电池模型构建方法及电池劣化预测装置与流程

1.本发明涉及一种电池模型构建方法及电池劣化预测装置。更详细而言，涉及一种对计算电池的劣化指标的预测值的电池模型进行构建的电池模型构建方法、及利用借由该电池模型构建方法而构建的电池模型来计算电池的劣化指标的预测值的电池劣化预测装置。


背景技术：

2.电动车辆或混合动力车辆等中搭载的二次电池具有根据使用而劣化的特性。二次电池劣化后将无法发挥充分的性能，因此，需要采取与其劣化的进展程度相应的恰当措施，由此来延缓劣化的进展。另外，为了采取这种用于延缓劣化的进展的措施，需要精度良好地推定二次电池的劣化的进展程度。例如，在专利文献1中示出了基于表示二次电池的使用方法的使用历史数据(例如，二次电池的电流、电压及温度的演变或生命周期经过时间等)来推定二次电池的劣化程度的技术。另外，二次电池的劣化特性也与其制造时数据存在相关，所以，有时也基于上述那样的使用历史数据，并且基于二次电池的制造时数据来推定二次电池的劣化程度。
3.另外，在根据二次电池的使用历史数据和制造时数据来推定其劣化程度的电池模型中，除了线性回归模型以外，还提出了一种使用神经网络和梯度提升树(以下，使用“gbdt”这一简称)等的回归模型等。
4.[先前技术文献]
[0005]
(专利文献)
[0006]
专利文献1：国际公开第2020/044713号


技术实现要素：

[0007]
[发明所要解决的问题]
[0008]
但是，根据线性回归模型，难以使预测精度高于基于神经网络或gdbt等的回归模型。相对于此，基于神经网络或gdbt等的回归模型与线性回归模型相比具有复杂的结构，因此难以确定使用历史数据或制造时数据等各因子对预测值的影响。因此，在基于神经网络或gdbt等的回归模型中，很难对既已构建的模型进行调谐以使预测精度提高。
[0009]
本发明的目的在于，提供一种可以高精度地预测电池的劣化的电池模型的构建方法及电池劣化预测装置。
[0010]
[解决问题的技术手段]
[0011]
(1)本发明的电池模型构建方法构建电池模型，所述电池模型将与电池的劣化指标存在相关的多个第一输入参数及多个第二输入参数的值和前述劣化指标的预测值相关联，所述电池模型构建方法的特征在于，包括：数据获取步骤，借由使用多个样本电池来获取前述第一及第二输入参数以及与前述劣化指标的测定值有关的数据；构建步骤，使用前述数据获取步骤中所获取的数据的至少一部分作为学习数据，由此来构建前述电池模型；
误差倾向判定步骤，针对每个前述样本电池来评价前述劣化指标的测定值与基于前述电池模型的前述劣化指标的预测值之间的预测误差，并判定每个前述样本电池中固有的前述预测误差的偏差的有无；第一相关判定步骤，借由使用前述学习数据，来构建将基于前述第一输入参数而定义的说明变量与相当于前述预测误差的预测值的目标变量相关联的第一误差预测模型，并且，判定前述误差倾向判定步骤中所获取的前述预测误差的测定值与基于前述第一误差预测模型的前述预测误差的预测值之间有无第一相关；及，第一重建步骤，当在前述误差倾向判定步骤中判定为存在前述偏差且在前述第一相关判定步骤中判定为存在前述第一相关时，重建前述电池模型。
[0012]
(2)此时优选的是，前述电池模型构建方法还包括：第二相关判定步骤，借由使用前述学习数据，来构建将基于前述第二输入参数而定义的说明变量与相当于前述预测误差的预测值的目标变量相关联的第二误差预测模型，并且，判定前述误差倾向判定步骤中所获取的前述预测误差的测定值与基于前述第二误差预测模型的前述预测误差的预测值有无第二相关；及，第二重建步骤，当在前述误差倾向判定步骤中判定为存在前述偏差且在前述第二相关判定步骤中判定为存在前述第二相关时，重建前述电池模型。
[0013]
(3)此时优选的是，前述第一输入参数为基于前述电池的电流、电压及温度的时序数据而定义的使用历史参数，前述第二输入参数为基于前述电池的制造时数据而定义的制造历史参数。
[0014]
(4)此时优选的是，在前述第一重建步骤中，借由使用前述第一误差预测模型来重建前述电池模型。
[0015]
(5)此时优选的是，在前述第二重建步骤中，借由使用前述第二误差预测模型来重建前述电池模型。
[0016]
(6)此时优选的是，前述数据获取步骤中所获取的前述第一及第二输入参数以及与前述劣化指标的测定值有关的时序数据分为属于规定的学习用期间内的前述学习数据、与属于前述学习用期间以后的验证用期间内的验证数据，在前述误差倾向判定步骤中，基于前述学习用期间内的前述预测误差的分布的每个前述样本电池的评价结果、及前述学习用期间内的前述预测误差与前述验证用期间内的前述预测误差之间的相关的评价结果，来判定前述偏差的有无。
[0017]
