特表 2023-530079 バッテリー管理装置及び方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-07-13

(54)【発明の名称】バッテリー管理装置及び方法

(51)【国際特許分類】

   G01R 31/367 20190101AFI20230706BHJP

   H01M 10/48 20060101ALI20230706BHJP

   G01R 31/382 20190101ALI20230706BHJP

   G01R 31/385 20190101ALI20230706BHJP

   G01R 31/387 20190101ALI20230706BHJP

   G01R 31/389 20190101ALI20230706BHJP

   G01R 31/392 20190101ALI20230706BHJP

【ＦＩ】

G01R31/367

H01M10/48 P

G01R31/382

G01R31/385

G01R31/387

G01R31/389

G01R31/392

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2022575826

(86)(22)【出願日】2021-11-26

(85)【翻訳文提出日】2022-12-08

(86)【国際出願番号】 KR2021017686

(87)【国際公開番号】W WO2022114873

(87)【国際公開日】2022-06-02

(31)【優先権主張番号】10-2020-0161667

(32)【優先日】2020-11-26

(33)【優先権主張国・地域又は機関】KR

(81)【指定国・地域】

(71)【出願人】

【識別番号】500239823

【氏名又は名称】エルジー・ケム・リミテッド

(74)【代理人】

【識別番号】100110364

【弁理士】

【氏名又は名称】実広 信哉

(74)【代理人】

【識別番号】100122161

【弁理士】

【氏名又は名称】渡部 崇

(72)【発明者】

【氏名】ピル－スン・ジョ

(72)【発明者】

【氏名】ソク－キョン・イ

(72)【発明者】

【氏名】スン－ビン・パク

(72)【発明者】

【氏名】ス－ミン・パク

(72)【発明者】

【氏名】チャン－ソン・イ

【テーマコード（参考）】

2G216

5H030

【Ｆターム（参考）】

2G216BA01

2G216BA21

2G216BA51

2G216CB11

5H030AA10

5H030AS08

5H030AS11

5H030FF22

5H030FF41

5H030FF42

5H030FF43

5H030FF44

5H030FF52

(57)【要約】

本発明の一実施形態によるバッテリー管理装置は、充放電サイクル毎に学習用バッテリーの特徴値を抽出するように構成された特徴値抽出部と、前記特徴値抽出部によって抽出された特徴値及び前記特徴値に対応するように予め設定された基準値に基づいて、前記充放電サイクル毎に前記学習用バッテリーの状態を判断するように構成された第１状態判断部と、前記第１状態判断部によって判断された前記学習用バッテリーの状態に基づいて、前記充放電サイクル毎に前記学習用バッテリーの特徴値に対するラベルを設定するように構成されたラベリング部と、前記ラベリング部によって前記ラベルが設定された特徴値に基づいて、分析用バッテリーの状態を判断するための分類モデルに学習させるように構成されたモデル学習部と、前記モデル学習部によって学習が行われた分類モデルに基づいて、前記分析用バッテリーの状態を判断するように構成された第２状態判断部と、を含む。

【特許請求の範囲】

【請求項1】

充放電サイクル毎に学習用バッテリーの特徴値を抽出するように構成された特徴値抽出部と、
前記特徴値抽出部によって抽出された特徴値及び前記特徴値に対応するように予め設定された基準値に基づいて、前記充放電サイクル毎に前記学習用バッテリーの状態を判断するように構成された第１状態判断部と、
前記第１状態判断部によって判断された前記学習用バッテリーの状態に基づいて、前記充放電サイクル毎に前記学習用バッテリーの特徴値に対するラベルを設定するように構成されたラベリング部と、
前記ラベリング部によって前記ラベルが設定された特徴値に基づいて、分析用バッテリーの状態を判断するための分類モデルに学習させるように構成されたモデル学習部と、
前記モデル学習部によって学習が行われた分類モデルに基づいて、前記分析用バッテリーの状態を判断するように構成された第２状態判断部と、を含む、バッテリー管理装置。

【請求項2】

前記第１状態判断部は、
前記充放電サイクル毎に前記学習用バッテリーの状態を正常状態または欠陥状態として判断するように構成されている、請求項１に記載のバッテリー管理装置。

【請求項3】

前記ラベリング部は、
前記学習用バッテリーの状態が正常状態と判断された場合、該当充放電サイクルに対する前記学習用バッテリーの特徴値に第１ラベルを設定し、
前記学習用バッテリーの状態が欠陥状態と判断された場合、該当充放電サイクルに対する前記学習用バッテリーの特徴値に第２ラベルを設定するように構成されている、請求項１に記載のバッテリー管理装置。

【請求項4】

前記ラベリング部は、
所定の充放電サイクルで判断された前記学習用バッテリーの状態に基づいて、前記学習用バッテリーの特徴値に対するラベルを設定するように構成されている、請求項３に記載のバッテリー管理装置。

【請求項5】

前記ラベリング部は、
前記所定の充放電サイクルで前記学習用バッテリーの状態が前記正常状態と判断された場合、前記所定の充放電サイクル直前までの充放電サイクルに対し、前記学習用バッテリーの特徴値に前記第１ラベルを設定し、
前記所定の充放電サイクルで前記学習用バッテリーの状態が前記欠陥状態と判断された場合、前記所定の充放電サイクル以後の充放電サイクルに対し、前記学習用バッテリーの特徴値に前記第２ラベルを設定するように構成されている、請求項４に記載のバッテリー管理装置。

【請求項6】

前記ラベリング部は、
前記学習用バッテリーの状態が前記欠陥状態と判断された場合、以後の充放電サイクルに対し、前記学習用バッテリーの特徴値に前記第２ラベルを設定するように構成されている、請求項３に記載のバッテリー管理装置。

【請求項7】

前記ラベリング部は、
前記学習用バッテリーの状態が前記欠陥状態と判断された回数をカウントし、カウントされた回数が基準回数以上である場合、前記学習用バッテリーの状態が前記欠陥状態と判断された最後の充放電サイクル以後の充放電サイクルに対し、前記学習用バッテリーの特徴値に前記第２ラベルを設定するように構成されている、請求項３に記載のバッテリー管理装置。

