JP2019168451A - 異常要因判定装置、劣化判定装置、コンピュータプログラム、劣化判定方法及び異常要因判定方法 - Google Patents

Abstract

【課題】複数の蓄電素子を含む蓄電システムに関する異常要因を判定する異常要因判定装置、劣化判定装置、コンピュータプログラム、異常要因判定方法及び劣化判定方法を提供する。【解決手段】異常要因判定装置は、複数の蓄電素子の電気値及び温度値を含む実測値を取得する実測値取得部と、複数の蓄電素子の電気値及び温度値を含む予測値を取得する予測値取得部と、取得した実測値及び予測値に基づいて蓄電システムに関する異常要因の有無を判定する判定部とを備える。【選択図】図２０

Description

本発明は、異常要因判定装置、劣化判定装置、コンピュータプログラム、劣化判定方法及び異常要因判定方法に関する。

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大規模なシステムでの蓄電素子の利用が拡大している。

蓄電モジュールは、蓄電セルが直列に接続された構成となっている。蓄電セルは、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。特許文献１には、車両用の二次電池について、学習済みのニューラルネットワーク部に二次電池の状態量の検出値を入力して二次電池のＳＯＣ（充電状態）などを検出する技術が開示されている。

特開２００８−２３２７５８号公報

移動体や施設に設置されている蓄電素子は、蓄電素子の設置条件や周囲温度などの環境状態に応じて、充放電挙動や劣化の進行速度が異なると考えられる。学習済みのニューラルネットワーク部に蓄電素子の状態量を入力し、蓄電素子の想定より早期の劣化の有無を判定する場合、蓄電素子が本当に劣化しているのか、あるいは正常であるにも関わらず環境差によって誤って劣化していると判定されているのかを峻別できない。

本発明は、複数の蓄電素子を含む蓄電システムに関する異常要因を判定する異常要因判定装置、劣化判定装置、コンピュータプログラム、異常要因判定方法及び劣化判定方法を提供することを目的とする。

複数の蓄電素子を含む蓄電システムに関する異常要因を判定する異常要因判定装置は、前記複数の蓄電素子の電気値及び温度値を含む実測値を取得する実測値取得部と、前記複数の蓄電素子の電気値及び温度値を含む予測値を取得する予測値取得部と、前記実測値取得部で取得した実測値及び前記予測値取得部で取得した予測値に基づいて蓄電システムに関する異常要因の有無を判定する判定部とを備える。

複数の蓄電素子を含む蓄電システムに関する異常要因をコンピュータに判定させるためのコンピュータプログラムは、コンピュータに、前記複数の蓄電素子の電気値及び温度値を含む実測値を取得する処理と、前記複数の蓄電素子の電気値及び温度値を含む予測値を取得する処理と、取得した実測値及び予測値に基づいて蓄電システムに関する異常要因の有無を判定する処理とを実行させる。

複数の蓄電素子を含む蓄電システムに関する異常要因を判定する異常要因判定方法は、前記複数の蓄電素子の電気値及び温度値を含む実測値を取得し、前記複数の蓄電素子の電気値及び温度値を含む予測値を取得し、取得された実測値及び予測値に基づいて蓄電システムに関する異常要因の有無を判定する。

実測値取得部は、複数の蓄電素子の電気値（例えば、電流値、電圧値）及び温度値を含む実測値を取得する。実測値は、蓄電システムに含まれる複数の蓄電素子のセンサ（電流センサ、電圧センサ、温度センサ）から取得することができる。実測値の取得頻度は、蓄電システムの運用状態などに応じて適宜決定することができる。例えば、負荷変動が比較的大きい運用状態では、実測値の取得頻度を多くする（例えば、１時間ごとに５分間実測する）ことができる。また、負荷変動が比較的小さい運用状態では、実測値の取得頻度を少なくする（例えば、６時間ごとに５分間実測する）ことができる。

予測値取得部は、複数の蓄電素子の電気値（例えば、電圧値）及び温度値を含む予測値を取得する。予測値は、実際にセンサから取得した値ではなく、複数の蓄電素子の設置条件や周囲温度などの環境状態に応じて、事前に想定される値であり、算出された値又は推定された値を意味する。

判定部は、取得した実測値及び予測値に基づいて蓄電システムに関する異常要因の有無を判定する。複数の蓄電素子に流れる実測電流値により、重負荷であるか軽負荷であるか、あるいは負荷変動の大小を判定できる。複数の蓄電素子それぞれの電圧の実測値に基づいて、所要の蓄電素子間の電圧差を求めることができる。また、複数の蓄電素子それぞれの温度の実測値に基づいて、所要の蓄電素子間の温度差を求めることができる。判定部は、これらの電圧差及び温度差の実測値、及び実測値と予測値との差などを考慮することにより、異常要因（例えば、蓄電素子の異常（想定よりも早期の劣化など）、あるいは蓄電素子の環境の異常）の有無を判定することができる。

異常要因判定装置は、前記判定部での判定結果に基づいて蓄電システムの運用支援情報を提供する提供部を備えてもよい。

提供部は、判定部での判定結果に基づいて蓄電システムの運用支援情報を提供する。例えば、蓄電素子の異常であると判定された場合、提供部は、負荷の軽減、蓄電素子の交換などの情報を提供できる。また、環境の異常であると判定された場合、提供部は、空調の調整など（例えば、温度を下げる等）の情報を提供でき、異常要因に応じて蓄電システムの最適な運用を支援する運用支援情報を提供することができる。

異常要因判定装置は、前記実測値取得部で取得した実測値に基づいて所要の蓄電素子間の実測電圧差及び実測温度差を算出する第１算出部と、前記実測値取得部で取得した実測値及び前記予測値取得部で取得した予測値に基づいて前記所要の蓄電素子のうちの一の蓄電素子の電圧及び温度についての実測値と予測値との差を算出する第２算出部とを備え、前記判定部は、前記実測値取得部で取得した実測電流値、前記第１算出部で算出した実測電圧差及び実測温度差、並びに前記第２算出部で算出した実測値と予測値との差に基づいて異常要因の有無を判定してもよい。

第１算出部は、実測値取得部で取得した実測値に基づいて所要の蓄電素子間の実測電圧差及び実測温度差を算出する。

第２算出部は、実測値取得部で取得した実測値及び予測値取得部で取得した予測値に基づいて所要の蓄電素子のうちの一の蓄電素子の電圧及び温度についての実測値と予測値との差を算出する。

判定部は、実測値取得部で取得した実測電流値、第１算出部で算出した実測電圧差及び実測温度差、並びに第２算出部で算出した実測値と予測値との差に基づいて異常要因の有無を判定する。例えば、実測電流値及び蓄電素子間の実測電圧差が大きく、実測値と予測値との差も大きい場合には、当該一の蓄電素子の異常であると判定できる。一方、実測電流値及び蓄電素子間の実測電圧差は大きいが、実測値と予測値との差が小さい場合には、例えば、蓄電システム内の蓄電素子間の配置や設置条件の違い、蓄電素子間のＳＯＣのずれ等に起因し、想定内の状態（異常ではない）であると判定できる。

また、実測電流値が小さく、蓄電素子間の実測温度差が大きく、実測値と予測値との差も大きい場合には、環境の異常であると判定できる。一方、実測電流値が小さく、蓄電素子間の実測温度差が大きいが、実測値と予測値との差が小さい場合には、蓄電システム内の蓄電素子間の配置や設置条件の違い等に起因し、想定内の状態（異常ではない）であると判定できる。

異常要因判定装置において、前記判定部は、前記異常要因として前記蓄電素子の異常であるか又は前記蓄電素子の環境の異常であるかを判定してもよい。

判定部は、異常要因として、蓄電素子の異常であるか又は蓄電素子の環境の異常であるかを判定する。蓄電素子の異常は、例えば、蓄電素子が想定よりも早期に劣化していると判定される場合を含む。また、蓄電素子の異常と環境の異常とを区別して判定できるので、誤って蓄電素子の異常であると判定することを防止できる。

異常要因判定装置は、複数の蓄電素子の実測電流値、所要の蓄電素子間の実測電圧差及び実測温度差、並びに前記所要の蓄電素子のうちの一の蓄電素子の電圧及び温度についての実測値と予測値との差を入力データとし、異常要因を出力データとする学習データに基づいて学習された学習器を備え、前記判定部は、前記実測値取得部で取得した実測電流値、前記第１算出部で算出した実測電圧差及び実測温度差、並びに前記第２算出部で算出した実測値と予測値との差を前記学習器に入力して、異常要因の有無を判定してもよい。

学習器は、複数の蓄電素子の実測電流値、所要の蓄電素子間の実測電圧差及び実測温度差、並びに所要の蓄電素子のうちの一の蓄電素子の電圧及び温度についての実測値と予測値との差を入力データとし、異常要因を出力データとする学習データに基づいて学習されてある。

学習器は、例えば、実測電流値及び蓄電素子間の実測電圧差が大きく、実測値と予測値との差も大きい場合には、当該一の蓄電素子の異常を出力するように学習されてある。また、学習器は、実測電流値及び蓄電素子間の実測電圧差が大きく、実測値と予測値との差が小さい場合には、想定内の状態（異常ではない）であることを出力するように学習されてある。

学習器は、実測電流値が小さく、蓄電素子間の実測温度差が大きく、実測値と予測値との差も大きい場合には、環境の異常を出力するように学習されてある。また、学習器は、実測電流値が小さく、蓄電素子間の実測温度差が大きく、実測値と予測値との差が小さい場合には、想定内の状態（異常ではない）であることを出力するように学習されている。

判定部は、実測値取得部で取得した実測電流値、第１算出部で算出した実測電圧差及び実測温度差、並びに第２算出部で算出した実測値と予測値との差を学習器に入力して、異常要因の有無を判定する。これにより、異常要因（例えば、蓄電素子の異常（想定よりも早期の劣化など）、あるいは蓄電素子の環境の異常）を判定することができる。また、蓄電素子の異常と環境の異常とを区別して判定できるので、誤って蓄電素子の異常であると判定することを防止できる。

蓄電素子の劣化を判定する劣化判定装置は、蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得する実測データ取得部と、前記蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得する予測データ取得部と、前記実測時系列データ及び予測時系列データを入力データとし、前記蓄電素子の劣化の判定を出力データとする学習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。

蓄電素子の劣化をコンピュータに判定させるためのコンピュータプログラムは、コンピュータに、蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得する処理と、前記蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得する処理と、前記実測時系列データ及び予測時系列データを入力データとし、前記蓄電素子の劣化の判定を出力データとする学習データに基づいて学習モデルを学習させる処理とを実行させる。

