ホーム > 特許ランキング > 本田技研工業株式会社
知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022157740
(43)【公開日】2022-10-14
(54)【発明の名称】状態推定システム、状態推定方法、及びプログラム
(51)【国際特許分類】
H01M 10/48 20060101AFI20221006BHJP
G06N 3/02 20060101ALI20221006BHJP
G01R 31/392 20190101ALI20221006BHJP
G01R 31/367 20190101ALI20221006BHJP
G01R 31/3828 20190101ALI20221006BHJP
G01R 31/3842 20190101ALI20221006BHJP
H02J 7/00 20060101ALI20221006BHJP
【ＦＩ】
H01M10/48 P
G06N3/02
G01R31/392
G01R31/367
G01R31/3828
G01R31/3842
H02J7/00 Y
【審査請求】未請求
【請求項の数】14
【出願形態】ＯＬ
(21)【出願番号】P 2021062140
(22)【出願日】2021-03-31
(71)【出願人】
【識別番号】000005326
【氏名又は名称】本田技研工業株式会社
(74)【代理人】
【識別番号】100165179
【弁理士】
【氏名又は名称】田▲崎▼ 聡
(74)【代理人】
【識別番号】100126664
【弁理士】
【氏名又は名称】鈴木 慎吾
(74)【代理人】
【識別番号】100154852
【弁理士】
【氏名又は名称】酒井 太一
(74)【代理人】
【識別番号】100194087
【弁理士】
【氏名又は名称】渡辺 伸一
(72)【発明者】
【氏名】並木 滋
【テーマコード（参考）】
2G216
5G503
5H030
【Ｆターム（参考）】
2G216BA02
2G216BA03
2G216BA25
2G216BA41
2G216CB11
5G503BA01
5G503BB01
5G503EA05
5G503EA08
5G503GD02
5H030AS08
5H030FF41
5H030FF42
5H030FF43
5H030FF44
5H030FF52
(57)【要約】
【課題】多様な二次電池に対応してＳＯＣ－ＯＣＶ特性が得られるようにする。
【解決手段】稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定する状態変数測定部と、前記状態変数測定部により測定された状態変数に基づいて算出した充放電量、電圧変化量、電圧及び電力を含む状態変数処理データを出力する状態変数処理部と、前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別する特性識別部とを備えて二次電池の状態推定システムを構成する。
【選択図】図１
【解決手段】稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定する状態変数測定部と、前記状態変数測定部により測定された状態変数に基づいて算出した充放電量、電圧変化量、電圧及び電力を含む状態変数処理データを出力する状態変数処理部と、前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別する特性識別部とを備えて二次電池の状態推定システムを構成する。
【選択図】図１
【特許請求の範囲】
【請求項1】
稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定する状態変数測定部と、
前記状態変数測定部により測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力する状態変数処理部と、
前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別する特性識別部と
を備える二次電池の状態推定システム。
前記状態変数測定部により測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力する状態変数処理部と、
前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別する特性識別部と
を備える二次電池の状態推定システム。
【請求項2】
前記状態変数処理部は、単位充放電量、又は単位時間と、前記状態変数処理データの算出に用いる前記単位充放電量、又は単位時間に基づいた所望の区間として、現時刻に最も近い直近区間と、前記直近区間よりも前の１以上の過去区間とを設定し、設置した前記区間ごとに、前記状態変数に基づく電圧変化量を区間データとして算出し、算出された区間データを状態変数処理データに含めて出力する状態変数処理部を備える
請求項１に記載の状態推定システム。
請求項１に記載の状態推定システム。
【請求項3】
前記状態変数処理部は、
単位充放電量としての大量充放電量と、前記大量充放電量よりも少量の単位充放電量としての少量充放電量と、前記状態変数処理データの算出に用いる前記大量充放電量と前記少量充放電量とに基づいた所望の区間として、前記大量充放電量に基づいた大量区間と、前記少量充放電量に基づいた少量区間とを設定する
請求項２に記載の状態推定システム。
単位充放電量としての大量充放電量と、前記大量充放電量よりも少量の単位充放電量としての少量充放電量と、前記状態変数処理データの算出に用いる前記大量充放電量と前記少量充放電量とに基づいた所望の区間として、前記大量充放電量に基づいた大量区間と、前記少量充放電量に基づいた少量区間とを設定する
請求項２に記載の状態推定システム。
【請求項4】
前記状態変数処理部は、
前記状態変数処理データの算出に用いる前記単位時間に基づいた所望の区間として、前記単位時間に基づいた大量区間と、前記大量区間よりも短い時間に基づいた少量区間とを設定する
請求項２に記載の状態推定システム。
前記状態変数処理データの算出に用いる前記単位時間に基づいた所望の区間として、前記単位時間に基づいた大量区間と、前記大量区間よりも短い時間に基づいた少量区間とを設定する
請求項２に記載の状態推定システム。
【請求項5】
前記状態変数処理部は、前記状態変数測定部が測定した出力電流の積算により所定の充放電量が算出される期間、又は所定値になる期間を、前記所望の区間として設定する
請求項２に記載の状態推定システム。
請求項２に記載の状態推定システム。
【請求項6】
前記算出された所望の区間ごとの充放電量と、前記算出された所望の区間ごとの電圧変化量との少なくともいずれか一方は、最小二乗法を用いて算出される勾配変化率である
請求項２から５のいずれか一項に記載の状態推定システム。
請求項２から５のいずれか一項に記載の状態推定システム。
【請求項7】
前記特性識別モデルは、ＲＮＮ（リカレント・ニューラルネットワーク）として構成される
請求項１から６のいずれか一項に記載の状態推定システム。
請求項１から６のいずれか一項に記載の状態推定システム。
【請求項8】
前記ＲＮＮの中間層は、ＬＳＴＭ（ロング・ショート・ターム・メモリ）またはＧＲＵ（ゲート付き回帰型ユニット）として構成される
請求項７に記載の状態推定システム。
請求項７に記載の状態推定システム。
【請求項9】
前記特性識別モデルは、ＣＮＮ（コンボリューショナル・ニューラルネットワーク）として構成される
請求項１から６のいずれか一項に記載の状態推定システム。
請求項１から６のいずれか一項に記載の状態推定システム。
【請求項10】
稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定する状態変数測定部と、
