特許 7604992 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

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-12-16

(45)【発行日】2024-12-24

(54)【発明の名称】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

(51)【国際特許分類】

   G01R 31/392 20190101AFI20241217BHJP

   G01R 31/367 20190101ALI20241217BHJP

   H01M 10/48 20060101ALI20241217BHJP

   H02J 7/00 20060101ALI20241217BHJP

【ＦＩ】

G01R31/392

G01R31/367

H01M10/48 P

H01M10/48 301

H02J7/00 Y

【請求項の数】 8

(21)【出願番号】P 2021055828

(22)【出願日】2021-03-29

(65)【公開番号】P2022152891

(43)【公開日】2022-10-12

【審査請求日】2023-12-07

(73)【特許権者】

【識別番号】507151526

【氏名又は名称】株式会社ＧＳユアサ

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】尾地 克弥

【審査官】小川 浩史

(56)【参考文献】

【文献】特許第６５７９２８７（ＪＰ，Ｂ１）

【文献】国際公開第２０１９／１８１７２９（ＷＯ，Ａ１）

【文献】特開２００６－２２０６１７（ＪＰ，Ａ）

【文献】特開２００６－２２０６１６（ＪＰ，Ａ）

【文献】特開平９－２４３７１６（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｒ ３１／３６－３１／３９６

Ｈ０１Ｍ １０／４２－１０／４８

Ｈ０２Ｊ ７／００

(57)【特許請求の範囲】

【請求項1】

蓄電素子の寿命を推定する推定指標の第１時点での推定指標データを取得する推定指標データ取得部と、
前記蓄電素子の前記第１時点から第２時点までの時系列負荷データを取得する負荷データ取得部と、
前記第１時点での推定指標データ及び前記第１時点から第２時点までの時系列負荷データを入力し、前記第２時点での推定指標データを出力する学習済みニューラルネットワークシステムと
を備え、
前記学習済みニューラルネットワークシステムは、
前記第１時点での推定指標データを入力し、前記蓄電素子の前記第１時点での特徴量を出力する第１ニューラルネットワークレイヤと、
前記第１ニューラルネットワークレイヤが出力する第１時点での特徴量及び前記第１時点から第２時点までの時系列負荷データを入力し、前記蓄電素子の前記第２時点での特徴量を出力する第２ニューラルネットワークレイヤと、
前記第２ニューラルネットワークレイヤが出力する前記第２時点での特徴量を入力し、前記第２時点での推定指標データを出力する第３ニューラルネットワークレイヤと
を備える、
推定支援装置。

【請求項2】

前記推定指標は、
前記蓄電素子のＳＯＣ又は放電容量の変化に対する電圧の推移を示す放電曲線を含む、
請求項１に記載の推定支援装置。

【請求項3】

前記推定指標は、
さらに、前記蓄電素子のＳＯＣ又は放電容量の変化に対する容量を含む、
請求項１又は請求項２に記載の推定支援装置。

【請求項4】

前記推定指標は、
さらに、前記蓄電素子のＳＯＣ又は放電容量の変化に対する直流抵抗を含む、
請求項１から請求項３のいずれか一項に記載の推定支援装置。

【請求項5】

前記時系列負荷データは、
前記蓄電素子の時系列電圧データ及び時系列温度データを含む、
請求項１から請求項４のいずれか一項に記載の推定支援装置。

【請求項6】

コンピュータに、
蓄電素子の寿命を推定する推定指標の第１時点での推定指標データを取得し、
前記蓄電素子の前記第１時点から第２時点までの時系列負荷データを取得し、
前記第１時点での推定指標データ及び前記第１時点から第２時点までの時系列負荷データを、
前記第１時点での推定指標データを入力し、前記蓄電素子の前記第１時点での特徴量を出力する第１ニューラルネットワークレイヤと、
前記第１ニューラルネットワークレイヤが出力する第１時点での特徴量及び前記第１時点から第２時点までの時系列負荷データを入力し、前記蓄電素子の前記第２時点での特徴量を出力する第２ニューラルネットワークレイヤと、
前記第２ニューラルネットワークレイヤが出力する前記第２時点での特徴量を入力し、前記第２時点での推定指標データを出力する第３ニューラルネットワークレイヤと
を備える学習済みニューラルネットワークシステムに入力し、前記第２時点での推定指標データを出力する、
処理を実行させるコンピュータプログラム。

【請求項7】

蓄電素子の寿命を推定する推定指標の第１時点での推定指標データを取得し、
前記蓄電素子の前記第１時点から第２時点までの時系列負荷データを取得し、
前記第１時点での推定指標データ及び前記第１時点から第２時点までの時系列負荷データを、
前記第１時点での推定指標データを入力し、前記蓄電素子の前記第１時点での特徴量を出力する第１ニューラルネットワークレイヤと、
前記第１ニューラルネットワークレイヤが出力する第１時点での特徴量及び前記第１時点から第２時点までの時系列負荷データを入力し、前記蓄電素子の前記第２時点での特徴量を出力する第２ニューラルネットワークレイヤと、
前記第２ニューラルネットワークレイヤが出力する前記第２時点での特徴量を入力し、前記第２時点での推定指標データを出力する第３ニューラルネットワークレイヤと
を備える学習済みニューラルネットワークシステムに入力し、前記第２時点での推定指標データを出力する、
推定支援方法。