【請求項8】

前記特徴値抽出部は、
前記学習用バッテリーに対して複数の特徴値を抽出するように構成され、
前記第１状態判断部は、
前記学習用バッテリーの複数の特徴値及び前記複数の特徴値のそれぞれに対応するように予め設定された基準値に基づいて、前記充放電サイクル毎に前記複数の特徴値のそれぞれに対して前記学習用バッテリーの状態を判断するように構成されている、請求項１に記載のバッテリー管理装置。

【請求項9】

前記ラベリング部は、
前記充放電サイクル毎に前記複数の特徴値のそれぞれに対して前記ラベルを設定するように構成されている、請求項８に記載のバッテリー管理装置。

【請求項10】

前記第２状態判断部は、
充放電サイクル毎に前記分析用バッテリーの特徴値を抽出し、抽出された特徴値を前記学習が行われた分類モデルに入力することで前記分析用バッテリーの状態を判断するように構成されている、請求項１に記載のバッテリー管理装置。

【請求項11】

請求項１から１０のいずれか一項に記載のバッテリー管理装置を含む、バッテリーパック。

【請求項12】

充放電サイクル毎に学習用バッテリーの特徴値を抽出する特徴値抽出段階と、
前記特徴値抽出段階で抽出された特徴値及び前記特徴値に対応するように予め設定された基準値に基づいて、前記充放電サイクル毎に前記学習用バッテリーの状態を判断する第１状態判断段階と、
前記第１状態判断段階で判断された前記学習用バッテリーの状態に基づいて、前記充放電サイクル毎に前記学習用バッテリーの特徴値に対するラベルを設定するラベリング段階と、
前記ラベリング段階で前記ラベルが設定された特徴値に基づいて、分析用バッテリーの状態を判断するための分類モデルに学習させるモデル学習段階と、
前記モデル学習段階で学習が行われた分類モデルに基づいて、前記分析用バッテリーの状態を判断する第２状態判断段階と、を含む、バッテリー管理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本出願は、２０２０年１１月２６日付け出願の韓国特許出願第１０－２０２０－０１６１６６７号に基づく優先権を主張し、当該出願の明細書及び図面に開示された内容は、すべて本出願に組み込まれる。

【0002】

本発明は、バッテリー管理装置及び方法に関し、より詳しくは、学習済み分類モデルを用いてバッテリーの状態を判断することができるバッテリー管理装置及び方法に関する。

【背景技術】

【0003】

近年、ノートパソコン、ビデオカメラ、携帯電話などのような携帯用電子製品の需要が急激に伸び、電気自動車、エネルギー貯蔵用蓄電池、ロボット、衛星などの開発が本格化するにつれて、繰り返して充放電可能な高性能バッテリーに対する研究が活発に行われている。

【0004】

現在、ニッケルカドミウム電池、ニッケル水素電池、ニッケル亜鉛電池、リチウムイオンバッテリーなどのバッテリーが商用化しているが、中でもリチウムイオンバッテリーはニッケル系のバッテリーに比べてメモリ効果が殆ど起きず充放電が自在であって、自己放電率が非常に低くてエネルギー密度が高いという長所から脚光を浴びている。

【0005】

従来、このようなバッテリーの状態を推定または判断するため、マシンラーニング（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）またはディープラーニング（ｄｅｅｐ ｌｅａｒｎｉｎｇ）基盤の技法が融合されている。例えば、学習済みモデルに基づいてバッテリーの状態を判断する技術が開発されている。

【0006】

このようなモデルに学習させるためには多量の学習用データが必要であるが、バッテリーから学習用データを確保するためにはバッテリーの充放電サイクルが行われねばならず、多量の学習用データを確保するのに多くの時間が必要となる。さらに、バッテリーの期待寿命が増加するほど充放電サイクルにかかる時間も比例して増加するため、学習用データを確保するのに必要な時間もさらに増える。

【0007】

また、限定された個数のバッテリーから確保可能な学習用データの個数には限界がある。したがって、バッテリーの個数が限定的であっても、多量の学習用データを確保することで、学習済みモデルの性能を向上できる技術の開発が求められている。

【発明の概要】

【発明が解決しようとする課題】

【0008】

本発明は、上記問題点に鑑みてなされたものであり、限定された個数のバッテリーから分類モデルに学習させるための多量の学習データを確保することができるバッテリー管理装置及び方法を提供することを目的とする。

【0009】

本発明の他の目的及び長所は、下記の説明によって理解でき、本発明の実施形態によってより明らかに分かるであろう。また、本発明の目的及び長所は、特許請求の範囲に示される手段及びその組合せによって実現することができる。

【課題を解決するための手段】

【0010】

本発明の一態様によるバッテリー管理装置は、充放電サイクル毎に学習用バッテリーの特徴値を抽出するように構成された特徴値抽出部と、前記特徴値抽出部によって抽出された特徴値及び前記特徴値に対応するように予め設定された基準値に基づいて、前記充放電サイクル毎に前記学習用バッテリーの状態を判断するように構成された第１状態判断部と、前記第１状態判断部によって判断された前記学習用バッテリーの状態に基づいて、前記充放電サイクル毎に前記学習用バッテリーの特徴値に対するラベルを設定するように構成されたラベリング部と、前記ラベリング部によって前記ラベルが設定された特徴値に基づいて、分析用バッテリーの状態を判断するための分類モデルに学習させるように構成されたモデル学習部と、前記モデル学習部によって学習が行われた分類モデルに基づいて、前記分析用バッテリーの状態を判断するように構成された第２状態判断部と、を含む。

【0011】

前記第１状態判断部は、前記充放電サイクル毎に前記学習用バッテリーの状態を正常状態または欠陥状態として判断するように構成され得る。

【0012】

前記ラベリング部は、前記学習用バッテリーの状態が正常状態と判断された場合、該当充放電サイクルに対する前記学習用バッテリーの特徴値に第１ラベルを設定するように構成され得る。

【0013】

前記ラベリング部は、前記学習用バッテリーの状態が欠陥状態と判断された場合、該当充放電サイクルに対する前記学習用バッテリーの特徴値に第２ラベルを設定するように構成され得る。

【0014】

前記ラベリング部は、所定の充放電サイクルで判断された前記学習用バッテリーの状態に基づいて、前記学習用バッテリーの特徴値に対するラベルを設定するように構成され得る。

