極限環境でのEV性能を革新する新型バッテリー状態推定技術
電気自動車（EV）の性能、安全性、寿命において核心的な重要性を持つリチウムイオン電池の状態推定技術において、天津大学の研究チームが画期的な新手法を開発した。劉芳教授を中心とするこの革新は、広範囲な温度条件や予測不能な走行パターンといった過酷な環境下でも、バッテリー管理システム（BMS）の精度と信頼性を大幅に向上させる可能性を秘めている。
『新しい電気熱連成モデルに基づくリチウム電池の主要状態オンライン同時推定法』と題された本研究は、電気学会誌『Proceedings of the CSEE』に掲載された。EV産業が直面する根本的な課題——電池の電気的状態、熱的状態、健全性状態の複雑な相互関係——に取り組んだものであり、従来モデルでは十分な精度で捕捉することが困難だった領域をカバーする。北方の極寒から砂漠地帯の酷暑まで、多様な気候条件下で使用されるEVの電池は大きな温度変動に曝される。これらの温度変化は電池内部の化学反応に影響を与え、充電状態（SOC）、寿命にわたる残存容量（SOH）、現在の温度状態（SOT）を左右する。これらの動的連成関係を無視すると、表示誤差、エネルギー効率の低下、電池寿命の短縮、さらには安全上のリスクにつながる可能性がある。
現在の最先端バッテリー管理技術では、通常SOCとSOHの2つの状態のみに焦点が当てられている。安定した環境下では有効であるものの、温度が主要変数となる状況では不十分となる。低温過ぎる電池は最大出力を発揮できず、高温過ぎる場合は熱暴走のリスクがある。電気的挙動と熱的挙動を結びつけようとする既存の電気熱モデルは、事前にプログラムされた静的なデータテーブルに依存することが多い。これらのテーブルは少数のサンプル電池に対する実験室試験に基づいて作成されるため、同種の電池はすべて同一の挙動を示すと仮定している。しかし現実には、製造ばらつきにより同一ロットの電池でも完全な一致はない。この「一致性問題」により、ある電池向けに構築されたモデルを別の電池に適用すると重大な誤差が生じる。さらに、電池の経年劣化に伴って内部抵抗や発熱特性が変化するため、静的なモデルは時間の経過とともに精度が低下していく。
これらの限界を認識した天津智能技術与システム重点実験室のチームは、革新的な新アプローチを開発した。彼らの解決策は、ARST（自己回帰－単一状態熱）モデルと名付けられた新しい電気熱連成モデルである。このモデルは静的な規則の集合ではなく、実世界の電池の独特かつ絶えず変化する条件に適応するように設計された動的自己修正システムである。
ARSTモデルの核心は、2つの異なるコンポーネントの革新的な融合にある。1つ目は、自己回帰等価回路モデル（AR-ECM）と呼ばれる高度な電気モデルである。急加速や回生ブレーキに典型的な高速・高周波数の電流変化に対する電池の応答を正確にシミュレートするのに苦労する、BMSで一般的に使用される従来のRC（抵抗-容量）モデルとは異なり、AR-ECMはこれらの複雑で動的な電気的特性の追跡に優れている。穏やかな巡航から突然の加速まで、広範な走行シナリオにわたって電池の挙動をより忠実に表現できる。
2つ目のコンポーネントは、電池の温度に焦点を当てた単一状態集約熱モデル（SSTM）である。一般的な18650円筒形セルのコンパクトなサイズを考慮し、研究者たちはセル全体を単一の平均温度を持つものとして扱う簡略化された熱モデルが、計算効率と精度の完璧なバランスをとると判断した。これは、車両の処理能力に過負荷をかけずに毎秒数千回の計算を行わなければならないEVのBMSにとって極めて重要である。
しかし、ARSTモデルの真の卓越性はその構造だけでなく、学習と適応の方法にある。研究者たちは高度な「事前情報初期化－オンライン補正」戦略を実装した。これは、モデルが白紙の状態から始まらないことを意味する。代わりに、まず内部抵抗や熱容量といった電池の主要パラメータが温度、充電レベル、経年変化に伴ってどのように変化するかについての包括的なデータベースである「事前情報」で初期化される。このデータは、サンプル電池に対する広範な実験室試験から収集される。
しかし、モデルはそこで止まらない。実車に導入されると、オンライン学習と自己補正の連続的なサイクルに入る。これは、バックグラウンドで動作する強力な計算フレームワークであるデュアルフィルター構造アルゴリズムによって達成される。1つのフィルターは電池の現在の状態——SOC、SOH、SOT——を推定する専用である。もう1つのフィルターは、モデル自身の内部パラメータを継続的に改良する任務を負う。これら2つのフィルターは常に情報を共有し合う。最初のフィルターからの状態推定値は、2番目のフィルターのパラメータ推定値を改善するために使用され、2番目のフィルターからの改善されたパラメータは、最初のフィルターの状態推定値をさらに正確にするために使用される。これにより強力なフィードバックループが生まれ、モデルは監視対象の個々の電池の特定の特性を「学習」し、製造上の差異や経年変化の影響を補償することができる。
このオンライン補正機能は game-changer である。モデルが各電池の独特の「個性」に動的に適応できることを意味し、車両の全ライフサイクルにわたって予測精度を維持することができる。例えば、特定の電池セルが高速走行中に予想より少し多く発熱した場合、ARSTモデルはこの不一致を検出し、内部の熱パラメータを調整し、この新しい知識を使用して次の走行のためのより正確な予測を行う。この継続的な適応により、モデルは静的な既製モデルでは到底達成できないレベルの精度を実現する。
