1.一种异常主要原因判定装置，判定有无关于包含多个蓄电元件的蓄电系统的异常主要原因，其中，
所述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。
2.根据权利要求1所述的异常主要原因判定装置，其中，
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。
3.根据权利要求1或2所述的异常主要原因判定装置，其中，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，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，判定有无异常主要原因。
4.根据权利要求1至3中任一项所述的异常主要原因判定装置，其中，
作为所述异常主要原因，所述判定部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。
5.根据权利要求3所述的异常主要原因判定装置，其中，
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。
6.一种劣化判定装置，判定蓄电元件的劣化，其中，
所述劣化判定装置具备：
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。
7.根据权利要求6所述的劣化判定装置，其中，
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，使所述学习模型进行学习。
8.根据权利要求6或7所述的劣化判定装置，其中，
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，使所述学习模型进行学习。
9.根据权利要求8所述的劣化判定装置，其中，
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，使所述学习模型进行学习。
10.根据权利要求6至9中任一项所述的劣化判定装置，其中，
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，使所述学习模型进行学习。
11.根据权利要求6至10中任一项所述的劣化判定装置，其中，
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，使所述学习模型进行学习。
12.根据权利要求6至11中任一项所述的劣化判定装置，其中，
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，使所述学习模型进行学习。
13.根据权利要求6至12中任一项所述的劣化判定装置，其中，
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，使所述学习模型进行学习。
14.根据权利要求6至13中任一项所述的劣化判定装置，其中，
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，使所述学习模型进行学习。
15.根据权利要求6至14中任一项所述的劣化判定装置，其中，
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，判定所述蓄电元件的劣化。
16.一种劣化判定装置，判定蓄电元件的劣化，其中，
所述劣化判定装置具备：
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。
17.一种计算机程序，用于使计算机判定有无关于包含多个蓄电元件的蓄电系统的异常主要原因，其中，
所述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。
18.一种计算机程序，用于使计算机判定蓄电元件的劣化，其中，
所述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。
19.一种计算机程序，用于使计算机判定蓄电元件的劣化，其中，
所述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。
20.一种异常主要原因判定方法，判定有无关于包含多个蓄电元件的蓄电系统的异常主要原因，其中，
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。
21.一种劣化判定方法，判定蓄电元件的劣化，其中，
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，并将所述蓄电元件的劣化的判定作为输出数据。
22.一种劣化判定装置，判定蓄电元件的劣化，其中，
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。