【0015】

前記ラベリング部は、前記所定の充放電サイクルで前記学習用バッテリーの状態が前記正常状態と判断された場合、前記所定の充放電サイクル直前までの充放電サイクルに対し、前記学習用バッテリーの特徴値に前記第１ラベルを設定するように構成され得る。

【0016】

前記ラベリング部は、前記所定の充放電サイクルで前記学習用バッテリーの状態が前記欠陥状態と判断された場合、前記所定の充放電サイクル以後の充放電サイクルに対し、前記学習用バッテリーの特徴値に前記第２ラベルを設定するように構成され得る。

【0017】

前記ラベリング部は、前記学習用バッテリーの状態が前記欠陥状態と判断された場合、以後の充放電サイクルに対し、前記学習用バッテリーの特徴値に前記第２ラベルを設定するように構成され得る。

【0018】

前記ラベリング部は、前記学習用バッテリーの状態が前記欠陥状態と判断された回数をカウントし、カウントされた回数が基準回数以上である場合、前記学習用バッテリーの状態が前記欠陥状態と判断された最後の充放電サイクル以後の充放電サイクルに対し、前記学習用バッテリーの特徴値に前記第２ラベルを設定するように構成され得る。

【0019】

前記特徴値抽出部は、前記学習用バッテリーに対して複数の特徴値を抽出するように構成され得る。

【0020】

前記第１状態判断部は、前記学習用バッテリーの複数の特徴値及び前記複数の特徴値のそれぞれに対応するように予め設定された基準値に基づいて、前記充放電サイクル毎に前記複数の特徴値のそれぞれに対して前記学習用バッテリーの状態を判断するように構成され得る。

【0021】

前記ラベリング部は、前記充放電サイクル毎に前記複数の特徴値のそれぞれに対して前記ラベルを設定するように構成され得る。

【0022】

前記第２状態判断部は、充放電サイクル毎に前記分析用バッテリーの特徴値を抽出し、抽出された特徴値を前記学習が行われた分類モデルに入力することで前記分析用バッテリーの状態を判断するように構成され得る。

【0023】

本発明の他の一態様によるバッテリーパックは、本発明の一態様によるバッテリー管理装置を含む。

【0024】

本発明のさらに他の一態様によるバッテリー管理方法は、充放電サイクル毎に学習用バッテリーの特徴値を抽出する特徴値抽出段階と、前記特徴値抽出段階で抽出された特徴値及び前記特徴値に対応するように予め設定された基準値に基づいて、前記充放電サイクル毎に前記学習用バッテリーの状態を判断する第１状態判断段階と、前記第１状態判断段階で判断された前記学習用バッテリーの状態に基づいて、前記充放電サイクル毎に前記学習用バッテリーの特徴値に対するラベルを設定するラベリング段階と、前記ラベリング段階で前記ラベルが設定された特徴値に基づいて、分析用バッテリーの状態を判断するための分類モデルに学習させるモデル学習段階と、前記モデル学習段階で学習が行われた分類モデルに基づいて、前記分析用バッテリーの状態を判断する第２状態判断段階と、を含む。

【発明の効果】

【0025】

本発明の一態様によれば、限定された個数のバッテリーから分類モデルに学習させるための多量の学習データを迅速に確保することができる。

【0026】

本発明の効果は上述した効果に制限されず、言及されていない本発明の他の効果は請求範囲の記載から当業者により明らかに理解されるだろう。

【0027】

本明細書に添付される次の図面は、後述する発明の詳細な説明とともに本発明の技術的な思想をさらに理解させる役割をするものであり、本発明は図面に記載された事項だけに限定されて解釈されてはならない。

【図面の簡単な説明】

【0028】

【図1】本発明の一実施形態によるバッテリー管理装置を概略的に示した図である。

【図2】本発明の一実施形態によるバッテリー管理装置によってラベルが設定される第１実施例を示した図である。

【図3】本発明の一実施形態によるバッテリー管理装置によってラベルが設定される第２実施例を示した図である。

【図4】本発明の一実施形態によるバッテリー管理装置によってラベルが設定される第３実施例を示した図である。

【図5】本発明の他の実施形態によるバッテリーパックの例示的構成を概略的に示した図である。

【図6】本発明のさらに他の実施形態によるバッテリー管理方法を概略的に示した図である。

【発明を実施するための形態】

【0029】

本明細書及び特許請求の範囲において使われた用語や単語は一般的及び辞書的な意味に限定して解釈されてはならず、発明者自らは発明を最善の方法で説明するために用語の概念を適切に定義できるという原則に則して本発明の技術的な思想に応ずる意味及び概念で解釈されねばならない。

【0030】

したがって、本明細書に記載された実施形態及び図面に示された構成は、本発明のもっとも望ましい一実施形態に過ぎず、本発明の技術的な思想のすべてを代弁するものではないため、本出願の時点においてこれらに代替できる多様な均等物及び変形例があり得ることを理解せねばならない。

【0031】

また、本発明の説明において、関連する公知の構成または機能についての具体的な説明が本発明の要旨を不明瞭にし得ると判断される場合、その詳細な説明を省略する。

【0032】

「第１」、「第２」などのように序数を含む用語は、多様な構成要素のうちのある一つをその他の要素と区別するために使われたものであり、これら用語によって構成要素が限定されることはない。

【0033】

明細書の全体において、ある部分がある構成要素を「含む」とするとき、これは特に言及されない限り、他の構成要素を除外するものではなく、他の構成要素をさらに含み得ることを意味する。

【0034】

さらに、明細書の全体において、ある部分が他の部分と「連結（接続）」されるとするとき、これは「直接的な連結（接続）」だけでなく、他の素子を介在した「間接的な連結（接続）」も含む。

【0035】

以下、添付された図面を参照して本発明の望ましい実施形態を詳しく説明する。

【0036】

図１は、本発明の一実施形態によるバッテリー管理装置１００を概略的に示した図である。

【0037】

図１を参照すると、バッテリー管理装置１００は、特徴値抽出部１１０、第１状態判断部１２０、ラベリング部１３０、モデル学習部１４０、及び第２状態判断部１５０を含む。

【0038】

特徴値抽出部１１０は、充放電サイクル毎に学習用バッテリーの特徴値を抽出するように構成され得る。

【0039】

ここで、バッテリーは、負極端子及び正極端子を備え、物理的に分離可能な一つの独立したセルを意味する。一例として、一つのパウチ型リチウムイオンセルをバッテリーとしてよい。

