[go: up one dir, main page]

WO2019181728A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2019181728A1
WO2019181728A1 PCT/JP2019/010543 JP2019010543W WO2019181728A1 WO 2019181728 A1 WO2019181728 A1 WO 2019181728A1 JP 2019010543 W JP2019010543 W JP 2019010543W WO 2019181728 A1 WO2019181728 A1 WO 2019181728A1
Authority
WO
WIPO (PCT)
Prior art keywords
time point
soh
soc
storage element
representative value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2019/010543
Other languages
English (en)
French (fr)
Inventor
南 鵜久森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GS Yuasa International Ltd
Original Assignee
GS Yuasa International Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GS Yuasa International Ltd filed Critical GS Yuasa International Ltd
Priority to AU2019238652A priority Critical patent/AU2019238652A1/en
Priority to EP19770833.2A priority patent/EP3770619B1/en
Priority to US16/981,855 priority patent/US20210033675A1/en
Priority to CN201980018299.4A priority patent/CN111868539A/zh
Publication of WO2019181728A1 publication Critical patent/WO2019181728A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • 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
    • 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
    • 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
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/052—Li-accumulators
    • H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
    • 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
    • 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
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • 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
    • 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
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • H02J7/0049—Detection of fully charged condition
    • 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]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
    • 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 computer program, and a deterioration estimation method.
  • Energy storage devices are widely used in uninterruptible power supply devices, DC or AC power supply devices included in stabilized power supplies, and the like.
  • the use of power storage elements in large-scale systems that store renewable energy or power generated by existing power generation systems is expanding.
  • the storage module has a configuration in which storage cells are connected in series. It is known that a power storage cell is deteriorated by repeating charge and discharge.
  • Patent Document 1 discloses a secondary battery SOC (charged state) by inputting a battery voltage detected by a temperature sensor to a neural network unit that has been learned from the necessity of capacity management and safety management for a secondary battery for a vehicle. A technique for detecting the above is disclosed.
  • a method such as a current integration method is used to calculate the SOC. It is possible to calculate the SOC with current data in a relatively short time. For this reason, it is easy to collect learning data for learning the neural network unit. However, since the change in SOH (State Of Health) of the power storage element takes more time than the change in SOC, estimation of SOH is not easy.
  • SOH State Of Health
  • An object of the present invention is to provide a degradation estimation device, a computer program, and a degradation estimation method for estimating degradation of a storage element using AI.
  • a degradation estimation device that estimates degradation of a power storage element includes a SOH acquisition unit that acquires SOH at a first time point of the power storage element and SOH at a second time point after the first time point, and a second from the first time point.
  • a representative value acquisition unit that acquires a representative value of the SOC of the power storage element until the time point, the SOH and the representative value at the first time point as input data, and the SOH at the second time point as output data
  • a learning processing unit that learns the learning model based on the learning data.
  • a computer program for causing a computer to estimate the deterioration of a power storage element includes: a process of acquiring SOH at a first time point of the power storage element and SOH at a second time point after the first time point; A process for obtaining a representative value of the SOC of the electricity storage element from the first time point to the second time point, SOH at the first time point and the representative value as input data, and SOH at the second time point as output data And a process of learning a learning model based on the learning data.
  • a degradation estimation method for estimating degradation of a power storage element obtains SOH at a first time point of a power storage element and SOH at a second time point after the first time point, and between the first time point and a second time point.
  • the representative value of the SOC of the storage element is acquired, and the learning model is learned based on the learning data using the SOH at the first time point and the representative value as input data and the SOH at the second time point as output data.
  • the SOH acquisition unit acquires SOH at the first time point of the power storage element and SOH at the second time point after the first time point.
  • the power storage element may be, for example, a power storage element operating in a moving body or facility.
  • Sensor information (for example, current, voltage, and temperature) can be collected from the storage element by a monitoring device or the like.
  • SOH can be estimated by a known method based on sensor information. Alternatively, SOH may be estimated using the technique described in Japanese Patent Application No. 2017-066552 (the entire contents of which are incorporated herein by reference).
  • the period between the first time point and the second time point can be set as appropriate, and may be, for example, one month or three months. When the sensor information has periodicity, the period between the first time point and the second time point may be divided by the period of the sensor information. At that time, the interpolated values at the first time point and the second time point may be used as the SOH.
  • the representative value acquisition unit acquires the representative value of the SOC of the storage element from the first time point to the second time point.
  • a solid electrolyte interface layer SEI layer
  • SEI layer solid electrolyte interface layer
  • the representative value of the SOC can be said to be information that abstracts the detailed behavior of the power storage element in operation.
  • the learning processing unit learns the learning model based on the learning data having the SOH and the representative value at the first time as input data and the SOH at the second time as output data.
  • SOH at the first time point is represented by SOH (N)
  • SOH at the second time point is represented by SOH (N + 1).
  • the SOH at the first time point is SOH (N)
  • the SOH at the second time point becomes SOH (N + 1) according to the representative value of the SOC of the storage element from the first time point to the second time point. Learn to be.
  • Such learning data includes the SOH at the first time point, the SOH at the second time point, and the representative value of the SOC between the first time point and the second time point.
  • the representative value of the SOC can be said to be a statistic obtained by abstracting or processing information for learning the learning model. Thereby, the learning model can be learned with a relatively small amount of information, and a large amount of data of the storage element is not required.
  • the SOH at a certain time for example, the present
  • the representative value of the SOC from the time to the prediction target time are input to the learned learning model
  • the SOH at the prediction target time can be estimated. Thereby, deterioration of an electrical storage element can be estimated using AI.
  • a degradation estimation device that estimates degradation of a storage element includes a SOH acquisition unit that acquires SOH at a first time point of a storage element, and a representative value of SOC of the storage element between the first time point and a second time point.
  • a computer program for causing a computer to estimate deterioration of a power storage element includes: processing for acquiring SOH at a first time point of the power storage element; and processing for acquiring the power storage element between the first time point and the second time point.
  • a degradation estimation method for estimating degradation of a power storage element acquires SOH at a first time point of the power storage element, acquires a representative value of SOC of the power storage element from the first time point to a second time point, and The SOH at the first time point and the representative value are input to the learned learning model to estimate the SOH at the second time point.
  • the SOH acquisition unit acquires the SOH at the first time point of the power storage element.
  • Sensor information for example, current, voltage, and temperature
  • SOH can be collected from the storage element by a monitoring device or the like.
  • SOH can be estimated by a known method based on sensor information.
  • SOH may be estimated using the technique described in Japanese Patent Application No. 2017-066552 (the entire contents of which are incorporated herein by reference).
  • a value estimated by a learned learning model based on the SOH at the time point before the first time point can be used. Thereby, it becomes possible to estimate SOH continuously in an arbitrary period.
  • the representative value acquisition unit acquires the representative value of the SOC of the storage element from the first time point to the second time point.
  • the second time point is a prediction target time point for estimating SOH.
  • the representative value of the SOC of the power storage element can be obtained by abstracting the detailed behavior of the power storage element in operation from the first time point to the second time point.
  • the learned learning model estimates the SOH at the second time point using the SOH and SOC representative values at the first time point as input data.
  • the SOH at the first time point for example, the current time
  • the representative value of the SOC of the storage element from the first time point to the second time point the prediction target time point
  • the SOH at the second time point is estimated. Can do.
  • how to set the representative value of the SOC of the power storage element from the first time point to the second time point determines whether the SOH at the second time point can be made larger (suppressing the decrease in SOH). You can also
  • the deterioration estimation device includes an SOC estimation unit that estimates a transition of the SOC of the power storage element from the first time point to a second time point, and the representative value acquisition unit is configured to perform the first value based on the SOC transition. At least one of the total SOC fluctuation amount and the SOC fluctuation range from the time point to the second time point may be acquired.
  • the SOC estimation unit estimates the transition of the SOC of the storage element from the first time point to the second time point. For example, when the time-series data amount of SOC of the electricity storage element from the first time point to the second time point is not sufficient and there is a time or time zone in which the SOC value is unknown, the obtained SOC Based on the data, the SOC transition pattern can be estimated by interpolating the SOC value where the data existed. Thereby, a large amount of sensor information is not required.
  • the representative value acquisition unit acquires the average of the SOC from the first time point to the second time point based on the transition of the SOC.
  • the average of the SOC is a value obtained by dividing the value obtained by sampling and summing the SOC values from the first time point to the second time point by the sampling number, and is the central SOC.
  • the degree of decrease in SOH varies depending on the average of the SOC. Therefore, by learning the average SOC from the first time point to the second time point in the learning model, a learned learning model that can accurately estimate the SOH can be generated.
  • the representative value acquisition unit acquires the total variation amount of the SOC from the first time point to the second time point based on the transition of the SOC.
  • the total variation amount of the SOC is an integration of the variation amount along the path of how the SOC has changed from the first time point to the second time point.
  • the representative value acquisition unit acquires the fluctuation range of the SOC from the first time point to the second time point based on the transition of the SOC.
  • the fluctuation range of the SOC is a difference between the maximum value and the minimum value of the SOC from the first time point to the second time point.
  • the degree of decrease in SOH varies depending on the variation range of the SOC. Therefore, a learned learning model capable of estimating SOH with high accuracy can be generated by causing the learning model to learn the fluctuation range of the SOC from the first time point to the second time point.
  • the deterioration estimation device includes an SOC estimation unit that estimates a transition of the SOC of the power storage element between the first time point and a second time point, and the representative value acquisition unit acquires the SOC transition as the representative value. May be.
  • the SOC estimation unit estimates the transition of the SOC of the storage element from the first time point to the second time point. For example, when the time-series data amount of SOC of the electricity storage element from the first time point to the second time point is not sufficient and there is a time or time zone in which the SOC value is unknown, the obtained SOC Based on the data, the SOC transition pattern can be estimated by interpolating the SOC value where the data existed. Thereby, a large amount of sensor information is not required.
  • the representative value acquisition unit acquires the transition of the SOC as a representative value.
  • the degree of decrease in SOH varies depending on the SOC transition pattern from the first time point to the second time point. Therefore, a learned learning model that can accurately estimate SOH can be generated by causing the learning model to learn the SOC transition pattern from the first time point to the second time point.
  • the deterioration estimation device includes a temperature acquisition unit that acquires a change in temperature of the power storage element from the first time point to the second time point, and the learning processing unit learns using the temperature change as further input data.
  • the learning model may be learned based on the data.
  • the temperature acquisition unit acquires the transition of the temperature of the storage element from the first time point to the second time point.
  • the acquired temperature transition may be an actual measurement value or an estimated value. For example, when the time-series data amount of the temperature of the storage element from the first time point to the second time point is not sufficient and there is a time or time zone in which the temperature value is unknown, the obtained temperature Based on this data, the temperature transition pattern can be estimated by interpolating the temperature at the location where the data existed. Thereby, a large amount of sensor information is not required.
  • the learning processing unit learns a learning model based on learning data using temperature transition as input data.
  • the degree of decrease in SOH varies depending on the temperature transition pattern from the first time point to the second time point. Therefore, a learned learning model that can estimate SOH with high accuracy can be generated by causing the learning model to learn the pattern of temperature transition from the first time point to the second time point.
  • the temperature acquisition unit acquires a representative value of the temperature of the power storage element from the first time point to the second time point, and the learning processing unit obtains the representative value of the temperature as further input data.
  • the learning model may be learned based on the learning data.
  • the representative value of temperature is a statistic obtained by abstracting or processing information for learning a learning model.
  • the learning processing unit learns a learning model based on learning data that uses a representative value of temperature as input data.
  • the degree of decrease in SOH differs depending on the representative value of the temperature from the first time point to the second time point. Therefore, by learning the representative value of the temperature from the first time point to the second time point in the learning model, a learned learning model that can estimate the SOH with high accuracy can be generated.
  • the learning processing unit may learn a learning model based on learning data in which an elapsed period from the time of manufacturing the power storage element to the first time is further input data.
  • the learning processing unit learns a learning model based on learning data whose input data is an elapsed period from the time of manufacture of the electricity storage device to the first time.
  • the SOH decreases with the standing time (calendar deterioration).
  • the decrease in SOH after the first time point is considered to depend on the length of the elapsed time from the production time point (for example, the production completion time point) to the first time point. Therefore, by further generating learning data using the elapsed period from the time of manufacturing the storage element to the first time as input data, a learned learning model that can estimate SOH with high accuracy can be generated.
  • the learning processing unit may learn a learning model based on learning data in which the number of times of charging / discharging from the time when the power storage element is manufactured to the first time is further input data.
  • the learning processing unit is based on learning data using, as input data, the total amount of energized electricity from the time of manufacture of the power storage element to the first time (for example, the number of times of charging / discharging may be specified if the number of times of charging / discharging can be specified).
  • the SOH decreases with the number of charge / discharge cycles (cycle deterioration). It is considered that the decrease in SOH after the first time point depends on the number of charge / discharge cycles from the production time point (for example, the production completion time point) to the first time point.
  • the number of times of charging / discharging can be specified, by further generating learning data using as input data the number of times of charging / discharging from the time of manufacture of the electricity storage device to the first time point, a learned SOH that can be estimated accurately.
  • a learning model can be generated.
  • the total energized electricity amount may be used instead of the number of times of charging / discharging.
  • the learning processing unit may learn a learning model based on learning data by providing a plurality of learning periods from the first time point to the second time point over a use period of the power storage element.
  • the learning processing unit provides a plurality of learning periods from the first time point to the second time point over the use period of the storage element, and learns the learning model based on the learning data. Assuming that the learning period from the first time point to the second time point is ⁇ N, for example, the learning model is learned using the learning data for each of the plurality of learning periods ⁇ N over the use period from the time of manufacture of the storage element to the lifetime. By doing so, it becomes possible to estimate the SOH at a required point in time until the end of the life after manufacturing the power storage element.
  • the deterioration estimation device estimates the deterioration of the storage element using the learned learning model learned by the learning processing unit.
  • the SOH at the first time point for example, the current time
  • the representative value of the SOC of the storage element from the first time point to the second time point the prediction target time point
  • the SOH at the second time point is estimated. Can do.
  • how to set the representative value of the SOC of the power storage element from the first time point to the second time point determines whether the SOH at the second time point can be made larger (suppressing the decrease in SOH). You can also
  • a degradation estimation device that estimates degradation of a storage element inputs a representative value of SOC to a degradation simulator that estimates SOH of the storage element based on a change in SOC of the storage element, and obtains SOH output by the degradation simulator Learning an output value acquisition unit, an input value acquisition unit for acquiring a representative value of the SOC input to the deterioration simulator, an SOC representative value acquired by the input value acquisition unit, and an SOH acquired by the output value acquisition unit Acquired by a learning processing unit that learns a learning model using as data, a representative value acquisition unit that acquires a representative value of SOC of a storage element, an SOH acquisition unit that acquires SOH of the storage element, and the representative value acquisition unit
  • the learning model learned by the learning processing unit is re-learned using the representative value of the SOC and the SOH acquired by the SOH acquisition unit as learning data. And a learning processing unit.
  • a computer program for causing a computer to estimate deterioration of a power storage element is configured such that a representative value of SOC is input to a deterioration simulator that estimates SOH of the power storage element based on a change in SOC of the power storage element.
  • a process for acquiring SOH output from the deterioration simulator, a process for acquiring a representative value of SOC input to the deterioration simulator, and a process for learning a learning model using the acquired representative value of SOC and the acquired SOH as learning data And a process for acquiring a representative value of the SOC of the storage element, a process for acquiring the SOH of the storage element, and the learned model using the acquired representative value of the SOC and the acquired SOH as learning data. And re-learning processing.
  • a degradation estimation method for estimating degradation of a storage element inputs a representative value of SOC to a degradation simulator that estimates SOH of the storage element based on SOC variation of the storage element, and obtains SOH output by the degradation simulator
  • the representative value of the SOC input to the deterioration simulator is acquired, the learning model is learned using the acquired representative value of the SOC and the acquired SOH as learning data, and the representative value of the SOC of the storage element is acquired.
  • the SOH of the electricity storage element is acquired, and the learned learning model is re-learned using the acquired representative value of the SOC and the acquired SOH as learning data.
  • the output value acquisition unit inputs the representative value of the SOC to the deterioration simulator that estimates the SOH of the electric storage element based on the fluctuation of the SOC of the electric storage element, and acquires the SOH output by the deterioration simulator.
  • the deterioration simulator can estimate the deterioration value of the SOH of the power storage element based on the transition of the SOC based on the representative value of the SOC and the temperature of the power storage element.
  • Qcnd is a non-energized deterioration value
  • Qcur is an energized deterioration value.
  • the coefficient K1 is a function of the SOC and the temperature T.
  • the coefficient K1 is a deterioration coefficient, and the correspondence relationship between the SOC and the temperature T and the coefficient K1 may be obtained by calculation or stored in a table format.
  • the SOC can be a representative value such as the center SOC, the SOC fluctuation range, and the like.
  • the coefficient K2 is the same as the coefficient K1.
  • the input value acquisition unit acquires the representative value of the SOC input to the deterioration simulator.
  • the learning processing unit learns the learning model using the SOC representative value acquired by the input value acquisition unit and the SOH acquired by the output value acquisition unit as learning data.
  • the deterioration simulator outputs a highly accurate deterioration value (that is, SOH) with respect to the input representative value of the SOC. Since the representative values of various SOCs can be generated relatively easily for simulation, learning data for the learning model can be easily generated, and the estimation accuracy (correct answer rate) of the learning model can be easily increased. .
  • the representative value acquisition unit acquires the representative value of the SOC of the storage element.
  • the representative value of the SOC can be referred to as information obtained by abstracting the detailed behavior of the power storage element in operation, and can be obtained from the transition of the SOC obtained from the sensor information. For example, the average value of the SOC and the total variation of the SOC Amount, variation range of SOC, etc.
  • the representative value of the SOC can be obtained based on the actually measured value of the transition of the SOC, but a calculated value may be used in addition to the actually measured value.
  • the SOH acquisition unit acquires the SOH of the power storage element.
  • Sensor information eg, current, voltage, and temperature
  • SOH can be collected from the storage element.
  • SOH can be estimated by a known method based on sensor information. Alternatively, SOH may be estimated using the technique described in Japanese Patent Application No. 2017-066552 (the entire contents of which are incorporated herein by reference).
  • the re-learning processing unit re-learns the learning model learned by the learning processing unit using the SOC representative value acquired by the representative value acquiring unit and the SOH acquired by the SOH acquiring unit as learning data.
  • the SOC representative value or SOH obtained by collecting sensor information has a complicated transition pattern, and when these data are used as learning data to learn an unlearned learning model, the learning model is estimated. There is a tendency to require a large amount of learning data in order to improve the accuracy (correct answer rate).
  • a deterioration simulator in advance, learning data can be obtained relatively easily and the estimation accuracy of an unlearned learning model can be increased. However, the accuracy of the learning model can be further increased, and the accuracy of estimating the deterioration of the storage element can be increased.
  • the SOH acquisition unit acquires SOH at a first time point of the power storage element and SOH at a second time point after the first time point, and the representative value acquisition unit starts from the first time point.
  • the representative value of the SOC of the electricity storage element until the second time point is acquired.
  • the SOH acquisition unit acquires SOH at the first time point of the power storage element and SOH at the second time point after the first time point.
  • the power storage element may be, for example, a power storage element operating in a moving body or facility.
  • Sensor information (for example, current, voltage, and temperature) can be collected from the storage element by a monitoring device or the like.
  • SOH can be estimated by a known method based on sensor information. Alternatively, SOH may be estimated using the technique described in Japanese Patent Application No. 2017-066552 (the entire contents of which are incorporated herein by reference).
  • the period between the first time point and the second time point can be set as appropriate, and may be, for example, one month or three months. When the sensor information has periodicity, the period between the first time point and the second time point may be divided by the period of the sensor information. At that time, the interpolated values at the first time point and the second time point may be used as the SOH.
  • the representative value acquisition unit acquires the representative value of the SOC of the power storage element from the first time point to the second time point.
  • a solid electrolyte interface layer SEI layer
  • SEI layer solid electrolyte interface layer
  • the representative value of the SOC can be said to be information that abstracts the detailed behavior of the power storage element in operation, and includes, for example, the average of the SOC, the total variation of the SOC, and the fluctuation range of the SOC.
  • the re-learning processing unit re-learns the learning model learned by the learning processing unit based on the learning data using the SOH and the representative value at the first time as input data and the SOH at the second time as output data.
  • SOH at the first time point is represented by SOH (N)
  • SOH at the second time point is represented by SOH (N + 1).
  • the SOH at the first time point is SOH (N)
  • the SOH at the second time point becomes SOH (N + 1) according to the representative value of the SOC of the storage element from the first time point to the second time point.
  • Such learning data includes the SOH at the first time point, the SOH at the second time point, and the representative value of the SOC between the first time point and the second time point.
  • the representative value of the SOC can be said to be a statistic obtained by abstracting or processing information for re-learning a learned learning model.
  • the learned learning model can be relearned with a relatively small amount of information, and a large amount of data of the storage element is not required.
  • the SOH at a certain time for example, the current time
  • the representative value of the SOC from that time to the prediction target time are input to the learned or relearned learning model
  • the SOH at the prediction target time can be estimated. .
  • deterioration of an electrical storage element can be estimated using AI.
  • a degradation estimation device that estimates degradation of a storage element includes a representative SOC value input to a degradation simulator that estimates SOH of the storage element based on a change in SOC of the storage element, and a representative value of the SOC to the degradation simulator.
  • a learning model that learns, as learning data, SOH output from the deterioration simulator when input, the learning model further re-learns the representative value of the SOC of the storage element and the SOH of the storage element as learning data.
  • a SOH acquisition unit that acquires SOH at the first time point of the power storage element; and a representative value acquisition unit that acquires a representative value of the SOC of the power storage element between the first time point and the second time point. The SOH at the first time point and the representative value acquired by the representative value acquisition unit are input to the learning model to estimate the SOH at the second time point.
