劣化推定装置、模型生成装置、劣化推定方法、模型生成方法及程序制造方法及图纸

劣化推定装置(20)包括存储处理部(210)和计算部(240)。存储处理部(210)从模型生成装置(10)取得多个模型，并存储于模型存储部(220)。这些多个模型是通过对训练数据进行机器学习而生成的，该训练数据将表示对充放电次数为α

【技术实现步骤摘要】
【国外来华专利技术】劣化推定装置、模型生成装置、劣化推定方法、模型生成方法及程序


[0001]本专利技术涉及劣化推定装置、模型生成装置、劣化推定方法、模型生成方法及程序。

技术介绍

[0002]近年来，在各种场所使用蓄电池。作为第一例，蓄电池被用作车辆等移动体的动力源。作为第二例，蓄电池用于暂时蓄积剩余电力。
[0003]在利用蓄电池时，高精度地计算蓄电池的劣化状态(以下，记载为SOH)是重要的。例如，在专利文献1中，记载了使用第一时间点的蓄电池的SOC和SOH，推定之后的第二时间点的SOH。而且，在专利文献2中记载了使用第一时间点的蓄电池的SOH以及从第一时间点到之后的第二时间点之间的蓄电池的状态所涉及的时间序列数据来推定第二时间点的SOH。
[0004]现有技术文献
[0005]专利文献
[0006]专利文献1：国际公开第2019/181728号
[0007]专利文献2：国际公开第2019/181729号