【請求項8】

蓄電素子の寿命を推定する推定指標の第１時点での推定指標データを取得し、
前記蓄電素子の前記第１時点から第２時点までの時系列負荷データを取得し、
前記蓄電素子の前記第２時点での推定指標データを取得し、
前記第１時点での推定指標データ及び前記第１時点から第２時点までの時系列負荷データを、
前記第１時点での推定指標データを入力し、前記蓄電素子の前記第１時点での特徴量を出力する第１ニューラルネットワークレイヤと、
前記第１ニューラルネットワークレイヤが出力する第１時点での特徴量及び前記第１時点から第２時点までの時系列負荷データを入力し、前記蓄電素子の前記第２時点での特徴量を出力する第２ニューラルネットワークレイヤと、
前記第２ニューラルネットワークレイヤが出力する前記第２時点での特徴量を入力し、前記第２時点での推定指標データを出力する第３ニューラルネットワークレイヤと
を備えるニューラルネットワークシステムに入力し、前記ニューラルネットワークシステムが出力する推定指標データが、前記第２時点での推定指標データに近づくように前記ニューラルネットワークシステムを学習させる、
学習済みニューラルネットワークシステムの生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、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に関する。

【背景技術】

【0002】

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蓄電システムにも蓄電素子の利用が拡大している。蓄電素子は、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。

【0003】

特許文献１には、蓄電デバイスの複数の運転条件での実測データに基づいて任意の運転条件での寿命予測式を導出することにより、任意の運転条件において蓄電デバイスの寿命を予測する寿命予測装置が開示されている。

【先行技術文献】

【特許文献】

【0004】

【文献】国際公開第２０１４／１０３７０５号

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかし、従来の寿命予測式においては、蓄電素子の使用初期段階に見られる容量の一時的な増加や直流抵抗の一時的な減少を適切な近似関数でフィッティングすることができないため、精度よく寿命を予測できない場合がある。また、蓄電素子が既に劣化した状態からの寿命予測方法は確立されていない。

【0006】

本発明は、蓄電素子の寿命の推定を支援する推定支援装置、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を提供することを目的とする。

【課題を解決するための手段】

【0007】

本発明の一態様に係る推定支援装置は、蓄電素子の寿命を推定する推定指標の第１時点での推定指標データを取得する推定指標データ取得部と、前記蓄電素子の前記第１時点から第２時点までの時系列負荷データを取得する負荷データ取得部と、前記第１時点での推定指標データ及び前記第１時点から第２時点までの時系列負荷データを入力し、前記第２時点での推定指標データを出力する学習済みニューラルネットワークシステムとを備える。

【発明の効果】

【0008】

上記態様によれば、蓄電素子の寿命の推定を支援することができる。

【図面の簡単な説明】

【0009】

【図1】推定支援装置の構成を示すブロック図である。

【図2】学習済みニューラルネットワークシステムの入出力データの一例を示す模式図である。

【図3】推定指標の一例を示す模式図である。

【図4】時系列負荷データの一例を示す模式図である。

【図5】学習済みニューラルネットワークシステムの構成の一例を示す模式図である。

【図6】学習済みニューラルネットワークシステムの生成方法の一例を示す模式図である。

【図7】推定支援システムの構成を示す模式図である。

【図8】蓄電素子の寿命の推定支援処理の手順を示すフローチャートである。

【図9】学習済みニューラルネットワークシステムの生成処理の手順を示すフローチャートである。

【図10】初期状態の蓄電素子の劣化後の推定指標の第１評価を示す説明図である。

【図11】初期状態の蓄電素子の劣化後の推定指標の第２評価を示す説明図である。

【図12】劣化状態の蓄電素子の劣化後の推定指標の第１評価を示す説明図である。

【図13】劣化状態の蓄電素子の劣化後の推定指標の第２評価を示す説明図である。

【発明を実施するための形態】

【0010】

推定支援装置は、蓄電素子の寿命を推定する推定指標の第１時点での推定指標データを取得する推定指標データ取得部と、前記蓄電素子の前記第１時点から第２時点までの時系列負荷データを取得する負荷データ取得部と、前記第１時点での推定指標データ及び前記第１時点から第２時点までの時系列負荷データを入力し、前記第２時点での推定指標データを出力する学習済みニューラルネットワークシステムとを備える。

【0011】

コンピュータプログラムは、コンピュータに、蓄電素子の寿命を推定する推定指標の第１時点での推定指標データを取得し、前記蓄電素子の前記第１時点から第２時点までの時系列負荷データを取得し、前記第１時点での推定指標データ及び前記第１時点から第２時点までの時系列負荷データを学習済みニューラルネットワークシステムに入力し、前記第２時点での推定指標データを出力する、処理を実行させる。

【0012】

推定支援方法は、蓄電素子の寿命を推定する推定指標の第１時点での推定指標データを取得し、前記蓄電素子の前記第１時点から第２時点までの時系列負荷データを取得し、前記第１時点での推定指標データ及び前記第１時点から第２時点までの時系列負荷データを学習済みニューラルネットワークシステムに入力し、前記第２時点での推定指標データを出力する。

【0013】

学習済みニューラルネットワークシステムの生成方法は、蓄電素子の寿命を推定する推定指標の第１時点での推定指標データを取得し、前記蓄電素子の前記第１時点から第２時点までの時系列負荷データを取得し、前記蓄電素子の前記第２時点での推定指標データを取得し、前記第１時点での推定指標データ及び前記第１時点から第２時点までの時系列負荷データをニューラルネットワークシステムに入力し、前記ニューラルネットワークシステムが出力する推定指標データが、前記第２時点での推定指標データに近づくように前記ニューラルネットワークシステムを学習させる。

【0014】

推定指標データ取得部は、蓄電素子の寿命を推定する推定指標の第１時点での推定指標データを取得する。推定指標は、蓄電素子の寿命を推定することができる指標であればよく、蓄電素子の状態を表す特性を含む。例えば、ある時点における推定指標により、当該時点における蓄電素子の寿命を推定することが可能となる。推定指標データは、推定指標の実際の数値を表す。第１時点は、任意の時点とすることができ、例えば、蓄電素子の使用開始時（新品時）でもよく、ある程度の期間に亘って使用した後の時点（劣化後の時点）でもよい。

