電池測定部２０ａで算出された各種測定値を受信して蓄電池１の劣化状態を推定する蓄電池状態推定部３０ａと、蓄電池状態推定部３０ａで算出された蓄電池１の劣化状態、蓄電池１の劣化状態を推定する推定モデル、並びに蓄電池１の測定データ及び推定データを外部と送受信する通信Ｉ／Ｆ４２とを有する。蓄電池状態推定装置１００ａは、劣化推定装置の一例である。

　蓄電池測定部２０ａは、通信Ｉ／Ｆ４１から電圧値、電流値、及び温度を取得する測定量取得部２１と、測定量取得部２１に格納されたデータを用いて、第１電圧値である開始電圧値と、第２電圧値である終了電圧値とから電圧変化量を算出する電圧変化量算出部２２と、第１電流値である開始電流値と、第２電流値である終了電流値とから電流変化量を算出する電流変化量算出部２３と、電流値を積算することで蓄電池１の電荷量を算出する電荷量算出部２４と、電荷量算出部２４で算出された電荷量を用いて、蓄電池１の開始電荷量と終了電荷量とから電荷変化量を算出する電荷変化量算出部２５と、前述した電圧変化量、電流変化量、及び電荷変化量を算出するために必要な開始条件と終了条件とを制御する測定開始・停止制御部２６とを有する。すなわち、蓄電池測定部２０ａは、蓄電池１の測定データである電圧値、及び電流値を用いて蓄電池１の電圧変化量、電流変化量、及び電荷変化量といった各種測定パラメータを算出する。これらの測定データは後述する蓄電池状態推定部３０ａに送信される。

　蓄電池状態推定部３０ａは、蓄電池測定部２０ａで取得・算出された測定データを格納する測定データ記憶部３１と、測定データ記憶部３１に格納された測定データを入力として蓄電池１の劣化状態を推定する劣化状態計算部３２ａと、劣化状態計算部３２ａを構成する劣化状態推定部３２１と、劣化状態計算部３２ａで推定された蓄電池１の劣化状態を格納する推定データ記憶部３３と、劣化状態推定部３２１で蓄電池１の劣化状態を推定する際に用いられる機械学習により学習された推定モデルを格納する推定モデル記憶部３４と、外部から新たな推定モデルを受信して推定モデル記憶部３４に格納された推定モデルを更新する推定モデル更新部３５とを有する。

　通信Ｉ／Ｆ５１は、蓄電池状態推定装置１００ａの通信Ｉ／Ｆ４２を介して、蓄電池１の測定データ、推定データ、及び蓄電池１の劣化状態を推定する推定モデルを送受信する。

　劣化状態表示部５２は、蓄電池状態推定装置１００ａで推定された蓄電池１の劣化状態を表示する装置である。推定モデル送信部５３は、蓄電池１の劣化状態を推定する新たな推定モデルを蓄電池状態推定装置１００ａに送信する装置である。測定データ／推定データ受信部５４は、蓄電池状態推定装置１００ａで測定、及び推定されたデータを受信する装置である。

　本開示の第１の実施形態に係る蓄電池１の劣化推定装置は、蓄電池状態推定部３０ａの劣化状態推定部３２１が、蓄電池１の電圧変化量と電荷変化量とを入力とし、蓄電池１の劣化状態である容量維持率（ＳＯＨ）を出力とする、機械学習により学習された推定モデルを用いて蓄電池１の容量維持率（ＳＯＨ）を推定することを特徴とする。

　［蓄電池の容量維持率（ＳＯＨ）］
　図２は、蓄電池１の容量維持率（ＳＯＨ）を説明する図である。

　蓄電池１の初期の満充電容量をＣｉｎｉｔとすると、蓄電池１の使用を継続することで蓄電池１は劣化が進行し、劣化後の満充電容量Ｃｔは初期の満充電容量Ｃｉｎｉｔより小さな値となる。図２では、劣化後の満充電容量Ｃｔが初期の満充電容量Ｃｉｎｉｔの８０％に低下した場合を一例として示している。蓄電池１の容量維持率（ＳＯＨ）（％）は劣化後の満充電容量Ｃｔと初期の満充電容量Ｃｉｎｉｔとの比であり、下記の式１で表される。

　ＳＯＨ＝Ｃｔ／Ｃｉｎｉｔ×１００　　　・・・（式１）

　本開示の実施形態では、蓄電池１を使用している状態であっても劣化状態を推定でき、且つより高い精度で蓄電池１の容量維持率（ＳＯＨ）を推定できる蓄電池１の劣化推定装置、及び劣化推定方法について述べる。

　［蓄電池の電圧変化量と電荷変化量の算出］
　機械学習により学習された推定モデルを用いて蓄電池１の容量維持率（ＳＯＨ）を算出する際の入力となる、蓄電池１の電圧変化量及び電荷変化量の算出方法について説明する。

　図３は、本開示の実施形態に係る蓄電池１を充放電させたときに測定された電圧、及び電圧変化量の算出を説明する図である。時々刻々と蓄電池１の電圧を測定することで、蓄電池１の電圧変動を把握することができる。時刻Ｔ１の電圧値Ｖ１、その後の時刻Ｔ２の電圧値Ｖ２を取得し、電圧値Ｖ１と電圧値Ｖ２との差分Ｖ２－Ｖ１を算出することで電圧変化量ΔＶを得ることができる。この動作を繰り返し行うことで、蓄電池１の使用状態に応じた複数の電圧変化量を得ることができる。

　図４は、本開示の実施形態に係る蓄電池１を充放電させたときに測定された電流、及び電荷変化量の算出を説明する図である。時々刻々と蓄電池１の電流を測定することで、蓄電池１の電流変動を把握することができる。時刻Ｔ１の電流値Ｉ１、その後の時刻Ｔ２の電流値Ｉ２を取得し、図４の斜線部に図示されている通り電流値を積分することで電荷変化量ΔＱを得ることができる。この動作を繰り返し行うことで、蓄電池１の使用状態に応じた複数の電荷変動量を得ることが可能となる。

　上述した蓄電池１の電圧変化量ΔＶ、及び電荷変化量ΔＱの算出は、図１に示す蓄電池１の劣化推定装置における蓄電池測定部２０ａの電圧変化量算出部２２と、電荷変化量算出部２５とが行う。電圧変化量算出部２２は第１計算部の一例であり、電荷変化量算出部２５は第２計算部の一例である。

