JP7366975B2 - 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 - Google Patents

Description

本発明は、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、およびプログラムに関する。

従来、バッテリの劣化状態（ＳＯＨ：State Of Health）を推定する技術が知られている。例えば、特許文献１には、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用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が開示されている。

特開２０１９－１６８４５２号公報

特許文献１に記載の技術は、ＳＯＨが取得された期間の範囲における学習用データを用いて、ＳＯＨを推定する学習モデルを学習させるものである。このように学習された学習モデルは、一般的に、学習用データが取得された範囲内において高い推定精度を期待することができる。しかしながら、学習用データは予測の対象となる全ての範囲について取得できるものとは限らず、学習用データが取得された範囲の外では、学習モデルの推定精度が著しく悪化する場合があった。その結果、例えば、長期的なＳＯＨの予測を行うためには、長期的な学習用データを準備する必要があり、コストが増加する問題があった。

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、長期的な学習用データを準備する必要なく、長期的なＳＯＨの予測を行うことができる、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、およびプログラムを提供することを目的の一つとする。

この発明に係る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、およびプログラムは、以下の構成を採用した。
（１）：この発明の一態様に係るバッテリ劣化推定装置は、バッテリの電圧又はＳＯＣ（State Of Charge）と、温度と、電流と、のうちの少なくとも一つを含む時系列データを取得するデータ取得部と、前記時系列データを、学習可能な中間データへ変換するデータ変換部と、前記中間データの将来値、及び劣化状態に関する指標の将来値を予測関数に従って予測し、学習用データを生成する学習用データ生成部と、前記学習用データに基づいて、前記バッテリの劣化状態に関する指標を推定する予測モデルを学習する予測モデル学習部と、前記予測モデルに基づいて、前記バッテリの劣化状態に関する指標を推定する劣化状態推定部と、を備えるものである。

（２）：上記（１）の態様において、前記中間データは、前記予測モデルの説明変数として、前記バッテリが所定の電圧の値を示した時間を積算することによって得られる電圧積算分布情報と、前記バッテリが所定のＳＯＣの値を示した時間を積算することによって得られるＳＯＣ積算分布情報と、前記バッテリが所定の温度の値を示した時間を積算することによって得られる温度積算分布情報と、前記バッテリの充電量を積算することによって得られる積算充電電流量と、前記バッテリの放電量を積算することによって得られる積算放電電流量と、のうちの少なくとも一つを含み、前記学習用データ生成部は、前記少なくとも１つの説明変数のデータ量を、線形関数を用いて増加させることによって前記学習用データを生成するものである。

（３）：上記（２）の態様において、前記予測モデルの目的変数は、前記バッテリの劣化状態に関する指標であり、前記学習用データ生成部は、前記目的変数のデータ量を、べき乗を含む関数を用いて増加させることによって前記学習用データを生成するものである。

（４）：上記（３）の態様において、前記バッテリ劣化推定装置は、前記べき乗を含む関数のべき指数値を変えながら前記目的変数の測定値にべき乗演算を施し、前記中間データを説明変数として前記べき乗演算を施された前記目的変数の測定値を推定するバッテリモデルを学習し、前記学習したバッテリモデルの出力値を評価するステップを繰り返すことによって、前記べき乗を含む関数の最適べき指数値を探索するべき指数値探索部を更に備えるものである。

（５）：上記（２）から（４）のいずれかの態様において、前記データ取得部は、前記バッテリが搭載された、電力を使用する機器の停止状態を検出可能であり、前記停止状態における前記機器の前記時系列データを補間するものである。

（６）：この発明の別の態様に係るバッテリ劣化推定システムは、電力を使用する複数の機器であって、バッテリと、前記バッテリの電圧又はＳＯＣ（State Of Charge）と、温度と、電流と、のうちの少なくとも一つを含む時系列データを提供するデータ提供部と、を備える、複数の機器と、管理装置であって、前記データ提供部からの前記時系列データを取得するデータ取得部と、前記時系列データを、学習可能な中間データへ変換するデータ変換部と、前記中間データの将来値、及び劣化状態に関する指標の将来値を予測関数に従って予測し、学習用データを生成する学習用データ生成部と、前記学習用データに基づいて、前記バッテリの劣化状態に関する指標を推定する予測モデルを学習する予測モデル学習部と、前記予測モデルに基づいて、前記バッテリの劣化状態に関する指標を推定する劣化状態推定部と、を備える、管理装置と、を備えるものである。

（７）：この発明の別の態様に係るバッテリ劣化推定方法は、コンピュータが、バッテリの電圧又はＳＯＣ（State Of Charge）と、温度と、電流と、のうちの少なくとも一つを含む時系列データを取得し、前記時系列データを、学習可能な中間データへ変換し、前記中間データの将来値、及び劣化状態に関する指標の将来値を予測関数に従って予測し、学習用データを生成し、前記学習用データに基づいて、前記バッテリの劣化状態に関する指標を推定する予測モデルを学習し、前記予測モデルに基づいて、前記バッテリの劣化状態に関する指標を推定するものである。

（８）：この発明の別の態様に係るプログラムは、コンピュータに、バッテリの電圧又はＳＯＣ（State Of Charge）と、温度と、電流と、のうちの少なくとも一つを含む時系列データを取得させ、前記時系列データを、学習可能な中間データへ変換させ、前記中間データの将来値、及び劣化状態に関する指標の将来値を予測関数に従って予測させ、学習用データを生成させ、前記学習用データに基づいて、前記バッテリの劣化状態に関する指標を推定する予測モデルを学習させ、前記予測モデルに基づいて、前記バッテリの劣化状態に関する指標を推定させるものである。