【0015】

負荷データ取得部は、当該蓄電素子の第１時点から第２時点までの時系列負荷データを取得する。時系列負荷データは、蓄電素子の使用中において蓄電素子に対して負荷となる時系列データであり、蓄電素子の劣化の要因となる時系列データであればよい。第２時点は、蓄電素子の寿命を推定する時点（寿命推定時点）とすることができる。例えば、第１時点を現時点とし、蓄電素子の６か月後の寿命を推定したい場合、第２時点は、第１時点の６か月後の時点とすることができる。第２時点と第１時点との間の時間差（期間）は、寿命を推定したい時点に応じて適宜決定すればよく、例えば、３か月後、６か月後、１年後、２年後などとすることができる。

【0016】

学習済みニューラルネットワークシステムは、第１時点での推定指標データ及び第１時点から第２時点までの時系列負荷データを入力すると、第２時点での推定指標データを出力することができる。すなわち、学習済みニューラルネットワークシステムは、第１時点での推定指標データ及び第１時点から第２時点までの時系列負荷データをニューラルネットワークシステムに入力し、当該ニューラルネットワークシステムが出力する推定指標データが、第２時点での推定指標データに近づくように学習することにより、生成されている。

【0017】

上述の構成により、例えば、現時点（第１時点）の推定指標データと、現時点から所要の寿命推定時点（第２時点）までの時系列負荷データとを学習済みニューラルネットワークシステムに入力することにより、所要の寿命推定時点における推定指標データを得ることができる。これにより、精度よく寿命を推定（予測）することができ、また、蓄電素子が既に劣化した状態からの寿命の推定も行うことができ、蓄電素子の寿命の推定を支援することができる。

【0018】

推定支援装置において、前記学習済みニューラルネットワークシステムは、前記第１時点での推定指標データを入力し、前記蓄電素子の前記第１時点での特徴量を出力する第１ニューラルネットワークレイヤと、前記第１ニューラルネットワークレイヤが出力する第１時点での特徴量及び前記第１時点から第２時点までの時系列負荷データを入力し、前記蓄電素子の前記第２時点での特徴量を出力する第２ニューラルネットワークレイヤと、前記第２ニューラルネットワークレイヤが出力する前記第２時点での特徴量を入力し、前記第２時点での推定指標データを出力する第３ニューラルネットワークレイヤとを備える。

【0019】

学習済みニューラルネットワークシステムは、第１ニューラルネットワークレイヤ、第２ニューラルネットワークレイヤ、及び第３ニューラルネットワークレイヤを備えてもよい。第１ニューラルネットワークレイヤは、第１時点での推定指標データを入力すると、蓄電素子の第１時点での特徴量を出力する。第２ニューラルネットワークレイヤは、第１ニューラルネットワークレイヤが出力する第１時点での特徴量及び第１時点から第２時点までの時系列負荷データを入力すると、蓄電素子の第２時点での特徴量を出力する。第３ニューラルネットワークレイヤは、第２ニューラルネットワークレイヤが出力する第２時点での特徴量を入力すると、第２時点での推定指標データを出力する。

【0020】

第１ニューラルネットワークレイヤは、例えば、畳み込み層、あるいは畳み込み層を含むエンコーダで構成することができ、推定指標データを表す２次元データ（「画像」とみなすことができる）に基づいて、推定指標データが包含する２次元空間的に意味のある特徴量を抽出することができる。

【0021】

第２ニューラルネットワークレイヤは、リカレントニューラルネットワーク（ＲＮＮ）で構成することができ、より具体的には、ＬＳＴＭ（Long Short Term Memory）ネットワークで構成することができる。ＬＳＴＭネットワークの初期状態を第１ニューラルネットワークレイヤが出力する、第１時点での特徴量とする。ＬＳＴＭネットワークの各ＬＳＴＭには、第１時点から第２時点までの時系列負荷データが入力される。

【0022】

第３ニューラルネットワークレイヤは、例えば、逆畳み込み層、あるいは逆畳み込み層を含むデコーダで構成することができ、第２ニューラルネットワークレイヤが出力する第２時点での特徴量に基づいて、第２時点での推定指標データを表す２次元データを出力する。

【0023】

上述の構成により、第１時点における推定指標データを２次元データ（画像）とみなし、推定指標データが包含する２次元空間的に意味のある特徴量を抽出し、抽出した特徴量を時系列負荷データによって更新して第２時点での特徴量を求め、第２時点での特徴量から推定指標データを求めることにより、蓄電素子の寿命を推定する推定指標の第１時点から第２時点までの間の変化を求めることができる。

【0024】

推定支援装置において、前記推定指標は、前記蓄電素子の放電関連量の変化に対する電圧の推移を示す放電曲線を含む。

【0025】

推定指標は、蓄電素子の放電関連量の変化に対する電圧の推移を示す放電曲線を含めてもよい。放電関連量は、ＳＯＣでもよく、放電容量でもよい。放電曲線は、蓄電素子の寿命の推定に用いることができる指標であり、例えば、横軸をＳＯＣ（又は放電容量）とし、縦軸を電圧とする２次元空間上で放電時のＳＯＣ（又は放電容量）の減少に伴う電圧の推移を曲線で表す。これにより、寿命推定時（第２時点）での放電曲線を求めることができる。

【0026】

推定支援装置において、前記推定指標は、さらに、前記蓄電素子の放電関連量の変化に対する容量を含む。

【0027】

推定指標は、さらに、蓄電素子の放電関連量の変化に対する容量を含めてもよい。容量は、蓄電素子の寿命の推定に用いることができる指標であり、例えば、横軸をＳＯＣ（又は放電容量）とし、縦軸を容量とする２次元空間上で放電時のＳＯＣ（又は放電容量）の減少に伴う容量の推移を曲線で表す。なお、１回の放電時のＳＯＣ（又は放電容量）の減少に伴って容量は変化しないので、容量の推移は一定の直線で表される。これにより、寿命推定時（第２時点）での容量を求めることができる。