　［蓄電池の劣化状態推定部の構成］
　機械学習により学習された推定モデルを用いて蓄電池１の容量維持率（ＳＯＨ）を算出する蓄電池１の劣化状態推定部、すなわち、図１に示す蓄電池１の劣化推定装置における蓄電池状態推定部３０ａの劣化状態計算部３２ａの劣化状態推定部３２１に関する実施例について説明する。

　図５は、本開示の実施形態に係る劣化状態推定部の構成を示す図である。劣化状態推定部３２１は、１以上の電圧変化量、及び１以上の電荷変化量を入力とし、蓄電池１の容量維持率（ＳＯＨ）を出力とする、機械学習により学習された推定モデルを用いて蓄電池１の容量維持率（ＳＯＨ）を算出する。劣化状態推定部３２１はニューラルネットワーク計算部３２１１から構成されており、ニューラルネットワーク計算部３２１１は全結合型ニューラルネットワーク（ＦＣＮ：Ｆｕｌｌｙ　Ｃｏｎｎｅｃｔｅｄ　Ｎｅｕｒａｌ－Ｎｅｔｗｏｒｋ）で構成されている。

　図６は、本開示の実施形態に係る劣化状態推定部の別の構成を示す図である。前述した図５の劣化状態推定部３２１は、ニューラルネットワーク計算部３２１１のみから構成されており、１以上の電圧変化量、及び１以上の電荷変化量が直接ニューラルネットワーク計算部３２１１に入力される構成であるが、図６の劣化状態推定部３２１は、ニューラルネットワーク計算部３２１１の前段に特徴量計算部３２１２が追加されている点が異なる。すなわち、図６の劣化状態推定部３２１は、１以上の電圧変化量、及び１以上の電荷変化量が特徴量計算部３２１２に入力され、特徴量計算部３２１２にて、例えば１以上の電圧変化量、及び１以上の電荷変化量の平均値、変化量差分等の新たな特徴量を計算し、その出力をニューラルネットワーク計算部３２１１に入力されることが特徴である。特徴量計算部３２１２で機械学習に最適な特徴量を算出し、それらを入力として機械学習を用いた蓄電池１の容量維持率（ＳＯＨ）の推定を行う。

　以上、本実施形態では、ニューラルネットワーク計算部３２１１の機械学習を用いた推定モデルは全結合型ニューラルネットワーク（ＦＣＮ）の場合を説明したが、全結合型ニューラルネットワーク（ＦＣＮ）以外の機械学習の推定モデル、例えば、リカレント型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）、決定木型の機械学習の推定モデル、重回帰分析型の機械学習の推定モデルなどを用いてもよい。

　［蓄電池の劣化推定方法のフローチャート］
　図７は、本開示の第１の実施形態に係る蓄電池の劣化推定方法を示すフローチャートである。

　始めに、電圧変化量算出部２２は、蓄電池１を充放電させたときに測定された第１電圧値、及び第２電圧値から電圧変化量を算出する（Ｓ１１）。次に、電荷変化量算出部２５は、蓄電池を充放電させたときに測定された第１電流値、及び第２電流値から電荷変化量を算出する（Ｓ１２）。最後に、劣化状態推定部３２１は、推定モデルを用いて、１以上の電圧変化量、及び１以上の電荷変化量から蓄電池１の容量維持率（ＳＯＨ）を推定する（Ｓ１３）。第２電圧値は、第１電圧値の後に取得された電圧値であり、第１電圧値の後に連続して取得された電圧値であってもよいし、所定時間あけて取得された電圧値であってもよい。また、第２電流値は、第１電流値の後に取得された電流値であり、第１電流値の後に連続して取得された電流値であってもよいし、所定時間あけて取得された電流値であってもよい。また、第１電圧値及び第１電流値は同位置時刻に取得されてもよいし、異なる時刻に取得されてもよく、同様に、第２電圧値及び第２電流値は同位置時刻に取得されてもよいし、異なる時刻に取得されてもよい。

　以上、本実施形態では、蓄電池１の容量維持率（ＳＯＨ）を推定するための入力データが、蓄電池１を使用する際に測定される電圧（電圧変化量）及び電流（電荷変化量）であり、且つ満充電状態時の蓄電池１の測定データが不要であるため、蓄電池１を使用している状態であっても劣化状態を推定することが可能である。また、機械学習により学習された推定モデルを用いて蓄電池１の容量維持率（ＳＯＨ）を算出する構成のため、大量の学習データを準備して、機械学習を用いて推定モデルを学習させることで、様々な蓄電池１の使用状況における劣化状態を推定することが可能となるので、より高い精度で蓄電池１の劣化状態を推定することが可能である。

　［蓄電池の容量維持率（ＳＯＨ）の推定結果］
　本開示の第１の実施形態を適用して、実際に蓄電池１の容量維持率（ＳＯＨ）を推定する推定モデルの学習データを準備して推定モデルを学習させ、その後、機械学習により学習された推定モデルを用いて蓄電池１の容量維持率（ＳＯＨ）を推定した結果を説明する。

　図８は、本開示の第１の実施形態に係る蓄電池１の劣化推定結果を示す図である。図８において、学習データの数は約５０００データであり、実際の製品に搭載する蓄電池１の劣化状態の推定モデルを開発する際の学習データと比べたら非常に少ない学習データ数であり、本結果は本開示の効果を簡易検証するために行ったものである。

　図８において、横軸は実際の蓄電池１の容量維持率（ＳＯＨ）であり、縦軸は機械学習により学習された推定モデルを用いて推定した蓄電池１の容量維持率（ＳＯＨ）である。すなわち、図８において、横軸の値と縦軸の値とが同じ箇所にプロットされたものは、機械学習により学習された推定モデルを用いて推定した蓄電池１の容量維持率（ＳＯＨ）の推定結果が実際の蓄電池１の容量維持率（ＳＯＨ）を正しく推定していることを示す。

　図８に示すように、学習データの数は約５０００データではあるが、機械学習により学習された推定モデルを用いて推定した蓄電池１の容量維持率（ＳＯＨ）は、実際の蓄電池１の容量維持率（ＳＯＨ）を推定できていることが分かる。ただし、機械学習により学習された推定モデルを用いて推定した蓄電池１の容量維持率（ＳＯＨ）が、実際の蓄電池１の容量維持率（ＳＯＨ）に対して最大で約８％程度の最大誤差をもって推定されているものもあり、これに対しては推定モデルの学習方法の最適化、又は学習データをさらに増やして、より高い精度の推定モデルを開発することで誤差を低減させることは可能である。