主張を検証するため、研究チームは有名メーカーであるA123とPanasonic NCRの公開された電池データセットを使用して厳密な実験を行った。ARSTモデルを、頻繁な停車と発進を伴う過酷な市街地走行をシミュレートする動的ストレステスト（DST）と、高速巡航を模倣する高速燃費テスト（HWFET）という2つの挑戦的な動的走行サイクル下でテストした。これらのテストは、実世界の極限状況をシミュレートするため、0°Cから50°Cまでの広い温度範囲で実施された。
結果は説得力のあるものだった。オンライン補正なしで初期の「事前情報」のみに依存するモデルと比較して、完全なARSTモデルは精度が大幅に向上していることを示した。電圧予測誤差は平均4.3ミリボルト減少し、温度予測誤差はすべてのテスト条件で0.016°C削減された。これは、高い精度を維持するために継続的なオンライン学習プロセスが不可欠であることを証明している。
さらに印象的だったのは、電気部品に従来のRC回路を使用し、固定熱パラメータを採用した2023年の最先端電気熱モデルとの比較である。直接対決テストでは、ARSTモデルはすべてのカテゴリでこのベンチマークを上回った。AR-ECMの優れた動的追跡能力により、電圧予測、特にDSTサイクルの急激な電流変化時の精度が大幅に向上した。温度予測も、競合モデルの固定パラメータとは異なり、熱パラメータが上昇する温度に適応できるため、HWFETサイクルの長時間高電流放電時において特に安定していた。
この改良されたモデルが最終的な状態推定に与える影響は絶大だった。SOC推定では、ARSTベースのアルゴリズムは平均二乗平方根誤差（RMSE）がわずか0.81%を達成した。温度影響を無視したモデルの1.27%の誤差や、固定パラメータ電気熱モデルの1.09%の誤差から大幅な改善である。SOH推定では、平均RMSEは1.33%で、こちらも代替モデルを上回った。特に注目すべきは、SOT推定が平均誤差0.114°Cという非常に正確さで、モデルの堅牢な熱追跡能力を示している。
これらの数値は、EVドライバーとメーカーにとって現実的な利益につながる。より正確なSOC推定は、ドライバーが走行可能距離表示を信頼できることを意味し、「レンジ不安」を軽減し、より効率的な旅程計画を可能にする。より精密なSOH推定は、長期的な電池健全性の監視を改善し、予測保全を可能にし、車両の残存価値についてより正確な情報を提供する。そして高度に正確なSOT推定により、BMSは電力供給と熱管理についてよりスマートな決定を下すことができる。例えば、電池が低温過ぎる時に最大加速要求を防いでセルを保護したり、電池が過熱している時に冷却システムをより効率的に作動させて性能と寿命を維持したりできる。
この研究の意義は、単一の指標の改善を超えている。3つの重要な状態——SOC、SOH、SOT——のオンライン同時推定を成功裏に達成することにより、ARSTモデルはBMS技術の大きな飛躍を表している。電池の状態についてより全体的かつ統合されたビューを提供し、次世代のEVに不可欠である。車両がより自律的かつ連接されるにつれて、BMSはドライバーだけでなく、車両の中央コンピューター、充電インフラ、さらには電力グリッドとも通信する必要がでてくる。ARSTのようなモデルを搭載したBMSは、より豊かで信頼性の高いデータを提供し、よりスマートなエネルギー管理、最適化された充電戦略、強化された安全プロトコルを可能にする。
さらに、この方法論はコスト削減と車両の軽量化の趨勢を支援する可能性を秘めている。ARSTモデルは非常に正確であるため、エンジニアが安全余裕を小さくした電池パックを設計できる可能性がある。現在、BMSは推定誤差を考慮して保守的に動作することが多く、電池の全容量が常に利用されるわけではない。より精密なモデルは、電池の利用可能なエネルギーを安全に解放し、物理的な重量やコストを追加することなく実質的に車両の航続距離を増加させることができる。これは、あらゆるキログラムとあらゆるドルが重要である産業において決定的な利点である。
現在のARSTモデルの実装は一般的な18650円筒形セルに最適化されているが、研究チームは、多くの現代のEVで使用される大型のポーチセルなど、異なる電池形態が異なる熱的課題を提示することを認めている。王万如准教授を含むチームは、これらの応用に向けてAR-ECMと融合できるより複雑な分散型熱モデルを探求する今後の研究の概要を既に示している。また、電池内の高度な非線形連成をモデル化するために人工知能技術をどのように利用できるか調査することにも関心を持っている。
結論として、天津大学の劉芳、劉心慧、蘇衛興、王万如、及び東軟睿馳自動車技術有限公司の布凡濤による本研究は、電池状態推定における主要な進歩を示している。革新的なデュアルフィルター構造とオンライン学習能力を備えた彼らのARSTモデルは、既存手法の重大な欠点に効果的に対処する。実世界の過酷条件下でのリチウムイオン電池の状態について、より正確で適応的かつ包括的な理解を提供することにより、この研究はより安全で効率的かつ信頼性の高い電気自動車への道を開く。電動化交通への世界的な移行が加速する中、このような革新は単なる学術的成果ではなく、持続可能な未来のための不可欠な基礎なのである。
劉芳、劉心慧、蘇衛興、王万如、布凡濤 Online Joint Estimation Method for Key States of Lithium Battery Based on a New Electro-thermal Coupling Model Proceedings of the CSEE DOI: 10.13334/j.0258-8013.pcsee.232858