蓄电池状态诊断装置、蓄电池状态诊断方法及存储介质与流程

1.本发明涉及蓄电池状态诊断装置、蓄电池状态诊断方法及存储介质。


背景技术：

2.从与气候相关联的灾害的观点出发，为了削减co2，对电力机动车的关心高涨，作为车载用途也研究着锂离子二次电池的使用。例如，如国际公开第2019/026142号所公开那样，已知推定锂离子二次电池等蓄电池的劣化状态的技术。


技术实现要素：

3.以往，为了推定蓄电池的劣化状态，有时基于从使用中的蓄电池收集到的数据来生成ocv曲线。然而，关于得到什么样的数据，很大程度取决于蓄电池的使用方法，因此在仅能够得到对于劣化状态的推定而言不恰当的数据的情况下，劣化状态的推定精度可能降低。
4.以往，难以同时兼顾抑制劣化状态的推定值的波动、以及确保劣化状态的推定算法相对于蓄电池容量的急剧的变化的追随性。例如，通过活用卡尔曼滤波器等公知的推定算法，能够抑制劣化状态的推定值的波动。然而，若增强波动的抑制的程度，则在蓄电池容量急剧变化的情况下，推定算法的追随性可能恶化。
5.本发明的方案是考虑上述的情况而完成的，其目的之一在于：(1)提高与蓄电池的劣化状态关联的参数的推定精度、以及(2)同时兼顾抑制参数的推定值的波动和确保劣化状态的推定算法相对于蓄电池容量的急剧的变化的追随性。
6.本发明的蓄电池状态诊断装置、蓄电池状态诊断方法及存储介质采用了以下的结构。
7.(1)：本发明的一方案的涉及一种蓄电池状态诊断装置，其中，所述蓄电池状态诊断装置具备：取得部，其取得包含蓄电池的至少电流值及电压值的时间序列数据；劣化状态推定部，其基于所述时间序列数据来推定与所述蓄电池的劣化状态关联的指标值；可靠度评价部，其基于所述时间序列数据所包含的所述电压值的分布信息和根据所述时间序列数据所包含的所述电流值而计算出的放电容量的分布信息中的至少一方，来评价所述指标值的可靠度；以及劣化状态决定部，其基于所述可靠度来决定最终指标值。
8.(2)：在上述(1)的方案的基础上，也可以是，所述劣化状态决定部通过使最新的所述指标值与基于过去的所述指标值得到的事先预测值分别以与所述可靠度相应的规定的比例进行相加，来决定所述最终指标值。
9.(3)：在上述(2)的方案的基础上，也可以是，所述可靠度评价部算出在规定的电压范围中所述时间序列数据所占的电压范围的比率、以及基准ocv曲线的容量范围与所述时间序列数据的放电容量的范围之间的比率中的至少一方，所述比率越小，则所述可靠度评价部将所述可靠度设定为越小的值。
10.(4)：在上述(2)或(3)的方案的基础上，也可以是，所述可靠度评价部算出所述时
间序列数据与基准ocv曲线之间的误差，所述误差越大，则所述可靠度评价部将所述可靠度设定为越小的值。
11.(5)：在上述(2)至(4)中任一方案的基础上，也可以是，所述可靠度评价部通过随机提取所述时间序列数据的一部分来取得多个样本组，并基于所取得的所述多个样本组来算出多个所述指标值，所述多个指标值的波动越大，则所述可靠度评价部将所述可靠度设定为越小的值。
12.(6)：在上述(2)至(5)中任一方案的基础上，也可以是，所述可靠度评价部向机器学习模型中输入所述时间序列数据所包含的所述电压值的分布信息和根据所述时间序列数据所包含的所述电流值而计算出的放电容量的分布信息中的至少一方、以及所述时间序列数据与基准ocv曲线之间的误差，并取得所述机器学习模型的输出来作为所述可靠度。
13.(7)：在上述(1)至(6)中任一方案的基础上，也可以是，所述蓄电池状态诊断装置具备可靠度更新部，该可靠度更新部在最新的所述指标值与过去的所述指标值的代表值之差为阈值以上的情况下，将所述可靠度更新为低的值。
14.(8)：本发明的另一方案涉及一种蓄电池状态诊断装置，其中，所述蓄电池状态诊断装置具备：取得部，其取得包含蓄电池的至少电流值及电压值的时间序列数据；劣化状态推定部，其基于所述时间序列数据来推定与所述蓄电池的劣化状态关联的指标值；可靠度评价部，其评价所述指标值的可靠度；上限设定部，其基于所述指标值及所述可靠度来设定所述可靠度的上限值；可靠度更新部，其基于所述上限值来更新所述可靠度；以及劣化状态决定部，其基于更新后的所述可靠度来决定最终指标值。
15.(9)：在上述(8)的方案的基础上，也可以是，所述蓄电池状态诊断装置具备追随延迟误差算出部，该追随延迟误差算出部基于所述可靠度、以及表示所述指标值相对于时间的推移的基准劣化推移线来算出假想指标值，并算出基于所述基准劣化推移线而算出的所述指标值与所述假想指标值之差即追随延迟误差，所述追随延迟误差越大，则所述上限设定部将所述可靠度的所述上限值设定为越大的值。
16.(10)：在上述(8)或(9)的方案的基础上，也可以是，所述劣化状态决定部通过使最新的所述指标值与基于过去的所述指标值得到的事先预测值分别以与所述可靠度相应的规定的比例进行相加，来决定所述最终指标值。
17.(11)：在上述(10)的方案的基础上，也可以是，所述可靠度评价部算出在规定的电压范围中所述时间序列数据所占的电压范围的比率、以及基准ocv曲线的容量范围与所述时间序列数据的放电容量的范围之间的比率中的至少一方，所述比率越小，则所述可靠度评价部将所述可靠度设定为越小的值。
18.(12)：在上述(10)或(11)的方案的基础上，也可以是，所述可靠度评价部算出所述时间序列数据与基准ocv曲线之间的误差，所述误差越大，则所述可靠度评价部将所述可靠度设定为越小的值。
19.(13)：在上述(10)至(12)中任一方案的基础上，也可以是，所述可靠度评价部通过随机提取所述时间序列数据的一部分来取得多个样本组，并基于所取得的所述多个样本组来算出多个所述指标值，所述多个指标值的波动越大，则所述可靠度评价部将所述可靠度设定为越小的值。
20.(14)：在上述(10)至(13)中任一方案的基础上，也可以是，所述可靠度评价部向机
器学习模型中输入所述时间序列数据所包含的所述电压值的分布信息和根据所述时间序列数据所包含的所述电流值而计算出的放电容量的分布信息中的至少一方、以及所述时间序列数据与基准ocv曲线之间的误差，并取得所述机器学习模型的输出来作为所述可靠度。
21.(15)：本发明的一方案涉及一种蓄电池状态诊断方法，其是由蓄电池状态诊断装置执行的蓄电池状态诊断方法，其中，所述蓄电池状态诊断方法具备：取得包含蓄电池的至少电流值及电压值的时间序列数据；基于所述时间序列数据来推定与所述蓄电池的劣化状态关联的指标值；基于所述时间序列数据所包含的所述电压值的分布信息和根据所述时间序列数据所包含的所述电流值而计算出的放电容量的分布信息中的至少一方，来评价所述指标值的可靠度；以及基于所述可靠度来决定最终指标值。
22.(16)：本发明的一方案涉及一种存储介质，其是存储有由蓄电池状态诊断装置的处理器执行的程序的能够由计算机读取的非暂时性的存储介质，其中，所述存储介质所存储的程序使所述处理器执行如下处理：取得包含蓄电池的至少电流值及电压值的时间序列数据；基于所述时间序列数据来推定与所述蓄电池的劣化状态关联的指标值；基于所述时间序列数据所包含的所述电压值的分布信息和根据所述时间序列数据所包含的所述电流值而计算出的放电容量的分布信息中的至少一方，来评价所述指标值的可靠度；以及基于所述可靠度来决定最终指标值。
23.根据上述(1)、(15)及(16)的方案，基于包含蓄电池的至少电流值及电压值的时间序列数据来推定与蓄电池的劣化状态关联的指标值，并基于时间序列数据所包含的电压值的分布信息和根据时间序列数据所包含的电流值而计算出的放电容量的分布信息中的至少一方来评价指标值的可靠度，基于该可靠度来决定最终指标值。由此，能够抑制最终得到的最终指标值的波动，因此能够提高与蓄电池的劣化状态相关的指标值的推定精度。
24.根据上述(2)的方案，通过使最新的指标值和基于过去的指标值得到的事先预测值分别以与可靠度相应的规定的比例进行相加，来决定最终指标值。由此，能够进一步提高最终指标值的推定精度。
25.根据上述(3)的方案，算出在规定的电压范围中时间序列数据所占的电压范围的比率、以及基准ocv曲线的容量范围与时间序列数据的放电容量的范围之间的比率中的至少一方，该比率越小则将可靠度设定为越小的值。由此，能够使精度低的指标值不容易反映到诊断结果中。
26.根据上述(4)的方案，时间序列数据与基准ocv曲线之间的误差越大则将可靠度设定为越小的值。由此，能够使精度低的指标值不容易反映到诊断结果中。
27.根据上述(5)的方案，基于通过随机提取时间序列数据的一部分而取得的多个样本组来算出多个指标值，多个指标值的波动越大则将可靠度设定为越小的值。由此，能够使精度低的指标值不容易反映到诊断结果中。
28.根据上述(6)的方案，向机器学习模型中输入时间序列数据所包含的电压值的分布信息和放电容量的分布信息中的至少一方、以及时间序列数据与基准ocv曲线之间的误差，并取得机器学习模型的输出来作为可靠度，因此能够得到精度高的可靠度。
29.根据上述(7)的方案，在最新的指标值与过去的指标值的代表值之差为阈值以上的情况下，将可靠度更新为低的值。这样，在最新的指标值大幅偏离过去的指标值的代表值的情况下降低可靠度，由此降低推定算法向相应数据的追随性。
30.根据上述(8)的方案，基于包含蓄电池的至少电流值及电压值的时间序列数据，来推定与蓄电池的劣化状态关联的指标值，并评价所推定出的指标值的可靠度，基于指标值及可靠度来设定可靠度的上限值，根据基于该上限值而更新后的可靠度来决定最终指标值。由此，能够同时兼顾抑制最终得到的最终指标值的波动、以及确保劣化状态的推定算法相对于蓄电池容量的急剧的变化的追随性。