　なお、学習データは、電圧（電圧変化量）及び電流（電荷変化量）を入力情報とし、そのときの容量維持率（ＳＯＨ）を出力情報とするデータである。

　［蓄電池の劣化状態を推定する新たな推定モデルの外部からの受信と更新］
　本開示の実施形態における蓄電池の劣化推定装置は、蓄電池１の容量維持率（ＳＯＨ）を推定する新たな推定モデルを外部から受信して、蓄電池１の劣化推定装置に格納されている推定モデルを更新することが可能である。

　図１に示す蓄電池１の劣化推定装置において、より高い精度で蓄電池１の容量維持率（ＳＯＨ）を推定可能な新たな推定モデルを開発した場合、新たな推定モデルは推定モデル送信部５３より通信Ｉ／Ｆ５１と通信Ｉ／Ｆ４２とを介して、蓄電池状態推定装置１００ａの蓄電池状態推定部３０ａの推定モデル更新部３５に送信される。その後、推定モデル更新部３５は推定モデル記憶部３４に格納された推定モデルを新たな推定モデルに更新することが可能である。

　以上、本実施形態では、蓄電池１の劣化推定装置を製品に搭載した後でも、新たな学習データを追加して学習されたより高い精度で蓄電池１の劣化状態が推定できる推定モデルに更新することが可能となるため、より高い精度で蓄電池１の劣化状態を推定することが可能となる。

　［蓄電池の測定データ及び推定データの蓄積と外部への送信］
　本開示の実施形態における蓄電池１の劣化推定装置は、蓄電池１の測定データ、及び蓄電池１の劣化状態の推定データを外部へ送信することが可能である。

　図１に示す蓄電池１の劣化推定装置において、測定データ記憶部３１に格納された蓄電池１の測定データと、推定データ記憶部３３に格納された蓄電池１の劣化状態の推定データとは、通信Ｉ／Ｆ４２と通信Ｉ／Ｆ５１とを介して、外部の測定データ／推定データ受信部５４に送信することが可能である。

　以上、本実施形態では、蓄電池１の劣化推定装置を製品に搭載した後でも、蓄電池１の測定データ、及び蓄電池１の劣化状態の推定データを収集することが可能となるため、蓄電池１の様々な使用状態における学習データを収集することが可能であり、より高い精度の新たな推定モデルを学習して更新することができるため、より高い精度で劣化状態を推定することが可能となる。

　＜第２の実施形態＞
　［蓄電池の劣化推定装置の全体構成］
　図９は、本開示の第２の実施形態に係る蓄電池の劣化推定装置の全体構成を示す図である。図９において、前述した第１の実施形態に係る蓄電池１の劣化推定装置である図１の構成要件と同一のものは同一の名称、符号、番号を付与しており、その詳細な説明は割愛する。

　第２の実施形態に係る蓄電池１の劣化推定装置は、図９において、蓄電池状態推定装置１００ｂの蓄電池状態推定部３０ｂの構成が第１の実施形態とは異なる。具体的には、蓄電池状態推定部３０ｂの劣化状態計算部３２ｂにおいて、劣化状態推定部３２１の出力に劣化状態低域通過フィルタ部３２２が新たに搭載され、劣化状態低域通過フィルタ部３２２の出力が通信Ｉ／Ｆ４２、通信Ｉ／Ｆ５１を介して、劣化状態表示部５２に接続され、劣化状態低域通過フィルタ部３２２の出力はさらに推定データ記憶部３３に接続される構成となっている。

　［蓄電池の劣化状態低域通過フィルタ部の構成］
　劣化状態低域通過フィルタ部３２２は、時系列データである入力データを平滑化して出力データとして出力するフィルタ処理を行うことを特徴とする。ここで、ｎを整数値とすると、劣化状態低域通過フィルタ部３２２のｎ番目の出力データｙ［ｎ］は、前に出力されたｎ－１番目の出力データｙ［ｎ－１］と、ｎ番目の入力データｘ［ｎ］により決定され、下記の式２で表される。

　ｙ［ｎ］＝ｋ×ｘ［ｎ］＋（１－ｋ）×ｙ［ｎ－１］　　　・・・（式２）

　ここで、定数ｋは時定数を呼ばれるもので、ｋ＝０．１、０．０１、０．００１などの値が採用される。すなわち、劣化状態低域通過フィルタ部３２２は、ｎ番目の出力データｙ［ｎ］は、前に出力されたｎ－１番目の出力データｙ［ｎ－１］に追従し、ｎ番目の入力データｘ［ｎ］も反映された出力データであり、時系列データである入力データを平滑化して出力データとして出力するフィルタ処理部として機能する。

　［蓄電池の劣化推定方法のフローチャート］
　図１０は、本開示の第２の実施形態に係る蓄電池の劣化推定方法を示すフローチャートである。

　始めに、電圧変化量算出部２２は、蓄電池１を充放電させたときに測定された第１電圧値、及び第２電圧値から電圧変化量を算出する（Ｓ２１）。次に、電荷変化量算出部２５は、蓄電池１を充放電させたときに測定された第１電流値、及び第２電流値から電荷変化量を算出する（Ｓ２２）。次に、劣化状態推定部３２１は、推定モデルを用いて、１以上の電圧変化量、及び１以上の電荷変化量から蓄電池１の容量維持率（ＳＯＨ）を推定する（Ｓ２３）。最後に、劣化状態低域通過フィルタ部３２２は、低域通過フィルタを用いて、ステップＳ２３で算出された蓄電池１の容量維持率（ＳＯＨ）から平滑化された蓄電池１の容量維持率（ＳＯＨ）を算出する（Ｓ２４）。

　以上、本実施形態では、推定モデルを用いて算出された蓄電池１の劣化状態を入力とし、低域通過フィルタを用いて蓄電池１の劣化状態を平滑化して出力する構成にすることで、推定モデルを用いて算出された蓄電池１の劣化状態が、万一ある時刻において、実際の蓄電池１の劣化状態に対して誤差が大きい場合であっても、フィルタ処理によって前に出力された出力データに追従するように出力データが平滑化されて出力されるため、より誤差の少ない蓄電池１の劣化状態を推定することが可能となる。

