新型適応アルゴリズムが電気自動車のバッテリー状態をリアルタイム監視
電気自動車（EV）の安全性、長寿命化、信頼性を追求する競争において、バッテリーインテリジェンスは表立って語られることのない重要技術として台頭している。華やかなデザイン刷新や馬力の数字が世間の注目を集める一方で、真の技術戦争は、現代のEVを滑らかで効率的、安全に稼働させ続けるデジタル頭脳であるバッテリー管理システム（BMS）内部で静かに繰り広げられている。そして今、中国計量大学（China Jiliang University）の研究者たちによる画期的な研究成果が業界全体の注目を集めている。それは、最も重要でありながら捉えにくい二つのバッテリー指標——充電状態（SOC）と状態健全度（SOH）——を、リアルタイムで、かつ前例のない精度で同時に追跡する、新型の適応型オンライン統合推定手法である。
長年、エンジニアたちは根本的なジレンマ——精度と速度のトレードオフ——に悩まされてきた。バッテリーパックに残存する充電量（SOC）と、その劣化度合い（SOH）を把握するには、堅牢な数学的モデル、実世界への適応性、そして超高速の計算処理が要求される。従来の手法は、瞬時の判断には遅すぎるか、動的な走行条件に対応できず硬直的であるか、あるいはバッテリー制御ユニットに組み込まれた控えめな性能のプロセッサにとって計算負荷が高すぎるかのいずれかだった。しかし、朱智勲（Zhijun Yu）、安始光（Siguang An）、王偉（Wei Wang）らが開発した新手法は、二つのスマートなアイデア——「適応忘却」と「可変時間スケーリング」——を巧みに組み合わせることで、これらのトレードオフを見事に回避している。その結果は、静的で実験室的なモデルではなく、バッテリーの微妙な兆候——電圧ディップ、電流サージ、熱のささやき——をその場で読み取ることを学んだ熟練技術者のように振る舞う、リーンで応答性が高く、極めて正確な推定器である。
まず、課題から理解しよう。氷点下の気温で高速道路を巡航走行中、突然、加速車線に合流するためにアクセルを踏み込む場面を想像してほしい。バッテリーは急激な電流スパイクで応答し、内部抵抗は変動し、温度は揺らぎ、化学反応速度は変化する——これら全てが数秒の内に起こる。定常状態の実験室条件（25°C）で較正された静的な推定器はつまずいてしまう。その予測——特にSOHに関して——は遅れ、漂動し、場合によっては発散さえする。なぜか？ リチウムイオン電池はカレンダー時間ではなく、「使用強度」によって劣化するからだ。都市部の穏やかな走行でサイクルを重ねたセルは、繰り返しの直流急速充電と高負荷な高速走行に晒されたセルよりも長寿命になる可能性がある——たとえ走行距離が同じでもだ。したがって、SOHは単なる経過時間や総充電量の問題ではない。それは「ストレス履歴」に関する問題なのである。それを、煩雑なオフライン試験や巨大なニューラルネットワークなしに捕捉することは、長らく夢の技術だった。
従来の試みは、二重フィルター——特に2000年代初頭に先駆けられた二重拡張カルマンフィルター（DEKF）——に大きく依存してきた。DEKFは二つの並列推定エンジンを動作させる：一つはSOCのような高速変化変数に調整され、もう一つは容量劣化や内部抵抗増加のような低速変動変数に対応する。賢いか？ その通り。実用的か？ 部分的にのみである。なぜなら実世界では、「高速」と「低速」は固定されたカテゴリではないからだ。穏やかな巡航ではSOCは数分かけてゆっくり変化するかもしれないが、回生ブレーキング時には5秒足らずで2%も変動する可能性がある。固定の時間スケールを持つフィルターは、それがどのように調整されていようと、この変動性を見逃してしまう。ノイズに過剰反応する（スケールが細かすぎる場合）か、決定的な過渡現象を見逃す（スケールが粗すぎる場合）かのどちらかだ。ここで中国計量大学チームの洞察が光る：『バッテリー自身に時間スケールを決定させよ』と。
彼らの可変時間スケール拡張カルマンフィルター（VEKF）は、シンプルだが強力なルールを導入する：SOCの変化が小さくても意味のある閾値（彼らは0.3%を使用）を超えるまで、高解像度の「マイクロ」モード（SOCを1秒間に何度も更新）を維持する。それが起これば、システムはSOHのための「マクロ」更新をトリガーする。被写体が動いた時だけ連写モードを使う写真家のように考えればよい——処理能力を節約し、ノイズを低減し、応答性を維持する。このイベント駆動型戦略は、人間の専門家がシステムを監視する方法を反映している：測定器を常に再較正するのではなく、「変化」を監視し、重要な時に行動するのである。