31.根据上述(9)的方案，算出基于可靠度及基准劣化推移线而算出的假想指标值与基于基准劣化推移线而算出的指标值之差即追随延迟误差，追随延迟误差越大则将可靠度的上限值设定为越大的值。由此，能够更有效地同时兼顾抑制最终得到的最终指标值的波动、以及确保劣化状态的推定算法相对于蓄电池容量的急剧的变化的追随性。
32.根据上述(10)的方案，能够进一步提高最终指标值的推定精度。
33.根据上述(11)至(13)的方案，能够使精度低的指标值不容易反映到诊断结果中。
34.根据上述(14)的方案，能够得到精度高的可靠度。
附图说明
35.图1是表示应用第一实施方式的蓄电池状态诊断装置100的车辆10的结构的一例的图。
36.图2是表示第一实施方式的蓄电池状态诊断装置100的结构的一例的图。
37.图3是表示时间序列数据142和推定用数据144的结构的一例的图。
38.图4是表示基准正极ocp(open circuit potential)曲线148、以及通过对基准正极ocp曲线148进行变换而得到的正极ocp曲线148#的一例的图。
39.图5是表示基准负极ocp曲线150、以及通过对基准负极ocp曲线150进行变换而得到的负极ocp曲线150#的一例的图。
40.图6是表示基于正极ocp曲线148#及负极ocp曲线150#而导出的ocv曲线152的一例的图。
41.图7是表示将与车辆10的多次的行驶相关的推定用数据144综合成综合数据146的方法的一例的图。
42.图8是用于说明由ocv曲线推定部130执行的ocv曲线152的最优化处理的图。
43.图9是用于说明算出诊断值可靠度g的方法的第一例的图。
44.图10是对表示电压范围比率r与第一诊断值可靠度g1之间的对应关系的第一映射的一例进行示出的图。
45.图11是对表示拟合误差e与第二诊断值可靠度g2之间的对应关系的第二映射的一例进行示出的图。
46.图12是用于说明算出诊断值可靠度g的方法的第二例的图。
47.图13是表示将诊断波动α与诊断值可靠度g之间的对应关系示出的第三映射的一例的图。
48.图14是用于说明由soh诊断值修正部133执行的soh诊断值的修正处理的图。
49.图15是表示由蓄电池状态诊断装置100执行的处理的流程的一例的流程图。
50.图16是表示由蓄电池状态诊断装置100执行的ocv曲线152的推定处理的流程的一例的流程图。
51.图17是表示第二实施方式的蓄电池状态诊断装置100a的结构的一例的图。
52.图18是用于说明由追随延迟误差算出部134执行的追随延迟误差e的算出处理的图。
53.图19是用于说明由可靠度上限设定部135执行的诊断值可靠度上限值gm的设定处理的图。
54.图20是用于说明由可靠度更新部136执行的诊断值可靠度g的更新处理的图。
55.图21是用于说明由soh诊断值修正部137执行的soh诊断值的修正处理的图。
56.图22是表示由蓄电池状态诊断装置100a执行的处理的流程的一例的流程图。
具体实施方式
57.以下，参照附图来说明本发明的蓄电池状态诊断装置、蓄电池状态诊断方法及存储介质的实施方式。
58.〔第一实施方式〕
59.首先，说明本发明的第一实施方式的蓄电池状态诊断装置100。
60.[车辆的结构]
[0061]
图1是表示应用第一实施方式的蓄电池状态诊断装置100的车辆10的结构的一例的图。图1所示的车辆10是通过由从行驶用的蓄电池(二次电池)供给的电力进行驱动的电动机(电动马达)来行驶的bev(battery electric vehicle：电力机动车)。也可以代替性地，车辆10是使混合动力车辆具有外部充电功能的phv(plug-in hybrid vehicle)或phev(plug-in hybrid electric vehicle)。车辆10例如不仅包括四轮的车辆，还包括跨骑型的二轮的车辆、三轮(除了前一轮且后二轮以外，也包括前二轮且后一轮的车辆)的车辆、助力式的自行车、以及电动船等通过由从蓄电池供给的电力进行驱动的电动马达来行驶的全部移动体。
[0062]
马达12例如是三相交流电动机。马达12的转子(rotor)与驱动轮14连结。马达12通过从蓄电池40所具备的蓄电部(未图示)供给的电力来驱动，并将旋转的动力向驱动轮14传递。马达12在车辆10减速时使用车辆10的动能来进行发电。
[0063]
车辆传感器20例如具备油门开度传感器、车速传感器及制动踩踏量传感器。油门开度传感器安装于油门踏板，用于检测驾驶员对油门踏板的操作量，并将检测到的操作量作为油门开度向后述的控制部36输出。车速传感器例如具备安装于车辆10的各车轮的车轮速度传感器和速度计算机，并将由车轮速度传感器检测到的车轮速度综合而导出车辆10的速度(车速)，并将车辆10的速度(车速)向控制部36输出。制动踩踏量传感器安装于制动踏板，用于检测驾驶员对制动踏板的操作量，并将检测到的操作量作为制动踩踏量向控制部36输出。
[0064]
pcu30例如具备变换器32和vcu(voltage control unit)34。在图1中，将这些构成要素作为pcu30汇总为一个的结构只是一例，车辆10中的这些构成要素也可以分散配置。
[0065]
变换器32例如是ac-dc变换器。变换器32的直流侧端子与直流线路dl连接。直流线路dl经由vcu34而连接蓄电池40。变换器32将由马达12发出的交流电变换为直流电并向直流线路dl输出。
[0066]
vcu34例如是dc-dc转换器。vcu34将从蓄电池40供给的电力升压并向直流线路dl
输出。
[0067]
控制部36基于来自车辆传感器20所具备的油门开度传感器的输出，来控制马达12的驱动。控制部36基于来自车辆传感器20所具备的制动踩踏量传感器的输出，来控制制动装置16。控制部36基于来自与蓄电池40连接的后述的蓄电池传感器42的输出，例如算出蓄电池40的soc(state of charge；以下也称作“蓄电池充电率”)，并将蓄电池40的soc向vcu34输出。vcu34根据来自控制部36的指示，来使直流线路dl的电压上升。
[0068]
蓄电池40例如是锂离子电池等能够反复进行充电和放电的二次电池。构成蓄电池40的正极的正极活性物质例如是包含ncm(nickel cobalt manganese)、nca(nickel cobalt aluminum)、lfp(lithium ferrophosphate)、lmo(lithium manganese oxide)等材料中的至少一种材料在内的物质，构成蓄电池40的负极的负极活性物质例如是包含硬碳、石墨等材料中的至少一种材料在内的物质。蓄电池40也可以是相对于车辆10以装卸自如的方式装配的例如盒式等的蓄电池封装体。蓄电池40蓄积从车辆10的外部的充电器(未图示)供给的电力，进行用于车辆10行驶的放电。
[0069]
蓄电池传感器42检测蓄电池40的电流、电压、温度等物理量。蓄电池传感器42例如具备电流传感器、电压传感器、温度传感器。蓄电池传感器42利用电流传感器来检测构成蓄电池40的二次电池(以下仅称作“蓄电池40”)的电流，利用电压传感器来检测蓄电池40的电压，利用温度传感器来检测蓄电池40的温度。蓄电池传感器42将检测到的蓄电池40的电流值、电压值、温度等物理量的数据向控制部36、通信装置50输出。
[0070]
通信装置50包括用于连接蜂窝网、wi-fi网的无线模块。通信装置50也可以包括用于利用bluetooth(注册商标)等的无线模块。通信装置50通过无线模块中的通信，例如与蓄电池状态诊断装置100之间收发涉及车辆10的各种信息。通信装置50将由控制部36或蓄电池传感器42输出的蓄电池40的物理量的数据向蓄电池状态诊断装置100发送。通信装置50也可以接收由后述的蓄电池状态诊断装置100诊断并发送的表示蓄电池40的特性的信息，并将接收到的表示蓄电池40的特性的信息向车辆10的hmi(未图示)输出。
[0071]
[蓄电池状态诊断装置100的结构]
[0072]
接着，说明诊断车辆10的蓄电池40的劣化状态的蓄电池状态诊断装置100的一例。图2是表示第一实施方式的蓄电池状态诊断装置100的结构的一例的图。蓄电池状态诊断装置100例如具备取得部110、数据过滤部120、ocv曲线推定部130、soh诊断值算出部131、可靠度评价部132、soh诊断值修正部133及存储部140。取得部110、数据过滤部120、ocv曲线推定部130、soh诊断值算出部131、可靠度评价部132及soh诊断值修正部133例如通过cpu(central processing unit)等硬件处理器执行程序(软件)来实现。这些构成要素中的一部分或全部也可以由lsi(large scale integration)、asic(application specific integrated circuit)、fpga(field-programmable gate array)、gpu(graphics processing unit)等硬件(包含电路部：circuitry)实现，还可以通过软件与硬件的协同配合来实现。程序可以预先保存于hdd(hard disk drive)、闪存器等存储装置(具备非暂时性的存储介质的存储装置)，也可以保存于dvd、cd-rom等能够装卸的存储介质(非暂时性的存储介质)，并通过存储介质装配于驱动装置而安装。存储部140例如是hdd、闪存器、ram(random access memory)等。存储部140例如存储时间序列数据142、推定用数据144、综合数据146、基准正极ocp曲线148、基准负极ocp曲线150、ocv曲线152、soh时间序列数据154、