前記状態変数測定部により測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力する状態変数処理部と、
前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別し、識別結果を示す特性識別情報を出力する特性識別部と、
前記充放電量と前記電圧変化量と前記特性識別情報とを含む入力データを用いて、学習済みの劣化状態モデルにより前記稼働中の二次電池の劣化状態を推定する劣化状態推定部と
を備える二次電池の状態推定システム。
前記状態変数測定部により測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力する状態変数処理部と、
前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別し、識別結果を示す特性識別情報を出力する特性識別部と、
前記充放電量と前記電圧変化量と前記特性識別情報とを含む入力データを用いて、学習済みの劣化状態モデルにより前記稼働中の二次電池の劣化状態を推定する劣化状態推定部と
を備える二次電池の状態推定システム。
【請求項11】
状態推定システムにおけるコンピュータが、
稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定し、
測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力し、
前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別する
二次電池の状態推定方法。
稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定し、
測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力し、
前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別する
二次電池の状態推定方法。
【請求項12】
状態推定システムにおけるコンピュータが、
稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定し、
測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力し、
前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別し、識別結果を示す特性識別情報を出力し、
前記充放電量と前記電圧変化量と前記特性識別情報とを含む入力データを用いて、学習済みの劣化状態モデルにより前記稼働中の二次電池の劣化状態を推定する
二次電池の状態推定方法。
稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定し、
測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力し、
前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別し、識別結果を示す特性識別情報を出力し、
前記充放電量と前記電圧変化量と前記特性識別情報とを含む入力データを用いて、学習済みの劣化状態モデルにより前記稼働中の二次電池の劣化状態を推定する
二次電池の状態推定方法。
【請求項13】
状態推定システムにおけるコンピュータに、
稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定させ、
測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力させ、
前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別させる
プログラム。
稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定させ、
測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力させ、
前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別させる
プログラム。
【請求項14】
状態推定システムにおけるコンピュータに、
稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定させ、
測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力させ、
前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別し、識別結果を示す特性識別情報を出力させ、
前記充放電量と前記電圧変化量と前記特性識別情報とを含む入力データを用いて、学習済みの劣化状態モデルにより前記稼働中の二次電池の劣化状態を推定させる
プログラム。
稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定させ、
測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力させ、
前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別し、識別結果を示す特性識別情報を出力させ、
前記充放電量と前記電圧変化量と前記特性識別情報とを含む入力データを用いて、学習済みの劣化状態モデルにより前記稼働中の二次電池の劣化状態を推定させる
プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、状態推定システム、状態推定方法、及びプログラムに関する。
【背景技術】
【0002】
第１時点から当該第１時点より第２時点までの間の蓄電池のＳＯＣ（State Of Charge）に係る時系列データと第１時点での蓄電池の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データに基づいて学習済みモデルを学習させる技術が知られている（例えば、特許文献１参照）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１９－１６８４５３号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
特許文献１に記載の技術では、ＳＯＨ推定対象の二次電池に対応するＳＯＣ－ＯＣＶ特性の設定が行われるが、設定されるＳＯＣ－ＯＣＶ特性は、特定の二次電池に固有なものとなる。このため、特許文献１に記載の技術では、多様な二次電池に対応してＳＯＨを推定することが難しい。このように、多様な二次電池に対応してＳＯＣ－ＯＣＶ特性が得られるようにすることが求められる場合がある。
【0005】
本発明は、このような事情を考慮してなされたものであり、多様な二次電池に対応してＳＯＣ－ＯＣＶ特性が得られるようにすることを目的の一つとする。
【課題を解決するための手段】
【0006】
この発明に係る状態推定システム、状態推定方法、及び状態推定プログラムは、以下の構成を採用した。
（１）：この発明の一態様に係る二次電池の状態推定システムは、稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定する状態変数測定部と、前記状態変数測定部により測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力する状態変数処理部と、前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別する特性識別部とを備える。