【0028】

推定支援装置において、前記推定指標は、さらに、前記蓄電素子の放電関連量の変化に対する直流抵抗を含む。

【0029】

推定指標は、さらに、蓄電素子の放電関連量の変化に対する直流抵抗を含めてもよい。直流抵抗は、蓄電素子の寿命の推定に用いることができる指標であり、例えば、横軸をＳＯＣ（又は放電容量）とし、縦軸を抵抗とする２次元空間上で放電時のＳＯＣ（又は放電容量）の減少に伴う抵抗の推移を曲線で表す。なお、１回の放電時のＳＯＣ（又は放電容量）の減少に伴って抵抗は変化しないので、直流抵抗の推移は一定の直線で表される。これにより、寿命推定時（第２時点）での直流抵抗を求めることができる。

【0030】

推定支援装置において、前記時系列負荷データは、前記蓄電素子の時系列電圧データ及び時系列温度データを含む。

【0031】

時系列負荷データは、蓄電素子の時系列電圧データ及び時系列温度データを含めてもよい。これにより、蓄電素子の使用中の充放電時の電圧の推移、温度の推移に応じた、蓄電素子の劣化の進行状況を反映して寿命推定時（第２時点）での推定指標を求めることができる。

【0032】

以下、図面を参照しながら、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の実施形態を説明する。

【0033】

図１は推定支援装置５０の構成を示すブロック図である。推定支援装置５０は、装置全体を制御する制御部５１、通信部５２、記憶部５３、操作部５４、表示パネル５５、推定部５６、及び学習処理部５７を備える。推定部５６は、学習済みニューラルネットワークシステム５６１を備える。学習処理部５７は、学習が完了していないニューラルネットワークシステム５７１を備える。

【0034】

制御部５１は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等で構成される。記憶部５３は、ハードディスク又は半導体メモリ等で構成され、所要のデータを記憶する。

【0035】

通信部５２は、有線通信機能又は無線通信機能を備え、外部の端末装置との間でデータの送受信を行うことができる。具体的には、通信部５２は、推定指標データ取得部としての機能を有し、蓄電素子の寿命を推定する推定指標の第１時点での推定指標データを取得する。蓄電素子は、例えば、蓄電セル、蓄電モジュールを意味する。推定指標は、蓄電素子の寿命を推定することができる指標であればよく、蓄電素子の状態を表す特性を含む。例えば、ある時点における推定指標により、当該時点における蓄電素子の寿命を推定することが可能となる。推定指標データは、推定指標の実際の数値を表す。第１時点は、任意の時点とすることができ、例えば、蓄電素子の使用開始時（新品時）でもよく、ある程度の期間に亘って使用した後の時点（劣化後の時点）でもよい。

【0036】

また、通信部５２は、負荷データ取得部としての機能を有し、推定指標データが取得された当該蓄電素子の第１時点から第２時点までの時系列負荷データを取得する。時系列負荷データは、蓄電素子の使用中において蓄電素子に対して負荷となる時系列データであり、蓄電素子の劣化の要因となる時系列データであればよい。第２時点は、蓄電素子の寿命を推定する時点（寿命推定時点）とすることができる。例えば、第１時点を現時点とし、蓄電素子の６か月後の寿命を推定したい場合、第２時点は、第１時点の６か月後の時点とすることができる。第２時点と第１時点との間の時間差（期間）は、寿命を推定したい時点に応じて適宜決定すればよく、例えば、３か月後、６か月後、１年後、２年後などとすることができる。

【0037】

通信部５２を介して取得した推定指標データ及び推定指標データは、蓄電素子を識別する識別子と対応付けて記憶部５３に記憶される。

【0038】

表示パネル５５は、液晶パネル、有機ＥＬ（Electro Luminescence）パネル等で構成される。

【0039】

操作部５４は、キーボード又はポインティングデバイス等で構成される。操作部５４は、表示パネル５５のタッチパネルでもよい。

【0040】

推定部５６（学習済みニューラルネットワークシステム５６１）は、第１時点での推定指標データ及び第１時点から第２時点までの時系列負荷データを入力すると、第２時点での推定指標データを出力する。

【0041】

上述の構成により、例えば、現時点（第１時点）の推定指標データと、現時点から所要の寿命推定時点（第２時点）までの時系列負荷データとを学習済みニューラルネットワークシステムに入力することにより、所要の寿命推定時点における推定指標データを得ることができる。これにより、精度よく寿命を推定（予測）することができ、また、蓄電素子が既に劣化した状態からの寿命の推定も行うことができ、蓄電素子の寿命の推定を支援することができる。

【0042】

推定部５６及び学習処理部５７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。学習済みニューラルネットワークシステム５６１に代えて、他の機械学習モデルでもよい。

【0043】

以下、学習済みニューラルネットワークシステム５６１の詳細について説明する。なお、学習処理部５７の詳細は後述する。

【0044】

図２は学習済みニューラルネットワークシステム５６１の入出力データの一例を示す模式図である。図２に示すように、学習済みニューラルネットワークシステム５６１には、入力データとして、第１時点（例えば、現時点）での推定指標データ、第１時点から第２時点までの時系列負荷データが入力される。推定指標データには、蓄電素子の放電曲線、容量、直流抵抗、ｄＱ／ｄＶ曲線の各データを含めることができる。ｄＱ／ｄＶ曲線は、放電時の残存容量Ｑを電圧Ｖで微分して得られる値をプロットしたものである。また、時系列負荷データには、電圧データ、温度データを含めることができる。学習済みニューラルネットワークシステム５６１は、出力データとして、第２時点での推定指標データを出力する。第２時点での推定指標データには、蓄電素子の放電曲線、容量、直流抵抗の各データを含めることができる。なお、推定指標データにｄＱ／ｄＶ曲線を含めなくてもよい。