可靠度时间序列数据156及修正soh时间序列数据158。
[0073]
取得部110使用搭载于蓄电池状态诊断装置100的未图示的通信接口，从通信装置50取得蓄电池40的电流值、电压值、温度等的时间序列数据，并将其作为时间序列数据142而保存于存储部140。取得部110还通过对所取得的时间序列数据所包含的电流值进行累计，来算出放电容量(放电量)，并将其作为时间序列数据142而保存于存储部140。此时，取得部110也可以进行在所取得的时间序列数据中排除发生了缺损、异常的数据的处理。而且，放电容量也可以不在蓄电池状态诊断装置100中算出，而在车辆10侧算出之后，经由通信装置50而向蓄电池状态诊断装置100发送。
[0074]
数据过滤部120、ocv曲线推定部130及soh诊断值算出部131相当于基于包含蓄电池40的至少电流值及电压值的时间序列数据142，来推定与蓄电池40的劣化状态关联的指标值的劣化状态推定部。本实施方式中，作为一例，说明作为与蓄电池40的劣化状态关联的指标值而推定soh(state of health)的形态。
[0075]
数据过滤部120在保存于存储部140的时间序列数据142中，提取由充放电引起的电压变化小、即、电压变化为规定值以下的数据来作为推定用数据144。图3是表示时间序列数据142和推定用数据144的结构的一例的图。在图3中，时间戳表示与时间序列数据142的各记录对应的数据由车辆10计测到的日期时刻，电压表示蓄电池40的电压值，电流表示蓄电池40的电流值，低电流持续时间表示蓄电池40的电流值为第一阈值(例如5a)以下的状态所持续的期间，ocv判定结果表示判定对应的电压值是否能够视作ocv(open circuit voltage)的结果。
[0076]
数据过滤部120例如关于时间序列数据142中的低电流持续时间为第二阈值(例如10秒)以上的时间序列数据，判定为对应的电压值能够视作ocv，将ocv判定结果设定为“正确”。在图3中，ocv判定结果被设定为“正确”的记录与推定用数据144对应。不仅进行与电流值相关的判定，还进行与低电流持续时间相关的判定，由此能够减少电路的响应延迟的影响而更可靠地提取能够视作ocv的电压值。此时，数据过滤部120也可以在蓄电池的温度为第三阈值以下的情况下，使第二阈值的值增加。即，数据过滤部120也可以在蓄电池的温度低的情况下，使电压值能够视作ocv的低电流持续时间的阈值增加。这是因为存在如下倾向：在蓄电池的温度低的情况下，直至电压值收敛为止的期间变长。
[0077]
数据过滤部120例如既可以关于时间序列数据142中的电流值为第四阈值以下的时间序列数据而判定为对应的电压值能够视作ocv，并将ocv判定结果设定为“正确”，也可以通过计算电压微分值并判定该电压微分值是否为第五阈值以下，来判定为对应的电压值能够视作ocv。数据过滤部120也可以直接地算出电压值的变化量，判定为所算出的变化量为规定值以下的时间序列数据是能够视作ocv的数据。数据过滤部120将从时间序列数据142提取的推定用数据144保存于存储部140。
[0078]
ocv曲线推定部130按照后述的第一参数组，将基准正极ocp曲线148变换为对正极的开路电位相对于放电容量的变化进行表示的正极ocp曲线148#，并按照后述的第二参数组，将基准负极ocp曲线150变换为对负极的开路电位相对于放电容量的变化进行表示的负极ocp曲线150#，并从变换得到的正极ocp曲线148#减去负极ocp曲线150#，由此推定对蓄电池40的开路电压相对于容量变化而发生的变化进行表示的ocv曲线152。
[0079]
ocv曲线推定部130还将ocv曲线152最优化，以便基于所推定的ocv曲线152和由数
据过滤部120提取的推定用数据144而计算的误差函数的值成为阈值以下。这样最优化了的ocv曲线152表示最终推定出的蓄电池40的特性。关于ocv曲线152的具体的最优化处理见后述。
[0080]
图4是表示基准正极ocp曲线148、以及通过对基准正极ocp曲线148进行变换而得到的正极ocp曲线148#的一例的图。图4的左部表示基准正极ocp曲线148，图4的右部表示通过对基准正极ocp曲线148进行变换而得到的正极ocp曲线148#。
[0081]
如图4的左部所示，基准正极ocp曲线148表示成为用于导出正极ocp曲线148#的基准的数学模型f
ca
(x)，放电容量x的宽度被归一化为1，所述正极ocp曲线148#表示正极的开路电位相对于放电容量的变化。ocv曲线推定部130使用将正极的归一化了的放电容量的宽度向实际的放电容量的宽度变换的正极放大缩小率a、以及从基准正极ocp曲线148向正极ocp曲线148#在放电容量方向上偏移的偏移量即正极偏移量b，来将基准正极ocp曲线148变换为正极ocp曲线148#。
[0082]
更具体而言，ocv曲线推定部130将作为无量纲的变量的x通过x＝ax+b而变换为具有放电容量(ah)的量纲的变量x，并将x＝(x-b)/a代入f
ca
(x)，由此得到表示正极ocp曲线148#的数学模型f
ca
(x)。这样，正极放大缩小率a和正极偏移量b为“第一参数组”的一例。
[0083]
图5是表示基准负极ocp曲线150、以及通过对基准负极ocp曲线150进行变换而得到的负极ocp曲线150#的一例的图。图5的左部表示基准负极ocp曲线150，图5的右部表示通过对基准负极ocp曲线150进行变换而得到的负极ocp曲线150#。
[0084]
如图5的左部所示，基准负极ocp曲线150表示成为用于导出负极ocp曲线150#的基准的数学模型f
an
(x)，放电容量x的宽度被归一化为1，所述负极ocp曲线150#表示负极的开路电位相对于放电容量的变化。ocv曲线推定部130使用将负极的归一化了的放电容量的宽度向实际的放电容量的宽度变换的负极放大缩小率c、以及从基准负极ocp曲线150向负极ocp曲线150#在放电容量方向上偏移的偏移量即负极偏移量d，来将基准负极ocp曲线150变换为负极ocp曲线150#。
[0085]
更具体而言，ocv曲线推定部130将作为无量纲的变量的x通过x＝cx+d而变换为具有放电容量(ah)的量纲的变量x，并将x＝(x-d)/c代入f
an
(x)，由此得到表示负极ocp曲线150#的数学模型f
an
(x)。这样，负极放大缩小率c和负极偏移量d是“第二参数组”的一例。
[0086]
在图4及图5中，作为一例，基准正极ocp曲线148和基准负极ocp曲线150的放电容量x的宽度被归一化为1。然而，本发明不限定于那样的结构，更一般而言，基准正极ocp曲线148和基准负极ocp曲线150只要是作为用于将第一参数组及第二参数组最优化的基准发挥功能的数学模型即可，也可以标准化为任意的值。
[0087]
图6是表示基于正极ocp曲线148#及负极ocp曲线150#而导出的ocv曲线152的一例的图。如图6所示那样，ocv曲线推定部130通过从在图4中得到的正极ocp曲线148#减去在图5中得到的负极ocp曲线150#，来推定ocv曲线152。ocv曲线推定部130接着将第一参数组及第二参数组最优化以使表示如下误差的误差函数的值成为阈值以下，所述误差是指推定出的ocv曲线152与通过将车辆10的多次的行驶所相关的推定用数据144综合而得到的综合数据146之间的误差。
[0088]
图7是表示将与车辆10的多次的行驶相关的推定用数据144综合成综合数据146的方法的一例的图。在图7中，g1及g2分别表示与车辆10的多次的行驶相关的推定用数据144
的集合。集合g1的点p1及集合g2的点p2分别表示各行驶的行驶开始时的电压与放电容量的组合。
[0089]
如图7的左部所示，作为时间序列数据142而存储的放电容量是将行驶开始时间点定义为0ah、且将该行驶开始时间点计测为基准时间点的值。另一方面，如图7的右图所示，ocv曲线152的放电容量是将所设定的充满电状态定义为0ah、且将该充满电状态计测为基准状态的值。因此，与多次的行驶相关的推定用数据144的放电容量如果直接采用原始数据则不能用于ocv曲线152的最优化处理。因此，ocv曲线推定部130将多次的行驶时的规定时机的电压值(在图7中为p1及p2的电压值)在由ocv曲线推定部130推定出的ocv曲线152中适用于ocv，由此将与多次的行驶相关的推定用数据144的集合g1及g2的整体变换为与ocv曲线152同一量纲(推定从充满电状态起的放电容量)。在此，规定时机是指车辆10的起动时、在交叉路口停车时等时间序列数据中的电压值能够视作ocv的时机。ocv曲线推定部130将通过这样的变换而得到的数据作为综合数据146而存储于存储部140。本实施方式中，说明了ocv曲线推定部130将与车辆10的多次的行驶相关的推定用数据144综合成综合数据146的情况，但也可以是，与ocv曲线推定部130不同的模块作为行驶数据综合部发挥功能而生成综合数据146。
[0090]
图8是用于说明由ocv曲线推定部130执行的ocv曲线152的最优化处理的图。如图8所示那样，ocv曲线推定部130将第一参数组及第二参数组最优化，以使表示推定的ocv曲线152与综合数据146之间的误差的误差函数的值成为规定值以下。更具体而言，ocv曲线推定部130例如使用bfgs法、共轭梯度法、cobyla法等局部最优化算法、遗传算法、shgo法、模拟退火法等全局最优化算法，将第一参数组及第二参数组最优化以使误差函数的值成为规定值以下。
[0091]
此时，ocv曲线推定部130将如下函数设定为误差函数，该函数是根据对ocv曲线152与综合数据146的误差施加权重而得到的值的合计值来增加的函数。更具体而言，ocv曲线推定部130首先将放电容量(ah)分割为规定间隔i1、i2、i3、