　［蓄電池の容量維持率（ＳＯＨ）の推定結果］
　図１１は、本開示の第２の実施形態に係る蓄電池の劣化推定結果を示す図である。図１１において、推定モデルを学習させた際の学習データ、及び蓄電池１の容量維持率（ＳＯＨ）を推定する際の入力データは、前述の第１の実施形態と同一のものを使用している。図１１に示す第２の実施形態に係る蓄電池１の劣化推定結果と、図８に示す第１の実施形態に係る蓄電池１の劣化推定結果との違いは、図９に示す本開示の第２の実施形態において、蓄電池状態推定部３０ｂの劣化状態計算部３２ｂにおける、劣化状態低域通過フィルタ部３２２のフィルタ処理によるものである。

　図１１において、横軸は実際の蓄電池１の容量維持率（ＳＯＨ）であり、縦軸は機械学習により学習された推定モデルを用いて推定した蓄電池１の容量維持率（ＳＯＨ）に対して、低域通過フィルタを用いて平滑化された蓄電池１の容量維持率（ＳＯＨ）である。すなわち、図１１において、横軸の値と縦軸の値とが同じ箇所にプロットされたものは、機械学習により学習された推定モデルを用いて推定した蓄電池１の容量維持率（ＳＯＨ）に対して、フィルタ処理を用いて平滑化された蓄電池１の容量維持率（ＳＯＨ）が実際の蓄電池１の容量維持率（ＳＯＨ）の値を正しく推定していることを示す。

　図１１に示すように、学習データの数は第１の実施形態と同じ約５０００データではあるが、機械学習により学習された推定モデルを用いて推定した蓄電池１の容量維持率（ＳＯＨ）は、実際の蓄電池１の容量維持率（ＳＯＨ）を推定できていることが分かる。さらに、図８に示す第１の実施形態の推定結果に比べて、図１１に示す第２の実施形態の推定結果の方が、実際の蓄電池１の容量維持率（ＳＯＨ）に対する最大誤差が大きく低減されていることが分かる。すなわち、図８に示す第１の実施形態の推定結果は、実際の蓄電池１の容量維持率（ＳＯＨ）に対して最大で約８％程度の最大誤差をもっているのに対して、図１１に示す第２の実施形態の推定結果は、実際の蓄電池１の容量維持率（ＳＯＨ）に対して最大で約５％以下の最大誤差に低減されていることが分かる。第２の実施形態においても、誤差をもって推定されているものもあり、これに対しては推定モデルの学習方法の最適化、又は学習データをさらに増やして、より高い精度の推定モデルを開発することで誤差を低減させることは可能である。

　＜第３の実施形態＞
　［蓄電池の劣化推定装置の全体構成］
　図１２は、本開示の第３の実施形態に係る蓄電池の劣化推定装置の全体構成を示す図である。図１２において、前述した第１の実施形態に係る蓄電池１の劣化推定装置である図１の構成要件と同一のものは同一の名称、符号、番号を付与しており、その詳細な説明は割愛する。

　第３の実施形態に係る蓄電池１の劣化推定装置は、図１２において、蓄電池状態推定装置１００ｃの蓄電池測定部２０ｂの構成が第１の実施形態とは異なる。具体的には、第３の実施形態に係る蓄電池１の劣化推定装置は、蓄電池測定部２０ｂに対して、低域通過フィルタにより入力される電圧値を平滑化して平滑電圧値として出力する電圧低域通過フィルタ部２７と、低域通過フィルタにより入力される電流値を平滑化して平滑電流値として出力する電流低域通過フィルタ部２８とを新たに搭載している。電圧低域通過フィルタ部２７、及び電流低域通過フィルタ部２８のフィルタ処理は、本実施形態においては、前述した第２の実施形態における劣化状態低域通過フィルタ部３２２のフィルタ処理と同様とし、その詳細な説明は割愛する。

　本実施形態において、蓄電池測定部２０ｂは、測定量取得部２１で取得された電圧値が電圧低域通過フィルタ部２７に入力され、平滑化された平滑電圧として出力される。電圧低域通過フィルタ部２７から出力された平滑電圧は電圧変化量算出部２２に入力され、電圧変化量算出部２２にて平滑電圧変化量が算出され、蓄電池状態推定部３０ａの測定データ記憶部３１に格納される。同様に、測定量取得部２１で取得された電流値が電流低域通過フィルタ部２８に入力され、平滑化された平滑電流として出力される。電流低域通過フィルタ部２８から出力された平滑電流は電流変化量算出部２３と電荷量算出部２４とに入力され、電荷量算出部２４の出力が電荷変化量算出部２５に入力され、平滑電荷変化量が算出される。電荷変化量算出部２５で算出された平滑電荷変化量は蓄電池状態推定部３０ａの測定データ記憶部３１に格納される。

　蓄電池状態推定部３０ａの推定モデル記憶部３４に格納される蓄電池１の容量維持率（ＳＯＨ）を算出する推定モデルは、平滑電圧値と平滑電流値とを入力とし、蓄電池１の容量維持率（ＳＯＨ）を出力とする、機械学習により学習された推定モデルが格納される。

　本開示の第３の実施形態に係る蓄電池１の劣化推定装置は、蓄電池１から測定された電圧値及び電流値に対して、電圧低域通過フィルタと電流低域通過フィルタとを用いて平滑化された平滑電圧値と平滑電流値とを算出し、平滑電圧値と平滑電流値とから平滑電圧変化量と平滑電荷変化量とを算出し、平滑電圧変化量と平滑電荷変化量とを入力とし、蓄電池１の容量維持率（ＳＯＨ）を出力とする、機械学習により学習された推定モデルを用いて蓄電池１の容量維持率（ＳＯＨ）を算出することを特徴とする。

　［蓄電池から測定された電圧、及び低域通過フィルタを用いて平滑化された平滑電圧］
　図１３は、本開示の第３の実施形態に係る蓄電池を充放電させたときに測定された電圧、及び低域通過フィルタを用いて平滑化された平滑電圧を説明する図である。

　図１３において、横軸は時刻であり、縦軸は電圧値であり、蓄電池１から測定された電圧、及び蓄電池１から測定された電圧に対して電圧低域通過フィルタ（電圧低域通過フィルタ部２７）を用いて平滑化された平滑電圧が図示されている。