(7)此时优选的是，前述电池模型构建方法还包括第三重建步骤，所述第三重建步骤是当在前述误差倾向判定步骤中判定为存在前述偏差且在前述第一及第二相关判定步骤中判定为前述第一及第二相关均不存在时，借由加入输出与前述电池的累计使用时间相应的常数值的偏移项，来重建前述电池模型。
[0018]
(8)本发明的电池劣化预测装置的特征在于，包括：输入参数值获取部，获取与电池的劣化指标存在相关的多个第一输入参数及多个第二输入参数的值；及，模型预测部，将由前述输入参数值获取部获取的前述第一及第二输入参数的值输入至利用(1)至(7)中任一项所述的电池模型构建方法而构建的电池模型，由此来计算前述劣化指标的预测值。
[0019]
(发明的效果)
[0020]
(1)本发明的电池模型构建方法包括：构建步骤，使用借由使用多个样本电池而获取的学习数据来构建电池模型；误差倾向判定步骤，针对每个样本电池来评价劣化指标的测定值与基于电池模型的劣化指标的预测值之间的预测误差，并判定每个样本电池中固有
的预测误差的偏差的有无；第一相关判定步骤，构建将基于第一输入参数而定义的说明变量与相当于预测误差的预测值的目标变量相关联的第一误差预测模型，并且，判定预测误差的测定值与基于第一误差预测模型的预测误差的预测值之间有无第一相关；及，第一重建步骤，当在误差倾向判定步骤中判定为存在每个样本电池中固有的预测误差的偏差且在第一相关判定步骤中判定为存在第一相关时，重建电池模型。此处，判定为预测误差中存在每个样本电池中固有的偏差且判定为存在第一相关的情况下，可以说每个样本电池的预测误差出现偏差的主要原因是第一输入参数。在本发明中，借由经过这种误差倾向判定步骤及第一相关判定步骤来重建电池模型，可以在确定预测误差出现偏差的主要原因的同时，重建电池模型以使预测精度提高。
[0021]
(2)本发明的电池模型构建方法还包括：第二相关判定步骤，构建将基于第二输入参数而定义的说明变量与相当于预测误差的预测值的目标变量相关联的第二误差预测模型，并且，判定误差倾向判定步骤中所获取的预测误差的测定值与基于第二误差预测模型的预测误差的预测值有无第二相关；及，第二重建步骤，当在误差倾向判定步骤中判定为存在每个样本电池中固有的预测误差的偏差且在第二相关判定步骤中判定为存在第二相关时，重建电池模型。此处，判定为预测误差中存在每个样本电池中固有的偏差且判定为存在第二相关的情况下，可以说每个样本电池的预测误差出现偏差的主要原因是第二输入参数。在本发明中，借由经过这种误差倾向判定步骤及第二相关判定步骤来重建电池模型，可以在确定预测误差出现偏差的主要原因的同时，重建电池模型以使预测精度提高。
[0022]
(3)在本发明中，设第一输入参数为基于电池的电流、电压及温度的时序数据而定义的使用历史参数，第二输入参数为基于电池的制造时数据而定义的制造历史参数。由此，根据本发明，可以利用使用历史参数与制造历史参数来区分确定每个样本电池的预测误差出现偏差的主要原因，所以，可以在恰当地确定预测误差出现偏差的主要原因的同时，重建电池模型以使预测精度提高。
[0023]
(4)在本发明中，在第一重建步骤中，在判定为预测误差中存在每个样本电池中固有的偏差且判定为存在第一相关的情况下，借由使用第一误差预测模型来重建电池模型。由此，可以以减小每个样本电池的预测误差的偏差的方式，即以使预测精度提高的方式重建电池模型。
[0024]
(5)在本发明中，在第二重建步骤中，在判定为预测误差中存在每个样本电池中固有的偏差且判定为存在第二相关的情况下，借由使用第二误差预测模型来重建电池模型。由此，可以以减小每个样本电池的预测误差的偏差的方式，即以使预测精度提高的方式重建电池模型。
[0025]
(6)在本发明中，在误差倾向判定步骤中，基于学习用期间内的预测误差的分布的每个样本电池的评价结果、及学习用期间内的预测误差与验证用期间内的预测误差之间的相关的评价结果，来判定预测误差有无每个样本电池中固有的偏差。由此，可以精度良好地判定预测误差有无每个样本电池中固有的偏差，所以，结果可以构建预测精度高的电池模型。
[0026]
(7)本发明的电池模型构建方法还包括第三重建步骤，所述第三重建步骤是当在误差倾向判定步骤中判定为在预测误差中存在偏差且在第一及第二相关判定步骤中判定为第一及第二相关均不存在时，借由加入输出与电池的累计使用时间相应的常数值的偏移
项，来重建电池模型。此处，在判定为预测误差中存在偏差且判定为第一及第二相关均不存在的情况下，可以说，预测误差出现偏差的主要原因是电池模型中无法拾取的除第一及第二输入参数以外的某种输入参数。在本发明中，在这种情况下是借由加入偏移项来重建电池模型，由此，可以在不追加新的输入参数的情况下提高电池模型的预测精度。