しかし、最も優雅なフィルターでさえ、その基礎となるモデルが良くなければ意味をなさない——そしてバッテリーモデルは悪名高いほど捉えにくい。ここで第二の革新が登場する：適応忘却因子付き再帰最小二乗法（AFFRLS）である。伝統的な再帰最小二乗法（RLS）は、古典的なシステム同定の働き手だ：新しいデータを過去の予測と照合することで、モデルを継続的に改良する。問題は？ 過去のデータが時間とともに重みを蓄積し、推定器を鈍重にしてしまうことだ——古いフジツボが詰まった舵で船を操舵しようとするようなものだ。固定の忘却因子を追加すれば改善する：それは古い観測値の重みを減らす。しかし落とし穴がある——バッテリーの劣化は線形ではない。劣化は高ストレス事象（例：低温での急速充電）中に加速し、休止中は横ばいになる。単一の忘却率ではこのリズムに適応できない。
AFFRLSは、『自身のメモリを動的に調整する』ことでこれを解決する。予測誤差が急上昇した時——例えば、突然の負荷急増時——アルゴリズムは自動的にその忘却因子を減らし、実質的に「より速く忘れる」ことで、新鮮で高精度なデータを優先させる。誤差が落ち着くと、因子を徐々に再び増加させ、安定性とノイズ耐性を回復する。それは、熟練ドライバーが注意力を調整するようなものだ：曲がりくねった山道では目を見開き反射神経を研ぎ澄ませ、真っ直ぐな砂漠の高速道路ではリラックスしながらも警戒を怠らない。実世界のEV使用を模した業界標準シミュレーションである動的ストレステスト（DST）プロファイルを用いたテストでは、AFFRLSは固定忘却の従来手法を一貫して凌駕し、12%低い根二乗平均電圧誤差を達成した。これは漸進的に聞こえるかもしれないが、バッテリーの世界では、数ミリボルトの差が安全運転と熱暴走の分かれ目になり得る。
この研究を特に説得力あるものにしているのは、理論と実践の架け橋となっている点だ。チームは合成データや理想化された実験用セルに依存しなかった。彼らはこの手法を、メリーランド大学のCALCEバッテリーデータベースから得た実世界の劣化データ——元の容量の13%を既に失い（SOHが約87%に低下）、劣化が進んだ状態のセルを含む——を用いて検証した。そのような劣化条件下でも、彼らのAFFRLS-VEKF組み合わせは、DSTサイクル全体を通じて、SOC推定誤差を0.3%未満、SOH誤差を1.1%未満に抑え続けた。これを分かりやすく言うと：典型的な75 kWhのEVパックの場合、0.3%のSOC誤差は±0.2 kWh未満——およそ0.8 kmの航続距離の不確実さ——に変換される。このレベルの正確さは、自動車メーカーが過放電や早期のパック寿命終了のリスクを負うことなく、使用可能なすべてのワット時を搾り出すことを可能にする。
そして極めて重要なのは、それを『効率的に』行う点である。標準的なi7デスクトップ（次世代の自動車グレードマイクロコントローラーの合理的な代用品）上でのベンチマークでは、完全な推定パイプラインが15,000データポイントをわずか1.22秒で処理した——ステップ当たり平均0.1ミリ秒未満である。これは専用ハードウェア上で100 Hz以上——つまり、システムがセルバランス調整、熱制御、故障検出を並行して管理しながらも、『1秒間に10回』バッテリーの状態認識を更新できる速度である。リアルタイムの期限を満たすためにモデルの複雑さや更新頻度で妥協を必要とすることが多かった古いDEKFの実装と比較してみよ。ここでは、性能と精度が共存している。
自動車システムの観点から、これはダッシュボードの航続可能距離表示のはるか先まで波及効果をもたらす。精密なリアルタイムSOH推定は、『予測的』バッテリー管理の扉を開く。局部的なセル劣化の初期兆候を検知したEVが、脆弱なモジュールへのストレスを軽減するために充電アルゴリズムを微妙にシフトさせ、パック寿命を数ヶ月あるいは数年延ばす場面を想像してほしい。あるいは、走行距離や経過年数ではなく、実際の電気化学的摩耗に基づいて、顧客の苦情になる『前に』、車両を proactive なメンテナンスのためにフラグ立てするフリート管理システム。第二の人生アプリケーション（例えばグリッド貯蔵用への転用）でさえ恩恵を受ける可能性がある：名目上の容量だけでなく、真のSOHを知ることは、より安全で経済的な再利用を保証する。