···
，算出各间隔所包含的数据量n1、n2、n3、
···
。接着，ocv曲线推定部130通过取各数据量n1、n2、n3、
···
的倒数，来将针对各间隔的权重wk算出为wk＝(1/nk)/(sum(1/ni))。接着，ocv曲线推定部130如以下的式(1)所示，使用所算出的权重，将加权的均方误差(weighted rmse)定义为误差函数。
[0092][0093]
在式(1)中，predi表示ocv曲线152上的开路电压推定值，acti表示作为综合数据146而记录的开路电压值。式(1)作为一例而通过取均方误差的平方根来算出误差，但本发明不限定于那样的结构，也可以取均方误差的任意的指数的幂根。也可以代替性地，ocv曲线推定部130如以下的式(2)所示，使用所算出的权重，将加权的平均绝对误差(weighted mae)定义为误差函数。通过进行这样的加权，能够防止ocv曲线152与数据量多的区间的综合数据146过度拟合。
[0094][0095]
在图8中，说明了关于放电容量(即横轴方向)的各区间而对综合数据146的数据量
进行计数，并算出与该区间对应的权重wk的例子，但本发明不限定于那样的结构。例如，也可以是，关于电压(即纵轴方向)的各区间对综合数据146的数据量进行计数，并算出与该区间对应的权重wk。而且，权重wk的算出方法不限定取倒数，更一般地，越是数据量多的区间则赋予越小的值即可。
[0096]
soh诊断值算出部131基于由ocv曲线推定部130推定出的ocv曲线152，来算出soh诊断值作为与蓄电池40的劣化状态关联的指标值。例如，soh诊断值算出部131基于ocv曲线152，来算出充满电电压时的放电容量与完全放电电压时的放电容量之差，作为充满电容量fcc。soh诊断值算出部131将如上述那样算出的充满电容量fcc和蓄电池40的初始充满电容量fcc0代入下式(3)，由此算出soh诊断值。蓄电池40的初始充满电容量fcc0预先存储于存储部140。soh诊断值算出部131将所算出的soh诊断值与得到ocv曲线152的日期时刻建立对应关系而保存于存储部140。由此，在存储部140中存储作为soh诊断值的时间序列数据的soh时间序列数据154。
[0097]
soh＝(fcc/fcc0)
×
100
…
(3)
[0098]
可靠度评价部132基于综合数据146所包含的电压值的分布信息、以及根据综合数据146所包含的电流值而计算的放电容量的分布信息中的至少一方，来评价soh诊断值的可靠度。具体而言，可靠度评价部132基于综合数据146及ocv曲线152，来算出表示soh诊断值的可靠度的诊断值可靠度g。作为算出诊断值可靠度g的方法，可举出第一例、第二例及第三例这3个例子。以下，首先说明算出诊断值可靠度g的方法的第一例。
[0099]
(第一例)
[0100]
图9是用于说明算出诊断值可靠度g的方法的第一例的图。如图9所示那样，在第一例中，可靠度评价部132设定规定的电压范围vr，将该电压范围vr分割为多个区间，在各区间中分别判定是否存在综合数据146。例如，可靠度评价部132将3(v)～4(v)的电压范围vr分割为10个区间。在该情况下，各区间分别具有0.1(v)的电压幅度。可靠度评价部132对10个区间中的存在至少1个综合数据146的区间的数量进行计数，并使该计数结果除以区间总数(即10)，由此算出电压范围比率r。例如，在10个区间中的存在至少1个综合数据146的区间的数量为10个的情况下，电压范围比率r成为“1”。例如，在10个区间中的存在至少1个综合数据146的区间的数量为5个的情况下，电压范围比率r成为“0.5”。
[0101]
可靠度评价部132基于如上述那样算出的电压范围比率r和预先保存于存储部140的第一映射，来取得第一诊断值可靠度g1。第一映射是表示电压范围比率r与第一诊断值可靠度g1之间的对应关系的映射数据。图10是表示第一映射的一例的图。如图10所示那样，第一映射被设定为，在电压范围比率r的值包含于“0”以上且第一阈值r1以下的范围内时，第一诊断值可靠度g1成为“0”。第一映射被设定为，在电压范围比率r的值包含于第二阈值r2以上且“1”以下的范围内时，第一诊断值可靠度g1成为“1”。第二阈值r2比第一阈值r1大。而且，第一映射被设定为：在电压范围比率r的值包含于比第一阈值r1大且比第二阈值r2小的范围内时，第一诊断值可靠度g1与电压范围比率r成比例地增大。可靠度评价部132从如上述那样设定的第一映射中，取得与如上述那样算出的电压范围比率r对应的第一诊断值可靠度g1。
[0102]
接着，可靠度评价部132算出综合数据146与ocv曲线152之间的拟合误差e。例如，可靠度评价部132算出综合数据146与ocv曲线152之间的rmse(root mean square error)
作为拟合误差e。可靠度评价部132也可以算出rmse以外的公知的误差作为拟合误差e，或者以独创(original)的方法来算出拟合误差e。
[0103]
可靠度评价部132基于如上述那样算出的拟合误差e和预先保存于存储部140的第二映射，来取得第二诊断值可靠度g2。第二映射是表示拟合误差e与第二诊断值可靠度g2之间的对应关系的映射数据。图11是表示第二映射的一例的图。如图11所示那样，第二映射被设定为，在拟合误差e的值包含于“0”以上且第一阈值e1以下的范围内时，第二诊断值可靠度g2成为“1”。第二映射被设定为，在拟合误差e的值包含于第二阈值e2以上且“1”以下的范围内时，第二诊断值可靠度g2成为“0”。第二阈值e2比第一阈值e1大。而且，第二映射被设定为，在拟合误差e的值包含于比第一阈值e1大且比第二阈值e2小的范围内时，第二诊断值可靠度g2与拟合误差e成反比例地减少。可靠度评价部132从如上述那样设定的第二映射中，取得与如上述那样算出的拟合误差e对应的第二诊断值可靠度g2。
[0104]
然后，可靠度评价部132基于如上述那样取得的第一诊断值可靠度g1及第二诊断值可靠度g2，来算出诊断值可靠度g。例如，可靠度评价部132将第一诊断值可靠度g1及第二诊断值可靠度g2代入下式(4)，由此算出诊断值可靠度g。
[0105]
g＝(g1+g2)/2
…
(4)
[0106]
如图9所示那样，可靠度评价部132也可以设定规定的容量范围cr，将该容量范围cr分割为多个区间，在各区间中分别判定是否存在综合数据146。在该情况下，可靠度评价部132对容量范围cr的多个区间中的存在至少1个综合数据146的区间的数量进行计数，使该计数结果除以区间总数，由此算出容量范围比率。可靠度评价部132基于如上述那样算出的容量范围比率和预先保存于存储部140的第三映射，来取得第一诊断值可靠度g1。第三映射是表示容量范围比率与第一诊断值可靠度g1之间的对应关系的映射数据，对此省略图示。第三映射的设定内容与第一映射的设定内容相同。
[0107]
这样，可靠度评价部132也可以代替电压范围比率r而算出容量范围比率，并从第三映射取得与所算出的容量范围比率对应的第一诊断值可靠度g1。或者，可靠度评价部132也可以算出根据电压范围比率r得到的第一诊断值可靠度g1与根据容量范围比率得到的第一诊断值可靠度g1之间的平均值，来作为最终的第一诊断值可靠度g1。
[0108]
如上所述那样，可靠度评价部132算出在规定的电压范围vr中综合数据146所占的电压范围的比率(电压范围比率r)、以及基准ocv曲线(ocv曲线152)的容量范围cr与综合数据146的放电容量的范围之间的比率(容量范围比率)中的至少一方，该比率越小，则可靠度评价部132将可靠度(第一诊断值可靠度g1)设定为越小的值。可靠度评价部132算出综合数据146与基准ocv曲线(ocv曲线152)之间的误差(拟合误差e)，该误差越大则将可靠度(第二诊断值可靠度g2)设定为越小的值。
[0109]
(第二例)
[0110]
接着，说明算出诊断值可靠度g的方法的第二例。
[0111]
图12是用于说明算出诊断值可靠度g的方法的第二例的图。如图12所示那样，在第二例中，可靠度评价部132算出综合数据146与ocv曲线152之间的拟合误差e、综合数据146的电压分布、以及综合数据146的容量分布。与第一例同样地，可靠度评价部132可以算出rmse等公知的误差作为拟合误差e，或者也可以通过独创的方法来算出拟合误差e。
[0112]
例如，可靠度评价部132设定规定的电压范围vr，将该电压范围vr分割为多个区
间，并对各区间分别包含的综合数据146的数量进行计数，由此算出表示各区间的综合数据146的数量的直方图作为电压分布。例如，可靠度评价部132设定规定的容量范围cr，将该容量范围cr分割为多个区间，并对各区间分别包含的综合数据146的数量进行计数，由此算出表示各区间的综合数据146的数量的直方图作为容量分布。
[0113]
可靠度评价部132将如上述那样算出的拟合误差e和综合数据146的电压分布及容量分布输入事先通过进行深度学习等机器学习而得到的机器学习模型中，由此算出诊断值可靠度g。机器学习模型是将拟合误差e和综合数据146的电压分布及容量分布作为输入、且将诊断值可靠度g作为输出的数理模型。即，可靠度评价部132将拟合误差e和综合数据146的电压分布及容量分布输入机器学习模型，取得机器学习模型的输出来作为诊断值可靠度g。机器学习模型预先保存于存储部140。
[0114]
例如，机器学习所使用的训练数据能够通过以下的步骤得到。
[0115]
(1)利用电压仿真模型，来假想地生成ocv曲线152及综合数据146。