（１）～（８）の態様によれば、長期的な学習用データを準備する必要なく、長期的なＳＯＨの予測を行うことができる。

（２）又は（３）の態様によれば、説明変数又は目的変数を増加させることにより、データの収集コストを抑制しつつ、長期的なＳＯＨの予測を高精度に行う予測モデルを作成することができる。

（４）の態様によれば、個々のバッテリの特性に応じた最適べき指数値を探索することにより、予測モデルの精度を向上させることができる。

（５）の態様によれば、停止中のデータを補間することにより、データの収集コストを抑制しつつ、長期的なＳＯＨの予測を高精度に行う予測モデルを作成することができる。

実施形態に係るバッテリ劣化推定装置１００が適用される車両１０の構成の一例を示す図である。 実施形態に係るバッテリ劣化推定装置１００の構成の一例を示す図である。 車両１０が停止状態にある期間における時系列データ１７２を補間する方法の一例を示す図である。 バッテリ４０のＳＯＣの時系列データ１７２を中間データ１７４に変換する方法の一例を示す図である。 バッテリ４０の温度の時系列データ１７２を中間データ１７４に変換する方法の一例を示す図である。 データ変換部１２０によって生成される中間データ１７４の構成の一例を示す図である。 中間データ１７４の説明変数の将来値を予測関数に従って予測する方法の一例を示す図である。 中間データ１７４の目的変数の将来値を予測関数に従って予測する方法の一例を示す図である。 べき指数値探索部１６０によって実行されるべき指数値の探索方法の流れの一例を示す図である。 べき指数値を実験的に探索する方法の概要を説明するための図である。

以下、図面を参照し、本発明の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、およびプログラムの実施形態について説明する。

［車両の構成］
図１は、実施形態に係るバッテリ劣化推定装置１００が適用される車両１０の構成の一例を示す図である。図１に示した車両１０は、走行用のバッテリ（二次電池）から供給される電力によって駆動される電動機（電動モータ）によって走行するＢＥＶ（Battery Electric Vehicle：電気自動車）である。代替的に、車両１０は、ハイブリッド車両に外部充電機能を持たせたＰＨＶ（Plug-in Hybrid Vehicle）又はＰＨＥＶ（Plug-in Hybrid Electric Vehicle）であってもよい。なお、車両１０は、例えば、四輪の車両のみならず、鞍乗り型の二輪の車両や、三輪（前一輪かつ後二輪の他に、前二輪かつ後一輪の車両も含む）の車両、アシスト式の自転車、さらには、電動船など、バッテリから供給される電力によって駆動される電動モータによって走行する移動体の全般が含まれる。

モータ１２は、例えば、三相交流電動機である。モータ１２の回転子（ロータ）は、駆動輪１４に連結される。モータ１２は、バッテリ４０が備える蓄電部（不図示）から供給される電力によって駆動され、回転の動力を駆動輪１４に伝達させる。また、モータ１２は、車両１０の減速時に車両１０の運動エネルギーを用いて発電する。

ブレーキ装置１６は、例えば、ブレーキキャリパーと、ブレーキキャリパーに油圧を伝達するシリンダと、シリンダに油圧を発生させる電動モータと、を備える。ブレーキ装置１６は、ブレーキペダル（不図示）に対する車両１０の利用者（運転者）による操作によって発生した油圧を、マスターシリンダを介してシリンダに伝達する機構をバックアップとして備えてもよい。なお、ブレーキ装置１６は、上記説明した構成に限らず、マスターシリンダの油圧をシリンダに伝達する電子制御式油圧ブレーキ装置であってもよい。

車両センサ２０は、例えば、アクセル開度センサと、車速センサと、ブレーキ踏量センサと、を備える。アクセル開度センサは、アクセルペダルに取り付けられ、運転者によるアクセルペダルの操作量を検出し、検出した操作量をアクセル開度として後述するＰＣＵ３０が備える制御部３６に出力する。車速センサは、例えば、車両１０の各車輪に取り付けられた車輪速センサと速度計算機とを備え、車輪速センサにより検出された車輪速を統合して車両１０の速度（車速）を導出し、制御部３６に出力する。ブレーキ踏量センサは、ブレーキペダルに取り付けられ、運転者によるブレーキペダルの操作量を検出し、検出した操作量をブレーキ踏量として制御部３６に出力する。

ＰＣＵ３０は、例えば、変換器３２と、ＶＣＵ（Voltage Control Unit）３４と、制御部３６と、を備える。なお、図１においては、これらの構成要素をＰＣＵ３０として一まとまりの構成としたのは、あくまで一例であり、車両１０におけるこれらの構成要素は分散的に配置されても構わない。

変換器３２は、例えば、ＡＣ－ＤＣ変換器である。変換器３２の直流側端子は、直流リンクＤＬに接続されている。直流リンクＤＬには、ＶＣＵ３４を介してバッテリ４０が接続されている。変換器３２は、モータ１２により発電された交流を直流に変換して直流リンクＤＬに出力する。

ＶＣＵ３４は、例えば、ＤＣ－ＤＣコンバータである。ＶＣＵ３４は、バッテリ４０から供給される電力を昇圧して直流リンクＤＬに出力する。

制御部３６は、車両センサ２０が備えるアクセル開度センサからの出力に基づいて、モータ１２の駆動を制御する。制御部３６は、また、車両センサ２０が備えるブレーキ踏量センサからの出力に基づいて、ブレーキ装置１６を制御する。制御部３６は、また、バッテリ４０に接続された後述するバッテリセンサ４２からの出力に基づいて、例えば、バッテリ４０のＳＯＣ（State Of Charge；以下「バッテリ充電率」ともいう）を算出し、ＶＣＵ３４に出力する。ＶＣＵ３４は、制御部３６からの指示に応じて、直流リンクＤＬの電圧を上昇させる。