【0045】

図３は推定指標の一例を示す模式図である。図３において、横軸はＳＯＣ（充電状態、残存容量：State of Charge）を示し、縦軸は電圧、容量、抵抗、ｄＱ／ｄＶを示す。放電曲線は、蓄電素子の放電時のＳＯＣの変化に対する電圧の推移を表す曲線である。放電曲線は、蓄電素子の寿命の推定に用いることができる指標であり、横軸をＳＯＣとし、縦軸を電圧とする２次元空間上で放電時のＳＯＣの減少に伴う電圧の推移を表す。これにより、寿命推定時（第２時点）での放電曲線を求めることができる。

【0046】

容量は、蓄電素子の寿命の推定に用いることができる指標であり、例えば、横軸をＳＯＣとし、縦軸を容量とする２次元空間上で放電時のＳＯＣの減少に伴う容量の推移を曲線で表す。なお、１回の放電時のＳＯＣの減少に伴って容量は変化しないので、図３に示すように、容量の推移は一定の直線で表される。これにより、寿命推定時（第２時点）での容量を求めることができる。

【0047】

直流抵抗は、蓄電素子の寿命の推定に用いることができる指標であり、例えば、横軸をＳＯＣとし、縦軸を抵抗とする２次元空間上で放電時のＳＯＣの減少に伴う抵抗の推移を曲線で表す。なお、１回の放電時のＳＯＣの減少に伴って抵抗は変化しないので、図３に示すように、直流抵抗の推移は一定の直線で表される。これにより、寿命推定時（第２時点）での直流抵抗を求めることができる。

【0048】

ｄＱ／ｄＶ曲線は、放電時の残存容量Ｑを電圧Ｖで微分して得られる値をプロットしたものである。ｄＱ／ｄＶ曲線は、ＳＯＣ１０％付近のショルダーピーク領域、ＳＯＣ２０％以下の低ＳＯＣ領域、ＳＯＣ２０～４０％のピーク領域、ＳＯＣ６０～８０％の平坦部とピーク領域との移行領域、ＳＯＣ６０～１００％の高ＳＯＣ領域の特徴を２次元空間上で表すことができる。

【0049】

図３の例では、横軸を放電関連量としてのＳＯＣとしたが、ＳＯＣに代えて、放電時の放電量（電流×時間）である放電容量としてもよい。なお、図３に示す放電曲線、容量、直流抵抗は一例であり、蓄電素子の劣化状態や種類などに応じて推移や値が異なる曲線、直線で表される。

【0050】

図４は時系列負荷データの一例を示す模式図である。図４において、横軸は時間を示し、縦軸は電圧又は温度を示す。図４では、第１時点（ｔ０）から第２時点（ｔｎ）までの電圧の時系列データ（電圧データ）及び温度の時系列データ（温度データ）が図示されている。なお、電圧データ及び温度データの推移は一例であって、図４の例に限定されるものではない。第１時点から第２時点までをｎ等分し、時点ｔ１、ｔ２、…、ｔ（ｋ－１）、ｔｋ、…、ｔｎとする。電圧データは、{Ｖ（ｔ１）、Ｖ（ｔ２）、…、Ｖ（ｔｋ）、…、Ｖ（ｔｎ）}で表すことができ、温度データは{Ｔ（ｔ１）、Ｔ（ｔ２）、…、Ｔ（ｔｋ）、…、Ｔ（ｔｎ）}で表すことができる。

【0051】

上述のように、時系列負荷データは、蓄電素子の時系列電圧データ及び時系列温度データを含めてもよい。これにより、蓄電素子の使用中の充放電時の電圧の推移、温度の推移に応じた、蓄電素子の劣化の進行状況を反映して寿命推定時（第２時点）での推定指標を求めることができる。

【0052】

ここで、Ｖ（ｔｋ）は、時点ｔ（ｋ－１）と時点ｔｋとの間の所定時点における電圧のサンプリング値でもよく、あるいは、時点ｔ（ｋ－１）と時点ｔｋとの間の電圧の平均値でもよい。時点ｔｋと時点ｔ（ｋ－１）との間隔は、１０分、３０分、１時間、６時間、１２時間、２４時間など適宜決定すればよい。

【0053】

同様に、Ｔ（ｔｋ）は、時点ｔ（ｋ－１）と時点ｔｋとの間の所定時点における温度のサンプリング値でもよく、あるいは、時点ｔ（ｋ－１）と時点ｔｋとの間の温度の平均値でもよい。温度データは、電圧データよりも緩やかな変化を示す場合が多いので、時点ｔｋと時点ｔ（ｋ－１）との間隔は、１時間、６時間、２４時間など適宜決定すればよい。

【0054】

図５は学習済みニューラルネットワークシステム５６１の構成の一例を示す模式図である。図５に示すように、学習済みニューラルネットワークシステム５６１は、例えば、第１ニューラルネットワークレイヤ５６１１、第２ニューラルネットワークレイヤ５６１２、及び第３ニューラルネットワークレイヤ５６１３を備えてもよい。