[0027]
(8)本发明的电池劣化预测装置包括：输入参数值获取部，获取多个第一及第二输入参数的值；及，模型预测部，将由输入参数值获取部获取的第一及第二输入参数的值输入至利用上述电池模型构建方法而构建的电池模型，由此来计算电池的劣化指标的预测值。根据本发明，可以高精度地预测使用过程中的电池的劣化演变。
附图说明
[0028]
图1是绘示本发明的一实施方式的电池劣化预测装置的构造的图。
[0029]
图2是示意性地绘示多个使用历史参数的构造的图。
[0030]
图3是绘示电池模型的构建方法的具体流程的流程图。
[0031]
图4是绘示误差倾向判定处理的具体流程的流程图。
[0032]
图5是示意性地绘示劣化状态(state of health,soh)的预测误差的图。
[0033]
图6是绘示学习用期间内的soh的预测误差的分布的评价结果的一例的图。
[0034]
图7是在以学习用期间的预测误差平均值为纵轴并以验证用期间的预测误差平均值为横轴的平面上，绘制针对各样本电池的预测误差平均值而得的图(r2≒0.64)。
[0035]
图8是绘示第一相关判定处理的具体流程的流程图。
[0036]
图9是示意性地绘示第一误差预测模型及第一误差学习数据的构造的图。
[0037]
图10是绘示第二相关判定处理的具体流程的流程图。
[0038]
图11是示意性地绘示第二误差预测模型及第二误差学习数据的构造的图。
具体实施方式
[0039]
以下，参照图式对本发明的一实施方式的电池劣化预测装置、及该电池劣化预测装置中使用的电池模型的构建方法进行说明。
[0040]
图1是绘示本实施方式的电池劣化预测装置1的构造的图。
[0041]
电池劣化预测装置1基于电池2的电流、电压及温度的时序数据以及电池2的制造时数据，来预测该电池2的劣化程度。以下，针对将电池劣化预测装置1搭载在使用电池2的电力进行行驶的电动车辆(未图示)中，并对该电动车辆的电池2的劣化程度进行预测的情况进行说明，但本发明不限于此。电池劣化预测装置1的构成部件的全部或者一部分也可以由与电动车辆可通信地连接的服务器构成。
[0042]
电池2是能够进行将化学能转换为电能的放电、及将电能转换为化学能的充电这两者的二次电池。以下，针对作为该电池2，使用了借由锂离子在电极间移动来进行充放电的所谓锂离子电池的情况进行说明，但本发明不限于此。电池2与由逆变器或驱动马达等构成的电气负载(未图示)连接，在与该电气负载之间进行充放电。
[0043]
电池劣化预测装置1是由中央处理器(central processing unit,cpu)等运算处理手段、保存了各种程序的硬盘驱动器(hard disk drive,hdd)或固态驱动器(solid state drive,ssd)等辅助存储手段、及用于保存运算处理手段执行程序时暂时所需的数据
的随机存取存储器(random access memory,ram)之类的主存储手段等硬件构成的计算机。在电池劣化预测装置1中，借由这种硬件构造来实现数据获取部11、输入参数值获取部13及模型预测部14等的各种功能。
[0044]
数据获取部11基于来自电池2上所设置的电池传感器(未图示)的输出，来获取电池2的电流、电压及温度的时序数据。
[0045]
输入参数值获取部13基于由数据获取部11获取的电流、电压及温度的时序数据、和未图示的存储介质中所存储的电池2的制造时数据，来获取与电池2的劣化指标存在相关的多个输入参数的值，并将这些输入参数的值输入至模型预测部14。
[0046]
如图1所示，在输入参数值获取部13中定义的多个输入参数包含：基于由数据获取部11获取的电流、电压及温度的时序数据而定义的多个使用历史参数；及基于电池2的制造时数据而定义的多个制造历史参数。输入参数值获取部13基于由数据获取部11获取的电流、电压及温度的时序数据，以规定的周期计算上述使用历史参数的值，并且，将这些使用历史参数及制造历史参数的值输入至模型预测部14。以下，针对将输入参数值获取部13中的使用历史参数的计算周期设为了2周的情况来进行说明，但本发明不限于此。
[0047]
此处，制造历史参数包含电池2制造时使用的多种材料的各自的材料特性值、对电池2的制造工序赋予特征的制造工序数据值、及针对电池2的各种检查的检查值等。即，制造历史参数与使用历史参数不同，基本上是不会因时间而变化的固定值。
[0048]
图2是示意性地绘示在输入参数值获取部13中定义的多个使用历史参数的构造的图。如图2所示，多个使用历史参数包含多个电压因子参数、多个温度因子参数及多个电流因子参数。
[0049]