バッテリ４０は、例えば、リチウムイオン電池など、充電と放電とを繰り返すことができる二次電池である。バッテリ４０の正極を構成する正極活物質は、例えば、ＮＣＡ（nickel cobalt aluminum）、ＬＦＰ（lithium ferrophosphate）、ＬＭＯ（lithium manganese oxide）などの材料のうち少なくとも一つを含む物質であり、バッテリ４０の負極を構成する負極活物質は、例えば、ハードカーボンやグラファイトなどの材料のうち少なくとも一つを含む物質である。また、バッテリ４０は、車両１０に対して着脱自在に装着される、例えば、カセット式などのバッテリパックであってもよい。バッテリ４０は、車両１０の外部の充電器（不図示）から供給される電力を蓄え、車両１０の走行のための放電を行う。

バッテリセンサ４２は、バッテリ４０の電流や、電圧、温度などの物理量を検出する。バッテリセンサ４２は、例えば、電流センサ、電圧センサ、温度センサを備える。バッテリセンサ４２は、電流センサによってバッテリ４０を構成する二次電池（以下、単に「バッテリ４０」という）の電流を検出し、電圧センサによってバッテリ４０の電圧を検出し、温度センサによってバッテリ４０の温度を検出する。バッテリセンサ４２は、検出したバッテリ４０の電流値、電圧値、温度などの物理量のデータを制御部３６や通信装置５０に出力する。

通信装置５０は、セルラー網やＷｉ－Ｆｉ網を接続するための無線モジュールを含む。通信装置５０は、Ｂｌｕｅｔｏｏｔｈ（登録商標）など利用するための無線モジュールを含んでもよい。通信装置５０は、無線モジュールにおける通信によって、車両１０に係る種々の情報を、例えば、バッテリ劣化推定装置１００との間で送受信する。通信装置５０は、制御部３６又はバッテリセンサ４２により出力されたバッテリ４０の物理量のデータ（ＳＯＣと、温度と、電流を少なくとも含む）を、バッテリ劣化推定装置１００に送信する。通信装置５０は、後述するバッテリ劣化推定装置１００により診断されて送信されたバッテリ４０の特性を表す情報を受信し、受信したバッテリ４０の特性を表す情報を車両１０のＨＭＩ（不図示）に出力してもよい。

［バッテリ劣化推定装置の構成］
次に、車両１０のバッテリ４０の特性を推定するバッテリ劣化推定装置１００の一例について説明する。図２は、実施形態に係るバッテリ劣化推定装置１００の構成の一例を示す図である。バッテリ劣化推定装置１００は、例えば、データ取得部１１０と、データ変換部１２０と、学習用データ生成部１３０と、予測モデル学習部１４０と、劣化状態推定部１５０と、べき指数値探索部１６０と、を備える。データ取得部１１０と、データ変換部１２０と、学習用データ生成部１３０と、予測モデル学習部１４０と、劣化状態推定部１５０と、べき指数値探索部１６０は、例えば、ＣＰＵ（Central Processing Unit）などのハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。これらの構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体（非一過性の記憶媒体）に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。記憶部１７０は、例えば、ＨＤＤやフラッシュメモリ、ＲＡＭ（Random Access Memory）等である。記憶部１７０は、例えば、時系列データ１７２と、中間データ１７４と、学習用データ１７６と、予測モデル１７８とを記憶する。

データ取得部１１０は、バッテリ劣化推定装置１００に搭載された不図示の通信インターフェースを用いて、通信装置５０から、バッテリ４０のＳＯＣ、温度、電流値などの時系列データを取得し、時系列データ１７２として記憶部１７０に格納する。このとき、データ取得部１１０は、取得した時系列データのうち、欠損や異常が発生したデータを除外する処理を行ってもよい。

データ取得部１１０は、さらに、時系列データ１７２として、車両１０が駆動状態にあるか又は停止状態にあるか否かを示す情報も通信装置５０から取得する。データ取得部１１０は、例えば、車両センサ２０によって検出された、車両１０のメインリレーのＯＮ／ＯＦＦ状態を示す情報を通信装置５０から取得することによって、車両１０が駆動状態にあるか又は停止状態にあるかを把握することができる。

一般的に、車両１０が停止状態にある場合、バッテリセンサ４２も同様に停止状態にあるため、データ取得部１１０は、車両１０が停止状態にある期間における時系列データ１７２を取得することができない。その結果、機械学習に用いる学習用データが不足し、学習する予測モデルの精度が低下することが想定される。そのため、本実施形態では、データ取得部１１０は、車両１０が停止状態にある期間における時系列データ１７２を、車両１０が駆動状態にある期間における時系列データ１７２を用いて補間することによって生成する。

図３は、車両１０が停止状態にある期間における時系列データ１７２を補間する方法の一例を示す図である。図３の左部のグラフは、車両１０が停止状態にある期間におけるＳＯＣの時系列データ１７２を補間する方法を示し、図３の中央部のグラフは、車両１０が停止状態にある期間における温度の時系列データ１７２を補間する方法を示し、図３の右部のグラフは、車両１０が停止状態にある期間における電流の時系列データ１７２を補間する方法を示している。

図３に示す通り、データ取得部１１０は、時点ｔ１において、車両１０が停止状態にあることを示す情報を取得した後に、時点ｔ２において、車両１０が駆動状態にあることを示す情報を取得したと仮定する。この場合、時点ｔ１と時点ｔ２との間の期間において、バッテリセンサ４２は停止状態にあるため、データ取得部１１０は、当該期間における時系列データ１７２を取得することができない。そのため、データ取得部１１０は、時点ｔ１と時点ｔ２との間の期間におけるバッテリ４０のＳＯＣ、温度、及び電流値の時系列データ１７２を補間する。