【0040】

また、学習用バッテリーは、分類モデルに学習させるための学習データセットを取得するためのバッテリーであって、分析用バッテリーと区分され得る。

【0041】

例えば、特徴値抽出部１１０は、充放電サイクル毎に学習用バッテリーに対する一つ以上の特徴値を抽出し得る。具体的には、特徴値抽出部１１０は、学習用バッテリーに対する電圧、電流、容量、充電時間、内部抵抗、ＳＯＣ（Ｓｔａｔｅ ｏｆ Ｃｈａｒｇｅ：充電状態）、ＳＯＨ（Ｓｔａｔｅ ｏｆ Ｈｅａｌｔｈ）、またはこれらの組合せによる特徴値を抽出し得る。

【0042】

第１状態判断部１２０は、特徴値抽出部１１０によって抽出された特徴値及び特徴値に対応するように予め設定された基準値に基づいて、充放電サイクル毎に学習用バッテリーの状態を判断するように構成され得る。

【0043】

望ましくは、基準値は、それぞれの充放電サイクルにおいてそれぞれの特徴値に対して予め設定され得る。

【0044】

例えば、第１充放電サイクル～第Ｎ充放電サイクルのそれぞれで学習用バッテリーに対する第１特徴値～第Ｎ特徴値が抽出されたと仮定する。ここで、Ｎは２以上の整数であり得る。この場合、全部でＮ個の基準値が予め設定され得る。すなわち、第１特徴値～第Ｎ特徴値のそれぞれに対応するように、第１基準値～第Ｎ基準値が予め設定され得る。そして、第１状態判断部１２０は、第１特徴値と第１基準値とを比較して第１充放電サイクルにおける学習用バッテリーの状態を判断し得る。同様に、第１状態判断部１２０は、第Ｎ特徴値と第Ｎ基準値とを比較して第Ｎ充放電サイクルにおける学習用バッテリーの状態を判断し得る。

【0045】

具体的には、第１状態判断部１２０は、充放電サイクル毎に学習用バッテリーの状態を正常状態または欠陥状態として判断するように構成され得る。

【0046】

例えば、基準値は、学習用バッテリーの状態を判断するための閾値であり得る。第１状態判断部１２０は、基準値と特徴値との大小を比較することで、学習用バッテリーの状態を正常状態または欠陥状態として判断し得る。

【0047】

ラベリング部１３０は、第１状態判断部１２０によって判断された学習用バッテリーの状態に基づいて、充放電サイクル毎に学習用バッテリーの特徴値に対するラベルを設定するように構成され得る。

【0048】

具体的には、ラベリング部１３０は、学習用バッテリーの状態が正常状態と判断された場合、該当充放電サイクルに対する学習用バッテリーの特徴値に第１ラベルを設定するように構成され得る。

【0049】

それに対し、ラベリング部１３０は、学習用バッテリーの状態が欠陥状態と判断された場合、該当充放電サイクルに対する学習用バッテリーの特徴値に第２ラベルを設定するように構成され得る。

【0050】

すなわち、ラベリング部１３０は、第１状態判断部１２０によって判断された学習用バッテリーの状態に応じて、それぞれの充放電サイクルで抽出された学習用バッテリーの特徴値に対するラベルを設定し得る。

【0051】

モデル学習部１４０は、ラベリング部１３０によってラベルが設定された特徴値に基づいて、分析用バッテリーの状態を判断するための分類モデルに学習させるように構成され得る。

【0052】

例えば、分類モデルとしては、ロジスティック回帰（ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ）、線形判別分析（ｌｉｎｅａｒ ｄｉｓｃｒｉｍｉｎａｎｔ ａｎａｌｙｓｉｓ）、サポートベクターマシン（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）、ランダムフォレスト分類器（ｒａｎｄｏｍ ｆｏｒｅｓｔ ｃｌａｓｓｉｆｉｅｒ）、または人工神経網（ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）などが適用され得る。

【0053】

モデル学習部１４０によって学習が行われた分類モデルは、分析用バッテリーの状態を判断するために使用され得る。

【0054】

但し、ラベルが設定された特徴値に基づいて分類モデルに学習させる過程は、マシンラーニングでのモデル学習の一般的な内容であるため、これについての詳しい説明は省略する。

【0055】

第２状態判断部１５０は、モデル学習部１４０によって学習が行われた分類モデルに基づいて、分析用バッテリーの状態を判断するように構成され得る。

【0056】

具体的には、第２状態判断部１５０は、充放電サイクル毎に分析用バッテリーの特徴値を抽出するように構成され得る。

【0057】

ここで、分析用バッテリーの特徴値は、特徴値抽出部１１０によって抽出された学習用バッテリーの特徴値と同種であり得る。すなわち、第２状態判断部１５０によって抽出される分析用バッテリーの特徴値は、モデル学習部１４０によって分類モデルが学習される過程で用いられる特徴値と同種であり得る。

【0058】

例えば、特徴値抽出部１１０が充放電サイクル毎に学習用バッテリーに対する電圧を特徴値として抽出したと仮定する。第１状態判断部１２０は、学習用バッテリーの電圧及び基準値に基づいて充放電サイクル毎に学習用バッテリーの状態を判断し得る。ラベリング部１３０は、充放電サイクル毎に判断された学習用バッテリーの状態に基づいて、それぞれの充放電サイクルの電圧に対するラベルを設定し得る。モデル学習部１４０は、ラベルが設定された電圧に基づいて分類モデルに学習させ得る。第２状態判断部１５０は、充放電サイクル毎に分析用バッテリーに対する電圧を特徴値として抽出し得る。

【0059】

そして、第２状態判断部１５０は、抽出された特徴値を学習が行われた分類モデルに入力することで、分析用バッテリーの状態を判断するように構成され得る。

【0060】

例えば、第２状態判断部１５０は、分析用バッテリーの特徴値を学習が行われた分類モデルに対するインプット（ｉｎｐｕｔ）として設定し得る。そして、学習が行われた分類モデルは、インプットに対するアウトプット（ｏｕｔｐｕｔ）として分析用バッテリーに対する状態を出力し得る。第２状態判断部１５０は、学習が行われた分類モデルから出力されるアウトプットを取得し、分析用バッテリーに対する状態を正常状態または欠陥状態として判断し得る。