  • a computer program for causing a computer to estimate deterioration of a storage element is claim 18.
  • a degradation estimation method for estimating degradation of a power storage element acquires SOH at a first time point of the power storage element, acquires a representative value of SOC of the power storage element from the first time point to a second time point, and The SOH and the representative value at the first time point are input to the deterioration simulator that estimates the SOH of the power storage element based on the SOC fluctuation of the power storage element, and the representative value of the SOC and the representative value of the SOC are input to the deterioration simulator.
  • the SOH output from the deterioration simulator is learned as learning data
  • the representative value of the SOC of the storage element and the SOH of the storage element are input to the learning model as relearning data and input to the second learning model. Estimate the SOH at the time.
  • the learning model includes an SOC representative value input to the deterioration simulator that estimates the SOH of the electric storage element based on the SOC variation of the electric storage element, and an SOH output by the deterioration simulator when the representative value of the SOC is input to the deterioration simulator. Is learned as learning data.
  • the representative value of the SOC of the power storage element and the SOH of the power storage element are relearned as learning data.
  • the SOH acquisition unit acquires the SOH at the first time point of the power storage element.
  • the representative value acquisition unit acquires the representative value of the SOC of the power storage element from the first time point to the second time point.
  • the SOH at the first time point and the representative value acquired by the representative value acquisition unit are input to the learning model to estimate the SOH at the second time point.
  • the SOH at a certain time for example, the current time
  • the representative value of the SOC from that time to the prediction target time are input to the learned or relearned learning model
  • the SOH at the prediction target time can be estimated. .
  • deterioration of an electrical storage element can be estimated using AI.
  • FIG. 1 is a diagram showing an outline of a remote monitoring system 100 according to the present embodiment.
  • a network N including a public communication network (for example, the Internet) N1 and a carrier network N2 that implements wireless communication based on a mobile communication standard includes a thermal power generation system F, a mega solar power generation system S, wind power A power generation system W, an uninterruptible power supply (UPS) U, and a rectifier (DC power supply apparatus or AC power supply apparatus) D disposed in a stabilized power supply system for railways are connected.
  • the network N is connected to a communication device 1, which will be described later, a server device 2 as a degradation estimation device that collects information from the communication device 1, and a client device 3 that acquires the collected information.
  • the deterioration estimation device may be a life simulator.
  • the base station BS is included in the carrier network N2, and the client device 3 can communicate with the server device 2 via the network N from the base station BS.
  • an access point AP is connected to the public communication network N1, and the client device 3 can transmit and receive information to and from the server device 2 via the network N from the access point AP.
  • the mega solar power generation system S, the thermal power generation system F, and the wind power generation system W are provided with a power conditioner (PCS) P and a power storage system 101.
  • the power storage system 101 is configured by arranging a plurality of containers C accommodating the power storage module group L in parallel.
  • the power storage module group L includes, for example, a power storage module (also referred to as a module) in which a plurality of power storage cells (also referred to as cells) are connected in series, a bank in which a plurality of power storage modules are connected in series, and a domain in which a plurality of banks are connected in parallel. It is configured with a hierarchical structure.
  • the storage element is preferably a rechargeable device such as a secondary battery such as a lead storage battery and a lithium ion battery, or a capacitor. A part of the power storage element may be a primary battery that cannot be recharged.
  • FIG. 2 is a block diagram showing an example of the configuration of the remote monitoring system 100.
  • the remote monitoring system 100 includes a communication device 1, a server device 2, a client device 3, and the like.
  • the communication device 1 is connected to the network N and is also connected to the target devices P, U, D, and M.
  • the target devices P, U, D, and M include a power conditioner P, an uninterruptible power supply device U, a rectifier D, and a management device M that will be described later.
  • the remote monitoring system 100 using the communication device 1 connected to each target device P, U, D, M, the state of the power storage module (power storage cell) in the power storage system 101 (for example, voltage, current, temperature, charge state ( The remote monitoring system 100 presents the detected state of the storage cell (including the deterioration state, the abnormal state, etc.) so that the user or the operator (maintenance staff) can check.
  • the state of the power storage module for example, voltage, current, temperature, charge state
  • the remote monitoring system 100 presents the detected state of the storage cell (including the deterioration state, the abnormal state, etc.) so that the user or the operator (maintenance staff) can check.
  • the communication device 1 includes a control unit 10, a storage unit 11, a first communication unit 12, and a second communication unit 13.
  • the control unit 10 includes a CPU (Central Processing Unit) and the like, and controls the entire communication device 1 using a built-in memory such as a ROM (Read Only Memory) and a RAM (Random Access Memory).
  • ROM Read Only Memory
  • RAM Random Access Memory
  • the storage unit 11 may be a non-volatile memory such as a flash memory, for example.
  • the storage unit 11 stores a device program 1P that is read and executed by the control unit 10.
  • the storage unit 11 stores information collected by processing of the control unit 10 and information such as an event log.
  • the first communication unit 12 is a communication interface that realizes communication with the target devices P, U, D, and M.
  • a serial communication interface such as RS-232C or RS-485 can be used.
  • the second communication unit 13 is an interface that realizes communication via the network N, and uses, for example, a communication interface such as Ethernet (registered trademark) or a wireless communication antenna.
  • the control unit 10 can communicate with the server device 2 via the second communication unit 13.
  • the client device 3 may be a computer used by an operator such as an administrator of the power storage system 101 of the power generation systems S and F and a maintenance staff of the target devices P, U, D, and M.
  • the client device 3 may be a desktop or laptop personal computer, or may be a smartphone or tablet communication terminal.
  • the client device 3 includes a control unit 30, a storage unit 31, a communication unit 32, a display unit 33, and an operation unit 34.
  • the control unit 30 is a processor using a CPU.
  • the control unit 30 causes the display unit 33 to display a web page provided by the server device 2 or the communication device 1 based on the web browser program stored in the storage unit 31.
  • the storage unit 31 uses a nonvolatile memory such as a hard disk or a flash memory.
  • the storage unit 31 stores various programs including a web browser program.
  • the communication unit 32 uses a communication device such as a network card for wired communication, a wireless communication device for mobile communication connected to the base station BS (see FIG. 1), or a wireless communication device corresponding to connection to the access point AP. be able to.
  • the control unit 30 can perform communication connection or information transmission / reception with the server device 2 or the communication device 1 via the network N by the communication unit 32.
  • the display unit 33 may be a display such as a liquid crystal display or an organic EL (Electro Luminescence) display.
  • the display unit 33 can display an image of a Web page provided by the server device 2 by processing based on the Web browser program of the control unit 30.
  • the operation unit 34 is a user interface such as a keyboard and a pointing device that can be input and output with the control unit 30 or a voice input unit.
  • the operation unit 34 may use a touch panel of the display unit 33 or a physical button provided on the housing.
  • the operation unit 34 notifies the control unit 20 of operation information by the user.
  • the configuration of the server device 2 will be described later.
  • FIG. 3 is a diagram illustrating an example of a connection form of the communication device 1.
  • the communication device 1 is connected to the management apparatus M. Further, the management apparatus M provided in each of the banks # 1 to #N is connected to the management apparatus M.
  • the communication device 1 may be a terminal device (measurement monitor) that communicates with the management device M provided in each of the banks # 1 to #N and receives information on the storage element, or is connected to a power supply related device.
  • a possible network card type communication device may be used.
  • Each bank # 1 to #N includes a plurality of power storage modules 60, and each power storage module 60 includes a control board (CMU: Cell Monitoring Unit) 70.
  • the management device M provided for each bank can communicate with the control board 70 with a communication function built in each power storage module 60 by serial communication, and the management device M connected to the communication device 1. Can send and receive information to and from.
  • the management apparatus M connected to the communication device 1 aggregates information from the management apparatuses M in the banks belonging to the domain and outputs the information to the communication device 1.
  • FIG. 4 is a block diagram showing an example of the configuration of the server device 2.
  • the server device 2 includes a control unit 20, a communication unit 21, a storage unit 22, and a processing unit 23.
  • the processing unit 23 includes an SOC estimation unit 24, an SOC representative value acquisition unit 25, a learning data generation unit 26, a learning model 27, a learning processing unit 28, and an input data generation unit 29.
  • the server device 2 may be a single server computer, but is not limited to this, and may be composed of a plurality of server computers.
  • the server device 2 may be a simulator.
  • the control unit 20 can be constituted by a CPU, for example, and controls the entire server device 2 using a built-in memory such as a ROM and a RAM.
  • the control unit 20 executes information processing based on the server program 2P stored in the storage unit 22.
  • the server program 2P includes a Web server program, and the control unit 20 functions as a Web server that executes provision of a Web page to the client device 3, acceptance of login to the Web service, and the like.
  • the control unit 20 can also collect information from the communication device 1 as an SNMP (Simple Network Management Protocol) server based on the server program 2P.
  • SNMP Simple Network Management Protocol
  • the communication unit 21 is a communication device that realizes communication connection and data transmission / reception via the network N.
  • the communication unit 21 is a network card corresponding to the network N.
  • the storage unit 22 may be a non-volatile memory such as a hard disk or a flash memory.
  • sensor information for example, voltage data, current data, temperature data of the storage element
  • states of the target devices P, U, D, and M to be monitored collected by the processing of the control unit 20 is stored.
  • the processing unit 23 stores the sensor information (time-series voltage data, time-series current data, time-series temperature data) of the storage elements (storage modules, storage cells) collected in the database of the storage unit 22 for each storage element. It can be obtained by dividing into
  • the processing unit 23 operates in a learning mode in which the learning model 27 is learned and an estimation mode in which an SOH (State Of Health) of the storage element is estimated (deterioration is estimated) using the learned learning model 27.
  • SOH is an index that compares the current full charge capacity with reference to the full charge capacity when a new product is at a predetermined temperature. For example, 80% SOH means that only 80% of new products have capacity. Moreover, it is good also considering the electric energy which can be charged / discharged instead of a capacity
  • FIG. 5 is a schematic diagram showing an example of the configuration of the learning model 27.
  • the learning model 27 is a neural network model including deep learning, and includes an input layer, an output layer, and a plurality of intermediate layers.
  • two intermediate layers are illustrated for convenience, but the number of intermediate layers is not limited to two and may be three or more.
  • One or a plurality of nodes exist in the input layer, the output layer, and the intermediate layer, and the nodes in each layer are coupled with nodes existing in the preceding and following layers in one direction with a desired weight.
  • a vector having the same number of components as the number of nodes in the input layer is given as input data (learning input data and SOH estimation input data) of the learning model 27.
  • the input data includes power storage element information, time information, SOC average, total SOC variation, SOC variation, temperature average, SOH information, and the like.
  • the output data includes SOH information. Details of these information will be described later. In particular, information related to SOC and temperature information are related to each other, and local fluctuations in information related to SOC and temperature information are related to changes in SOH. It is desirable to use a convolutional neural network added to the above.
  • the output of the intermediate layer is calculated using the weight and activation function, and the calculated value is transferred to the next intermediate layer. In the same manner, the output is successively transmitted to subsequent layers (lower layers) until the output of the output layer is obtained. Note that all of the weights for joining the nodes are calculated by a learning algorithm.
  • the output layer of the learning model 27 generates SOH information as output data.
  • the output data may be vector data having a component having the same size as the number of nodes in the output layer (size of the output layer). For example, when the SOH of the storage element is output every 1% from 0% to 100%, the number of nodes in the output layer can be set to 101. As practical SOH information, for example, when SOH is estimated every 1% between 60% and 100%, the number of nodes in the output layer may be 41. Alternatively, the SOH value may be divided every several percent, and output data may be output every several percent. The output value from the output layer can be interpreted as the probability of being classified into each category of SOH.
  • the learning model 27 and the learning processing unit 28 include, for example, a CPU (for example, a multiprocessor equipped with a plurality of processor cores), a GPU (Graphics Processing Units), a DSP (Digital Signal Processors), an FPGA (Field-Programmable Gate Arrays). ) And the like can be combined. A quantum processor can also be combined.
  • the learning model 27 is not limited to the neural network model, and may be another machine learning model.
  • FIG. 6 is a schematic diagram showing an example of a decrease in SOH according to the usage time of the power storage element.
  • the vertical axis represents SOH (%)
  • the horizontal axis represents time.
  • the SOH decreases with the use time (including the leaving time).
  • time points ta, tb, tc, and td are set, and the time points between time point tb and time point ta are the same as the time points between time point td and time point tc.
  • the SOH decrease ⁇ SOH (tb) from the time point ta to the time point tb is different from the SOH decrease ⁇ SOH (td) from the time point tc to the time point td.
  • the degree of decrease in SOH varies depending on the usage state of the power storage element. Therefore, in order to identify various usage states of the storage element, grasping the usage state of the storage element between two different time points is an important factor for estimating the SOH of the storage element.
  • FIG. 7 is a schematic diagram showing an example of the relationship between temperature and SOH reduction in a standing test at a constant SOC.
  • the vertical axis represents SOH
  • the horizontal axis represents time.
  • the degree of decrease in SOH is larger as the temperature of the power storage element is higher. That is, there is a correlation between a decrease (decrease) in SOH and a temperature (average temperature), and temperature (average temperature) is important information when estimating (predicting) SOH.
  • FIG. 8 is a schematic diagram showing an example of the relationship between the average SOC and SOH reduction in a standing test at a constant temperature.
  • the vertical axis represents SOH
  • the horizontal axis represents time.
  • the average of the SOC is a value obtained by dividing a value obtained by sampling and summing the SOC values within a certain period by the sampling number, and is a central SOC.
  • FIG. 8 it can be seen that the degree of decrease in SOH is different when the average SOC is different. That is, there is a correlation between the decrease (decrease) in SOH and the average SOC, and the average SOC is an important representative value when estimating (predicting) SOH.
  • FIG. 9 is a schematic diagram showing an example of the relationship between the SOC fluctuation range and the SOH decrease in the cycle test at a constant temperature and a constant SOC average.
  • the vertical axis represents SOH
  • the horizontal axis represents time.
  • the fluctuation range of the SOC is a difference between the maximum value and the minimum value of the SOC in the period when the SOC fluctuates within a certain period.
  • the greater the variation range of the SOC the greater the degree of decrease in SOH. That is, there is a correlation between the decrease (decrease) in SOH and the fluctuation range of the SOC, and the fluctuation width of the SOC becomes an important representative value when estimating (predicting) the SOH.
  • FIG. 10 is a schematic diagram showing an example of the relationship between the total SOC fluctuation amount and the SOH reduction in the cycle test at a constant temperature and a constant SOC fluctuation range.
  • the vertical axis represents SOH
  • the horizontal axis represents time.
  • the SOC total fluctuation amount is an integration of fluctuation amounts along the path of how the SOC fluctuates in a certain period.
  • the degree of decrease in SOH increases as the total SOC fluctuation amount increases. That is, there is a correlation between the decrease (decrease) in SOH and the total SOC variation, and the total SOC variation is an important representative value when estimating (predicting) SOH.
  • FIG. 11 is a schematic diagram illustrating an example of a decrease in SOH of the storage element at the first time point and the second time point.
  • SOH at the first time point is represented by SOH (N)
  • SOH at the second time point is represented by SOH (N + 1).
  • the decrease in SOH at the second time point ⁇ SOH (N) ⁇ SOH (N + 1) ⁇ is not limited to the SOH (N) at the first time point, but what the power storage element does from the first time point to the second time point. It depends on whether it was in use.
  • the use state of the power storage element from the first time point to the second time point is known by specifying the SOH (N) at the first time point of the power storage element, the SOH at the second time point of the power storage element is obtained. (N + 1) can be estimated. Further, as described above, the usage state from the first time point to the second time point can be characterized by the temperature (average temperature) of the power storage element and the representative value related to the SOC.
  • the processing unit 23 has a function as an SOH acquisition unit, and acquires the SOH at the first time point of the power storage element and the SOH at the second time point after the first time point.
  • the power storage element can be, for example, a power storage element that is actually operating in a moving object or facility.
  • SOH can be estimated by a known method based on sensor information. Alternatively, SOH may be estimated using the technique described in Japanese Patent Application No. 2017-066552 (the entire contents of which are incorporated herein by reference).
  • the period between the first time point and the second time point can be set as appropriate, and may be, for example, one month or three months. When the sensor information has periodicity, the period between the first time point and the second time point may be divided by the period of the sensor information.
  • the interpolated values at the first time point and the second time point may be used as the SOH. Further, as the SOH at the first time point, the value estimated by the learned learning model 27 based on the SOH at the time point before the first time point can be used. This makes it possible to continuously estimate the SOH of the power storage element in an arbitrary period during the use period (including the leaving period) after the power storage element is manufactured.
  • the SOC representative value acquisition unit 25 has a function as a representative value acquisition unit, and acquires the representative value of the SOC of the storage element from the first time point to the second time point.
  • a storage element for example, a lithium ion battery
  • SEI layer solid electrolyte interface layer
  • the inventor of the present application has come up with the idea of acquiring a representative value of the SOC that affects the decrease in SOH of the power storage element and using it for learning of the AI.
  • the representative value of the SOC can be said to be information that abstracts the detailed behavior of the power storage element in operation. Note that the representative value of the SOC may be acquired from an external server device or the like.
  • the learning data generation unit 26 generates learning data using the SOH at the first time point and the SOC representative value between the first time point and the second time point as input data, and the SOH at the second time point as output data. .
  • the learning processing unit 28 learns the learning model 27 based on the learning data generated by the learning data generating unit 26.
  • the above-described learning data generation unit 26 does not need to be included in the server device 2 but is included in another server device, acquires learning data generated by the server device, and the learning processing unit 28 Alternatively, the learning model 27 may be learned based on the acquired learning data. The same applies to the following description of this specification.
  • SOH at the first time point is represented by SOH (N)
  • SOH at the second time point is represented by SOH (N + 1).
  • the SOH at the first time point is SOH (N)
  • the SOH at the second time point is SOH (N + 1) according to the representative value of the SOC of the storage element from the first time point to the second time point. Learn to become.
  • Such learning data includes the SOH at the first time point, the SOH at the second time point, and the representative value of the SOC between the first time point and the second time point.
  • the representative value of the SOC can be said to be a statistic obtained by abstracting or processing information for learning the learning model 27.
  • the learning model 27 can be learned with a relatively small amount of information, and a large amount of data of the storage element is not required.
  • the SOH at a certain time for example, the present
  • the representative value of the SOC from the time to the prediction target time are input to the learned learning model 27, the SOH at the prediction target time can be estimated. Thereby, deterioration of an electrical storage element can be estimated using AI.
  • FIG. 12 is a schematic diagram showing an example of temperature data from the first time point to the second time point.
  • the vertical axis represents temperature and the horizontal axis represents time.
  • the processing unit 23 calculates an average temperature between the first time point and the second time point based on the temperature data between the first time point and the second time point.
  • the temperature data is obtained in detail between the first time point and the second time point, but even if the number of data is small, the average temperature between the first time point and the second time point Can be requested.
  • FIG. 13 is a schematic diagram showing an example of the SOC transition pattern from the first time point to the second time point.
  • the vertical axis represents SOC and the horizontal axis represents time.
  • the SOC estimation unit 24 estimates the transition of the SOC of the storage element from the first time point to the second time point.
  • the time-series data of the SOC of the power storage element from the first time point to the second time point is obtained in detail, but even when the number of data is small, the first time point and the second time point data are obtained.
  • a pattern of SOC transition between the time points can be obtained.
  • the obtained SOC Based on the data the SOC transition pattern can be estimated by interpolating the SOC value where the data existed. Thereby, a large amount of sensor information is not required.
  • FIG. 14 is a schematic diagram showing an example of a representative value of SOC between the first time point and the second time point.
  • the vertical axis represents SOC and the horizontal axis represents time.
  • the SOC representative value acquisition unit 25 acquires the average of the SOC from the first time point to the second time point based on the SOC transition pattern.
  • the average of the SOC is a value obtained by dividing the value obtained by sampling and summing the SOC values from the first time point to the second time point by the sampling number, and is the central SOC.
  • the degree of decrease in SOH varies depending on the average of the SOC.
  • the learning data generation unit 26 generates learning data using the average of the SOC from the first time point to the second time point as input data. By causing the learning model 27 to learn the average SOC from the first time point to the second time point, the learned learning model 27 that can accurately estimate the SOH can be generated.
  • the SOC representative value acquisition unit 25 acquires the total amount of SOC variation from the first time point to the second time point based on the SOC transition pattern.
  • the total variation amount of the SOC is an integration of the variation amount along the path of how the SOC has changed from the first time point to the second time point.
  • the learning data generation unit 26 generates learning data using as input data the total amount of SOC variation from the first time point to the second time point. By causing the learning model 27 to learn the total SOC variation from the first time point to the second time point, it is possible to generate the learned learning model 27 that can accurately estimate the SOH.
  • the SOC representative value acquisition unit 25 acquires the fluctuation range of the SOC from the first time point to the second time point based on the SOC transition pattern.
  • the fluctuation range of the SOC is a difference between the maximum value and the minimum value of the SOC from the first time point to the second time point.
  • the learning data generation unit 26 generates learning data with the variation range of the SOC from the first time point to the second time point as input data. By causing the learning model 27 to learn the SOC fluctuation range from the first time point to the second time point, it is possible to generate the learned learning model 27 that can accurately estimate the SOH.
  • the representative value of the SOC is the average of the SOC from the first time point to the second time point, the total variation amount of the SOC from the first time point to the second time point, The variation range of the SOC from the first time point to the second time point can be set.
  • the learning data generation unit 26 generates learning data using the average temperature between the first time point and the second time point as input data.
  • the average temperature can also be referred to as a transition of temperature between the first time point and the second time point.
  • FIG. 15 is a block diagram showing an example of learning data.
  • the time width from the first time point to the second time point is represented by ⁇ t.
  • the learning input data includes the time width ⁇ t from the first time point to the second time point, the average temperature in the time width ⁇ t, the average of the SOC in the time width ⁇ t, and the SOC in the time width ⁇ t.
  • the total fluctuation amount, the fluctuation width of the SOC in the time width ⁇ t, and the SOH (N) at the first time point can be used.
  • the learning output data can be SOH (N + 1) at the second time point. Note that the learning input data does not need to include all of the data shown in FIG. 15. For example, either or both of the total variation amount of SOC and the variation range of SOC may be omitted. However, it is expected to improve the estimation accuracy of SOH by learning the total variation amount of SOC and the variation range of SOC.
  • FIG. 16 is a block diagram showing another example of learning data.
  • the learning input data further includes an elapsed time Dt1 from the production time (for example, production completion time) to the first time, and the production time (for example, production completion time) to the first time point.
  • the number of charge / discharge cycles Ct1 can be included.
  • the learning data generation unit 26 can generate learning data whose input data is an elapsed period from the time when the power storage element is manufactured to the first time.
  • the SOH decreases with the standing time (calendar deterioration).
  • the decrease in SOH after the first time point is considered to depend on the length of the elapsed time from the production time point (for example, the production completion time point) to the first time point. Therefore, by further generating learning data using the elapsed period from the time of manufacturing the storage element to the first time as input data, a learned learning model 27 that can estimate SOH with high accuracy can be generated.
  • the learning data generation unit 26 uses as input data the total amount of energized electricity from the time of manufacture of the storage element to the first time (for example, the number of times of charging / discharging may be specified if the number of times of charging / discharging can be specified). Can be generated.