具体的には、図３の左部のグラフに示す通り、データ取得部１１０は、時点ｔ１におけるＳＯＣの値と、時点ｔ２におけるＳＯＣの値とを線形補間することによって、時点ｔ１と時点ｔ２との間の期間におけるバッテリ４０のＳＯＣの時系列データ１７２を補間する。また、図３の中央部のグラフに示す通り、データ取得部１１０は、時点ｔ１における温度の値と、時点ｔ２における温度の値とを線形補間することによって、時点ｔ１と時点ｔ２との間の期間におけるバッテリ４０の温度の時系列データ１７２を補間する。また、図３の右部のグラフに示す通り、データ取得部１１０は、時点ｔ１と時点ｔ２との間の期間におけるバッテリ４０の電流値をゼロに設定することによって、当該期間におけるバッテリ４０の電流の時系列データ１７２を補間する。これは、ＳＯＣや温度と異なり、車両１０が停止状態にある場合、取得される電流値は略ゼロとなるためである。なお、図３では、一例として、時系列データ１７２の補間方法として線形補間を用いる例を示したが、本発明はこのような構成に限定されず、例えば、ラグランジュ補間やスプライン補間などの任意の補間法を用いてもよい。

データ変換部１２０は、記憶部１７０に記憶された時系列データ１７２を、機械学習可能な中間データ１７４に変換して、記憶部１７０に記憶する。図４は、バッテリ４０のＳＯＣの時系列データ１７２を中間データ１７４に変換する方法の一例を示す図である。データ変換部１２０は、バッテリ４０のＳＯＣの時系列データ１７２に基づいて、ＳＯＣが所定の区間の範囲内に滞在していた時間を積算して、当該区間に対応するＳＯＣ累積時間を中間データ１７４として算出する。具体的には、図４において、第１ＳＯＣ累積時間とは、バッテリ４０のＳＯＣが０～１０［％］の範囲内に滞在していた時間の積算値であり、第２ＳＯＣ累積時間とは、バッテリ４０のＳＯＣが１０～２０［％］の範囲内に滞在していた時間の積算値であり、第３ＳＯＣ累積時間とは、バッテリ４０のＳＯＣが２０～３０［％］の範囲内に滞在していた時間の積算値であり、第４ＳＯＣ累積時間とは、バッテリ４０のＳＯＣが３０～４０［％］の範囲内に滞在していた時間の積算値であり、第５ＳＯＣ累積時間とは、バッテリ４０のＳＯＣが４０～５０［％］の範囲内に滞在していた時間の積算値であり、第６ＳＯＣ累積時間とは、バッテリ４０のＳＯＣが５０～６０［％］の範囲内に滞在していた時間の積算値であり、第７ＳＯＣ累積時間とは、バッテリ４０のＳＯＣが６０～７０［％］の範囲内に滞在していた時間の積算値であり、第８ＳＯＣ累積時間とは、バッテリ４０のＳＯＣが７０～８０［％］の範囲内に滞在していた時間の積算値であり、第９ＳＯＣ累積時間とは、バッテリ４０のＳＯＣが８０～９０［％］の範囲内に滞在していた時間の積算値であり、第１０ＳＯＣ累積時間とは、バッテリ４０のＳＯＣが９０～１００［％］の範囲内に滞在していた時間の積算値である。すなわち、第１ＳＯＣ累積時間から第１０ＳＯＣ累積時間が、バッテリ４０のＳＯＣの中間データ１７４に相当する。なお、図４では、一例として、ＳＯＣの区間を１０％間隔に設定した例を示したが、本発明はこのような構成に限定されず、任意の間隔でＳＯＣの区間を設定してもよい。

図５は、バッテリ４０の温度の時系列データ１７２を中間データ１７４に変換する方法の一例を示す図である。データ変換部１２０は、バッテリ４０の温度の時系列データ１７２に基づいて、温度が所定の区間の範囲内に滞在していた時間を積算して、当該区間に対応する温度累積時間を中間データ１７４として算出する。具体的には、図５において、第１温度累積時間とは、バッテリ４０の温度が第１温度範囲内に滞在していた時間の積算値であり、第２温度累積時間とは、バッテリ４０の温度が第１温度範囲より高い第２温度範囲内に滞在していた時間の積算値であり、第３温度累積時間とは、バッテリ４０の温度が第２温度範囲より高い第３温度範囲内に滞在していた時間の積算値であり、第４温度累積時間とは、バッテリ４０の温度が第３温度範囲より高い第４温度範囲内に滞在していた時間の積算値であり、第５温度累積時間とは、バッテリ４０の温度が第４温度範囲より高い第５温度範囲内に滞在していた時間の積算値であり、第６温度累積時間とは、バッテリ４０の温度が第５温度範囲より高い第６温度範囲内に滞在していた時間の積算値であり、第７温度累積時間とは、バッテリ４０の温度が第６温度範囲より高い第７温度範囲内に滞在していた時間の積算値であり、第８温度累積時間とは、バッテリ４０の温度が第７温度範囲より高い第８温度範囲内に滞在していた時間の積算値であり、第９温度累積時間とは、バッテリ４０の温度が第８温度範囲より高い第９温度範囲内に滞在していた時間の積算値であり、第１０温度累積時間とは、バッテリ４０の温度が第９温度範囲より高い第１０温度範囲内に滞在していた時間の積算値である。すなわち、第１温度累積時間から第１０温度累積時間が、バッテリ４０の温度の中間データ１７４に相当する。

