异常主要原因判定装置、劣化判定装置、计算机程序、劣化判定方法以及异常主要原因判定方法与流程

本发明涉及异常主要原因判定装置、劣化判定装置、计算机程序、劣化判定方法以及异常主要原因判定方法。

背景技术：

蓄电元件(energystoragedevice，储能装置)广泛使用于无停电电源装置、稳定化电源中包含的直流或者交流电源装置等。此外，在蓄积由可再生能源或者已有的发电系统发电的电力的大规模系统中的蓄电元件的利用得到扩大。

蓄电模块成为蓄电单体被串联连接的结构。已知，蓄电单体由于反复充放电从而推进了劣化。在专利文献1中公开了如下技术，即，关于车辆用的二次电池，向学习完毕的神经网络部输入二次电池的状态量的检测值，检测二次电池的soc(充电状态)等。

在先技术文献

专利文献

专利文献1：日本特开2008-232758号公报

技术实现要素：

发明要解决的课题

可认为设置于移动体、设施的蓄电元件根据蓄电元件的设置条件、周围温度等的环境状态而充放电行为、劣化的推进速度不同。在向学习完毕的神经网络部输入蓄电元件的状态量来判定蓄电元件有无比假定更早的劣化的情况下，无法严格分开是蓄电元件真正地劣化、还是尽管为正常但由于环境差异而错误地判定为劣化。

本发明的目的在于，提供一种对关于包含多个蓄电元件的蓄电系统的异常主要原因进行判定的异常主要原因判定装置、劣化判定装置、计算机程序、异常主要原因判定方法以及劣化判定方法。

用于解决课题的手段

对关于包含多个蓄电元件的蓄电系统的异常主要原因进行判定的异常主要原因判定装置具备：实测值获取部，获取所述多个蓄电元件的包含电气值以及温度值的实测值；预测值获取部，获取所述多个蓄电元件的包含电气值以及温度值的预测值；和判定部，基于由所述实测值获取部获取到的实测值以及由所述预测值获取部获取到的预测值，判定有无关于蓄电系统的异常主要原因。

用于使计算机判定关于包含多个蓄电元件的蓄电系统的异常主要原因的计算机程序，使计算机执行如下处理：获取所述多个蓄电元件的包含电气值以及温度值的实测值；获取所述多个蓄电元件的包含电气值以及温度值的预测值；和基于获取到的实测值以及预测值来判定有无关于蓄电系统的异常主要原因。

对关于包含多个蓄电元件的蓄电系统的异常主要原因进行判定的异常主要原因判定方法，获取所述多个蓄电元件的包含电气值以及温度值的实测值，获取所述多个蓄电元件的包含电气值以及温度值的预测值，基于获取到的实测值以及预测值来判定有无关于蓄电系统的异常主要原因。

实测值获取部获取多个蓄电元件的包含电气值(例如，电流值、电压值)以及温度值的实测值。实测值能够从蓄电系统中包含的多个蓄电元件的传感器(电流传感器、电压传感器、温度传感器)获取。实测值的获取频度能够根据蓄电系统的运行状态等适当决定。例如，在负载变动比较大的运行状态下，能够使实测值的获取频度变多(例如，每隔1小时实测5分钟)。此外，在负载变动比较小的运行状态下，能够使实测值的获取频度变少(例如，每隔6小时实测5分钟)。

预测值获取部获取多个蓄电元件的包含电气值(例如，电压值)以及温度值的预测值。预测值不是实际上由传感器实测的值，而是根据多个蓄电元件的设置条件、周围温度等环境状态事前假定的值，意味着计算出的值或者估计出的值。

判定部基于获取到的实测值以及预测值来判定有无关于蓄电系统的异常主要原因。能够根据流过多个蓄电元件的实测电流值来判定是重负载还是轻负载、或者负载变动的大小。能够基于多个蓄电元件各自的电压的实测值来求出所需的蓄电元件间的电压差。此外，能够基于多个蓄电元件各自的温度的实测值来求出所需的蓄电元件间的温度差。判定部通过考虑这些电压差以及温度差的实测值、以及实测值与预测值的差等，从而能够判定有无异常主要原因(例如，蓄电元件的异常(比假定更早的劣化等)、或者蓄电元件的环境的异常)。

异常主要原因判定装置也可以具备：提供部，基于所述判定部中的判定结果来提供蓄电系统的运行支援信息。

提供部基于判定部中的判定结果来提供蓄电系统的运行支援信息。例如，在判定为蓄电元件的异常的情况下，提供部能够提供负载的减轻、蓄电元件的更换等信息。此外，在判定为环境的异常的情况下，提供部能够提供空调的调整等(例如，降低温度等)信息，能够根据异常主要原因来提供支援蓄电系统的最佳运行的运行支援信息。

也可以是，异常主要原因判定装置具备：第1计算部，基于由所述实测值获取部获取到的实测值来计算所需的蓄电元件间的实测电压差以及实测温度差；和第2计算部，基于由所述实测值获取部获取到的实测值以及由所述预测值获取部获取到的预测值来计算关于所述所需的蓄电元件中的一个蓄电元件的电压以及温度的实测值与预测值的差，所述判定部基于由所述实测值获取部获取到的实测电流值、由所述第1计算部计算出的实测电压差以及实测温度差、和由所述第2计算部计算出的实测值与预测值的差来判定有无异常主要原因。

第1计算部基于由实测值获取部获取到的实测值来计算所需的蓄电元件间的实测电压差以及实测温度差。

第2计算部基于由实测值获取部获取到的实测值以及由预测值获取部获取到的预测值，计算关于所需的蓄电元件中的一个蓄电元件的电压以及温度的实测值与预测值的差。

判定部基于由实测值获取部获取到的实测电流值、由第1计算部计算出的实测电压差以及实测温度差、和由第2计算部计算出的实测值与预测值的差来判定有无异常主要原因。例如，在实测电流值以及蓄电元件间的实测电压差大且实测值与预测值的差也大的情况下，能够判定为该一个蓄电元件的异常。另一方面，在实测电流值以及蓄电元件间的实测电压差大但实测值与预测值的差小的情况下，例如，能够判定为起因于蓄电系统内的蓄电元件间的配置、设置条件的差异、蓄电元件间的soc的偏差等，是假定内的状态(非异常)。

此外，在实测电流值小、蓄电元件间的实测温度差大、且实测值与预测值的差也大的情况下，能够判定为环境的异常。另一方面，在实测电流值小、蓄电元件间的实测温度差大但实测值与预测值的差小的情况下，能够判定为起因于蓄电系统内的蓄电元件间的配置、设置条件的差异等，是假定内的状态(非异常)。

在异常主要原因判定装置中，所述判定部作为所述异常主要原因也可以判定是所述蓄电元件的异常还是所述蓄电元件的环境的异常。

作为异常主要原因，判定部判定是蓄电元件的异常还是蓄电元件的环境的异常。蓄电元件的异常例如包含判定为蓄电元件比假定更早发生劣化的情况。此外，由于能够区分判定蓄电元件的异常和环境的异常，因此能够防止错误地判定为是蓄电元件的异常。

也可以是，异常主要原因判定装置具备：学习器，基于学习数据进行了学习，该学习数据将多个蓄电元件的实测电流值、所需的蓄电元件间的实测电压差以及实测温度差、和关于所述所需的蓄电元件中的一个蓄电元件的电压以及温度的实测值与预测值的差作为输入数据，并将异常主要原因作为输出数据，所述判定部将由所述实测值获取部获取到的实测电流值、由所述第1计算部计算出的实测电压差以及实测温度差、和由所述第2计算部计算出的实测值与预测值的差输入至所述学习器，判定有无异常主要原因。

学习器基于学习数据进行了学习，该学习数据将多个蓄电元件的实测电流值、所需的蓄电元件间的实测电压差以及实测温度差、和关于所需的蓄电元件中的一个蓄电元件的电压以及温度的实测值与预测值的差作为输入数据，并将异常主要原因作为输出数据。

学习器例如进行学习，使得在实测电流值以及蓄电元件间的实测电压差大且实测值与预测值的差也大的情况下，输出该一个蓄电元件的异常。此外，学习器进行学习，使得在实测电流值以及蓄电元件间的实测电压差大且实测值与预测值的差小的情况下，输出是假定内的状态(非异常)。

学习器进行学习，使得在实测电流值小、蓄电元件间的实测温度差大且实测值与预测值的差也大的情况下，输出环境的异常。此外，学习器进行学习，使得在实测电流值小、蓄电元件间的实测温度差大且实测值与预测值的差小的情况下，输出是假定内的状态(非异常)。