  • the SOH decreases with the number of charge / discharge cycles (cycle deterioration). It is considered that the decrease in SOH after the first time point depends on the number of charge / discharge cycles from the production time point (for example, the production completion time point) to the first time point.
  • the number of times of charging / discharging can be specified, by further generating learning data using as input data the number of times of charging / discharging from the time of manufacture of the electricity storage device to the first time point, a learned SOH that can be estimated accurately.
  • a learning model 27 can be generated. Note that the learning data may be generated using only one of the elapsed time Dt1 and the charge / discharge count Ct1. In addition, when the number of times of charging / discharging cannot be specified, the total amount of energized electricity may be used instead of the number of times of charging / discharging.
  • FIG. 17 is a schematic diagram showing an example in which a plurality of learning periods are set.
  • the vertical axis represents SOH
  • the horizontal axis represents time.
  • time point N1, time point N2, time point N3, time point N4, time point N5, time point N6, time point N7, and time point N8 are set.
  • the time between adjacent time points may be different.
  • a learning period in which the time point N1 is the first time point and the time point N2 is the second time point can be set.
  • a learning period in which the time point N2 is the first time point and the time point N3 is the second time point can be set. The same applies hereinafter.
  • the learning data generation unit 26 can generate learning data by providing a plurality of learning periods from the first time point to the second time point over the use period of the storage element. Assuming that the learning period from the first time point to the second time point is ⁇ N, for example, the learning model 27 is obtained using the learning data of each of the plurality of learning periods ⁇ N over the use period from the time of manufacture of the power storage element to the lifetime. By learning, it becomes possible to estimate the SOH at a required point in time until the end of the life after manufacturing the power storage element. That is, it is possible to predict the life of the power storage element.
  • FIG. 18 is a block diagram showing an example of input data for life estimation.
  • the input data for life estimation includes the time width ⁇ te of the prediction period, the average temperature in the time width ⁇ te, the average of the SOC in the time width ⁇ te, and the total fluctuation amount of the SOC in the time width ⁇ te.
  • the time width ⁇ te can be the same as the time width from the first time point to the second time point used in the learning data. Note that the input data for life estimation need not include all of the data shown in FIG.
  • either the total variation amount of SOC, the variation range of SOC, or both may be omitted.
  • the total SOC fluctuation amount and SOC fluctuation range may be added to the input data, it is possible to expect improvement in the estimation accuracy of SOH.
  • the input data generation unit 29 generates input data for life estimation based on the SOH at the first time point and the representative value of the SOC of the storage element from the first time point to the second time point. Specifically, the input data generation unit 29, as illustrated in FIG. 18, calculates the time width ⁇ te of the prediction period, the average temperature in the time width ⁇ te, the average of the SOC in the time width ⁇ te, and the SOC in the time width ⁇ te. Input data related to the total fluctuation amount, the fluctuation width of the SOC in the time width ⁇ te, and the start point (first time point) SOHe of the prediction period. For example, as the SOHe at the first time point, a value estimated by the learned learning model 27 based on the SOH at the time point before the first time point can be used. Thereby, it becomes possible to estimate SOH continuously in an arbitrary period.
  • the learned learning model 27 estimates the SOH at the prediction target time point (the end point of the prediction period, that is, the second time point) based on the input data generated by the input data generation unit 29. Accordingly, if the SOH at the first time point (for example, the current time) and the representative value of the SOC of the power storage element in the prediction period are known, the SOH at the prediction target time point can be estimated. In addition, by using the SOH at the first time point, how to set the representative value of the SOC of the power storage element in the prediction period with the first time point as a reference, the SOH at the prediction target time point becomes larger (SOH It is also possible to determine whether or not a decrease in the amount can be suppressed.
  • FIG. 19 is a block diagram showing another example of input data for life estimation.
  • the input data further includes an elapsed time Dte from the production time (for example, production completion time) to the start point of the prediction period, and the start time of the prediction period from the production time (for example, production completion time).
  • the number of charging / discharging times Cte is included.
  • FIG. 20 is a schematic diagram showing an example of the degradation estimation result of the storage element.
  • the vertical axis represents SOH
  • the horizontal axis represents time.
  • the learned learning model 27 estimates the SOH at the future prediction target time at the start point (for example, present) of the prediction period.
  • a curved line indicated by a broken line shows a transition of SOH in the planned use condition (for example, the use state scheduled by the user) from the current storage element to the prediction target time.
  • the SOH can be estimated by changing the use conditions from the current storage element to the prediction target time.
  • a use condition (recommended use condition) that can suppress a decrease in SOH at the prediction target time point as a curve indicated by a solid line.
  • SOH current (starting point) SOH
  • the SOH can be reduced. It is possible to provide the user with information on whether or not it can be suppressed.
  • FIG. 21 is a flowchart showing an example of a processing procedure of the processing unit 23 in the learning mode.
  • the processing unit 23 sets the first time point and the second time point (S11), and acquires the SOH at the first time point and the second time point (S12).
  • the processing unit 23 acquires sensor information (time series current data, time series temperature data, time series voltage data) from the first time point to the second time point (S13).
  • the processing unit 23 generates an SOC transition pattern in the time width ⁇ t from the first time point to the second time point based on the acquired sensor information (S14), and acquires a representative value of the SOC in the time width ⁇ t (S15). ).
  • the processing unit 23 generates learning data using the time width ⁇ t, the representative value of the SOC, the average temperature in the time width ⁇ t, and the SOH at the first time point as input data, and the SOH at the second time point as output data ( S16).
  • the processing unit 23 learns and updates the learning model 27 based on the generated learning data (S17), and determines whether or not to end the processing (S18). When it is determined that the process is not to be ended (NO in S18), the processing unit 23 continues the process after step S12, and when it is determined that the process is to be ended (YES in S18), the process is ended.
  • FIG. 22 is a flowchart illustrating an example of a processing procedure of the processing unit 23 in the estimation mode.
  • the processing unit 23 sets a prediction period (S31), and acquires SOH at the start point (first time point) of the prediction period (S32).
  • the processing unit 23 acquires sensor information for the prediction period (S33), and generates an SOC transition pattern for the prediction period based on the acquired sensor information (S34).
  • the processing unit 23 acquires the representative value of the SOC in the prediction period (S35), and generates prediction input data based on the time width of the prediction period, the representative value of the SOC, the average temperature, and the SOH at the start point of the prediction period. (S36). The processing unit 23 estimates SOH at the prediction target time (S37) and ends the process.
  • the server device 2 of the present embodiment a large amount of data is not required when the learning model 27 is learned. Since the representative value for the SOC that characterizes the usage state of the storage element can be acquired and the learning model 27 can be learned based on the acquired representative value, it is possible to learn even with a small amount of data. In particular, it is possible to predict the deterioration of the storage element even at a stage where it is difficult to obtain a large amount of sensor information during actual operation of the storage element, such as the development phase of the storage element or the initial stage of the manufacturing phase. Further, since the sensor information is not used as it is as learning data, the influence of errors included in the sensor information can be suppressed.
  • the learning model 27 may use a convolutional neural network (CNN) in which a convolution layer or a pooling layer is added to the intermediate layer. Thereby, it is possible to learn by reflecting the relationship between the SOC information and the temperature information, and the relationship between the local variation of the SOC information and the temperature information and the change of the SOH.
  • CNN convolutional neural network
  • the abstract data called the representative value of the SOC is used.
  • the present invention is not limited to this.
  • learning data can be generated in a manner closer to time-series data such as sensor information by reducing the degree of abstraction.
  • FIG. 23 is a schematic diagram showing an example of the SOC transition pattern of the storage element from the first time point to the second time point.
  • the SOC transition pattern shown in FIG. 23 is the same as that shown in FIG.
  • the SOC estimation unit 24 generates an SOC transition pattern of the storage element from the first time point to the second time point. For example, when the time-series data amount of SOC of the electricity storage element from the first time point to the second time point is not sufficient and there is a time or time zone in which the SOC value is unknown, the obtained SOC Based on the data, the SOC transition pattern can be generated by interpolating the SOC value at the location where the data existed. Thereby, a large amount of sensor information is not required.
  • the SOC representative value acquisition unit 25 acquires the SOC transition pattern generated by the SOC estimation unit 24 as a representative value.
  • the degree of decrease in SOH varies depending on the SOC transition pattern from the first time point to the second time point.
  • the SOC representative value can be a transition pattern of the SOC from the first time point to the second time point.
  • FIG. 24 is a schematic diagram showing an example of a temperature transition pattern of the storage element from the first time point to the second time point.
  • the vertical axis represents temperature and the horizontal axis represents time.
  • the processing unit 23 generates a temperature transition pattern of the storage element from the first time point to the second time point. For example, when the time-series data amount of the temperature of the storage element from the first time point to the second time point is not sufficient and there is a time or time zone in which the temperature value is unknown, the obtained temperature Based on this data, the temperature transition pattern can be estimated by interpolating the temperature at the location where the data existed. Thereby, a large amount of sensor information is not required.
  • the processing unit 23 has a function as an acquisition unit that acquires a temperature transition, and may acquire a temperature transition pattern, or may acquire an actual measurement value of a temperature transition of the storage element. Further, the processing unit 23 may acquire a representative value of temperature.
  • the representative value of the temperature can be a statistic obtained by abstracting or processing information for learning the learning model 27. For example, the representative value of the temperature is the same as the representative value of the SOC shown in FIG.
  • the learning data generation unit 26 can generate learning data having the SOC transition pattern and the temperature transition pattern as input data.
  • the degree of decrease in SOH varies depending on the temperature transition pattern from the first time point to the second time point. Therefore, the learned learning model 27 that can estimate the SOH with high accuracy can be generated by causing the learning model 27 to learn the SOC transition pattern and the temperature transition pattern from the first time point to the second time point.
  • the first time point and the second time point may be divided by a plurality of time widths, and values for each time width of the time series of the SOC transition pattern and the temperature transition pattern may be used.
  • the learning data is similar to the first embodiment in that the SOH at the first time point is input data and the SOH at the second time point is output data.
  • the learning data generating unit 26 can generate learning data using the SOC transition pattern and the measured value or representative value of the temperature transition as input data.
  • the second embodiment at a stage where more sensor information can be collected than in the case of the first embodiment, it is possible to predict deterioration reflecting the characteristics of the sensor information itself.
  • the learning processing unit 28 (processing unit 23) is configured to learn and update the learning model 27.
  • the learning processing unit 28 (processing The unit 23) learns the learning model 27 using the deterioration value (SOH) of the storage element output from the deterioration simulator described later as learning data, and learns using the same processing as in the first and second embodiments.
  • the learned learning model 27 can be re-learned.
  • the third embodiment will be described.
  • FIG. 25 is a schematic diagram showing the operation of the deterioration simulator 50 of the third embodiment.
  • Degradation simulator 50 estimates (calculates) a degradation value of the storage element when acquiring the SOC pattern and the temperature pattern as input data.
  • the SOC pattern can be specified by the representative value of the SOC.
  • the representative value of the SOC affects the deterioration of the power storage element, and includes, for example, the SOC average (also referred to as the central SOC), the SOC fluctuation range, the total fluctuation amount of the SOC, and the like.
  • the deterioration simulator 50 can estimate the deterioration value of the SOH of the power storage element based on the transition of the SOC based on the representative value of the SOC and the temperature of the power storage element. If SOH at time t (also referred to as health) is SOH t, and SOH at time t + 1 is SOH t + 1 , the degradation value is (SOH t ⁇ SOH t + 1 ). That is, if the SOH at the time t is known, the SOH at the time t + 1 can be obtained based on the deterioration value.
  • the time point can be a current time point or a future time point
  • the time point t + 1 can be a time point when a required time has elapsed from the time point t toward the future.
  • the time difference between the time point t and the time point t + 1 is a deterioration prediction target period of the deterioration simulator 50, and can be set as appropriate according to how much future the deterioration value is predicted.
  • the time difference between the time point t and the time point t + 1 can be, for example, a required time such as one month, six months, one year, or two years.
  • a temperature pattern is input, but a required temperature (for example, an average temperature from time t to time t + 1) may be input instead of the temperature pattern.
  • Qcnd is a non-energized deterioration value
  • Qcur is an energized deterioration value.
  • the coefficient K1 is a function of the SOC and the temperature T.
  • t is an elapsed time, for example, a time from time t to time t + 1.
  • the coefficient K1 is a deterioration coefficient, and the correspondence relationship between the SOC and the temperature T and the coefficient K1 may be obtained by calculation or stored in a table format.
  • the SOC can be a representative value such as the center SOC, the SOC fluctuation range, and the like.
  • the coefficient K2 is the same as the coefficient K1.
  • FIG. 26 is a schematic diagram showing an example of SOH estimation by the deterioration simulator 50.
  • SOC patterns representative values of three SOCs indicated by symbols A, B, and C are input to the deterioration simulator 50.
  • the SOC pattern indicated by symbol A has a relatively small fluctuation range of the SOC.
  • the SOC pattern indicated by symbol C has a relatively large variation range of the SOC.
  • the SOC pattern indicated by reference character B the fluctuation range of the SOC is approximately between the two.
  • the estimation of SOH by the deterioration simulator 50 is indicated by symbols A, B, and C.
  • the SOH transition of the code A corresponds to the SOC pattern of the code A
  • the SOH transition of the code B corresponds to the SOC pattern of the code B
  • the SOH transition of the code C corresponds to the SOC pattern of the code C. ing. In this way, it can be seen that the deterioration value tends to increase as the fluctuation range of the SOC increases.
  • FIG. 26 three comparatively simple SOC patterns are illustrated for convenience, but by inputting various SOC patterns to the deterioration simulator 50, deterioration values (SOH) corresponding to various SOC patterns may be estimated. In addition, it is possible to easily generate a large amount of data sets of SOH estimation results corresponding to the SOC pattern.
  • SOH deterioration values
  • the processing unit 23 has a function as an input value acquisition unit, and can acquire the representative value of the SOC input to the deterioration simulator 50. Further, the processing unit 23 has a function as an output value acquisition unit, and can acquire the SOH output by the deterioration simulator 50 when the representative value of the SOC is input to the deterioration simulator 50. That is, the processing unit 23 acquires the representative value of the SOC input to the deterioration simulator 50 and the SOH (obtained from the deterioration value) output by the deterioration simulator 50 at that time.
  • the learning processing unit 28 learns the learning model 27 using the acquired representative value of the SOC and the acquired SOH as learning data.
  • FIG. 27 is a block diagram showing an example of learning data based on the estimated value of the deterioration simulator 50.
  • the time width from time t to time t + 1 is represented by ⁇ t.
  • the learning input data includes a time width ⁇ t from time t to time t + 1, an average temperature in time width ⁇ t, an average of SOC in time width ⁇ t, and a total variation of SOC in time width ⁇ t.
  • the amount of SOC, the fluctuation range of the SOC at the time width ⁇ t, and the SOH (N) at the time point t can be used.
  • the learning output data can be SOH (N + 1) at time t + 1.
  • the learning input data does not need to include all of the data shown in FIG. 27.
  • either or both of the total variation amount of SOC and the variation range of SOC may be omitted.
  • the deterioration simulator 50 When representative values of various patterns of SOC are input to the deterioration simulator 50, the deterioration simulator 50 outputs a highly accurate deterioration value (that is, SOH) with respect to the input representative value of the SOC. Can be easily generated, and the estimation accuracy (correct answer rate) of the learning model 27 can be easily increased.
  • SOH highly accurate deterioration value
  • the relearning process by the learning processing unit 28 is the same as the learning process in the first embodiment and the second embodiment.
  • the SOC representative value acquisition unit 25 has a function as a representative value acquisition unit, and acquires a representative value of the SOC of the storage element.
  • the representative value of the SOC can be referred to as information obtained by abstracting the detailed behavior of the power storage element in operation, and can be obtained from the transition of the SOC obtained from the sensor information. For example, the average value of the SOC and the total variation of the SOC Amount, variation range of SOC, etc.
  • the representative value of the SOC can be obtained based on the actually measured value of the transition of the SOC, but a calculated value may be used in addition to the actually measured value.
  • the SOC representative value acquisition unit 25 acquires the representative value of the SOC of the power storage element from the first time point to the second time point.
  • a solid electrolyte interface layer SEI layer
  • SEI layer solid electrolyte interface layer
  • the inventor of the present application has come up with the idea of acquiring a representative value of the SOC that affects the decrease in SOH of the power storage element and using it for learning of the AI.
  • the representative value of the SOC can be said to be information that abstracts the detailed behavior of the power storage element in operation, and includes, for example, the average of the SOC, the total variation of the SOC, and the fluctuation range of the SOC.
  • the processing unit 23 has a function as an SOH acquisition unit, and acquires the SOH of the power storage element.
  • Sensor information eg, current, voltage, and temperature
  • SOH can be collected from the storage element.
  • SOH can be estimated by a known method based on sensor information. Alternatively, SOH may be estimated using the technique described in Japanese Patent Application No. 2017-066552 (the entire contents of which are incorporated herein by reference).
  • the processing unit 23 acquires the SOH at the first time point of the power storage element and the SOH at the second time point after the first time point.
  • the power storage element may be, for example, a power storage element operating in a moving body or facility.
  • Sensor information (for example, current, voltage, and temperature) can be collected from the storage element by a monitoring device or the like.
  • SOH can be estimated by a known method based on sensor information. Alternatively, SOH may be estimated using the technique described in Japanese Patent Application No. 2017-066552 (the entire contents of which are incorporated herein by reference).
  • the period between the first time point and the second time point can be set as appropriate, and may be, for example, one month or three months.
  • the sensor information has periodicity, the period between the first time point and the second time point may be divided by the period of the sensor information. At that time, the interpolated values at the first time point and the second time point may be used as the SOH.
  • the learning processing unit 28 has a function as a re-learning processing unit, and re-learns the learning model 27 using the acquired representative value of the SOC and the acquired SOH as learning data.
  • the learning processing unit 28 re-reads the learned learning model 27 based on the learning data having the SOH and the representative value at the first time as input data and the SOH at the second time as output data. Let them learn.
  • SOH at the first time point is represented by SOH (N)
  • SOH at the second time point is represented by SOH (N + 1).
  • the SOH at the first time point is SOH (N)
  • the SOH at the second time point becomes SOH (N + 1) according to the representative value of the SOC of the storage element from the first time point to the second time point.
  • Such learning data includes the SOH at the first time point, the SOH at the second time point, and the representative value of the SOC between the first time point and the second time point.
  • the representative value of the SOC can be said to be a statistic obtained by abstracting or processing information for re-learning the learned learning model 27.
  • the learned learning model can be relearned with a relatively small amount of information, and a large amount of data of the storage element is not required.
  • the SOH at a certain time for example, the current time
  • the representative value of the SOC from that time to the prediction target time are input to the learned or re-learned learning model 27, the SOH at the prediction target time can be estimated. It can. Thereby, deterioration of an electrical storage element can be estimated using AI.
  • FIG. 28 is a schematic diagram showing an example of the relationship between the learning data set of the learning model 27 and the estimation accuracy.
  • the vertical axis represents the estimation accuracy (correct answer rate) of the learning model 27
  • the horizontal axis represents the learning data set (data amount required for learning).
  • a curve indicated by a symbol R ′ indicates a case of learning based only on actual measurement values (for example, market data).
  • the SOC representative value and SOH obtained by collecting sensor information, such as the curve indicated by the symbol R ′ have a complicated transition pattern, for example, and these data are used as learning data for unlearned learning.
  • the model 27 is learned, there is a tendency that a large amount of learning data is required to increase the estimation accuracy (correct answer rate) of the learning model 27.
  • a curve indicated by a symbol Sa represents a case where learning is performed using the data of the deterioration simulator 50 as learning data.
  • the deterioration simulator 50 outputs a highly accurate deterioration value (that is, SOH) with respect to the input representative value of the SOC.
  • SOH highly accurate deterioration value
  • the estimation accuracy (correct answer rate) of the learning model 27 can be easily increased.
  • a deterioration simulator in advance indicated by a curve indicated by symbol Sa
  • learning data can be obtained relatively easily and the estimation accuracy of an unlearned learning model can be increased.
  • the parameters of the deterioration simulator 50 are determined as shown by the curve of the symbol Sb, there is a tendency that a large amount of data is difficult to reflect, and there is a tendency that the estimation accuracy is difficult to improve for the amount of data.
  • a curve indicated by a symbol R represents a case where re-learning with an actual measurement value is performed after learning using the estimated value of the deterioration simulator 50. Like the curve indicated by the symbol R, the accuracy of the learning model 27 can be further increased without a large amount of learning data, and the accuracy of the deterioration estimation of the storage element can be increased.
  • the SOC representative value input to the deterioration simulator 50 and the SOH output by the deterioration simulator 50 when the SOC representative value is input to the deterioration simulator 50 are learned as learning data.
  • the learning model 27 further re-learns the representative value of the SOC of the power storage element and the SOH of the power storage element as learning data.
  • the server apparatus 2 acquires the SOH at the first time point of the power storage element.
  • the server device 2 acquires a representative value of the SOC of the power storage element from the first time point to the second time point.
  • the server device 2 can input the SOH at the first time point and the acquired representative value of the SOC to the learning model 27 to estimate the SOH at the second time point.
  • the server device 2 will have the SOH at the prediction target time point. Can be estimated. Thereby, deterioration of an electrical storage element can be estimated using AI.
  • FIG. 29 is a flowchart illustrating an example of a processing procedure of the processing unit 23 in the learning mode of the third embodiment.
  • the processing unit 23 inputs the representative SOC value and temperature pattern to the deterioration simulator (S41), acquires the SOH (deterioration value) output by the deterioration simulator (S42), and represents the representative SOC value input to the deterioration simulator 50, A temperature pattern is acquired (S43).
  • the process of step S41 can be previously performed with another apparatus, without performing with the process part 23.
  • the processing unit 23 generates learning data using the SOC representative value, temperature pattern, and SOH at time t as input data, and SOH at time t + 1 as output data (S44), and using the generated learning data.
  • the learning model 27 is learned (S45).
  • the processing unit 23 determines the presence / absence of data of the deterioration simulator 50 (S46), and if there is data (YES in S46), the processing after step S41 is continued. When there is no data (NO in S46), the processing unit 23 re-learns the learning model 27 using the measured value data (S47), and ends the process.
  • the process of step S47 can be the same process as the process illustrated in FIG.
  • the server apparatus 2 has the configuration including the learning model 27 and the learning processing unit 28, but is not limited thereto.
  • the learning model 27 and the learning processing unit 28 may be provided in another one or a plurality of servers.
  • the deterioration estimation device is not limited to the server device 2.
  • an apparatus such as a life estimation simulator may be used.
  • the deterioration simulator 50 can be incorporated into the server device 2, but can also be configured as a device separate from the server device 2.
  • the control unit 20 and the processing unit 23 of the present embodiment can be realized using a general-purpose computer including a CPU (processor), a GPU, a RAM (memory), and the like. That is, as shown in FIGS. 21, 22, and 29, a computer program that defines the procedure of each process is loaded into a RAM (memory) provided in the computer, and the computer program is executed by a CPU (processor).
  • the control unit 20 and the processing unit 23 can be realized on the computer.
  • the computer program may be recorded on a recording medium and distributed.
  • the learning model 27 learned by the server device 2 and the computer program based on the learning model 27 may be distributed and installed to the remote monitoring target devices P, U, D, M and terminal devices via the network N and the communication device 1.
  • the learning model 27 may be learned using the representative value in the initial stage of learning, and then learned using the actual measurement value.
  • the data amount of the representative value and the actual measurement value may be changed as appropriate according to the learning stage, or the ratio between the two may be changed.
  • the learning data can be divided into so-called training data and test data, and the learning model 27 is first learned using the training data, and then the learning model 27 can be evaluated using the test data.
  • server device 20 control unit 21 communication unit 22 storage unit 23 processing unit 24 SOC estimation unit 25 SOC representative value acquisition unit 26 learning data generation unit 27 learning model 28 learning processing unit 29 input data generation unit 50 deterioration simulator