（１）：この発明の一態様に係る二次電池の状態推定システムは、稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定する状態変数測定部と、前記状態変数測定部により測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力する状態変数処理部と、前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別する特性識別部とを備える。
【0007】
（２）：上記（１）の態様に係る状態推定システムにおいて、前記状態変数処理部は、単位充放電量、又は単位時間と、前記状態変数処理データの算出に用いる前記単位充放電量、又は単位時間に基づいた所望の区間として、現時刻に最も近い直近区間と、前記直近区間よりも前の１以上の過去区間とを設定し、設置した前記区間ごとに、前記状態変数に基づく電圧変化量を区間データとして算出し、算出された区間データを状態変数処理データに含めて出力する状態変数処理部を備える。
【0008】
（３）：上記（２）の態様に係る状態推定システムにおいて、前記状態変数処理部は、単位充放電量としての大量充放電量と、前記大量充放電量よりも少量の単位充放電量としての少量充放電量と、前記状態変数処理データの算出に用いる前記大量充放電量と前記少量充放電量とに基づいた所望の区間として、前記大量充放電量に基づいた大量区間と、前記少量充放電量に基づいた少量区間とを設定する。
【0009】
（４）：上記（２）の態様に係る状態推定システムにおいて、前記状態変数処理部は、前記状態変数処理データの算出に用いる前記単位時間に基づいた所望の区間として、前記単位時間に基づいた大量区間と、前記大量区間よりも短い時間に基づいた少量区間とを設定する。
【0010】
（５）：上記（２）の態様に係る状態推定システムにおいて、前記状態変数処理部は、前記状態変数測定部が測定した出力電流の積算により所定の充放電量が算出される期間、又は所定値になる期間を、前記所望の区間として設定する。
【0011】
（６）：上記（２）または（３）の態様に係る状態推定システムにおいて、前記算出された所望の区間ごとの充放電量と、前記算出された所望の区間ごとの電圧変化量との少なくともいずれか一方は、最小二乗法を用いて算出される勾配変化率である。
【0012】
（７）：上記（１）から（４）のいずれか１つの態様に係る状態推定システムにおいて、前記特性識別モデルは、ＲＮＮ（リカレント・ニューラルネットワーク）として構成される。
【0013】
（８）：上記（５）の態様に係る状態推定システムにおいて、前記ＲＮＮの中間層は、ＬＳＴＭ（ロング・ショート・ターム・メモリ）またはＧＲＵ（ゲート付き回帰型ユニット）として構成される。
【0014】
（９）：上記（１）から（４）のいずれか１つの態様に係る状態推定システムにおいて、前記特性識別モデルは、ＣＮＮ（コンボリューショナル・ニューラルネットワーク）として構成される。
【0015】
（１０）：この発明の一態様に係る二次電池の状態推定システムは、稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定する状態変数測定部と、前記状態変数測定部により測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力する状態変数処理部と、前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別し、識別結果を示す特性識別情報を出力する特性識別部と、前記充放電量と前記電圧変化量と前記特性識別情報とを含む入力データを用いて、学習済みの劣化状態モデルにより前記稼働中の二次電池の劣化状態を推定する劣化状態推定部とを備える。
【0016】
（１１）：この発明の一態様に係る状態推定方法は、状態推定システムにおけるコンピュータが、稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定し、測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力し、前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別する。
【0017】
（１２）：この発明の一態様に係る状態推定方法は、状態推定システムにおけるコンピュータが、稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定し、測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力し、前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別し、識別結果を示す特性識別情報を出力し、前記充放電量と前記電圧変化量と前記特性識別情報とを含む入力データを用いて、学習済みの劣化状態モデルにより前記稼働中の二次電池の劣化状態を推定する。
【0018】
（１３）：この発明の一態様に係るプログラムは、状態推定システムにおけるコンピュータに、稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定させ、測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力させ、前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別させるものである。
【0019】
（１４）：この発明の一態様に係るプログラムは、状態推定システムにおけるコンピュータに、稼働中の二次電池の出力電流および出力電圧を含む状態変数を所定タイミングごとに測定させ、測定された状態変数に基づいて算出した充放電量と電圧変化量とを含む状態変数処理データを出力させ、前記状態変数処理データを用いて学習済みの特性識別モデルにより前記二次電池のＳＯＣ－ＯＣＶ特性を識別し、識別結果を示す特性識別情報を出力させ、前記充放電量と前記電圧変化量と前記特性識別情報とを含む入力データを用いて、学習済みの劣化状態モデルにより前記稼働中の二次電池の劣化状態を推定させるものである。
【発明の効果】
【0020】
（１）、（１１）、（１３）によれば、所定タイミングごとに稼働中の二次電池について算出した充放電量と電圧変化量とを含む状態変数処理データを用いた学習済みの特性識別モデルによって、二次電池のＳＯＣ－ＯＣＶ特性を識別するようにされる。これにより、多様な二次電池に対応してＳＯＣ－ＯＣＶ特性が得られる。
【0021】
（２）によれば、学習済みの特性識別モデルにより二次電池のＳＯＣ－ＯＣＶ特性を識別させるにあたり、複数の所望の区間に対応して算出した充放電量と電圧変化量とによる区間データが用いられる。これにより、学習済みの特性識別モデルによるＳＯＣ－ＯＣＶ特性の識別についての精度の向上が図られる。
【0022】
（３）によれば、所望の区間として、大量充放電量に基づく大量区間と少量充放電量に基づく少量区間とを設定して、大量区間と少量区間とのそれぞれに応じた区間データを用いることが可能となる。これにより、学習済みの特性識別モデルによるＳＯＣ－ＯＣＶ特性の識別についての精度の向上がさらに図られる。
【0023】
（４）によれば、所望の区間として、単位時間に基づく大量区間と、上記の単位時間よりも短い時間に基づく少量区間とを設定して、大量区間と少量区間とのそれぞれに応じた区間データを用いることが可能となる。これにより、学習済みの特性識別モデルによるＳＯＣ－ＯＣＶ特性の識別についての精度の向上がさらに図られる。
【0024】
（５）によれば、電流積算値に基づいて所望の区間を設定することが可能となる。