【0061】

本発明の一実施形態によるバッテリー管理装置１００は、限定された個数のバッテリーから分類モデルに学習させるための多量の学習データを確保できるという長所がある。

【0062】

すなわち、バッテリーは充放電サイクルが進行するほど退化するため、それぞれの充放電サイクルにおけるバッテリーの状態は異なり得る。バッテリー管理装置１００は、このようなバッテリーの特性を考慮し、充放電サイクル毎にバッテリーの特徴値を抽出することで、分類モデルに学習させるための多量の学習データを確保することができる。

【0063】

したがって、学習用バッテリーの個数が限定的であっても、分類モデルに学習させるための多量の学習データが確保され、このような多量の学習データに基づいて学習済み分類モデルの性能が向上できる。したがって、学習済み分類モデルに基づいた分析用バッテリーの状態判断の正確度が向上することができる。

【0064】

一方、図１を参照すると、バッテリー管理装置１００は、記録部１６０をさらに含み得る。記録部１６０は、バッテリー管理装置１００の各構成要素が動作及び機能を行うのに必要なデータ、若しくは、プログラムまたは動作及び機能が行われる過程で生成されるデータなどを保存し得る。記録部１６０は、データを記録、消去、更新及び読出できると知られた公知の情報記録手段であれば、その種類に特に制限がない。一例として、情報記録手段には、ＲＡＭ、フラッシュ（登録商標）メモリ、ＲＯＭ、ＥＥＰＲＯＭ、レジスタなどが含まれ得る。また、記録部１６０は、制御部によって実行可能なプロセスが定義されたプログラムコードを保存し得る。

【0065】

例えば、特徴値抽出部１１０によって充放電サイクル毎に抽出されるバッテリーの特徴値は記録部１６０に保存され得る。また、ラベリング部１３０によって特徴値毎に設定されるラベルも記録部１６０に保存され得る。

【0066】

また、特徴値抽出部１１０は、学習用バッテリーに対して複数の特徴値を抽出するように構成され得る。

【0067】

具体的には、特徴値抽出部１１０は、充放電サイクル毎に学習用バッテリーのそれぞれに対して二つ以上の特徴値を抽出し得る。

【0068】

例えば、特徴値抽出部１１０は、充放電サイクル毎に学習用バッテリーのそれぞれに対して電圧及び内部抵抗を抽出し得る。１０個の学習用バッテリーに対して充放電サイクルが５００サイクルまで行われた場合、特徴値抽出部１１０によって抽出された特徴値は全部で１０，０００個であり得る。すなわち、５，０００個の電圧と５，０００個の内部抵抗が抽出され得る。

【0069】

第１状態判断部１２０は、学習用バッテリーの複数の特徴値及び複数の特徴値のそれぞれに対応するように予め設定された基準値に基づいて、充放電サイクル毎に複数の特徴値のそれぞれに対して学習用バッテリーの状態を判断するように構成され得る。

【0070】

例えば、上述した実施形態において、特徴値抽出部１１０によって抽出された特徴値が全部で１０，０００個である場合、第１状態判断部１２０は、１０，０００個の特徴値それぞれと対応する基準値とを比較することで、充放電サイクル毎に電圧及び内部抵抗に対する学習用バッテリーの状態を判断し得る。すなわち、１０個の学習用バッテリーの電圧によって、１サイクル～５００サイクルのそれぞれにおける学習用バッテリーの電圧に基づいた状態が判断され得る。また、１０個の学習用バッテリーの内部抵抗によって、１サイクル～５００サイクルのそれぞれにおける学習用バッテリーの内部抵抗に基づいた状態が判断され得る。

【0071】

ラベリング部１３０は、充放電サイクル毎に複数の特徴値のそれぞれに対してラベルを設定するように構成され得る。

【0072】

例えば、上述した実施形態において、第１状態判断部１２０によって１０，０００個の特徴値に対する学習用バッテリーの状態がすべて判断された場合、ラベリング部１３０は、１０，０００個の特徴値のそれぞれに対するラベルを設定し得る。

【0073】

すなわち、本発明の一実施形態によるバッテリー管理装置１００は、学習用バッテリーに対する複数の特徴値を抽出することで、限定的な学習用バッテリーの個数から多量の学習用データを確保することができる。

【0074】

以下、ラベリング部１３０が特徴値に対するラベルを設定する多様な実施例について説明する。

【0075】

図２は、本発明の一実施形態によるバッテリー管理装置１００によってラベルが設定される第１実施例を示した図である。

【0076】

ラベリング部１３０は、所定の充放電サイクルで判断された学習用バッテリーの状態に基づいて、学習用バッテリーの特徴値に対するラベルを設定するように構成され得る。

【0077】

例えば、図２の実施例において、ラベリング部１３０は、ターゲットサイクルＴＣで判断された第１学習用バッテリーＢ１～第５学習用バッテリーＢ５それぞれの状態に基づいて、第１学習用バッテリーＢ１～第５学習用バッテリーＢ５それぞれの特徴値に対するラベルを設定し得る。

【0078】

ここで、ターゲットサイクルＴＣとは、第１状態判断部１２０によってバッテリーの状態が判断される最後の充放電サイクルであり得る。例えば、ターゲットサイクルＴＣは、バッテリーに対する品質保証に関連するサイクルであり得る。具体的な例として、５００サイクルでバッテリーの容量が９０％以上保存されるとバッテリーの品質保証が設定された場合、ターゲットサイクルＴＣは、５００サイクルに設定され得る。すなわち、ターゲットサイクルＴＣは、バッテリーの種類、使用箇所及び使用環境などによって多様に設定され得る。

【0079】

具体的には、所定の充放電サイクルで学習用バッテリーの状態が正常状態と判断された場合、ラベリング部１３０は、所定の充放電サイクル直前までの充放電サイクルに対し、学習用バッテリーの特徴値に第１ラベルを設定し得る。

【0080】

それに対し、所定の充放電サイクルで学習用バッテリーの状態が欠陥状態と判断された場合、ラベリング部１３０は、所定の充放電サイクル以後の充放電サイクルに対し、学習用バッテリーの特徴値に第２ラベルを設定し得る。

