電気自動車のバッテリー管理精度を革新する新アルゴリズム
電気モビリティが急速に進化する中、バッテリー管理の精度は性能、安全性、長寿命化の基盤となっています。自動車メーカーが航続距離と充電速度の限界に挑むにつれ、リチウムイオン電池の高精度なリアルタイム監視の必要性はかつてないほど重要になっています。この課題の核心にあるのがバッテリー管理システム（BMS）であり、最適な動作を保証するために正確な状態推定に大きく依存しています。東北電力大学の研究者たちによる最近の画期的な研究は、オンラインでのバッテリーパラメータ同定の精度と適応性を大幅に向上させる新手法を導入しました。これは、よりスマートで効率的な電気自動車を実現するための鍵となる技術です。
現代電力システムシミュレーション制御・再生可能エネルギー技術教育部重点实验室に所属する段双明と張勝利が主導したこの研究は、Adaptive Multi-Layer Recursive Least Squares（AMLRLS）と呼ばれる革新的なアプローチを提案しています。『エネルギー貯蔵科学と技術』誌に掲載されたこの研究は、既存のパラメータ同定技術の長年の限界——動的な運転条件、温度変動、または変化する充電状態（SOC）によりバッテリーパラメータが急速に変化する際に高精度を維持できない問題——に取り組んでいます。
再帰的最小二乗法（RLS）やその変形である忘却係数付き再帰的最小二乗法（FFRLS）などの伝統的な手法は、システム同定の基礎的なツールとして機能してきました。これらのアルゴリズムは、予測出力と実際の出力の誤差を最小化することによってモデルパラメータを推定するように設計されています。しかし、分極容量や内部抵抗などの内部特性が本質的に時間とともに変化するリチウムイオン電池に適用する際には、重大な課題に直面します。市街地の走行サイクルに典型的な頻繁な電流変化の下では、これらのモデルは実際のパラメータシフトに遅れがちで、BMSの全体的な性能を低下させる累積誤差を引き起こします。
AMLRLSの核心的な革新は、その階層的な再帰構造にあります。最近のデータにより重みを付けるために忘却係数の調整のみに依存するのではなく、この新しいアルゴリズムは、前の層で説明されなかった残留電圧誤差を各層が処理する多層フレームワークを導入します。この段階的な補正メカニズムにより、アルゴリズムは再帰的にパラメータ推定値を抽出し洗練させ、ノイズや過渡効果から真のパラメータダイナミクスを効果的に分離することができます。
急加速によって電流引きが急増するシナリオを想像してみてください。従来のRLSでは、新しい分極容量値に収束するまでに数秒かかる可能性があり、その間モデルの電圧予測は現実から乖離してしまいます。対照的に、AMLRLSは第一層でこの不一致を即座に捕捉し、それを第二層で基礎となるパラメータシフトを同定するための目標信号として使用します。後続の層が推定値をさらに洗練させ、より速い収束と高い精度をもたらします。
AMLRLSを際立たせているのは、その階層アーキテクチャだけではありません。インテリジェントな層選択メカニズムも特徴です。計算コストが高いプロセスであるすべてのデータポイントに対してすべての層を計算するのではなく、このアルゴリズムは電圧誤差の大きさに基づいてアクティブな層の数を動的に調整します。誤差が小さい安定した動作条件下では、1つまたは2つの層のみが使用されます。しかし、回生ブレーキや急速充電中などの急激な変化が発生すると、システムは追跡精度を高めるために層の数を自動的に増やします。
この適応的な階層化戦略は、計算効率と推定精度の間の極めて重要なバランスを取ります。実際的な意味では、このアルゴリズムが車両のBMS内の組み込みシステムでプロセッサに過度な負担をかけることなく効率的に実行できることを意味します。研究者たちはこの主張を、動的ストレステスト（DST）や連邦市街地走行スケジュール（FUDS）など、攻撃的な電流プロファイルで知られる実世界の走行サイクルを使用した広範なシミュレーションと実験を通じて検証しました。
シミュレーション段階からの結果は驚くべきものでした。2000秒の周期で変化する分極容量を追跡する際、AMLRLSは標準的なRLSと比較して最大69%、Adaptive Forgetting Factor RLS（AFFRLS）と比較して46.5%パラメータ誤差を削減しました。より変化の速い運転行動をシミュレートする1000秒の変化周期というさらに困難な条件下でも、このアルゴリズムは優れた性能を維持し、高ダイナミクス環境におけるその堅牢性を実証しました。
しかし、シミュレーションだけでは実世界での適用性を証明するには不十分です。このチームは、この分野で広く認められているベンチマークであるメリーランド大学のバッテリーデータセットから調達したリチウムイオンセル（INR 18650-20R）を使用して実験的検証を実施しました。テストは、様々な温度（0℃、25℃、45℃）、初期SOCレベル（50%と80%）、および異なる電流プロファイルの下で実行されました。すべてのシナリオにわたって、AMLRLSは電圧予測精度の点でRLSとAFFRLスの両方を一貫して上回りました。
25℃のDSTサイクルの下では、端子電圧の二乗平均平方根誤差（RMSE）は他の方法と比較して43.9%減少し、平均絶対誤差（MAE）は32.1%低下しました。これらの改善は単なる統計的な数字ではなく、より良い充電状態の推定、強化された故障検出、および改善された熱管理に直接変換されます。厳格な安全性和保証基準を満たそうと努力する自動車メーカーにとって、このような進歩はバッテリー知能における具体的な前進を表しています。