[0116]
(2)算出假想地生成的综合数据146的电压分布及容量分布。
[0117]
(3)算出假想地生成的综合数据146与假想地生成的ocv曲线152之间的拟合误差e。
[0118]
(4)以各种各样的模式实施上述(2)及(3)的步骤。
[0119]
(5)取得通过上述(4)得到的包含电压分布、容量分布及拟合误差e的大量的数据作为训练数据。
[0120]
机器学习模型是将综合数据146的电压分布和综合数据146的容量分布中的至少一方、以及拟合误差e作为输入的模型即可。
[0121]
(第三例)
[0122]
接着，说明算出诊断值可靠度g的方法的第三例。
[0123]
在第三例中，可靠度评价部132以多个不同的模式对综合数据146进行采样，并基于采样得到的综合数据146，按每个模式算出soh诊断值。然后，可靠度评价部132算出按每个模式算出的soh诊断值的波动来作为诊断波动α。例如，可靠度评价部132算出按每个模式算出的soh诊断值的标准偏差来作为诊断波动α。
[0124]
可靠度评价部132基于如上述那样算出的诊断波动α和预先保存于存储部140的第四映射，来取得诊断值可靠度g。第四映射是表示诊断波动α与诊断值可靠度g之间的对应关系的映射数据。图13是表示第四映射的一例的图。如图13所示那样，第四映射被设定为，在诊断波动α的值包含于“0”以上且第一阈值α1以下的范围内时，诊断值可靠度g成为“1”。第四映射被设定为，在诊断波动α的值为第二阈值α2以上时，诊断值可靠度g成为“0”。第二阈值α2比第一阈值α1大。而且，第四映射被设定为，在诊断波动α的值包含于比第一阈值α1大且比第二阈值α2小的范围内时，诊断值可靠度g与诊断波动α成反比例地减少。可靠度评价部132从如上述那样设定的第四映射中，取得与如上述那样算出的诊断波动α对应的诊断值可靠度g。
[0125]
作为以多个不同的模式对综合数据146进行采样的方法的例子，可举出通过放回抽样或非放回抽样来对综合数据146进行采样的方法、随机地对综合数据146进行采样的方法、选择容量区间而对综合数据146进行采样的方法、选择电压区间而对综合数据146进行采样的方法、以及以不同的采样率来对综合数据146进行采样的方法等。例如，可靠度评价
部132也可以通过放回抽样的随机采样来对综合数据146进行采样。例如，可靠度评价部132也可以从图8所示的容量区间i1、i2、i3、
···
中通过非放回抽样而随机地选择区间，并对所选择的区间所包含的综合数据146进行采样。例如，可靠度评价部132也可以一边使采样率以5％的步幅从50％变化到80％，一边对综合数据146进行采样。
[0126]
如上所述那样，可靠度评价部132通过对综合数据146的一部分随机地进行提取来取得多个样本组，基于所取得的多个样本组来算出多个soh诊断值，多个soh诊断值的波动(诊断波动α)越大，则将可靠度(诊断值可靠度g)设定为越小的值。
[0127]
以上是关于算出诊断值可靠度g的方法的3个例子的说明。可靠度评价部132当使用上述的3个例子中的任意例子来算出诊断值可靠度g时，将所算出的诊断值可靠度g与得到ocv曲线152的日期时刻建立对应关系而保存于存储部140。由此，如图2所示那样，在存储部140中，存储诊断值可靠度g的时间序列数据即可靠度时间序列数据156。
[0128]
soh诊断值修正部133相当基于诊断值可靠度g来决定最终指标值(修正soh诊断值)的劣化状态决定部。具体而言，soh诊断值修正部133基于由可靠度评价部132算出的诊断值可靠度g来修正由soh诊断值算出部131算出的soh诊断值，由此算出进行了修正的soh诊断值即修正soh诊断值。
[0129]
图14是用于说明由soh诊断值修正部133执行的soh诊断值的修正处理的图。如图14所示那样，soh诊断值修正部133提取soh时间序列数据154所包含的soh诊断值、以及可靠度时间序列数据156所包含的诊断值可靠度g中的、与同一日期时刻建立了对应关系的soh诊断值及诊断值可靠度g的数据对，并将所提取的soh诊断值及诊断值可靠度g的数据对输入由下式(5)表示的状态空间模型，由此算出修正soh诊断值。在式(5)中，y1表示修正soh诊断值，b1表示从soh时间序列数据154提取的soh诊断值，g表示从可靠度时间序列数据156提取的诊断值可靠度g，a1表示过去算出的修正soh诊断值。作为一例，a1是过去算出的修正soh诊断值中的紧之前的值。
[0130]
y1＝a1
×
(1-g)+b1
×g…
(5)
[0131]
如上所述那样，soh诊断值修正部133通过使最新的参数(b1)和基于过去的参数得到的事先预测值(a1)分别以与可靠度(g)相应的规定的比例进行相加，由此决定最终参数(y1)。
[0132]
soh诊断值修正部133使用与从最过去的日期时刻到最新的日期时刻(即当前的日期时刻)为止的各日期时刻建立了对应关系的soh诊断值及诊断值可靠度g的数据对来反复进行上述的修正处理，由此算出与从最过去的日期时刻到当前的日期时刻为止的各日期时刻对应的修正soh诊断值。soh诊断值修正部133当如上述那样算出修正soh诊断值时，将所算出的修正soh诊断值相对于与所提取的soh诊断值及诊断值可靠度g的数据对相同的日期时刻建立对应关系而保存于存储部140。由此，如图2及图14所示那样，在存储部140中，存储有修正soh诊断值的时间序列数据即修正soh时间序列数据158。
[0133]
[动作的流程]
[0134]
接着，参照图15来说明由蓄电池状态诊断装置100执行的处理的流程。图15是表示由蓄电池状态诊断装置100执行的处理的流程的一例的流程图。如图15所示那样，首先，蓄电池状态诊断装置100推定ocv曲线152(步骤s10)。蓄电池状态诊断装置100在步骤s10中执行图16所示的流程图的处理，由此推定ocv曲线152。
[0135]
图16是表示由蓄电池状态诊断装置100执行的ocv曲线152的推定处理的流程的一例的流程图。图16所示的流程图的处理中，将成为与车辆10的多次的行驶相关的推定用数据144的适用对象的ocv曲线152通过第一参数组及第二参数组的参数设定而定义为初始ocv曲线。
[0136]
如图16所示那样，蓄电池状态诊断装置100从车辆10取得包含电流值及电压值的时间序列数据142(步骤s101)。接着，蓄电池状态诊断装置100根据时间序列数据142的电流值、以及基于所取得的电流值而计测出的低电流持续时间，对时间序列数据142进行过滤而提取推定用数据144(步骤s102)。
[0137]
接着，蓄电池状态诊断装置100通过任意设定第一参数组及第二参数组的参数，从而根据基准正极ocp曲线148生成正极ocp曲线148#，并且根据基准负极ocp曲线150生成负极ocp曲线150#。蓄电池状态诊断装置100通过正极ocp曲线148#减去负极ocp曲线150#来生成ocv曲线152(步骤s103)。接着，蓄电池状态诊断装置100通过将与车辆10的多次的行驶相关的推定用数据144适用于所生成的ocv曲线152，来将推定用数据144变换为综合数据146(步骤s104)。
[0138]
接着，蓄电池状态诊断装置100算出变换得到的综合数据146与所生成的ocv曲线152之间的误差(步骤s105)。接着，蓄电池状态诊断装置100判定所算出的误差是否为规定值以内(步骤s106)。蓄电池状态诊断装置100在判定为所算出的误差不是规定值以内的情况下(步骤s106：否)，返回步骤s103，再次设定第一参数组和第二参数组，生成ocv曲线152。另一方面，蓄电池状态诊断装置100在判定为所算出的误差为规定值以内的情况下(步骤s106：是)，将该ocv曲线152确定为最终的ocv曲线152(步骤s107)。根据以上，图16所示的流程图的处理结束。蓄电池状态诊断装置100当图16所示的流程图的处理结束时，转移到图15所示的流程图的步骤s20。
[0139]
如图15所示那样，蓄电池状态诊断装置100在步骤s10中推定出ocv曲线152之后，基于所推定出的ocv曲线152，来算出soh诊断值(步骤s20)。例如，蓄电池状态诊断装置100基于ocv曲线152，算出充满电电压时的放电容量与完全放电电压时的放电容量之差，来作为充满电容量fcc。然后，蓄电池状态诊断装置100将如上述那样算出的充满电容量fcc和蓄电池40的初始充满电容量fcc0代入上式(3)，由此算出soh诊断值。蓄电池状态诊断装置100将所算出的soh诊断值与得到ocv曲线152的日期时刻建立对应关系而保存于存储部140。由此，在存储部140中，存储soh诊断值的时间序列数据即soh时间序列数据154。
[0140]
接着，蓄电池状态诊断装置100基于综合数据146及ocv曲线152，来算出诊断值可靠度g(步骤s30)。例如，蓄电池状态诊断装置100使用上述的第一例、第二例及第三例中的任意例来算出诊断值可靠度g。蓄电池状态诊断装置100当算出诊断值可靠度g时，将所算出的诊断值可靠度g与得到ocv曲线152的日期时刻建立对应关系而保存于存储部140。由此，在存储部140中，存储诊断值可靠度g的时间序列数据即可靠度时间序列数据156。
[0141]
接着，蓄电池状态诊断装置100基于在步骤s30中算出的诊断值可靠度g来修正在步骤s20中算出的soh诊断值，由此算出修正之后的soh诊断值即修正soh诊断值(步骤s40)。例如，蓄电池状态诊断装置100提取soh时间序列数据154所包含的soh诊断值、以及可靠度时间序列数据156所包含的诊断值可靠度g中的、与同一日期时刻建立了对应关系的soh诊断值及诊断值可靠度g的数据对，并将所提取的soh诊断值及诊断值可靠度g的数据对输入