【0081】

図２の実施例において、ターゲットサイクルＴＣで第１学習用バッテリーＢ１～第３学習用バッテリーＢ３の状態は正常状態と判断され、第４学習用バッテリーＢ４及び第５学習用バッテリーＢ５の状態は欠陥状態と判断されたと仮定する。この場合、ターゲットサイクルＴＣ直前までの第１学習用バッテリーＢ１～第３学習用バッテリーＢ３の状態は正常状態のはずであり、ターゲットサイクルＴＣ以後の第４学習用バッテリーＢ４及び第５学習用バッテリーＢ５の状態は欠陥状態のはずである。

【0082】

ラベリング部１３０は、ターゲットサイクルＴＣ直前までの第１学習用バッテリーＢ１～第３学習用バッテリーＢ３の特徴値に対して第１ラベルを設定し得る。

【0083】

また、ラベリング部１３０は、ターゲットサイクルＴＣ以後の第４学習用バッテリーＢ４及び第５学習用バッテリーＢ５の特徴値に対して第２ラベルを設定し得る。すなわち、ラベリング部１３０は、ターゲットサイクルＴＣ以後の充放電サイクルで第４学習用バッテリーＢ４及び第５学習用バッテリーＢ５の状態が判断されなくても、特徴値に対するラベルを迅速に設定し得る。

【0084】

すなわち、バッテリー管理装置１００は、ターゲットサイクルＴＣ直前までの学習用バッテリーの特徴値に対するラベルを設定できるだけでなく、ターゲットサイクルＴＣ以後の充放電サイクルに対しても学習用バッテリーの特徴値に対するラベルを設定することができる。

【0085】

図３は、本発明の一実施形態によるバッテリー管理装置１００によってラベルが設定される第２実施例を示した図である。

【0086】

ラベリング部１３０は、学習用バッテリーの状態が欠陥状態と判断された場合、以後の充放電サイクルに対し、学習用バッテリーの特徴値に第２ラベルを設定するように構成され得る。

【0087】

具体的には、ラベリング部１３０は、欠陥状態と判断された充放電サイクル以後に対しては、学習用バッテリーの特徴値に第２ラベルを設定し得る。すなわち、欠陥状態と判断された充放電サイクル以後に対しては、第１状態判断部１２０によって学習用バッテリーの状態が判断されなくても、ラベリング部１３０が特徴値に対するラベルを設定し得る。

【0088】

例えば、図３の実施例において、ターゲットサイクルＴＣでの第６学習用バッテリーＢ６の状態は正常状態と判断され、第７学習用バッテリーＢ７の状態は欠陥状態と判断されたとしよう。第３充放電サイクルＣ３での第８学習用バッテリーＢ８の状態は欠陥状態と判断され、第２充放電サイクルＣ２での第９学習用バッテリーＢ９の状態は欠陥状態と判断されたとしよう。第１充放電サイクルＣ１での第１０学習用バッテリーＢ１０の状態は欠陥状態と判断されたとしよう。

【0089】

ラベリング部１３０は、第６学習用バッテリーＢ６に対し、ターゲットサイクルＴＣ直前までの特徴値に対して第１ラベルを設定し得る。

【0090】

また、ラベリング部１３０は、第７学習用バッテリーＢ７に対し、ターゲットサイクルＴＣ直前までの特徴値に対して第１ラベルを設定し、ターゲットサイクルＴＣ以後の特徴値に対して第２ラベルを設定し得る。すなわち、ターゲットサイクルＴＣからは第１状態判断部１２０によって第７学習用バッテリーＢ７の状態が判断されなくても、ラベリング部１３０は、第７学習用バッテリーＢ７の特徴値に対して第２ラベルを設定し得る。

【0091】

また、ラベリング部１３０は、第８学習用バッテリーＢ８に対し、第３充放電サイクルＣ３直前までの特徴値に対して第１ラベルを設定し、第３充放電サイクルＣ３以後の特徴値に対して第２ラベルを設定し得る。すなわち、第３充放電サイクルＣ３からは第１状態判断部１２０によって第８学習用バッテリーＢ８の状態が判断されなくても、ラベリング部１３０は、第８学習用バッテリーＢ８の特徴値に対して第２ラベルを設定し得る。

【0092】

また、ラベリング部１３０は、第９学習用バッテリーＢ９に対し、第２充放電サイクルＣ２直前までの特徴値に対して第１ラベルを設定し、第２充放電サイクルＣ２以後の特徴値に対して第２ラベルを設定し得る。すなわち、第２充放電サイクルＣ２からは第１状態判断部１２０によって第９学習用バッテリーＢ９の状態が判断されなくても、ラベリング部１３０は、第９学習用バッテリーＢ９の特徴値に対して第２ラベルを設定し得る。

【0093】

また、ラベリング部１３０は、第１０学習用バッテリーＢ１０に対し、第１充放電サイクルＣ１直前までの特徴値に対して第１ラベルを設定し、第１充放電サイクルＣ１以後の特徴値に対して第２ラベルを設定し得る。すなわち、第１充放電サイクルＣ１からは第１状態判断部１２０によって第１０学習用バッテリーＢ１０の状態が判断されなくても、ラベリング部１３０は、第１０学習用バッテリーＢ１０の特徴値に対して第２ラベルを設定し得る。

【0094】

本発明の一実施形態によるバッテリー管理装置１００は、欠陥状態と判断された充放電サイクル以後では学習用バッテリーに対する状態を判断せず、特徴値に第２ラベルを設定し得る。したがって、分類モデルに学習させるための学習データをより迅速に確保でき、学習データを確保する過程でバッテリー管理装置１００のシステム資源を節約することができる。

【0095】

図４は、本発明の一実施形態によるバッテリー管理装置１００によってラベルが設定される第３実施例を示した図である。

【0096】

ラベリング部１３０は、学習用バッテリーの状態が欠陥状態と判断された回数をカウントするように構成され得る。

【0097】

例えば、図４の実施例において、第１１学習用バッテリーＢ１１が第１充放電サイクルＣ１で欠陥状態と判断されたとしよう。ラベリング部１３０は、第１充放電サイクルＣ１において、第１１学習用バッテリーＢ１１に対して欠陥状態と判断された回数を１に設定し得る。

【0098】

また、第１１学習用バッテリーＢ１１は、第２充放電サイクルＣ２で欠陥状態と判断され得る。ラベリング部１３０は、第２充放電サイクルＣ２において、第１１学習用バッテリーＢ１１に対して欠陥状態と判断された回数を２に設定し得る。