データ変換部１２０は、バッテリ４０の電流の時系列データ１７２に基づいて、バッテリ４０の充電量を積算することによって積算充電電流量を算出し、バッテリ４０の放電量を積算することによって積算放電電流量を算出する。積算充電電流量および積算放電電流量が、バッテリ４０の電流の中間データ１７４に相当する。データ変換部１２０は、さらに、バッテリ４０の劣化指標として、バッテリ４０の初期の満充電容量［Ａｈ］を１００％とした際における、劣化時の満充電容量の割合を示すＳＯＨ（State Of Health）を、時系列データ１７２に基づいて、任意のＳＯＨ診断アルゴリズムによって算出し、算出したＳＯＨを中間データ１７４として記憶部１７０に記憶する。

図６は、データ変換部１２０によって生成される中間データ１７４の構成の一例を示す図である。図６に示す通り、中間データ１７４は、後述する予測モデル学習部１４０によって機械学習される予測モデルの説明変数として機能する第１ＳＯＣ累積時間から第１０ＳＯＣ累積時間と、第１温度累積時間から第１０温度累積時間と、積算充電電流量と、積算放電電流量が、目的変数として機能するＳＯＨに対応付けられたものである。データ変換部１２０は、例えば、一週間間隔で時系列データ１７２を中間データ１７４に変換し、１つのレコードとして記憶部１７０に記憶する。

このように、中間データ１７４は、データ取得部１１０が時系列データ１７２の取得を開始してから現時点までの期間に生成されるものである。そのため、中間データ１７４を学習用データとして予測モデルを学習した場合、時系列データ１７２が取得された期間の範囲内においては高い予測精度を期待することができる一方、当該期間の範囲の外では、予測モデルの推定精度が悪化することが想定される。

上記の事情を背景にして、学習用データ生成部１３０は、中間データ１７４の説明変数および目的変数の将来値を予測関数に従って予測し、学習用データ１７６を生成する。図７は、中間データ１７４の説明変数の将来値を予測関数に従って予測する方法の一例を示す図である。図７において、Ｌ１は、中間データ１７４の説明変数である第１ＳＯＣ累積時間から第１０ＳＯＣ累積時間と、第１温度累積時間から第１０温度累積時間と、積算充電電流量と、積算放電電流量とのうちの任意の項目の値の推移を示し、ｔ１は、データ変換部１２０が中間データ１７４を生成した最後の時点（例えば、現時点）を示す。すなわち、図７は、時点０から時点ｔ１までの期間において中間データ１７４の説明変数の値が取得された状況を表している。

学習用データ生成部１３０は、中間データ１７４の説明変数の値の推移Ｌ１に基づいて、当該説明変数の将来値を予測する。具体的には、学習用データ生成部１３０は、説明変数の値の推移Ｌ１に対して、図中Ｌ２によって示される線形関数ａ＋ｂ×ｔをフィッティングすることによって、説明変数の将来値を予測する。学習用データ生成部１３０は、中間データ１７４の説明変数と、予測された説明変数の将来値とを合わせて、学習用データ１７６の説明変数として記憶部１７０に記憶する。

図８は、中間データ１７４の目的変数の将来値を予測関数に従って予測する方法の一例を示す図である。図８において、Ｌ３は、中間データ１７４の目的変数であるＳＯＨの値の推移を示し、ｔ１は、データ変換部１２０が中間データ１７４を生成した最後の時点（例えば、現時点）を示す。すなわち、図８は、時点０から時点ｔ１までの期間において中間データ１７４の目的変数の値が取得された状況を表している。

学習用データ生成部１３０は、中間データ１７４の目的変数の値の推移Ｌ３に基づいて、当該目的変数の将来値を予測する。具体的には、学習用データ生成部１３０は、目的変数の値の推移Ｌ３に対して、図中Ｌ４によって示されるべき乗を含む関数ａ－ｂ×ｔ^ｎ（ｎは任意の正の実数）をフィッティングすることによって、目的変数の将来値を予測する。学習用データ生成部１３０は、中間データ１７４の目的変数と、予測された目的変数の将来値とを合わせて、学習用データ１７６の目的変数として記憶部１７０に記憶する。なお、フィッティングされるべき関数のべき指数値は、後述するべき指数値探索部１６０によって探索されるものとするが、べき指数値探索部１６０の処理については後述する。

予測モデル学習部１４０は、学習用データ生成部１３０によって生成された学習用データ１７６を用いて、バッテリ４０のＳＯＨを推定する予測モデル１７８を学習する。より具体的には、予測モデル学習部１４０は、学習用データ１７６の第１ＳＯＣ累積時間から第１０ＳＯＣ累積時間と、第１温度累積時間から第１０温度累積時間と、積算充電電流量と、積算放電電流量とを説明変数とし、ＳＯＨを目的変数として、一般化線形モデルや決定木、ニューラルネットワークなどのアルゴリズムによって、予測モデル１７８を学習する。予測モデル学習部１４０によって学習される学習用データ１７６は、時系列データ１７２が取得された期間の範囲内のデータに限定されず、当該期間の範囲外のデータをも含むものである。そのため、学習用データ１７６を用いて学習された予測モデル１７８は、ＳＯＨの予測を長期的に行うことができる。