技术实现思路

[0008]专利技术所要解决的课题
[0009]通常，能够推定当前的SOH，但难以高精度地推定将来的SOH。本专利技术的目的的一例在于，高精度地推定蓄电池的将来的SOH。
[0010]用于解决课题的手段
[0011]根据本专利技术，提供一种劣化推定装置，具有：
[0012]存储处理部，其使存储部存储通过对训练数据进行机器学习而生成的多个模型，所述训练数据是将表示对充放电次数为α
i
至α
j
时的蓄电池的状态进行测定而得的结果的训练用测定数据作为输入值，将表示充放电次数为β时的所述蓄电池的劣化状态的SOH作为目标值的数据，其中，j≥i，β＞α
j
；以及
[0013]计算部，其取得对成为处理对象的对象蓄电池的充放电次数为α
i
至α
j
时的所述状态进行测定而得的结果即计算用测定数据，并对所述多个模型分别输入所述计算用测定数据，由此计算所述对象蓄电池的SOH的推移的推定结果，α
i
以及α
j
在所述多个模型中是相同的值，β在所述多个模型中彼此不同。
[0014]根据本专利技术，提供一种劣化推定装置，具有：
[0015]存储处理部，其使存储部存储通过对训练数据进行机器学习而生成的多个模型，所述训练数据是将表示对充放电次数为α
i
时的蓄电池的状态进行测定而得的结果的训练用测定数据作为输入值，将表示充放电次数为β时的所述蓄电池的劣化状态的SOH作为目标值的数据，其中，β＞α
i
；以及
[0016]计算部，其取得对成为处理对象的对象蓄电池的充放电次数为α
i
时的所述状态进
行测定而得的结果即计算用测定数据，并对所述多个模型分别输入所述计算用测定数据，由此计算所述对象蓄电池的SOH的推定结果，
[0017]α
i
在所述多个模型中是相同的值，β在所述多个模型中彼此不同。
[0018]根据本专利技术，提供一种模型生成装置，具有：
[0019]训练数据取得部，其取得训练数据，所述训练数据是将表示对充放电次数为α
i
至α
j
时的蓄电池的状态进行测定而得的结果的训练用测定数据作为输入值，将表示充放电次数为β时的所述蓄电池的劣化状态的SOH作为目标值的数据，并且所述训练数据是按彼此不同的β而准备的，其中，j≥i，β＞α
j
；以及
[0020]模型生成部，其按照β的值对所述训练数据进行机器学习，从而按照多个β生成模型，该模型用于根据表示对象蓄电池的充放电次数为α
i
至α
j
时的所述状态的计算用测定数据来计算充放电次数为β时的该对象蓄电池的SOH的推定值。
[0021]根据本专利技术，提供一种模型生成装置，具有：
[0022]训练数据取得部，所述训练数据是将表示对充放电次数为α
i
时的蓄电池的状态进行测定而得的结果的训练用测定数据作为输入值，将表示充放电次数为β时的所述蓄电池的劣化状态的SOH作为目标值的数据，并且所述训练数据是按彼此不同的β而准备的，其中，β＞α
i
；以及
[0023]模型生成部，其按照β的值对所述训练数据进行机器学习，从而按照多个β生成模型，该模型用于根据表示对象蓄电池的充放电次数为α
i
时的所述状态的计算用测定数据来计算充放电次数为β时的该对象蓄电池的SOH的推定值。
[0024]根据本专利技术，提供一种劣化推定方法，使计算机进行如下处理：
[0025]存储处理，使存储部存储通过对训练数据进行机器学习而生成的多个模型，所述训练数据是将表示对充放电次数为α
i
至α
j
时的蓄电池的状态进行测定而得的结果的训练用测定数据作为输入值，将表示充放电次数为β时的所述蓄电池的劣化状态的SOH作为目标值的数据，其中，j≥i，β＞α
j
；以及
[0026]计算处理，取得对成为处理对象的对象蓄电池的充放电次数为α
i
至α
j
时的所述状态进行测定而得的结果即计算用测定数据，并对所述多个模型分别输入所述计算用测定数据，由此计算所述对象蓄电池的SOH的推移的推定结果，α
i
以及α
j
在所述多个模型中是相同的值，β在所述多个模型中彼此不同。
[0027]根据本专利技术，提供一种劣化推定方法，使计算机进行如下处理：
[0028]存储处理，使存储部存储通过对训练数据进行机器学习而生成的多个模型，所述训练数据是将表示对充放电次数为α
i
时的蓄电池的状态进行测定而得的结果的训练用测定数据作为输入值，将表示充放电次数为β时的所述蓄电池的劣化状态的SOH作为目标值的数据，其中，β＞α
i
；以及
[0029]计算处理，取得对成为处理对象的对象蓄电池的充放电次数为α
i
时的所述状态进行测定而得的结果即计算用测定数据，并对所述多个模型分别输入所述计算用测定数据，由此计算所述对象蓄电池的SOH的推移的推定结果，
[0030]α
i
在所述多个模型中是相同的值，β在所述多个模型中彼此不同。
[0031]根据本专利技术，提供一种模型生成方法，使计算机进行如下处理：
[0032]训练数据取得处理，取得训练数据，所述训练数据是将表示对充放电次数为α
i
至α
j
时的蓄电池的状态进行测定而得的结果的训练用测定数据作为输入值，将表示充放电次数为β时的所述蓄电池的劣化状态的SOH作为目标值的数据，并且所述训练数据是按彼此不同的β而准备的，其中，j≥i，β＞α
j
；以及