同等に重要なのは、アルゴリズムの計算効率です。最適化なしでは、多層構造は特に毎秒数千のデータポイントを処理する際に非常に遅くなる可能性があります。しかし、層セレクターの統合は画期的であることが証明されました。DSTテストでは、計算時間は固定最大層実装と比較して37.4%削減されました。さらに要求の厳しいFUDSサイクルの下では、節約率は28.6%に達しました。このレベルの最適化により、AMLRLSは処理能力とエネルギー消費が厳密に制約されている生産グレードのBMSプラットフォームへの展開が可能なままであることが保証されます。
この研究の最も説得力のある側面の一つは、多様な動作条件にわたるその検証です。バッテリーの挙動は温度に非常に敏感であり、低温では内部抵抗が増加し利用可能容量が減少します。例えば0℃では、RLSとAFFRLSの電圧誤差は大幅に増加し、寒冷気候のダイナミクスに適応する苦労を反映しています。しかし、AMLRLSは緊密な誤差範囲を維持し、熱ストレス下でのその回復力を示しました。同様に、高温（45℃）でも、このアルゴリズムは正確なパラメータ推定を提供し続け、現代のEVの完全な動作範囲にわたるその汎用性を強調しました。
初期SOCもバッテリーモデリングの精度に重要な役割を果たします。この研究では、より高い初期SOCレベルは一般により低い電圧誤差をもたらすことがわかりました。これは、SOC-OCV（開放電圧）曲線のより線形な領域による可能性が高いです。それにもかかわらず、開始条件に関係なく、AMLRLSは一貫して最も正確な結果を提供し、ドライバーが様々な充電レベルで旅行を開始する実世界の使用事例におけるその信頼性を強化しました。
この作業の意味合いは、即時の性能向上を超えています。正確なパラメータ同定は、状態-of-health（SOH）推定、内部短絡検出、および劣化モデリングを含む高度なバッテリー診断の基礎を形成します。バッテリーの内部状態のより忠実な表現を提供することにより、AMLRLSは予測保全戦略を可能にし、予期しない故障のリスクを減らし、競争の激しいEV市場における主要な販売ポイントであるより長いバッテリー保証をサポートします。
さらに、このアルゴリズムの設計哲学は、自動車工学におけるより広範な趨勢——静的でルールベースのシステムから適応的で学習可能なアーキテクチャへの移行——を反映しています。LSTMネットワークのような機械学習モデルはバッテリーモデリングで有望であることが示されていますが、それらは往往にして広範なトレーニングデータを必要とし、解釈可能性に欠けています。対照的に、AMLRLSは物理学ベースのモデルの透明性と再帰的推定の適応性を組み合わせ、説明可能で効果的なバランスの取れたソリューションを提供します。
システム統合の観点からは、AMLRLSのモジュール性により、既存のBMSソフトウェアスタックとの高い互換性が実現されます。これは、カルマンフィルターや他の状態オブザーバーに投入するスタンドアロンのパラメータ推定器として実装でき、制御アーキテクチャの完全なオーバーホールを必要とせずに入力品質を向上させます。このプラグアンドプレイ機能は、OEMやティア1サプライヤーにとって採用への障壁を低くします。
今後の展望として、研究者たちはまだ改善の余地があることを認めています。将来の作業の一つの領域は、現在の推定プロセスに歴史的同定データを組み込むことで、潜在的に長期的な傾向分析とドリフト補償を可能にします。さらに、この方法をマルチセルバッテリーパックに拡張すること——セル間の変動が複雑さの別の層を追加する——は、パックレベルの管理のためにさらに大きな利益を解き放つ可能性があります。
自動車産業は、電化、自律性、および接続性によって推進される根本的な変革を経験しています。この新時代において、バッテリーはもはや単なるエネルギー源ではなく、継続的に監視および最適化されなければならないスマートでデータ豊富なコンポーネントです。AMLRLSのようなアルゴリズムは、生のセンサーデータを車両の性能、安全性、およびユーザー体験を改善する実用的な洞察に変える、次世代のバッテリー知能を表しています。
世界中の政府がゼロエミッション交通への移行を加速させる中、よりスマートで信頼性の高いバッテリーへの需要はのみ成長するでしょう。段双明と張勝利によって開発されたような革新は、単なる学術的成果ではなく、明日の持続可能なモビリティシステムのための必須の構成要素です。
AMLRLSの成功は、バッテリー技術を進歩させる際の学際的協力の重要性も強調しています。信号処理、制御理論、および電気化学から引き出して、この研究はクロスドメインの専門知識が複雑な工学的問題に実用的な解決策をもたらす方法を例示しています。これは、特にクリーンエネルギーや運輸などの戦略的セクターにおいて、学術機関が産業革新に有意義に貢献できる方法のモデルとして役立ちます。
消費者のために、影響は微妙だが深遠かもしれません。彼らは車のコンピューター内部で実行されているアルゴリズムを見ることはないかもしれませんが、よりスムーズな加速、より正確な航続距離予測、およびより長持ちするバッテリーの違いを感じるでしょう。新技術への信頼が最も重要である時代において、このような目に見えない改善は電気自動車への信頼を構築し、より広範な採用への道を整えます。
結論として、Adaptive Multi-Layer Recursive Least Squares法の開発は、バッテリー管理科学における重要なマイルストーンを印します。パラメータがリアルタイムでどのように更新されるか再考することにより、研究者たちは既存のアプローチよりも正確であるだけでなく、より効率的で適応性の高いソリューションを提供しました。自動車の世界がその電化された旅を続ける中、AMLRLSのような革新は、ボンネットの下の動力が前例のない精度で管理されることを保証する上で極めて重要な役割を果たすでしょう。
段双明、張勝利。適応的多層RLSに基づくリチウムイオン電池パラメータ同定。『エネルギー貯蔵科学と技術』。doi: 10.19799/j.cnki.2095-4239.2023.0605