判定部将由实测值获取部获取到的实测电流值、由第1计算部计算出的实测电压差以及实测温度差、和由第2计算部计算出的实测值与预测值的差输入至学习器，判定有无异常主要原因。由此，能够判定异常主要原因(例如，蓄电元件的异常(比假定更早的劣化等)、或者蓄电元件的环境的异常)。此外，由于能够区分判定蓄电元件的异常和环境的异常，因此能够防止错误地判定为是蓄电元件的异常。

对蓄电元件的劣化进行判定的劣化判定装置具备：实测数据获取部，获取蓄电元件的包含实测电气值以及实测温度值的实测时间序列数据；预测数据获取部，获取所述蓄电元件的包含预测电气值以及预测温度值的预测时间序列数据；和学习处理部，基于学习数据使学习模型进行学习，该学习数据将所述实测时间序列数据以及预测时间序列数据作为输入数据，并将所述蓄电元件的劣化的判定作为输出数据。

用于使计算机判定蓄电元件的劣化的计算机程序，使计算机执行如下处理：获取蓄电元件的包含实测电气值以及实测温度值的实测时间序列数据；获取所述蓄电元件的包含预测电气值以及预测温度值的预测时间序列数据；和基于学习数据使学习模型进行学习，该学习数据将所述实测时间序列数据以及预测时间序列数据作为输入数据，并将所述蓄电元件的劣化的判定作为输出数据。

对蓄电元件的劣化进行判定的劣化判定方法，获取蓄电元件的包含实测电气值以及实测温度值的实测时间序列数据，获取所述蓄电元件的包含预测电气值以及预测温度值的预测时间序列数据，基于学习数据使学习模型进行学习，该学习数据将所述实测时间序列数据以及预测时间序列数据作为输入数据，并将所述蓄电元件的劣化的判定作为输出数据。

实测数据获取部获取蓄电元件的包含实测电气值以及实测温度值的实测时间序列数据。电气值包含电压以及电流。实测电气值例如包含由电压传感器实测的电压值、由电流传感器实测的电流值。实测温度值是由温度传感器实测的温度。

预测数据获取部获取该蓄电元件的包含预测电气值以及预测温度值的预测时间序列数据。预测电气值以及预测温度值不是实际上由传感器实测的值，而是根据蓄电元件的设置条件、周围温度等环境状态事前假定的值，意味着计算出的值或者估计出的值。

学习处理部基于学习数据使学习模型进行学习，该学习数据将实测时间序列数据以及预测时间序列数据作为输入数据，并将蓄电元件的劣化的判定作为输出数据。学习模型不仅学习蓄电元件的包含实测电气值以及实测温度值的实测时间序列数据，还学习该蓄电元件的包含预测电气值以及预测温度值的预测时间序列数据。即，能够学习在蓄电元件的实测电气值以及实测温度值如何推移、且该蓄电元件的预测电气值以及预测温度值如何推移时该蓄电元件是正常还是劣化。由于预测时间序列数据是根据蓄电元件的设置条件、周围温度等环境状态而假定的数据，因此学习模型能够学习环境差异所引起的蓄电元件的充放电行为。

由此，能够生成如下的学习完毕学习模型，即，即使在有蓄电元件的设置条件、周围温度等环境差异的情况下，也能够精度良好地判定蓄电元件的劣化。

对蓄电元件的劣化进行判定的劣化判定装置具备：实测数据获取部，获取蓄电元件的包含实测电气值以及实测温度值的实测时间序列数据；预测数据获取部，获取所述蓄电元件的包含预测电气值以及预测温度值的预测时间序列数据；和学习完毕的学习模型，将所述实测时间序列数据以及预测时间序列数据作为输入数据，并输出所述蓄电元件的劣化的判定。

用于使计算机判定蓄电元件的劣化的计算机程序使计算机执行如下处理：获取蓄电元件的包含实测电气值以及实测温度值的实测时间序列数据；获取所述蓄电元件的包含预测电气值以及预测温度值的预测时间序列数据；和将所述实测时间序列数据以及预测时间序列数据输入至学习完毕的学习模型，判定所述蓄电元件的劣化。

对蓄电元件的劣化进行判定的劣化判定方法获取蓄电元件的包含实测电气值以及实测温度值的实测时间序列数据，获取所述蓄电元件的包含预测电气值以及预测温度值的预测时间序列数据，将所述实测时间序列数据以及预测时间序列数据输入至学习完毕的学习模型，判定所述蓄电元件的劣化。

学习完毕的学习模型将实测时间序列数据以及预测时间序列数据作为输入数据，并输出蓄电元件的劣化的判定。学习完毕的学习模型学习完毕在蓄电元件的实测电气值以及实测温度值如何推移、且该蓄电元件的预测电气值以及预测温度值如何推移时该蓄电元件是正常还是劣化。由于预测时间序列数据是根据蓄电元件的设置条件、周围温度等环境状态而假定的数据，因此学习完毕的学习模型学习完毕环境差异所引起的蓄电元件的充放电行为。

由此，即使在有蓄电元件的设置条件、周围温度等环境差异的情况下，也能够精度良好地判定蓄电元件的劣化。

在劣化判定装置中，也可以是，所述学习处理部基于将所述实测电气值与预测电气值的差或者比、以及所述实测温度值与预测温度值的差或者比各自的时间序列数据作为输入数据的学习数据而使所述学习模型进行学习。

学习处理部基于将实测电气值与预测电气值的差或者比、以及实测温度值与预测温度值的差或者比各自的时间序列数据作为输入数据的学习数据而使学习模型进行学习。

学习模型能够学习在实测电气值与预测电气值的差或者比如何推移时该蓄电元件是正常还是劣化。此外，学习模型能够学习在实测温度值与预测温度值的差或者比如何推移时该蓄电元件是正常还是劣化。由此，学习模型能够学习环境差异所引起的蓄电元件的充放电行为。

在劣化判定装置中，也可以是，所述实测数据获取部获取所述蓄电元件的包含实测电压值的实测时间序列数据，所述预测数据获取部获取所述蓄电元件的包含预测电压值的预测时间序列数据，所述学习处理部基于将包含所述实测电压值的实测时间序列数据以及包含所述预测电压值的预测时间序列数据作为输入数据的学习数据而使所述学习模型进行学习。

实测数据获取部获取蓄电元件的包含实测电压值的实测时间序列数据。预测数据获取部获取该蓄电元件的包含预测电压值的预测时间序列数据。学习处理部基于将包含实测电压值的实测时间序列数据以及包含预测电压值的预测时间序列数据作为输入数据的学习数据而使学习模型进行学习。

学习模型能够学习在实测电压值以及预测电压值如何推移时该蓄电元件是正常还是劣化。由此，学习模型能够根据所假定的电压差来学习蓄电元件是正常还是劣化。

在劣化判定装置中，也可以是，所述实测数据获取部获取所述蓄电元件的包含实测电流值的实测时间序列数据，所述预测数据获取部获取所述蓄电元件的包含预测电流值的预测时间序列数据，所述学习处理部基于将包含所述实测电流值的实测时间序列数据以及包含所述预测电流值的预测时间序列数据作为输入数据的学习数据而使所述学习模型进行学习。

实测数据获取部获取蓄电元件包含的实测电流值的实测时间序列数据。预测数据获取部获取蓄电元件的包含预测电流值的预测时间序列数据。学习处理部基于将包含实测电流值的实测时间序列数据以及包含预测电流值的预测时间序列数据作为输入数据的学习数据而使学习模型进行学习。

学习模型能够学习在实测电流值以及预测电流值如何推移时该蓄电元件是正常还是劣化。由此，学习模型能够根据所假定的电流差来学习蓄电元件是正常还是劣化。

在劣化判定装置中，也可以是，所述实测数据获取部获取实测时间序列数据，该实测时间序列数据包含构成蓄电模块的多个蓄电单体各自的实测电气值与所述多个蓄电单体的实测电气值的平均值的差或者比，所述学习处理部基于将包含所述差或者比的实测时间序列数据作为输入数据的学习数据而使所述学习模型进行学习。

实测数据获取部获取实测时间序列数据，该实测时间序列数据包含构成蓄电模块的多个蓄电单体各自的实测电气值与多个蓄电单体的实测电气值的平均值的差或者比。即，获取实测时间序列数据，该实测时间序列数据包含对多个蓄电单体各自的实测电气值进行了平均的平均值与多个蓄电单体各自的实测电气值的差或者比。

学习处理部基于将包含该差或者比的实测时间序列数据作为输入数据的学习数据而使学习模型进行学习。由此，学习模型能够学习在对多个蓄电单体各自的实测电气值进行了平均的平均值与多个蓄电单体各自的实测电气值的差或者比如何推移时该蓄电元件是正常还是劣化。由此，学习模型能够根据蓄电单体间的实测电气值来学习蓄电元件是正常还是劣化。