由上式(5)表示的状态空间模型，由此算出修正soh诊断值。
[0142]
蓄电池状态诊断装置100使用从与最过去的日期时刻建立了对应关系的soh诊断值及诊断值可靠度g的数据对到与当前的日期时刻建立了对应关系的soh诊断值及诊断值可靠度g的数据对，反复进行上述的修正处理，由此算出与从最过去的日期时刻到当前的日期时刻为止的各日期时刻对应的修正soh诊断值。蓄电池状态诊断装置100当如上述那样算出修正soh诊断值时，将所算出的修正soh诊断值相对于与所提取的soh诊断值及诊断值可靠度g的数据对相同的日期时刻建立对应关系而保存于存储部140。由此，在存储部140中，存储修正soh诊断值的时间序列数据即修正soh时间序列数据158。根据以上，图15所示的流程图的处理结束。
[0143]
如以上那样，第一实施方式的蓄电池状态诊断装置100基于包含蓄电池40的至少电流值及电压值的时间序列数据142，作为与蓄电池40的劣化状态关联的指标值而推定soh诊断值，并基于综合数据146所包含的电压值的分布信息、以及根据综合数据146所包含的电流值计算的放电容量的分布信息中的至少一方来评价soh诊断值的诊断值可靠度g，且将基于诊断值可靠度g修正之后的soh诊断值(修正soh诊断值)决定为最终参数。由此，能够提高与蓄电池40的劣化状态关联的指标值即soh诊断值的推定精度。
[0144]
上述第一实施方式的蓄电池状态诊断装置100也可以具备可靠度更新部，该可靠度更新部在最新的指标值与过去的指标值的代表值之差为阈值以上的情况下，将可靠度更新为低的值。这样，通过在最新的指标值大幅偏离过去的指标值的代表值(例如从规定期间前到当前为止的指标值的平均值)的情况下降低可靠度，来降低推定算法向相应数据的追随性。
[0145]
〔第二实施方式〕
[0146]
接着，说明本发明的第二实施方式的蓄电池状态诊断装置100a。
[0147]
[蓄电池状态诊断装置100a的结构]
[0148]
图17是表示第二实施方式的蓄电池状态诊断装置100a的结构的一例的图。在以下的说明中，对第二实施方式的蓄电池状态诊断装置100a所具备的构成要素中的、与第一实施方式的蓄电池状态诊断装置100所具备的构成要素相同的构成要素标注同一附图标记并省略说明。应用第二实施方式的蓄电池状态诊断装置100a的车辆10的结构与第一实施方式相同，因此在第二实施方式中省略车辆10的说明。
[0149]
如图17所示那样，蓄电池状态诊断装置100a除了蓄电池状态诊断装置100所具备的构成要素以外，还具备追随延迟误差算出部134、可靠度上限设定部135及可靠度更新部136。蓄电池状态诊断装置100a代替蓄电池状态诊断装置100所具备的soh诊断值修正部133而具备soh诊断值修正部137。
[0150]
追随延迟误差算出部134基于诊断值可靠度g和表示soh相对于时间的推移的基准劣化推移线，来算出假想soh诊断值作为假想指标值，并算出基于基准劣化推移线算出的soh真值与假想soh诊断值之差即追随延迟误差e。
[0151]
具体而言，追随延迟误差算出部134基于由可靠度评价部132算出的诊断值可靠度g和预先存储于存储部140的soh推移映射160，来假想地算出soh诊断值，并算出假想地算出的soh诊断值(假想soh诊断值)与soh真值之差量作为追随延迟误差e。图18是用于说明由追随延迟误差算出部134执行的追随延迟误差e的算出处理的图。soh推移映射160是预先通过
实验等取得的表示基准劣化推移线的映射数据。
[0152]
如图18所示那样，追随延迟误差算出部134提取可靠度时间序列数据156所包含的诊断值可靠度g中的与任意的日期时刻建立了对应关系的诊断值可靠度g，从soh推移映射160取得与所提取的诊断值可靠度g相同的日期时刻的soh真值。并且，追随延迟误差算出部134将从可靠度时间序列数据156提取的诊断值可靠度g与从soh推移映射160取得的soh真值组成的数据对输入由下式(6)表示的状态空间模型，由此算出假想soh诊断值。在式(6)中，y2表示假想soh诊断值，b2表示从soh推移映射160取得的soh真值，g表示从可靠度时间序列数据156提取的诊断值可靠度g，a2表示过去算出的假想soh诊断值。作为一例，a2是过去算出的假想soh诊断值中的紧之前的值。
[0153]
y2＝a2
×
(1-g)+b2
×g…
(6)
[0154]
追随延迟误差算出部134使用从最过去的日期时刻到最新的日期时刻(即当前的日期时刻)为止的各日期时刻的soh真值及诊断值可靠度g的数据对，来反复进行上述的处理，由此算出从最过去的日期时刻到当前的日期时刻为止的各日期时刻的假想soh诊断值。追随延迟误差算出部134当如上述那样算出假想soh诊断值时，将所算出的假想soh诊断值相对于与soh真值及诊断值可靠度g的数据对相同的日期时刻建立对应关系而保存于存储部140。由此，如图17及图18所示那样，在存储部140存储假想soh诊断值的时间序列数据即假想soh时间序列数据162。
[0155]
然后，追随延迟误差算出部134提取假想soh时间序列数据162所包含的假想soh诊断值中的与任意的日期时刻建立了对应关系的假想soh诊断值，并从soh推移映射160取得与所提取的假想soh诊断值相同的日期时刻的soh真值。然后，追随延迟误差算出部134使从假想soh时间序列数据162提取的假想soh诊断值减去从soh推移映射160取得的soh真值，由此算出追随延迟误差e。
[0156]
追随延迟误差算出部134使用从最过去的日期时刻到当前的日期时刻为止的各日期时刻的假想soh诊断值及soh真值的数据对，反复进行上述的减去处理，由此算出从最过去的日期时刻到当前的日期时刻为止的各日期时刻的追随延迟误差e。追随延迟误差算出部134当如上述那样算出追随延迟误差e时，将所算出的追随延迟误差e相对于与假想soh诊断值及soh真值的数据对相同的日期时刻建立对应关系而保存于存储部140。由此，如图17及图18所示那样，在存储部140，存储追随延迟误差e的时间序列数据即追随延迟误差时间序列数据164。
[0157]
可靠度上限设定部135基于由追随延迟误差算出部134算出的追随延迟误差e和预先保存于存储部140的可靠度上限设定映射166，来设定诊断值可靠度g的上限值即诊断值可靠度上限值gm。图19是用于说明由可靠度上限设定部135执行的诊断值可靠度上限值gm的设定处理的图。如图19所示那样，可靠度上限设定映射166是表示追随延迟误差e与诊断值可靠度上限值gm之间的对应关系的映射数据。可靠度上限设定映射166被设定为，在追随延迟误差e的值处于规定的阈值e1以下时，诊断值可靠度上限值gm成为规定值。可靠度上限设定映射166被设定为，在追随延迟误差e的值比阈值e1大时，诊断值可靠度上限值gm与追随延迟误差e成比例地增大。这样，追随延迟误差e越大，则可靠度上限设定部135将诊断值可靠度上限值gm设定为越大的值。
[0158]
如图19所示那样，可靠度上限设定部135提取追随延迟误差时间序列数据164所包
含的追随延迟误差e中的与任意的日期时刻建立了对应关系的追随延迟误差e，从可靠度上限设定映射166取得与所提取的追随延迟误差e对应的诊断值可靠度上限值gm。可靠度上限设定部135使用从最过去的日期时刻到当前的日期时刻为止的各日期时刻的追随延迟误差e，反复进行上述的设定处理，由此取得从最过去的日期时刻到当前的日期时刻为止的各日期时刻的诊断值可靠度上限值gm。可靠度上限设定部135当如上述那样取得诊断值可靠度上限值gm时，将所取得的诊断值可靠度上限值gm相对于与所提取的追随延迟误差e相同的日期时刻建立对应关系而保存于存储部140。由此，如图17及图19所示那样，在存储部140中，存储诊断值可靠度上限值gm的时间序列数据即可靠度上限时间序列数据168。
[0159]
可靠度更新部136基于由可靠度上限设定部135设定的诊断值可靠度上限值gm，来更新诊断值可靠度g。图20是用于说明由可靠度更新部136执行的诊断值可靠度g的更新处理的图。如图20所示那样，可靠度更新部136提取可靠度时间序列数据156所包含的诊断值可靠度g、以及可靠度上限时间序列数据168所包含的诊断值可靠度上限值gm中的、与同一日期时刻建立了对应关系的诊断值可靠度g及诊断值可靠度上限值gm的数据对，判定诊断值可靠度g是否比诊断值可靠度上限值gm大。
[0160]
可靠度更新部136在诊断值可靠度g比诊断值可靠度上限值gm大的情况下，将诊断值可靠度g更新为与诊断值可靠度上限值gm相等的值。另一方面，可靠度更新部136在诊断值可靠度g为诊断值可靠度上限值gm以下的情况下，不更新诊断值可靠度g。以下，有时将更新为与诊断值可靠度上限值gm相等的值之后的诊断值可靠度g称呼为更新诊断值可靠度g10，将没有被更新的诊断值可靠度g称呼为非更新诊断值可靠度g20。
[0161]
可靠度更新部136使用与从最过去的日期时刻到当前的日期时刻为止的各日期时刻建立了对应关系的诊断值可靠度g及诊断值可靠度上限值gm的数据对，反复进行上述的更新处理，由此取得从最过去的日期时刻到当前的日期时刻为止的各日期时刻的更新诊断值可靠度g10或非更新诊断值可靠度g20，将取得的更新诊断值可靠度g10或非更新诊断值可靠度g20相对于与所提取的诊断值可靠度g及诊断值可靠度上限值gm的数据对相同的日期时刻建立对应关系而保存于存储部140。由此，如图17及图20所示那样，在存储部140中，存储包含更新诊断值可靠度g10和非更新诊断值可靠度g20中的至少一方在内的时间序列数据即更新可靠度时间序列数据170。