【0025】
（６）によれば、区間データとしての充放電量と電圧変化量について、ノイズの低減された精度の高いものとすることができる。
【0026】
（７）によれば、特性識別モデルについてＲＮＮを用いることで高い精度での推定結果を期待できる。
【0027】
（８）によれば、特性識別モデルのＲＮＮにおける中間層をＬＳＴＭとすることで高い精度での推定結果を期待できる。
【0028】
（９）によれば、特性識別モデルについてＣＮＮを用いることで高い精度での推定結果を期待できる。
【0029】
（１０）、（１２）、（１４）によれば、充放電量及び電圧変動量に加えて、学習済みの特性識別モデルにより識別されたＳＯＣ－ＯＣＶ特性を示す特性識別情報を含む入力データを用いて学習済みの劣化状態モデルが稼働中の二次電池の劣化状態を推定するようにされる。これにより、二次電池の劣化状態の推定の精度を向上させることが可能となる。
【図面の簡単な説明】
【0030】
【図1】本実施形態に係る劣化状態推定装置の構成例を示す図である。
【図2】本実施形態に係る大量区間データの取得の態様例を説明する図である。
【図3】本実施形態に係るＳＯＣ－ＯＣＶ特性について説明する図である。
【図4】本実施形態に係る充放電量と電圧変化量との関係に応じたＳＯＨの識別に関して説明する図である。
【図5】本実施形態に係る充放電量と電圧変化量との関係に応じたＳＯＨの識別に関して説明する図である。
【図6】本実施形態に係る充放電量と電圧変化量との関係に応じたＳＯＨの識別に関して説明する図である。
【図7】本実施形態に係る劣化状態推定装置がＳＯＨの推定に関連して実行する処理手順例を示すフローチャートである。
【発明を実施するための形態】
【0031】
以下、図面を参照し、本発明の状態推定システム、状態推定方法、及び状態推定プログラムの実施形態について説明する。
【0032】
図１は、本実施形態に係る劣化状態推定装置１００の全体的な構成例を示している。劣化状態推定装置１００は、二次電池２００の劣化状態として、二次電池２００のＳＯＨを推定する。同図の劣化状態推定装置１００は、状態変数測定部１０１、前処理部１０２、第２学習済みモデル１０３（劣化状態モデルの一例）、及び劣化状態推定部１０４を備える。
【0033】
状態変数測定部１０１は、稼働中の二次電池２００の状態変数として、出力電流と出力電圧を測定し、測定した出力電流Ｉｏｕｔと出力電圧Ｖｏｕｔとを出力する。出力電圧Ｖｏｕｔは、二次電池２００にてセンサが検出するＣＣＶ（Closed Circuit Voltage：閉路電圧）を基に算出されるものであってもよい。なお、出力電圧Ｖｏｕｔは、ＯＣＶ（Open Circuit Voltage：開放電圧）を基に算出されるものであってもよい。
【0034】
前処理部１０２は、前処理として、状態変数測定部１０１から入力された出力電流Ｉｏｕｔと出力電圧Ｖｏｕｔとを利用して、現時刻ｔに対応する状態変数処理データを算出する。状態変数データは、特性識別部１２３がＳＯＣ－ＯＣＶ特性の推定に用いる。また、状態変数処理データのうちで電力データＰ（ｔ）を除くデータは、現時刻ｔに対応する入力データＤｉｎ（ｔ）として出力される、劣化状態推定部１０４は、入力データＤｉｎ（ｔ）をＳＯＨの推定に用いる。
前処理部１０２は、状態変数処理部１２１、第１学習済みモデル１２２（特性識別モデルの一例）、及び特性識別部１２３を備える。
前処理部１０２は、状態変数処理部１２１、第１学習済みモデル１２２（特性識別モデルの一例）、及び特性識別部１２３を備える。
【0035】
状態変数処理部１２１は、状態変数測定部１０１から出力電流Ｉｏｕｔと出力電圧Ｖｏｕｔとが入力される。状態変数処理部１２１は、所定の推定タイミングごとに、入力された出力電流Ｉｏｕｔと出力電圧Ｖｏｕｔとに基づいて、現時刻ｔに対応する大量区間データ（充放電量ＬＣＡ（ｔ）～ＬＣＡ（ｔ－２）、電圧変化量ＬＥＶ（ｔ）～ＬＥＶ（ｔ－２））と、少量区間データ（充放電量ＳＣＡ（ｔ）、電圧変化量ＬＥＶ（ｔ））と、電圧データＶ（ｔ）と、電力データＰ（ｔ）とを算出する。
電圧データＶ（ｔ）は、ＣＣＶであってよい。あるいは、電圧データＶ（ｔ）は、ＯＣＶであってもよい。
また、電力データＰ（ｔ）は、放電電力（消費電力）や充電電力であってよい。電力データＰ（ｔ）に代えて、例えば電流量を示す情報、使用補機類や車両の使われ方の情報など、消費電力や充電電力等の度合いを把握可能な情報であってもよい。このような電力データＰ（ｔ）あるいは電力データＰ（ｔ）の代替となるデータは、例えばクラウド上で推定されたデータを取得するようにされてもよいし、特性が変化しないような場合には一意の情報であってもよい。
電圧データＶ（ｔ）は、ＣＣＶであってよい。あるいは、電圧データＶ（ｔ）は、ＯＣＶであってもよい。
また、電力データＰ（ｔ）は、放電電力（消費電力）や充電電力であってよい。電力データＰ（ｔ）に代えて、例えば電流量を示す情報、使用補機類や車両の使われ方の情報など、消費電力や充電電力等の度合いを把握可能な情報であってもよい。このような電力データＰ（ｔ）あるいは電力データＰ（ｔ）の代替となるデータは、例えばクラウド上で推定されたデータを取得するようにされてもよいし、特性が変化しないような場合には一意の情報であってもよい。
【0036】
区間データは、大量区間データと少量区間データとを含む。大量区間データは、単位大量充放電量と、一定の単位大量充放電量になるような複数の充放電量大量区間ごとに対応して状態変数処理部１２１が算出する電圧変化量である。少量区間データは、単位少量充放電量と、一定の単位少量充放電量になるような充放電量少量区間に対応して状態変数処理部１２１が算出する電圧変化量である。
なお、以降において、「充放電量大量区間については単に「大量区間」とも記載し、「充放電量少量区間」については単に「少量区間」とも記載する。
なお、以降において、「充放電量大量区間については単に「大量区間」とも記載し、「充放電量少量区間」については単に「少量区間」とも記載する。
【0037】
図２を参照して、大量区間データの算出手法例について説明する。同図は、現時刻ｔから現時刻ｔより過去の時刻ｔ－３までの期間に対応して得られた二次電池２００の単位充放電量Ａｐｒｄを示している。同図において示される単位充放電量Ａｐｒｄは、出力電流Ｉｏｕｔを積算することにより得られる。
【0038】
状態変数処理部１２１は、現時刻ｔから遡って所定の単位電流積算値（出力電流Ｉｏｕｔの積算値）が得られる時刻ｔ－１までの期間を、現時刻ｔに最も近い大量区間（直近大量区間Ｔ１）として設定する。また、状態変数処理部１２１は、時刻ｔ１から遡って所定の単位電流積算値が得られる時刻ｔ－１までの期間を、直近大量区間Ｔ１よりも過去における１つ目の大量区間（過去大量区間Ｔ２－１）として設定する。また、状態変数処理部１２１は、時刻ｔ－１から遡って所定の単位電流積算値が得られる時刻ｔ－２までの期間を、過去大量区間Ｔ２－１よりさらに過去の過去大量区間Ｔ２－２として設定する。
【0039】
以降の説明において、過去大量区間Ｔ２－１、Ｔ２－２について特に区別しない場合には、過去大量区間Ｔ２と記載する。また、直近大量区間Ｔ１と過去大量区間Ｔ２について特に区別しない場合には大量区間Ｔと記載する。
【0040】
上記のように、大量区間Ｔは、それぞれの単位電流積算値による単位大量充放電量が得られる区間として設定される。このため、大量区間Ｔごとの長さは異なっていてもよい。なお、大量区間Ｔは、それぞれが所定の単位時間により設定されてもよい。
大量区間Ｔは、例えば数十秒～数百秒程度の時間長であってよい。
なお、状態変数処理部１２１が設定する過去大量区間Ｔ２の数は、２つに限定されるものではなく、１以上であればよい。