在劣化判定装置中，也可以是，所述预测数据获取部获取预测时间序列数据，该预测时间序列数据包含构成蓄电模块的多个蓄电单体各自的预测电气值与所述多个蓄电单体的预测电气值的平均值的差或者比，所述学习处理部基于将包含所述差或者比的预测时间序列数据作为输入数据的学习数据而使所述学习模型进行学习。

预测数据获取部获取预测时间序列数据，该预测时间序列数据包含构成蓄电模块的多个蓄电单体各自的预测电气值与多个蓄电单体的预测电气值的平均值的差或者比。即，获取实测时间序列数据，该实测时间序列数据包含对多个蓄电单体各自的预测电气值进行了平均的平均值与多个蓄电单体各自的预测电气值的差或者比。

学习处理部基于将包含该差或者比的预测时间序列数据作为输入数据的学习数据而使学习模型进行学习。由此，学习模型能够学习在对多个蓄电单体各自的预测电气值进行了平均的平均值与多个蓄电单体各自的预测电气值的差或者比如何推移时该蓄电元件是正常还是劣化。由此，学习模型能够根据蓄电单体间的事前的环境差异来学习蓄电元件是正常还是劣化。

在劣化判定装置中，也可以是，所述预测数据获取部获取预测时间序列数据，该预测时间序列数据包含构成蓄电模块的多个蓄电单体各自的预测温度值与所述多个蓄电单体的预测温度值的平均值的差或者比，所述学习处理部基于将包含所述差或者比的预测时间序列数据作为输入数据的学习数据而使所述学习模型进行学习。

预测数据获取部获取预测时间序列数据，该预测时间序列数据包含构成蓄电模块的多个蓄电单体各自的预测温度值与多个蓄电单体的预测温度值的平均值的差或者比。即，获取预测时间序列数据，该预测时间序列数据包含对多个蓄电单体各自的预测温度值进行了平均的平均值与多个蓄电单体各自的预测温度值的差或者比。多个蓄电单体各自的预测温度值能够根据流过蓄电单体的预测电流值、蓄电模块内的蓄电单体的配置状况、蓄电模块的预测温度值等求出。

学习处理部基于将包含该差或者比的预测时间序列数据作为输入数据的学习数据而使学习模型进行学习。由此，学习模型能够学习在对多个蓄电单体各自的预测温度值进行了平均的平均值与多个蓄电单体各自的预测温度值的差或者比如何推移时该蓄电元件是正常还是劣化。由此，学习模型能够根据蓄电单体间的事前的环境差异来学习蓄电元件是正常还是劣化。

在劣化判定装置中，也可以是，所述实测数据获取部获取所述蓄电元件的包含实测压力值的实测时间序列数据，所述预测数据获取部获取所述蓄电元件的包含预测压力值的预测时间序列数据，所述学习处理部基于将包含所述实测压力值与预测压力值的差或者比的时间序列数据作为输入数据的学习数据而使所述学习模型进行学习。

实测数据获取部获取蓄电元件的包含实测压力值的实测时间序列数据。预测数据获取部获取该蓄电元件的包含预测压力值的预测时间序列数据。学习处理部基于将包含实测压力值与预测压力值的差或者比的时间序列数据作为输入数据的学习数据而使学习模型进行学习。

学习模型能够学习在实测压力值以及预测压力值如何推移时该蓄电元件是正常还是劣化。由此，学习模型能够根据所假定的压力差来学习蓄电元件是正常还是劣化。

在劣化判定装置中，也可以是，所述学习处理部基于将有无所述蓄电元件涉及的环境异常作为输出数据的学习数据而使所述学习模型进行学习。

学习处理部基于将有无蓄电元件涉及的环境异常作为输出数据的学习数据而使学习模型进行学习。通过使学习模型学习有无环境异常，从而例如不仅能够学习蓄电元件的劣化还能够学习有环境异常，能够区分判定蓄电元件的劣化和环境异常。

在劣化判定装置中，也可以是，利用由所述学习处理部使其进行了学习的学习完毕的学习模型来判定所述蓄电元件的劣化。

利用由学习处理部使其进行了学习的学习完毕的学习模型来判定蓄电元件的劣化。由此，即使在有蓄电元件的设置条件、周围温度等环境差异的情况下，也能够精度良好地判定蓄电元件的劣化。

发明效果

根据上述结构，能够判定关于蓄电系统的异常主要原因，能够根据异常主要原因来提供支援蓄电系统的最佳运行的运行支援信息。

附图说明

图1是示出本实施方式的远程监视系统的概要的图。

图2是示出远程监视系统的结构的一例的框图。

图3是示出通信设备的连接方式的一例的图。

图4是示出服务器装置的结构的一例的框图。

图5是示出学习模型的结构的一例的示意图。

图6是示出蓄电模块内的蓄电单体的温度分布的一例的示意图。

图7是示出环境差异所引起的蓄电元件的行为的差异的一例的示意图。

图8是示出环境差异所引起的蓄电元件的行为的差异的另一例的示意图。

图9是示出蓄电元件的电压的时间序列数据的一例的示意图。

图10是示出蓄电元件的温度的时间序列数据的一例的示意图。

图11是示出蓄电单体各自的电压和平均电压的时间序列数据的一例的示意图。

图12是示出蓄电单体各自的温度和平均温度的时间序列数据的一例的示意图。

图13是示出学习数据的第1例的结构图。

图14是示出学习数据的第2例的结构图。

图15是示出学习数据的第3例的结构图。

图16是示出学习模式下的学习模型的处理的一例的示意图。

图17是示出判定模式下的学习模型的处理的一例的示意图。

图18是示出学习模式下的处理部的处理过程的一例的流程图。

图19是示出判定模式下的处理部的处理过程的一例的流程图。

图20是示出作为第2实施方式的异常主要原因判定装置的服务器装置的结构的一例的框图。

图21是示出实测值与预测值的关系的一例的说明图。

图22是示出蓄电系统的使用状态下的实测值和预测值的推移的第1例的示意图。

图23是示出蓄电系统的使用状态下的实测值和预测值的推移的第2例的示意图。

图24是示出异常主要原因判定的规则库模型的一例的说明图。

图25是示出学习模型的结构的一例的示意图。

图26是示出第2实施方式的服务器装置的处理过程的一例的流程图。

具体实施方式

(第1实施方式)

以下，基于附图对本实施方式涉及的劣化判定装置进行说明。图1是示出本实施方式的远程监视系统100的概要的图。如图1所示，在包含公共通信网(例如，因特网等)n1以及实现基于移动通信标准的无线通信的运营商网络n2等的网络n，连接有火力发电系统f、超级太阳能发电系统s、风力发电系统w、无停电电源装置(ups：uninterruptiblepowersupply)u以及铁路用的稳定化电源系统等所配设的整流器(直流电源装置或者交流电源装置)d等。此外，在网络n，连接有后述的通信设备1、从通信设备1收集信息的作为劣化判定装置的服务器装置2、以及获取所收集的信息的客户端装置3等。

更具体地，在运营商网络n2包含基站bs，客户端装置3能够从基站bs经由网络n而与服务器装置2进行通信。此外，在公共通信网n1连接有接入点ap，客户端装置3能够从接入点ap经由网络n而在与服务器装置2之间收发信息。

在超级太阳能发电系统s、火力发电系统f以及风力发电系统w同时设置有功率调节器(pcs：powerconditioningsystem)p、以及蓄电系统101。蓄电系统101构成为并设多个容纳有蓄电模块组l的容器c。蓄电模块组l例如包含串联连接了多个蓄电单体(也称为单体)的蓄电模块(也称为模块)、串联连接了多个蓄电模块的群、和并联连接了多个群的域这样的分级构造。蓄电元件优选为如铅蓄电池以及锂离子电池那样的二次电池、如电容器那样的可再充电的元件。蓄电元件的一部分也可以是不可再充电的一次电池。

图2是示出远程监视系统100的结构的一例的框图。远程监视系统100具备通信设备1、服务器装置2、客户端装置3等。

如图2所示，通信设备1与网络n连接，并且还与对象装置p、u、d、m连接。对象装置p、u、d、m包含功率调节器p、无停电电源装置u、整流器d、后述的管理装置m。

在远程监视系统100中，利用与各对象装置p、u、d、m连接的通信设备1来监视并且收集蓄电系统101中的蓄电模块(蓄电单体)的状态(例如，电压、电流、温度、soc(充电状态))。远程监视系统100进行提示，以使得用户或者操作员(维修人员)能够确认所探测到的蓄电单体的状态(包含劣化状态等)。