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Materials Engineering (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

劣化推定装置は、蓄電素子の第１時点でのＳＯＨ及び第１時点より後の第２時点でのＳＯＨを取得するＳＯＨ取得部と、第１時点から第２時点までの間の蓄電素子のＳＯＣの代表値を取得する代表値取得部と、第１時点でのＳＯＨ及び代表値を入力データとし、第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる学習処理部とを備える。

Description

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
　本発明は、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に関する。
　蓄電素子（Energy Storage Device）は、無停電電源装置、安定化電源に含まれる直流又は交流電源装置等に広く使用されている。また、再生可能エネルギー又は既存の発電システムにて発電された電力を蓄電しておく大規模なシステムでの蓄電素子の利用が拡大している。
　蓄電モジュールは、蓄電セルが直列に接続された構成となっている。蓄電セルは、充放電を繰り返すことで劣化が進行することが知られている。特許文献１には、車両用の二次電池について、容量管理や安全管理の必要性から学習済みのニューラルネットワーク部に温度センサで検出した電池電圧を入力して二次電池のＳＯＣ（充電状態）などを検出する技術が開示されている。
特開２００８－２３２７５８号公報
　ＳＯＣの算出には、例えば、電流積算法などの手法が用いられる。比較的短時間の電流データでＳＯＣを算出することが可能である。このため、ニューラルネットワーク部を学習させるための学習用データは収集しやすい。しかし、蓄電素子のＳＯＨ（State Of Health）の変化は、ＳＯＣの変化に比べて時間がかかるため、ＳＯＨの推定は容易ではない。
　本発明は、ＡＩを用いた蓄電素子の劣化を推定する劣化推定装置、コンピュータプログラム及び劣化推定方法を提供することを目的とする。
　蓄電素子の劣化を推定する劣化推定装置は、蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得するＳＯＨ取得部と、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する代表値取得部と、前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる学習処理部とを備える。
　コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムは、コンピュータに、蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得する処理と、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する処理と、前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる処理とを実行させる。
　蓄電素子の劣化を推定する劣化推定方法は、蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得し、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得し、前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる。
　ＳＯＨ取得部は、蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得する。蓄電素子は、例えば、移動体や施設において稼働している蓄電素子であってもよい。監視装置などによって、蓄電素子からセンサ情報（例えば、電流、電圧、及び温度）を収集することができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７－０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。第１時点と第２時点との間の期間は、適宜設定することができ、例えば、１か月、３か月としてもよい。センサ情報に周期性がある場合は、第１時点と第２時点との間の期間を、センサ情報の周期で区切ってもよい。その際、ＳＯＨは、第１時点と第２時点の内挿値を用いてもよい。
　代表値取得部は、第１時点から第２時点までの間の蓄電素子のＳＯＣの代表値を取得する。リチウムイオン電池は、充放電や放置により電極と電解液の界面に固体電解質界面層（ＳＥＩ層）が生成され、ＳＥＩ層が成長するにつれてＳＯＨが低下する。本願発明者は、ＳＥＩ層の成長はＳＯＣに依存するという仮説に基づき、蓄電素子のＳＯＨの低下に影響を与えるＳＯＣの代表値を取得してＡＩの学習に使用することを発案した。ＳＯＣの代表値は、稼働中の蓄電素子の詳細な挙動を抽象化した情報ということができる。
　学習処理部は、第１時点でのＳＯＨ及び代表値を入力データとし、第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる。例えば、第１時点でのＳＯＨをＳＯＨ（Ｎ）で表し、第２時点でのＳＯＨをＳＯＨ（Ｎ＋１）で表すとする。学習モデルは、第１時点でのＳＯＨがＳＯＨ（Ｎ）であり、第１時点から第２時点までの蓄電素子のＳＯＣの代表値に応じて、第２時点でのＳＯＨがＳＯＨ（Ｎ＋１）になるということを学習する。
　このような学習データは、第１時点のＳＯＨ、第２時点のＳＯＨ、及び第１時点と第２時点との間のＳＯＣの代表値を含む。ＳＯＣの代表値は、学習モデルを学習させるための情報を抽象化、あるいは加工した統計量と言える。これにより、比較的少ない情報量で学習モデルを学習させることができ、蓄電素子の大量のデータを必要としない。
　ある時点（例えば、現在）のＳＯＨ、及び当該時点から予測対象時点までのＳＯＣの代表値を学習済の学習モデルに入力すれば、予測対象時点でのＳＯＨを推定することができる。これにより、ＡＩを用いて蓄電素子の劣化を推定することができる。
　蓄電素子の劣化を推定する劣化推定装置は、蓄電素子の第１時点でのＳＯＨを取得するＳＯＨ取得部と、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する代表値取得部と、前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを推定する学習済の学習モデルとを備える。
　コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムは、コンピュータに、蓄電素子の第１時点でのＳＯＨを取得する処理と、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する処理と、前記第１時点でのＳＯＨ及び前記代表値を学習済の学習モデルに入力して前記第２時点でのＳＯＨを推定する処理とを実行させる。
　蓄電素子の劣化を推定する劣化推定方法は、蓄電素子の第１時点でのＳＯＨを取得し、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得し、前記第１時点でのＳＯＨ及び前記代表値を学習済の学習モデルに入力して前記第２時点でのＳＯＨを推定する。
　ＳＯＨ取得部は、蓄電素子の第１時点でのＳＯＨを取得する。監視装置などによって、蓄電素子からセンサ情報（例えば、電流、電圧、及び温度）を収集することができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７－０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。また、第１時点でのＳＯＨは、第１時点よりも前の時点でのＳＯＨに基づいて、学習済の学習モデルにより推定した値を用いることもできる。これにより、任意の期間において、連続的にＳＯＨを推定することが可能となる。
　代表値取得部は、第１時点から第２時点までの間の蓄電素子のＳＯＣの代表値を取得する。第２時点は、ＳＯＨを推定する予測対象時点である。蓄電素子のＳＯＣの代表値は、稼働中の蓄電素子の第１時点から第２時点までの間における詳細な挙動を抽象化することにより求めることができる。
　学習済の学習モデルは、第１時点でのＳＯＨ及びＳＯＣの代表値を入力データとして、第２時点でのＳＯＨを推定する。これにより、第１時点（例えば、現在）のＳＯＨ、及び第１時点から第２時点（予測対象時点）までの蓄電素子のＳＯＣの代表値が分かれば、第２時点でのＳＯＨを推定することができる。また、第１時点から第２時点までの蓄電素子のＳＯＣの代表値をどのように設定すれば、第２時点でのＳＯＨをより大きく（ＳＯＨの低下を抑制）することができるかを判定することもできる。
　劣化推定装置は、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの推移を推定するＳＯＣ推定部を備え、前記代表値取得部は、前記ＳＯＣの推移に基づいて前記第１時点から第２時点までの間の、ＳＯＣの総変動量、及びＳＯＣの変動幅の少なくともいずれか一つを取得してもよい。
　ＳＯＣ推定部は、第１時点から第２時点までの間の蓄電素子のＳＯＣの推移を推定する。例えば、第１時点から第２時点までの間の蓄電素子のＳＯＣの時系列のデータ量が十分でなく、ＳＯＣの値が不明な時間又は時間帯が存在するような場合、得られているＳＯＣのデータに基づいて、データが存在した箇所のＳＯＣ値を補間することにより、ＳＯＣの推移のパターンを推定することができる。これにより、大量のセンサ情報を必要としない。
　代表値取得部は、ＳＯＣの推移に基づいて第１時点から第２時点までの間のＳＯＣの平均を取得する。ＳＯＣの平均は、第１時点から第２時点までの間のＳＯＣの値をサンプリングして合計した値をサンプリング数で除算した値であり、中心ＳＯＣである。蓄電素子のＳＯＣが変動する場合、ＳＯＣの平均に応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間のＳＯＣの平均を学習モデルに学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
　代表値取得部は、ＳＯＣの推移に基づいて第１時点から第２時点までの間のＳＯＣの総変動量を取得する。ＳＯＣの総変動量は、第１時点から第２時点までのＳＯＣがどのように変動したかの経路に沿った変動量の積算である。蓄電素子のＳＯＣが変動する場合、ＳＯＣの総変動量に応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間のＳＯＣの総変動量を学習モデルに学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
　代表値取得部は、ＳＯＣの推移に基づいて第１時点から第２時点までの間のＳＯＣの変動幅を取得する。ＳＯＣの変動幅は、第１時点から第２時点までの間のＳＯＣの最大値と最小値との差である。蓄電素子のＳＯＣが変動する場合、ＳＯＣの変動幅に応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間のＳＯＣの変動幅を学習モデルに学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
　劣化推定装置は、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの推移を推定するＳＯＣ推定部を備え、前記代表値取得部は、前記ＳＯＣの推移を前記代表値として取得してもよい。
　ＳＯＣ推定部は、第１時点から第２時点までの間の蓄電素子のＳＯＣの推移を推定する。例えば、第１時点から第２時点までの間の蓄電素子のＳＯＣの時系列のデータ量が十分でなく、ＳＯＣの値が不明な時間又は時間帯が存在するような場合、得られているＳＯＣのデータに基づいて、データが存在した箇所のＳＯＣ値を補間することにより、ＳＯＣの推移のパターンを推定することができる。これにより、大量のセンサ情報を必要としない。
　代表値取得部は、ＳＯＣの推移を代表値として取得する。第１時点から第２時点までの間のＳＯＣの推移のパターンに応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間のＳＯＣの推移のパターンを学習モデルに学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
　劣化推定装置は、前記第１時点から第２時点までの間の前記蓄電素子の温度の推移を取得する温度取得部を備え、前記学習処理部は、前記温度の推移をさらなる入力データとする学習データに基づいて学習モデルを学習させてもよい。
　温度取得部は、第１時点から第２時点までの間の蓄電素子の温度の推移を取得する。取得する温度の推移は、実測値でもよく、推定値でもよい。例えば、第１時点から第２時点までの間の蓄電素子の温度の時系列のデータ量が十分でなく、温度の値が不明な時間又は時間帯が存在するような場合、得られている温度のデータに基づいて、データが存在した箇所の温度を補間することにより、温度の推移のパターンを推定することができる。これにより、大量のセンサ情報を必要としない。
　学習処理部は、温度の推移を入力データとする学習データに基づいて学習モデルを学習させる。第１時点から第２時点までの間の温度の推移のパターンに応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間の温度の推移のパターンを学習モデルに学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
　劣化推定装置において、前記温度取得部は、前記第１時点から第２時点までの間の前記蓄電素子の温度の代表値を取得し、前記学習処理部は、前記温度の代表値をさらなる入力データとする学習データに基づいて学習モデルを学習させてもよい。
　温度の代表値は、学習モデルを学習させるための情報を抽象化、あるいは加工した統計量と言える。学習処理部は、温度の代表値を入力データとする学習データに基づいて学習モデルを学習させる。第１時点から第２時点までの間の温度の代表値に応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間の温度の代表値を学習モデルに学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
　劣化推定装置において、前記学習処理部は、前記蓄電素子の製造時点から前記第１時点までの経過期間をさらなる入力データとする学習データに基づいて学習モデルを学習させてもよい。
　学習処理部は、蓄電素子の製造時点から第１時点までの経過期間を入力データとする学習データに基づいて学習モデルを学習させる。蓄電素子は、放置時間にともないＳＯＨが低下する（カレンダー劣化）。第１時点以降のＳＯＨの低下は、製造時点（例えば、製造完了時点）から第１時点までの経過時間の長短に依存すると考えられる。そこで、蓄電素子の製造時点から第１時点までの経過期間を入力データとする学習データをさらに生成することにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。
　劣化推定装置において、前記学習処理部は、前記蓄電素子の製造時点から前記第１時点までの充放電回数をさらなる入力データとする学習データに基づいて学習モデルを学習させてもよい。
　学習処理部は、蓄電素子の製造時点から第１時点までの総通電電気量（例えば、充放電回数を特定することができる場合には充放電回数でもよい）を入力データとする学習データに基づいて学習モデルを学習させる。蓄電素子は、充放電回数にともないＳＯＨが低下する（サイクル劣化）。第１時点以降のＳＯＨの低下は、製造時点（例えば、製造完了時点）から第１時点までの充放電回数の多少に依存すると考えられる。
　そこで、充放電回数を特定することができる場合、蓄電素子の製造時点から第１時点までの充放電回数を入力データとする学習データをさらに生成することにより、精度良くＳＯＨを推定できる学習済の学習モデルを生成することができる。なお、充放電回数を特定することができない場合には、充放電回数に代えて総通電電気量を用いてもよい。
　劣化推定装置において、前記学習処理部は、前記第１時点から第２時点までの学習期間を前記蓄電素子の使用期間に亘って複数設けて学習データに基づいて学習モデルを学習させてもよい。
　学習処理部は、第１時点から第２時点までの学習期間を蓄電素子の使用期間に亘って複数設けて学習データに基づいて学習モデルを学習させる。第１時点から第２時点までの学習期間をΔＮとすると、例えば、蓄電素子の製造時点から寿命までの使用期間に亘って、複数の学習期間ΔＮそれぞれの学習用データを用いて学習モデルを学習させることにより、蓄電素子の製造後、寿命に達するまでの所要の時点でのＳＯＨを推定することが可能となる。
　劣化推定装置は、学習処理部が学習させた学習済の学習モデルを用いて蓄電素子の劣化を推定する。これにより、第１時点（例えば、現在）のＳＯＨ、及び第１時点から第２時点（予測対象時点）までの蓄電素子のＳＯＣの代表値が分かれば、第２時点でのＳＯＨを推定することができる。また、第１時点から第２時点までの蓄電素子のＳＯＣの代表値をどのように設定すれば、第２時点でのＳＯＨをより大きく（ＳＯＨの低下を抑制）することができるかを判定することもできる。
　蓄電素子の劣化を推定する劣化推定装置は、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値を入力し、前記劣化シミュレータが出力するＳＯＨを取得する出力値取得部と、前記劣化シミュレータに入力したＳＯＣの代表値を取得する入力値取得部と、前記入力値取得部で取得したＳＯＣの代表値及び前記出力値取得部で取得したＳＯＨを学習データとして用いて学習モデルを学習させる学習処理部と、蓄電素子のＳＯＣの代表値を取得する代表値取得部と、前記蓄電素子のＳＯＨを取得するＳＯＨ取得部と、前記代表値取得部で取得したＳＯＣの代表値及び前記ＳＯＨ取得部で取得したＳＯＨを学習データとして用いて前記学習処理部で学習させた前記学習モデルを再学習させる再学習処理部とを備える。
　コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムは、コンピュータに、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値が入力されて、前記劣化シミュレータが出力するＳＯＨを取得する処理と、前記劣化シミュレータに入力したＳＯＣの代表値を取得する処理と、取得したＳＯＣの代表値及び取得したＳＯＨを学習データとして用いて学習モデルを学習させる処理と、蓄電素子のＳＯＣの代表値を取得する処理と、前記蓄電素子のＳＯＨを取得する処理と、取得したＳＯＣの代表値及び取得したＳＯＨを学習データとして用いて、学習させた前記学習モデルを再学習させる処理とを実行させる。
　蓄電素子の劣化を推定する劣化推定方法は、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値を入力し、前記劣化シミュレータが出力するＳＯＨを取得し、前記劣化シミュレータに入力したＳＯＣの代表値を取得し、取得されたＳＯＣの代表値及び取得されたＳＯＨを学習データとして用いて学習モデルを学習させ、蓄電素子のＳＯＣの代表値を取得し、前記蓄電素子のＳＯＨを取得し、取得されたＳＯＣの代表値及び取得されたＳＯＨを学習データとして用いて、学習させた前記学習モデルを再学習させる。
　出力値取得部は、蓄電素子のＳＯＣの変動に基づいて当該蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値を入力して劣化シミュレータが出力するＳＯＨを取得する。
　劣化シミュレータは、ＳＯＣの代表値に基づくＳＯＣの推移及び蓄電素子の温度に基づいて蓄電素子のＳＯＨの劣化値を推定することができる。蓄電素子の劣化予測対象期間（例えば、時点ｔから時点ｔ＋１まで）経過後の劣化値Ｑｄｅｇは、Ｑｄｅｇ＝Ｑｃｎｄ＋Ｑｃｕｒという式で算出できる。ここで、Ｑｃｎｄは非通電劣化値であり、Ｑｃｕｒは通電劣化値である。非通電劣化値Ｑｃｎｄは、例えば、Ｑｃｎｄ＝Ｋ１×√（ｔ）で求めることができる。ここで、係数Ｋ１は、ＳＯＣ及び温度Ｔの関数である。ｔは経過時間であり、例えば、時点ｔから時点ｔ＋１までの時間である。また、通電劣化値Ｑｃｕｒは、例えば、Ｑｃｕｒ＝Ｋ２×√（ｔ）で求めることができる。ここで、係数Ｋ２は、ＳＯＣ及び温度Ｔの関数である。時点ｔでのＳＯＨをＳＯＨｔとし、時点ｔ＋１でのＳＯＨをＳＯＨt+1 とすると、ＳＯＨt+1＝ＳＯＨｔ－ＱｄｅｇによりＳＯＨを推定することができる。係数Ｋ１は、劣化係数であり、ＳＯＣ及び温度Ｔと係数Ｋ１との対応関係を演算で求めてもよく、あるいはテーブル形式で記憶しておくことができる。ここで、ＳＯＣは、例えば、中心ＳＯＣ、ＳＯＣ変動幅などの代表値とすることができる。係数Ｋ２についても、係数Ｋ１と同様である。