电压因子参数是以电池2的电压为因子的参数。换句话说，电压因子参数是与电池2的电流、电压及温度之中的电压存在最高相关的参数。在本实施方式中，将与电池2的开放电压大致成比例的充电状态(state of charge,soc)的、规定范围内的滞留时间的指定区间累计值定义为电压因子参数。更具体而言，第一soc累计时间是电池2的soc在0～10[％]的范围内滞留的时间的指定区间累计值，第二soc累计时间是电池2的soc在10～20[％]的范围内滞留的时间的指定区间累计值，第三soc累计时间是电池2的soc在20～30[％]的范围内滞留的时间的指定区间累计值，第四soc累计时间是电池2的soc在30～40[％]的范围内滞留的时间的指定区间累计值，第五soc累计时间是电池2的soc在40～50[％]的范围内滞留的时间的指定区间累计值，第六soc累计时间是电池2的soc在50～60[％]的范围内滞留的时间的指定区间累计值，第七soc累计时间是电池2的soc在60～70[％]的范围内滞留的时间的指定区间累计值，第八soc累计时间是电池2的soc在70～80[％]的范围内滞留的时间的指定区间累计值，第九soc累计时间是电池2的soc在80～90[％]的范围内滞留的时间的指定区间累计值，第十soc累计时间是电池2的soc在90～100[％]的范围内滞留的时间的指定区间累计值。
[0050]
温度因子参数是以电池2的温度为因子的参数。换句话说，温度因子参数是与电池2的电流、电压及温度之中的温度存在最高相关的参数。在本实施方式中，将电池2的使用温度范围被十等分时的、电池2的温度的各温度范围内的滞留时间的指定区间累计值定义为温度因子参数。更具体而言，第一温度累计时间是电池2的温度在第一温度范围内滞留的时间的指定区间累计值，第二温度累计时间是电池2的温度在比第一温度范围高的第二温度
范围内滞留的时间的指定区间累计值，第三温度累计时间是电池2的温度在比第二温度范围高的第三温度范围内滞留的时间的指定区间累计值，第四温度累计时间是电池2的温度在比第三温度范围高的第四温度范围内滞留的时间的指定区间累计值，第五温度累计时间是电池2的温度在比第四温度范围高的第五温度范围内滞留的时间的指定区间累计值，第六温度累计时间是电池2的温度在比第五温度范围高的第六温度范围内滞留的时间的指定区间累计值，第七温度累计时间是电池2的温度在比第六温度范围高的第七温度范围内滞留的时间的指定区间累计值，第八温度累计时间是电池2的温度在比第七温度范围高的第八温度范围内滞留的时间的指定区间累计值，第九温度累计时间是电池2的温度在比第八温度范围高的第九温度范围内滞留的时间的指定区间累计值，第十温度累计时间是电池2的温度在比第九温度范围高的第十温度范围内滞留的时间的指定区间累计值。
[0051]
电流因子参数是以电池2的电流为因子的参数。换句话说，电流因子参数是与电池2的电流、电压及温度之中的电流存在最高相关的参数。在本实施方式中，将电池2的充电电流与时间的积的指定区间累计值即充电电流累计容量、和电池2的放电电流与时间的积的指定区间累计值即放电电流累计容量定义为电流因子参数。如上所述，在本实施方式中，针对将电流与时间的积的累计值定义为电流因子参数的情况来进行说明，但本发明不限于此。例如，也可以将电池2中相当于充电与放电的切换次数的充放电循环数定义为电流因子参数。
[0052]
返回图1，输入参数值获取部13以规定的周期来计算基于从数据获取部11发送的时序数据而如上所述构成的多个使用历史参数的值，并且，将这些使用历史参数及制造历史参数的值输入至模型预测部14。
[0053]
模型预测部14具有将由上述多个使用历史参数及制造历史参数构成的多个输入参数作为说明变量，并将该说明变量与电池2的劣化指标的预测值即目标变量相关联的电池模型，借由将从输入参数值获取部13输入的多个输入参数的值输入至电池模型，来计算电池2的劣化指标的预测值。在本实施方式中，针对作为电池2的劣化指标，使用了将电池2的初始的充满电容量[ah]设为100％时的、表示劣化时的充满电容量的比例的劣化状态(state of health,soh)的情况进行说明，但本发明不限于此。此处，电池模型是使用借由之后参照图3等说明的电池模型构建方法构建的模型。
[0054]
接下来，针对利用计算机来构建电池模型的方法进行说明。
[0055]
图3是绘示本实施方式的电池模型构建方法的具体流程的流程图。
[0056]
首先，在步骤st1中，电池模型的设计者借由在整个规定的测定期间(例如，66周)中使用分别被分配有标识(identification,id)的多个(例如，几百左右)的样本电池，来获取针对各样本电池的多个使用历史参数及soh的测定值的时序数据以及针对各样本电池的多个制造历史参数的测定值，并将这些使用历史参数、制造历史参数及soh的整个测定期间中的时序数据(以下，也将这些统称为“测定数据”)以与各自的id相关联的状态存储在存储介质中。此外，步骤st1中所获取的整个测定期间中的测定数据分为属于规定的学习期间(例如，第2周～第60周)内的学习数据、及属于该学习用期间以后的验证用期间(例如，第62周～第66周)内的验证数据。