　図１３に示すように、蓄電池１から測定された電圧は、蓄電池１の充放電電流の急峻な変動や、測定ノイズ等の影響を受けて、測定毎に連続的ではない離散的な電圧変動が起こる場合があるが、低域通過フィルタを用いることで、蓄電池１から測定された離散的な電圧値が前に測定された電圧値に追従するように平滑化されるため、蓄電池１の劣化状態を推定する推定モデルに入力される電圧変化量も平滑化された連続的な値となり、蓄電池１の電圧値、及び電圧変動量からノイズ等の影響を排除することが可能となり、より誤差の少ない蓄電池１の劣化状態を推定することが可能となる。ここで、図１３は蓄電池１から測定された電圧と平滑電圧とに関するものであるが、蓄電池１から測定された電流と平滑電流とに関しても同様である。

　［蓄電池の劣化推定方法のフローチャート］
　図１４は、本開示の第３の実施形態に係る蓄電池の劣化推定方法を示すフローチャートである。

　始めに、電圧低域通過フィルタ部２７は、蓄電池１を充放電させたときに測定された電圧に対して、低域通過フィルタを用いて第１平滑電圧値、及び第２平滑電圧値を算出する（Ｓ３１）。次に、電圧変化量算出部２２は、ステップＳ３１で算出された第１平滑電圧値、及び第２平滑電圧値から平滑電圧変化量を算出する（Ｓ３２）。次に、電流低域通過フィルタ部２８は、蓄電池１を充放電させたときに測定された電流に対して、低域通過フィルタを用いて第１平滑電流値、第２平滑電流値を算出する（Ｓ３３）。次に、電荷変化量算出部２５は、ステップＳ３３で算出された第１平滑電流値、及び第２平滑電流値から平滑電荷変化量を算出する（Ｓ３４）。最後に、劣化状態推定部３２１は、推定モデルを用いて、１以上の平滑電圧変化量、及び１以上の平滑電荷変化量から蓄電池１の容量維持率（ＳＯＨ）を推定する（Ｓ３５）。

　以上、本実施形態では、蓄電池１を充放電させたときに測定された電圧と電流とを入力とし、低域通過フィルタを用いて蓄電池１の電圧と電流とを平滑化して平滑電圧と平滑電流とを出力し、平滑電圧と平滑電流とから得られる平滑電圧変化量と平滑電荷変化量とを入力とし、蓄電池１の劣化状態を出力とする、機械学習により学習された推定モデルを用いて、蓄電池１の劣化状態を算出する構成とする。これにより、蓄電池１から測定される電圧及び電流が、蓄電池１の充放電電流の急峻な変動、測定ノイズ等の影響を受けて、測定毎に連続的ではない離散的な電圧変動と電流変動とが起こる場合があっても、低域通過フィルタを用いて離散的な電圧変動と電流変動とが前に測定された電圧と電流とに追従して平滑化されるため、蓄電池１の劣化状態を推定する推定モデルに入力される電圧変化量と電荷変化量とが連続的なデータとなる。連続的なデータとなった電圧変化量と電荷変化量とからノイズ等の影響を排除することが可能となり、より誤差の少ない蓄電池１の劣化状態を推定することが可能となる。

　＜第４の実施形態＞
　［蓄電池の劣化推定装置の全体構成］
　図１５は、本開示の第４の実施形態に係る蓄電池の劣化推定装置の全体構成を示す図である。図１５において、前述した第１の実施形態、第２の実施形態、及び第３の実施形態に係る蓄電池１の劣化推定装置である図１、図９、及び図１２のいずれかの構成要件と同一のものは同一の名称、符号、番号を付与しており、その詳細な説明は割愛する。

　第４の実施形態に係る蓄電池１の劣化推定装置は、蓄電池状態推定装置１００ｄの蓄電池測定部２０ｂの構成は第３の実施形態と同様の構成であり、蓄電池状態推定部３０ｂの構成は第２実施形態と同様の構成である。すなわち、第４の実施形態に係る蓄電池１の劣化推定装置は、第２の実施形態と第３の実施形態とで説明した通り、蓄電池１から測定された電圧及び電流に対して、低域通過フィルタを用いて平滑化された平滑電圧と平滑電流とを算出し、平滑電圧と平滑電流とから平滑電圧変化量と平滑電荷変化量とを算出し、平滑電圧変化量と平滑電荷変化量とを入力とし、蓄電池１の容量維持率（ＳＯＨ）を出力とする、機械学習により学習された推定モデルを用いて蓄電池１の容量維持率（ＳＯＨ）を算出し、さらに、推定モデルを用いて算出された蓄電池１の容量維持率（ＳＯＨ）に対して、低域通過フィルタを用いて平滑化された蓄電池１の容量維持率（ＳＯＨ）を算出することを特徴とする。

　［蓄電池の劣化推定方法のフローチャート］
　図１６は、本開示の第４の実施形態に係る蓄電池の劣化推定方法を示すフローチャートである。

　始めに、電圧低域通過フィルタ部２７は、蓄電池１を充放電させたときに測定された電圧に対して、低域通過フィルタを用いて第１平滑電圧値、及び第２平滑電圧値を算出する（Ｓ４１）。次に、電圧変化量算出部２２は、ステップＳ４１で算出された第１平滑電圧値、第２平滑電圧値から平滑電圧変化量を算出する（Ｓ４２）。次に、電流低域通過フィルタ部２８は、蓄電池１を充放電させたときに測定された電流に対して、低域通過フィルタを用いて第１平滑電流値、及び第２平滑電流値を算出する（Ｓ４３）。次に、電荷変化量算出部２５は、ステップＳ４３で算出された第１平滑電流値、及び第２平滑電流値から平滑電荷変化量を算出する（Ｓ４４）。次に、劣化状態推定部３２１は、推定モデルを用いて、１以上の平滑電圧変化量、及び１以上の平滑電荷変化量から蓄電池１の容量維持率（ＳＯＨ）を推定する（Ｓ４５）。最後に、劣化状態低域通過フィルタ部３２２は、低域通過フィルタを用いて、ステップＳ４５で算出された蓄電池１の容量維持率（ＳＯＨ）から平滑化された蓄電池１の容量維持率（ＳＯＨ）を算出する（Ｓ４６）。