【0055】

第１ニューラルネットワークレイヤ５６１１は、第１時点での推定指標データを入力すると、蓄電素子の第１時点での特徴量Ｃ０を出力する。第２ニューラルネットワークレイヤ５６１２は、第１ニューラルネットワークレイヤ５６１１が出力する第１時点での特徴量Ｃ０及び第１時点から第２時点までの時系列負荷データを入力すると、蓄電素子の第２時点での特徴量Ｃｎを出力する。ここで、第１時点から第２時点までの時系列負荷データは、図４で例示したように、電圧データＶ（ｔ１）、Ｖ（ｔ２）、…、Ｖ（ｔｎ）と温度データＴ（ｔ１）、Ｔ（ｔ２）、…、Ｔ（ｔｎ）とを含む。第３ニューラルネットワークレイヤ５６１３は、第２ニューラルネットワークレイヤ５６１２が出力する第２時点での特徴量Ｃｎを入力すると、第２時点での推定指標データを出力する。

【0056】

第１ニューラルネットワークレイヤ５６１１は、例えば、畳み込み層、あるいは畳み込み層を含むエンコーダで構成することができ、推定指標データを表す２次元データ（「画像」とみなすことができる）に基づいて、推定指標データが包含する２次元空間的に意味のある特徴量Ｃ０を抽出することができる。第１ニューラルネットワークレイヤ５６１１の入力層は、例えば、１００×４の２次元配列の推定指標データを受け付けることができる。なお、図３に示すように、推定指標データを表す２次元データは、放電曲線、容量、直流抵抗及びｄＱ／ｄＶ曲線それぞれの２次元空間上の推移を含むだけではなく、放電曲線、容量、直流抵抗及びｄＱ／ｄＶ曲線の相互の（相対的な）２次元空間上の位置関係も含む。

【0057】

第２ニューラルネットワークレイヤ５６１２は、リカレントニューラルネットワーク（ＲＮＮ）で構成することができ、より具体的には、ＬＳＴＭ（Long Short Term Memory）ネットワークで構成することができる。図５では、ＬＳＴＭネットワークを、ｎ個のＬＳＴＭで表している。第２ニューラルネットワークレイヤ５６１２の入力層は、例えば、ｎ×２の２次元配列の時系列負荷データを受け付けることができる。ＬＳＴＭネットワークの初期状態を第１ニューラルネットワークレイヤ５６１１が出力する、第１時点での特徴量Ｃ０とする。ＬＳＴＭネットワークのｎ個のＬＳＴＭには、それぞれ電圧データＶ（ｔ１）及び温度データＴ（ｔ１）、電圧データＶ（ｔ２）及び温度データＴ（ｔ２）、…、電圧データＶ（ｔｎ）及び温度データＴ（ｔｎ）が入力される。第１番目のＬＳＴＭは、特徴量Ｃ０を特徴量Ｃ１に更新する。第２番目のＬＳＴＭは、特徴量Ｃ１を特徴量Ｃ２に更新する。以降、同様にして、第ｎ番目のＬＳＴＭは、特徴量Ｃｎを出力する。なお、ＬＳＴＭの数ｎは、時系列負荷データの時間長に応じて適宜設定することができ、可変長の時系列負荷データを扱うことができる。ＬＳＴＭの数ｎは、例えば、９５を用いてもよい。

【0058】

第３ニューラルネットワークレイヤ５６１３は、例えば、逆畳み込み層、あるいは逆畳み込み層を含むデコーダで構成することができ、第２ニューラルネットワークレイヤ５６１２が出力する第２時点での特徴量Ｃｎに基づいて、第２時点での推定指標データを表す２次元データを出力する。

【0059】

上述の構成により、第１時点における推定指標データを２次元データ（画像）とみなし、推定指標データが包含する２次元空間的に意味のある特徴量Ｃ０を抽出し、抽出した特徴量を時系列負荷データによって更新して第２時点での特徴量Ｃｎを求め、第２時点での特徴量から推定指標データを求めることにより、蓄電素子の寿命を推定する推定指標の第１時点から第２時点までの間の変化を求めることができる。

【0060】

学習済みニューラルネットワークシステム５６１が出力した第２時点での推定指標と、当該第２時点から第３時点までの時系列負荷データとを学習済みニューラルネットワークシステム５６１に再度入力することにより、第３時点での推定指標を得ることができる。このように、学習済みニューラルネットワークシステム５６１が出力した推定指標を再度、学習済みニューラルネットワークシステム５６１に入力するとともに、対応する時系列負荷データを入力する処理を繰り返すことにより、蓄電素子の長期に亘る寿命の推定を行うことができる。

【0061】

次に、学習処理部５７について説明する。学習処理部５７は、ニューラルネットワークシステム５７１を学習させて、学習済みニューラルネットワークシステム５６１を生成する。なお、推定支援装置５０が学習済みニューラルネットワークシステム５６１を生成する必要がない場合、学習処理部５７は省略してもよい。

【0062】

図６は学習済みニューラルネットワークシステム５６１の生成方法の一例を示す模式図である。図６に示すように、蓄電素子の第１時点での推定指標データ（放電曲線、容量、直流抵抗、ｄＱ／ｄＶ曲線の各データ）、当該蓄電素子の第１時点から第２時点までの時系列負荷データ（電圧データ、温度データ）を学習用入力データとして収集する。また、当該蓄電素子の第２時点での推定指標データを教師データとして収集する。学習済みニューラルネットワークシステム５６１の生成は、収集した第１時点での推定指標データ及び第１時点から第２時点までの時系列負荷データをニューラルネットワークシステム５７１に入力し、ニューラルネットワークシステム５７１が出力する推定指標データが、第２時点での推定指標データ（教師データ）に近づくようにニューラルネットワークシステム５７１を学習させる。具体的には、ニューラルネットワークシステム５７１の出力データと教師データとの間の損失関数の値が最小になるようにニューラルネットワークシステム５７１のパラメータを調整する。損失関数の値が許容範囲内になれば学習を終了させることができ、学習済みニューラルネットワークシステム５６１を生成することができる。