蓄電素子の劣化を判定する劣化判定方法は、蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得し、前記蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得し、前記実測時系列データ及び予測時系列データを入力データとし、前記蓄電素子の劣化の判定を出力データとする学習データに基づいて学習モデルを学習させる
。

実測データ取得部は、蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得する。電気値は、電圧及び電流を含む。実測電気値は、例えば、電圧センサから取得した電圧値、電流センサから取得した電流値を含む。実測温度値は、温度センサから取得した温度である。

予測データ取得部は、当該蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得する。予測電気値及び予測温度値は、実際にセンサから取得した値ではなく、蓄電素子の設置条件や周囲温度などの環境状態に応じて、事前に想定される値であり、算出された値又は推定された値を意味する。

学習処理部は、実測時系列データ及び予測時系列データを入力データとし、蓄電素子の劣化の判定を出力データとする学習データに基づいて学習モデルを学習させる。学習モデルは、蓄電素子の実測電気値及び実測温度値を含む実測時系列データだけでなく、当該蓄電素子の予測電気値及び予測温度値を含む予測時系列データも学習する。すなわち、蓄電素子の実測電気値及び実測温度値がどのように推移し、かつ当該蓄電素子の予測電気値及び予測温度値がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。予測時系列データは、蓄電素子の設置条件や周囲温度などの環境状態により想定されるデータであるから、学習モデルは、環境差による蓄電素子の充放電挙動を学習することができる。

これにより、蓄電素子の設置条件や周囲温度などの環境差がある場合でも蓄電素子の劣化を精度良く判定できる学習済み学習モデルを生成することができる。

蓄電素子の劣化を判定する劣化判定装置は、蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得する実測データ取得部と、前記蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得する予測データ取得部と、前記実測時系列データ及び予測時系列データを入力データとし、前記蓄電素子の劣化の判定を出力する学習済みの学習モデルとを備える。

蓄電素子の劣化をコンピュータに判定させるためのコンピュータプログラムは、コンピュータに、蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得する処理と、前記蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得する処理と、前記実測時系列データ及び予測時系列データを学習済の学習モデルに入力して前記蓄電素子の劣化を判定する処理とを実行させる。

蓄電素子の劣化を判定する劣化判定方法は、蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得し、前記蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得し、前記実測時系列データ及び予測時系列データを学習済の学習モデルに入力して前記蓄電素子の劣化を判定する。

学習済みの学習モデルは、実測時系列データ及び予測時系列データを入力データとし、蓄電素子の劣化の判定を出力する。学習済みの学習モデルは、蓄電素子の実測電気値及び実測温度値がどのように推移し、かつ当該蓄電素子の予測電気値及び予測温度値がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習済みである。予測時系列データは、蓄電素子の設置条件や周囲温度などの環境状態により想定されるデータであるから、学習済みの学習モデルは、環境差による蓄電素子の充放電挙動を学習済みである。

これにより、蓄電素子の設置条件や周囲温度などの環境差がある場合でも蓄電素子の劣化を精度良く判定することができる。

劣化判定装置において、前記学習処理部は、前記実測電気値と予測電気値との差又は比、及び前記実測温度値と予測温度値との差又は比それぞれの時系列データを入力データとする学習データに基づいて前記学習モデルを学習させてもよい。

学習処理部は、実測電気値と予測電気値との差又は比、及び実測温度値と予測温度値との差又は比それぞれの時系列データを入力データとする学習データに基づいて学習モデルを学習させる。

学習モデルは、実測電気値と予測電気値との差又は比がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。また、学習モデルは、実測温度値と予測温度値との差又は比がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデルは、環境差による蓄電素子の充放電挙動を学習することができる。

劣化判定装置において、前記実測データ取得部は、前記蓄電素子の実測電圧値を含む実測時系列データを取得し、前記予測データ取得部は、前記蓄電素子の予測電圧値を含む予測時系列データを取得し、前記学習処理部は、前記実測電圧値を含む実測時系列データ及び前記予測電圧値を含む予測時系列データを入力データとする学習データに基づいて前記学習モデルを学習させてもよい。

実測データ取得部は、蓄電素子の実測電圧値を含む実測時系列データを取得する。予測データ取得部は、当該蓄電素子の予測電圧値を含む予測時系列データを取得する。学習処理部は、実測電圧値を含む実測時系列データ及び予測電圧値を含む予測時系列データを入力データとする学習データに基づいて学習モデルを学習させる。

学習モデルは、実測電圧値及び予測電圧値がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデルは、想定される電圧差に応じて、蓄電素子が正常であるのか劣化しているのかを学習することができる。

劣化判定装置において、前記実測データ取得部は、前記蓄電素子の実測電流値を含む実測時系列データを取得し、前記予測データ取得部は、前記蓄電素子の予測電流値を含む予測時系列データを取得し、前記学習処理部は、前記実測電流値を含む実測時系列データ及び前記予測電流値を含む予測時系列データを入力データとする学習データに基づいて前記学習モデルを学習させてもよい。

実測データ取得部は、蓄電素子の実測電流値を含む実測時系列データを取得する。予測データ取得部は、蓄電素子の予測電流値を含む予測時系列データを取得する。学習処理部は、実測電流値を含む実測時系列データ及び予測電流値を含む予測時系列データを入力データとする学習データに基づいて学習モデルを学習させる。

学習モデルは、実測電流値及び予測電流値がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデルは、想定される電流差に応じて、蓄電素子が正常であるのか劣化しているのかを学習することができる。

劣化判定装置において、前記実測データ取得部は、蓄電モジュールを構成する複数の蓄電セルそれぞれの実測電気値と前記複数の蓄電セルの実測電気値の平均値との差又は比を含む実測時系列データを取得し、前記学習処理部は、前記差又は比を含む実測時系列データを入力データとする学習データに基づいて前記学習モデルを学習させてもよい。

実測データ取得部は、蓄電モジュールを構成する複数の蓄電セルそれぞれの実測電気値と複数の蓄電セルの実測電気値の平均値との差又は比を含む実測時系列データを取得する。すなわち、複数の蓄電セルそれぞれの実測電気値を平均した平均値と、複数の蓄電セルそれぞれの実測電気値との差又は比を含む実測時系列データを取得する。

学習処理部は、当該差又は比を含む実測時系列データを入力データとする学習データに基づいて学習モデルを学習させる。これにより、学習モデルは、複数の蓄電セルそれぞれの実測電気値を平均した平均値と、複数の蓄電セルそれぞれの実測電気値との差又は比がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデルは、蓄電セル間の実測電気値に応じて、蓄電素子が正常であるのか劣化しているのかを学習することができる。

劣化判定装置において、前記予測データ取得部は、蓄電モジュールを構成する複数の蓄電セルそれぞれの予測電気値と前記複数の蓄電セルの予測電気値の平均値との差又は比を含む予測時系列データを取得し、前記学習処理部は、前記差又は比を含む予測時系列データを入力データとする学習データに基づいて前記学習モデルを学習させてもよい。

予測データ取得部は、蓄電モジュールを構成する複数の蓄電セルそれぞれの予測電気値と複数の蓄電セルの予測電気値の平均値との差又は比を含む予測時系列データを取得する。すなわち、複数の蓄電セルそれぞれの予測電気値を平均した平均値と、複数の蓄電セルそれぞれの予測電気値との差又は比を含む実測時系列データを取得する。

学習処理部は、当該差又は比を含む予測時系列データを入力データとする学習データに基づいて学習モデルを学習させる。これにより、学習モデルは、複数の蓄電セルそれぞれの予測電気値を平均した平均値と、複数の蓄電セルそれぞれの予測電気値との差又は比がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデルは、蓄電セル間の事前の環境差に応じて、蓄電素子が正常であるのか劣化しているのかを学習することができる。

劣化判定装置において、前記予測データ取得部は、蓄電モジュールを構成する複数の蓄電セルそれぞれの予測温度値と前記複数の蓄電セルの予測温度値の平均値との差又は比を含む予測時系列データを取得し、前記学習処理部は、前記差又は比を含む予測時系列データを入力データとする学習データに基づいて前記学習モデルを学習させてもよい。

予測データ取得部は、蓄電モジュールを構成する複数の蓄電セルそれぞれの予測温度値と複数の蓄電セルの予測温度値の平均値との差又は比を含む予測時系列データを取得する。すなわち、複数の蓄電セルそれぞれの予測温度値を平均した平均値と、複数の蓄電セルそれぞれの予測温度値との差又は比を含む予測時系列データを取得する。複数の蓄電セルそれぞれの予測温度値は、蓄電セルに流れる予測電流値、蓄電モジュール内の蓄電セルの配置状況、蓄電モジュールの予測温度値などに基づいて求めることができる。

学習処理部は、当該差又は比を含む予測時系列データを入力データとする学習データに基づいて学習モデルを学習させる。これにより、学習モデルは、複数の蓄電セルそれぞれの予測温度値を平均した平均値と、複数の蓄電セルそれぞれの予測温度値との差又は比がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデルは、蓄電セル間の事前の環境差に応じて、蓄電素
子が正常であるのか劣化しているのかを学習することができる。

劣化判定装置において、前記実測データ取得部は、前記蓄電素子の実測圧力値を含む実測時系列データを取得し、前記予測データ取得部は、前記蓄電素子の予測圧力値を含む予測時系列データを取得し、前記学習処理部は、前記実測圧力値と予測圧力値との差又は比を含む時系列データを入力データとする学習データに基づいて前記学習モデルを学習させてもよい。

実測データ取得部は、蓄電素子の実測圧力値を含む実測時系列データを取得する。予測データ取得部は、当該蓄電素子の予測圧力値を含む予測時系列データを取得する。学習処理部は、実測圧力値と予測圧力値との差又は比を含む時系列データを入力データとする学習データに基づいて学習モデルを学習させる。

学習モデルは、実測圧力値及び予測圧力値がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデルは、想定される圧力差に応じて、蓄電素子が正常であるのか劣化しているのかを学習することができる。

劣化判定装置において、前記学習処理部は、前記蓄電素子に係る環境異常の有無を出力データとする学習データに基づいて前記学習モデルを学習させてもよい。

学習処理部は、蓄電素子に係る環境異常の有無を出力データとする学習データに基づいて学習モデルを学習させる。学習モデルに、環境異常の有無を学習させることにより、例えば、蓄電素子の劣化だけでなく、環境異常もあることを学習させることができ、蓄電素子の劣化と環境異常とを区別して判定することが可能となる。