　以上、本実施形態では、蓄電池１から測定された電圧、及び電流に対して、フィルタ処理を行うことで、前に出力された電圧値、及び電流値に追従するように平滑化された平滑電圧値、及び平滑電流値を算出し、平滑電圧値と平滑電流値とから得られる平滑電圧変化量と平滑電荷変化量とを入力とし、蓄電池１の劣化状態を出力とする、機械学習による学習された推定モデルを用いて蓄電池１の劣化状態を推定する。この構成のため、電圧変化量と電荷変化量とからノイズ等の影響を排除することが可能となり、より誤差の少ない蓄電池１の劣化状態を推定することが可能となる。

　さらに、推定モデルを用いて算出された蓄電池１の劣化状態を入力とし、フィルタ処理を行うことで、蓄電池１の劣化状態を平滑化して出力する構成にすることで、推定モデルを用いて算出された蓄電池１の劣化状態が、万一ある時刻において、実際の蓄電池１の劣化状態に対して誤差が大きい場合であっても、フィルタ処理によって前に出力された出力データに追従するように出力データが平滑化されて出力されるため、より誤差の少ない蓄電池１の劣化状態を推定することが可能となる。

　＜結言＞
　以上のように、本開示の蓄電池の劣化推定装置、及び劣化推定方法は、蓄電池を充放電させたときに測定された電圧と電流とから電圧変化量と電荷変化量とを算出し、電圧変化量と電荷変化量とを入力とし、蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを用いて、蓄電池の劣化状態を出力する構成のため、蓄電池を使用している状態であっても劣化状態を推定することが可能であり、且つより高い精度で劣化状態を推定することが可能である。

　さらに、推定モデルにより算出された蓄電池の劣化状態に対して、フィルタ処理により平滑化された蓄電池の劣化状態として出力する構成とすることで、より誤差の少ない蓄電池の劣化状態を推定することが可能となる。さらに、蓄電池から測定された電圧と電流とに対して、フィルタ処理による平滑化された平滑電圧値と平滑電流値とを算出し、平滑電圧値と平滑電流値とから平滑電圧変化量と平滑電荷変化量とを算出し、蓄電池の劣化状態を推定する構成とすることで、蓄電池から測定された電圧及び電流のノイズ等の影響を排除することが可能となり、より誤差の少ない蓄電池の劣化状態を推定することが可能となる。

　さらに、蓄電池の劣化推定装置に格納された蓄電池の劣化状態を推定する推定モデルを新たな推定モデルに更新できる構成にすることで、蓄電池の劣化推定装置を製品に搭載した後でも、より高い精度で蓄電池の劣化状態が推定できる推定モデルに更新することが可能となるため、より高い精度で蓄電池の劣化状態を推定することが可能となる。

　さらに、蓄電池の劣化推定装置で測定と推定された複数の測定データと複数の推定データとを外部へ送信できる構成にすることで、蓄電池の劣化推定装置を製品に搭載した後でも、蓄電池が使用された際の蓄電池の測定データ、及び蓄電池の劣化状態の推定データを収集することが可能となる。これにより、蓄電池の様々な使用状態を含む学習データを用いた、より高い精度の新たな推定モデルを学習して更新することが可能となるため、より高い精度で蓄電池の劣化状態を推定することが可能となる。

　以上、本開示の実施形態について説明してきたが、本開示の蓄電池の劣化推定装置、及び劣化推定方法は、上述の例示にのみ限定されるものではなく、本開示の要旨を逸脱しない範囲内において当業者が思いつく種々変更等を実施の形態に加えたものや、異なる実施の形態における構成要素を組み合わせて構築される形態に対しても有効である。

　例えば、本実施形態の蓄電池の劣化推定装置における、蓄電池状態推定装置の具体的な構成は本実施形態で示した構成に限定されるものではない。蓄電池状態推定装置の蓄電池測定部にて蓄電池の電圧変化量、及び電荷変化量、あるいは平滑電圧変化量、及び平滑電荷変化量を算出するために、本実施形態では、測定量取得部、電圧変化量算出部、電流変化量算出部、電荷量算出部、電荷変化量算出部、測定開始・停止制御部、電圧低域通過フィルタ部、及び電流低域通過フィルタ部で構成されたものを説明したが、上記に限定されるものではなく、蓄電池の電圧変化量、及び電荷変化量、あるいは平滑電圧変化量、及び平滑電荷変化量が算出できる構成であればその他の構成でもよい。

　また、蓄電池の電圧及び電流と、蓄電池の劣化状態とをフィルタ処理して平滑化する計算式を本実施形態で説明したが、上記に限定されるものではなく、平滑化が可能な別の計算式を採用してもよい。

　また、本実施形態では機械学習により学習された推定モデルとして、全結合型ニューラルネットワークを用いたものを説明したが、上記に限定されるものではなく、例えば、リカレント型ニューラルネットワーク、決定木型の機械学習の推定モデル、重回帰分析型の機械学習の推定モデルなど、蓄電池の劣化状態を推定することが可能な推定モデルを採用してもよい。

　また、上記実施形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。

　また、フローチャートにおける各ステップが実行される順序は、本開示を具体的に説明するために例示するためのものであり、上記以外の順序であってもよい。また、上記ステップの一部が他のステップと同時（並列）に実行されてもよいし、上記ステップの一部は実行されなくてもよい。

　また、ブロック図における機能ブロックの分割は一例であり、複数の機能ブロックを一つの機能ブロックとして実現したり、一つの機能ブロックを複数に分割したり、一部の機能を他の機能ブロックに移してもよい。また、類似する機能を有する複数の機能ブロックの機能を単一のハードウェア又はソフトウェアが並列又は時分割に処理してもよい。

　また、上記実施形態で説明した各構成要素は、ソフトウェアとして実現されても良いし、典型的には、集積回路であるＬＳＩとして実現されてもよい。これらは、個別に１チップ化されてもよいし、一部または全てを含むように１チップ化されてもよい。ここでは、ＬＳＩとしたが、集積度の違いにより、ＩＣ、ＶＬＳＩ、ＵＬＳＩ、システムＬＳＩと呼称されることもある。また、集積回路化の手法はＬＳＩに限るものではなく、専用回路または汎用プロセッサで実現してもよい。

　また、本開示の一態様は、図７、図１０、図１４及び図１６のいずれかに示される蓄電池の劣化推定方法に含まれる特徴的な各ステップをコンピュータに実行させるコンピュータプログラムであってもよい。