なお、同図の例では、３つの大量区間Ｔが時間経過において連続するように設定されている。時間的に前後する２つの大量区間Ｔの間において間隙となる期間が設けられることで不連続となるようにされてよい。また、３以上の大量区間Ｔが設定される場合において、或る時間的に前後する２つの大量区間Ｔの間は連続し、他の時間的に前後する２つの大量区間Ｔの間は不連続となるように設定されてもよい。
大量区間Ｔは、例えば数十秒～数百秒程度の時間長であってよい。
なお、状態変数処理部１２１が設定する過去大量区間Ｔ２の数は、２つに限定されるものではなく、１以上であればよい。
なお、同図の例では、３つの大量区間Ｔが時間経過において連続するように設定されている。時間的に前後する２つの大量区間Ｔの間において間隙となる期間が設けられることで不連続となるようにされてよい。また、３以上の大量区間Ｔが設定される場合において、或る時間的に前後する２つの大量区間Ｔの間は連続し、他の時間的に前後する２つの大量区間Ｔの間は不連続となるように設定されてもよい。
【0041】
状態変数処理部１２１は、上記のように設定した一定の単位大量充放電量ＬＣＡが得られるように対応させた大量区間Ｔを算出する。つまり、図２に示されるように、状態変数処理部１２１は、単位大量充放電量ＬＣＡ＝充放電量ＬＣＡ（ｔ）になるように対応させて直近大量区間Ｔ１の実際の時間を算出し、充放電量ＬＣＡ（ｔ－１）＝充放電量ＬＣＡ（ｔ）になるように対応させて過去大量区間Ｔ２－１の実際の時間を算出し、充放電量ＬＣＡ（ｔ－２）＝充放電量ＬＣＡ（ｔ－１）になるように対応させて過去大量区間Ｔ２－２の実際の時間を算出する。換言すると、状態変数処理部１２１は、単位大量充放電量ＬＣＡ＝ＬＣＡ（ｔ）＝ＬＣＡ（ｔ－１）＝ＬＣＡ（ｔ－２）となるような過去時刻（ｔ－１）、（ｔ－２）、（ｔ－３）を求めて、実際の時間Ｔ１、Ｔ２－１、Ｔ２－２を算出する。なお、直近大量区間をＴ１と固定して、つまりＴ１＝Ｔ２－１＝Ｔ２－２として、直近大量区間Ｔ１に対応して充放電量ＬＣＡ（ｔ）算出し、過去大量区間Ｔ２－１に対応して充放電量ＬＣＡ（ｔ－１）を算出し、過去大量区間Ｔ２－２に対応して充放電量ＬＣＡ（ｔ－２）を算出してもよい。しかしながら、単位大量充放電量ＬＣＡを設定した方が、後述のＳＯＨの推定精度を向上させることができた。
【0042】
状態変数処理部１２１は、充放電量ＬＣＡ（ｔ）、ＬＣＡ（ｔ－１）、ＬＣＡ（ｔ－２）の少なくともいずれか１つについて、最小二乗法を用いて勾配変化率として算出してよい。このように勾配変化率として算出される充放電量ＬＣＡは、ノイズが低減されることで精度が向上される。この結果、充放電量ＬＣＡを利用して後述の第１学習済みモデル１２２が推定するＳＯＣ－ＯＣＶ特性と、後述の第２学習済みモデル１０３が推定するＳＯＨの精度を向上させることができる。
【0043】
また、状態変数処理部１２１は、図２に示されたように算出された大量区間Ｔごとに、図３に示すように、対応する電圧（出力電圧Ｖｏｕｔ）の変化量（電圧変化量）を算出する。つまり、状態変数処理部１２１は、直近大量区間Ｔ１に対応して電圧変化量ＬＥＶ（ｔ）を算出し、過去大量区間Ｔ２－１に対応して電圧変化量ＬＥＶ（ｔ－１）を算出し、過去大量区間Ｔ２－２に対応して電圧変化量ＬＥＶ（ｔ－２）を算出する。
状態変数処理部１２１は、電圧変化量ＬＥＶ（ｔ）、ＬＥＶ（ｔ－１）、ＬＥＶ（ｔ－２）の少なくともいずれか１つについても、最小二乗法を用いて勾配変化率として算出してよい。この場合にも、電圧変化量ＬＥＶを利用して後述の第１学習済みモデル１２２が推定するＳＯＣ－ＯＣＶ特性と、後述の第２学習済みモデル１０３が推定するＳＯＨの精度を向上させることができる。
状態変数処理部１２１は、電圧変化量ＬＥＶ（ｔ）、ＬＥＶ（ｔ－１）、ＬＥＶ（ｔ－２）の少なくともいずれか１つについても、最小二乗法を用いて勾配変化率として算出してよい。この場合にも、電圧変化量ＬＥＶを利用して後述の第１学習済みモデル１２２が推定するＳＯＣ－ＯＣＶ特性と、後述の第２学習済みモデル１０３が推定するＳＯＨの精度を向上させることができる。
【0044】
状態変数処理部１２１は、電圧変化量ＬＥＶ（ｔ）、ＬＥＶ（ｔ－１）、ＬＥＶ（ｔ－２）の少なくともいずれか１つについて、所定の単位大量充放電量ＬＣＡに対して、または所定の時間長さの大量区間に対応する充放電量ＬＣＡ（ｔ）に対して、最小二乗法を用いて勾配変化率として算出してよい。このように勾配変化率として算出される電圧変化量ＬＥＶ（ｔ）は、ノイズが低減されることで精度が向上される。この結果、勾配変化率として算出された電圧変化量ＬＥＶ（ｔ）を利用して後述の第１学習済みモデル１２２が推定するＳＯＣ－ＯＣＶ特性と、第２学習済みモデル１０３が推定するＳＯＨの精度を向上させることができる。
【0045】
以降の説明において、充放電量ＬＣＡ（ｔ）、ＬＣＡ（ｔ－１）、ＬＣＡ（ｔ－２）について特に区別しない場合には、充放電量ＬＣＡと記載する。
また、以降の説明において、電圧変化量ＬＥＶ（ｔ）、ＬＥＶ（ｔ－１）、ＬＥＶ（ｔ－２）について特に区別しない場合には、電圧変化量ＬＥＶと記載する。
また、充放電量ＬＣＡと電圧変化量ＬＥＶとについて特に区別しない場合には「大量区間データ」とも記載する。
なお、状態変数処理部１２１は、大量区間データとして、例えば直近大量区間に対応して単位大量充放電量あたりの電圧変化量とのデータを算出するようにしてもよい。
また、以降の説明において、電圧変化量ＬＥＶ（ｔ）、ＬＥＶ（ｔ－１）、ＬＥＶ（ｔ－２）について特に区別しない場合には、電圧変化量ＬＥＶと記載する。
また、充放電量ＬＣＡと電圧変化量ＬＥＶとについて特に区別しない場合には「大量区間データ」とも記載する。
なお、状態変数処理部１２１は、大量区間データとして、例えば直近大量区間に対応して単位大量充放電量あたりの電圧変化量とのデータを算出するようにしてもよい。
【0046】
説明を図１に戻す。状態変数処理部１２１は、充放電量ＬＣＡになるような対応した大量区間Ｔごとの電圧変化量ＬＥＶに加えて、充放電量ＳＣＡ（ｔ）になるような対応した少量区間の実際の時間と、電圧変化量ＳＥＶ（ｔ）とを算出する。なお、状態変数処理部１２１は、充放電量ＳＣＡ、電圧変化量ＳＥＶ等についても、例えば時刻ｔ－１、ｔ－２に対応するような過去の値が用いられてもよい。
状態変数処理部１２１は、少量区間として、例えば現時刻ｔから遡って大量区間に対応する場合よりも小さい所定の電流積算が得られるまでの時刻による期間を設定してよい。あるいは、状態変数処理部１２１は、大量区間Ｔよりも少量の所定の単位電流積算（充放電量）が行われる期間を少量区間として設定してよい。少量区間は、例えば数秒～数十秒程度であってよい。
充放電量ＳＣＡ（ｔ）と電圧変化量ＳＥＶ（ｔ）とについて特に区別しない場合には「少量区間データ」と記載する。
状態変数処理部１２１は、少量区間として、例えば現時刻ｔから遡って大量区間に対応する場合よりも小さい所定の電流積算が得られるまでの時刻による期間を設定してよい。あるいは、状態変数処理部１２１は、大量区間Ｔよりも少量の所定の単位電流積算（充放電量）が行われる期間を少量区間として設定してよい。少量区間は、例えば数秒～数十秒程度であってよい。
充放電量ＳＣＡ（ｔ）と電圧変化量ＳＥＶ（ｔ）とについて特に区別しない場合には「少量区間データ」と記載する。
【0047】
上記のように少量区間は、それぞれの電流積算値が所定となる単位少量充放電量ＳＣＡが得られる期間として設定される。このため、少量区間ごとの時間の長さは異なっていてもよい。
なお、状態変数処理部１２１が設定する過去少量区間の数は、１つに限定されるものではなく、１以上であればよい。