[0057]
接下来，在步骤st2中，设计者借由使用在步骤st1中获取的学习数据，而基于已知的模型构建方法来构建将多个使用历史参数及多个制造历史参数作为说明变量，并将soh
的预测值作为目标变量的电池模型。此外，该电池模型既可以基于线性回归模型来构建，也可以基于神经网络或gbdt等来构建。
[0058]
接下来，在步骤st3中，设计者执行误差倾向判定处理，并转移至步骤st4，所述误差倾向判定处理是针对每个样本电池来评价soh的测定值与基于电池模型的soh的预测值之间的预测误差，并判定每个样本电池中固有的预测误差的偏差的有无。
[0059]
图4是绘示误差倾向判定处理的具体流程的流程图。
[0060]
首先，在步骤st21中，设计者借由使用学习数据及电池模型，针对每个样本电池来计算学习用期间内的soh的预测误差。此处，学习用期间内的soh的预测误差借由从学习数据中所包含的soh的测定值中减去soh的预测值来计算，所述soh的预测值是借由将该学习数据中所包含的多个使用历史参数及多个制造历史参数的值输入至电池模型而获得(参照图5)。
[0061]
接下来，在步骤st22中，设计者借由使用步骤st21中的预测误差的计算结果，针对每个样本电池来评价学习用期间内的soh的预测误差的分布。更具体而言，设计者借由使用步骤st21中的计算结果，如图6所示，针对每个样本电池来计算soh的预测误差的样本均值、偏方差、标准误差及母体均值的95％置信区间，并针对每个样本电池来评价学习用期间内的soh的预测误差中是否存在显著的偏差。此处，soh的预测误差中是否存在显著的偏差可以借由评价所计算出的母体均值的95％置信区间的上限及下限相对于0点的位置来判定。更具体而言，在母体均值的95％置信区间的上限及下限均在0点以下或者0点以上的情况下，可以判定为有95％置信度在soh的预测误差中存在显著的偏差。
[0062]
接下来，在步骤st23中，设计者参照步骤st22中的评价结果，判定是否对于全部样本电池之中的规定比例(例如90％)以上的样本电池，认为在学习用期间内的soh的预测误差中存在显著的偏差。
[0063]
在步骤st23的判定结果为否(no)的情况下，设计者判定为在基于电池模型的soh的预测误差中不存在每个样本电池固有的偏差(步骤st24)，之后，转移至图3的步骤st4。另外，在步骤st23的判定结果为是(yes)的情况下，设计者转移至步骤st25。
[0064]
在步骤st25中，设计者利用步骤st21中的运算结果，针对每个样本电池来计算学习用期间中的soh的预测误差的平均值。
[0065]
在步骤st26中，设计者借由使用验证数据及电池模型，针对每个样本电池来计算验证用期间中的soh的预测误差的平均值。此处，验证用期间内的soh的预测误差借由从验证数据中所包含的soh的测定值中减去soh的预测值来计算，所述soh的预测值是借由将该验证数据中所包含的多个使用历史参数及多个制造历史参数的值输入至电池模型而获得。另外，在步骤st26中，借由利用这些验证用期间内的soh的预测误差的运算结果，针对每个样本电池来计算验证用期间中的soh的预测误差的平均值。
[0066]
在步骤st27中，设计者借由利用步骤st25、st26中的运算结果，来计算表示学习用期间中的soh的预测误差平均值、与该学习用期间以后的验证用期间中的soh的预测误差平均值之间的相关的强度的参数。在本实施方式中，针对作为表示两个参数的相关的强度的参数，使用了决定系数(以下，使用“r
2”这一简称)的情况进行说明，但本发明不限于此。
[0067]
在步骤st28中，设计者参照步骤st27中的评价结果，判定学习用期间的预测误差平均值与验证用期间的预测误差平均值之间的相关的强度是否为规定的判定值以上。在如
上所述利用r2对相关的强度进行了评价的情况下，该判定值例如被设定为0.49。
[0068]
在步骤st28的判定结果为否的情况下，设计者判定为在基于电池模型的soh的预测误差中不存在每个样本电池固有的偏差(参照步骤st24)，之后，转移至图3的步骤st4。另外，在步骤st28的判定结果为是的情况下，设计者判定为在基于电池模型的soh的预测误差中存在每个样本电池固有的偏差(参照步骤st29)，之后，转移至图3的步骤st4。
[0069]