通信设备1具备控制部10、存储部11、第1通信部12以及第2通信部13。控制部10包含cpu(centralprocessingunit，中央处理单元)等，利用所内置的rom(readonlymemory，只读存储器)以及ram(randomaccessmemory，随机存取存储器)等存储器来控制通信设备1整体。

存储部11例如能够利用闪存等非易失性存储器。在存储部11中存储有控制部10读出并执行的设备程序1p。在存储部11中存储有通过控制部10的处理而收集到的信息、事件日志等信息。

第1通信部12是实现与对象装置p、u、d、m的通信的通信接口，例如，能够利用rs-232c或者rs-485等串行通信接口。

第2通信部13是经由网络n实现通信的接口，例如，利用ethernet(注册商标)、或者无线通信用天线等通信接口。控制部10能够经由第2通信部13而与服务器装置2进行通信。

客户端装置3也可以是发电系统s、f的蓄电系统101的管理员、对象装置p、u、d、m的维修人员等操作员使用的计算机。客户端装置3可以是台式或者笔记本式的个人计算机，还可以是智能手机或者平板型的通信终端。客户端装置3具备控制部30、存储部31、通信部32、显示部33、以及操作部34。

控制部30是利用了cpu的处理器。控制部30基于存储于存储部31的web浏览器程序而使由服务器装置2或者通信设备1提供的web网页显示于显示部33。

存储部31例如利用硬盘或者闪存等非易失性存储器。在存储部31中存储有包含web浏览器程序的各种程序。

通信部32能够利用有线通信用的网卡等通信设备、与基站bs(参照图1)连接的移动通信用的无线通信设备、或者与向接入点ap的连接对应的无线通信设备。控制部30能够通过通信部32经由网络n而在与服务器装置2或者通信设备1之间进行通信连接或者信息的收发。

显示部33能够利用液晶显示器、有机el(electroluminescence，电致发光)显示器等显示器。显示部33能够通过控制部30的基于web浏览器程序的处理来显示由服务器装置2提供的web网页的消息。

操作部34是能够在与控制部30之间进行输入输出的键盘以及指示设备、或声音输入部等用户接口。操作部34也可以利用显示部33的触摸面板、或者设置于壳体的物理按钮。操作部34向控制部20通知基于用户的操作信息。

关于服务器装置2的结构将后述。

图3是示出通信设备1的连接方式的一例的图。如图3所示，通信设备1与管理装置m连接。在管理装置m，还连接有分别设置于群#1～#n的管理装置m。另外，通信设备1既可以是与分别设置于群#1～#n的管理装置m进行通信来接收蓄电元件的信息的终端装置(计测监视器)，也可以是能够与电源关联装置连接的网卡型的通信设备。

各群#1～#n具备多个蓄电模块60，各蓄电模块60具备控制基板(cmu：cellmonitoringunit，电池监控单元)70。按每个群设置的管理装置m能够通过串行通信而与分别内置于蓄电模块60的带通信功能的控制基板70进行通信，并且能够在与连接于通信设备1的管理装置m之间进行信息的收发。与通信设备1连接的管理装置m汇集来自属于域的群的管理装置m的信息，并输出给通信设备1。

图4是示出服务器装置2的结构的一例的框图。服务器装置2具备控制部20、通信部21、存储部22、以及处理部23。处理部23具备预测数据生成部24、学习数据生成部25、学习模型26、学习处理部27、以及输入数据生成部28。服务器装置2虽然可以是1台服务器计算机，但并不限定于此，也可以包含多台服务器计算机。

控制部20例如能够包含cpu，利用所内置的rom以及ram等存储器来控制服务器装置2整体。控制部20执行基于存储于存储部22的服务器程序2p的信息处理。在服务器程序2p中包含web服务器程序，控制部20作为执行向客户端装置3提供web网页、向web服务受理登录等的web服务器发挥功能。控制部20还能够基于服务器程序2p作为snmp(simplenetworkmanagementprotocol，简单网络管理协议)用服务器而从通信设备1收集信息。

通信部21是实现经由网络n的通信连接以及数据的收发的通信设备。具体地，通信部21是与网络n对应的网卡。

存储部22例如能够利用硬盘或者闪存等非易失性存储器。在存储部22中存储通过控制部20的处理而收集的包含成为监视对象的对象装置p、u、d、m的状态的传感器信息(例如，蓄电元件的实测电压数据、实测电流数据、实测温度数据、实测压力数据)。

处理部23能够按每个蓄电元件来区分获取收集在存储部22的数据库中的蓄电元件(蓄电模块、蓄电单体)的传感器信息(时间序列的实测电压数据、时间序列的实测电流数据、时间序列的实测温度数据、时间序列的实测压力数据)。

处理部23以使学习模型26学习的学习模式、和利用学习完毕的学习模型26判定有无蓄电元件的劣化以及设置蓄电元件的环境的异常(环境异常)的判定模式来动作。

图5是示出学习模型26的结构的一例的示意图。学习模型26是包含深层学习(深度学习)的神经网络模型，包含输入层、输出层以及多个中间层。另外，在图5中，方便起见，图示了两个中间层，但中间层的层数并不限定于两个，也可以为3个以上。

在输入层、输出层以及中间层中存在一个或者多个节点(神经元)，各层的节点在一个方向上以希望的权重与存在于前后层的节点耦合。具有与输入层的节点的数目相同数目的分量的矢量作为学习模型26的输入数据(学习用的输入数据以及判定用的输入数据)赋予。在输入数据中包含蓄电元件信息(soc、充满电容量、soc-ocv(开路电压：opencircuitvoltage)曲线、内部电阻等)、实测值时间序列数据(电压、电流、温度、压力等)、预测值时间序列数据(电压、电流、温度、压力等)等。在输出数据中包含蓄电元件的劣化的判定、环境异常的有无。这些信息的详细将后述。

若赋予给输入层的各节点的数据输入至最初的中间层来赋予，则利用权重以及激活函数来计算中间层的输出，计算出的值被赋予给下一个中间层，以下同样地，逐次传递至后面的层(下层)，直至求出输出层的输出为止。另外，将节点耦合的权重全部通过学习算法来计算。

输出数据能够设为具有与输出层的节点的数目(输出层的尺寸)相同尺寸的分量的矢量形式的数据。例如，如图5所示，将输出层的节点数设为4，输出节点分别能够设为蓄电元件为劣化状态的概率、蓄电元件为正常的概率、环境为异常的概率、以及环境为正常的概率等。

学习模型26以及学习处理部27例如能够通过组合cpu(例如，安装了多个处理器核的多处理器等)、gpu(graphicsprocessingunits，图形处理单元)、dsp(digitalsignalprocessors，数字信号处理器)、fpga(field-programmablegatearrays，现场可编程门阵列)等硬件来构成。此外，还能够组合量子处理器。学习模型26并不限定于神经网络模型，还可以是其他机器学习模型。

图6是示出蓄电模块内的蓄电单体的温度分布的一例的示意图。在图6中，方便起见，将温度分布分类为高(很高)、中(略高)、低(通常)这三类，但实际的温度分布能够更细(例如，以1℃为单位)地表示。能够基于蓄电模块内的各蓄电单体的配置、流过蓄电模块(蓄电单体)的电流值、蓄电模块的设置条件、蓄电模块的氛围气温度等环境的各种的主要原因，事前假定(预测)温度分布。在图6的例子中，可知，配置在比外侧更靠中央附近的蓄电单体具有温度高的倾向，此外，与蓄电模块的下侧相比上侧具有温度高的倾向。这样，可以说，蓄电单体间的温度差是环境的各种的主要原因汇集而呈现的。

图7是示出环境差异所引起的蓄电元件的行为的差异的一例的示意图。在图7中，纵轴表示电压，横轴表示时间。电压例如是对蓄电元件进行充电的情况下的推移，但放电时也同样。在图7的例子中，环境差异为温度差。在图中，由符号b示出的曲线表示正常的蓄电元件的电压的推移。假设在不考虑温度差地观察由符号a示出的曲线的蓄电元件的电压的推移的情况下，与由符号b示出的正常的蓄电元件的电压的推移相比电压高，因此例如能够判断为蓄电元件的内部电阻增加，容量下降，有可能判断为由符号a示出的曲线的蓄电元件劣化。但是，实际上，由符号a示出的曲线的蓄电元件的电压的推移表示与由符号b示出的正常的蓄电元件的温度(高：普通)相比很低的温度下的推移，如果考虑环境差异(温度差)，则可以说由符号a示出的曲线的蓄电元件在正常的范围内。另一方面，由符号c示出的曲线表示与假定相比更劣化的蓄电元件的电压的推移。这样，若不考虑环境差异，则有可能将正常的蓄电元件判断为劣化。换言之，通过考虑环境差异，从而能够防止将正常的蓄电元件误判定为劣化。