【0063】

上述の例では、推定指標として、放電曲線、容量、直流抵抗及びｄＱ／ｄＶ曲線を全て含む構成について説明したが、推定指標は、放電曲線、容量、直流抵抗及びｄＱ／ｄＶ曲線のいずれか１つ、あるいはいずれか２つでもよい。

【0064】

図７は推定支援システムの構成を示す模式図である。図７に示すように、推定支援装置５０は、通信ネットワーク１を介して外部の端末装置１０、２０、３０と接続されている。端末装置１０、２０、３０は、パーソナルコンピュータ、タブレット端末又はスマートフォン等で構成することができる。端末装置１０は、蓄電システム運用事業者が使用する端末装置であり、端末装置２０は、リユース事業者が使用する端末装置であり、端末装置３０は、リファービッシュ事業者が使用する端末装置である。なお、事業者の例は図７の例に限定されない。

【0065】

蓄電システム運用事業者は、端末装置１０を用いて、現時点（第１時点）の蓄電素子（例えば、新品、あるいは劣化状態）の推定指標と、現時点から寿命推定時点（第２時点）までの蓄電素子の時系列負荷データ（負荷状態の予測データ）を推定支援装置５０へ送信する。ここで、負荷状態の予測データは、蓄電素子の運用計画や過去の運用実績などから予測できる。推定支援装置５０は、現時点での推定指標及び現時点から寿命推定時点までの時系列負荷データに基づいて、寿命推定時点での推定指標を求め、求めた寿命推定時点での推定指標を端末装置１０へ送信する。これにより、蓄電システム運用事業者は、所要の時点での蓄電素子の寿命を推定することができ、蓄電素子の運用計画の立案や見直しを行うことができる。

【0066】

リユース事業者は、端末装置２０を用いて、現時点の蓄電素子（劣化状態）の推定指標と、現時点から寿命推定時点までの蓄電素子の時系列負荷データを推定支援装置５０へ送信する。ここで、時系列負荷データは、中古蓄電素子の一般的な使われ方等から予測してもよい。推定支援装置５０は、現時点での推定指標及び現時点から寿命推定時点までの時系列負荷データに基づいて、寿命推定時点での推定指標を求め、求めた寿命推定時点での推定指標を端末装置１０へ送信する。これにより、リユース事業者は、中古蓄電素子の残存寿命を推定することができ、中古市場での販売価格や蓄電素子の再利用先などを適宜決定できる。

【0067】

リファービッシュ事業者は、端末装置３０を用いて、現時点の蓄電素子（劣化状態）の推定指標と、現時点から寿命推定時点までの蓄電素子の時系列負荷データを推定支援装置５０へ送信する。ここで、時系列負荷データは、中古蓄電素子の一般的な使われ方等から予測してもよい。推定支援装置５０は、現時点での推定指標及び現時点から寿命推定時点までの時系列負荷データに基づいて、寿命推定時点での推定指標を求め、求めた寿命推定時点での推定指標を端末装置１０へ送信する。これにより、リファービッシュ事業者は、再利用可能な蓄電素子を層別して、中古蓄電素子を組み立てることができる。

【0068】

図８は蓄電素子の寿命の推定支援処理の手順を示すフローチャートである。以下では便宜上、処理の主体を制御部５１として説明する。制御部５１は、蓄電素子の第１時点の推定指標データを取得し（Ｓ１１）、当該蓄電素子の第１時点から第２時点までの時系列負荷データを取得する（Ｓ１２）。

【0069】

制御部５１は、取得した推定指標データ及び時系列負荷データを学習済みニューラルネットワークシステム５６１に入力し（Ｓ１３）、学習済みニューラルネットワークシステム５６１から第２時点の推定指標データを出力する（Ｓ１４）。

【0070】

制御部５１は、さらに長期の推定を行うか否かを判定し（Ｓ１５）、推定を行う場合（Ｓ１５でＹＥＳ）、出力した第２時点の推定指標データを第１時点の推定指標データとし（Ｓ１６）、ステップＳ１２以降の処理を続ける。長期の推定を行わない場合（Ｓ１５でＮＯ）、制御部５１は、処理を終了する。

【0071】

図９は学習済みニューラルネットワークシステム５６１の生成処理の手順を示すフローチャートである。学習処理部５７は、学習処理部５７からニューラルネットワークシステム５７１を読み出し（Ｓ２１）、ニューラルネットワークシステム５７１のパラメータを初期値に設定する（Ｓ２２）。ニューラルネットワークのパラメータは、例えば、重み、バイアス、畳み込みに使用するフィルタのパラメータ、ＬＳＴＭのブロック数などを含む。

【0072】

学習処理部５７は、学習用入力データとしての第１時点の推定指標データ、教師データとしての第２時点の推定指標データを取得し（Ｓ２３）、学習用入力データとしての第１時点から第２時点までの時系列負荷データを取得する（Ｓ２４）。なお、取得する各データは、予め学習用に収集されたデータから訓練用データとして区分されたものである。

【0073】

学習処理部５７は、取得した第１時点の推定指標データ及び第１時点から第２時点までの時系列負荷データをニューラルネットワークシステム５７１に入力し（Ｓ２５）、ニューラルネットワークシステム５７１が出力する推定指標データと第２時点の推定指標データとに基づく損失関数の値が最小となるようにパラメータを調整する（Ｓ２６）。

【0074】

学習処理部５７は、損失関数の値が許容範囲内であるか否かを判定し（Ｓ２７）、許容範囲内でない場合（Ｓ２７でＮＯ）、ステップＳ２３以降の処理を繰り返す。損失関数の値が許容範囲内である場合（Ｓ２７でＹＥＳ）、学習処理部５７は、他の第１時点及び第２時点のデータの有無を判定する（Ｓ２８）。