劣化判定装置は、前記学習処理部が学習させた学習済の学習モデルを用いて前記蓄電素子の劣化を判定してもよい。

学習処理部が学習させた学習済の学習モデルを用いて蓄電素子の劣化を判定する。これにより、蓄電素子の設置条件や周囲温度などの環境差がある場合でも蓄電素子の劣化を精度良く判定することができる。

上述の構成により、蓄電システムに関する異常要因を判定することができ、異常要因に応じて蓄電システムの最適な運用を支援する運用支援情報を提供することができる。

本実施の形態の遠隔監視システムの概要を示す図である。 遠隔監視システムの構成の一例を示すブロック図である。 通信デバイスの接続形態の一例を示す図である。 サーバ装置の構成の一例を示すブロック図である。 学習モデルの構成の一例を示す模式図である。 蓄電モジュール内の蓄電セルの温度分布の一例を示す模式図である。 環境差による蓄電素子の挙動の相違の一例を示す模式図である。 環境差による蓄電素子の挙動の相違の他の例を示す模式図である。 蓄電素子の電圧の時系列データの一例を示す模式図である。 蓄電素子の温度の時系列データの一例を示す模式図である。 蓄電セルそれぞれの電圧と平均電圧の時系列データの一例を示す模式図である。 蓄電セルそれぞれの温度と平均温度の時系列データの一例を示す模式図である。 学習データの第１例を示す構成図である。 学習データの第２例を示す構成図である。 学習データの第３例を示す構成図である。 学習モードでの学習モデルの処理の一例を示す模式図である。 判定モードでの学習モデルの処理の一例を示す模式図である。 学習モードでの処理部の処理手順の一例を示すフローチャートである。 判定モードでの処理部の処理手順の一例を示すフローチャートである。 第２実施形態の異常要因判定装置としてのサーバ装置の構成の一例を示すブロック図である。 実測値と予測値との関係の一例を示す説明図である。 蓄電システムの使用状態での実測値と予測値の推移の第１例を示す模式図である。 蓄電システムの使用状態での実測値と予測値の推移の第２例を示す模式図である。 異常要因判定のルールベースモデルの一例を示す説明図である。 学習モデルの構成の一例を示す模式図である。 第２実施形態のサーバ装置の処理手順の一例を示すフローチャートである。

（第１実施形態）
以下、本実施の形態に係る劣化判定装置を図面に基づいて説明する。図１は本実施の形態の遠隔監視システム１００の概要を示す図である。図１に示すように、公衆通信網（例えば、インターネットなど）Ｎ１及び移動通信規格による無線通信を実現するキャリアネットワークＮ２などを含むネットワークＮには、火力発電システムＦ、メガソーラー発電システムＳ、風力発電システムＷ、無停電電源装置（ＵＰＳ：Uninterruptible Power Supply）Ｕ及び鉄道用の安定化電源システム等に配設される整流器（直流電源装置、又は交流電源装置）Ｄなどが接続されている。また、ネットワークＮには、後述の通信デバイス１、通信デバイス１から情報を収集し、劣化判定装置としてのサーバ装置２、及び収集された情報を取得するクライアント装置３などが接続されている。

より具体的には、キャリアネットワークＮ２には基地局ＢＳが含まれ、クライアント装置３は、基地局ＢＳからネットワークＮを経由してサーバ装置２と通信することができる。また、公衆通信網Ｎ１にはアクセスポイントＡＰが接続されており、クライアント装置３は、アクセスポイントＡＰからネットワークＮを経由してサーバ装置２との間で情報を送受信することができる。

メガソーラー発電システムＳ、火力発電システムＦ及び風力発電システムＷには、パワーコンディショナ（ＰＣＳ：Power Conditioning System）Ｐ、及び蓄電システム１０１が併設されている。蓄電システム１０１は、蓄電モジュール群Ｌを収容したコンテナＣを複数並設して構成されている。蓄電モジュール群Ｌは、例えば、蓄電セル（セルとも称する）を複数直列に接続した蓄電モジュール（モジュールとも称する）と、蓄電モジュールを複数直列に接続したバンクと、バンクを複数並列に接続したドメインとの階層構造にて構成されている。蓄電素子は、鉛蓄電池及びリチウムイオン電池のような二次電池や、キャパシタのような、再充電可能なものであることが好ましい。蓄電素子の一部が、再充電不可能な一次電池であってもよい。

図２は遠隔監視システム１００の構成の一例を示すブロック図である。遠隔監視システム１００は、通信デバイス１、サーバ装置２、クライアント装置３などを備える。

図２に示すように、通信デバイス１は、ネットワークＮに接続されるとともに、対象装置Ｐ、Ｕ、Ｄ、Ｍにも接続されている。対象装置Ｐ、Ｕ、Ｄ、Ｍは、パワーコンディショナＰ、無停電電源装置Ｕ、整流器Ｄ、後述する管理装置Ｍを含む。

遠隔監視システム１００では、各対象装置Ｐ、Ｕ、Ｄ、Ｍに接続した通信デバイス１を用いて、蓄電システム１０１における蓄電モジュール（蓄電セル）の状態（例えば、電圧、電流、温度、ＳＯＣ（充電状態）を監視するとともに収集する。遠隔監視システム１００は、検知された蓄電セルの状態（劣化状態などを含む）をユーザ又はオペレータ（保守担当者）が確認できるように提示する。

通信デバイス１は、制御部１０、記憶部１１、第１通信部１２及び第２通信部１３を備える。制御部１０は、ＣＰＵ（Central Processing Unit）などで構成され、内蔵するＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等のメモリを用い、通信デバイス１全体を制御する。

記憶部１１は、例えば、フラッシュメモリ等の不揮発性メモリを用いることができる。記憶部１１には、制御部１０が読み出して実行するデバイスプログラム１Ｐが記憶されている。記憶部１１には、制御部１０の処理によって収集された情報、イベントログ等の情報が記憶される。

第１通信部１２は、対象装置Ｐ、Ｕ、Ｄ、Ｍとの通信を実現する通信インタフェースであり、例えば、ＲＳ−２３２Ｃ又はＲＳ−４８５等のシリアル通信インタフェースを用いることができる。

第２通信部１３は、ネットワークＮを経由して通信を実現するインタフェースであり、例えば、Ethernet（登録商標）、又は無線通信用アンテナ等の通信インタフェースを用いる。制御部１０は、第２通信部１３を介してサーバ装置２と通信が可能である。

クライアント装置３は、発電システムＳ、Ｆの蓄電システム１０１の管理者、対象装置Ｐ、Ｕ、Ｄ、Ｍの保守担当者等のオペレータが使用するコンピュータであってもよい。クライアント装置３は、デスクトップ型又はラップトップ型のパーソナルコンピュータであってもよいし、スマートフォン又はタブレット型の通信端末であってもよい。クライアント装置３は、制御部３０、記憶部３１、通信部３２、表示部３３、及び操作部３４を備える。

制御部３０は、ＣＰＵを用いたプロセッサである。制御部３０は、記憶部３１に記憶されているＷｅｂブラウザプログラムに基づき、サーバ装置２又は通信デバイス１により提供されるＷｅｂページを表示部３３に表示させる。

記憶部３１は、例えばハードディスク又はフラッシュメモリ等の不揮発性メモリを用いる。記憶部３１には、Ｗｅｂブラウザプログラムを含む各種プログラムが記憶されている。

通信部３２は、有線通信用のネットワークカード等の通信デバイス、基地局ＢＳ（図１参照）に接続する移動通信用の無線通信デバイス、又はアクセスポイントＡＰへの接続に対応する無線通信デバイスを用いることができる。制御部３０は、通信部３２により、ネットワークＮを介してサーバ装置２又は通信デバイス１との間で通信接続又は情報の送受信が可能である。

表示部３３は、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ等のディスプレイを用いることができる。表示部３３は、制御部３０のＷｅｂブラウザプログラムに基づく処理により、サーバ装置２で提供されるＷｅｂページのイメージを表示することができる。

操作部３４は、制御部３０との間で入出力が可能なキーボード及びポインティングデバイス、若しくは音声入力部等のユーザインタフェースである。操作部３４は、表示部３３のタッチパネル、又は筐体に設けられた物理ボタンを用いてもよい。操作部３４は、ユーザによる操作情報を制御部２０へ通知する。

サーバ装置２の構成については後述する。

図３は通信デバイス１の接続形態の一例を示す図である。図３に示すように、通信デバイス１は、管理装置Ｍに接続される。管理装置Ｍには、さらに、バンク＃１〜＃Ｎそれぞれに設けられた管理装置Ｍが接続されている。なお、通信デバイス１は、バンク＃１〜＃Ｎそれぞれに設けられた管理装置Ｍと通信して蓄電素子の情報を受信する端末装置（計測モニタ）であってもよいし、電源関連装置に接続可能なネットワークカード型の通信デバイスであってもよい。

各バンク＃１〜＃Ｎは、複数の蓄電モジュール６０を備え、各蓄電モジュール６０は、制御基板（ＣＭＵ：Cell Monitoring Unit）７０を備える。バンク毎に設けられている管理装置Ｍは、蓄電モジュール６０に夫々内蔵されている通信機能付きの制御基板７０とシリアル通信によって通信を行うことができるとともに、通信デバイス１に接続された管理装置Ｍとの間で情報の送受信を行うことができる。通信デバイス１に接続された管理装置Ｍは、ドメインに所属するバンクの管理装置Ｍからの情報を集約し、通信デバイス１へ出力する。

図４はサーバ装置２の構成の一例を示すブロック図である。サーバ装置２は、制御部２０、通信部２１、記憶部２２、及び処理部２３を備える。処理部２３は、予測データ生成部２４、学習データ生成部２５、学習モデル２６、学習処理部２７、及び入力データ生成部２８を備える。サーバ装置２は、１台のサーバコンピュータでもよいが、これに限定されるものではなく、複数台のサーバコンピュータで構成してもよい。

制御部２０は、例えば、ＣＰＵで構成することができ、内蔵するＲＯＭ及びＲＡＭ等のメモリを用い、サーバ装置２全体を制御する。制御部２０は、記憶部２２に記憶されているサーバプログラム２Ｐに基づく情報処理を実行する。サーバプログラム２ＰにはＷｅｂサーバプログラムが含まれ、制御部２０は、クライアント装置３へのＷｅｂページの提供、Ｗｅｂサービスへのログインの受け付け等を実行するＷｅｂサーバとして機能する。制御部２０は、サーバプログラム２Ｐに基づき、ＳＮＭＰ（Simple Network Management Protocol）用サーバとして通信デバイス１から情報を収集することも可能である。