图8是示出环境差异所引起的蓄电元件的行为的差异的另一例的示意图。在图8中，纵轴表示充满电容量(fcc)，横轴表示时间。在图8的例子中，环境差异为温度差。充满电容量是对蓄电元件进行充满电时的容量。在图中，由符号a示出的曲线表示正常的蓄电元件的充满电容量的推移。假设在不考虑温度差地观察由符号b示出的曲线的蓄电元件的充满电容量的推移的情况下，与由符号a示出的正常的蓄电元件的充满电容量的推移相比充满电容量低，因此例如能够判断为推进了蓄电元件的劣化，有可能判断为由符号b示出的曲线的蓄电元件劣化。但是，实际上，由符号b示出的曲线的蓄电元件的充满电容量的推移表示与由符号a示出的正常的蓄电元件的温度(低：普通)相比很高的温度下的推移，如果考虑环境差异(温度差)，则可以说由符号b示出的曲线的蓄电元件在正常的范围内。另一方面，由符号c示出的曲线表示与假定相比更劣化的蓄电元件的充满电容量的推移。这样，若不考虑环境差异，则有可能将正常的蓄电元件判断为劣化。换言之，通过考虑环境差异，从而能够防止将正常的蓄电元件误判定为劣化。

图9是示出蓄电元件的电压的时间序列数据的一例的示意图。在图9中，纵轴表示电压，横轴表示时间。电压例如是对蓄电元件进行充放电的情况下的推移。在图中，实测电压数据表示由电压传感器实际上实测的电压值。预测电压数据表示考虑蓄电元件的所假定的环境差异而事前假定的电压值。如果实测电压值与预测电压值的差或者比在给定的电压阈值以内，则能够判定为蓄电元件处于考虑到环境差异的假定内的状态，是正常的。但是，在实测电压值与预测电压值的差或者比大于给定的电压阈值的情况下，能够判定为蓄电元件脱离假定内的状态，发生了劣化(在图中，由箭头示出的地方)。另外，该例是与假定相比更劣化的蓄电元件的情况，在正常的情况下，差或者比在误差范围内。另外，即使正常，由于温度差也会产生给定范围内的偏差。

即，能够根据实测电压值与预测电压值的差或者比的时间序列数据、和关于蓄电元件的劣化的判定的数据而使学习模型26进行学习。

图10是示出蓄电元件的温度的时间序列数据的一例的示意图。在图10中，纵轴表示温度，横轴表示时间。温度例如是对蓄电元件进行充放电的情况下的推移。在图中，实测温度数据表示由温度传感器实际上实测的温度值。预测温度数据表示考虑蓄电元件的所假定的环境差异而事前假定的温度值。如果实测温度值与预测温度值的差或者比在给定的温度阈值以内，则能够判定为蓄电元件处于考虑到环境差异的假定内的状态，是正常的。在实测温度值与预测温度值的差或者比大于给定的温度阈值的情况下，能够判定为蓄电元件脱离假定内的状态，发生了劣化(在图中，由箭头示出的地方)。

即，能够根据实测温度值与预测温度值的差或者比的时间序列数据、和关于蓄电元件的劣化的判定的数据而使学习模型26进行学习。

在上述的例子中，对电压值和温度值进行了说明，但并不限定于此。例如，能够根据实测电流值与预测电流值的差或者比的时间序列数据和关于件的劣化的判定的数据而使得学习模型26进行学习。此外，例如，能够根据如图6所示那样堆叠了多个蓄电单体的蓄电模块中的、单体间的压力值的实测压力值与预测压力值的差或者比的时间序列数据和关于蓄电元件的劣化的判定的数据而使学习模型26进行学习。

图11是示出蓄电单体各自的电压和平均电压的时间序列数据的一例的示意图。在图11中，纵轴表示电压，横轴表示时间。电压例如是对蓄电元件进行充放电的情况下的推移。方便起见，将蓄电单体设为c1、c2以及c3。在图中，示出蓄电单体c1、c2以及c3的电压值和蓄电单体c1、c2以及c3的各电压值的平均值。如果考虑蓄电单体间的环境差异，则蓄电单体c1、c2以及c3的各电压值存在一定的偏差(为正常的情况下的容许范围内的偏差)。即，如果蓄电单体c1、c2以及c3的各电压值与平均值的差或者比在给定的电压阈值以内，则能够判定为蓄电单体处于考虑到环境差异的假定内的状态，是正常的。但是，在蓄电单体c1、c2以及c3的各电压值与平均值的差或者比大于给定的电压阈值的情况下，能够判定为蓄电单体脱离假定内的状态，发生了劣化(在图中，由箭头示出的地方)。

即，能够根据多个蓄电单体的各电压值与平均值的差或者比的时间序列数据、和关于蓄电元件的劣化的判定的数据而使学习模型26进行学习。另外，时间序列数据既可以是实测值的时间序列数据也可以是预测值的时间序列数据。此外，时间序列数据并不限定于电压值，也可以是电流值、或压力值。

图12是示出蓄电单体各自的温度和平均温度的时间序列数据的一例的示意图。在图12中，纵轴表示温度，横轴表示时间。温度例如是对蓄电元件进行充放电的情况下的推移。方便起见，将蓄电单体设为c1、c2以及c3。在图中，示出蓄电单体c1、c2以及c3的温度和蓄电单体c1、c2以及c3的各温度的平均值。如果考虑蓄电单体间的环境差异，则蓄电单体c1、c2以及c3的各温度存在一定的偏差(为正常的情况下的容许范围内的偏差)。即，如果蓄电单体c1、c2以及c3的各温度与平均值的差或者比在给定的温度阈值以内，则能够判定为蓄电单体处于考虑到环境差异的假定内的状态，是正常的。但是，在蓄电单体c1、c2以及c3的各温度与平均值的差或者比大于给定的温度阈值的情况下，能够判定为蓄电单体脱离假定内的状态，发生了劣化(图中，由箭头示出的地方)。

即，能够根据多个蓄电单体的各温度与平均值的差或者比的时间序列数据、和关于蓄电元件的劣化的判定的数据而使学习模型26进行学习。另外，时间序列数据既可以是实测值的时间序列数据也可以是预测值的时间序列数据。

以下，首先，对学习模型26的学习模式进行说明。

处理部23获取蓄电元件的包含实测电气值以及实测温度值的实测时间序列数据。电气值包含电压以及电流。实测电气值例如包含由电压传感器实测的电压值、由电流传感器实测的电流值。实测温度值是由温度传感器实测的温度。

预测数据生成部24生成该蓄电元件的包含预测电气值以及预测温度值的预测时间序列数据。预测电气值以及预测温度值不是实际上由传感器实测的值，而是根据蓄电元件的设置条件、周围温度等环境状态而事前假定的值，意味着计算出的值或者估计出的值。

处理部23能够获取预测数据生成部24生成的、该蓄电元件的包含预测电气值以及预测温度值的预测时间序列数据。

学习数据生成部25生成将实测时间序列数据以及预测时间序列数据作为输入数据并将蓄电元件的劣化的判定作为输出数据的学习数据。

学习处理部27基于生成的学习数据而使学习模型26进行学习。

另外，上述的学习数据生成部25无需具备在服务器装置2内，也可以使得具备在其他服务器装置内，获取由该服务器装置生成的学习数据，学习处理部27基于获取到的学习数据而使学习模型26进行学习。在本说明书的以下的说明中也同样。

学习模型26不仅能够学习蓄电元件的包含实测电气值以及实测温度值的实测时间序列数据，还能够学习该蓄电元件的包含预测电气值以及预测温度值的预测时间序列数据。即，能够学习在蓄电元件的实测电气值以及实测温度值如何推移且该蓄电元件的预测电气值以及预测温度值如何推移时该蓄电元件是正常还是劣化。由于预测时间序列数据是根据蓄电元件的设置条件、周围温度等环境状态而假定的数据，因此学习模型26能够学习环境差异所引起的蓄电元件的充放电行为。

由此，能够生成如下的学习完毕学习模型26，即，即使在有蓄电元件的设置条件、周围温度等环境差异的情况下，也能够精度良好地判定蓄电元件的劣化。

图13是示出学习数据的第1例的结构图。图13所示的数据表示学习用的输入数据。如图13所示，输入数据包含实测值数据和预测值数据。实测值数据以及预测值数据是蓄电元件的电压、电流、温度、压力的时间序列数据(时间t1、t2、t3、…tn)。例如，实测电压值的时间序列数据由va(t1)、va(t2)、va(t3)、…、va(tn)表示，预测电压值的时间序列数据由ve(t1)、ve(t2)、ve(t3)、…、ve(tn)表示。其他数据也同样。