图7是在以学习用期间的预测误差平均值为纵轴并以验证用期间的预测误差平均值为横轴的平面上，绘制针对各样本电池的预测误差平均值而得的图。此外，在图7中图示在这些预测误差平均值中确认到较强的相关时(r2≒0.64)的例子。如图7所示，相关越强，预测误差平均值的分布越接近虚线所示的规定的斜率的直线。
[0070]
如上所述，在误差倾向判定处理中，基于学习用期间内的预测误差的分布的每个样本电池的评价结果(参照步骤st21)、及学习用期间的预测误差平均值与验证用期间的预测误差平均值之间的相关的评价结果(参照步骤st27)，来判定soh的预测误差有无每个样本电池的固有的偏差。
[0071]
返回图3，在步骤st4中，设计者判定执行误差倾向判定处理的结果，是否是认为在soh的预测误差中存在每个样本电池中固有的偏差。在步骤st4的判定结果为否的情况下，设计者判断为所制作的电池模型没有改善的需要，并结束图3所示的处理。另外，在步骤st4的判定结果为是的情况下，设计者转移至步骤st5，以便确定该预测误差出现偏差的主要原因。
[0072]
接下来，在步骤st5中，设计者执行用于判定上述预测误差的偏差是否起因于使用历史参数的第一相关判定处理，并转移至步骤st6。
[0073]
图8是绘示第一相关判定处理的具体流程的流程图。
[0074]
首先，在步骤st31中，设计者准备用于构建后述的第一误差预测模型的第一误差学习数据。
[0075]
图9是示意性地绘示第一误差预测模型及第一误差学习数据的构造的图。如图9所示，第一误差预测模型是将基于多个使用历史参数而定义的多个压缩使用历史参数作为说明变量，将soh的预测误差平均值的预测值作为目标变量，并将这些说明变量与目标变量相关联的回归模型。因而，在步骤st31中，借由将输入数据与输出数据相组合而生成第一误差学习数据，所述输入数据由基于步骤st1中所获取的学习数据之中的多个使用历史参数的整个学习用期间中的时序数据而定义的多个压缩使用历史参数的值构成，所述输出数据由在步骤st25中针对每个样本电池计算出的学习用期间中的soh的预测误差平均值的测定值构成。此处，各压缩使用历史参数例如由如上所述作为指定区间累计值来定义的各使用历史参数的整个学习期间中的平均值或方差等定义。
[0076]
返回图8，在步骤st32中，设计者借由使用步骤st31中所准备的第一误差学习数据，而基于已知的模型构建方法来构建将多个压缩使用历史参数即说明变量与预测误差平均值的预测值即目标变量相关联的第一误差预测模型。此外，该第一误差预测模型既可以基于线性回归模型来构建，也可以基于神经网络或gbdt等来构建。
[0077]
接下来，在步骤st33中，设计者计算表示步骤st31中所准备的第一误差学习数据中所包含的soh的预测误差平均值的测定值、与借由在步骤st32中所构建的第一误差预测模型中输入第一误差学习数据而获得的soh的预测误差平均值的预测值之间的第一相关的
强度的参数(如上所述，在本实施方式中为决定系数r2)，并转移至图3的步骤st6。
[0078]
返回图3，在步骤st6中，设计者参照步骤st33中的第一相关的评价结果，判定第一相关的强度是否为规定的第一判定值以上。在如上所述利用决定系数r2对相关的强度进行了评价的情况下，该第一判定值例如被设定为0.49。此处，第一相关的强度为第一判定值以上的情况意味着利用将多个使用历史参数作为输入的第一误差预测模型，可以预测电池模型中所包含的预测误差，所述多个使用历史参数与对电池模型的输入的一部分相同。因而，第一相关的强度为第一判定值以上的情况意味着预测误差出现偏差的主要原因是使用历史参数，因而，意味着存在以下空间，即：借由重新审视针对电池模型的输入系统之中的使用历史参数的输入系统，可以以消除soh的预测误差的偏差的方式重建电池模型。相对于此，第一相关的强度小于第一判定值的情况意味着预测误差出现偏差的主要原因不是使用历史参数，因而，意味着即使重新审视针对电池模型的输入系统之中的使用历史参数的输入系统，也无法消除预测误差的偏差。
[0079]
因而，设计者在步骤st6的判定结果为否的情况下，转移至步骤st8，在步骤st6的判定结果为是的情况下，转移至步骤st7。
[0080]
在步骤st7中，设计者根据判定为预测误差中存在偏差且判定为第一相关为第一判定值以上，而借由重新审视电池模型的输入系统之中的使用历史参数的输入系统来重建电池模型，之后，返回至步骤st3。更具体而言，借由将重建前的电池模型与在步骤st5的第一相关判定处理中构建的第一误差预测模型相组合，来重建新的电池模型。即，以将重建前的电池模型的输出与第一误差预测模型的输出相加的方式，来重建电池模型。
[0081]
接下来，在步骤st8中，设计者执行用于判定上述预测误差的偏差是否起因于制造历史参数的第二相关判定处理，并转移至步骤st9。
