無香料カルマンフィルタがEVバッテリーSOC推定を革新
電気自動車（EV）の世界では、航続可能距離の表示は単なる数字以上の意味を持つ。それは、目的地まで確実に到達できるというドライバーへの約束であり、移動の自由を象徴する信頼の象徴でもある。しかし、この一見シンプルな表示の裏には、電気化学、非線形システム、そしてリアルタイムデータ処理の複雑な世界が広がっている。特に、リチウムイオン電池の充電状態（State of Charge, SOC）を正確に推定することは、EVの安全性、効率性、そしてユーザー体験を左右する最大の技術的課題の一つである。最近、安徽情報工学院（Anhui Institute of Information Technology）の電子電気工学部に所属する束文強（Shu Wenqiang）氏が主導する研究が、この難題の解決に向けた重要な一歩を踏み出した。同氏の研究は、無香料カルマンフィルタ（Unscented Kalman Filter, UKF）と呼ばれる高度なアルゴリズムを用いることで、リチウムイオン電池のSOC推定精度を飛躍的に向上させることに成功した。
この画期的な研究は、学術誌『佛山大学学報（自然科学版）』（Journal of Foshan University (Natural Sciences Edition)）に掲載され、実験とシミュレーションの両面からその有効性を証明している。研究の核心は、従来の方法では達成できなかった4%以内の推定誤差を安定して維持できることにある。この精度は、自動車産業が求める厳しい基準を満たしており、EVのバッテリーマネジメントシステム（BMS）の信頼性を劇的に高める可能性を秘めている。
BMSは、EVの心臓部とも言える存在だ。電池セルの電圧、電流、温度を継続的に監視し、その健康状態を管理する。しかし、その中でもSOCは、ユーザーにとって最も重要な指標である。燃料タンクの残量が直接測定できるのとは対照的に、電池のSOCは直接観測できない。それは、センサーから得られる電圧、電流、温度といった物理量を、複雑な数学モデルとアルゴリズムで解釈し、推定するしかない「導出値」なのである。この推定の難しさは、リチウムイオン電池が単なるエネルギー貯蔵装置ではなく、温度、使用履歴、劣化の進行度などに応じてその内部特性が常に変化する、高度に非線形な動的システムだからである。
SOC推定の歴史には、さまざまなアプローチが存在する。最も正確な方法の一つは「放電試験法」だ。バッテリーを完全に放電し、その過程で消費された電気量を測定することで、SOCを直接算出する。しかし、これは実用的ではない。試験中は車両が使用できず、実際の走行中に適用することは不可能だ。もう一つの方法として「電流積分法」（アンペアアワー法）がある。これは、電流を時間で積分することで、放出または充電された電気量を計算し、初期SOCから現在のSOCを算出する方法だ。非常にシンプルで実装も容易だが、致命的な弱点がある。まず、正確な初期SOCを知る必要があるが、これはしばしば未知である。そして何より、センサーの微小な誤差が時間とともに累積し、大きな推定誤差を生む「ドリフト」が発生する。数万キロメートル走行した後では、表示されるSOCと実際のSOCが大きく乖離している可能性がある。
「開放電圧法」（OCV法）は、バッテリーを長時間（通常数十分から数時間）放置し、内部の化学反応が平衡状態に達した後の電圧（開放電圧）とSOCの関係を利用して推定する。この関係は比較的安定しているため、静止時には非常に正確な推定が可能だ。しかし、走行中は電流が流れ続け、電圧は負荷によって常に変動しているため、この方法はリアルタイム監視には不向きである。一方、「ニューラルネットワーク法」のようなAI技術も注目されている。膨大なデータから電池の複雑な挙動を学習する能力を持つが、その「ブラックボックス性」が大きな課題だ。AIがなぜそのような推定を行ったのかを説明するのが難しく、自動車のような安全が最優先される分野では、その信頼性と検証の難しさから、完全な信頼を得るのは容易ではない。
こうした背景の中、モデルベースのフィルタリング技術が注目を集めてきた。その中でも、カルマンフィルター（Kalman Filter, KF）は、ノイズの多いセンサーの測定値と、システムの動的モデルを融合し、最適な状態推定を行うための強力なツールとして知られている。しかし、KFは線形システムを前提としている。リチウムイオン電池の非線形性を扱うため、研究者たちは「拡張カルマンフィルター」（Extended Kalman Filter, EKF）を開発した。EKFは、非線形モデルを現在の動作点の周りで線形化（一次近似）することで、KFの理論を適用しようとする。これは大きな進歩だったが、線形化自体が誤差を生む原因となる。特に、SOCと開放電圧の関係が急激に変化する領域や、急激な加速・減速が繰り返されるようなダイナミックな走行条件では、この近似誤差が顕著に現れ、推定精度が低下する。