[0162]
soh诊断值修正部137相当于基于更新后的诊断值可靠度g来决定最终指标值(修正soh诊断值)的劣化状态决定部。具体而言，soh诊断值修正部137基于由可靠度更新部136更新后的诊断值可靠度g来修正由soh诊断值算出部131算出的soh诊断值，由此算出修正之后的soh诊断值即修正soh诊断值。
[0163]
图21是用于说明由soh诊断值修正部137执行的soh诊断值的修正处理的图。如图21所示那样，soh诊断值修正部137提取soh时间序列数据154所包含的soh诊断值、以及更新可靠度时间序列数据170所包含的诊断值可靠度g中的、与同一日期时刻建立了对应关系的soh诊断值及诊断值可靠度g的数据对，并将所提取的soh诊断值及诊断值可靠度g的数据对输入由下式(7)表示的状态空间模型，由此算出修正soh诊断值。在式(7)中，y3表示修正soh诊断值，b3表示从soh时间序列数据154提取的soh诊断值，g’表示从更新可靠度时间序列数据170提取的诊断值可靠度g(更新诊断值可靠度g10或非更新诊断值可靠度g20)，a3表示过去算出的修正soh诊断值。作为一例，a3是过去算出的修正soh诊断值中的紧之前的值。
[0164]
y3＝a3
×
(1-g’)+b3
×g’…
(7)
[0165]
soh诊断值修正部137使用与从最过去的日期时刻到当前的日期时刻为止的各日期时刻建立了对应关系的soh诊断值及诊断值可靠度g的数据对，反复进行上述的修正处理，由此算出与从最过去的日期时刻到当前的日期时刻为止的各日期时刻对应的修正soh诊断值。soh诊断值修正部137当如上述那样算出修正soh诊断值时，将算出的修正soh诊断值相对于与提取的soh诊断值及诊断值可靠度g的数据对相同的日期时刻建立对应关系而保存于存储部140。由此，如图17及图21所示那样，在存储部140中，存储由soh诊断值修正部137算出的修正soh诊断值的时间序列数据即修正soh时间序列数据172。
[0166]
[动作的流程]
[0167]
接着，参照图22来说明由第二实施方式的蓄电池状态诊断装置100a执行的处理的流程。图22是表示由蓄电池状态诊断装置100a执行的处理的流程的一例的流程图。如图22所示那样，首先，蓄电池状态诊断装置100a推定ocv曲线152(步骤s10)。第二实施方式的蓄电池状态诊断装置100a所执行的步骤s10的处理与第一实施方式的蓄电池状态诊断装置100所执行的步骤s10的处理相同。即，蓄电池状态诊断装置100a在步骤s10中通过执行图16所示的流程图的处理，来推定ocv曲线152。图16的流程图的说明省略。蓄电池状态诊断装置100a当图16所示的流程图的处理结束时，转移到图22所示的流程图的步骤s20。
[0168]
如图22所示那样，蓄电池状态诊断装置100a在步骤s10中推定出ocv曲线152之后，基于所推定出的ocv曲线152，来算出soh诊断值(步骤s20)。第二实施方式的蓄电池状态诊断装置100a所执行的步骤s20的处理与第一实施方式的蓄电池状态诊断装置100所执行的步骤s20的处理相同，因此步骤s20的说明省略。
[0169]
接着，蓄电池状态诊断装置100a基于综合数据146及ocv曲线152，来算出诊断值可靠度g(步骤s30)。第二实施方式的蓄电池状态诊断装置100a所执行的步骤s30的处理与第一实施方式的蓄电池状态诊断装置100所执行的步骤s30的处理相同，因此步骤s30的说明省略。
[0170]
接着，蓄电池状态诊断装置100a基于在步骤s30中算出的诊断值可靠度g和预先保存于存储部140的soh推移映射160，来算出假想soh诊断值，并算出假想soh诊断值与soh真值之间的差量来作为追随延迟误差e(步骤s50)。例如，蓄电池状态诊断装置100a提取可靠度时间序列数据156所包含的诊断值可靠度g中的与任意的日期时刻建立了对应关系的诊断值可靠度g，并从soh推移映射160取得与所提取的诊断值可靠度g相同的日期时刻的soh真值。然后，蓄电池状态诊断装置100a将从可靠度时间序列数据156提取的诊断值可靠度g与从soh推移映射160取得的soh真值组成的数据对输入由上式(6)表示的状态空间模型，由此算出假想soh诊断值。
[0171]
蓄电池状态诊断装置100a使用从最过去的日期时刻到当前的日期时刻为止的各日期时刻的soh真值及诊断值可靠度g的数据对，反复进行上述的处理，由此算出从最过去的日期时刻到当前的日期时刻为止的各日期时刻的假想soh诊断值。蓄电池状态诊断装置100a当如上述那样算出假想soh诊断值时，将所算出的假想soh诊断值相对于与soh真值及诊断值可靠度g的数据对相同的日期时刻建立对应关系而保存于存储部140。由此，在存储部140中，存储假想soh诊断值的时间序列数据即假想soh时间序列数据162。
[0172]
然后，蓄电池状态诊断装置100a提取假想soh时间序列数据162所包含的假想soh
诊断值中的与任意的日期时刻建立了对应关系的假想soh诊断值，并从soh推移映射160取得与所提取的假想soh诊断值相同的日期时刻的soh真值。然后，蓄电池状态诊断装置100a使从假想soh时间序列数据162提取的假想soh诊断值减去从soh推移映射160取得的soh真值，由此算出追随延迟误差e。
[0173]
蓄电池状态诊断装置100a使用从最过去的日期时刻到当前的日期时刻为止的各日期时刻的假想soh诊断值及soh真值的数据对，反复进行上述的减去处理，由此算出从最过去的日期时刻到当前的日期时刻为止的各日期时刻的追随延迟误差e。蓄电池状态诊断装置100a当如上述那样算出追随延迟误差e时，将所算出的追随延迟误差e相对于与假想soh诊断值及soh真值的数据对相同的日期时刻建立对应关系而保存于存储部140。由此，在存储部140中，存储追随延迟误差e的时间序列数据即追随延迟误差时间序列数据164。
[0174]
接着，蓄电池状态诊断装置100a基于在步骤s50中算出的追随延迟误差e和预先保存于存储部140的可靠度上限设定映射166，来设定诊断值可靠度g的上限值即诊断值可靠度上限值gm(步骤s60)。例如，蓄电池状态诊断装置100a提取追随延迟误差时间序列数据164所包含的追随延迟误差e中的与任意的日期时刻建立了对应关系的追随延迟误差e，并从可靠度上限设定映射166取得与所提取的追随延迟误差e对应的诊断值可靠度上限值gm。
[0175]
然后，蓄电池状态诊断装置100a使用从最过去的日期时刻到当前的日期时刻为止的各日期时刻的追随延迟误差e，反复进行上述的设定处理，由此取得从最过去的日期时刻到当前的日期时刻为止的各日期时刻的诊断值可靠度上限值gm。蓄电池状态诊断装置100a当如上述那样取得诊断值可靠度上限值gm时，将所取得的诊断值可靠度上限值gm相对于与所提取的追随延迟误差e相同的日期时刻建立对应关系而保存于存储部140。由此，在存储部140中，存储诊断值可靠度上限值gm的时间序列数据即可靠度上限时间序列数据168。
[0176]
接着，蓄电池状态诊断装置100a基于在步骤s60中设定的诊断值可靠度上限值gm，来更新诊断值可靠度g(步骤s70)。例如，蓄电池状态诊断装置100a提取可靠度时间序列数据156所包含的诊断值可靠度g、以及可靠度上限时间序列数据168所包含的诊断值可靠度上限值gm中的、与同一日期时刻建立了对应关系的诊断值可靠度g及诊断值可靠度上限值gm的数据对，判定诊断值可靠度g是否比诊断值可靠度上限值gm大。蓄电池状态诊断装置100a在诊断值可靠度g比诊断值可靠度上限值gm大的情况下，将诊断值可靠度g更新为与诊断值可靠度上限值gm相等的值。另一方面，蓄电池状态诊断装置100a在诊断值可靠度g为诊断值可靠度上限值gm以下的情况下，不更新诊断值可靠度g。
[0177]
蓄电池状态诊断装置100a使用与从最过去的日期时刻到当前的日期时刻为止的各日期时刻建立了对应关系的诊断值可靠度g及诊断值可靠度上限值gm的数据对，反复进行上述的更新处理，由此取得从最过去的日期时刻到当前的日期时刻为止的各日期时刻的更新诊断值可靠度g10或非更新诊断值可靠度g20，并将所取得的更新诊断值可靠度g10或非更新诊断值可靠度g20相对于与所提取的诊断值可靠度g及诊断值可靠度上限值gm的数据对相同的日期时刻建立对应关系而保存于存储部140。由此，在存储部140中，存储包含更新诊断值可靠度g10和非更新诊断值可靠度g20中的至少一方的时间序列数据即更新可靠度时间序列数据170。
[0178]
接着，蓄电池状态诊断装置100a基于在步骤s70中更新后的诊断值可靠度g来修正在步骤s20中算出的soh诊断值，由此算出修正之后的soh诊断值即修正soh诊断值(步骤
s80)。例如，蓄电池状态诊断装置100a提取soh时间序列数据154所包含的soh诊断值、以及更新可靠度时间序列数据170所包含的诊断值可靠度g中的、与同一日期时刻建立了对应关系的soh诊断值及诊断值可靠度g的数据对，并将所提取的soh诊断值及诊断值可靠度g的数据对输入由上式(7)表示的状态空间模型，由此算出修正soh诊断值。
[0179]
蓄电池状态诊断装置100a使用与从最过去的日期时刻到当前的日期时刻为止的各日期时刻建立了对应关系的soh诊断值及诊断值可靠度g的数据对，来反复进行上述的修正处理，由此算出与从最过去的日期时刻到当前的日期时刻为止的各日期时刻对应的修正soh诊断值。蓄电池状态诊断装置100a当如上述那样算出修正soh诊断值时，将所算出的修正soh诊断值相对于与所提取的soh诊断值及诊断值可靠度g的数据对相同的日期时刻建立对应关系而保存于存储部140。由此，在存储部140中，保存修正soh诊断值的时间序列数据即修正soh时间序列数据172。综上，图22所示的流程图的处理结束。