【0099】

さらに、第１１学習用バッテリーＢ１１は、第３充放電サイクルＣ３で欠陥状態と判断され得る。ラベリング部１３０は、第３充放電サイクルＣ３において、第１１学習用バッテリーＢ１１に対して欠陥状態と判断された回数を３に設定し得る。

【0100】

ラベリング部１３０は、カウントされた回数が基準回数以上である場合、学習用バッテリーの状態が欠陥状態と判断された最後の充放電サイクル以後の充放電サイクルに対し、学習用バッテリーの特徴値に第２ラベルを設定するように構成され得る。

【0101】

例えば、図４の実施例において、基準回数が３に予め設定されたと仮定する。第３充放電サイクルＣ３において、第１１学習用バッテリーＢ１１に対する欠陥状態と判断された回数が３に設定されたため、ラベリング部１３０は、第３充放電サイクルＣ３以後の特徴値に対して第２ラベルを設定し得る。

【0102】

一般に、バッテリーの状態は充放電サイクルが行われるほど退化するが、場合によっては、バッテリーの状態が一時的に回復することもある。また、バッテリーの状態の判断過程で、内外部の環境的な問題による測定誤差などの理由で一時的なノイズが影響を及ぼすこともある。したがって、ラベリング部１３０は、学習用バッテリーの状態が基準回数以上欠陥状態と判断された場合に限って、学習用バッテリーの状態が判断されなくても第２ラベルを設定し得る。

【0103】

一方、基準回数には所定の条件がさらに付け加えられ得る。例えば、学習用バッテリーの状態が連続的に欠陥状態と判断され、欠陥状態と判断された回数が基準回数以上である場合、ラベリング部１３０は、学習用バッテリーの状態が欠陥状態と判断された最後の充放電サイクル以後の充放電サイクルに対し、学習用バッテリーの特徴値に第２ラベルを設定するように構成され得る。

【0104】

このような基準回数及び基準回数に付け加えられ得る条件は、バッテリーの種類、使用箇所及び使用環境などを考慮してユーザによって予め設定され得る。

【0105】

一方、特徴値抽出部１１０は、充放電サイクル毎に抽出された特徴値に基づいて、追加特徴値を生成するように構成され得る。

【0106】

例えば、全部で１０個の学習用バッテリーが備えられ、特徴値抽出部１１０がそれぞれの学習用バッテリーに対して第１充放電サイクルＣ１から第５００充放電サイクル直前までの特徴値を抽出したと仮定する。この場合、特徴値は全部で５，０００個が抽出され得る。

【0107】

特徴値抽出部１１０は、分類モデルに学習させるための学習データをさらに確保するため、それぞれの充放電サイクルで抽出された特徴値を組み合わせて追加特徴値を生成し得る。

【0108】

例えば、特徴値抽出部１１０は、同一充放電サイクルで抽出された複数の特徴値に対する複数のグループを生成し、生成された各グループに対する平均特徴値を算出し得る。

【0109】

また、特徴値抽出部１１０は、同種の特徴値同士でグループを生成するように構成され得る。

【0110】

例えば、特徴値抽出部１１０によって電圧及び内部抵抗が特徴値として抽出されたと仮定する。この場合、電圧に対する特徴値に基づいて電圧グループが生成され、内部抵抗に対する特徴値に基づいて内部抵抗グループが生成され得る。すなわち、電圧と内部抵抗とが混合されたグループは生成されない。

【0111】

上述した実施例において、特徴値抽出部１１０は、同一充放電サイクルで抽出された１０個の特徴値のうちの２個～１０個ずつでグループを生成し、それぞれのグループに対する平均特徴値をさらに生成し得る。ここで、１０個の特徴値から生成可能なグループの個数は全部で１，０１３個であり得る。

【0112】

具体的には、特徴値抽出部１１０が１０個の特徴値のうちの２個、３個、４個、５個、６個、７個、８個、９個及び１０個の特徴値同士を組み合わせてグループを生成した場合、生成されるグループの個数はそれぞれ４５個、１２０個、２１０個、２５２個、２１０個、１２０個、４５個、１０個及び１個であり得る。したがって、生成されるグループは全部で１，０１３個であり得る。特徴値抽出部１１０は、生成された１，０１３個のグループのそれぞれに対して平均特徴値を計算することで、それぞれの充放電サイクル毎に１，０１３個の追加特徴値を生成し得る。

【0113】

第１状態判断部１２０は、特徴値抽出部１１０によって生成された追加特徴値のそれぞれに基づいて仮想の学習用バッテリーに対する状態を判断し得る。そして、ラベリング部１３０は、判断された仮想の学習用バッテリーの状態に基づいて、それぞれの追加特徴値に対してラベルを設定し得る。モデル学習部１４０は、学習用バッテリーに対する特徴値及び仮想の学習用バッテリーに対する特徴値をすべて用いることで、分類モデルに学習させることができる。

【0114】

すなわち、バッテリー管理装置１００は、仮想の学習用バッテリーに対して追加特徴値を生成することで、限定的な学習用バッテリーの個数に基づいてより多数の学習データを確保することができる。

【0115】

一方、特徴値抽出部１１０は、グループを生成する過程で、第１状態判断部１２０によって判断された学習用バッテリーの状態をさらに考慮するように構成され得る。すなわち、特徴値抽出部１１０は、第１状態判断部１２０によって判断された状態が同一である学習用バッテリー同士を組み合わせてグループを生成するように構成され得る。

【0116】

例えば、第Ｎ充放電サイクルにおいて、１０個の学習用バッテリーのうちの６個の学習用バッテリーの状態は正常状態と判断され、４個の学習用バッテリーの状態は欠陥状態と判断されたと仮定する。特徴値抽出部１１０は、正常状態と判断された６個の学習用バッテリーの特徴値を組み合わせて複数のグループを生成し得る。この場合、全部で５７個のグループが生成され得る。また、特徴値抽出部１１０は、欠陥状態と判断された４個の学習用バッテリーの特徴値を組み合わせて複数のグループを生成し得る。この場合、全部で１１個のグループが生成され得る。そして、特徴値抽出部１１０は、生成されたグループに対してそれぞれ平均特徴値を計算することで、全部で６８個の追加特徴値を生成し得る。