【0075】

他の第１時点及び第２時点のデータがある場合（Ｓ２８でＹＥＳ）、学習処理部５７は、ステップＳ２３以降の処理を繰り返す。他の第１時点及び第２時点のデータがない場合（Ｓ２８でＮＯ）、学習処理部５７は、生成した学習済みニューラルネットワークシステム５６１を推定部５６に記憶し（Ｓ２９）、処理を終了する。図９の例では、学習データ１点ごとに損失関数を評価しているが（オンライン学習）、代替的に、複数の学習データをまとめて学習させてから、損失関数の値を評価する（ミニバッチ学習、バッチ学習）構成でもよい。（ミニ）バッチ学習を行うことにより、外れ値データに過剰にフィットした学習を防ぐことができる。

【0076】

推定支援装置５０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８及び図９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、コンピュータ上で推定支援装置５０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。

【0077】

次に、推定支援装置５０の推定精度について説明する。

【0078】

図１０は初期状態の蓄電素子の劣化後の推定指標の第１評価を示す説明図である。図１０Ａは、初期状態の蓄電素子の劣化後の容量推移を示す。図１０Ａにおいて、横軸は充放電のサイクル数を示し、縦軸は容量を示す。０サイクル目は、蓄電素子が未使用の初期状態であることを示す。充放電サイクルは、ＳＯＣ２５％と１００％との間で行い、温度は３５℃とした。充放電のサイクル数が増加するにつれて蓄電素子の劣化は進行する。図１０Ａに示すように、推定支援装置５０の容量推移の推定結果は、実測値の推移に沿って変化しており、精度良い推定結果が得られた。

【0079】

図１０Ｂは、初期状態の蓄電素子の劣化後の直流抵抗推移を示す。図１０Ｂにおいて、横軸は充放電のサイクル数を示し、縦軸は抵抗値を示す。０サイクル目は、蓄電素子が未使用の初期状態であることを示す。充放電サイクルは、ＳＯＣ２５％と１００％との間で行い、温度は３５℃とした。充放電のサイクル数が増加するにつれて蓄電素子の劣化は進行する。図１０Ｂに示すように、推定支援装置５０の直流抵抗推移の推定結果は、実測値の推移に沿って変化しており、精度良い推定結果が得られた。

【0080】

図１１は初期状態の蓄電素子の劣化後の推定指標の第２評価を示す説明図である。図１１Ａは、初期状態の蓄電素子を１２００サイクルの充放電を行って劣化させた場合の放電曲線を示し、図１１Ｂは、初期状態の蓄電素子を２７５０サイクルの充放電を行って劣化させた場合の放電曲線を示す。図１１において、横軸は放電容量を示し、縦軸は電圧を示す。なお、放電容量は、放電に使用された容量を示し、放電開始時の容量から放電容量を差し引いたものがＳＯＣに相当する。図１１Ａ、図１１Ｂに示すように、推定支援装置５０の放電曲線の推定結果は、実測値との差が小さく、精度良い推定結果が得られた。

【0081】

図１２は劣化状態の蓄電素子の劣化後の推定指標の第１評価を示す説明図である。図１２Ａは、劣化状態の蓄電素子の劣化後の容量推移を示す。図１２Ａにおいて、横軸は充放電のサイクル数を示し、縦軸は容量を示す。図１２では、１５００サイクル目を初期入力値として用いている。蓄電素子が既に劣化状態であることを示す。充放電サイクルは、ＳＯＣ２５％と１００％との間で行い、温度は３５℃とした。充放電のサイクル数が増加するにつれて蓄電素子の劣化は進行する。図１２Ａに示すように、推定支援装置５０の容量推移の推定結果は、実測値の推移に沿って変化しており、精度良い推定結果が得られた。

【0082】

図１２Ｂは、劣化状態の蓄電素子の劣化後の直流抵抗推移を示す。図１２Ｂにおいて、横軸は充放電のサイクル数を示し、縦軸は抵抗値を示す。１５００サイクル目は、蓄電素子が劣化状態であることを示す。充放電サイクルは、ＳＯＣ２５％と１００％との間で行い、温度は３５℃とした。充放電のサイクル数が増加するにつれて蓄電素子の劣化は進行する。図１２Ｂに示すように、推定支援装置５０の直流抵抗推移の推定結果は、実測値の推移に沿って変化しており、精度良い推定結果が得られた。

【0083】

図１３は劣化状態の蓄電素子の劣化後の推定指標の第２評価を示す説明図である。図１３Ａは、蓄電素子を２２５０サイクル（１５００サイクル目を劣化状態の初期値とした場合、７５０サイクルに相当）の充放電を行って劣化させた場合の放電曲線を示し、図１３Ｂは、蓄電素子を２７５０サイクル（１５００サイクル目を劣化状態の初期値とした場合、１２５０サイクルに相当）の充放電を行って劣化させた場合の放電曲線を示す。図１３において、横軸は放電容量を示し、縦軸は電圧を示す。なお、放電容量は、放電に使用された容量を示し、放電開始時の容量から放電容量を差し引いたものがＳＯＣに相当する。図１３Ａ、図１３Ｂに示すように、推定支援装置５０の放電曲線の推定結果は、実測値との差が小さく、精度良い推定結果が得られた。

【0084】

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。

【符号の説明】

【0085】

１ 通信ネットワーク
１０、２０、３０ 端末装置
５０ 推定支援装置
５１ 制御部
５２ 通信部
５３ 記憶部
５４ 操作部
５５ 表示パネル
５６ 推定部
５６１ 学習済みニューラルネットワークシステム
５６１１ 第１ニューラルネットワークレイヤ
５６１２ 第２ニューラルネットワークレイヤ
５６１３ 第３ニューラルネットワークレイヤ
５７ 学習処理部
５７１ ニューラルネットワークシステム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】