[0033]模型生成处理，按照β的值对所述训练数据进行机器本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种劣化推定装置，其特征在于，所述劣化推定装置具备：存储处理部，其使存储部存储通过对训练数据进行机器学习而生成的多个模型，所述训练数据是将表示对充放电次数为α
i
至α
j
时的蓄电池的状态进行测定而得的结果的训练用测定数据作为输入值，将表示充放电次数为β时的所述蓄电池的劣化状态的SOH作为目标值的数据，其中，j≥i，β＞α
j
；以及计算部，其取得对成为处理对象的对象蓄电池的充放电次数为α
i
至α
j
时的所述状态进行测定而得的结果即计算用测定数据，并对所述多个模型分别输入所述计算用测定数据，由此计算所述对象蓄电池的SOH的推移的推定结果，α
i
以及α
j
在所述多个模型中是相同的值，β在所述多个模型中彼此不同。2.根据权利要求1所述的劣化推定装置，其特征在于，所述训练用测定数据和所述计算用测定数据均包括电流、电压和温度。3.根据权利要求2所述的劣化推定装置，其特征在于，所述训练用测定数据和所述计算用测定数据均由电流、电压和温度构成。4.根据权利要求1至3中的任一项所述的劣化推定装置，其特征在于，所述模型是使用与多个所述蓄电池有关的所述训练数据而生成的。5.根据权利要求1至4中的任一项所述的劣化推定装置，其特征在于，所述存储处理部从外部装置取得用于更新至少一个所述模型的数据，使用该数据来更新存储于所述存储部的所述模型。6.根据权利要求5所述的劣化推定装置，其特征在于，所述劣化推定装置还具有：数据发送部，其将所述对象蓄电池的充放电次数为α
i
至α
j
时的所述计算用测定数据以及用于确定所述对象蓄电池的充放电次数为β时的SOH的数据作为所述训练数据发送给所述外部装置。7.一种劣化推定装置，其特征在于，所述劣化推定装置具备：存储处理部，其使存储部存储通过对训练数据进行机器学习而生成的多个模型，所述训练数据是将表示对充放电次数为α
i
时的蓄电池的状态进行测定而得的结果的训练用测定数据作为输入值，将表示充放电次数为β时的所述蓄电池的劣化状态的SOH作为目标值的数据，其中，β＞α
i
；以及计算部，其取得对成为处理对象的对象蓄电池的充放电次数为α
i
时的所述状态进行测定而得的结果即计算用测定数据，并对所述多个模型分别输入所述计算用测定数据，由此计算所述对象蓄电池的SOH的推移的推定结果，α
i
在所述多个模型中是相同的值，β在所述多个模型中彼此不同。8.一种模型生成装置，其特征在于，所述模型生成装置具备：训练数据取得部，其取得训练数据，所述训练数据是将表示对充放电次数为α
i
至α
j
时的蓄电池的状态进行测定而得的结果的训练用测定数据作为输入值，将表示充放电次数为β时的所述蓄电池的劣化状态的SOH作为目标值的数据，并且所述训练数据是按彼此不同的β而准备的，其中，j≥i，β＞α
j
；以及
模型生成部，其按照β的值对所述训练数据进行机器学习，从而按照多个β生成模型，该模型用于根据表示对象蓄电池的充放电次数为α
i
至α
j
时的所述状态的计算用测定数据来计算充放电次数为β时的该对象蓄电池的SOH的推定值。9.根据权利要求8所述的模型生成装置，其特征在于，所述模型生成部在至少一个β中使用多个机器学习算法来生成多个所述模型。10.根据权利要求8或9所述的模型生成装置，其特征在于，所述模型生成部在至少一个β中使用与其他β不同的机器学习算法。11.根据权利要求8至10中的任一项所述的模型生成装置，其特征在于，所述训练数据是按所述蓄电池的种类而准备的，所述模型生成部按所述蓄电池的种类生成所述模型。12.根据权利要求8至11中的任一项所述的模型生成装置，其特征在于，所述训练用测定数据和所述计算用测定数据均包含电流、电压和温度。13.根据权利要求12所述的模型生成装置，其特征在于，所述训练用测定数据和所述计算用测定数据均由电流、电压和温度构成。14.一种模型生成装置，其特征在于，所述模型生成装置具备：训练数据取得部，其取得训练数据，所述训练数据是将表示对充放电次数为α
i
时的蓄电池的状态进行测定而得的结果的训练用测定数据作为输入值，将表示充放电次数为β时的所述蓄电池的劣化状态的SOH作为目标值的数据，并且所述训练数据是按彼此不同的β而准备的，其中，β＞α
i
；以及模型生成部，其按照β的值对所述训练数据进行机器学习，从而按照多个β生成模型，该模型用于根据表示对象蓄电池的充放电次数为α
i
时的所述状态的计算用测定数据来计算充放电次数为β时的该对象蓄电池的SOH的推定值。15.一种劣化推定方法，其特征在于，使计算机进行如下处理：存储处理，使存储部存储通过对训练数据进行机器学习而生成的多个模型，所述训练数据是将表示对充放电次数为α
i
至α
j
时的蓄电池的状态进行测定而得的结果的训练用测定数据作为输入值，将表示充放电次数为β时的所述蓄电池的劣化状态的SOH作为目标值的数据，其中，j≥i，β＞α
j
；以及计算处理，取得对成为处理对象的对象蓄电池的充放电次数为α
i
至α
j
时的所述状态进行测定而得的结果即计算用测定数据，并对所述多个模型分别输入所述计算用测定数据，由此计算所述对象蓄电池的SOH的推移的推定...

【专利技术属性】
技术研发人员：岛胁秀德，陈九廷，林逸郎，
申请(专利权)人：远景AESC日本有限公司，
类型：发明
国别省市：