　入力値取得部は、劣化シミュレータに入力したＳＯＣの代表値を取得する。
　学習処理部は、入力値取得部で取得したＳＯＣの代表値及び出力値取得部で取得したＳＯＨを学習データとして用いて学習モデルを学習させる。劣化シミュレータに様々なパターンのＳＯＣの代表値を入力すると、劣化シミュレータは、入力したＳＯＣの代表値に対する精度の高い劣化値（すなわち、ＳＯＨ）を出力する。様々なＳＯＣの代表値は、シミュレーション用に比較的容易に生成できるので、学習モデルの学習用データを容易に生成することができ、学習モデルの推定精度（正答率）を容易に高めることができる。
　代表値取得部は、蓄電素子のＳＯＣの代表値を取得する。ＳＯＣの代表値は、稼働中の蓄電素子の詳細な挙動を抽象化した情報ということができ、センサ情報から得られたＳＯＣの推移から求めることができ、例えば、ＳＯＣの平均、ＳＯＣの総変動量、ＳＯＣの変動幅などを含む。なお、ＳＯＣの代表値は、ＳＯＣの推移の実測値に基づいて求めることができるが、実測値の他に計算値を用いてもよい。
　ＳＯＨ取得部は、当該蓄電素子のＳＯＨを取得する。蓄電素子からセンサ情報（例えば、電流、電圧、及び温度）を収集することができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７－０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。
　再学習処理部は、代表値取得部で取得したＳＯＣの代表値及びＳＯＨ取得部で取得したＳＯＨを学習データとして用いて学習処理部で学習させた学習モデルを再学習させる。センサ情報を収集して得られたＳＯＣの代表値やＳＯＨは、例えば、推移のパターンが複雑となり、これらのデータを学習用データとして用いて未学習の学習モデルを学習させる場合、学習モデルの推定精度（正答率）を高めるのに大量の学習用データを必要とする傾向がある。予め、劣化シミュレータを用いることにより、比較的容易に学習データを得ることができ、未学習の学習モデルの推定精度を高めておくことができるので、再学習処理によって、大量の学習用データが無くても学習モデルの精度をさらに高めることができ、蓄電素子の劣化推定の精度を高くすることができる。
　劣化推定装置において、前記ＳＯＨ取得部は、蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得し、前記代表値取得部は、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する。
　ＳＯＨ取得部は、蓄電素子の第１時点でのＳＯＨ及び第１時点より後の第２時点でのＳＯＨを取得する。蓄電素子は、例えば、移動体や施設において稼働している蓄電素子であってもよい。監視装置などによって、蓄電素子からセンサ情報（例えば、電流、電圧、及び温度）を収集することができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７－０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。第１時点と第２時点との間の期間は、適宜設定することができ、例えば、１か月、３か月としてもよい。センサ情報に周期性がある場合は、第１時点と第２時点との間の期間を、センサ情報の周期で区切ってもよい。その際、ＳＯＨは、第１時点と第２時点の内挿値を用いてもよい。
　代表値取得部は、第１時点から第２時点までの間の当該蓄電素子のＳＯＣの代表値を取得する。リチウムイオン電池は、充放電や放置により電極と電解液の界面に固体電解質界面層（ＳＥＩ層）が生成され、ＳＥＩ層が成長するにつれてＳＯＨが低下する。本願発明者は、ＳＥＩ層の成長はＳＯＣに依存するという仮説に基づき、蓄電素子のＳＯＨの低下に影響を与えるＳＯＣの代表値を取得してＡＩの学習に使用することを発案した。ＳＯＣの代表値は、稼働中の蓄電素子の詳細な挙動を抽象化した情報ということができ、例えば、ＳＯＣの平均、ＳＯＣの総変動量、ＳＯＣの変動幅を含む。
　再学習処理部は、第１時点でのＳＯＨ及び代表値を入力データとし、第２時点でのＳＯＨを出力データとする学習データに基づいて学習処理部で学習済の学習モデルを再学習させる。例えば、第１時点でのＳＯＨをＳＯＨ（Ｎ）で表し、第２時点でのＳＯＨをＳＯＨ（Ｎ＋１）で表すとする。学習モデルは、第１時点でのＳＯＨがＳＯＨ（Ｎ）であり、第１時点から第２時点までの蓄電素子のＳＯＣの代表値に応じて、第２時点でのＳＯＨがＳＯＨ（Ｎ＋１）になるということを再学習する。
　このような学習データは、第１時点のＳＯＨ、第２時点のＳＯＨ、及び第１時点と第２時点との間のＳＯＣの代表値を含む。ＳＯＣの代表値は、学習済の学習モデルを再学習させるための情報を抽象化、あるいは加工した統計量と言える。これにより、比較的少ない情報量で学習済の学習モデルを再学習させることができ、蓄電素子の大量のデータを必要としない。
　ある時点（例えば、現在）のＳＯＨ、及び当該時点から予測対象時点までのＳＯＣの代表値を学習済又は再学習済の学習モデルに入力すれば、予測対象時点でのＳＯＨを推定することができる。これにより、ＡＩを用いて蓄電素子の劣化を推定することができる。
　蓄電素子の劣化を推定する劣化推定装置は、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに入力するＳＯＣの代表値、及び前記ＳＯＣの代表値を前記劣化シミュレータに入力したときに前記劣化シミュレータが出力するＳＯＨを学習データとして学習させた学習モデルを備え、前記学習モデルは、さらに、蓄電素子のＳＯＣの代表値及び前記蓄電素子のＳＯＨを学習データとして再学習してあり、蓄電素子の第１時点でのＳＯＨを取得するＳＯＨ取得部と、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する代表値取得部とを備え、前記第１時点でのＳＯＨ及び前記代表値取得部で取得した代表値を前記学習モデルに入力して前記第２時点でのＳＯＨを推定する。
　コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムは、請求項１８
　蓄電素子の劣化を推定する劣化推定方法は、蓄電素子の第１時点でのＳＯＨを取得し、前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得し、前記第１時点でのＳＯＨ及び前記代表値を、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに入力するＳＯＣの代表値、及び前記ＳＯＣの代表値を前記劣化シミュレータに入力したときに前記劣化シミュレータが出力するＳＯＨを学習データとして学習させ、さらに、蓄電素子のＳＯＣの代表値及び前記蓄電素子のＳＯＨを学習データとして再学習させた学習モデルに入力して前記第２時点でのＳＯＨを推定する。
　学習モデルは、蓄電素子のＳＯＣの変動に基づいて当該蓄電素子のＳＯＨを推定する劣化シミュレータに入力するＳＯＣの代表値、及びＳＯＣの代表値を劣化シミュレータに入力したときに劣化シミュレータが出力するＳＯＨを学習データとして学習させてある。学習モデルは、さらに、蓄電素子のＳＯＣの代表値及び当該蓄電素子のＳＯＨを学習データとして再学習してある。
　予め、劣化シミュレータを用いることにより、比較的容易に学習データを得ることができ、未学習の学習モデルの推定精度を高めておくことができる。さらに、再学習することにより、大量の学習用データが無くても学習モデルの精度をさらに高めることができ、蓄電素子の劣化推定の精度を高くすることができる。
　ＳＯＨ取得部は、蓄電素子の第１時点でのＳＯＨを取得する。代表値取得部は、第１時点から第２時点までの間の当該蓄電素子のＳＯＣの代表値を取得する。第１時点でのＳＯＨ及び代表値取得部で取得した代表値を学習モデルに入力して第２時点でのＳＯＨを推定する。
　ある時点（例えば、現在）のＳＯＨ、及び当該時点から予測対象時点までのＳＯＣの代表値を学習済又は再学習済の学習モデルに入力すれば、予測対象時点でのＳＯＨを推定することができる。これにより、ＡＩを用いて蓄電素子の劣化を推定することができる。
本実施の形態の遠隔監視システムの概要を示す図である。 遠隔監視システムの構成の一例を示すブロック図である。 通信デバイスの接続形態の一例を示す図である。 サーバ装置の構成の一例を示すブロック図である。 学習モデルの構成の一例を示す模式図である。 蓄電素子の使用時間に応じたＳＯＨの低下の一例を示す模式図である。 一定ＳＯＣにおける放置試験での温度とＳＯＨ低下との関係の一例を示す模式図である。 一定温度における放置試験でのＳＯＣの平均とＳＯＨ低下との関係の一例を示す模式図である。 一定温度、一定ＳＯＣ平均におけるサイクル試験でのＳＯＣの変動幅とＳＯＨ低下との関係の一例を示す模式図である。 一定温度、一定ＳＯＣ変動幅におけるサイクル試験でのＳＯＣ総変動量とＳＯＨ低下との関係の一例を示す模式図である。 第１時点及び第２時点での蓄電素子のＳＯＨの低下の一例を示す模式図である。 第１時点から第２時点までの温度データの一例を示す模式図である。 第１時点から第２時点までのＳＯＣ推移のパターンの一例を示す模式図である。 第１時点と第２時点との間のＳＯＣの代表値の一例を示す模式図である。 学習用データの一例を示す構成図である。 学習用データの他の例を示す構成図である。 複数の学習期間を設定した一例を示す模式図である。 寿命推定のための入力データの一例を示す構成図である。 寿命推定のための入力データの他の例を示す構成図である。 蓄電素子の劣化推定結果の一例を示す模式図である。 学習モードでの処理部の処理手順の一例を示すフローチャートである。 推定モードでの処理部の処理手順の一例を示すフローチャートである。 第１時点から第２時点までの蓄電素子のＳＯＣ推移パターンの一例を示す模式図である。 第１時点から第２時点までの蓄電素子の温度推移パターンの一例を示す模式図である。 第３実施形態の劣化シミュレータの動作を示す模式図である。 劣化シミュレータによるＳＯＨの推定の一例を示す模式図である。 劣化シミュレータの推定値に基づく学習用データの一例を示す構成図である。 学習モデルの学習データセットと推定精度との関係の一例を示す模式図である。 第３実施形態の学習モードでの処理部の処理手順の一例を示すフローチャートである。
（第１実施形態）
　以下、本実施の形態に係る劣化推定装置を図面に基づいて説明する。図１は本実施の形態の遠隔監視システム１００の概要を示す図である。図１に示すように、公衆通信網（例えば、インターネットなど）Ｎ１及び移動通信規格による無線通信を実現するキャリアネットワークＮ２などを含むネットワークＮには、火力発電システムＦ、メガソーラー発電システムＳ、風力発電システムＷ、無停電電源装置（ＵＰＳ：Uninterruptible Power Supply）Ｕ及び鉄道用の安定化電源システム等に配設される整流器（直流電源装置、又は交流電源装置）Ｄなどが接続されている。また、ネットワークＮには、後述の通信デバイス１、通信デバイス１から情報を収集し、劣化推定装置としてのサーバ装置２、及び収集された情報を取得するクライアント装置３などが接続されている。本実施の形態において、劣化推定装置は、寿命シミュレータであってもよい。
　より具体的には、キャリアネットワークＮ２には基地局ＢＳが含まれ、クライアント装置３は、基地局ＢＳからネットワークＮを経由してサーバ装置２と通信することができる。また、公衆通信網Ｎ１にはアクセスポイントＡＰが接続されており、クライアント装置３は、アクセスポイントＡＰからネットワークＮを経由してサーバ装置２との間で情報を送受信することができる。
　メガソーラー発電システムＳ、火力発電システムＦ及び風力発電システムＷには、パワーコンディショナ（ＰＣＳ：Power Conditioning System）Ｐ、及び蓄電システム１０１が併設されている。蓄電システム１０１は、蓄電モジュール群Ｌを収容したコンテナＣを複数並設して構成されている。蓄電モジュール群Ｌは、例えば、蓄電セル（セルとも称する）を複数直列に接続した蓄電モジュール（モジュールとも称する）と、蓄電モジュールを複数直列に接続したバンクと、バンクを複数並列に接続したドメインとの階層構造にて構成されている。蓄電素子は、鉛蓄電池及びリチウムイオン電池のような二次電池や、キャパシタのような、再充電可能なものであることが好ましい。蓄電素子の一部が、再充電不可能な一次電池であってもよい。
　図２は遠隔監視システム１００の構成の一例を示すブロック図である。遠隔監視システム１００は、通信デバイス１、サーバ装置２、クライアント装置３などを備える。
　図２に示すように、通信デバイス１は、ネットワークＮに接続されるとともに、対象装置Ｐ、Ｕ、Ｄ、Ｍにも接続されている。対象装置Ｐ、Ｕ、Ｄ、Ｍは、パワーコンディショナＰ、無停電電源装置Ｕ、整流器Ｄ、後述する管理装置Ｍを含む。
　遠隔監視システム１００では、各対象装置Ｐ、Ｕ、Ｄ、Ｍに接続した通信デバイス１を用いて、蓄電システム１０１における蓄電モジュール（蓄電セル）の状態（例えば、電圧、電流、温度、充電状態（ＳＯＣ）を監視するとともに収集する。遠隔監視システム１００は、検知された蓄電セルの状態（劣化状態、異常状態などを含む）をユーザ又はオペレータ（保守担当者）が確認できるように提示する。
　通信デバイス１は、制御部１０、記憶部１１、第１通信部１２及び第２通信部１３を備える。制御部１０は、ＣＰＵ（Central Processing Unit）などで構成され、内蔵するＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等のメモリを用い、通信デバイス１全体を制御する。
　記憶部１１は、例えば、フラッシュメモリ等の不揮発性メモリを用いることができる。記憶部１１には、制御部１０が読み出して実行するデバイスプログラム１Ｐが記憶されている。記憶部１１には、制御部１０の処理によって収集された情報、イベントログ等の情報が記憶される。
　第１通信部１２は、対象装置Ｐ、Ｕ、Ｄ、Ｍとの通信を実現する通信インタフェースであり、例えば、ＲＳ－２３２Ｃ又はＲＳ－４８５等のシリアル通信インタフェースを用いることができる。
　第２通信部１３は、ネットワークＮを経由して通信を実現するインタフェースであり、例えば、Ethernet（登録商標）、又は無線通信用アンテナ等の通信インタフェースを用いる。制御部１０は、第２通信部１３を介してサーバ装置２と通信が可能である。
　クライアント装置３は、発電システムＳ、Ｆの蓄電システム１０１の管理者、対象装置Ｐ、Ｕ、Ｄ、Ｍの保守担当者等のオペレータが使用するコンピュータであってもよい。クライアント装置３は、デスクトップ型又はラップトップ型のパーソナルコンピュータであってもよいし、スマートフォン又はタブレット型の通信端末であってもよい。クライアント装置３は、制御部３０、記憶部３１、通信部３２、表示部３３、及び操作部３４を備える。
　制御部３０は、ＣＰＵを用いたプロセッサである。制御部３０は、記憶部３１に記憶されているＷｅｂブラウザプログラムに基づき、サーバ装置２又は通信デバイス１により提供されるＷｅｂページを表示部３３に表示させる。
　記憶部３１は、例えばハードディスク又はフラッシュメモリ等の不揮発性メモリを用いる。記憶部３１には、Ｗｅｂブラウザプログラムを含む各種プログラムが記憶されている。
　通信部３２は、有線通信用のネットワークカード等の通信デバイス、基地局ＢＳ（図１参照）に接続する移動通信用の無線通信デバイス、又はアクセスポイントＡＰへの接続に対応する無線通信デバイスを用いることができる。制御部３０は、通信部３２により、ネットワークＮを介してサーバ装置２又は通信デバイス１との間で通信接続又は情報の送受信が可能である。
　表示部３３は、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ等のディスプレイを用いることができる。表示部３３は、制御部３０のＷｅｂブラウザプログラムに基づく処理により、サーバ装置２で提供されるＷｅｂページのイメージを表示することができる。
　操作部３４は、制御部３０との間で入出力が可能なキーボード及びポインティングデバイス、若しくは音声入力部等のユーザインタフェースである。操作部３４は、表示部３３のタッチパネル、又は筐体に設けられた物理ボタンを用いてもよい。操作部３４は、ユーザによる操作情報を制御部２０へ通知する。
　サーバ装置２の構成については後述する。
　図３は通信デバイス１の接続形態の一例を示す図である。図３に示すように、通信デバイス１は、管理装置Ｍに接続される。管理装置Ｍには、さらに、バンク＃１～＃Ｎそれぞれに設けられた管理装置Ｍが接続されている。なお、通信デバイス１は、バンク＃１～＃Ｎそれぞれに設けられた管理装置Ｍと通信して蓄電素子の情報を受信する端末装置（計測モニタ）であってもよいし、電源関連装置に接続可能なネットワークカード型の通信デバイスであってもよい。
　各バンク＃１～＃Ｎは、複数の蓄電モジュール６０を備え、各蓄電モジュール６０は、制御基板（ＣＭＵ：Cell Monitoring Unit）７０を備える。バンク毎に設けられている管理装置Ｍは、蓄電モジュール６０に夫々内蔵されている通信機能付きの制御基板７０とシリアル通信によって通信を行うことができるとともに、通信デバイス１に接続された管理装置Ｍとの間で情報の送受信を行うことができる。通信デバイス１に接続された管理装置Ｍは、ドメインに所属するバンクの管理装置Ｍからの情報を集約し、通信デバイス１へ出力する。
　図４はサーバ装置２の構成の一例を示すブロック図である。サーバ装置２は、制御部２０、通信部２１、記憶部２２、及び処理部２３を備える。処理部２３は、ＳＯＣ推定部２４、ＳＯＣ代表値取得部２５、学習データ生成部２６、学習モデル２７、学習処理部２８、及び入力データ生成部２９を備える。サーバ装置２は、１台のサーバコンピュータでもよいが、これに限定されるものではなく、複数台のサーバコンピュータで構成してもよい。なお、サーバ装置２は、シミュレータであってもよい。
　制御部２０は、例えば、ＣＰＵで構成することができ、内蔵するＲＯＭ及びＲＡＭ等のメモリを用い、サーバ装置２全体を制御する。制御部２０は、記憶部２２に記憶されているサーバプログラム２Ｐに基づく情報処理を実行する。サーバプログラム２ＰにはＷｅｂサーバプログラムが含まれ、制御部２０は、クライアント装置３へのＷｅｂページの提供、Ｗｅｂサービスへのログインの受け付け等を実行するＷｅｂサーバとして機能する。制御部２０は、サーバプログラム２Ｐに基づき、ＳＮＭＰ（Simple Network Management Protocol）用サーバとして通信デバイス１から情報を収集することも可能である。
　通信部２１は、ネットワークＮを介した通信接続及びデータの送受信を実現する通信デバイスである。具体的には、通信部２１は、ネットワークＮに対応したネットワークカードである。
　記憶部２２は、例えばハードディスク又はフラッシュメモリ等の不揮発性メモリを用いることができる。記憶部２２には、制御部２０の処理によって収集される監視対象となる対象装置Ｐ、Ｕ、Ｄ、Ｍの状態を含むセンサ情報（例えば、蓄電素子の電圧データ、電流データ、温度データ）を記憶する。
　処理部２３は、記憶部２２のデータベースに収集された蓄電素子（蓄電モジュール、蓄電セル）のセンサ情報（時系列の電圧データ、時系列の電流データ、時系列の温度データ）を、蓄電素子毎に区分して取得することができる。
　処理部２３は、学習モデル２７を学習させる学習モードと、学習済の学習モデル２７を用いて蓄電素子のＳＯＨ（State Of Health）を推定（劣化を推定）する推定モードで動
作する。ＳＯＨは、現在の満充電容量を、新品で所定温度のときの満充電容量を基準に比較した指標である。例えば、ＳＯＨが８０％は、新品の８０％しか容量がないことを意味する。また、容量の代わりに、充放電可能な電力量を基準としてもよい。一般的には、ＳＯＨが閾値より小さくなると寿命に達し、蓄電素子は使用できないと判断される。
　図５は学習モデル２７の構成の一例を示す模式図である。学習モデル２７は、深層学習（ディープラーニング）を含むニューラルネットワークモデルであり、入力層、出力層及び複数の中間層から構成されている。なお、図５では、便宜上、２つ中間層を図示しているが、中間層の層数は２つに限定されず、３つ以上であってもよい。
　入力層、出力層及び中間層には、１つ又は複数のノード（ニューロン）が存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みで結合されている。入力層のノードの数と同数の成分を有するベクトルが、学習モデル２７の入力データ（学習用の入力データ及びＳＯＨ推定用の入力データ）として与えられる。入力データには、蓄電素子情報、時間情報、ＳＯＣの平均、ＳＯＣの総変動量、ＳＯＣの変動幅、温度の平均、ＳＯＨ情報などが含まれる。出力データには、ＳＯＨ情報が含まれる。これらの情報の詳細は後述する。また、特にＳＯＣに関する情報と温度情報とは互いに関連し、かつ、ＳＯＣに関する情報及び温度情報の局所的な変動がＳＯＨの変化に関連するため、それらを反映する、畳み込み層やプーリング層を中間層に加えた畳み込みニューラルネットワークを用いることが望ましい。