なお、同図の例では、１つの少量区間の電力変化量ＳＥＶ（ｔ）が入力されている。上述の大量区間Ｔと同様に、２つの少量区間が設定されてよく、時間的に前後する２つの少量区間が設定され、設定された少量区間ごとの電力変化量ＳＥＶ（ｔ）が入力されるようにしてもよい。少量区間の間において間隙となる期間が設けられることで不連続となるようにされてよい。また、３以上の少量区間が設定される場合において、或る時間的に前後する２つの少量区間の間は連続し、他の時間的に前後する２つの少量区間の間は不連続となるように設定されてもよい。なお、少量区間は、それぞれが所定の単位時間により設定されてもよい。
なお、状態変数処理部１２１が設定する過去少量区間の数は、１つに限定されるものではなく、１以上であればよい。
なお、同図の例では、１つの少量区間の電力変化量ＳＥＶ（ｔ）が入力されている。上述の大量区間Ｔと同様に、２つの少量区間が設定されてよく、時間的に前後する２つの少量区間が設定され、設定された少量区間ごとの電力変化量ＳＥＶ（ｔ）が入力されるようにしてもよい。少量区間の間において間隙となる期間が設けられることで不連続となるようにされてよい。また、３以上の少量区間が設定される場合において、或る時間的に前後する２つの少量区間の間は連続し、他の時間的に前後する２つの少量区間の間は不連続となるように設定されてもよい。なお、少量区間は、それぞれが所定の単位時間により設定されてもよい。
【0048】
また、状態変数処理部１２１は、現時刻ｔに対応する電圧データＶ（ｔ）と電力データＰ（ｔ）とを算出する。状態変数処理部１２１は、現時刻ｔの出力電圧Ｖｏｕｔを電圧データＶ（ｔ）としてよい。状態変数処理部１２１は、現時刻ｔの出力電流Ｉｏｕｔと出力電圧Ｖｏｕｔとにより電力データＰ（ｔ）を算出してよい。
【0049】
以降の説明において、状態変数処理部１２１が算出した、大量区間データ、少量区間データ、及び電圧データＶ（ｔ）、及び電力データＰ（ｔ）について特に区別しない場合には、状態変数処理データと記載する。
【0050】
状態変数処理部１２１は、所定時間が経過する都度に更新される現時刻ｔごとに状態変数処理データを出力する。従って、状態変数処理データは所定時間ごとに得られる時系列データとなる。
【0051】
第１学習済みモデル１２２は、状態変数処理データに対応するサンプルデータと、ＳＯＣ－ＯＣＶ特性とを教師データとする機械学習により、状態変数処理データを入力してＳＯＣ－ＯＣＶ特性の推定結果を出力するように生成された学習済みモデルである。第１学習済みモデル１２２は、ＳＯＣ－ＯＣＶ特性の推定結果として、推定したＳＯＣ－ＯＣＶ特性を識別する特性識別情報を出力するようにされてよい。
【0052】
第１学習済みモデル１２２は、ＲＮＮ（リカレント・ニューラルネットワーク）として構成される。そのうえで、ＲＮＮとしての第１学習済みモデル１２２の中間層は、ＬＳＴＭ（ロング・ショート・ターム・メモリ）またはＧＲＵ（ゲート付き回帰型ユニット）として構成されてよい。あるいは、第１学習済みモデル１２２は、ＣＮＮ（コンボリューショナル・ニューラルネットワーク）として構成されてよい。また、第１学習済みモデル１２２は、ＳＯＣ－ＯＣＶ特性の推定を回帰問題として扱ってもよいし、分類問題として扱ってもよい。
以降の説明において、第１学習済みモデル１２２は、中間層にＬＳＴＭを備えるＲＮＮとして構成され、ＳＯＣ－ＯＣＶ特性の推定を回帰問題として扱う場合を例に挙げる。この場合、状態変数処理部１２１が出力する状態変数処理データのそれぞれがＬＳＴＭブロックとして第１学習済みモデル１２２に入力される。
以降の説明において、第１学習済みモデル１２２は、中間層にＬＳＴＭを備えるＲＮＮとして構成され、ＳＯＣ－ＯＣＶ特性の推定を回帰問題として扱う場合を例に挙げる。この場合、状態変数処理部１２１が出力する状態変数処理データのそれぞれがＬＳＴＭブロックとして第１学習済みモデル１２２に入力される。
【0053】
ＳＯＣ－ＯＣＶ特性は、二次電池の状態として、二次電池のＳＯＣとＯＣＶとの相関関係を示す。
図４は、ＳＯＣ－ＯＣＶ特性の具体例を示している。同図において横軸がＳＯＣであり、縦軸がＯＣＶである。同図においては、異なる５つのＳＯＣ－ＯＣＶに対応する曲線Ｃ１～Ｃ５が示されている。例えば、このような複数のＳＯＣ－ＯＣＶ特性が第１学習済みモデル１２２に対応する推定候補として設けられ、推定候補とされたＳＯＣ－ＯＣＶ特性のそれぞれに特性識別情報が付与されてよい。
同図の例では、同じＳＯＣに対するＯＣＶの値は、曲線Ｃ１が最も高く、次いで、曲線Ｃ２、Ｃ３、Ｃ４、Ｃ５の順で低くなっていく。相対的な関係として、例えば曲線Ｃ１とＣ２に対応する２つのＳＯＣ－ＯＣＶ特性を比較した場合には、曲線Ｃ１に対応するＳＯＣ－ＯＣＶ特性が高特性で、曲線Ｃ２に対応するＳＯＣ－ＯＣＶ特性が低特性となる。
図４は、ＳＯＣ－ＯＣＶ特性の具体例を示している。同図において横軸がＳＯＣであり、縦軸がＯＣＶである。同図においては、異なる５つのＳＯＣ－ＯＣＶに対応する曲線Ｃ１～Ｃ５が示されている。例えば、このような複数のＳＯＣ－ＯＣＶ特性が第１学習済みモデル１２２に対応する推定候補として設けられ、推定候補とされたＳＯＣ－ＯＣＶ特性のそれぞれに特性識別情報が付与されてよい。
同図の例では、同じＳＯＣに対するＯＣＶの値は、曲線Ｃ１が最も高く、次いで、曲線Ｃ２、Ｃ３、Ｃ４、Ｃ５の順で低くなっていく。相対的な関係として、例えば曲線Ｃ１とＣ２に対応する２つのＳＯＣ－ＯＣＶ特性を比較した場合には、曲線Ｃ１に対応するＳＯＣ－ＯＣＶ特性が高特性で、曲線Ｃ２に対応するＳＯＣ－ＯＣＶ特性が低特性となる。
【0054】
特性識別部１２３は、現時刻ｔに対応する状態変数処理データを第１学習済みモデル１２２に入力させる。特性識別部１２３は、状態変数処理データの入力に応じて第１学習済みモデル１２２が出力した特性識別情報を取得する。特性識別部１２３は、取得した特性識別情報を、現時刻ｔに対応する特性識別情報ＣＩＤ（ｔ）として出力する。
【0055】
第２学習済みモデル１０３は、入力データＤｉｎ（ｔ）と特性識別情報ＣＩＤ（ｔ））に対応するサンプルデータと、ＳＯＨとを教師データとする機械学習により学習済みモデルである。第２学習済みモデル１０３は、劣化状態推定部１０４により入力された入力データＤｉｎ（ｔ）に応じてＳＯＨを出力する。
【0056】
入力データＤｉｎ（ｔ）は、大量区間データ（充放電量ＬＣＡ（ｔ）、ＬＣＡ（ｔ－１）、ＬＣＡ（ｔ－２）、電圧変化量ＬＥＶ（ｔ）、ＬＥＶ（ｔ－１）、ＬＥＶ（ｔ－２））、少量区間データ（充放電量ＳＡＣ（ｔ）、電圧変化量ＳＥＶ（ｔ））、電圧データＶ（ｔ）と、特性識別情報ＣＩＤ（ｔ）を含む。
なお、入力データＤｉｎ（ｔ）は、さらに電力データＰ（ｔ）を含んでもよい。
なお、入力データＤｉｎ（ｔ）は、さらに電力データＰ（ｔ）を含んでもよい。
【0057】
第２学習済みモデル１０３は、ＲＮＮ（リカレント・ニューラルネットワーク）として構成される。そのうえで、ＲＮＮとしての第２学習済みモデル１０３の中間層は、ＬＳＴＭ（ロング・ショート・ターム・メモリ）またはＧＲＵ（ゲート付き回帰型ユニット）として構成されてよい。あるいは、第２学習済みモデル１０３は、ＣＮＮ（コンボリューショナル・ニューラルネットワーク）として構成されてよい。また、第２学習済みモデル１１０３は、ＳＯＨの推定を回帰問題として扱ってもよいし、分類問題として扱ってもよい。
以降の説明において、第２学習済みモデル１０３は、中間層にＬＳＴＭを備えるＲＮＮとして構成され、ＳＯＨの推定を分類問題として扱う場合を例に挙げる。この場合、状態変数処理部１２１が出力する状態変数処理データのそれぞれが、第２学習済みモデル１０３にＬＳＴＭブロックとして入力される。
以降の説明において、第２学習済みモデル１０３は、中間層にＬＳＴＭを備えるＲＮＮとして構成され、ＳＯＨの推定を分類問題として扱う場合を例に挙げる。この場合、状態変数処理部１２１が出力する状態変数処理データのそれぞれが、第２学習済みモデル１０３にＬＳＴＭブロックとして入力される。