此外，学习数据生成部25也可以生成将实测电气值与预测电气值的差或者比、以及实测温度值与预测温度值的差或者比各自的时间序列数据作为输入数据的学习数据。

学习模型26能够学习在实测电气值与预测电气值的差或者比如何推移时该蓄电元件是正常还是劣化。此外，学习模型26能够学习在实测温度值与预测温度值的差或者比如何推移时该蓄电元件是正常还是劣化。由此，学习模型26能够学习环境差异所引起的蓄电元件的充放电行为。

具体地，学习数据生成部25能够生成将包含实测电压值的实测时间序列数据以及包含预测电压值的预测时间序列数据作为输入数据的学习数据。

在该情况下，学习模型26能够学习在实测电压值以及预测电压值如何推移时该蓄电元件是正常还是劣化。由此，学习模型26能够根据所假定的电压差来学习蓄电元件是正常还是劣化。

此外，学习数据生成部25能够生成将包含实测电流值的实测时间序列数据以及包含预测电流值的预测时间序列数据作为输入数据的学习数据。

在该情况下，学习模型26能够学习在实测电流值以及预测电流值如何推移时该蓄电元件是正常还是劣化。由此，学习模型26能够根据所假定的电流差来学习蓄电元件是正常还是劣化。

此外，学习数据生成部25能够生成将包含实测压力值与预测压力值的差或者比的时间序列数据作为输入数据的学习数据。

在该情况下，学习模型26能够学习在实测压力值以及预测压力值如何推移时该蓄电元件是正常还是劣化。由此，学习模型26能够根据所假定的压力差来学习蓄电元件是正常还是劣化。

图14是示出学习数据的第2例的结构图。图14所示的数据表示学习用的输入数据。如图14所示，输入数据能够设为实测值与预测值的差的时间序列数据。具体地，是电压差、电流差、温度差、压力差的时间序列数据(时间t1、t2、t3、…tn)。例如，电压差的时间序列数据由{va(t1)-ve(t1)}、{va(t2)-ve(t2)}、{va(t3)-ve(t3)}、…、{va(tn)-ve(tn)}表示。其他数据也同样。

图15是示出学习数据的第3例的结构图。图15所示的数据表示学习用的输入数据。如图15所示，输入数据能够设为实测值与预测值的比的时间序列数据。具体地，是电压比、电流比、温度比、压力比的时间序列数据(时间t1、t2、t3、…tn)。例如，电压比的时间序列数据由{va(t1)/ve(t1)}、{va(t2)/ve(t2)}、{va(t3)/ve(t3)}、…、{va(tn)/ve(tn)}表示。其他数据也同样。

学习数据生成部25能够生成将有无蓄电元件涉及的环境异常作为输出数据的学习数据。通过使学习模型26学习有无环境异常，从而例如不仅能够学习蓄电元件的劣化还能够学习环境异常，能够区分判定蓄电元件的劣化和环境异常。

图16是示出学习模式下的学习模型26的处理的一例的示意图。如图16所示，在学习模型26中被输入时间t1、t2、t3、…、tn的时间序列数据。被输入的时间序列数据例如是如在图13～图15中例示的数据。在学习模型26的输出节点，能够根据输入数据是蓄电元件为正常的情况、蓄电元件发生劣化的情况、为环境正常的情况、或者为环境异常的情况当中的哪种情况下的数据来设定输出值(例如，1和0的任一者)。例如，如果学习用的输入数据是蓄电元件发生劣化的情况下的数据，则只要对“蓄电元件有劣化”的输出节点设定1，对其他输出节点设定0即可。此外，如果学习用的输入数据是为环境异常的情况下的数据，则只要对“有环境异常”的输出节点设定1，对其他输出节点设定0即可。另外，学习模式中的输出数据也可以是蓄电元件为正常的情况、蓄电元件发生劣化的情况、为环境正常的情况、或者为环境异常的情况下各自的概率。在该情况下，能够使学习模型26进行学习，使得输出节点的输出值接近于概率。

下面，对考虑到蓄电单体间的偏差的学习数据进行说明。

学习数据生成部25能够生成将包含构成蓄电模块的多个蓄电单体各自的实测电气值与多个蓄电单体的实测电气值的平均值的差或者比的实测时间序列数据作为输入数据的学习数据。电气值例如能够设为电压值、电流值。

由此，学习模型26能够学习在对多个蓄电单体各自的实测电气值进行了平均的平均值与多个蓄电单体各自的实测电气值的差或者比如何推移时该蓄电元件是正常还是劣化。由此，学习模型26能够根据蓄电单体间的实测电气值来学习蓄电元件是正常还是劣化。

此外，学习数据生成部25能够生成将包含构成蓄电模块的多个蓄电单体各自的预测电气值和多个蓄电单体的预测电气值的平均值的差或者比的预测时间序列数据作为输入数据的学习数据。

由此，学习模型26能够学习在对多个蓄电单体各自的预测电气值进行平均的平均值与多个蓄电单体各自的预测电气值的差或者比如何推移时该蓄电元件是正常还是劣化。由此，学习模型26能够根据蓄电单体间的事前的环境差异来学习蓄电元件是正常还是劣化。

学习数据生成部25能够生成将包含构成蓄电模块的多个蓄电单体各自的预测温度值与多个蓄电单体的预测温度值的平均值的差或者比的预测时间序列数据作为输入数据的学习数据。多个蓄电单体各自的预测温度值能够基于流经蓄电单体的预测电流值、蓄电模块内的蓄电单体的配置状况、蓄电模块的预测温度值等求出。

由此，学习模型26能够学习在对多个蓄电单体各自的预测温度值进行平均的平均值与多个蓄电单体各自的预测温度值的差或者比如何推移时该蓄电元件是正常还是劣化。由此，学习模型26能够根据蓄电单体间的事前的环境差异来学习蓄电元件是正常还是劣化。

下面，对基于学习完毕的学习模型26的判定模式进行说明。

输入数据生成部28是生成包含实测时间序列数据以及预测时间序列数据的输入数据。

图17是示出判定模式下的学习模型26的处理的一例的示意图。如图17所示，在学习完毕的学习模型26中被输入时间t1、t2、t3、…、tn的时间序列数据。被输入的时间序列数据例如具有与如在图13～图15中例示的数据同样的结构。学习完毕的学习模型26基于被输入的时间序列数据来判定蓄电元件的劣化、环境异常的有无。另外，环境异常的有无的判定不是必须的，也可以使得仅判定蓄电元件的劣化。

在学习完毕的学习模型26的输出节点，被输出蓄电元件的劣化的概率、蓄电元件的正常的概率、环境异常的概率、环境正常的概率。

这样，学习完毕的学习模型26能够将实测时间序列数据以及预测时间序列数据作为输入数据，并输出蓄电元件的劣化的判定。学习完毕的学习模型26学习完毕在蓄电元件的实测电气值以及实测温度值如何推移且该蓄电元件的预测电气值以及预测温度值如何推移时该蓄电元件是正常还是劣化。由于预测时间序列数据是根据蓄电元件的设置条件、周围温度等环境状态而假定的数据，因此学习完毕的学习模型26学习完毕环境差异所引起的蓄电元件的充放电行为。

由此，即使在有蓄电元件的设置条件、周围温度等环境差异的情况下，也能够精度良好地判定蓄电元件的劣化。

图18是示出学习模式下的处理部23的处理过程的一例的流程图。处理部23获取蓄电元件的实测时间序列数据(s11)，获取该蓄电元件的预测时间序列数据(s12)。

处理部23生成将实测时间序列数据以及预测时间序列数据作为输入数据并将蓄电元件的劣化的判定作为输出数据的学习数据(s13)。处理部23基于所生成的学习数据来进行学习模型26的学习以及更新(s14)，判定是否结束处理(s15)。在判定为不结束处理的情况下(s15中否)，处理部23继续步骤s11以后的处理，在判定为结束处理的情况下(s15中是)，结束处理。

图19是示出判定模式下的处理部23的处理过程的一例的流程图。处理部23获取蓄电元件的实测时间序列数据(s21)，获取该蓄电元件的预测时间序列数据(s22)。

处理部23基于实测时间序列数据以及预测时间序列数据来生成输入数据(s23)，判定蓄电元件的劣化(s24)，结束处理。

如上述那样，根据本实施方式的服务器装置2，能够基于由在移动体、设施中工作的蓄电元件检测到的传感器信息，使学习模型26不仅学习实际的使用状态下的蓄电元件的详细行为，还一并学习所假定的环境差异所引起的影响，因此不能精度良好地判定蓄电元件的劣化。此外，例如，还能够判定尽管蓄电元件为正常但看上去好像劣化的环境异常的有无。