　入力層の各ノードに与えられたデータは、最初の中間層に入力して与えられると、重み及び活性化関数を用いて中間層の出力が算出され、算出された値が次の中間層に与えられ、以下同様にして出力層の出力が求められるまで次々と後の層（下層）に伝達される。なお、ノードを結合する重みのすべては、学習アルゴリズムによって計算される。
　学習モデル２７の出力層は、出力データとしてＳＯＨ情報を生成する。出力データは、出力層のノードの数（出力層のサイズ）と同じサイズの成分を有するベクトル形式のデータとすることができる。例えば、蓄電素子のＳＯＨを、０％から１００％まで１％毎に出力する場合、出力層のノード数を１０１とすることができる。なお、実用的なＳＯＨ情報として、例えば、６０％から１００％の間で１％毎にＳＯＨを推定した場合には、出力層のノード数を４１とすればよい。また、ＳＯＨの値を数％毎に区切り、数％の区切り毎に出力データを出力してもよい。なお、出力層からの出力値は、ＳＯＨの各区分に分類される確率と解釈することができる。
　学習モデル２７及び学習処理部２８は、例えば、ＣＰＵ（例えば、複数のプロセッサコアを実装したマルチ・プロセッサなど）、ＧＰＵ（Graphics Processing Units）、ＤＳＰ（Digital Signal Processors）、ＦＰＧＡ（Field-Programmable Gate Arrays）などのハードウェアを組み合わせることによって構成することができる。また、量子プロセッサを組み合わせることもできる。学習モデル２７は、ニューラルネットワークモデルに限定されるものではなく、他の機械学習モデルでもよい。
　図６は蓄電素子の使用時間に応じたＳＯＨの低下の一例を示す模式図である。図中、縦軸はＳＯＨ（％）を示し、横軸は時間を示す。蓄電素子は、使用時間（放置時間も含む）によりＳＯＨが低下する。図６に示すように、時点ｔａ、ｔｂ、ｔｃ、ｔｄとし、時点ｔｂと時点ｔａとの時間は、時点ｔｄと時点ｔｃとの時間と同じとする。この場合、時点ｔａから時点ｔｂまでの間のＳＯＨの低下ΔＳＯＨ（ｔｂ）と、時点ｔｃから時点ｔｄまでの間のＳＯＨの低下ΔＳＯＨ（ｔｄ）とで異なる。このように、同じ使用期間でも、蓄電素子の使用状態によって、ＳＯＨの低下度合いは異なる。そこで、蓄電素子の様々な使用状態を特定するために、異なる二つの時点間の蓄電素子の使用状態を把握することが、蓄電素子のＳＯＨを推定するために重要な因子となる。
　図７は一定ＳＯＣにおける放置試験での温度とＳＯＨ低下との関係の一例を示す模式図である。図中、縦軸はＳＯＨを示し、横軸は時間を示す。図７に示すように、蓄電素子の温度が高い方がＳＯＨの低下の度合いが大きいことが分かる。すなわち、ＳＯＨの低下（減少）と温度（平均温度）との間には相関があり、ＳＯＨを推定（予測）する場合に、温度（平均温度）は重要な情報となる。
　図８は一定温度における放置試験でのＳＯＣの平均とＳＯＨ低下との関係の一例を示す模式図である。図中、縦軸はＳＯＨを示し、横軸は時間を示す。ＳＯＣの平均とは、ある期間内でのＳＯＣの値をサンプリングして合計した値をサンプリング数で除算した値であり、中心ＳＯＣである。図８に示すように、ＳＯＣの平均が異なれば、ＳＯＨの低下の度合いが異なることが分かる。すなわち、ＳＯＨの低下（減少）とＳＯＣの平均との間には相関があり、ＳＯＨを推定（予測）する場合に、ＳＯＣの平均は重要な代表値となる。
　図９は一定温度、一定ＳＯＣ平均におけるサイクル試験でのＳＯＣの変動幅とＳＯＨ低下との関係の一例を示す模式図である。図中、縦軸はＳＯＨを示し、横軸は時間を示す。ＳＯＣの変動幅とは、ある期間内でＳＯＣが変動した場合、当該期間のＳＯＣの最大値と最小値との差である。図９に示すように、ＳＯＣの変動幅が大きいほど、ＳＯＨの低下の度合いが大きくなることが分かる。すなわち、ＳＯＨの低下（減少）とＳＯＣの変動幅との間には相関があり、ＳＯＨを推定（予測）する場合に、ＳＯＣの変動幅は重要な代表値となる。
　図１０は一定温度、一定ＳＯＣ変動幅におけるサイクル試験でのＳＯＣ総変動量とＳＯＨ低下との関係の一例を示す模式図である。図中、縦軸はＳＯＨを示し、横軸は時間を示す。ＳＯＣ総変動量とは、ある期間においてＳＯＣがどのように変動したかの経路に沿った変動量の積算である。図１０に示すように、ＳＯＣ総変動量が大きいほど、ＳＯＨの低下の度合いが大きくなることが分かる。すなわち、ＳＯＨの低下（減少）とＳＯＣ総変動量との間には相関があり、ＳＯＨを推定（予測）する場合に、ＳＯＣ総変動量は重要な代表値となる。
　図１１は第１時点及び第２時点での蓄電素子のＳＯＨの低下の一例を示す模式図である。第１時点でのＳＯＨをＳＯＨ（Ｎ）で表し、第２時点でのＳＯＨをＳＯＨ（Ｎ＋１）で表す。第２時点でのＳＯＨの低下{ＳＯＨ（Ｎ）－ＳＯＨ（Ｎ＋１）}は、第１時点でのＳＯＨ（Ｎ）だけでなく、第１時点から第２時点まで、当該蓄電素子がどのような使用状態であったかに応じて異なる。別言すれば、蓄電素子の第１時点でのＳＯＨ（Ｎ）を特定することにより、第１時点から第２時点までの蓄電素子の使用状態が分かれば、蓄電素子の第２時点でのＳＯＨ（Ｎ＋１）を推定することが可能となる。また、前述のとおり、蓄電素子の温度（平均温度）、ＳＯＣに係る代表値によって、第１時点から第２時点までの使用状態を特徴付けることができる。
　以下では、まず学習モデル２７の学習モードについて説明する。
　処理部２３は、ＳＯＨ取得部としての機能を有し、蓄電素子の第１時点でのＳＯＨ及び第１時点より後の第２時点でのＳＯＨを取得する。蓄電素子は、例えば、実際に移動体や施設において稼働している蓄電素子とすることができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７－０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。第１時点と第２時点との間の期間は、適宜設定することができ、例えば、１か月、３か月としてもよい。センサ情報に周期性がある場合は、第１時点と第２時点との間の期間を、センサ情報の周期で区切ってもよい。その際、ＳＯＨは、第１時点と第２時点の内挿値を用いてもよい。また、第１時点でのＳＯＨは、第１時点よりも前の時点でのＳＯＨに基づいて、学習済の学習モデル２７により推定した値を用いることもできる。これにより、任意の期間において、蓄電素子の製造後の使用期間（放置期間も含む）において、連続的に蓄電素子のＳＯＨを推定することが可能となる。
　ＳＯＣ代表値取得部２５は、代表値取得部としての機能を有し、第１時点から第２時点までの間の蓄電素子のＳＯＣの代表値を取得する。蓄電素子（例えば、リチウムイオン電池）は、充放電や放置により電極と電解液の界面に固体電解質界面層（ＳＥＩ層）が生成され、ＳＥＩ層が成長するにつれてＳＯＨが低下する。本願発明者は、ＳＥＩ層の成長はＳＯＣに依存するという仮説に基づき、蓄電素子のＳＯＨの低下に影響を与えるＳＯＣの代表値を取得してＡＩの学習に使用することを発案した。ＳＯＣの代表値は、稼働中の蓄電素子の詳細な挙動を抽象化した情報ということができる。なお、ＳＯＣの代表値を外部のサーバ装置などから取得するようにしてもよい。
　学習データ生成部２６は、第１時点でのＳＯＨ及び第１時点と第２時点との間のＳＯＣの代表値を入力データとし、第２時点でのＳＯＨを出力データとする学習データを生成する。
　学習処理部２８は、学習データ生成部２６で生成した学習データに基づいて学習モデル２７を学習させる。
　なお、上述の学習データ生成部２６は、サーバ装置２内に具備する必要はなく、他のサーバ装置に具備するようにし、当該サーバ装置で生成された学習データを取得し、学習処理部２８が、取得した学習データに基づいて学習モデル２７を学習させる構成でもよい。本明細書の以下の説明においても同様である。
　第１時点でのＳＯＨをＳＯＨ（Ｎ）で表し、第２時点でのＳＯＨをＳＯＨ（Ｎ＋１）で表すとする。学習モデル２７は、第１時点でのＳＯＨがＳＯＨ（Ｎ）であり、第１時点から第２時点までの蓄電素子のＳＯＣの代表値に応じて、第２時点でのＳＯＨがＳＯＨ（Ｎ＋１）になるということを学習する。
　このような学習データは、第１時点のＳＯＨ、第２時点のＳＯＨ、及び第１時点と第２時点との間のＳＯＣの代表値を含む。ＳＯＣの代表値は、学習モデル２７を学習させるための情報を抽象化、あるいは加工した統計量と言える。これにより、比較的少ない情報量で学習モデル２７を学習させることができ、蓄電素子の大量のデータを必要としない。
　ある時点（例えば、現在）のＳＯＨ、及び当該時点から予測対象時点までのＳＯＣの代表値の学習済の学習モデル２７に入力すれば、予測対象時点でのＳＯＨを推定することができる。これにより、ＡＩを用いて蓄電素子の劣化を推定することができる。
　次に、第１時点と第２時点との間の蓄電素子の使用状態を特徴付ける平均温度、及びＳＯＣの代表値について説明する。
　図１２は第１時点から第２時点までの温度データの一例を示す模式図である。図中、縦軸は温度を示し、横軸は時間を示す。処理部２３は、第１時点と第２時点との間で温度データに基づいて、第１時点と第２時点との間の平均温度を算出する。なお、図１２の例では、第１時点と第２時点との間で温度データが詳細に得られているが、データ数が少ない場合でも、第１時点と第２時点との間の平均温度を求めることができる。
　図１３は第１時点から第２時点までのＳＯＣ推移のパターンの一例を示す模式図である。図中、縦軸はＳＯＣを示し、横軸は時間を示す。ＳＯＣ推定部２４は、第１時点から第２時点までの間の蓄電素子のＳＯＣの推移を推定する。なお、図１３の例では、第１時点から第２時点までの間の蓄電素子のＳＯＣの時系列のデータが詳細に得られているが、データ数が少ない場合でも、第１時点と第２時点との間のＳＯＣ推移のパターンを求めることができる。例えば、第１時点から第２時点までの間の蓄電素子のＳＯＣの時系列のデータ量が十分でなく、ＳＯＣの値が不明な時間又は時間帯が存在するような場合、得られているＳＯＣのデータに基づいて、データが存在した箇所のＳＯＣ値を補間することにより、ＳＯＣの推移のパターンを推定することができる。これにより、大量のセンサ情報を必要としない。
　図１４は第１時点と第２時点との間のＳＯＣの代表値の一例を示す模式図である。図中、縦軸はＳＯＣを示し、横軸は時間を示す。ＳＯＣ代表値取得部２５は、ＳＯＣ推移パターンに基づいて第１時点から第２時点までの間のＳＯＣの平均を取得する。ＳＯＣの平均は、第１時点から第２時点までの間のＳＯＣの値をサンプリングして合計した値をサンプリング数で除算した値であり、中心ＳＯＣである。蓄電素子のＳＯＣが変動する場合、ＳＯＣの平均に応じてＳＯＨの低下の度合いが異なる。学習データ生成部２６は、第１時点から第２時点までの間のＳＯＣの平均を入力データとする学習用データを生成する。第１時点から第２時点までの間のＳＯＣの平均を学習モデル２７に学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデル２７を生成することができる。
　ＳＯＣ代表値取得部２５は、ＳＯＣ推移パターンに基づいて第１時点から第２時点までの間のＳＯＣの総変動量を取得する。ＳＯＣの総変動量は、第１時点から第２時点までのＳＯＣがどのように変動したかの経路に沿った変動量の積算である。蓄電素子のＳＯＣが変動する場合、ＳＯＣの総変動量に応じてＳＯＨの低下の度合いが異なる。学習データ生成部２６は、第１時点から第２時点までの間のＳＯＣの総変動量を入力データとする学習用データを生成する。第１時点から第２時点までの間のＳＯＣの総変動量を学習モデル２７に学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデル２７を生成することができる。
　ＳＯＣ代表値取得部２５は、ＳＯＣ推移パターンに基づいて第１時点から第２時点までの間のＳＯＣの変動幅を取得する。ＳＯＣの変動幅は、第１時点から第２時点までの間のＳＯＣの最大値と最小値との差である。蓄電素子のＳＯＣが変動する場合、ＳＯＣの変動幅に応じてＳＯＨの低下の度合いが異なる。学習データ生成部２６は、第１時点から第２時点までの間のＳＯＣの変動幅を入力データとする学習用データを生成する。第１時点から第２時点までの間のＳＯＣの変動幅を学習モデル２７に学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデル２７を生成することができる。上述のように、第１実施形態においては、ＳＯＣの代表値は、第１時点から第２時点までの間のＳＯＣの平均、第１時点から第２時点までの間のＳＯＣの総変動量、第１時点から第２時点までの間のＳＯＣの変動幅とすることができる。
　学習データ生成部２６は、第１時点と第２時点との間の平均温度を入力データとする学習用データを生成する。なお、平均温度も第１時点と第２時点との間の温度の推移ということができる。
　図１５は学習用データの一例を示す構成図である。図１５の例では、第１時点から第２時点までの時間幅をΔｔで表している。図１５に示すように、学習用入力データは、第１時点から第２時点までの時間幅Δｔ、時間幅Δｔでの平均温度、時間幅ΔｔでのＳＯＣの平均、時間幅ΔｔでのＳＯＣの総変動量、時間幅ΔｔでのＳＯＣの変動幅、第１時点でのＳＯＨ（Ｎ）とすることができる。学習用出力データは、第２時点でのＳＯＨ（Ｎ＋１）とすることができる。なお、学習用入力データは、図１５に示すデータを全て含む必要はなく、例えば、ＳＯＣの総変動量又はＳＯＣの変動幅のいずれか、あるいは両方を省略してもよい。ただし、ＳＯＣの総変動量、ＳＯＣの変動幅を学習させることにより、ＳＯＨの推定精度の向上が期待できる。
　図１６は学習用データの他の例を示す構成図である。図１５の例との違いは、学習用入力データに、さらに、製造時点（例えば、製造完了時点）から第１時点までの経過時間Ｄｔ１、及び製造時点（例えば、製造完了時点）から第１時点までの充放電回数Ｃｔ１を含めることができる。
　学習データ生成部２６は、蓄電素子の製造時点から第１時点までの経過期間を入力データとする学習データを生成することができる。蓄電素子は、放置時間にともないＳＯＨが低下する（カレンダー劣化）。第１時点以降のＳＯＨの低下は、製造時点（例えば、製造完了時点）から第１時点までの経過時間の長短に依存すると考えられる。そこで、蓄電素子の製造時点から第１時点までの経過期間を入力データとする学習データをさらに生成することにより、精度良くＳＯＨを推定できる学習済の学習モデル２７を生成することができる。
　学習データ生成部２６は、蓄電素子の製造時点から第１時点までの総通電電気量（例えば、充放電回数を特定することができる場合には充放電回数でもよい）を入力データとする学習データを生成することができる。蓄電素子は、充放電回数にともないＳＯＨが低下する（サイクル劣化）。第１時点以降のＳＯＨの低下は、製造時点（例えば、製造完了時点）から第１時点までの充放電回数の多少に依存すると考えられる。そこで、充放電回数を特定することができる場合、蓄電素子の製造時点から第１時点までの充放電回数を入力データとする学習データをさらに生成することにより、精度良くＳＯＨを推定できる学習済の学習モデル２７を生成することができる。なお、経過時間Ｄｔ１又は充放電回数Ｃｔ１のいずれか一方だけを用いて学習データを生成してもよい。また、充放電回数を特定することができない場合には、充放電回数に代えて総通電電気量を用いてもよい。
　上述の例では、第１時点から第２時点までの学習期間を一つだけ設定する例について説明したが、これに限定されるものではない。
　図１７は複数の学習期間を設定した一例を示す模式図である。図中、縦軸はＳＯＨを示し、横軸は時間を示す。図１７に示すように、時点Ｎ１、時点Ｎ２、時点Ｎ３、時点Ｎ４、時点Ｎ５、時点Ｎ６、時点Ｎ７、及び時点Ｎ８を設定する。隣り合う時点間の時間は異なっていてもよい。時点Ｎ１を第１時点とし、時点Ｎ２を第２時点とする学習期間を設定することができる。また、時点Ｎ２を第１時点とし、時点Ｎ３を第２時点とする学習期間を設定することができる。以下、同様である。
　図１７に示すように、学習データ生成部２６は、第１時点から第２時点までの学習期間を蓄電素子の使用期間に亘って複数設けて学習データを生成することができる。第１時点から第２時点までの学習期間をΔＮとすると、例えば、蓄電素子の製造時点から寿命までの使用期間に亘って、複数の学習期間ΔＮそれぞれの学習用データを用いて学習モデル２７を学習させることにより、蓄電素子の製造後、寿命に達するまでの所要の時点でのＳＯＨを推定することが可能となる。すなわち、蓄電素子の寿命予測が可能となる。
　次に、ＳＯＨを推定する推定モードについて説明する。
　図１８は寿命推定のための入力データの一例を示す構成図である。図１８に示すように、寿命推定のための入力データは、予測期間の時間幅Δｔｅ、時間幅Δｔｅでの平均温度、時間幅ΔｔｅでのＳＯＣの平均、時間幅ΔｔｅでのＳＯＣの総変動量、時間幅ΔｔｅでのＳＯＣの変動幅、予測期間の始点（第１時点）でのＳＯＨｅとすることができる。時間幅Δｔｅは、学習用データで用いられた、第１時点から第２時点までの時間幅と同じとすることができる。なお、寿命推定のための入力データは、図１８に示すデータを全て含む必要はなく、例えば、ＳＯＣの総変動量又はＳＯＣの変動幅のいずれか、あるいは両方を省略してもよい。ただし、ＳＯＣの総変動量、ＳＯＣの変動幅を入力データに加えることにより、ＳＯＨの推定精度の向上が期待できる。
　入力データ生成部２９は、第１時点でのＳＯＨ及び第１時点から第２時点までの間の蓄電素子のＳＯＣの代表値に基づいて寿命推定のための入力データを生成する。具体的には、入力データ生成部２９は、図１８に例示したような、予測期間の時間幅Δｔｅ、時間幅Δｔｅでの平均温度、時間幅ΔｔｅでのＳＯＣの平均、時間幅ΔｔｅでのＳＯＣの総変動量、時間幅ΔｔｅでのＳＯＣの変動幅、予測期間の始点（第１時点）ＳＯＨｅに係る入力データを生成する。例えば、第１時点でのＳＯＨｅは、第１時点よりも前の時点でのＳＯＨに基づいて、学習済の学習モデル２７により推定した値を用いることもできる。これにより、任意の期間において、連続的にＳＯＨを推定することが可能となる。
　学習済の学習モデル２７は、入力データ生成部２９が生成した入力データに基づいて、予測対象時点（予測期間の終点、すなわち第２時点）でのＳＯＨを推定する。これにより、第１時点（例えば、現在）のＳＯＨ、及び予測期間での蓄電素子のＳＯＣの代表値が分かれば、予測対象時点でのＳＯＨを推定することができる。また、第１時点のＳＯＨを用いることにより、第１時点を基準にして、予測期間での蓄電素子のＳＯＣの代表値をどのように設定すれば、予測対象時点でのＳＯＨをより大きく（ＳＯＨの低下を抑制）することができるかを判定することもできる。
　図１９は寿命推定のための入力データの他の例を示す構成図である。図１８の例との違いとして、入力データに、さらに、製造時点（例えば、製造完了時点）から予測期間の始点までの経過時間Ｄｔｅ、及び製造時点（例えば、製造完了時点）から予測期間の始点までの充放電回数Ｃｔｅを含んでいる。
　図２０は蓄電素子の劣化推定結果の一例を示す模式図である。図中、縦軸はＳＯＨを示し、横軸は時間を示す。学習済の学習モデル２７は、予測期間の始点（例えば、現在）において、将来の予測対象時点でのＳＯＨを推定する。図２０において、破線で示す曲線は、蓄電素子の現在から予測対象時点までの予定使用条件（例えば、ユーザが予定している使用状態）におけるＳＯＨの推移を示す。本実施の形態のサーバ装置２によれば、蓄電素子の現在から予測対象時点までの使用条件を変えてＳＯＨを推定することができる。例えば、実線で示す曲線のように、予測対象時点でのＳＯＨの低下を抑制することができる使用条件（推奨使用条件）を見つけることができる。現在（始点）のＳＯＨ、すなわち第１時点のＳＯＨを用いることにより、第１時点を基準にして、始点から予測対象時点までの蓄電素子の使用条件をどのように設定すれば、ＳＯＨの低下を抑制することができるかの情報をユーザに提供することができる。
　図２１は学習モードでの処理部２３の処理手順の一例を示すフローチャートである。処理部２３は、第１時点及び第２時点を設定し（Ｓ１１）、第１時点及び第２時点のＳＯＨを取得する（Ｓ１２）。処理部２３は、第１時点から第２時点までのセンサ情報（時系列の電流データ、時系列の温度データ、時系列の電圧データ）を取得する（Ｓ１３）。
　処理部２３は、取得したセンサ情報に基づいて第１時点から第２時点までの時間幅ΔｔでのＳＯＣ推移パターンを生成し（Ｓ１４）、時間幅ΔｔでのＳＯＣの代表値を取得する（Ｓ１５）。処理部２３は、時間幅Δｔ、ＳＯＣの代表値、時間幅Δｔでの平均温度及び第１時点のＳＯＨを入力データとし、第２時点でのＳＯＨを出力データとする学習用データを生成する（Ｓ１６）。
　処理部２３は、生成した学習用データに基づいて、学習モデル２７の学習及び更新を行い（Ｓ１７）、処理を終了するか否かを判定する（Ｓ１８）。処理を終了しないと判定した場合（Ｓ１８でＮＯ）、処理部２３は、ステップＳ１２以降の処理を続け、処理を終了すると判定した場合（Ｓ１８でＹＥＳ）、処理を終了する。
　図２２は推定モードでの処理部２３の処理手順の一例を示すフローチャートである。処理部２３は、予測期間を設定し（Ｓ３１）、予測期間の始点（第１時点）でのＳＯＨを取得する（Ｓ３２）。処理部２３は、予測期間のセンサ情報を取得し（Ｓ３３）、取得したセンサ情報に基づいて、予測期間のＳＯＣ推移パターンを生成する（Ｓ３４）。