劣化状態推定部１５０は、予測モデル学習部１４０によって学習された予測モデル（学習済みモデル）に、予測したいバッテリ使用条件に即した将来の仮想的な履歴データ（仮想履歴データ）を入力することによって、バッテリ４０の将来のＳＯＨを推定する。例えば、バッテリ劣化推定装置１００のユーザは、バッテリ劣化推定装置１００が提供するインターフェース画面上で、予測したいバッテリ使用条件に即したＳＯＣ、温度、および電流の将来値を入力し、劣化状態推定部１５０は、入力されたＳＯＣ、温度、および電流の将来値を予測モデル１７８に入力することによって、ユーザにＳＯＨの予測値を提供する。

なお、上記の説明においては、データ取得部１１０がバッテリ４０のＳＯＣの時系列データ１７２を取得するものとしている。しかし、本発明はそのような構成に限定されず、データ取得部１１０は、バッテリ４０のＳＯＣに代えて、又は加えて、電圧の時系列データ１７２を取得してもよい。この場合、データ取得部１１０は、例えば、電圧の時系列データ１７２のうち、当該電圧がＯＣＶ（open circuit voltage）と見なせる時系列データ１７２のみを抽出し（例えば、電流が所定値以下である場合に、電圧はＯＣＶと見なせる）、ＯＣＶと見なせない期間については、フィッティングなどの任意のアルゴリズムによって、電圧値を補間する。次に、データ変換部１２０は、電圧値が所定の区間の範囲内に滞在していた時間を積算することによって、ＳＯＣの場合と同様に、例えば、第１電圧累積時間から第１０電圧累積時間を求め、中間データ１７４を生成することができる。

［べき指数値の探索］
次に、図９を参照して、べき指数値探索部１６０によって実行されるべき指数値の探索方法について説明する。図９は、べき指数値探索部１６０によって実行されるべき指数値の探索方法の流れの一例を示す図である。

始めに取得ステップＳＴ１では、べき指数値探索部１６０は、バッテリ４０と同種のサンプルバッテリに対する複数の使用履歴パラメータ（すなわち、第１ＳＯＣ累積時間から第１０ＳＯＣ累積時間、第１温度累積時間から第１０温度累積時間、積算充電電流量、および積算放電電流量）及びＳＯＨ測定値の所定のサンプル期間（例えば、４０週間）分の時系列データを、ｎ組（ｎは２以上の整数）分取得する。

次に探索ステップＳＴ８では、べき乗演算ステップＳＴ２、データ分割ステップＳＴ３、学習ステップＳＴ４、検証ステップＳＴ５、及びべき指数変更ステップＳＴ６を複数回にわたり繰り返し行った後、評価ステップＳＴ７を行う。以下、各ステップＳＴ２～ＳＴ７の内容について詳細に説明する。

始めにべき乗演算ステップＳＴ２では、べき指数値探索部１６０は、取得ステップＳＴ１において取得した複数のＳＯＨ測定値を所定のべき指数値ｘでべき乗演算することにより、複数の出力パラメータの時系列データを生成する。べき指数値ｘの初期値は、０～１の範囲内の任意の実数（例えば、０．５）に設定される。

次にデータ分割ステップＳＴ３では、べき指数値探索部１６０は、上記ステップＳＴ１～ＳＴ２を経て生成されるＳＯＨ測定値及び使用履歴パラメータのサンプル期間分の時系列データのうち、学習用期間（例えば、第２週～第２０週）内に属するものを学習データと定義し、この学習用期間以降の検証用期間（例えば、第２２週～第４０週）内に属するものを検証データと定義する。

次に学習ステップＳＴ４では、べき指数値探索部１６０は、複数の使用履歴パラメータを説明変数としＳＯＨ予測値を目的変数とする線形回帰モデルを上記ステップＳＴ３において定義された学習データを用いて学習することによってバッテリモデルを構築し、このバッテリモデルをステップＳＴ２において設定したべき指数値と関連付けた状態で記憶媒体に格納する。

次に検証ステップＳＴ５では、べき指数値探索部１６０は、ステップＳＴ３において定義した検証データを用いて、ステップＳＴ４において構築した学習済みのバッテリモデルの予測精度を評価する。より具体的には、検証データに含まれる使用履歴パラメータを説明変数として学習済みのバッテリモデルに入力することによって得られるＳＯＨ予測値と検証データに含まれるＳＯＨ測定値とを比較することによって、学習済みのバッテリモデルの予測精度を評価する。本実施形態では、ＳＯＨ予測値とＳＯＨ測定値との間の平均絶対誤差（以下、「ＭＡＥ」との略称を用いる）、平均平方二乗誤差（以下、「ＲＭＳＥ」との略称を用いる）、及び決定係数（以下、「Ｒ２」との略称を用いる）等を学習済みバッテリモデルの予測精度指標とした場合について説明する。

次にべき指数変更ステップＳＴ６では、べき指数値探索部１６０は、べき乗演算ステップＳＴ２において定義したべき指数値ｘを、０～１の範囲内でありかつ過去の設定値と異なる値に変更し、べき乗演算ステップＳＴ２に戻る。

探索ステップＳＴ８では、以上のようにべき指数値ｘを変えながらステップＳＴ２～ＳＴ６を複数回にわたり繰り返し行うことにより、複数のべき指数値ｘと、複数のべき指数値ｘと関連付けられた複数の学習済みバッテリモデルと、各学習済みバッテリモデルに対する予測精度指標と、を得ることができる。

次に評価ステップＳＴ７では、べき指数値探索部１６０は、ステップＳＴ２～ＳＴ６において算出された複数の予測精度指標に基づいて、べき指数値ｘに対する最適べき指数値ｘ＿ｏｐｔを探索する。より具体的には、評価ステップＳＴ７では、べき指数値探索部１６０は、予測精度指標の算出結果に基づいて最も予測精度が高い学習済みバッテリモデルを決定し、この学習済みバッテリモデルと関連付けられたべき指数値ｘを最適べき指数値ｘ＿ｏｐｔとして決定する。これにより、個々の電池の特性に応じた最適べき指数値を探索することにより、予測モデル１７８の精度を向上させることができる。