[0180]
如以上那样，第二实施方式的蓄电池状态诊断装置100a基于包含蓄电池40中的至少电流值及电压值的时间序列数据142，作为与蓄电池40的劣化状态关联的指标值而推定soh诊断值，并评价所推定的soh诊断值的诊断值可靠度g，基于soh诊断值及诊断值可靠度g来设定诊断值可靠度上限值gm，将根据基于诊断值可靠度上限值gm更新后的诊断值可靠度g而进行了修正的soh诊断值(修正soh诊断值)决定为最终指标值。由此，能够同时兼顾抑制最终得到的修正soh诊断值的波动、以及确保soh的推定算法相对于蓄电池40的容量的急剧的变化的追随性。
[0181]
上述说明的第一实施方式能够如以下这样表现。
[0182]
一种蓄电池状态诊断装置，其构成为具备：
[0183]
存储有程序的存储装置；以及
[0184]
硬件处理器，
[0185]
通过所述硬件处理器执行存储于所述存储装置的程序而进行如下处理：
[0186]
取得包含蓄电池的至少电流值及电压值的时间序列数据；
[0187]
基于所述时间序列数据，来推定与所述蓄电池的劣化状态关联的指标值；
[0188]
基于所述时间序列数据所包含的所述电压值的分布信息、以及根据所述时间序列数据所包含的所述电流值而计算出的放电容量的分布信息中的至少一方，来评价所推定的所述指标值的可靠度；以及
[0189]
基于所述可靠度，来决定最终指标值。
[0190]
上述说明的第二实施方式能够如以下这样表现。
[0191]
一种蓄电池状态诊断装置，其构成为具备：
[0192]
存储有程序的存储装置；以及
[0193]
硬件处理器，
[0194]
通过所述硬件处理器执行存储于所述存储装置的程序而进行如下处理：
[0195]
取得包含蓄电池的至少电流值及电压值的时间序列数据；
[0196]
基于所述时间序列数据，来推定与所述蓄电池的劣化状态关联的指标值；
[0197]
评价所述指标值的可靠度；
[0198]
基于所述指标值及所述可靠度，来设定所述可靠度的上限值；
[0199]
基于所述上限值，来更新所述可靠度；以及
[0200]
基于更新后的所述可靠度，来决定最终指标值。
[0201]
以上使用实施方式说明了本发明的具体实施方式，但本发明丝毫不被这样的实施方式限定，在不脱离本发明的主旨的范围内能够施加各种变形及替换。
[0202]
在上述第一实施方式及第二实施方式中，例示了作为与蓄电池40的劣化状态关联的指标值而推定soh诊断值，并基于soh诊断值的诊断值可靠度g来决定最终的soh诊断值(修正soh诊断值)的形态，但本发明不限定于此，也可以是，用于将基准正极ocp曲线148变换为正极ocp曲线148#的第一参数组(正极放大缩小率a及正极偏移量b)、以及用于将基准负极ocp曲线150变换为负极ocp曲线150#的第二参数组(负极放大缩小率c及负极偏移量d)包含于上述指标值。即，也可以是，对第一参数组和第二参数组这样的全部的参数设定共用的可靠度，并基于该可靠度来决定最终的第一参数组及第二参数组。

技术特征：
1.一种蓄电池状态诊断装置，其中，所述蓄电池状态诊断装置具备：取得部，其取得包含蓄电池的至少电流值及电压值的时间序列数据；劣化状态推定部，其基于所述时间序列数据来推定与所述蓄电池的劣化状态关联的指标值；可靠度评价部，其基于所述时间序列数据所包含的所述电压值的分布信息和根据所述时间序列数据所包含的所述电流值而计算出的放电容量的分布信息中的至少一方，来评价所述指标值的可靠度；以及劣化状态决定部，其基于所述可靠度来决定最终指标值。2.根据权利要求1所述的蓄电池状态诊断装置，其中，所述劣化状态决定部通过使最新的所述指标值与基于过去的所述指标值得到的事先预测值分别以与所述可靠度相应的规定的比例进行相加，来决定所述最终指标值。3.根据权利要求2所述的蓄电池状态诊断装置，其中，所述可靠度评价部算出在规定的电压范围中所述时间序列数据所占的电压范围的比率、以及基准ocv曲线的容量范围与所述时间序列数据的放电容量的范围之间的比率中的至少一方，所述比率越小，则所述可靠度评价部将所述可靠度设定为越小的值。4.根据权利要求2所述的蓄电池状态诊断装置，其中，所述可靠度评价部算出所述时间序列数据与基准ocv曲线之间的误差，所述误差越大，则所述可靠度评价部将所述可靠度设定为越小的值。5.根据权利要求2所述的蓄电池状态诊断装置，其中，所述可靠度评价部通过随机提取所述时间序列数据的一部分来取得多个样本组，并基于所取得的所述多个样本组来算出多个所述指标值，所述多个指标值的波动越大，则所述可靠度评价部将所述可靠度设定为越小的值。6.根据权利要求2所述的蓄电池状态诊断装置，其中，所述可靠度评价部向机器学习模型中输入所述时间序列数据所包含的所述电压值的分布信息和根据所述时间序列数据所包含的所述电流值而计算出的放电容量的分布信息中的至少一方、以及所述时间序列数据与基准ocv曲线之间的误差，并取得所述机器学习模型的输出来作为所述可靠度。7.根据权利要求1至6的中任一项所述的蓄电池状态诊断装置，其中，所述蓄电池状态诊断装置具备可靠度更新部，该可靠度更新部在最新的所述指标值与过去的所述指标值的代表值之差为阈值以上的情况下，将所述可靠度更新为低的值。8.一种蓄电池状态诊断装置，其中，所述蓄电池状态诊断装置具备：取得部，其取得包含蓄电池的至少电流值及电压值的时间序列数据；劣化状态推定部，其基于所述时间序列数据来推定与所述蓄电池的劣化状态关联的指标值；可靠度评价部，其评价所述指标值的可靠度；上限设定部，其基于所述指标值及所述可靠度来设定所述可靠度的上限值；可靠度更新部，其基于所述上限值来更新所述可靠度；以及
劣化状态决定部，其基于更新后的所述可靠度来决定最终指标值。9.根据权利要求8所述的蓄电池状态诊断装置，其中，所述蓄电池状态诊断装置具备追随延迟误差算出部，该追随延迟误差算出部基于所述可靠度、以及表示所述指标值相对于时间的推移的基准劣化推移线来算出假想指标值，并算出基于所述基准劣化推移线而算出的所述指标值与所述假想指标值之差即追随延迟误差，所述追随延迟误差越大，则所述上限设定部将所述可靠度的所述上限值设定为越大的值。10.根据权利要求8所述的蓄电池状态诊断装置，其中，所述劣化状态决定部通过使最新的所述指标值与基于过去的所述指标值得到的事先预测值分别以与所述可靠度相应的规定的比例进行相加，来决定所述最终指标值。11.根据权利要求10所述的蓄电池状态诊断装置，其中，所述可靠度评价部算出在规定的电压范围中所述时间序列数据所占的电压范围的比率、以及基准ocv曲线的容量范围与所述时间序列数据的放电容量的范围之间的比率中的至少一方，所述比率越小，则所述可靠度评价部将所述可靠度设定为越小的值。12.根据权利要求10所述的蓄电池状态诊断装置，其中，所述可靠度评价部算出所述时间序列数据与基准ocv曲线之间的误差，所述误差越大，则所述可靠度评价部将所述可靠度设定为越小的值。13.根据权利要求10所述的蓄电池状态诊断装置，其中，所述可靠度评价部通过随机提取所述时间序列数据的一部分来取得多个样本组，并基于所取得的所述多个样本组来算出多个所述指标值，所述多个指标值的波动越大，则所述可靠度评价部将所述可靠度设定为越小的值。14.根据权利要求10至13中任一项所述的蓄电池状态诊断装置，其中，所述可靠度评价部向机器学习模型中输入所述时间序列数据所包含的所述电压值的分布信息和根据所述时间序列数据所包含的所述电流值而计算出的放电容量的分布信息中的至少一方、以及所述时间序列数据与基准ocv曲线之间的误差，并取得所述机器学习模型的输出来作为所述可靠度。15.一种蓄电池状态诊断方法，其是由蓄电池状态诊断装置执行的蓄电池状态诊断方法，其中，所述蓄电池状态诊断方法具备：取得包含蓄电池的至少电流值及电压值的时间序列数据；基于所述时间序列数据来推定与所述蓄电池的劣化状态关联的指标值；基于所述时间序列数据所包含的所述电压值的分布信息和根据所述时间序列数据所包含的所述电流值而计算出的放电容量的分布信息中的至少一方，来评价所述指标值的可靠度；以及基于所述可靠度来决定最终指标值。16.一种存储介质，其是存储有由蓄电池状态诊断装置的处理器执行的程序的能够由计算机读取的非暂时性的存储介质，其中，所述存储介质所存储的程序使所述处理器执行如下处理：
取得包含蓄电池的至少电流值及电压值的时间序列数据；基于所述时间序列数据来推定与所述蓄电池的劣化状态关联的指标值；基于所述时间序列数据所包含的所述电压值的分布信息和根据所述时间序列数据所包含的所述电流值而计算出的放电容量的分布信息中的至少一方，来评价所述指标值的可靠度；以及基于所述可靠度来决定最终指标值。

技术总结
提高与蓄电池的劣化状态关联的参数的推定精度并同时兼顾抑制参数的推定值的波动、以及确保劣化状态的推定算法相对于蓄电池容量的急剧的变化的追随性的蓄电池状态诊断装置、蓄电池状态诊断方法及存储介质。蓄电池状态诊断装置具备：取得部，其取得包含蓄电池的至少电流值及电压值的时间序列数据；劣化状态推定部，其基于所述时间序列数据来推定与所述蓄电池的劣化状态关联的指标值；可靠度评价部，其根据所述时间序列数据所包含的所述电压值的分布信息和根据所述时间序列数据所包含的所述电流值而计算出的放电容量的分布信息中的至少一方，来评价所述指标值的可靠度；以及劣化状态决定部，其基于所述可靠度来决定最终指标值。标值。标值。


技术研发人员：川原卓磨 佐藤优气
受保护的技术使用者：本田技研工业株式会社
技术研发日：2023.02.10
技术公布日：2023/9/25