通信部２１は、ネットワークＮを介した通信接続及びデータの送受信を実現する通信デバイスである。具体的には、通信部２１は、ネットワークＮに対応したネットワークカードである。

記憶部２２は、例えばハードディスク又はフラッシュメモリ等の不揮発性メモリを用いることができる。記憶部２２には、制御部２０の処理によって収集される監視対象となる対象装置Ｐ、Ｕ、Ｄ、Ｍの状態を含むセンサ情報（例えば、蓄電素子の実測電圧データ、実測電流データ、実測温度データ、実測圧力データ）を記憶する。

処理部２３は、記憶部２２のデータベースに収集された蓄電素子（蓄電モジュール、蓄電セル）のセンサ情報（時系列の実測電圧データ、時系列の実測電流データ、時系列の実測温度データ、時系列の実測圧力データ）を、蓄電素子毎に区分して取得することができる。

処理部２３は、学習モデル２６を学習させる学習モードと、学習済の学習モデル２６を用いて蓄電素子の劣化、及び蓄電素子が設置される環境の異常（環境異常）の有無を判定する判定モードで動作する。

図５は学習モデル２６の構成の一例を示す模式図である。学習モデル２６は、深層学習（ディープラーニング）を含むニューラルネットワークモデルであり、入力層、出力層及び複数の中間層から構成されている。なお、図５では、便宜上、２つ中間層を図示しているが、中間層の層数は２つに限定されず、３つ以上であってもよい。

入力層、出力層及び中間層には、１つ又は複数のノード（ニューロン）が存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みで結合されている。入力層のノードの数と同数の成分を有するベクトルが、学習モデル２６の入力データ（学習用の入力データ及び判定用の入力データ）として与えられる。入力データには、蓄電素子情報（ＳＯＣ、満充電容量、ＳＯＣ−ＯＣＶ（開回路電圧：open circuit voltage）曲線、内部抵抗など）、実測値時系列データ（電圧、電流、温度、圧力など）、予測値時系列データ（電圧、電流、温度、圧力など）等が含まれる。出力データには、蓄電素子の劣化の判定、環境異常の有無が含まれる。これらの情報の詳細は後述する。

入力層の各ノードに与えられたデータは、最初の中間層に入力して与えられると、重みおよび活性化関数を用いて中間層の出力が算出され、算出された値が次の中間層に与えられ、以下同様にして出力層の出力が求められるまで次々と後の層（下層）に伝達される。なお、ノードを結合する重みのすべては、学習アルゴリズムによって計算される。

出力データは、出力層のノードの数（出力層のサイズ）と同じサイズの成分を有するベクトル形式のデータとすることができる。例えば、図５に示すように、出力層のノード数を４とし、出力ノードは、それぞれ蓄電素子が劣化状態である確率、蓄電素子が正常である確率、環境が異常である確率、及び環境が正常である確率などとすることができる。

学習モデル２６及び学習処理部２７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。また、量子プロセッサを組み合わせることもできる。学習モデル２６は、ニューラルネットワークモデルに限定されるものではなく、他の機械学習モデルでもよい。

図６は蓄電モジュール内の蓄電セルの温度分布の一例を示す模式図である。図６では、便宜上、温度分布を、高（かなり高い）、中（やや高い）、低（通常）の三つに分類しているが、実際の温度分布は、さらに細かく（例えば、１℃単位で）表すことができる。蓄電モジュール内の各蓄電セルの配置、蓄電モージュル（蓄電セル）に流れる電流値、蓄電モジュールの設置条件、蓄電モジュールの雰囲気温度などの環境の様々な要因に基づいて、温度分布を事前に想定（予測）することができる。図６の例では、外側よりも中央付近に配置された蓄電セルの温度が高い傾向にあり、また、蓄電モジュールの下側よりも上側の方が、温度が高い傾向にあることが分かる。このように、蓄電セル間の温度差は、環境の様々な要因が集約されて現れるといえる。

図７は環境差による蓄電素子の挙動の相違の一例を示す模式図である。図７において、縦軸は電圧を示し、横軸は時間を示す。電圧は、例えば、蓄電素子を充電している場合の推移であるが、放電時も同様である。環境差は、図７の例では、温度差である。図中、符号Ｂで示す曲線は、正常な蓄電素子の電圧の推移を示す。仮に温度差を考慮せずに、符号Ａで示す曲線の蓄電素子の電圧の推移を見た場合、符号Ｂで示す正常な蓄電素子の電圧の推移に比べて、電圧が高いので、例えば、蓄電素子の内部抵抗が増加しており、容量が低下していると判断することができ、符号Ａで示す曲線の蓄電素子は劣化していると判断する可能性がある。しかし、実際には、符号Ａで示す曲線の蓄電素子の電圧の推移は、符号Ｂで示す正常な蓄電素子の温度（高：普通）よりもかなり低い温度での推移を表し、環境差（温度差）を考慮すれば、符号Ａで示す曲線の蓄電素子は正常の範囲内であるということができる。一方、符号Ｃで示す曲線は、想定よりも劣化している蓄電素子の電圧の推移を表している。このように、環境差を考慮しないと、正常な蓄電素子を劣化していると判断する可能性がある。別言すれば、環境差を考慮することにより、正常な蓄電素子を劣化していると誤判定することを防止することが可能となる。

図８は環境差による蓄電素子の挙動の相違の他の例を示す模式図である。図８において、縦軸は満充電容量（ＦＣＣ）を示し、横軸は時間を示す。環境差は、図８の例では、温度差である。満充電容量は、蓄電素子を満充電したときの容量である。図中、符号Ａで示す曲線は、正常な蓄電素子の満充電容量の推移を示す。仮に温度差を考慮せずに、符号Ｂで示す曲線の蓄電素子の満充電容量の推移を見た場合、符号Ａで示す正常な蓄電素子の満充電容量の推移に比べて、満充電容量が低いので、例えば、蓄電素子の劣化が進行していると判断することができ、符号Ｂで示す曲線の蓄電素子は劣化していると判断する可能性がある。しかし、実際には、符号Ｂで示す曲線の蓄電素子の満充電容量の推移は、符号Ａで示す正常な蓄電素子の温度（低：普通）よりもかなり高い温度での推移を表し、環境差（温度差）を考慮すれば、符号Ｂで示す曲線の蓄電素子は正常の範囲内であるということができる。一方、符号Ｃで示す曲線は、想定よりも劣化している蓄電素子の満充電容量の推移を表している。このように、環境差を考慮しないと、正常な蓄電素子を劣化していると判断する可能性がある。別言すれば、環境差を考慮することにより、正常な蓄電素子を劣化していると誤判定することを防止することが可能となる。

図９は蓄電素子の電圧の時系列データの一例を示す模式図である。図９において、縦軸は電圧を示し、横軸は時間を示す。電圧は、例えば、蓄電素子を充放電している場合の推移である。図中、実測電圧データは、電圧センサから取得した電圧値を示す。予測電圧データは、蓄電素子の想定される環境差を考慮して事前に想定した電圧値を示す。実測電圧値と予測電圧値との差又は比が、所定の電圧閾値以内であれば、蓄電素子は、環境差を考慮した想定内の状態にあり正常であると判定することができる。しかし、実測電圧値と予測電圧値との差又は比が、所定の電圧閾値より大きくなった場合、蓄電素子は、想定内の状態から逸脱し、劣化していると判定することができる（図中、矢印で示す箇所）。なお、この例は想定よりも劣化している蓄電素子の場合であり、正常な場合は差又は比が誤差範囲内となる。なお、正常であっても温度差により所定範囲内のズレが生じる。

すなわち、実測電圧値と予測電圧値との差又は比の時系列データと、蓄電素子の劣化の判定に関するデータによって、学習モデル２６を学習させることができる。

図１０は蓄電素子の温度の時系列データの一例を示す模式図である。図１０において、縦軸は温度を示し、横軸は時間を示す。温度は、例えば、蓄電素子を充放電している場合の推移である。図中、実測温度データは、温度センサから取得した温度値を示す。予測温度データは、蓄電素子の想定される環境差を考慮して事前に想定した温度値を示す。実測温度値と予測温度値との差又は比が、所定の温度閾値以内であれば、蓄電素子は、環境差を考慮した想定内の状態にあり正常であると判定することができる。実測温度値と予測温度値との差又は比が、所定の温度閾値より大きくなった場合、蓄電素子は、想定内の状態から逸脱し、劣化していると判定することができる（図中、矢印で示す箇所）。

すなわち、実測温度値と予測温度値との差又は比の時系列データと、蓄電素子の劣化の判定に関するデータによって、学習モデル２６を学習させることができる。

上述の例では、電圧値と温度値について説明したが、これに限定されない。例えば、実測電流値と予測電流値との差又は比の時系列データと蓄電素子の劣化の判定に関するデータによって、学習モデル２６を学習させることができる。また、例えば、図６に示すように複数の蓄電セルがスタックされた蓄電モジュールにおける、セル間の圧力値の実測圧力値と予測圧力値との差又は比の時系列データと蓄電素子の劣化の判定に関するデータによって、学習モデル２６を学習させることができる。

図１１は蓄電セルそれぞれの電圧と平均電圧の時系列データの一例を示す模式図である。図１１において、縦軸は電圧を示し、横軸は時間を示す。電圧は、例えば、蓄電素子を充放電している場合の推移である。便宜上、蓄電セルをＣ１、Ｃ２、及びＣ３とする。図中、蓄電セルＣ１、Ｃ２、及びＣ３の電圧値と、蓄電セルＣ１、Ｃ２、及びＣ３の各電圧値の平均値を示す。蓄電セル間の環境差を考慮すれば、蓄電セルＣ１、Ｃ２、及びＣ３の各電圧値は、一定のばらつき（正常である場合の許容範囲内のばらつき）が存在する。すなわち、蓄電セルＣ１、Ｃ２、及びＣ３の各電圧値と平均値との差又は比が、所定の電圧閾値以内であれば、蓄電セルは、環境差を考慮した想定内の状態にあり正常であると判定することができる。しかし、蓄電セルＣ１、Ｃ２、及びＣ３の各電圧値と平均値との差又は比が、所定の電圧閾値より大きくなった場合、蓄電セルは、想定内の状態から逸脱し、劣化していると判定することができる（図中、矢印で示す箇所）。