なお、上記では、べき指数値探索部１６０が線形回帰モデルを用いて、べき指数値を探索する例について説明したが、本発明はそのような構成に限定されない。例えば、べき指数値探索部１６０は、実際の走行車両（一台でも複数台であってもよい）から、実測データとして、ＳＯＨのデータを収集し、当該データにフィッティングするべき乗を含む関数を求めることにより、べき指数値を探索してもよい。また、例えば、べき指数値探索部１６０は、実験的に、バッテリ４０を充放電させてＳＯＨの値を計測し、当該データにフィッティングするべき乗を含む関数を求めることにより、べき指数値を探索してもよい。市場データを用いてべき指数値を探索する場合、バッテリ４０の温度などの条件がデータごとに異なることに起因して、求めたべき指数値に誤差が発生することがあり得る。一方、実験的にべき指数値を探索する場合には、温度などの条件を一定にしてＳＯＨの値を計測することにより、より正確なべき指数値が求められ得る。

図１０は、べき指数値を実験的に探索する方法の概要を説明するための図である。図１０に示す通り、まず、複数の設定温度ごとに、バッテリ４０の充放電を通じて変化するＳＯＨの値を計測する。次に、設定温度ごとに計測したＳＯＨの値に、べき乗を含む関数をフィッティングさせることにより、設定温度ごとのべき指数を算出する。次に、算出したべき指数の平均を取ることにより、最終的なべき指数値が求められる。なお、上記で説明した実測手法および実験手法におけるフィッティングの評価に当たっては、フィッティング誤差と決定係数のいずれを用いてもよい。

以上の通り説明した本実施形態によれば、バッテリ劣化推定装置は、バッテリの時系列データを学習可能な中間データに変換し、中間データの説明変数および目的変数の将来値を予測関数に従って予測して学習用データを生成し、生成した学習用データに基づいて、バッテリの劣化状態に関する指標を予測する予測モデルを学習する。これにより、長期的な学習用データを準備する必要なく、長期的なＳＯＨの予測を行うことができる。

上記説明した実施形態は、以下のように表現することができる。
プログラムを記憶した記憶装置と、
ハードウェアプロセッサと、を備え、
前記ハードウェアプロセッサが前記記憶装置に記憶されたプログラムを実行することにより、
バッテリの電圧又はＳＯＣ（State Of Charge）と、温度と、電流と、のうちの少なくとも一つを含む時系列データを取得し、
前記時系列データを、学習可能な中間データへ変換し、
前記中間データの将来値、及び劣化状態に関する指標の将来値を予測関数に従って予測し、学習用データを生成し、前記学習用データに基づいて、前記バッテリの劣化状態に関する指標を推定する予測モデルを学習し、前記予測モデルに基づいて、前記バッテリの劣化状態に関する指標を推定する、
ように構成されている、バッテリ劣化推定装置。

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及び置換を加えることができる。

１０ 車両
１２ モータ
１４ 駆動輪
１６ ブレーキ装置
２０ 車両センサ
３０ ＰＣＵ
３２ 変換器
３４ ＶＣＵ
３６ 制御部
４０ バッテリ
４２ バッテリセンサ
５０ 通信装置
１００ バッテリ劣化推定装置
１１０ データ取得部
１２０ データ変換部
１３０ 学習用データ生成部
１４０ 予測モデル学習部
１５０ 劣化状態推定部
１６０ べき指数値探索部
１７０ 記憶部

Claims (8)