決定的に、この手法は深層学習代替案の持つブラックボックス的な落とし穴を回避している。ニューラルネットワークは印象的なSOH予測を達成できる——しかし、多くの場合、解釈可能性、データの飢餓性、計算オーバーヘッドという代償を伴う。堅牢な深層モデルを訓練するには、様々な温度や劣化状態にわたる何千もの完全充放電サイクル——主要OEMや国立研究所の外では稀にしか得られないデータ——が必要である。そして一度訓練されると、そのようなモデルは『ドメインシフト』に苦しむ：NMC化学系で訓練されたモデルはLFPでは悲惨なほど失敗するかもしれないし、400Vアーキテクチャ用に調整されたモデルは800Vプラットフォームで誤動作するかもしれない。対照的に、AFFRLS-VEKFアプローチは『物理情報化』されている。これはバッテリー電気化学に基づいた表現である、よく確立された二次RC等価回路モデルを基礎とし、それを適応的に洗練させる。これにより、安全が重大な展開において、本質的に移植性、説明可能性、信頼性が高くなる。
もちろん、完璧な推定方法は存在しない——そして著者らは主要な次のステップを認識している。彼らの現在のSOH定義は内部抵抗に依存している。これは劣化と強く相関する便利な代理指標ではあるが、すべての故障モード（例：リチウム析出や機械的剥離）を捕捉するわけではない。将来の研究では、同じ適応フレームワーク内で、抵抗追跡と増分容量分析やインピーダンス分光法の示唆を融合できるかもしれない。ハードウェアインザループ検証も pending である：シミュレーション結果は有望であるが、実際のBMSチップは物理的テストのみが曝すことのできるノイズ、レイテンシ、センサードリフトに直面する。そして最後に、能動的セルバランス調整戦略との統合は未開拓の分野である——リアルタイムSOHフィードバックは、『いつ』バランスをとるかだけでなく、『どの程度積極的に』行うかも最適化するかもしれない？
それでも、その影響は甚大である。EVが80万kmの寿命を目指し、バッテリー・アズ・ア・サービスモデルが注目を集める中、サービス間隔だけでなく『継続的に』状態を監視する能力は、競争上の差別化要因となる。消費者は「どれだけ走れるか？」だけでなく、「『自分の運転スタイルで』このパックはどれくらい持つのか？」と問うだろう。保険会社はバッテリーストレス指標に連動した使用量ベースの保険料を提供するかもしれない。中古市場は、機械的な履歴に関するCarfaxレポートのように、SOH認証パックを標準化するかもしれない。その全てを支えるもの？ 信頼性が高くリアルタイムな推定——もはや贅沢機能ではなく、必要不可欠な要素なのである。
中国計量大学チームの研究が突出している理由は、全く新しい数学を発明したからではなく、既存のツールを驚くほどの実用主義をもって『統合』したからだ。AFFRLSはゼロから生まれたわけではない——それは何十年も前のアルゴリズムの巧妙な応用である。VEKFはマルチ時間スケールの洞察を捨て去らない——それを応答性の高いものにする。工学において、最大の飛躍は往々にしてそこから起こる：抜本的な再発明ではなく、思慮深い合成において。彼らの推定器は全ての人に全てのものを提供しようとしない。自動車の運用という混沌とした現実——条件が秒単位で変化し、リソースが制約され、誤差が現実世界の結果をもたらす——のために目的に合わせて構築されているのである。
バッテリー技術——全固体電池、ナトリウムイオン代替品、二極式構造——が前進し続ける中、智能的な監視の必要性は高まるばかりである。新しい化学組成は、新しい故障の兆候、新しい感度、新しい力学をもたらす。硬直した推定器はすぐに時代遅れになるだろう。しかし、『適応型』なら？ それは一つのプラットフォームである。監視するセルと共に学び、調整し、進化し続けることができるプラットフォーム。その意味で、これは単なるより優れたアルゴリズムではない。バッテリーインテリジェンスの新しい哲学である：静的なスナップショットよりも、動きつつある化学との動的な対話について、より多くを語るのである。
そして、ミリ秒とミリボルトが優位性を定義する業界において、その対話は遥かにスマートになった。
朱 智勲 (Zhijun Yu)、安 始光 (Siguang An)、王 偉 (Wei Wang) 中国計量大学 電気機械工程学院, 杭州 310018, 中国 Computer Applications and Software, Vol. 40, No. 10, October 2023 DOI: 10.3969/j.issn.1000-386x.2023.10.022