　処理部２３は、予測期間のＳＯＣの代表値を取得し（Ｓ３５）、予測期間の時間幅、ＳＯＣの代表値、平均温度、予測期間の始点でのＳＯＨに基づいて予測用入力データを生成する（Ｓ３６）。処理部２３は、予測対象時点でのＳＯＨを推定し（Ｓ３７）、処理を終了する。
　上述のように、本実施の形態のサーバ装置２によれば、学習モデル２７を学習させる際に、大量のデータを必要としない。蓄電素子の使用状態を特徴付けるＳＯＣについての代表値を取得し、取得した代表値に基づいて学習モデル２７を学習させることができるので、少ないデータ量でも学習させることが可能となる。特に、蓄電素子の開発フェーズや製造フェ－ズの初期段階のように、蓄電素子の実稼働時におけるセンサ情報の大量取得が困難な段階においても、蓄電素子の劣化予測が可能となる。また、センサ情報をそのまま学習用のデータとして使用しないので、センサ情報に含まれる誤差の影響を抑制することができる。また、学習モデル２７は、畳み込み層やプーリング層を中間層に加えた畳み込みニューラルネットワーク（ＣＮＮ）を用いてもよい。これにより、ＳＯＣ情報と温度情報との関連性、及びＳＯＣ情報及び温度情報の局所的な変動とＳＯＨの変化との関連性を反映させて学習することができる。
（第２実施形態）
　上述の第１実施形態では、ＳＯＣの代表値という抽象化されたデータを用いる構成であったが、これに限定されるものではない。第２実施形態では、抽象化の度合いを小さくして、よりセンサ情報などの時系列データに近い態様で学習用データを生成することができる。
　図２３は第１時点から第２時点までの蓄電素子のＳＯＣ推移パターンの一例を示す模式図である。図２３に示すＳＯＣ推移パターンは、図１３に示したものと同様である。ＳＯＣ推定部２４は、第１時点から第２時点までの間の蓄電素子のＳＯＣ推移パターンを生成する。例えば、第１時点から第２時点までの間の蓄電素子のＳＯＣの時系列のデータ量が十分でなく、ＳＯＣの値が不明な時間又は時間帯が存在するような場合、得られているＳＯＣのデータに基づいて、データが存在した箇所のＳＯＣ値を補間することにより、ＳＯＣ推移パターンを生成することができる。これにより、大量のセンサ情報を必要としない。
　ＳＯＣ代表値取得部２５は、ＳＯＣ推定部２４が生成したＳＯＣ推移パターンを代表値として取得する。第１時点から第２時点までの間のＳＯＣ推移のパターンに応じてＳＯＨの低下の度合いが異なる。上述のように、第２実施形態においては、ＳＯＣの代表値は、第１時点から第２時点までの間のＳＯＣの推移のパターンとすることができる。
　図２４は第１時点から第２時点までの蓄電素子の温度推移パターンの一例を示す模式図である。図中、縦軸は温度を示し、横軸は時間を示す。処理部２３は、第１時点から第２時点までの間の蓄電素子の温度推移パターンを生成する。例えば、第１時点から第２時点までの間の蓄電素子の温度の時系列のデータ量が十分でなく、温度の値が不明な時間又は時間帯が存在するような場合、得られている温度のデータに基づいて、データが存在した箇所の温度を補間することにより、温度の推移のパターンを推定することができる。これにより、大量のセンサ情報を必要としない。なお、処理部２３は、温度の推移を取得する取得部としての機能を有し、温度推移パターンを取得してもよく、あるいは蓄電素子の温度推移の実測値を取得してもよい。また、処理部２３は、温度の代表値を取得してもよい。温度の代表値は、学習モデル２７を学習させるための情報を抽象化、あるいは加工した統計量とすることができる。温度の代表値は、例えば、図１４に示すＳＯＣの代表値と同様であって、温度平均、温度変動幅、温度総変動量などを含めることができる。
　学習データ生成部２６は、ＳＯＣ推移パターン及び温度推移パターンを入力データとする学習データを生成することができる。第１時点から第２時点までの間の温度の推移のパターンに応じてＳＯＨの低下の度合いが異なる。そこで、第１時点から第２時点までの間のＳＯＣ推移のパターン及び温度推移のパターンを学習モデル２７に学習させることにより、精度良くＳＯＨを推定できる学習済の学習モデル２７を生成することができる。なお、学習データとしては、第１時点と第２時点との間を複数の時間幅で区切り、ＳＯＣ推移のパターン及び温度推移のパターンの時系列の時間幅毎の値を使用すればよい。また、第２実施形態においても、学習データには、第１時点のＳＯＨを入力データとし、第２時点のＳＯＨを出力データとする点は、第１実施形態と同様である。なお、学習データ生成部２６は、ＳＯＣ推移パターン及び、温度推移の実測値や代表値を入力データとする学習データを生成することができる。
　第２実施形態によれば、第１実施形態の場合よりもセンサ情報がより多く収集することができる段階では、センサ情報自体の特徴を反映した劣化予測が可能となる。
（第３実施形態）
　上述の第１実施形態及び第２実施形態では、学習処理部２８（処理部２３）が、学習モデル２７を学習及び更新する構成であったが、第３実施形態では、学習処理部２８（処理部２３）は、後述の劣化シミュレータが出力する蓄電素子の劣化値（ＳＯＨ）を学習データとして用いて学習モデル２７を学習させ、第１実施形態及び第２実施形態と同様の処理を用いて学習済の学習モデル２７を再学習させることができる。以下、第３実施形態について説明する。
　図２５は第３実施形態の劣化シミュレータ５０の動作を示す模式図である。劣化シミュレータ５０は、ＳＯＣパターン及び温度パターンを入力データとして取得すると、蓄電素子の劣化値を推定（算出）する。ＳＯＣパターンは、ＳＯＣの代表値によって特定できる。ＳＯＣの代表値は、蓄電素子の劣化に影響を与えるものであり、例えば、ＳＯＣ平均（中心ＳＯＣとも称する）、ＳＯＣ変動幅、ＳＯＣの総変動量などを含む。
　すなわち、劣化シミュレータ５０は、ＳＯＣの代表値に基づくＳＯＣの推移及び蓄電素子の温度に基づいて蓄電素子のＳＯＨの劣化値を推定することができる。時点ｔでのＳＯＨ（健康度ともいう）をＳＯＨt とし、時点ｔ＋１でのＳＯＨをＳＯＨt+1 とすると、劣化値は（ＳＯＨt －ＳＯＨt+1 ）となる。すなわち、時点ｔでのＳＯＨが分かっていると、劣化値に基づいて時点ｔ＋１でのＳＯＨを求めることができる。ここで、時点は、現在又は将来のある時点とすることができ、時点ｔ＋１は、時点ｔから将来に向かって所要の時間が経過した時点とすることができる。時点ｔと時点ｔ＋１との時間差は、劣化シミュレータ５０の劣化予測対象期間であり、どの程度の将来に対して劣化値を予測するかに応じて適宜設定することができる。時点ｔと時点ｔ＋１との時間差は、例えば、１か月、半年、１年、２年などの所要の時間とすることができる。
　なお、図２５の例では、温度パターンを入力する構成であるが、温度パターンに代えて、所要温度（例えば、時点ｔから時点ｔ＋１までの平均温度）を入力してもよい。
　蓄電素子の劣化予測対象期間（例えば、時点ｔから時点ｔ＋１まで）経過後の劣化値Ｑｄｅｇは、Ｑｄｅｇ＝Ｑｃｎｄ＋Ｑｃｕｒという式で算出できる。ここで、Ｑｃｎｄは非通電劣化値であり、Ｑｃｕｒは通電劣化値である。非通電劣化値Ｑｃｎｄは、例えば、Ｑｃｎｄ＝Ｋ１×√（ｔ）で求めることができる。ここで、係数Ｋ１は、ＳＯＣ及び温度Ｔの関数である。ｔは経過時間であり、例えば、時点ｔから時点ｔ＋１までの時間である。また、通電劣化値Ｑｃｕｒは、例えば、Ｑｃｕｒ＝Ｋ２×√（ｔ）で求めることができる。ここで、係数Ｋ２は、ＳＯＣ及び温度Ｔの関数である。時点ｔでのＳＯＨをＳＯＨｔとし、時点ｔ＋１でのＳＯＨをＳＯＨt+1 とすると、ＳＯＨt+1＝ＳＯＨｔ－ＱｄｅｇによりＳＯＨを推定することができる。係数Ｋ１は、劣化係数であり、ＳＯＣ及び温度Ｔと係数Ｋ１との対応関係を演算で求めてもよく、あるいはテーブル形式で記憶しておくことができる。ここで、ＳＯＣは、例えば、中心ＳＯＣ、ＳＯＣ変動幅などの代表値とすることができる。係数Ｋ２についても、係数Ｋ１と同様である。
　図２６は劣化シミュレータ５０によるＳＯＨの推定の一例を示す模式図である。図２６に示すように、符号Ａ、Ｂ、Ｃで示す３つのＳＯＣの代表値（ＳＯＣパターン）を劣化シミュレータ５０に入力したとする。なお、温度は時点ｔから時点ｔ＋１までの平均温度を入力する。符号Ａで示すＳＯＣパターンは、ＳＯＣの変動幅が比較的小さい。一方、符号Ｃで示すＳＯＣパターンは、ＳＯＣの変動幅が比較的大きい。符号Ｂで示すＳＯＣパターンは、ＳＯＣの変動幅が両者の中間程度である。図２６に示すように、劣化シミュレータ５０によるＳＯＨの推定を符号Ａ、Ｂ、Ｃで示す。符号ＡのＳＯＨの推移は、符号ＡのＳＯＣパターンに対応し、符号ＢのＳＯＨの推移は、符号ＢのＳＯＣパターンに対応し、符号ＣのＳＯＨの推移は、符号ＣのＳＯＣパターンに対応している。このように、ＳＯＣの変動幅が大きいほど劣化値が大きくなる傾向が見られる。
　図２６では、便宜上、３つの比較的単純なＳＯＣパターンを例示したが、様々なＳＯＣパターンを劣化シミュレータ５０に入力することにより、様々なＳＯＣパターンに対応した劣化値（ＳＯＨ）を推定することができ、ＳＯＣパターンに対応するＳＯＨの推定結果のデータの組を大量かつ容易に生成することができる。
　処理部２３は、入力値取得部としての機能を有し、劣化シミュレータ５０に入力したＳＯＣの代表値を取得することができる。また、処理部２３は、出力値取得部としての機能を有し、劣化シミュレータ５０にＳＯＣの代表値が入力されたときに劣化シミュレータ５０が出力するＳＯＨを取得することができる。すなわち、処理部２３は、劣化シミュレータ５０に入力されたＳＯＣの代表値と、そのときに劣化シミュレータ５０が出力するＳＯＨ（劣化値により求められる）を取得する。
　学習処理部２８は、取得したＳＯＣの代表値及び取得したＳＯＨを学習データとして用いて学習モデル２７を学習させる。
　図２７は劣化シミュレータ５０の推定値に基づく学習用データの一例を示す構成図である。図２７の例では、時点ｔから時点ｔ＋１までの時間幅をΔｔで表している。図２７に示すように、学習用入力データは、時点ｔから時点ｔ＋１までの時間幅Δｔ、時間幅Δｔでの平均温度、時間幅ΔｔでのＳＯＣの平均、時間幅ΔｔでのＳＯＣの総変動量、時間幅ΔｔでのＳＯＣの変動幅、時点ｔでのＳＯＨ（Ｎ）とすることができる。学習用出力データは、時点ｔ＋１でのＳＯＨ（Ｎ＋１）とすることができる。なお、学習用入力データは、図２７に示すデータを全て含む必要はなく、例えば、ＳＯＣの総変動量又はＳＯＣの変動幅のいずれか、あるいは両方を省略してもよい。ただし、ＳＯＣの総変動量、ＳＯＣの変動幅を学習させることにより、ＳＯＨの推定精度の向上が期待できる。
　劣化シミュレータ５０に様々なパターンのＳＯＣの代表値を入力すると、劣化シミュレータ５０は、入力したＳＯＣの代表値に対する精度の高い劣化値（すなわち、ＳＯＨ）を出力するので、学習モデル２７の学習用データを容易に生成することができ、学習モデル２７の推定精度（正答率）を容易に高めることができる。
　次に、劣化シミュレータ５０のデータに基づく学習用データを用いて学習させた学習モデル２７に対して、学習処理部２８による再学習処理について説明する。学習処理部２８による再学習処理は、第１実施形態及び第２実施形態における学習処理と同様である。
　ＳＯＣ代表値取得部２５は、代表値取得部としての機能を有し、蓄電素子のＳＯＣの代表値を取得する。ＳＯＣの代表値は、稼働中の蓄電素子の詳細な挙動を抽象化した情報ということができ、センサ情報から得られたＳＯＣの推移から求めることができ、例えば、ＳＯＣの平均、ＳＯＣの総変動量、ＳＯＣの変動幅などを含む。なお、ＳＯＣの代表値は、ＳＯＣの推移の実測値に基づいて求めることができるが、実測値の他に計算値を用いてもよい。
　より具体的には、ＳＯＣ代表値取得部２５は、第１時点から第２時点までの間の当該蓄電素子のＳＯＣの代表値を取得する。リチウムイオン電池は、充放電や放置により電極と電解液の界面に固体電解質界面層（ＳＥＩ層）が生成され、ＳＥＩ層が成長するにつれてＳＯＨが低下する。本願発明者は、ＳＥＩ層の成長はＳＯＣに依存するという仮説に基づき、蓄電素子のＳＯＨの低下に影響を与えるＳＯＣの代表値を取得してＡＩの学習に使用することを発案した。ＳＯＣの代表値は、稼働中の蓄電素子の詳細な挙動を抽象化した情報ということができ、例えば、ＳＯＣの平均、ＳＯＣの総変動量、ＳＯＣの変動幅を含む。
　処理部２３は、ＳＯＨ取得部としての機能を有し、当該蓄電素子のＳＯＨを取得する。蓄電素子からセンサ情報（例えば、電流、電圧、及び温度）を収集することができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７－０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。
　より具体的には、処理部２３は、蓄電素子の第１時点でのＳＯＨ及び第１時点より後の第２時点でのＳＯＨを取得する。蓄電素子は、例えば、移動体や施設において稼働している蓄電素子であってもよい。監視装置などによって、蓄電素子からセンサ情報（例えば、電流、電圧、及び温度）を収集することができる。ＳＯＨは、センサ情報に基づいて公知の手法により推定することができる。代替的に、日本特許出願第２０１７－０６５５３２号（引用によりその内容全体がここに取り込まれる）に記載の手法を用いてＳＯＨを推定してもよい。第１時点と第２時点との間の期間は、適宜設定することができ、例えば、１か月、３か月としてもよい。センサ情報に周期性がある場合は、第１時点と第２時点との間の期間を、センサ情報の周期で区切ってもよい。その際、ＳＯＨは、第１時点と第２時点の内挿値を用いてもよい。
　学習処理部２８は、再学習処理部としての機能を有し、取得したＳＯＣの代表値及び取得したＳＯＨを学習データとして用いて学習モデル２７を再学習させる。
　より具体的には、学習処理部２８は、第１時点でのＳＯＨ及び代表値を入力データとし、第２時点でのＳＯＨを出力データとする学習データに基づいて学習済の学習モデル２７を再学習させる。例えば、第１時点でのＳＯＨをＳＯＨ（Ｎ）で表し、第２時点でのＳＯＨをＳＯＨ（Ｎ＋１）で表すとする。学習モデルは、第１時点でのＳＯＨがＳＯＨ（Ｎ）であり、第１時点から第２時点までの蓄電素子のＳＯＣの代表値に応じて、第２時点でのＳＯＨがＳＯＨ（Ｎ＋１）になるということを再学習する。
　このような学習データは、第１時点のＳＯＨ、第２時点のＳＯＨ、及び第１時点と第２時点との間のＳＯＣの代表値を含む。ＳＯＣの代表値は、学習済の学習モデル２７を再学習させるための情報を抽象化、あるいは加工した統計量と言える。これにより、比較的少ない情報量で学習済の学習モデルを再学習させることができ、蓄電素子の大量のデータを必要としない。
　ある時点（例えば、現在）のＳＯＨ、及び当該時点から予測対象時点までのＳＯＣの代表値を学習済又は再学習済の学習モデル２７に入力すれば、予測対象時点でのＳＯＨを推定することができる。これにより、ＡＩを用いて蓄電素子の劣化を推定することができる。
　図２８は学習モデル２７の学習データセットと推定精度との関係の一例を示す模式図である。図２８において、縦軸は学習モデル２７の推定精度（正答率）を示し、横軸は学習データセット（学習に要したデータ量）を示す。符号Ｒ′で示す曲線は、実測値（例えば、市場のデータ）のみによる学習の場合を示す。符号Ｒ′で示す曲線のように、センサ情報を収集して得られたＳＯＣの代表値やＳＯＨは、例えば、推移のパターンが複雑となり、これらのデータを学習用データとして用いて未学習の学習モデル２７を学習させる場合、学習モデル２７の推定精度（正答率）を高めるのに大量の学習用データを必要とする傾向がある。
　符号Ｓａで示す曲線は、劣化シミュレータ５０のデータを学習用データとして用いて学習させた場合を示す。劣化シミュレータ５０に様々なパターンのＳＯＣの代表値を入力すると、劣化シミュレータ５０は、入力したＳＯＣの代表値に対する精度の高い劣化値（すなわち、ＳＯＨ）を出力するので、学習モデル２７の学習用データを容易に生成することができ、学習モデル２７の推定精度（正答率）を容易に高めることができる。符号Ｓａで示す曲線のように、予め、劣化シミュレータを用いることにより、比較的容易に学習データを得ることができ、未学習の学習モデルの推定精度を高めておくことができる。ただし、符号Ｓｂの曲線で示すように、劣化シミュレータ５０のパラメータを決定する場合、多量なデータを反映しにくいという傾向があり、推定精度がデータ量の割に向上しにくくなるという傾向がある。
　符号Ｒで示す曲線は、劣化シミュレータ５０の推定値を用いた学習の後で実測値による再学習を行った場合を示す。符号Ｒで示す曲線のように、大量の学習用データが無くても学習モデル２７の精度をさらに高めることができ、蓄電素子の劣化推定の精度を高くすることができる。
　上述のように、学習モデル２７は、劣化シミュレータ５０に入力するＳＯＣの代表値、及びＳＯＣの代表値を劣化シミュレータ５０に入力したときに劣化シミュレータ５０が出力するＳＯＨを学習データとして学習させてある。学習モデル２７は、さらに、蓄電素子のＳＯＣの代表値及び当該蓄電素子のＳＯＨを学習データとして再学習してある。
　学習モデル２７の学習において、予め、劣化シミュレータ５０を用いることにより、比較的容易に学習データを得ることができ、未学習の学習モデル２７の推定精度を高めておくことができるので、再学習処理にとって大量の学習用データが無くても学習モデル２７の精度をさらに高めることができ、蓄電素子の劣化推定の精度を高くすることができる。
　サーバ装置２は、蓄電素子の第１時点でのＳＯＨを取得する。サーバ装置２は第１時点から第２時点までの間の当該蓄電素子のＳＯＣの代表値を取得する。サーバ装置２は、第１時点でのＳＯＨ及び取得したＳＯＣの代表値を学習モデル２７に入力して第２時点でのＳＯＨを推定することができる。
　ある時点（例えば、現在）のＳＯＨ、及び当該時点から予測対象時点までのＳＯＣの代表値を学習済又は再学習済の学習モデル２７に入力すれば、サーバ装置２は、予測対象時点でのＳＯＨを推定することができる。これにより、ＡＩを用いて蓄電素子の劣化を推定することができる。
　図２９は第３実施形態の学習モードでの処理部２３の処理手順の一例を示すフローチャートである。処理部２３は、劣化シミュレータにＳＯＣの代表値及び温度パターンを入力し（Ｓ４１）、劣化シミュレータが出力するＳＯＨ（劣化値）を取得し（Ｓ４２）、劣化シミュレータ５０に入力したＳＯＣの代表値、温度パターンを取得する（Ｓ４３）。なお、ステップＳ４１の処理は、処理部２３で行わず、予め別の装置で行っておくことができる。
　処理部２３は、ＳＯＣの代表値、温度パターン、時点ｔでのＳＯＨを入力データとし、時点ｔ＋１のＳＯＨを出力データとする学習用データを生成し（Ｓ４４）、生成した学習用データを用いて学習モデル２７を学習させる（Ｓ４５）。
　処理部２３は、劣化シミュレータ５０のデータの有無を判定し（Ｓ４６）、データがある場合（Ｓ４６でＹＥＳ）、ステップＳ４１以降の処理を続ける。データがない場合（Ｓ４６でＮＯ）、処理部２３は、実測値データを用いて学習モデル２７を再学習し（Ｓ４７）、処理を終了する。ステップＳ４７の処理は、図２１に例示した処理と同様の処理とすることができる。
　上述の実施の形態では、サーバ装置２が、学習モデル２７及び学習処理部２８を備える構成であったが、これに限定されない。例えば、学習モデル２７及び学習処理部２８を別の１又は複数のサーバに設けるようにしてもよい。劣化推定装置は、サーバ装置２に限定されない。例えば、寿命推定シミュレータのような装置であってもよい。劣化シミュレータ５０は、サーバ装置２に組み込むこともできるが、サーバ装置２とは別個の装置として構成することもできる。
　本実施の形態の制御部２０及び処理部２３は、ＣＰＵ（プロセッサ）、ＧＰＵ、ＲＡＭ（メモリ）などを備えた汎用コンピュータを用いて実現することもできる。すなわち、図２１、図２２及び図２９に示すような、各処理の手順を定めたコンピュータプログラムをコンピュータに備えられたＲＡＭ（メモリ）にロードし、コンピュータプログラムをＣＰＵ（プロセッサ）で実行することにより、コンピュータ上で制御部２０及び処理部２３を実現することができる。コンピュータプログラムは記録媒体に記録され流通されてもよい。サーバ装置２で学習させた学習モデル２７及びそれに基づくコンピュータプログラムが、ネットワークＮ及び通信デバイス１経由で遠隔監視の対象装置Ｐ、Ｕ、Ｄ、Ｍや端末装置に配信されインストールされてもよい。
　上述の実施の形態において、例えば、過学習を避けるため、学習の初期の段階では、代表値を用いて学習モデル２７を学習させ、その後、実測値を用いて学習させてもよい。また、代表値と実測値のデータ量を学習段階に応じて適宜変更、あるいは両者の比率を変えるようにしてもよい。また、学習用データを、いわゆる訓練データとテストデータとを分けて、まず、訓練データを用いて学習モデル２７を学習させ、その後、テストデータを用いて学習モデル２７の評価を行うこともできる。
　実施の形態は、すべての点で例示であって制限的なものではない。本発明の範囲は、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれる。
　２　サーバ装置
　２０　制御部
　２１　通信部
　２２　記憶部
　２３　処理部
　２４　ＳＯＣ推定部
　２５　ＳＯＣ代表値取得部
　２６　学習データ生成部
　２７　学習モデル
　２８　学習処理部
　２９　入力データ生成部
　５０　劣化シミュレータ
 