すなわち、複数の蓄電セルの各電圧値と平均値との差又は比の時系列データと、蓄電素子の劣化の判定に関するデータによって、学習モデル２６を学習させることができる。なお、時系列データは、実測値の時系列データでもよく、予測値の時系列データでもよい。また、時系列データは、電圧値に限定されるものではなく、電流値、あるいは圧力値であってもよい。

図１２は蓄電セルそれぞれの温度と平均温度の時系列データの一例を示す模式図である。図１２において、縦軸は温度を示し、横軸は時間を示す。温度は、例えば、蓄電素子を充放電している場合の推移である。便宜上、蓄電セルをＣ１、Ｃ２、及びＣ３とする。図中、蓄電セルＣ１、Ｃ２、及びＣ３の温度と、蓄電セルＣ１、Ｃ２、及びＣ３の各温度の平均値を示す。蓄電セル間の環境差を考慮すれば、蓄電セルＣ１、Ｃ２、及びＣ３の各温度は、一定のばらつき（正常である場合の許容範囲内のばらつき）が存在する。すなわち、蓄電セルＣ１、Ｃ２、及びＣ３の各温度と平均値との差又は比が、所定の温度閾値以内であれば、蓄電セルは、環境差を考慮した想定内の状態にあり正常であると判定することができる。しかし、蓄電セルＣ１、Ｃ２、及びＣ３の各温度と平均値との差又は比が、所定の温度閾値より大きくなった場合、蓄電セルは、想定内の状態から逸脱し、劣化していると判定することができる（図中、矢印で示す箇所）。

すなわち、複数の蓄電セルの各温度と平均値との差又は比の時系列データと、蓄電素子の劣化の判定に関するデータによって、学習モデル２６を学習させることができる。なお、時系列データは、実測値の時系列データでもよく、予測値の時系列データでもよい。

以下では、まず学習モデル２６の学習モードについて説明する。

処理部２３は、蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得する。電気値は、電圧及び電流を含む。実測電気値は、例えば、電圧センサから取得した電圧値、電流センサから取得した電流値を含む。実測温度値は、温度センサから取得した温度である。

予測データ生成部２４は、当該蓄電素子の予測電気値及び予測温度値を含む予測時系列データを生成する。予測電気値及び予測温度値は、実際にセンサから取得した値ではなく、蓄電素子の設置条件や周囲温度などの環境状態に応じて、事前に想定される値であり、算出された値又は推定された値を意味する。

処理部２３は、予測データ生成部２４が生成した、当該蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得することができる。

学習データ生成部２５は、実測時系列データ及び予測時系列データを入力データとし、蓄電素子の劣化の判定を出力データとする学習データを生成する。

学習処理部２７は、生成した学習データに基づいて学習モデル２６を学習させる。

なお、上述の学習データ生成部２５は、サーバ装置２内に具備する必要はなく、他のサーバ装置に具備するようにし、当該サーバ装置で生成された学習データを取得し、学習処理部２７が、取得した学習データに基づいて学習モデル２６を学習させるでもよい。本明細書の以下の説明においても同様である。

学習モデル２６は、蓄電素子の実測電気値及び実測温度値を含む実測時系列データだけでなく、当該蓄電素子の予測電気値及び予測温度値を含む予測時系列データも学習することができる。すなわち、蓄電素子の実測電気値及び実測温度値がどのように推移し、かつ当該蓄電素子の予測電気値及び予測温度値がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。予測時系列データは、蓄電素子の設置条件や周囲温度などの環境状態により想定されるデータであるから、学習モデル２６は、環境差による蓄電素子の充放電挙動を学習することができる。

これにより、蓄電素子の設置条件や周囲温度などの環境差がある場合でも蓄電素子の劣化を精度良く判定することができる学習済み学習モデル２６を生成することができる。

図１３は学習データの第１例を示す構成図である。図１３に示すデータは、学習用の入力データを示す。図１３に示すように、入力データは、実測値データと、予測値データとを含む。実測値データ及び予測値データは、蓄電素子の電圧、電流、温度、圧力の時系列データ（時間ｔ１、ｔ２、ｔ３、…ｔＮ）である。例えば、実測電圧値の時系列データは、Ｖａ（ｔ１）、Ｖａ（ｔ２）、Ｖａ（ｔ３）、…、Ｖａ（ｔＮ）で表し、予測電圧値の時系列データは、Ｖｅ（ｔ１）、Ｖｅ（ｔ２）、Ｖｅ（ｔ３）、…、Ｖｅ（ｔＮ）で表している。他のデータも同様である。

また、学習データ生成部２５は、実測電気値と予測電気値との差又は比、及び実測温度値と予測温度値との差又は比それぞれの時系列データを入力データとする学習データを生成してもよい。

学習モデル２６は、実測電気値と予測電気値との差又は比がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。また、学習モデル２６は、実測温度値と予測温度値との差又は比がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデル２６は、環境差による蓄電素子の充放電挙動を学習することができる。

具体的には、学習データ生成部２５は、実測電圧値を含む実測時系列データ及び予測電圧値を含む予測時系列データを入力データとする学習データを生成することができる。

この場合、学習モデル２６は、実測電圧値及び予測電圧値がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデル２６は、想定される電圧差に応じて、蓄電素子が正常であるのか劣化しているのかを学習することができる。

また、学習データ生成部２５は、実測電流値を含む実測時系列データ及び予測電流値を含む予測時系列データを入力データとする学習データを生成することができる。

この場合、学習モデル２６は、実測電流値及び予測電流値がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデル２６は、想定される電流差に応じて、蓄電素子が正常であるのか劣化しているのかを学習することができる。

また、学習データ生成部２５は、実測圧力値と予測圧力値との差又は比を含む時系列データを入力データとする学習データを生成することができる。

この場合、学習モデル２６は、実測圧力値及び予測圧力値がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデル２６は、想定される圧力差に応じて、蓄電素子が正常であるのか劣化しているのかを学習することができる。

図１４は学習データの第２例を示す構成図である。図１４に示すデータは、学習用の入力データを示す。図１４に示すように、入力データは、実測値と予測値との差の時系列データとすることができる。具体的には、電圧差、電流差、温度差、圧力差の時系列データ（時間ｔ１、ｔ２、ｔ３、…ｔＮ）である。例えば、電圧差の時系列データは、{Ｖａ（ｔ１）−Ｖｅ（ｔ１）}、{Ｖａ（ｔ２）−Ｖｅ（ｔ２）}、{Ｖａ（ｔ３）−Ｖｅ（ｔ３）}、…、{Ｖａ（ｔＮ）−Ｖｅ（ｔＮ）}で表している。他のデータも同様である。

図１５は学習データの第３例を示す構成図である。図１５に示すデータは、学習用の入力データを示す。図１５に示すように、入力データは、実測値と予測値との比の時系列データとすることができる。具体的には、電圧比、電流比、温度比、圧力比の時系列データ（時間ｔ１、ｔ２、ｔ３、…ｔＮ）である。例えば、電圧比の時系列データは、{Ｖａ（ｔ１）／Ｖｅ（ｔ１）}、{Ｖａ（ｔ２）／Ｖｅ（ｔ２）}、{Ｖａ（ｔ３）／Ｖｅ（ｔ３）}、…、{Ｖａ（ｔＮ）／Ｖｅ（ｔＮ）}で表している。他のデータも同様である。

学習データ生成部２５は、蓄電素子に係る環境異常の有無を出力データとする学習データを生成することができる。学習モデル２６に、環境異常の有無を学習させることにより、例えば、蓄電素子の劣化だけでなく、環境異常もあることを学習させることができ、蓄電素子の劣化と環境異常とを区別して判定することが可能となる。

図１６は学習モードでの学習モデル２６の処理の一例を示す模式図である。図１６に示すように、学習モデル２６には、時間ｔ１、ｔ２、ｔ３、…、ｔＮの時系列データが入力される。入力される時系列データは、例えば、図１３〜図１５で例示したようなデータである。学習モデル２６の出力ノードには、入力データが、蓄電素子が正常の場合、劣化している場合、環境正常の場合、あるいは環境異常の場合のいずれの場合のデータであるかに応じて、出力値（例えば、１と０のいずれか）を設定することができる。例えば、学習用の入力データが、蓄電素子が劣化している場合のデータであれば、「蓄電素子の劣化あり」の出力ノードに１を設定し、他の出力ノードに０を設定すればよい。また、学習用の入力データが、環境異常である場合のデータであれば、「環境異常あり」の出力ノードに１を設定し、他の出力ノードに０を設定すればよい。なお、学習モードにおける出力データは、蓄電素子が正常の場合、劣化している場合、環境正常の場合、あるいは環境異常の場合それぞれの確率でもよい。この場合、出力ノードの出力値が、確率に近づくように学習モデル２６を学習させることができる。

次に、蓄電セル間のばらつきを考慮した学習データについて説明する。

学習データ生成部２５は、蓄電モジュールを構成する複数の蓄電セルそれぞれの実測電気値と複数の蓄電セルの実測電気値の平均値との差又は比を含む実測時系列データを入力データとする学習データを生成することができる。電気値は、例えば、電圧値、電流値とすることができる。

これにより、学習モデル２６は、複数の蓄電セルそれぞれの実測電気値を平均した平均値と、複数の蓄電セルそれぞれの実測電気値との差又は比がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデル２６は、蓄電セル間の実測電気値に応じて、蓄電素子が正常であるのか劣化しているのかを学習することができる。

また、学習データ生成部２５は、蓄電モジュールを構成する複数の蓄電セルそれぞれの予測電気値と複数の蓄電セルの予測電気値の平均値との差又は比を含む予測時系列データを入力データとする学習データを生成することができる。

これにより、学習モデル２６は、複数の蓄電セルそれぞれの予測電気値を平均した平均値と、複数の蓄電セルそれぞれの予測電気値との差又は比がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデル２６は、蓄電セル間の事前の環境差に応じて、蓄電素子が正常であるのか劣化しているのかを学習することができる。

学習データ生成部２５は、蓄電モジュールを構成する複数の蓄電セルそれぞれの予測温度値と複数の蓄電セルの予測温度値の平均値との差又は比を含む予測時系列データを入力データとする学習データを生成することができる。複数の蓄電セルそれぞれの予測温度値は、蓄電セルに流れる予測電流値、蓄電モジュール内の蓄電セルの配置状況、蓄電モジュールの予測温度値などに基づいて求めることができる。

これにより、学習モデル２６は、複数の蓄電セルそれぞれの予測温度値を平均した平均値と、複数の蓄電セルそれぞれの予測温度値との差又は比がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習することができる。これにより、学習モデル２６は、蓄電セル間の事前の環境差に応じて、蓄電素子が正常であるのか劣化しているのかを学習することができる。