[0082]
图10是绘示第二相关判定处理的具体流程的流程图。
[0083]
首先，在步骤st41中，设计者准备用于构建后述的第二误差预测模型的第二误差学习数据。
[0084]
图11是示意性地绘示第二误差预测模型及第二误差学习数据的构造的图。如图11所示，第一误差预测模型是将多个制造历史参数作为说明变量，将soh的预测误差平均值的预测值作为目标变量，并将这些说明变量与目标变量相关联的回归模型，与上述第一误差预测模型的输入不同。因而，在步骤st41中，借由将输入数据与输出数据相组合而生成第二误差学习数据，所述输入数据由步骤st1中所获取的学习数据之中的多个制造历史参数的值构成，所述输出数据由在步骤st25中针对每个样本电池计算出的学习用期间中的soh的预测误差平均值的测定值构成。
[0085]
返回图10，在步骤st42中，设计者借由使用步骤st41中所准备的第二误差学习数据，而基于已知的模型构建方法来构建将多个制造历史参数即说明变量与预测误差平均值的预测值即目标变量相关联的第二误差预测模型。此外，该第二误差预测模型既可以基于线性回归模型来构建，也可以基于神经网络或gbdt等来构建。
[0086]
接下来，在步骤st43中，设计者计算表示步骤st41中所准备的第二误差学习数据中所包含的soh的预测误差平均值的测定值、与借由在步骤st42中所构建的第二误差预测模型中输入第二误差学习数据而获得的soh的预测误差平均值的预测值之间的第二相关的强度的参数(如上所述，在本实施方式中为决定系数r2)，并转移至图3的步骤st9。
[0087]
返回图3，在步骤st9中，设计者参照步骤st43中的第二相关的评价结果，判定第二相关的强度是否为规定的第二判定值以上。在如上所述利用决定系数r2对第二相关的强度进行了评价的情况下，该第二判定值例如被设定为0.49。此处，第二相关的强度为第二判定值以上的情况意味着利用将多个使用历史参数作为输入的第二误差预测模型，可以预测电池模型中所包含的预测误差，所述多个使用历史参数与对电池模型的输入的一部分相同。因而，第二相关的强度为第二判定值以上的情况意味着预测误差出现偏差的主要原因是制造历史参数，因而，意味着存在以下空间，即：借由重新审视针对电池模型的输入系统之中的制造历史参数的输入系统，可以以消除soh的预测误差的偏差的方式重建电池模型。相对于此，第二相关的强度小于第二判定值的情况意味着预测误差出现偏差的主要原因不是制造历史参数，因而，意味着即使重新审视针对电池模型的输入系统之中的制造历史参数的输入系统，也无法消除预测误差的偏差。
[0088]
因而，设计者在步骤st9的判定结果为是的情况下，转移至步骤st10。在步骤st10中，设计者根据判定为预测误差中存在偏差且判定为第二相关为第二判定值以上，而借由重新审视电池模型的输入系统之中的制造历史参数的输入系统来重建电池模型，之后，返回至步骤st3。更具体而言，借由将重建前的电池模型与在步骤st8的第二相关判定处理中构建的第二误差预测模型相组合，来重建新的电池模型。即，以将重建前的电池模型的输出与第二误差预测模型的输出相加的方式，来重建电池模型。
[0089]
另外，在步骤st9的判定结果为否的情况下，即判定为预测误差中存在偏差且判定为第一及第二相关的强度均小于第一及第二判定值的情况下，设计者转移至步骤st11。此时，可以说，预测误差出现偏差的主要原因是电池模型中无法拾取的除使用历史参数及制造历史参数以外的某种输入参数。因此，在步骤st11中，设计者借由在重建前的电池模型中加入输出与电池的累计使用时间相应的常数值的偏移项，来重建电池模型，之后，结束图3所示的处理。此处，与累计使用时间相应的常数值例如可以使用在步骤st25及st26中针对每个样本电池计算出的soh的预测误差平均值相对于全部样本电池的平均值。
[0090]
根据本实施方式的电池模型构建方法及电池劣化预测装置1，起到以下效果。
[0091]
(1)本实施方式的电池模型构建方法包括：构建步骤st1，使用借由使用多个样本电池而获取的学习数据来构建电池模型；误差倾向判定步骤st3～st4，针对每个样本电池来评价soh的测定值与基于电池模型的soh的预测值之间的预测误差，并判定每个样本电池中固有的预测误差的偏差的有无；第一相关判定步骤st5～st6，构建将借由在时间上压缩使用历史参数而生成的压缩使用历史参数作为说明变量，并将soh的预测误差平均值的预测值作为目标变量的第一误差预测模型，并且，判定预测误差平均值的测定值与基于第一误差预测模型的预测误差平均值的预测值之间的第一相关的强度是否在第一判定值以上；及，第一重建步骤st7，当在误差倾向判定步骤st3～st4中判定为存在每个样本电池中固有的预测误差的偏差且在第一相关判定步骤st5～st6中判定为第一相关的强度为第一判定值以上时，重建电池模型。此处，判定为预测误差中存在每个样本电池中固有的偏差且判定为第一相关的强度为第一判定值以上的情况下，可以说每个样本电池的预测误差出现偏差的主要原因是使用历史参数。在本实施方式中，借由经过这种误差倾向判定步骤st3～st4及第一相关判定步骤st5～st6来重建电池模型，可以在确定预测误差出现偏差的主要原因的同时，重建电池模型以使预测精度提高。