　また、例えば、プログラムは、コンピュータに実行させるためのプログラムであってもよい。また、本開示の一態様は、そのようなプログラムが記録された、コンピュータ読み取り可能な非一時的な記録媒体であってもよい。例えば、そのようなプログラムを記録媒体に記録して頒布又は流通させてもよい。例えば、頒布されたプログラムを、他のプロセッサを有する装置にインストールして、そのプログラムをそのプロセッサに実行させることで、その装置に、上記各処理を行わせることが可能となる。

　本開示に係る蓄電池の劣化推定装置、及び劣化推定方法は、蓄電池を使用している状態であっても劣化状態を推定することが可能で、且つより高い精度で劣化状態を推定することが可能であるため、例えば、電動自転車、電動バイク、電動自動車、電動飛行機、電動船舶、電動農機、ドローン、自動搬送装置、産業ロボット、蓄電システムなど、特に長時間・長期間連続して蓄電池を電源として動作し、且つ電欠状態や故障に陥ると事業遂行またはシステム運用に大きな影響を及ぼす機器に対して有用である。

１　蓄電池
１０　蓄電池管理装置
１１　ＡＤＣ部
１２　演算部
１３　通信Ｉ／Ｆ
２０ａ、２０ｂ　蓄電池測定部
２１　測定量取得部
２２　電圧変化量算出部
２３　電流変化量算出部
２４　電荷量算出部
２５　電荷変化量算出部
２６　測定開始・停止制御部
２７　電圧低域通過フィルタ部
２８　電流低域通過フィルタ部
３０ａ、３０ｂ　蓄電池状態推定部
３１　測定データ記憶部
３２ａ、３２ｂ　劣化状態計算部
３３　推定データ記憶部
３４　推定モデル記憶部
３５　推定モデル更新部
４１、４２、５１　通信Ｉ／Ｆ
５２　劣化状態表示部
５３　推定モデル送信部
５４　測定データ／推定データ受信部
１００ａ、１００ｂ、１００ｃ、１００ｄ　蓄電池状態推定装置
３２１　劣化状態推定部
３２２　劣化状態低域通過フィルタ部
３２１１　ニューラルネットワーク計算部
３２１２　特徴量計算部

Claims (14)