1. バッテリの電圧又はＳＯＣ（State Of Charge）と、温度と、電流と、のうちの少なくとも一つを含む時系列データを取得するデータ取得部と、
   前記時系列データを、学習可能な中間データへ変換するデータ変換部と、
   前記中間データの将来値、及び劣化状態に関する指標の将来値を予測関数に従って予測し、学習用データを生成する学習用データ生成部と、
   前記学習用データに基づいて、前記バッテリの劣化状態に関する指標を推定する予測モデルを学習する予測モデル学習部と、
   前記予測モデルに基づいて、前記バッテリの劣化状態に関する指標を推定する劣化状態推定部と、を備え、
   前記中間データは、前記予測モデルの説明変数として、
   前記バッテリが所定の電圧の値を示した時間を積算することによって得られる電圧積算分布情報と、
   前記バッテリが所定のＳＯＣの値を示した時間を積算することによって得られるＳＯＣ積算分布情報と、
   前記バッテリが所定の温度の値を示した時間を積算することによって得られる温度積算分布情報と、
   前記バッテリの充電量を積算することによって得られる積算充電電流量と、
   前記バッテリの放電量を積算することによって得られる積算放電電流量と、のうちの少なくとも一つを含み、
   前記学習用データ生成部は、前記少なくとも１つの説明変数のデータ量を、線形関数を用いて増加させることによって前記学習用データを生成する、
   バッテリ劣化推定装置。
2. 前記予測モデルの目的変数は、前記バッテリの劣化状態に関する指標であり、
   前記学習用データ生成部は、前記目的変数のデータ量を、べき乗を含む関数を用いて増加させることによって前記学習用データを生成する、
   請求項１に記載のバッテリ劣化推定装置。
3. 前記べき乗を含む関数のべき指数値を変えながら前記目的変数の測定値にべき乗演算を施し、前記中間データを説明変数として前記べき乗演算を施された前記目的変数の測定値を推定するバッテリモデルを学習し、前記学習したバッテリモデルの出力値を評価するステップを繰り返すことによって、前記べき乗を含む関数の最適べき指数値を探索するべき指数値探索部を更に備える、
   請求項２に記載のバッテリ劣化推定装置。
4. 前記データ取得部は、前記バッテリが搭載された、電力を使用する機器の停止状態を検出可能であり、前記停止状態における前記機器の前記時系列データを補間する、
   請求項１から３のいずれか１項に記載のバッテリ劣化推定装置。
5. 電力を使用する複数の機器であって、
   バッテリと、
   前記バッテリの電圧又はＳＯＣ（State Of Charge）と、温度と、電流と、のうちの少なくとも一つを含む時系列データを提供するデータ提供部と、
   を備える、複数の機器と、
   管理装置であって、
   前記データ提供部からの前記時系列データを取得するデータ取得部と、
   前記時系列データを、学習可能な中間データへ変換するデータ変換部と、
   前記中間データの将来値、及び劣化状態に関する指標の将来値を予測関数に従って予測し、学習用データを生成する学習用データ生成部と、
   前記学習用データに基づいて、前記バッテリの劣化状態に関する指標を推定する予測モデルを学習する予測モデル学習部と、
   前記予測モデルに基づいて、前記バッテリの劣化状態に関する指標を推定する劣化状態推定部と、
   を備える、管理装置と、
   を備え、
   前記中間データは、前記予測モデルの説明変数として、
   前記バッテリが所定の電圧の値を示した時間を積算することによって得られる電圧積算分布情報と、
   前記バッテリが所定のＳＯＣの値を示した時間を積算することによって得られるＳＯＣ積算分布情報と、
   前記バッテリが所定の温度の値を示した時間を積算することによって得られる温度積算分布情報と、
   前記バッテリの充電量を積算することによって得られる積算充電電流量と、
   前記バッテリの放電量を積算することによって得られる積算放電電流量と、のうちの少なくとも一つを含み、
   前記学習用データ生成部は、前記少なくとも１つの説明変数のデータ量を、線形関数を用いて増加させることによって前記学習用データを生成する、
   バッテリ劣化推定システム。
6. コンピュータが、
   バッテリの電圧又はＳＯＣ（State Of Charge）と、温度と、電流と、のうちの少なくとも一つを含む時系列データを取得し、
   前記時系列データを、学習可能な中間データへ変換し、
   前記中間データの将来値、及び劣化状態に関する指標の将来値を予測関数に従って予測し、学習用データを生成し、
   前記学習用データに基づいて、前記バッテリの劣化状態に関する指標を推定する予測モデルを学習し、
   前記予測モデルに基づいて、前記バッテリの劣化状態に関する指標を推定し、
   前記中間データは、前記予測モデルの説明変数として、
   前記バッテリが所定の電圧の値を示した時間を積算することによって得られる電圧積算分布情報と、
   前記バッテリが所定のＳＯＣの値を示した時間を積算することによって得られるＳＯＣ積算分布情報と、
   前記バッテリが所定の温度の値を示した時間を積算することによって得られる温度積算分布情報と、
   前記バッテリの充電量を積算することによって得られる積算充電電流量と、
   前記バッテリの放電量を積算することによって得られる積算放電電流量と、のうちの少なくとも一つを含み、
   前記少なくとも１つの説明変数のデータ量を、線形関数を用いて増加させることによって前記学習用データを生成する、
   バッテリ劣化推定方法。
7. コンピュータに、
   バッテリの電圧又はＳＯＣ（State Of Charge）と、温度と、電流と、のうちの少なくとも一つを含む時系列データを取得させ、
   前記時系列データを、学習可能な中間データへ変換させ、
   前記中間データの将来値、及び劣化状態に関する指標の将来値を予測関数に従って予測させ、学習用データを生成させ、
   前記学習用データに基づいて、前記バッテリの劣化状態に関する指標を推定する予測モデルを学習させ、
   前記予測モデルに基づいて、前記バッテリの劣化状態に関する指標を推定させ、
   前記中間データは、前記予測モデルの説明変数として、
   前記バッテリが所定の電圧の値を示した時間を積算することによって得られる電圧積算分布情報と、
   前記バッテリが所定のＳＯＣの値を示した時間を積算することによって得られるＳＯＣ積算分布情報と、
   前記バッテリが所定の温度の値を示した時間を積算することによって得られる温度積算分布情報と、
   前記バッテリの充電量を積算することによって得られる積算充電電流量と、
   前記バッテリの放電量を積算することによって得られる積算放電電流量と、のうちの少なくとも一つを含み、
   前記少なくとも１つの説明変数のデータ量を、線形関数を用いて増加させることによって前記学習用データを生成する、
   プログラム。
8. バッテリの電圧又はＳＯＣ（State Of Charge）と、温度と、電流と、のうちの少なくとも一つを含む時系列データを取得するデータ取得部と、
   前記時系列データを、学習可能な中間データへ変換するデータ変換部と、
   前記中間データの将来値、及び劣化状態に関する指標の将来値を予測関数に従って予測し、学習用データを生成する学習用データ生成部と、
   前記学習用データに基づいて、前記バッテリの劣化状態に関する指標を推定する予測モデルを学習する予測モデル学習部と、
   前記予測モデルに基づいて、前記バッテリの劣化状態に関する指標を推定する劣化状態推定部と、を備え、
   前記データ取得部は、前記バッテリが搭載された、電力を使用する機器の停止状態を検出可能であり、前記停止状態における前記機器の前記時系列データを補間し、
   前記中間データは、前記時系列データを積算することによって得られる前記予測モデルの説明変数を含む、
   バッテリ劣化推定装置。

Images