束氏の研究は、このEKFの根本的な限界を克服するためのものだ。その鍵が「無香料カルマンフィルタ」（UKF）である。UKFは、EKFとは全く異なるアプローチを取る。線形化という危険な近似を避け、代わりに「無香料変換」（Unscented Transform, UT）と呼ばれる手法を用いる。その核心的なアイデアは、「シグマ点」と呼ばれる少数の代表点を、現在の状態推定値の周りに特定のルールに従って配置することだ。これらのシグマ点は、推定値の平均と分散（不確かさ）を正確に表すように設計されている。次に、これらのシグマ点をそのまま、非線形な電池モデル（この研究では、Thevenin等価回路モデル）に通してみる。モデルを通過した後のシグマ点の分布を再び統計的に解析し、新しい平均と分散を計算する。このプロセスは、非線形性を直接扱うため、線形化による情報損失がなく、統計的な特性をはるかに正確に保持できる。
研究では、まず10Ahのリン酸鉄リチウム（LiFePO₄）電池を対象に、パルス放電試験を実施。1Cの電流で1Ahずつ放電し、各ステップ後に60分間の休止時間を設けて開放電圧（OCV）を測定することで、SOCとOCVの正確な関係をマッピングした。この実験データをMATLABで解析し、高度な曲線フィッティングを行って、SOCとOCVの非線形関係を数学的に表現した。この高精度なモデルが、UKFの出発点となる。
シミュレーションでは、SOCが95%の状態から5Aの定電流で放電を開始するというシナリオを設定。EKFとUKFの両方を用いてSOCを推定し、その結果を「電流積分法」による理論値と比較した。結果は明確だった。初期の段階では、両フィルターともに参考値を追いかけていたが、放電が進むにつれて、EKFの推定値は徐々に下方向に乖離し、80分後には誤差が6.08%に達した。これは、実用上許容できないレベルの誤差である。一方、UKFは、放電の終盤まで推定値が参考値を非常に正確に追跡し、誤差を一貫して4%以内に抑えることに成功した。
この研究成果の意義は、学術的なものに留まらない。自動車メーカーにとっては、UKFを採用することで、ユーザーに提示される航続可能距離の信頼性が飛躍的に向上する。これは、いわゆる「航続距離不安」を軽減し、EVの日常的な利用を促進する直接的な要因となる。また、正確なSOC推定は、バッテリーの過充電や過放電を防ぎ、バッテリーの寿命を延ばすことに直結する。BMSは、よりスマートなエネルギー管理戦略を実行できる。例えば、回生ブレーキのタイミングや強度を最適化したり、高速道路での長距離走行に備えてバッテリーを適切に温めたりすることができる。
さらに、この技術は、EVバッテリーの「第二の人生」、すなわち定置型エネルギー貯蔵システムへの再利用においても極めて重要だ。使用済みバッテリーの健康状態（State of Health, SOH）を正確に評価するためには、正確なSOC推定が不可欠である。束氏の研究で示されたUKFの枠組みは、産業界で広く使われているMATLAB上で開発されており、実際のBMSに統合するためのハードルは比較的低い。標準的な電圧・電流センサーで動作するため、ハードウェアの大幅な変更を必要としない。
もちろん、研究は完璧ではない。一つの課題は、プロセスノイズと観測ノイズの共分散行列を固定値として扱っている点だ。実際の走行環境では、温度やバッテリーの劣化度に応じて、これらのノイズの特性は変化する。固定されたノイズモデルでは、最適な性能を発揮できない可能性がある。今後の研究では、これらのパラメータをリアルタイムで適応的に調整する「適応型UKF」の開発が期待される。また、バッテリーの容量が時間とともに減少する「劣化モデル」をUKFフレームワークに統合することで、バッテリーの全寿命にわたって高精度なSOC推定を維持できる可能性がある。
結論として、束文強氏の研究は、EVのコア技術であるバッテリー管理の精度を一歩前に進めた重要な成果である。無香料カルマンフィルタという成熟した技術を、リチウムイオン電池という複雑な非線形システムに巧みに適用することで、実用レベルの高精度推定を実現した。これは、EVが単なる輸送手段から、より知的で信頼性の高いエネルギー管理システムへと進化するための、確かな一歩である。世界が脱炭素化へと向かう中で、こうした地味ながらも極めて重要な技術革新が、持続可能なモビリティの未来を支えている。
束文強（Shu Wenqiang）、安徽情報工学院 電子電気工学部、佛山大学学報（自然科学版）