次に、学習済みの学習モデル２６による判定モードについて説明する。

入力データ生成部２８は、実測時系列データ及び予測時系列データを含む入力データを生成する。

図１７は判定モードでの学習モデル２６の処理の一例を示す模式図である。図１７に示すように、学習済みの学習モデル２６には、時間ｔ１、ｔ２、ｔ３、…、ｔＮの時系列データが入力される。入力される時系列データは、例えば、図１３〜図１５で例示したようなデータと同様の構成を有する。学習済みの学習モデル２６は、入力された時系列データに基づいて、蓄電素子の劣化、環境異常の有無を判定する。なお、環境異常の有無の判定は、必須ではなく、蓄電素子の劣化だけを判定するようにしてもよい。

学習済みの学習モデル２６の出力ノードには、蓄電素子の劣化の確率、蓄電素子の正常の確率、環境異常の確率、環境正常の確率が出力される。

このように、学習済みの学習モデル２６は、実測時系列データ及び予測時系列データを入力データとし、蓄電素子の劣化の判定を出力することができる。学習済みの学習モデルは２６、蓄電素子の実測電気値及び実測温度値がどのように推移し、かつ当該蓄電素子の予測電気値及び予測温度値がどのように推移したときに、当該蓄電素子が正常であるのか劣化しているのかを学習済みである。予測時系列データは、蓄電素子の設置条件や周囲温度などの環境状態により想定されるデータであるから、学習済みの学習モデル２６は、環境差による蓄電素子の充放電挙動を学習済みである。

これにより、蓄電素子の設置条件や周囲温度などの環境差がある場合でも蓄電素子の劣化を精度良く判定することができる。

図１８は学習モードでの処理部２３の処理手順の一例を示すフローチャートである。処理部２３は、蓄電素子の実測時系列データを取得し（Ｓ１１）、当該蓄電素子の予測時系列データを取得する（Ｓ１２）。

処理部２３は、実測時系列データ及び予測時系列データを入力データとし、蓄電素子の劣化の判定を出力データとする学習データを生成する（Ｓ１３）。処理部２３は、生成した学習データに基づいて、学習モデル２６の学習及び更新を行い（Ｓ１４）、処理を終了するか否かを判定する（Ｓ１５）。処理を終了しないと判定した場合（Ｓ１５でＮＯ）、処理部２３は、ステップＳ１１以降の処理を続け、処理を終了すると判定した場合（Ｓ１５でＹＥＳ）、処理を終了する。

図１９は判定モードでの処理部２３の処理手順の一例を示すフローチャートである。処理部２３は、蓄電素子の実測時系列データを取得し（Ｓ２１）、当該蓄電素子の予測時系列データを取得する（Ｓ２２）。

処理部２３は、実測時系列データ及び予測時系列データに基づいて入力データを生成し（Ｓ２３）、蓄電素子の劣化を判定し（Ｓ２４）、処理を終了する。

上述のように、本実施の形態のサーバ装置２によれば、移動体や施設において稼働している蓄電素子で検出されたセンサ情報に基づいて、実際の使用状態における蓄電素子の詳細な挙動と、想定される環境差による影響も併せて学習モデル２６に学習させることができるので、蓄電素子の劣化を精度良く判定することができない。また、例えば、蓄電素子が正常であるにも関わらず、あたかも劣化しているように見えてしまうような環境異常の有無も判定することが可能となる。

上述の実施の形態では、サーバ装置２が、学習モデル２６及び学習処理部２７を備える構成であったが、これに限定されない。例えば、学習モデル２６及び学習処理部２７を別の１又は複数のサーバに設けるようにしてもよい。劣化判定装置は、サーバ装置２に限定されない。例えば、劣化判定シミュレータのような装置であってもよい。

（第２実施形態）
上述の第１実施形態では、蓄電素子が本当に劣化していると判定されることと、蓄電素子は正常であるにも関わらず環境差によって誤って劣化しているように判定されることを峻別して、蓄電素子の想定よりも早期の劣化の有無を判定する構成であったが、同様の観点から蓄電システムの異常要因を判定することもできる。以下、第２実施形態について説明する。

図２０は第２実施形態の異常要因判定装置としてのサーバ装置２の構成の一例を示すブロック図である。図４に示すサーバ装置２との相違点は、処理部２３が、第１算出部２３１、第２算出部２３２、異常要因判定部２３３及び運用支援情報提供部２３４を備える点である。同様の箇所は同一符号を付して説明を省略する。

処理部２３は、実測値取得部としての機能を有し、複数の蓄電素子の電流、電圧及び温度の実測値を取得する。実測値は、蓄電システムに含まれる複数の蓄電素子のセンサ（電流センサ、電圧センサ、温度センサ）から取得することができる。実測値の取得頻度は、蓄電システムの運用状態などに応じて適宜決定することができる。例えば、負荷変動が比較的大きい運用状態では、実測値の取得頻度を多くする（例えば、１時間ごとに５分間実測する）ことができる。また、負荷変動が比較的小さい運用状態では、実測値の取得頻度を少なくする（例えば、６時間ごとに５分間実測する）ことができる。

処理部２３は、予測値取得部としての機能を有し、複数の蓄電素子の電圧及び温度の予測値を取得する。予測値は、実際にセンサから取得した値ではなく、複数の蓄電素子の設置条件や周囲温度などの環境状態に応じて、事前に想定される値であり、算出された値又は推定された値を意味する。予測値は、予め、サーバ装置２で生成してもよく、外部の装置で生成してもよい。

第１算出部２３１は、処理部２３が取得した実測値に基づいて所要の蓄電素子間の実測電圧差及び実測温度差を算出する。

第２算出部２３２は、処理部２３が取得した実測値及び予測値に基づいて所要の蓄電素子のうちの一の蓄電素子の電圧及び温度についての実測値と予測値との差を算出する。

図２１は実測値と予測値との関係の一例を示す説明図である。図２１において、蓄電システムを構成する複数の蓄電素子が直列に接続されている状態を示す。図６に示すように、蓄電セルが複数直列に接続されて１つの蓄電モジュールを構成する。そして、蓄電モジュールが複数直列に接続されたバンクを構成する。図２１に示す蓄電セルは、例えば、バンクを構成する複数の蓄電セルのうちの所要の２つの蓄電セルｉ、ｊを図示している。なお、蓄電セルｉ、ｊは、図６に示すような配置状態に応じて、複数の蓄電セルのうち任意の蓄電セルを選定できる。

蓄電セルｉ、ｊに流れる電流を実測セル電流Ｉｅと表す。蓄電セルｉの実測セル電圧をＶｅｉと表し、蓄電セルｊの実測セル電圧をＶｅｊと表し、蓄電セルｉ、ｊ間の実測セル間電圧差をΔＶ（ΔＶ＝Ｖｅｉ−Ｖｅｊ）で表す。

蓄電セルｉの予測セル電圧をＶｃｉと表し、蓄電セルｉの実測と予測の電圧差をΔＶｅｃｉ（ΔＶｅｃｉ＝Ｖｅｉ−Ｖｃｉ）で表す。蓄電セルｊの予測セル電圧をＶｃｊと表し、蓄電セルｊの実測と予測の電圧差をΔＶｅｃｊ（ΔＶｅｃｊ＝Ｖｅｊ−Ｖｃｊ）で表す。

蓄電セルｉの実測セル温度をＴｅｉと表し、蓄電セルｊの実測セル温度をＴｅｊと表し、蓄電セルｉ，ｊ間の実測セル間温度差をΔＴ（ΔＴ＝Ｔｅｉ−Ｔｅｊ）で表す。

蓄電セルｉの予測セル温度をＴｃｉと表し、蓄電セルｉの実測と予測の温度差をΔＴｅｃｉ（ΔＴｅｃｉ＝Ｔｅｉ−Ｔｃｉ）で表す。蓄電セルｊの予測セル温度をＴｃｊと表し、蓄電セルｊの実測と予測の温度差をΔＴｅｃｊ（ΔＴｅｃｊ＝Ｔｅｊ−Ｔｃｊ）で表す。

異常要因判定部２３３は、判定部としての機能を有し、処理部２３で取得した実測値及び予測値に基づいて蓄電システムに関する異常要因の有無を判定する。複数の蓄電素子に流れる電流の実測値（実測電流値ともいう）により、重負荷であるか軽負荷であるか、あるいは負荷変動の大小を判定できる。また、前述のように、複数の蓄電素子それぞれの電圧の実測値に基づいて、所要の蓄電素子間の電圧差を求めることができる。また、複数の蓄電素子それぞれの温度の実測値に基づいて、所要の蓄電素子間の温度差を求めることができる。異常要因判定部２３３は、これらの電圧差及び温度差の実測値、及び実測値と予測値との差などを考慮することにより、異常要因の有無、異常要因の種別、例えば、蓄電素子の異常（想定よりも早期の劣化など）、蓄電素子の環境の異常、あるいは想定内の状態（異常ではない）を峻別して判定することができる。

次に、異常要因判定の具体例について説明する。

図２２は蓄電システムの使用状態での実測値と予測値の推移の第１例を示す模式図である。図２２では、充放電電流、蓄電システムを構成する複数の蓄電セルのうちの所要の蓄電セル間の電圧差、当該蓄電セル間の温度差の時間的推移を表している。なお、図２２に例示する推移は、模式的に示すものであり、実際の推移と異なる場合がある。また、図示している推移期間の長さは、例えば、数時間でもよく、１２時間、２４時間、数日間などであってもよい。

図２２に示すように、充電電流及び放電電流は比較的小さな振幅で変動し、実測セル電流Ｉｅは小さい。また、実測セル間電圧差ΔＶ、及び実測と予測の電圧差ΔＶｅｃそれぞれは、小さい値で推移している。

温度差については、推移期間の前半において、実測セル間温度差ΔＴは大きな値で推移し、実測と予測の温度差ΔＴｅｃは小さい値で推移している。時点ｔａにおいて、異常要因を判定すると、蓄電セルに流れる電流は小さく、蓄電セルには重負荷が掛かっていないことが分かる。従って、蓄電セル固有の影響は少ないと考えられる。蓄電セル間の実測の温度差は大きいが、予測値（計算値）との差が小さいので、温度差（例えば、配置や設置条件の違いによる環境差）は想定の範囲内であると判定することができ、蓄電システムは異常ではないと判定できる。