1. 　蓄電池の測定結果から前記蓄電池の劣化状態を推定する装置であって、
   　前記蓄電池を充放電させたときに測定された第１電圧値と、さらに測定された第２電圧値とから得られる前記蓄電池の電圧変化量を算出する第１計算部と、
   　前記蓄電池を充放電させたときに測定された第１電流値と、さらに測定された第２電流値とから得られる前記蓄電池の電荷変化量を算出する第２計算部と、
   　前記電圧変化量と、前記電荷変化量とを含む複数の測定データを格納する測定データ記憶部と、
   　１以上の前記電圧変化量と、１以上の前記電荷変化量とを入力とし、前記蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを格納する推定モデル記憶部と、
   　前記推定モデル記憶部に格納された推定モデルを用いて、前記測定データ記憶部に格納された１以上の前記電圧変化量と、１以上の前記電荷変化量とを入力とし、前記蓄電池の劣化状態を推定する推定部と、を備える
   　蓄電池の劣化推定装置。
2. 　蓄電池の測定結果から前記蓄電池の劣化状態を推定する装置であって、
   　前記蓄電池を充放電させたときに測定された第１電圧値と、さらに測定された第２電圧値とから得られる前記蓄電池の電圧変化量を算出する第１計算部と、
   　前記蓄電池を充放電させたときに測定された第１電流値と、さらに測定された第２電流値とから得られる前記蓄電池の電荷変化量を算出する第２計算部と、
   　前記電圧変化量と、前記電荷変化量とを含む複数の測定データを格納する測定データ記憶部と、
   　１以上の前記電圧変化量と、１以上の前記電荷変化量とを入力とし、前記蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを格納する推定モデル記憶部と、
   　前記推定モデル記憶部に格納された推定モデルを用いて、前記測定データ記憶部に格納された１以上の前記電圧変化量と、１以上の前記電荷変化量とを入力とし、前記蓄電池の劣化状態を推定する推定部と、
   　前記推定部から出力された前記蓄電池の劣化状態を入力とし、低域通過フィルタを用いて前記蓄電池の劣化状態を平滑化して出力する低域通過フィルタ部と、を備える
   　蓄電池の劣化推定装置。
3. 　蓄電池の測定結果から前記蓄電池の劣化状態を推定する装置であって、
   　前記蓄電池を充放電させたときに測定された電圧を入力とし、低域通過フィルタを用いて平滑化して平滑電圧を出力する第１低域通過フィルタ部と、
   　前記第１低域通過フィルタ部から出力される第１平滑電圧値と、さらに出力された第２平滑電圧値とから得られる前記蓄電池の平滑電圧変化量を算出する第１計算部と、
   　前記蓄電池を充放電させたときに測定された電流を入力とし、低域通過フィルタを用いて平滑化して平滑電流を出力する第２低域通過フィルタ部と、
   　前記第２低域通過フィルタ部から出力される第１平滑電流値と、さらに出力された第２平滑電流値とから得られる前記蓄電池の平滑電荷変化量を算出する第２計算部と、
   　前記平滑電圧変化量と、前記平滑電荷変化量とを含む複数の測定データを格納する測定データ記憶部と、
   　１以上の前記平滑電圧変化量と、１以上の前記平滑電荷変化量とを入力とし、前記蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを格納する推定モデル記憶部と、
   　前記推定モデル記憶部に格納された推定モデルを用いて、前記測定データ記憶部に格納された１以上の前記平滑電圧変化量と、１以上の前記平滑電荷変化量とを入力とし、前記蓄電池の劣化状態を推定する推定部と、を備える
   　蓄電池の劣化推定装置。
4. 　蓄電池の測定結果から前記蓄電池の劣化状態を推定する装置であって、
   　前記蓄電池を充放電させたときに測定された電圧を入力とし、低域通過フィルタを用いて平滑化して平滑電圧を出力する第１低域通過フィルタ部と、
   　前記第１低域通過フィルタ部から出力される第１平滑電圧値と、さらに出力された第２平滑電圧値とから得られる前記蓄電池の平滑電圧変化量を算出する第１計算部と、
   　前記蓄電池を充放電させたときに測定された電流を入力とし、低域通過フィルタを用いて平滑化して平滑電流を出力する第２低域通過フィルタ部と、
   　前記第２低域通過フィルタ部から出力される第１平滑電流値と、さらに出力された第２平滑電流値とから得られる前記蓄電池の平滑電荷変化量を算出する第２計算部と、
   　前記平滑電圧変化量と、前記平滑電荷変化量とを含む複数の測定データを格納する測定データ記憶部と、
   　１以上の前記平滑電圧変化量と、１以上の前記平滑電荷変化量とを入力とし、前記蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを格納する推定モデル記憶部と、
   　前記推定モデル記憶部に格納された推定モデルを用いて、前記測定データ記憶部に格納された１以上の前記平滑電圧変化量と、１以上の前記平滑電荷変化量とを入力とし、前記蓄電池の劣化状態を推定する推定部と、
   　前記推定部から出力された前記蓄電池の劣化状態を入力とし、低域通過フィルタを用いて前記蓄電池の劣化状態を平滑化して出力する第３低域通過フィルタ部と、を備える
   　蓄電池の劣化推定装置。
5. 　前記蓄電池の劣化状態は、前記蓄電池の容量維持率である
   　請求項１～４のいずれか１項に記載の蓄電池の劣化推定装置。
6. 　前記蓄電池の劣化状態は、前記蓄電池の満充電容量値である
   　請求項１～４のいずれか１項に記載の蓄電池の劣化推定装置。
7. 　外部より新たな前記推定モデルを受信する受信通信部と、
   　前記推定モデル記憶部に格納された推定モデルを、前記受信通信部より受信した新たな前記推定モデルに更新する更新部と、をさらに備える
   　請求項１～４のいずれか１項に記載の蓄電池の劣化推定装置。
8. 　前記推定部で推定された前記蓄電池の劣化状態を格納する推定データ記憶部と、
   　前記測定データ記憶部に格納された前記複数の測定データ、及び前記推定データ記憶部に格納された前記蓄電池の劣化状態を外部へ送信する送信通信部と、をさらに備える
   　請求項１～４のいずれか１項に記載の蓄電池の劣化推定装置。
9. 　蓄電池の測定結果から前記蓄電池の劣化状態を推定する方法であって、
   　前記蓄電池を充放電させたときに測定された第１電圧値と、さらに測定された第２電圧値とから得られる前記蓄電池の電圧変化量を算出する計算ステップと、
   　前記蓄電池を充放電させたときに測定された第１電流値と、さらに測定された第２電流値とから得られる前記蓄電池の電荷変化量を算出する計算ステップと、
   　１以上の前記電圧変化量と、１以上の前記電荷変化量とを入力とし、前記蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを用いて、１以上の前記電圧変化量と、１以上の前記電荷変化量とを入力とし、前記蓄電池の劣化状態を推定する推定ステップと、を含む
   　蓄電池の劣化推定方法。
10. 　蓄電池の測定結果から前記蓄電池の劣化状態を推定する方法であって、
    　前記蓄電池を充放電させたときに測定された第１電圧値と、さらに測定された第２電圧値とから得られる前記蓄電池の電圧変化量を算出する計算ステップと、
    　前記蓄電池を充放電させたときに測定された第１電流値と、さらに測定された第２電流値とから得られる電荷変化量を算出する計算ステップと、
    　１以上の前記電圧変化量と、１以上の前記電荷変化量とを入力とし、前記蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを用いて、１以上の前記電圧変化量と、１以上の前記電荷変化量とを入力とし、前記蓄電池の劣化状態を推定する推定ステップと、
    　前記蓄電池の劣化状態を入力とし、低域通過フィルタを用いて平滑化された前記蓄電池の劣化状態を算出する計算ステップと、を含む
    　蓄電池の劣化推定方法。
11. 　蓄電池の測定結果から前記蓄電池の劣化状態を推定する方法であって、
    　前記蓄電池を充放電させたときに測定された電圧を入力とし、低域通過フィルタを用いて平滑化して得られる第１平滑電圧値と、さらに得られる第２平滑電圧値とを算出する計算ステップと、
    　前記第１平滑電圧値と、前記第２平滑電圧値とから得られる前記蓄電池の平滑電圧変化量を算出する計算ステップと、
    　前記蓄電池を充放電させたときに測定された電流を入力とし、低域通過フィルタを用いて平滑化して得られる第１平滑電流値と、さらに得られる第２平滑電流値とを算出する計算ステップと、
    　前記第１平滑電流値と、前記第２平滑電流値とから得られる平滑電荷変化量を算出する計算ステップと、
    　１以上の前記平滑電圧変化量と、１以上の前記平滑電荷変化量とを入力とし、前記蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを用いて、１以上の前記平滑電圧変化量と、１以上の前記平滑電荷変化量とを入力とし、前記蓄電池の劣化状態を推定する推定ステップと、を含む
    　蓄電池の劣化推定方法。
12. 　蓄電池の測定結果から前記蓄電池の劣化状態を推定する方法であって、
    　前記蓄電池を充放電させたときに測定された電圧を入力とし、低域通過フィルタを用いて平滑化して得られる第１平滑電圧値と、さらに得られる第２平滑電圧値とを算出する計算ステップと、
    　前記第１平滑電圧値と、前記第２平滑電圧値とから得られる前記蓄電池の平滑電圧変化量を算出する計算ステップと、
    　前記蓄電池を充放電させたときに測定された電流を入力とし、低域通過フィルタを用いて平滑化して得られる第１平滑電流値と、さらに得られる第２平滑電流値とを算出する計算ステップと、
    　前記第１平滑電流値と、前記第２平滑電流値とから得られる前記蓄電池の平滑電荷変化量を算出する計算ステップと、
    　１以上の前記平滑電圧変化量と、１以上の前記平滑電荷変化量とを入力とし、前記蓄電池の劣化状態を出力とする、機械学習により学習された推定モデルを用いて、１以上の前記平滑電圧変化量と、１以上の前記平滑電荷変化量とを入力とし、前記蓄電池の劣化状態を推定する推定ステップと、
    　前記蓄電池の劣化状態を入力とし、低域通過フィルタを用いて平滑化された前記蓄電池の劣化状態を算出する計算ステップと、を含む
    　蓄電池の劣化推定方法。
13. 　前記蓄電池の劣化状態は、前記蓄電池の容量維持率である
    　請求項９～１２のいずれか１項に記載の蓄電池の劣化推定方法。
14. 　前記蓄電池の劣化状態は、前記蓄電池の満充電容量値である
    　請求項９～１２のいずれか１項に記載の蓄電池の劣化推定方法。

Images