在上述的实施方式中，服务器装置2是具备学习模型26以及学习处理部27的结构，但并不限定于此。例如，也可以使得将学习模型26以及学习处理部27设置于另外的一个或者多个服务器。劣化判定装置并不限定于服务器装置2。例如，也可以是如劣化判定模拟器的装置。

(第2实施方式)

在上述的第1实施方式中，虽然是将判定为蓄电元件真正地劣化的情形、以及尽管蓄电元件为正常但由于环境差异错误地判定为劣化的情形严格分开，判定有无比蓄电元件的假定更早的劣化的结构，但从同样的观点出发，还能够判定蓄电系统的异常主要原因。以下，对第2实施方式进行说明。

图20是示出作为第2实施方式的异常主要原因判定装置的服务器装置2的结构的一例的框图。与图4所示的服务器装置2的不同点在于，处理部23具备第1计算部231、第2计算部232、异常主要原因判定部233以及运行支援信息提供部234。同样的地方标注相同的符号并省略说明。

处理部23具有作为实测值获取部的功能，获取多个蓄电元件的电流、电压以及温度的实测值。实测值能够获取由蓄电系统中包含的多个蓄电元件的传感器(电流传感器、电压传感器、温度传感器)实测的值。实测值的获取频度能够根据蓄电系统的运行状态等适当决定。例如，在负载变动比较大的运行状态下，能够使实测值的获取频度变多(例如，每隔1小时实测5分钟)。此外，在负载变动比较小的运行状态下，能够使实测值的获取频度变少(例如，每隔6小时实测5分钟)。

处理部23具有作为预测值获取部的功能，获取多个蓄电元件的电压以及温度的预测值。预测值不是实际上由传感器实测的值，而是根据多个蓄电元件的设置条件、周围温度等环境状态而事前假定的值，意味着计算出的值或者估计出的值。预测值可以预先由服务器装置2生成，也可以由外部的装置生成。

第1计算部231基于处理部23获取到的实测值来计算所需的蓄电元件间的实测电压差以及实测温度差。

第2计算部232基于处理部23获取到的实测值以及预测值来计算关于所需的蓄电元件中的一个蓄电元件的电压以及温度的实测值与预测值的差。

图21是示出实测值与预测值的关系的一例的说明图。在图21中，示出构成蓄电系统的多个蓄电元件被串联连接的状态。如图6所示，多个蓄电单体被串联连接而构成一个蓄电模块。而且，构成串联连接了多个蓄电模块的群。图21所示的蓄电单体例如图示了构成群的多个蓄电单体中的所需的两个蓄电单体i、j。另外，蓄电单体i、j能够根据如图6所示的配置状态来选定多个蓄电单体中的任意的蓄电单体。

将流经蓄电单体i、j的电流表示为实测单体电流ie。将蓄电单体i的实测单体电压表示为vei，将蓄电单体j的实测单体电压表示为vej，将蓄电单体i、j间的实测单体间电压差表示为δv(δv＝vei-vej)。

将蓄电单体i的预测单体电压表示为vci，将蓄电单体i的实测与预测的电压差表示为δveci(δveci＝vei-vci)。将蓄电单体j的预测单体电压表示为vcj，将蓄电单体j的实测与预测的电压差表示为δvecj(δvecj＝vej-vcj)。

将蓄电单体i的实测单体温度表示为tei，将蓄电单体j的实测单体温度表示为tej，将蓄电单体i、j间的实测单体间温度差表示为δt(δt＝tei-tej)。

将蓄电单体i的预测单体温度表示为tci，将蓄电单体i的实测与预测的温度差表示为δteci(δteci＝tei-tci)。将蓄电单体j的预测单体温度表示为tcj，将蓄电单体j的实测与预测的温度差表示为δtecj(δtecj＝tej-tcj)。

异常主要原因判定部233具有作为判定部的功能，基于处理部23获取到的实测值以及预测值来判定有无关于蓄电系统的异常主要原因。能够根据流经多个蓄电元件的电流的实测值(也称为实测电流值)来判定是重负载还是轻负载、或者负载变动的大小。此外，如前述，能够基于多个蓄电元件各自的电压的实测值来求出所需的蓄电元件间的电压差。此外，能够基于多个蓄电元件各自的温度的实测值来求出所需的蓄电元件间的温度差。异常主要原因判定部233通过考虑这些电压差以及温度差的实测值、以及实测值与预测值的差等，从而能够严格分开判定异常主要原因的有无、异常主要原因的类别、例如蓄电元件的异常(比假定更早的劣化等)、蓄电元件的环境的异常或假定内的状态(非异常)。

下面，对异常主要原因判定的具体例进行说明。

图22是示出蓄电系统的使用状态下的实测值与预测值的推移的第1例的示意图。在图22中，表示出充放电电流、构成蓄电系统的多个蓄电单体中的所需的蓄电单体间的电压差、该蓄电单体间的温度差的时间的推移。另外，图22中例示的推移是示意性地表示的，存在与实际的推移不同的情况。此外，图示的推移期间的长度例如可以为几小时，也可以为12小时、24小时、几天等。

如图22所示，充电电流以及放电电流以比较小的振幅进行变动，实测单体电流ie小。此外，实测单体间电压差δv、以及实测与预测的电压差δvec分别以小的值进行推移。

关于温度差，在推移期间的前半部分，实测单体间温度差δt以大的值进行推移，实测与预测的温度差δtec以小的值进行推移。若在时间点ta判定异常主要原因，则可知流经蓄电单体的电流小，对蓄电单体未施加重负载。因此，可认为蓄电单体固有的影响少。虽然蓄电单体间的实测的温度差大，但与预测值(计算值)的差小，因此能够判定为温度差(例如，配置、设置条件的差异所引起的环境差异)在假定的范围内，能够判定为蓄电系统非异常。

如图22所示，在推移期间的后半部分，蓄电系统的状态改变，实测单体间温度差δt以大的值进行推移，实测与预测的温度差δtec也以大的值进行推移。若在时间点tb判定异常主要原因，则可知流经蓄电单体的电流小，对蓄电单体未施加重负载。因此，可认为蓄电单体固有的影响少。由于蓄电单体间的实测的温度差大，与预测值(计算值)的差也大，因此蓄电单体的环境超过假定的范围的可能性高，能够判定为环境的异常。

图23是示出蓄电系统的使用状态下的实测值和预测值的推移的第2例的示意图。图23也表示出充放电电流、构成蓄电系统的多个蓄电单体中的所需的蓄电单体间的电压差、该蓄电单体间的温度差的时间的推移。另外，图23中例示的推移是示意性地表示的，存在与实际的推移不同的情况。此外，图示的推移期间的长度例如可以为几小时，也可以为12小时、24小时、几天等。

如图23所示，充电电流以及放电电流以比较大的振幅进行变动，实测单体电流ie大。此外，在推移期间的前半部分，实测单体间温度差δt以大的值进行推移，在推移期间的后半部分，以小的值进行推移。实测与预测的温度差δtec以小的值进行推移。

关于电压差，在推移期间的前半部分，实测单体间电压差δv以大的值进行推移，实测与预测的电压差δvec以小的值进行推移。若在时间点tc判定异常主要原因，则可知流经蓄电单体的电流大，对蓄电单体施加了重负载。因此，可认为有可能存在蓄电单体固有的影响的可能性。虽然蓄电单体间的实测的电压差大，但与预测值(计算值)的差小，因此能够判定为是蓄电单体间的温度差所引起的影响、蓄电单体间的soc的偏差等的影响的可能性高，在假定的范围内，能够判定为蓄电系统非异常。

如图23所示，在推移期间的后半部分，蓄电系统的状态改变，实测单体间电压差δv以大的值进行推移，实测与预测的电压差δvec也以大的值进行推移。若在时间点td判定异常主要原因，则可知流经蓄电单体的电流大，有可能对蓄电单体施加了重负载。因此，可认为有可能存在蓄电单体固有的影响的可能性。由于蓄电单体间的实测的电压差大，与预测值(计算值)的差也大，因此能够判定为是蓄电单体的异常。

如上述，异常主要原因判定部233能够判定为是蓄电元件的异常还是蓄电元件的环境的异常。蓄电元件的异常例如包含判定为蓄电元件比假定更早发生劣化的情况。此外，能够区分判定蓄电元件的异常和环境的异常。因此能够防止错误地判定为是蓄电元件的异常。