図２２に示すように、推移期間の後半において、蓄電システムの状態が変わり、実測セル間温度差ΔＴは大きい値で推移し、実測と予測の温度差ΔＴｅｃも大きい値で推移している。時点ｔｂにおいて、異常要因を判定すると、蓄電セルに流れる電流は小さく、蓄電セルには重負荷が掛かっていないことが分かる。従って、蓄電セル固有の影響は少ないと考えられる。蓄電セル間の実測の温度差は大きく、予測値（計算値）との差も大きいので、蓄電セルの環境が想定の範囲を超えている可能性が高く、環境の異常であると判定することができる。

図２３は蓄電システムの使用状態での実測値と予測値の推移の第２例を示す模式図である。図２３も、充放電電流、蓄電システムを構成する複数の蓄電セルのうちの所要の蓄電セル間の電圧差、当該蓄電セル間の温度差の時間的推移を表している。なお、図２３に例示する推移は、模式的に示すものであり、実際の推移と異なる場合がある。また、図示している推移期間の長さは、例えば、数時間でもよく、１２時間、２４時間、数日間などであってもよい。

図２３に示すように、充電電流及び放電電流は比較的大きな振幅で変動し、実測セル電流Ｉｅは大きい。また、推移期間の前半において、実測セル間温度差ΔＴは大きい値で推移し、推移期間の後半において、小さい値で推移している。実測と予測の温度差ΔＴｅｃは、小さい値で推移している。

電圧差については、推移期間の前半において、実測セル間電圧差ΔＶは大きい値で推移し、実測と予測の電圧差ΔＶｅｃは小さな値で推移している。時点ｔｃにおいて、異常要因を判定すると、蓄電セルに流れる電流は大きく、蓄電セルには重負荷が掛かっていることが分かる。従って、蓄電セル固有の影響の可能性があり得ると考えられる。蓄電セル間の実測の電圧差は大きいが、予測値（計算値）との差が小さいので、蓄電セル間の温度差による影響や蓄電セル間のＳＯＣのずれなどの影響である可能性が高く、想定の範囲内であると判定することができ、蓄電システムは異常ではないと判定できる。

図２３に示すように、推移期間の後半において、蓄電システムの状態が変わり、実測セル間電圧差ΔＶは大きい値で推移し、実測と予測の電圧差ΔＶｅｃも大きい値で推移している。時点ｔｄにおいて、異常要因を判定すると、蓄電セルに流れる電流は大きく、蓄電セルには重負荷が掛かっている可能性があることが分かる。従って、蓄電セル固有の影響の可能性があり得ると考えられる。蓄電セル間の実測の電圧差は大きく、予測値（計算値）との差も大きいので、蓄電セルの異常であると判定することができる。

上述のように、異常要因判定部２３３は、蓄電素子の異常であるか又は蓄電素子の環境の異常であるかを判定することができる。蓄電素子の異常は、例えば、蓄電素子が想定よりも早期に劣化していると判定される場合を含む。また、蓄電素子の異常と環境の異常とを区別して判定できるので、誤って蓄電素子の異常であると判定することを防止できる。

より具体的には、異常要因判定部２３３は、処理部２３で取得した電流の実測値、第１算出部２３１で算出した実測電圧差及び実測温度差、並びに第２算出部２３２で算出した実測値と予測値との差に基づいて異常要因を判定することができる。例えば、電流の実測値及び蓄電素子間の実測電圧差が大きく、実測値と予測値との差も大きい場合には、当該一の蓄電素子の異常であると判定できる。一方、電流の実測値及び蓄電素子間の実測電圧差は大きいが、実測値と予測値との差が小さい場合には、例えば、蓄電システム内の蓄電素子間の配置や設置条件の違い、蓄電素子間のＳＯＣのずれ等に起因し、想定内の状態（異常ではない）であると判定できる。

また、電流の実測値が小さく、蓄電素子間の実測温度差が大きく、実測値と予測値との差も大きい場合には、環境の異常であると判定できる。一方、電流の実測値が小さく、蓄電素子間の実測温度差が大きいが、実測値と予測値との差が小さい場合には、蓄電システム内の蓄電素子間の配置や設置条件の違い等に起因し、想定内の状態（異常ではない）であると判定できる。

異常要因判定部２３３は、例えば、ルールベースモデルを用いた機械学習（機械学習によってルールを見つける）を含むように構成することができ、あるいはニューラルネットワークモデル（学習器）を含むように構成することができる。まず、ルールベースモデルについて説明する。

図２４は異常要因判定のルールベースモデルの一例を示す説明図である。図２４では、便宜上、ＮＯ．１からＮＯ．４の４つのケースについて説明する。ＮＯ．１のケースでは、実測セル電流Ｉｅが閾値未満であり、実測セル間電圧ΔＶが閾値未満であり、実測セル間温度ΔＴが閾値以上であり、実測と予測の電圧差ΔＶｅｃが閾値未満であり、実測と予測の温度差ΔＴｅｃが閾値未満である場合、異常要因の判定結果は、想定内（異常なし）とすることができる。この場合、蓄電システムの運用支援情報は、例えば、「現在の運用を継続する」とすることができる。

ＮＯ．２のケースでは、実測セル電流Ｉｅが閾値未満であり、実測セル間電圧ΔＶが閾値未満であり、実測セル間温度ΔＴが閾値以上であり、実測と予測の電圧差ΔＶｅｃが閾値以上であり、実測と予測の温度差ΔＴｅｃが閾値未満である場合、異常要因の判定結果は、環境の異常とすることができる。この場合、蓄電システムの運用支援情報は、例えば、「空調の調整」とすることができる。

ＮＯ．３のケースでは、実測セル電流Ｉｅが閾値以上であり、実測セル間電圧ΔＶが閾値以上であり、実測セル間温度ΔＴが閾値以上であり、実測と予測の電圧差ΔＶｅｃが閾値未満であり、実測と予測の温度差ΔＴｅｃが閾値未満である場合、異常要因の判定結果は、想定内（異常なし）とすることができる。この場合、蓄電システムの運用支援情報は、例えば、「現在の運用を継続する」とすることができる。

ＮＯ．４のケースでは、実測セル電流Ｉｅが閾値以上であり、実測セル間電圧ΔＶが閾値以上であり、実測セル間温度ΔＴが閾値未満であり、実測と予測の電圧差ΔＶｅｃが閾値未満であり、実測と予測の温度差ΔＴｅｃが閾値以上である場合、異常要因の判定結果は、蓄電素子の異常とすることができる。この場合、蓄電システムの運用支援情報は、例えば、「負荷の軽減」、「蓄電素子の交換」とすることができる。

図２４に示す各閾値は、例えば、機械学習によって決定することができる。

運用支援情報提供部２３４は、提供部としての機能を有し、異常要因判定部２３３での判定結果に基づいて蓄電システムの運用支援情報を提供することができる。上述のように、例えば、蓄電素子の異常であると判定された場合、運用支援情報提供部２３４は、負荷の軽減、蓄電素子の交換などの情報を提供できる。また、環境の異常であると判定された場合、運用支援情報提供部２３４は、空調の調整など（例えば、温度を下げる等）の情報を提供でき、異常要因に応じて蓄電システムの最適な運用を支援する運用支援情報を提供することができる。

次に、ニューラルネットワークモデルについて説明する。

図２５は学習モデル２３３ａの構成の一例を示す模式図である。学習モデル２３３ａは、深層学習（ディープラーニング）を含むニューラルネットワークモデルであり、入力層、出力層及び複数の中間層から構成されている。なお、図２５では、便宜上、２つ中間層を図示しているが、中間層の層数は２つに限定されず、３つ以上であってもよい。

入力層、出力層及び中間層には、１つ又は複数のノード（ニューロン）が存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みで結合されている。入力層のノードの数と同数の成分を有するベクトルが、学習モデル２３３ａの入力データ（学習用の入力データ及び異常要因判定用の入力データ）として与えられる。入力データには、蓄電素子情報（ＳＯＣ、満充電容量、ＳＯＣ−ＯＣＶ（開回路電圧：open circuit voltage）曲線、内部抵抗など）、実測セル電流、実測セル間電圧、実測と予測の電圧差、実測と予測の温度差等が含まれる。出力データには、異常要因（蓄電素子の異常、環境の異常、想定の範囲内であって異常なし等）が含まれる。

出力データは、出力層のノードの数（出力層のサイズ）と同じサイズの成分を有するベクトル形式のデータとすることができる。例えば、出力ノードは、「蓄電素子の異常」、「環境の異常」、「蓄電素子の状態は想定内」、「環境の状態は想定内」それぞれの確率を出力することができる。

学習モデル２３３ａ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。

学習モデル２３３ａは、複数の蓄電素子の電流の実測値、所要の蓄電素子間の実測電圧差及び実測温度差、並びに所要の蓄電素子のうちの一の蓄電素子の電圧及び温度についての実測値と予測値との差を入力データとし、異常要因を出力データとする学習データに基づいて学習されてある。

学習モデル２３３ａは、例えば、電流の実測値及び蓄電素子間の実測電圧差が大きく、実測値と予測値との差も大きい場合には、当該一の蓄電素子の異常を出力するように学習されてある。また、学習モデル２３３ａは、電流の実測値及び蓄電素子間の実測電圧差が大きく、実測値と予測値との差が小さい場合には、想定内の状態（異常ではない）であることを出力するように学習されてある。

学習モデル２３３ａは、電流の実測値が小さく、蓄電素子間の実測温度差が大きく、実測値と予測値との差も大きい場合には、環境の異常を出力するように学習されてある。また、学習モデル２３３ａは、電流の実測値が小さく、蓄電素子間の実測温度差が大きく、実測値と予測値との差が小さい場合には、想定内の状態（異常ではない）であることを出力するように学習されている。

異常要因判定部２３３は、処理部２３で取得した電流の実測値、第１算出部２３１で算出した実測電圧差及び実測温度差、並びに第２算出部２３２で算出した実測値と予測値との差を学習モデル２３３ａに入力して、異常要因を判定することができる。これにより、異常要因（例えば、蓄電素子の異常（想定よりも早期の劣化など）、あるいは蓄電素子の環境の異常）を判定することができる。また、蓄電素子の異常と環境の異常とを区別して判定できるので、誤って蓄電素子の異常であると判定することを防止できる。

図２６は第２実施形態のサーバ装置２の処理手順の一例を示すフローチャートである。便宜上、処理の主体を処理部２３として説明する。処理部２３は、複数の蓄電素子の電流、電圧及び温度の実測値を取得し（Ｓ３１）、複数の蓄電素子の電圧及び温度の予測値を取得する（Ｓ３２）。