【0058】
劣化状態推定部１０４は、現時刻ｔに対応する入力データＤｉｎ（ｔ）を第２学習済みモデル１０３に入力させる。劣化状態推定部１０４は、入力データＤｉｎ（ｔ）の入力に応じて第２学習済みモデル１０３が出力したＳＯＨの値を取得する。劣化状態推定部１０４は、取得したＳＯＨの値を、ＳＯＨ推定値Ｄｏｕｔとして出力する。
【0059】
図５は、充放電量と電圧変化量との関係例を示したものである。同図では、それぞれが異なるＳＯＨ推定値に対応する４つの曲線Ｃ１１、Ｃ１２、Ｃ２１、Ｃ２２が示されている。曲線Ｃ１１と曲線Ｃ２１は、二次電池の容量が同じα（Ａｈ）であり、曲線Ｃ１２と曲線Ｃ２２は、二次電池の容量がα（Ａｈ）よりも少ない、同じβ（Ａｈ）である場合の例を示している。
ＳＯＨ推定値は、例えば或る特定のＳＯＣ－ＯＣＶ特性にも対応することから、これら４つの曲線Ｃ１１、Ｃ１２、Ｃ２１、Ｃ２２は、それぞれ特定のＳＯＣ－ＯＣＶ特性にも対応している。相対的な関係として、曲線Ｃ１１、Ｃ１２に対応するＳＯＣ－ＯＣＶ特性のほうが高特性で、曲線Ｃ２１、Ｃ２２に対応するＳＯＣ－ＯＣＶ特性のほうが低特性であるとして区分することができる。
同図の例では、交点ＩＳとして示すように、高特性のＳＯＣ－ＯＣＶ特性に対応する曲線と低特性のＳＯＣ－ＯＣＶ特性に対応する曲線とが交差している箇所がある。
ＳＯＨ推定値は、例えば或る特定のＳＯＣ－ＯＣＶ特性にも対応することから、これら４つの曲線Ｃ１１、Ｃ１２、Ｃ２１、Ｃ２２は、それぞれ特定のＳＯＣ－ＯＣＶ特性にも対応している。相対的な関係として、曲線Ｃ１１、Ｃ１２に対応するＳＯＣ－ＯＣＶ特性のほうが高特性で、曲線Ｃ２１、Ｃ２２に対応するＳＯＣ－ＯＣＶ特性のほうが低特性であるとして区分することができる。
同図の例では、交点ＩＳとして示すように、高特性のＳＯＣ－ＯＣＶ特性に対応する曲線と低特性のＳＯＣ－ＯＣＶ特性に対応する曲線とが交差している箇所がある。
【0060】
また、図６においては、充放電量と電圧変化量との関係を示す３つの曲線Ｃ３１、Ｃ３２、Ｃ３１－１が示されている。同図において、曲線Ｃ３１、Ｃ３２は、それぞれが異なるＳＯＨに対応するものであり、１００％のＳＯＣの状態から対応の二次電池の稼働開始させた場合に得られる曲線となる。一方、曲線Ｃ３１－１は、曲線Ｃ３１に対応するのと同じＳＯＨに対応するのであるが、二次電池を５０％のＳＯＣの状態から稼働開始させた場合の曲線となる。同図の例では、曲線Ｃ３１と曲線Ｃ３２とは重複していないが、曲線Ｃ３１と同じＳＯＣ－ＯＣＶ特性に対応するが稼働開始時のＳＯＣが異なる曲線Ｃ３１－１の場合には、曲線Ｃ３２と重複することになる。つまり、稼働開始時のＳＯＣに起因して複数の曲線の間で重複する区間が生じる場合がある。
また、状態変数測定部１０１により測定される状態変数のばらつき等によっても、異なるＳＯＨに対応する曲線が重複、交差する場合がある。
また、状態変数測定部１０１により測定される状態変数のばらつき等によっても、異なるＳＯＨに対応する曲線が重複、交差する場合がある。
【0061】
本実施形態の劣化状態推定部１０４が第２学習済みモデル１０３に入力する入力データＤｉｎ（ｔ）には、それぞれ異なる複数（３つ）の大量区間（Ｔ１、Ｔ２－１、Ｔ２－２）ごとに対応する、複数の充放電量ＬＣＡ（ｔ）、ＬＣＡ（ｔ－１）、ＬＣＡ（ｔ－２）と、３つの電圧変化量ＬＥＶ（ｔ）、ＬＥＶ（ｔ－１）、ＬＥＶ（ｔ－２）が入力される。つまり、第２学習済みモデル１０３には、充放電量と電圧変化量とのそれぞれについて、少量区間データとしての短期的な履歴（Lookback）に加えて大量区間データとしての長期的な履歴が入力特徴量として入力される。
このため、上記のように推定候補となるＳＯＨ推定値の間で曲線が重複、交差する場合であっても、第２学習済みモデル１０３は時間的に異なる複数の大量区間に対応する充放電量と電圧変化量とを用いて推定を行うことになるため、重複、交差する複数の曲線を区別してＳＯＨを識別することが可能になる。また、この場合には、第２学習済みモデル１０３は、１つのＬＳＴＭブロック内の履歴間で入力パラメータを増加させ、履歴に対する入力パラメータ数を増やすことで過去の情報に対する学習幅の拡大が期待できる。この結果、第２学習済みモデル１０３が出力するＳＯＨ推定値Ｄｏｕｔ（ｔ）の精度の向上が図られる。
このため、上記のように推定候補となるＳＯＨ推定値の間で曲線が重複、交差する場合であっても、第２学習済みモデル１０３は時間的に異なる複数の大量区間に対応する充放電量と電圧変化量とを用いて推定を行うことになるため、重複、交差する複数の曲線を区別してＳＯＨを識別することが可能になる。また、この場合には、第２学習済みモデル１０３は、１つのＬＳＴＭブロック内の履歴間で入力パラメータを増加させ、履歴に対する入力パラメータ数を増やすことで過去の情報に対する学習幅の拡大が期待できる。この結果、第２学習済みモデル１０３が出力するＳＯＨ推定値Ｄｏｕｔ（ｔ）の精度の向上が図られる。
【0062】
また、特性識別部１２３が第１学習済みモデル１２２に入力する状態変数処理データにも、入力データＤｉｎ（ｔ）に含まれるのと同じく、充放電量に対応する複数の大量区間データと、電圧変化量に対応する複数の大量区間データが含まれる。
このような大量区間データが入力されることで、第１学習済みモデル１２２も、時間的に異なる複数の大量区間に対応する充放電量と電圧変化量とを用いて推定を行うことが可能となる。これにより、例えば図５に例示したように高特性と低特性のＳＯＣ－ＯＣＶ特性に対応する曲線が交差するような場合であっても、瞬時的ではなく長期的に曲線の区間を参照することができるので、高特性と低特性とでＳＯＣ－ＯＣＶ特性を適切に弁別し、誤判定を避けることができる。これにより、第１学習済みモデル１２２が推定するＳＯＣ－ＯＣＶ特性の精度を向上させることができる。
このような大量区間データが入力されることで、第１学習済みモデル１２２も、時間的に異なる複数の大量区間に対応する充放電量と電圧変化量とを用いて推定を行うことが可能となる。これにより、例えば図５に例示したように高特性と低特性のＳＯＣ－ＯＣＶ特性に対応する曲線が交差するような場合であっても、瞬時的ではなく長期的に曲線の区間を参照することができるので、高特性と低特性とでＳＯＣ－ＯＣＶ特性を適切に弁別し、誤判定を避けることができる。これにより、第１学習済みモデル１２２が推定するＳＯＣ－ＯＣＶ特性の精度を向上させることができる。
【0063】
また、劣化状態推定部１０４が第２学習済みモデル１０３に入力する入力データＤｉｎ（ｔ）には、上記のように第１学習済みモデル１２２により推定されたＳＯＣ－ＯＣＶ特性の特性識別情報ＣＩＤが含まれる。つまり、入力データＤｉｎ（ｔ）にはＳＯＣ－ＯＣＶ特性の情報が含まれる。
このようなＳＯＣ－ＯＣＶ特性の情報を含む入力データＤｉｎ（ｔ）が用いられることで、第２学習済みモデル１０３が推定を行うにあたっては、ＳＯＣ推定値や内部抵抗推定値を用いる必要がなくなる。ＳＯＣ推定値や内部抵抗推定値を用いないことで、本実施形態では、第２学習済みモデル１０３はＳＯＣ推定値の誤差の影響を受けることなく、ＳＯＨを推定することができるので、精度の向上が図られる。
このようなＳＯＣ－ＯＣＶ特性の情報を含む入力データＤｉｎ（ｔ）が用いられることで、第２学習済みモデル１０３が推定を行うにあたっては、ＳＯＣ推定値や内部抵抗推定値を用いる必要がなくなる。ＳＯＣ推定値や内部抵抗推定値を用いないことで、本実施形態では、第２学習済みモデル１０３はＳＯＣ推定値の誤差の影響を受けることなく、ＳＯＨを推定することができるので、精度の向上が図られる。
【0064】