[0092]
(2)本实施方式的电池模型构建方法还包括：第二相关判定步骤st8～st9，构建将制造历史参数作为说明变量，并将预测误差平均值的预测值作为目标变量的第二误差预测模型，并且，判定误差倾向判定步骤st3～st4中所获取的预测误差平均值的测定值与基于第二误差预测模型的预测误差平均值的预测值之间的第二相关的强度是否为第二判定值以上；及，第二重建步骤st10，当在误差倾向判定步骤st3～st4中判定为存在每个样本电池中固有的预测误差的偏差且在第二相关判定步骤st8～st9中判定为第二相关的强度为第二判定值以上时，重建电池模型。此处，判定为预测误差中存在每个样本电池中固有的偏差且判定为第二相关的强度为第二判定值以上的情况下，可以说每个样本电池的预测误差出现偏差的主要原因是制造历史参数。在本实施方式中，借由经过这种误差倾向判定步骤st3～st4及第二相关判定步骤st8～st9来重建电池模型，可以在确定预测误差出现偏差的主要原因的同时，重建电池模型以使预测精度提高。
[0093]
(3)在本实施方式中，在第一相关判定步骤st5～st6中，判定预测误差的偏差是否起因于使用历史参数，在第二相关判定步骤st8～st9中，判定预测误差的偏差是否起因于制造历史参数。由此，根据本实施方式，可以利用使用历史参数与制造历史参数来区分确定每个样本电池的预测误差出现偏差的主要原因，所以，可以在恰当地确定预测误差出现偏差的主要原因的同时，重建电池模型以使预测精度提高。
[0094]
(4)在第一重建步骤st7中，在判定为预测误差中存在每个样本电池中固有的偏差且判定为第一相关的强度为第一判定值以上的情况下，借由使用第一误差预测模型来重建电池模型。由此，可以以减小每个样本电池的预测误差的偏差的方式，即以使预测精度提高的方式重建电池模型。
[0095]
(5)在第二重建步骤st8～st9中，在判定为预测误差中存在每个样本电池中固有的偏差且判定为第二相关的强度为第二判定值以上的情况下，借由使用第二误差预测模型来重建电池模型。由此，可以以减小每个样本电池的预测误差的偏差的方式，即以使预测精度提高的方式重建电池模型。
[0096]
(6)在误差倾向判定步骤st3～st4中，基于学习用期间内的预测误差的分布的每个样本电池的评价结果、及学习用期间的预测误差平均值与验证用期间的预测误差平均值之间的相关的评价结果，来判定预测误差有无每个样本电池中固有的偏差。由此，可以精度良好地判定预测误差有无每个样本电池中固有的偏差，所以，结果可以构建预测精度高的电池模型。
[0097]
(7)电池模型构建方法还包括第三重建步骤st11，所述第三重建步骤st11是当在误差倾向判定步骤st3～st4中判定为在预测误差中存在偏差且在第一及第二相关判定步骤st5～st6、st8～st9中判定为第一及第二相关均小于第一及第二判定值时，借由在重建前的电池模型中加入输出与电池的累计使用时间相应的常数值的偏移项，来重建电池模型。此处，在判定为预测误差中存在偏差且判定为第一及第二相关的强度均小于第一及第二判定值的情况下，可以说，预测误差出现偏差的主要原因是电池模型中无法拾取的除使用历史参数及制造历史参数以外的某种输入参数。在本实施方式中，在这种情况下是借由在重建前的电池模型中加入偏移项来重建电池模型，由此，可以在不追加新的输入参数的情况下提高电池模型的预测精度。
[0098]
(8)本实施方式的电池劣化预测装置1包括：输入参数值获取部13，获取多个使用
历史参数及多个制造历史参数的值；及，模型预测部14，将由输入参数值获取部13获取的使用历史参数及制造历史参数的值输入至利用上述电池模型构建方法而构建的电池模型，由此来计算电池2的soh的预测值。根据本实施方式，可以高精度地预测使用过程中的电池2的劣化演变。
[0099]
以上，针对本发明的一实施方式进行了说明，但本发明不限于此。也可以在本发明的主旨范围内，适当变更细节的构造。
[0100]
附图标记
[0101]
1：电池劣化预测装置
[0102]
11：数据获取部
[0103]
13：输入参数值获取部
[0104]
14：模型预测部
[0105]
2：电池