更具体地，异常主要原因判定部233能够基于由处理部23获取到的电流的实测值、由第1计算部231计算出的实测电压差以及实测温度差、和由第2计算部232计算出的实测值与预测值的差来判定异常主要原因。例如，在电流的实测值以及蓄电元件间的实测电压差大且实测值与预测值的差也大的情况下，能够判定为是该一个蓄电元件的异常。另一方面，在电流的实测值以及蓄电元件间的实测电压差大但实测值与预测值的差小的情况下，例如，能够判定为起因于蓄电系统内的蓄电元件间的配置、设置条件的差异、蓄电元件间的soc的偏差等，是假定内的状态(非异常)。

此外，在电流的实测值小、蓄电元件间的实测温度差大、且实测值与预测值的差也大的情况下，能够判定为是环境的异常。另一方面，在电流的实测值小、蓄电元件间的实测温度差大但实测值与预测值的差小的情况下，能够判定为起因于蓄电系统内的蓄电元件间的配置、设置条件的差异等，是假定内的状态(非异常)。

异常主要原因判定部233例如能够构成为包含利用了规则库模型的机器学习(通过机器学习来寻找规则)，或者，能够构成为包含神经网络模型(学习器)。首先，对规则库模型进行说明。

图24是示出异常主要原因判定的规则库模型的一例的说明图。在图24中，方便起见，对no.1至no.4的4个情形进行说明。在no.1的情形中，在实测单体电流ie小于阈值，实测单体间电压δv小于阈值，实测单体间温度δt为阈值以上，实测与预测的电压差δvec小于阈值，实测与预测的温度差δtec小于阈值的情况下，异常主要原因的判定结果能够设为假定内(无异常)。在该情况下，蓄电系统的运行支援信息例如能够设为“继续当前的运行”。

在no.2的情形中，在实测单体电流ie小于阈值，实测单体间电压δv小于阈值，实测单体间温度δt为阈值以上，实测与预测的电压差δvec为阈值以上，实测与预测的温度差δtec小于阈值的情况下，异常主要原因的判定结果能够设为环境的异常。在该情况下，蓄电系统的运行支援信息例如能够设为“调整空调”。

在no.3的情形中，在实测单体电流ie为阈值以上，实测单体间电压δv为阈值以上，实测单体间温度δt为阈值以上，实测与预测的电压差δvec小于阈值，实测与预测的温度差δtec小于阈值的情况下，异常主要原因的判定结果能够设为假定内(无异常)。在该情况下，蓄电系统的运行支援信息例如能够设为“继续当前的运行”。

在no.4的情形中，在实测单体电流ie为阈值以上，实测单体间电压δv为阈值以上，实测单体间温度δt小于阈值，实测与预测的电压差δvec小于阈值，实测与预测的温度差δtec为阈值以上的情况下，异常主要原因的判定结果能够设为蓄电元件的异常。在该情况下，蓄电系统的运行支援信息例如能够设为“减轻负载”、“更换蓄电元件”。

图24所示的各阈值例如能够通过机器学习来决定。

运行支援信息提供部234具有作为提供部的功能，能够基于异常主要原因判定部233中的判定结果来提供蓄电系统的运行支援信息。如上述，例如，在判定为是蓄电元件的异常的情况下，运行支援信息提供部234能够提供减轻负载、更换蓄电元件等信息。此外，在判定为是环境的异常的情况下，运行支援信息提供部234能够提供调整空调等(例如，降低温度等)的信息，能够根据异常主要原因来提供支援蓄电系统的最佳运行的运行支援信息。

下面，对神经网络模型进行说明。

图25是示出学习模型233a的结构的一例的示意图。学习模型233a是包含深层学习(深度学习)的神经网络模型，包含输入层、输出层以及多个中间层。另外，在图25中，方便起见，图示了两个中间层，但中间层的层数并不限定于两个，也可以为3个以上。

在输入层、输出层以及中间层存在一个或者多个节点(神经元)，各层的节点在一个方向上以希望的权重与存在于前后层的节点耦合。具有与输入层的节点的数目相同数目的分量的矢量作为学习模型233a的输入数据(学习用的输入数据以及异常主要原因判定用的输入数据)赋予。在输入数据中包含蓄电元件信息(soc、充满电容量、soc-ocv(开路电压：opencircuitvoltage)曲线、内部电阻等)、实测单体电流、实测单体间电压、实测与预测的电压差、实测与预测的温度差等。在输出数据中包含异常主要原因(蓄电元件的异常、环境的异常、处于假定的范围内且是无异常等)。

输出数据能够设为具有与输出层的节点的数目(输出层的尺寸)相同尺寸的分量的矢量形式的数据。例如，输出节点能够输出“蓄电元件的异常”、“环境的异常”、“蓄电元件的状态处于假定内”、“环境的状态处于假定内”各自的概率。

学习模型233a例如能够通过组合cpu(例如，安装了多个处理器核的多处理器等)、gpu(graphicsprocessingunits，图形处理单元)、dsp(digitalsignalprocessors，数字信号处理器)、fpga(field-programmablegatearrays，现场可编程门阵列)等硬件来构成。

学习模型233a是基于将多个蓄电元件的电流的实测值、所需的蓄电元件间的实测电压差以及实测温度差、和关于所需的蓄电元件中的一个蓄电元件的电压以及温度的实测值与预测值的差作为输入数据并将异常主要原因作为输出数据的学习数据而学习的。

学习模型233a例如进行学习，使得在电流的实测值以及蓄电元件间的实测电压差大且实测值与预测值的差也大的情况下，输出该一个蓄电元件的异常。此外，学习模型233a进行学习，使得在电流的实测值以及蓄电元件间的实测电压差大且实测值与预测值的差小的情况下，输出是假定内的状态(非异常)。

学习模型233a进行学习，使得在电流的实测值小、蓄电元件间的实测温度差大且实测值与预测值的差也大的情况下，输出环境的异常。此外，学习模型233a进行学习，使得在电流的实测值小、蓄电元件间的实测温度差大且实测值与预测值的差小的情况下，输出是假定内的状态(非异常)。

异常主要原因判定部233能够将由处理部23获取到的电流的实测值、由第1计算部231计算出的实测电压差以及实测温度差、和由第2计算部232计算出的实测值与预测值的差输入至学习模型233a，判定异常主要原因。由此，能够判定异常主要原因(例如，蓄电元件的异常(比假定更早的劣化等)、或者蓄电元件的环境的异常)。此外，由于能够区分判定蓄电元件的异常和环境的异常，因此能够防止错误地判定为是蓄电元件的异常。

图26是示出第2实施方式的服务器装置2的处理过程的一例的流程图。方便起见，将处理的主体作为处理部23进行说明。处理部23获取多个蓄电元件的电流、电压以及温度的实测值(s31)，获取多个蓄电元件的电压以及温度的预测值(s32)。

处理部23计算实测单体间电压以及实测单体间温度(s33)，关于电压以及温度而计算实测值与预测值的差(s34)。处理部23判定异常主要原因(s35)，判定是否为假定内(s36)。

在不是假定内的情况下(s36中否)，处理部23输出与异常主要原因相应的运行支援信息(s37)，进行后述的步骤s38的处理。在为假定内的情况下(s36中是)，处理部23维持现状的运行(s39)，判定是否结束处理(s38)。在不结束处理的情况下(s38中否)，处理部23反复进行步骤s31以后的处理，在结束处理的情况下(s38中是)，结束处理。

本实施方式的控制部20以及处理部23还能够利用具备cpu(处理器)、gpu、ram(存储器)等的通用计算机来实现。即，将规定了如图18、图19以及图26所示的各处理的过程的计算机程序下载到计算机所具备的ram(存储器)，由cpu(处理器)执行计算机程序，从而能够在计算机上实现控制部20以及处理部23。计算机程序也可以记录至记录介质来流通。由服务器装置2使其学习的学习模型26、基于其的计算机程序以及学习用数据也可以经由网络n以及通信设备1分发给远程监视的对象装置p、u、d、m、终端装置(计测监视器)、或通信设备1或者客户端装置3并进行安装。在该情况下，在对象装置p、u、d、m、终端装置(计测监视器)、通信设备1或者客户端装置3中，能够进行学习模型26的学习、以及基于学习完毕的学习模型26的劣化判定。

在上述的实施方式中，学习模型26例如也可以为递归神经网络(回归型神经网络：rnn)。在该情况下，也可以使上一时间的中间层与下一时间的输入一起进行学习。

实施方式在所有方面均为例示而非限制性的。本发明的范围由权利要求书示出，包含与权利要求书等同的意思以及范围内的所有变更。

符号说明

2服务器装置；

20控制部；

21通信部；

22存储部；

23处理部；

231第1计算部；

232第2计算部；

233异常主要原因判定部；

234运行支援信息提供部；

24预测数据生成部；

25学习数据生成部；

26、233a学习模型；

27学习处理部；

28输入数据生成部。