また、ＳＯＨの推定のための入力データＤｉｎ（ｔ）に含められる特性識別情報ＣＩＤは、対象の二次電池２００に対応して固定的に設定されたものではない。つまり、特性識別情報ＣＩＤは、対象の二次電池２００について測定された状態変数に基づく状態変数処理データを利用して、第１学習済みモデル１２２が推定した結果が対応する。このため、本実施形態においては、二次電池２００の仕様等の変更に関わらず、一定以上の精度で対応の二次電池２００に対応する特性識別情報ＣＩＤを推定できる。従って、本実施形態の劣化状態推定装置１００としては、多様な二次電池２００に対応して適切にＳＯＨを推定することができる。
【0065】
なお、本実施形態の第２学習済みモデル１０３は、例えば一定の精度等の条件を満たすことができるような場合には、特性識別情報ＣＩＤを含まない入力データＤｉｎ（ｔ）を用いてＳＯＨの推定を行ってよい。
【0066】
図７のフローチャートを参照して、劣化状態推定装置１００がＳＯＨの推定に関連して実行する処理手順例について説明する。同図の処理は、所定時間が経過するごとに開始される。
状態変数測定部１０１は、二次電池２００の状態変数を測定する（ステップＳ１００）。二次電池２００の状態変数は、現時刻ｔに対応する出力電流Ｉｏｕｔと出力電圧Ｖｏｕｔである。
状態変数測定部１０１は、二次電池２００の状態変数を測定する（ステップＳ１００）。二次電池２００の状態変数は、現時刻ｔに対応する出力電流Ｉｏｕｔと出力電圧Ｖｏｕｔである。
【0067】
前処理部１０２において、状態変数処理部１２１は、ステップＳ１００により測定された出力電流Ｉｏｕｔと出力電圧Ｖｏｕｔとを利用して、現時刻ｔに対応する状態変数処理データを算出する（ステップＳ１０２）。
状態変数処理データは、大量区間データと少量区間データと電圧データＶ（ｔ）と電力データＰ（ｔ）を含む。大量区間データは、充放電量ＬＣＡ（ｔ）、ＬＣＡ（ｔ－１）、ＬＣＡ（ｔ－２）、電圧変化量ＬＥＶ（ｔ）、ＬＥＶ（ｔ－１）、ＬＥＶ（ｔ－２）である。少量区間データは、充放電量ＳＣＡ（ｔ）、電圧変化量ＳＥＶ（ｔ）である。
状態変数処理データは、大量区間データと少量区間データと電圧データＶ（ｔ）と電力データＰ（ｔ）を含む。大量区間データは、充放電量ＬＣＡ（ｔ）、ＬＣＡ（ｔ－１）、ＬＣＡ（ｔ－２）、電圧変化量ＬＥＶ（ｔ）、ＬＥＶ（ｔ－１）、ＬＥＶ（ｔ－２）である。少量区間データは、充放電量ＳＣＡ（ｔ）、電圧変化量ＳＥＶ（ｔ）である。
【0068】
特性識別部１２３は、ステップＳ１０２により算出された状態変数データを、第１学習済みモデル１２２に入力させる（ステップＳ１０４）。
第１学習済みモデル１２２は、ステップＳ１０４により入力された状態変数データに応じて、ＳＯＣ－ＯＣＶ特性の推定結果として特性識別情報を出力する。特性識別部１２３は、第１学習済みモデル１２２が出力した特性識別情報を取得し、取得した特性識別情報を、現時刻ｔに対応する特性識別情報ＣＩＤ（ｔ）として出力する（ステップＳ１０６）。
第１学習済みモデル１２２は、ステップＳ１０４により入力された状態変数データに応じて、ＳＯＣ－ＯＣＶ特性の推定結果として特性識別情報を出力する。特性識別部１２３は、第１学習済みモデル１２２が出力した特性識別情報を取得し、取得した特性識別情報を、現時刻ｔに対応する特性識別情報ＣＩＤ（ｔ）として出力する（ステップＳ１０６）。
【0069】
劣化状態推定部１０４は、入力データＤｉｎ（ｔ）を第２学習済みモデル１０３に入力させる（ステップＳ１０８）。
第２学習済みモデル１０３は、ステップＳ１０８により入力された入力データＤｉｎ（ｔ）に応じてＳＯＨを推定する。劣化状態推定部１０４は、第２学習済みモデル１０３が推定したＳＯＨを、現時刻ｔに対応するＳＯＨ推定値Ｄｏｕｔ（ｔ）として出力する（ステップＳ１１０）。
第２学習済みモデル１０３は、ステップＳ１０８により入力された入力データＤｉｎ（ｔ）に応じてＳＯＨを推定する。劣化状態推定部１０４は、第２学習済みモデル１０３が推定したＳＯＨを、現時刻ｔに対応するＳＯＨ推定値Ｄｏｕｔ（ｔ）として出力する（ステップＳ１１０）。
【0070】
なお、本実施形態の二次電池２００の用途は特に限定されない。二次電池２００は、例えば車両を駆動するために当該車両に備えられるものであってよい。また、二次電池２００は、住宅、社屋等に設けられるものであってもよい。また、二次電池２００は、例えばスマートグリッドなどの送電網において備えられるものであってよい。
【0071】
なお、本実施形態の劣化状態推定装置１００としての機能が複数の装置に分散された劣化状態推定システムとして構成されてよい。一例として、このような劣化状態推定システムは、劣化推定対象の二次電池を備える端末装置と、当該端末装置と通信可能に接続されるクラウドサーバとを含んでよい。端末装置は、状態変数測定部１０１としての機能により測定した二次電池の状態変数をクラウドサーバに送信し、クラウドサーバは、受信した状態変数を用いて、前処理部１０２、第２学習済みモデル１０３、及び劣化状態推定部１０４としての機能によりＳＯＨ推定値を出力するようにされてよい。
【0072】
なお、上述の劣化状態推定装置１００の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより上述の劣化状態推定装置１００としての処理を行ってもよい。ここで、「記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行する」とは、コンピュータシステムにプログラムをインストールすることを含む。ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、インターネットやＷＡＮ、ＬＡＮ、専用回線等の通信回線を含むネットワークを介して接続された複数のコンピュータ装置を含んでもよい。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。このように、プログラムを記憶した記録媒体は、ＣＤ－ＲＯＭ等の非一過性の記録媒体であってもよい。また、記録媒体には、当該プログラムを配信するために配信サーバからアクセス可能な内部または外部に設けられた記録媒体も含まれる。配信サーバの記録媒体に記憶されるプログラムのコードは、端末装置で実行可能な形式のプログラムのコードと異なるものでもよい。すなわち、配信サーバからダウンロードされて端末装置で実行可能な形でインストールができるものであれば、配信サーバで記憶される形式は問わない。なお、プログラムを複数に分割し、それぞれ異なるタイミングでダウンロードした後に端末装置で合体される構成や、分割されたプログラムのそれぞれを配信する配信サーバが異なっていてもよい。さらに「コンピュータ読み取り可能な記録媒体」とは、ネットワークを介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。また、上記プログラムは、上述した機能の一部を実現するためのものであってもよい。さらに、上述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
【0073】
以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形および置換を加えることができる。
【符号の説明】
【0074】
１００…劣化状態推定装置
１０１…状態変数測定部
１０２…前処理部
１０３…第２学習済みモデル
１０４…劣化状態推定部
１２１…状態変数処理部
１２２…第１学習済みモデル
１２３…特性識別部
２００…二次電池
１０１…状態変数測定部
１０２…前処理部
１０３…第２学習済みモデル
１０４…劣化状態推定部
１２１…状態変数処理部
１２２…第１学習済みモデル
１２３…特性識別部
２００…二次電池
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】