Claims (21)

  1. 　蓄電素子の劣化を推定する劣化推定装置であって、
    　蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得するＳＯＨ取得部と、
    　前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する代表値取得部と、
    　前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる学習処理部と
    　を備える劣化推定装置。
  2. 　前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの推移を推定するＳＯＣ推定部を備え、
    　前記代表値取得部は、
    　前記ＳＯＣの推移に基づいて前記第１時点から第２時点までの間の、ＳＯＣの平均、ＳＯＣの総変動量、及びＳＯＣの変動幅の少なくともいずれか一つを取得する請求項１に記載の劣化推定装置。
  3. 　前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの推移を推定するＳＯＣ推定部を備え、
    　前記代表値取得部は、
    　前記ＳＯＣの推移を前記代表値として取得する請求項１に記載の劣化推定装置。
  4. 　前記第１時点から第２時点までの間の前記蓄電素子の温度の推移を取得する温度取得部を備え、
    　前記学習処理部は、
    　前記温度の推移をさらなる入力データとする学習データに基づいて学習モデルを学習させる請求項１から請求項３のいずれか一項に記載の劣化推定装置。
  5. 　前記温度取得部は、
    　前記第１時点から第２時点までの間の前記蓄電素子の温度の代表値を取得し、
    　前記学習処理部は、
    　前記温度の代表値をさらなる入力データとする学習データに基づいて学習モデルを学習させる請求項１から請求項４のいずれか一項に記載の劣化推定装置。
  6. 　前記学習処理部は、
    　前記蓄電素子の製造時点から前記第１時点までの経過期間をさらなる入力データとする学習データに基づいて学習モデルを学習させる請求項１から請求項５のいずれか一項に記載の劣化推定装置。
  7. 　前記学習処理部は、
    　前記蓄電素子の製造時点から前記第１時点までの充放電回数をさらなる入力データとする学習データに基づいて学習モデルを学習させる請求項１から請求項６のいずれか一項に記載の劣化推定装置。
  8. 　前記学習処理部は、
    　前記第１時点から第２時点までの学習期間を前記蓄電素子の使用期間に亘って複数設けて学習データに基づいて学習モデルを学習させる請求項１から請求項７のいずれか一項に記載の劣化推定装置。
  9. 　前記学習処理部が学習させた学習済の学習モデルを用いて前記蓄電素子の劣化を推定する請求項１から請求項８のいずれか一項に記載の劣化推定装置。
  10. 　蓄電素子の劣化を推定する劣化推定装置であって、
    　蓄電素子の第１時点でのＳＯＨを取得するＳＯＨ取得部と、
    　前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する代表値取得部と、
    　前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを推定する学習済の学習モデルと
    　を備える劣化推定装置。
  11. 　蓄電素子の劣化を推定する劣化推定装置であって、
    　蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値を入力し、前記劣化シミュレータが出力するＳＯＨを取得する出力値取得部と、
    　前記劣化シミュレータに入力したＳＯＣの代表値を取得する入力値取得部と、
    　前記入力値取得部で取得したＳＯＣの代表値及び前記出力値取得部で取得したＳＯＨを学習データとして用いて学習モデルを学習させる学習処理部と、
    　蓄電素子のＳＯＣの代表値を取得する代表値取得部と、
    　前記蓄電素子のＳＯＨを取得するＳＯＨ取得部と、
    　前記代表値取得部で取得したＳＯＣの代表値及び前記ＳＯＨ取得部で取得したＳＯＨを学習データとして用いて前記学習処理部で学習させた前記学習モデルを再学習させる再学習処理部と
    　を備える劣化推定装置。
  12. 　前記ＳＯＨ取得部は、
    　蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得し、
    　前記代表値取得部は、
    　前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する請求項１１に記載の劣化推定装置。
  13. 　蓄電素子の劣化を推定する劣化推定装置であって、
    　蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに入力するＳＯＣの代表値、及び前記ＳＯＣの代表値を前記劣化シミュレータに入力したときに前記劣化シミュレータが出力するＳＯＨを学習データとして学習させた学習モデルを備え、
    　前記学習モデルは、さらに、蓄電素子のＳＯＣの代表値及び前記蓄電素子のＳＯＨを学習データとして再学習してあり、
    　蓄電素子の第１時点でのＳＯＨを取得するＳＯＨ取得部と、
    　前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する代表値取得部と
    　を備え、
    　前記第１時点でのＳＯＨ及び前記代表値取得部で取得した代表値を前記学習モデルに入力して前記第２時点でのＳＯＨを推定する劣化推定装置。
  14. 　コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムであって、
    　コンピュータに、
    　蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得する処理と、
    　前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する処理と、
    　前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる処理と
    　を実行させるコンピュータプログラム。
  15. 　コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムであって、
    　コンピュータに、
    　蓄電素子の第１時点でのＳＯＨを取得する処理と、
    　前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する処理と、
    　前記第１時点でのＳＯＨ及び前記代表値を学習済の学習モデルに入力して前記第２時点でのＳＯＨを推定する処理と
    　を実行させるコンピュータプログラム。
  16. 　コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムであって、
    　コンピュータに、
    　蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値が入力されて、前記劣化シミュレータが出力するＳＯＨを取得する処理と、
    　前記劣化シミュレータに入力したＳＯＣの代表値を取得する処理と、
    　取得したＳＯＣの代表値及び取得したＳＯＨを学習データとして用いて学習モデルを学習させる処理と、
    　蓄電素子のＳＯＣの代表値を取得する処理と、
    　前記蓄電素子のＳＯＨを取得する処理と、
    　取得したＳＯＣの代表値及び取得したＳＯＨを学習データとして用いて、学習させた前記学習モデルを再学習させる処理と
    　を実行させるコンピュータプログラム。
  17. 　コンピュータに、蓄電素子の劣化を推定させるためのコンピュータプログラムであって、
    　コンピュータに、
    　蓄電素子の第１時点でのＳＯＨを取得する処理と、
    　前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得する処理と、
    　前記第１時点でのＳＯＨ及び前記代表値を、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに入力するＳＯＣの代表値、及び前記ＳＯＣの代表値を前記劣化シミュレータに入力したときに前記劣化シミュレータが出力するＳＯＨを学習データとして学習させ、さらに、蓄電素子のＳＯＣの代表値及び前記蓄電素子のＳＯＨを学習データとして再学習させた学習モデルに入力して前記第２時点でのＳＯＨを推定する処理と
    　を実行させるコンピュータプログラム。
  18. 　蓄電素子の劣化を推定する劣化推定方法であって、
    　蓄電素子の第１時点でのＳＯＨ及び前記第１時点より後の第２時点でのＳＯＨを取得し、
    　前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得し、
    　前記第１時点でのＳＯＨ及び前記代表値を入力データとし、前記第２時点でのＳＯＨを出力データとする学習データに基づいて学習モデルを学習させる劣化推定方法。
  19. 　蓄電素子の劣化を推定する劣化推定方法であって、
    　蓄電素子の第１時点でのＳＯＨを取得し、
    　前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得し、
    　前記第１時点でのＳＯＨ及び前記代表値を学習済の学習モデルに入力して前記第２時点でのＳＯＨを推定する劣化推定方法。
  20. 　蓄電素子の劣化を推定する劣化推定方法であって、
    　蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに、ＳＯＣの代表値を入力し、前記劣化シミュレータが出力するＳＯＨを取得し、
    　前記劣化シミュレータに入力したＳＯＣの代表値を取得し、
    　取得されたＳＯＣの代表値及び取得されたＳＯＨを学習データとして用いて学習モデルを学習させ、
    　蓄電素子のＳＯＣの代表値を取得し、
    　前記蓄電素子のＳＯＨを取得し、
    　取得されたＳＯＣの代表値及び取得されたＳＯＨを学習データとして用いて、学習させた前記学習モデルを再学習させる劣化推定方法。
  21. 　蓄電素子の劣化を推定する劣化推定方法であって、
    　蓄電素子の第１時点でのＳＯＨを取得し、
    　前記第１時点から第２時点までの間の前記蓄電素子のＳＯＣの代表値を取得し、
    　前記第１時点でのＳＯＨ及び前記代表値を、蓄電素子のＳＯＣの変動に基づいて前記蓄電素子のＳＯＨを推定する劣化シミュレータに入力するＳＯＣの代表値、及び前記ＳＯＣの代表値を前記劣化シミュレータに入力したときに前記劣化シミュレータが出力するＳＯＨを学習データとして学習させ、さらに、蓄電素子のＳＯＣの代表値及び前記蓄電素子のＳＯＨを学習データとして再学習させた学習モデルに入力して前記第２時点でのＳＯＨを推定する劣化推定方法。
     
PCT/JP2019/010543 2018-03-20 2019-03-14 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 Ceased WO2019181728A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
AU2019238652A AU2019238652A1 (en) 2018-03-20 2019-03-14 Degradation estimation apparatus, computer program, and degradation estimation method
EP19770833.2A EP3770619B1 (en) 2018-03-20 2019-03-14 Degradation estimating device and degradation estimating method
US16/981,855 US20210033675A1 (en) 2018-03-20 2019-03-14 Degradation estimation apparatus, computer program, and degradation estimation method
CN201980018299.4A CN111868539A (zh) 2018-03-20 2019-03-14 劣化估计装置、计算机程序以及劣化估计方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-053016 2018-03-20
JP2018053016 2018-03-20

Publications (1)

Publication Number Publication Date
WO2019181728A1 true WO2019181728A1 (ja) 2019-09-26

Family

ID=67987641

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/010543 Ceased WO2019181728A1 (ja) 2018-03-20 2019-03-14 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

Country Status (6)

Country Link
US (1) US20210033675A1 (ja)
EP (1) EP3770619B1 (ja)
JP (1) JP6579287B1 (ja)
CN (1) CN111868539A (ja)
AU (1) AU2019238652A1 (ja)
WO (1) WO2019181728A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3812783A1 (en) * 2019-10-23 2021-04-28 Novum engineerING GmbH Estimating a battery state from electrical impedance measurements using convolutional neural network means
WO2021210526A1 (ja) 2020-04-17 2021-10-21 株式会社エンビジョンＡｅｓｃジャパン 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
WO2021241115A1 (ja) 2020-05-25 2021-12-02 株式会社エンビジョンＡｅｓｃジャパン 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
JP2024029489A (ja) * 2022-08-22 2024-03-06 株式会社デンソー 充放電制御システム及び充放電制御プログラム
JP2024083789A (ja) * 2022-12-12 2024-06-24 いすゞ自動車株式会社 劣化推定装置

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102781907B1 (ko) * 2019-11-28 2025-03-18 주식회사 엘지에너지솔루션 배터리 셀 이상 퇴화 진단 장치 및 방법
JP7413806B2 (ja) * 2020-02-06 2024-01-16 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
DE102020212298A1 (de) * 2020-09-29 2022-03-31 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur gerätespezifischen Bestimmung eines innenwiderstandsbasierten Alterungszustands einer Batterie
KR102829175B1 (ko) * 2020-10-08 2025-07-07 주식회사 엘지에너지솔루션 배터리 퇴화도 산출 방법 및 배터리 퇴화도 산출 장치
DE102020215204A1 (de) 2020-12-02 2022-06-02 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Vorhersage eines Alterungszustands einer Gerätebatterie in einem batteriebetriebenen Gerät
JP7344192B2 (ja) * 2020-12-21 2023-09-13 矢崎総業株式会社 バッテリ制御装置
JP7730645B2 (ja) * 2021-02-04 2025-08-28 株式会社野村総合研究所 情報処理装置、情報処理方法、プログラム及びデータ構造
JP7604992B2 (ja) * 2021-03-29 2024-12-24 株式会社Ｇｓユアサ 推定支援装置、コンピュータプログラム、推定支援方法及び学習済みニューラルネットワークシステムの生成方法
JP2022157734A (ja) * 2021-03-31 2022-10-14 本田技研工業株式会社 劣化状態推定システム、劣化状態推定方法、及びプログラム
JP2022157740A (ja) * 2021-03-31 2022-10-14 本田技研工業株式会社 状態推定システム、状態推定方法、及びプログラム
KR20220168920A (ko) * 2021-06-17 2022-12-26 주식회사 엘지에너지솔루션 배터리 soh 추정 장치 및 방법
US20220416548A1 (en) * 2021-06-23 2022-12-29 TWAICE Technologies GmbH Operational planning for battery-based energy storage systems considering battery aging
US12206283B2 (en) * 2021-08-20 2025-01-21 Vertiv Corporation Systems and methods for operating an uninterruptible power supply (UPS)
JP7366975B2 (ja) 2021-09-30 2023-10-23 本田技研工業株式会社 バッテリ劣化推定装置、バッテリ劣化推定システム、バッテリ劣化推定方法、およびプログラム
US20240410956A1 (en) * 2021-10-14 2024-12-12 Gs Yuasa International Ltd. Lead-acid storage device, information processing method, and computer program
KR20230140743A (ko) * 2022-03-30 2023-10-10 주식회사 엘지에너지솔루션 필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템
JP2024025468A (ja) * 2022-08-12 2024-02-26 株式会社東芝 状態推定方法、状態推定装置、状態推定システム及び状態推定プログラム
KR102888922B1 (ko) * 2022-08-30 2025-11-20 주식회사 엘지에너지솔루션 배터리 상태 예측 장치 및 그것의 동작 방법
US12493078B2 (en) 2023-10-11 2025-12-09 Zitara Technologies, Inc. System and method for degradation based battery control

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09243716A (ja) * 1996-03-08 1997-09-19 Sanken Electric Co Ltd 二次電池の状態判定方法
JP2001325582A (ja) * 2000-05-17 2001-11-22 Chugoku Electric Power Co Inc:The 時系列データ学習・予測装置
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
JP2008232758A (ja) 2007-03-19 2008-10-02 Nippon Soken Inc 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置
WO2016092811A1 (ja) * 2014-12-10 2016-06-16 株式会社Ｇｓユアサ 蓄電素子状態推定装置及び蓄電素子状態推定方法
JP2016223964A (ja) * 2015-06-02 2016-12-28 三菱電機株式会社 蓄電デバイスの劣化診断装置及び劣化診断方法
WO2017002292A1 (ja) * 2015-06-30 2017-01-05 ソニー株式会社 蓄電システム、コントローラおよび蓄電池の充放電方法
JP2017065532A (ja) 2015-09-30 2017-04-06 ヤマハ発動機株式会社 車両

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE602006002896D1 (de) * 2005-02-14 2008-11-13 Denso Corp Verfahren und Vorrichtung zur Erkennung des Ladestatus einer Sekundärbatterie auf Basis neuronaler Netzwerkkalkulation
FR2943794B1 (fr) * 2009-03-24 2011-05-06 Saft Groupe Sa Procede de determination de l'etat de sante d'une batterie
WO2016208251A1 (ja) * 2015-06-25 2016-12-29 株式会社日立製作所 蓄電システム
KR102553031B1 (ko) * 2016-01-14 2023-07-06 삼성전자주식회사 배터리의 상태 추정 장치 및 방법
KR101846913B1 (ko) * 2016-11-01 2018-04-09 현대자동차 주식회사 하이브리드 차량의 배터리 충전 제어 장치 및 충전 제어 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09243716A (ja) * 1996-03-08 1997-09-19 Sanken Electric Co Ltd 二次電池の状態判定方法
JP2001325582A (ja) * 2000-05-17 2001-11-22 Chugoku Electric Power Co Inc:The 時系列データ学習・予測装置
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
JP2008232758A (ja) 2007-03-19 2008-10-02 Nippon Soken Inc 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置
WO2016092811A1 (ja) * 2014-12-10 2016-06-16 株式会社Ｇｓユアサ 蓄電素子状態推定装置及び蓄電素子状態推定方法
JP2016223964A (ja) * 2015-06-02 2016-12-28 三菱電機株式会社 蓄電デバイスの劣化診断装置及び劣化診断方法
WO2017002292A1 (ja) * 2015-06-30 2017-01-05 ソニー株式会社 蓄電システム、コントローラおよび蓄電池の充放電方法
JP2017065532A (ja) 2015-09-30 2017-04-06 ヤマハ発動機株式会社 車両

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3812783A1 (en) * 2019-10-23 2021-04-28 Novum engineerING GmbH Estimating a battery state from electrical impedance measurements using convolutional neural network means
WO2021210526A1 (ja) 2020-04-17 2021-10-21 株式会社エンビジョンＡｅｓｃジャパン 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
US12443152B2 (en) 2020-04-17 2025-10-14 Aesc Japan Ltd. Remaining capacity estimation apparatus, model generation apparatus, and non-transitory computer-readable medium
WO2021241115A1 (ja) 2020-05-25 2021-12-02 株式会社エンビジョンＡｅｓｃジャパン 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
JP2021185354A (ja) * 2020-05-25 2021-12-09 株式会社エンビジョンＡｅｓｃジャパン 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
JP7457575B2 (ja) 2020-05-25 2024-03-28 株式会社Ａｅｓｃジャパン 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
JP2024029489A (ja) * 2022-08-22 2024-03-06 株式会社デンソー 充放電制御システム及び充放電制御プログラム
JP2024083789A (ja) * 2022-12-12 2024-06-24 いすゞ自動車株式会社 劣化推定装置

Also Published As

Publication number Publication date
US20210033675A1 (en) 2021-02-04
EP3770619A4 (en) 2021-04-28
EP3770619B1 (en) 2023-10-25
AU2019238652A1 (en) 2020-11-12
JP2019168452A (ja) 2019-10-03
CN111868539A (zh) 2020-10-30
JP6579287B1 (ja) 2019-09-25
EP3770619A1 (en) 2021-01-27

Similar Documents

Publication Publication Date Title
JP6579287B1 (ja) 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
JP6620902B2 (ja) 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
AU2019238615B2 (en) Abnormality factor determination apparatus, degradation determination apparatus, computer program, degradation determining method, and abnormality factor determining method
JP6590029B1 (ja) 行動生成装置、蓄電素子評価装置、コンピュータプログラム、学習方法及び評価方法
CN113589189B (zh) 基于充放电数据特征的锂电池健康状况预测方法及装置
JP7298114B2 (ja) 状態推定方法、及び状態推定装置
WO2019203111A1 (ja) 状態推定方法、及び状態推定装置
US20220113354A1 (en) Data processing apparatus, data processing method and computer readable medium
Savargaonkar et al. A novel neural network with Gaussian process feedback for modeling the state-of-charge of battery cells
JP6973099B2 (ja) 監視装置、監視方法及びコンピュータプログラム
Sui et al. Early prediction of lithium-ion batteries lifetime via few-shot learning
Senthilkumar et al. A Novel Hybrid Approach for Remaining Useful Life (RUL) and Short-Term Capacity Prediction of Batteries
Khobre et al. LSTM-Based SOC Estimation Leveraging Coulomb Counting: A Machine Learning Approach
Manjunatha Babu et al. A Hybrid Technique for Estimating the State of Health of Lithium‐Ion Batteries
JP2025117337A (ja) 電力貯蔵装置監視システムおよび電力貯蔵装置監視方法

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: 19770833

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: 2019770833

Country of ref document: EP

Effective date: 20201020

ENP Entry into the national phase

Ref document number: 2019238652

Country of ref document: AU

Date of ref document: 20190314

Kind code of ref document: A