処理部２３は、実測セル間電圧及び実測セル間温度を算出し（Ｓ３３）、電圧及び温度について実測値と予測値との差を算出する（Ｓ３４）。処理部２３は、異常要因を判定し（Ｓ３５）、想定内であるか否かを判定する（Ｓ３６）。

想定内でない場合（Ｓ３６でＮＯ）、処理部２３は、異常要因に応じた運用支援情報を出力し（Ｓ３７）、後述のステップＳ３８の処理を行う。想定内である場合（Ｓ３６でＹＥＳ）、処理部２３は、現状の運用を維持し（Ｓ３９）、処理を終了するか否かを判定する（Ｓ３８）。処理を終了しない場合（Ｓ３８でＮＯ）、処理部２３は、ステップＳ３１以降の処理を繰り返し、処理を終了する場合（Ｓ３８でＹＥＳ）、処理を終了する。

本実施の形態の制御部２０及び処理部２３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１８、図１９及び図２６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、コンピュータ上で制御部２０及び処理部２３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。サーバ装置２で学習させた学習モデル２６、それに基づくコンピュータプログラム及び学習用データが、ネットワークＮ及び通信デバイス１経由で遠隔監視の対象装置Ｐ、Ｕ、Ｄ、Ｍや端末装置（計測モニタ）、あるいは通信デバイス１又はクライアント装置３に配信されインストールされてもよい。この場合、対象装置Ｐ、Ｕ、Ｄ、Ｍ、端末装置（計測モニタ）、通信デバイス１又はクライアント装置３において、学習モデル２６の学習、及び学習済みの学習モデル２６による劣化判定を行うことができる。

上述の実施の形態において、学習モデル２６は、例えば、リカレントニューラルネットワーク（回帰型ニューラルネットワーク：ＲＮＮ）でもよい。この場合、前の時間の中間層を次の時間の入力と合わせて学習するようにしてもよい。

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。

２ サーバ装置
２０ 制御部
２１ 通信部
２２ 記憶部
２３ 処理部
２３１ 第１算出部
２３２ 第２算出部
２３３ 異常要因判定部
２３４ 運用支援情報提供部
２４ 予測データ生成部
２５ 学習データ生成部
２６、２３３ａ 学習モデル
２７ 学習処理部
２８ 入力データ生成部

Claims (22)

1. 複数の蓄電素子を含む蓄電システムに関する異常要因の有無を判定する異常要因判定装置であって、
   前記複数の蓄電素子の電気値及び温度値を含む実測値を取得する実測値取得部と、
   前記複数の蓄電素子の電気値及び温度値を含む予測値を取得する予測値取得部と、
   前記実測値取得部で取得した実測値及び前記予測値取得部で取得した予測値に基づいて蓄電システムに関する異常要因の有無を判定する判定部と
   を備える異常要因判定装置。
2. 前記判定部での判定結果に基づいて蓄電システムの運用支援情報を提供する提供部を備える請求項１に記載の異常要因判定装置。
3. 前記実測値取得部で取得した実測値に基づいて所要の蓄電素子間の実測電圧差及び実測温度差を算出する第１算出部と、
   前記実測値取得部で取得した実測値及び前記予測値取得部で取得した予測値に基づいて前記所要の蓄電素子のうちの一の蓄電素子の電圧及び温度についての実測値と予測値との差を算出する第２算出部と
   を備え、
   前記判定部は、
   前記実測値取得部で取得した実測電流値、前記第１算出部で算出した実測電圧差及び実測温度差、並びに前記第２算出部で算出した実測値と予測値との差に基づいて異常要因の有無を判定する請求項１又は請求項２に記載の異常要因判定装置。
4. 前記判定部は、
   前記異常要因として前記蓄電素子の異常であるか又は前記蓄電素子の環境の異常であるかを判定する請求項１から請求項３のいずれか一項に記載の異常要因判定装置。
5. 複数の蓄電素子の実測電流値、所要の蓄電素子間の実測電圧差及び実測温度差、並びに前記所要の蓄電素子のうちの一の蓄電素子の電圧及び温度についての実測値と予測値との差を入力データとし、異常要因を出力データとする学習データに基づいて学習された学習器を備え、
   前記判定部は、
   前記実測値取得部で取得した実測電流値、前記第１算出部で算出した実測電圧差及び実測温度差、並びに前記第２算出部で算出した実測値と予測値との差を前記学習器に入力して、異常要因の有無を判定する請求項３に記載の異常要因判定装置。
6. 蓄電素子の劣化を判定する劣化判定装置であって、
   蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得する実測データ取得部と、
   前記蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得する予測データ取得部と、
   前記実測時系列データ及び予測時系列データを入力データとし、前記蓄電素子の劣化の判定を出力データとする学習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
   を備える劣化判定装置。
7. 前記学習処理部は、
   前記実測電気値と予測電気値との差又は比、及び前記実測温度値と予測温度値との差又は比それぞれの時系列データを入力データとする学習データに基づいて前記学習モデルを学習させる請求項６に記載の劣化判定装置。
8. 前記実測データ取得部は、
   前記蓄電素子の実測電圧値を含む実測時系列データを取得し、
   前記予測データ取得部は、
   前記蓄電素子の予測電圧値を含む予測時系列データを取得し、
   前記学習処理部は、
   前記実測電圧値を含む実測時系列データ及び前記予測電圧値を含む予測時系列データを入力データとする学習データに基づいて前記学習モデルを学習させる請求項６又は請求項７に記載の劣化判定装置。
9. 前記実測データ取得部は、
   前記蓄電素子の実測電流値を含む実測時系列データを取得し、
   前記予測データ取得部は、
   前記蓄電素子の予測電流値を含む予測時系列データを取得し、
   前記学習処理部は、
   前記実測電流値を含む実測時系列データ及び前記予測電流値を含む予測時系列データを入力データとする学習データに基づいて前記学習モデルを学習させる請求項８に記載の劣化判定装置。
10. 前記実測データ取得部は、
    蓄電モジュールを構成する複数の蓄電セルそれぞれの実測電気値と前記複数の蓄電セルの実測電気値の平均値との差又は比を含む実測時系列データを取得し、
    前記学習処理部は、
    前記差又は比を含む実測時系列データを入力データとする学習データに基づいて前記学習モデルを学習させる請求項６から請求項９のいずれか一項に記載の劣化判定装置。
11. 前記予測データ取得部は、
    蓄電モジュールを構成する複数の蓄電セルそれぞれの予測電気値と前記複数の蓄電セルの予測電気値の平均値との差又は比を含む予測時系列データを取得し、
    前記学習処理部は、
    前記差又は比を含む予測時系列データを入力データとする学習データに基づいて前記学習モデルを学習させる請求項６から請求項１０のいずれか一項に記載の劣化判定装置。
12. 前記予測データ取得部は、
    蓄電モジュールを構成する複数の蓄電セルそれぞれの予測温度値と前記複数の蓄電セルの予測温度値の平均値との差又は比を含む予測時系列データを取得し、
    前記学習処理部は、
    前記差又は比を含む予測時系列データを入力データとする学習データに基づいて前記学習モデルを学習させる請求項６から請求項１１のいずれか一項に記載の劣化判定装置。
13. 前記実測データ取得部は、
    前記蓄電素子の実測圧力値を含む実測時系列データを取得し、
    前記予測データ取得部は、
    前記蓄電素子の予測圧力値を含む予測時系列データを取得し、
    前記学習処理部は、
    前記実測圧力値と予測圧力値との差又は比を含む時系列データを入力データとする学習データに基づいて前記学習モデルを学習させる請求項６から請求項１２のいずれか一項に記載の劣化判定装置。
14. 前記学習処理部は、
    前記蓄電素子に係る環境異常の有無を出力データとする学習データに基づいて前記学習モデルを学習させる請求項６から請求項１３のいずれか一項に記載の劣化判定装置。
15. 前記学習処理部が学習させた学習済の学習モデルを用いて前記蓄電素子の劣化を判定する請求項６から請求項１４のいずれか一項に記載の劣化判定装置。
16. 蓄電素子の劣化を判定する劣化判定装置であって、
    蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得する実測データ取得部と、
    前記蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得する予測データ取得部と、
    前記実測時系列データ及び予測時系列データを入力データとし、前記蓄電素子の劣化の判定を出力する学習済みの学習モデルと
    を備える劣化判定装置。
17. コンピュータに、複数の蓄電素子を含む蓄電システムに関する異常要因の有無を判定させるためのコンピュータプログラムであって、
    コンピュータに、
    前記複数の蓄電素子の電気値及び温度値を含む実測値を取得する処理と、
    前記複数の蓄電素子の電気値及び温度値を含む予測値を取得する処理と、
    取得した実測値及び予測値に基づいて蓄電システムに関する異常要因の有無を判定する処理と
    を実行させるコンピュータプログラム。
18. コンピュータ、蓄電素子の劣化を判定させるためのコンピュータプログラムであって、
    コンピュータに、
    蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得する処理と、
    前記蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得する処理と、
    前記実測時系列データ及び予測時系列データを入力データとし、前記蓄電素子の劣化の判定を出力データとする学習データに基づいて学習モデルを学習させる処理と
    を実行させるコンピュータプログラム。
19. コンピュータ、蓄電素子の劣化を判定させるためのコンピュータプログラムであって、
    コンピュータに、
    蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得する処理と、
    前記蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得する処理と、
    前記実測時系列データ及び予測時系列データを学習済の学習モデルに入力して前記蓄電素子の劣化を判定する処理と
    を実行させるコンピュータプログラム。
20. 複数の蓄電素子を含む蓄電システムに関する異常要因の有無を判定する異常要因判定方法であって、
    前記複数の蓄電素子の電気値及び温度値を含む実測値を取得し、
    前記複数の蓄電素子の電気値及び温度値を含む予測値を取得し、
    取得された実測値及び予測値に基づいて蓄電システムに関する異常要因の有無を判定する異常要因判定方法。
21. 蓄電素子の劣化を判定する劣化判定方法であって、
    蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得し、
    前記蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得し、
    前記実測時系列データ及び予測時系列データを入力データとし、前記蓄電素子の劣化の判定を出力データとする学習データに基づいて学習モデルを学習させる劣化判定方法。
22. 蓄電素子の劣化を判定する劣化判定方法であって、
    蓄電素子の実測電気値及び実測温度値を含む実測時系列データを取得し、
    前記蓄電素子の予測電気値及び予測温度値を含む予測時系列データを取得し、
    前記実測時系列データ及び予測時系列データを学習済の学習モデルに入力して前記蓄電素子の劣化を判定する劣化判定装置。

Images