【0117】

本発明によるバッテリー管理装置１００は、ＢＭＳ（Ｂａｔｔｅｒｙ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ、バッテリー管理システム）に適用可能である。すなわち、本発明によるＢＭＳは、上述したバッテリー管理装置１００を含み得る。このような構成において、バッテリー管理装置１００の各構成要素の少なくとも一部は、従来のＢＭＳに含まれた構成の機能を補完または追加することで具現され得る。例えば、バッテリー管理装置１００の特徴値抽出部１１０、第１状態判断部１２０、ラベリング部１３０、モデル学習部１４０、第２状態判断部１５０は、ＢＭＳの構成要素として具現され得る。

【0118】

図５は、本発明の他の実施形態によるバッテリーパック１の例示的構成を概略的に示した図である。

【0119】

図５を参照すると、本発明によるバッテリー管理装置１００は、バッテリーパック１に備えられ得る。すなわち、本発明によるバッテリーパック１は、上述したバッテリー管理装置１００及び一つ以上のバッテリーモジュール１０を含み得る。ここで、バッテリーモジュール１０は、直列及び／または並列に接続された一つ以上のバッテリーセルを含み得る。また、バッテリーパック１は、電装品（リレー、ヒューズなど）及びケースなどをさらに含み得る。

【0120】

例えば、図５の実施形態において、特徴値抽出部１１０は、バッテリーモジュール１０及び電流測定ユニットに接続され得る。特徴値抽出部１１０は、バッテリーモジュール１０に含まれたそれぞれのバッテリーセルの電圧、電流及び温度などを測定して特徴値として抽出し得る。また、特徴値抽出部１１０は、測定された値に基づいてそれぞれのバッテリーセルの内部抵抗、ＳＯＣ及びＳＯＨなどを特徴値として抽出し得る。

【0121】

図６は、本発明のさらに他の実施形態によるバッテリー管理方法を概略的に示した図である。

【0122】

望ましくは、バッテリー管理方法の各段階は、バッテリー管理装置１００によって実行できる。以下では上述した説明と重なる内容は省略するか又は簡単に説明する。

【0123】

特徴値抽出段階Ｓ１００は、充放電サイクル毎に学習用バッテリーの特徴値を抽出する段階であって、特徴値抽出部１１０によって実行できる。

【0124】

第１状態判断段階Ｓ２００は、特徴値抽出段階Ｓ１００で抽出された特徴値及び特徴値に対応するように予め設定された基準値に基づいて、充放電サイクル毎に学習用バッテリーの状態を判断する段階であって、第１状態判断部１２０によって実行できる。

【0125】

例えば、第１充放電サイクル～第Ｎ充放電サイクルのそれぞれで学習用バッテリーに対する第１特徴値～第Ｎ特徴値が抽出されたと仮定する。ここで、Ｎは２以上の整数であり得る。この場合、基準値は全部でＮ個が予め設定され得る。すなわち、第１特徴値～第Ｎ特徴値のそれぞれに対応するように、第１基準値～第Ｎ基準値が予め設定され得る。そして、第１状態判断部１２０は、第１特徴値と第１基準値とを比較して第１充放電サイクルにおける学習用バッテリーの状態を判断し得る。同様に、第１状態判断部１２０は、第Ｎ特徴値と第Ｎ基準値とを比較して第Ｎ充放電サイクルにおける学習用バッテリーの状態を判断し得る。

【0126】

ラベリング段階Ｓ３００は、第１状態判断段階Ｓ２００で判断された学習用バッテリーの状態に基づいて、充放電サイクル毎に学習用バッテリーの特徴値に対するラベルを設定する段階であって、ラベリング部１３０によって実行できる。

【0127】

具体的には、ラベリング部１３０は、学習用バッテリーの状態が正常状態と判断された場合、該当充放電サイクルに対する学習用バッテリーの特徴値に第１ラベルを設定するように構成され得る。

【0128】

それに対し、ラベリング部１３０は、学習用バッテリーの状態が欠陥状態と判断された場合、該当充放電サイクルに対する学習用バッテリーの特徴値に第２ラベルを設定するように構成され得る。

【0129】

モデル学習段階Ｓ４００は、ラベリング段階Ｓ３００でラベルが設定された特徴値に基づいて、分析用バッテリーの状態を判断するための分類モデルに学習させる段階であって、モデル学習部１４０によって実行できる。

【0130】

第２状態判断段階Ｓ５００は、モデル学習段階Ｓ４００で学習が行われた分類モデルに基づいて、分析用バッテリーの状態を判断する段階であって、第２状態判断部１５０によって実行できる。

【0131】

すなわち、本発明の一実施形態によるバッテリー管理方法は、限定された個数のバッテリーから分類モデルに学習させるための多量の学習データを確保できるという長所がある。したがって、学習が行われた分類モデルの性能が向上することができる。したがって、本発明の一実施形態によって学習が行われた分類モデルに基づいた分析用バッテリーの状態判断の正確度が向上することができる。

【0132】

上述した本発明の実施形態は、装置及び方法のみによって具現されるものではなく、本発明の実施形態の構成に対応する機能を実現するプログラムまたはそのプログラムが記録された記録媒体を通じても具現され得、このような具現は上述した実施形態の記載から当業者であれば容易に具現できるであろう。

【0133】

以上のように、本発明を限定された実施形態と図面によって説明したが、本発明はこれに限定されるものではなく、本発明の属する技術分野で通常の知識を持つ者によって本発明の技術思想と特許請求の範囲の均等範囲内で多様な修正及び変形が可能であることは言うまでもない。

【0134】

また、上述した本発明は、本発明が属する技術分野で通常の知識を持つ者により、本発明の技術的思想を逸脱しない範囲内で様々な置換、変形及び変更が可能であって、上述した実施形態及び添付の図面によって限定されるものではなく、多様な変形のため各実施形態の全部または一部が選択的に組み合わせられて構成され得る。

【符号の説明】

【0135】

１：バッテリーパック
１０：バッテリーモジュール
１００：バッテリー管理装置
１１０：特徴値抽出部
１２０：第１状態判断部
１３０：ラベリング部
１４０：モデル学習部
１５０：第２状態判断部
１６０：記録部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【国際調査報告】