電気自動車の航続不安を解消する新AIモデル

電気自動車の航続不安を解消する新AIモデル：実用環境で誤差1％未満のSOC推定を実現

電気自動車の急速な進化の中で、いまだにドライバーを悩ませる根本的な問いがある――「このバッテリーで、あとどのくらい走れるのか？」という疑問だ。

これは単なる心理的な不安ではなく、技術的な課題である。メーカーがバッテリー容量の拡大や充電時間の短縮を競う中でも、ダッシュボードに表示される残量と実際の走行可能距離の間には、埋めがたい隔たりが存在する。この隔たりは、充電状態（SOC）の推定という技術的な問題に起因している。これまで、速度と精度、拡張性、実環境での信頼性を同時に満たすソリューションは存在しなかった。

しかし、自動車メーカーの研究開発部門ではなく、大学の工学部から画期的な解決策が登場した。湖北工業大学の王娟（ワン・ジュアン）と呉明虎（ウー・ミンフー）が率いる研究チームは、バッテリー管理システム（BMS）の考え方を根本から変える新しい深層学習アーキテクチャを開発した。Temporal Convolutional Optimization Network（TCON）と名付けられたこのモデルは、実車から収集したノイズの多い走行データにおいて、平均絶対誤差1％未満という精度でSOCを推定することに成功した。

さらに画期的なのは、この精度を、高い計算コストを伴わずに達成した点である。比較試験では、TCONはLSTMやGRUなどのリカレントアーキテクチャを精度だけでなく効率性でも上回った――パラメータ数は約半分、計算量（FLOPs）は5分の1、学習速度は約2倍という結果を示した。

これは単なる改良ではなく、構造そのものの再構築なのである。

SOC推定が難しい根本的な理由

ダッシュボードに表示される単純なパーセンテージのように見えるSOCは、技術的には極めて複雑な概念である。化学エネルギーに関するライブ気象予報のようなものだと考えれば理解しやすい――「時速110キロで山道を激しく駆動している間」という条件下で、老化し、温度変化に敏感な化学システム内に、実際に使用可能な電気がどれだけ残っているかを予測しなければならない。

従来のアプローチは、主に3つの方法に分類される：

クーロンカウンティング（電流の時間積分）：定期的な校正なしでは誤差が蓄積する
モデルベース手法（カルマンフィルターなど）：内部の電池物理に関する正確な知識が必要（パラメータは経年劣化や環境で変化する）
機械学習モデル：データ駆動で適応性はあるが、長期的な時間的依存性の処理が困難な場合が多く、リアルタイム処理には過剰な計算資源を要求する

既存のAI駆動手法のほとんどは、実験室環境では良好に機能する――気候 chamber内の単一セルからのクリーンで制御されたサイクルデータを使用する場合だ。しかし、これを実世界のフリートデータに適用すると――気まぐれな運転行動、一貫性のない熱管理、センサーノイズ、数十または数百の不一致セルで構成されるバッテリーパック――パフォーマンスは急速に低下する。

ここでTCONがゲームチェンジャーとなる。

TCONの仕組み――専門用語を使わずに説明

オーケストラが演奏している最中に、次の音符を予測しようとしている場面を想像してほしい。一時停止したり巻き戻したり、一つの楽器を分離したりすることはできない。アンサンブル全体を聴き、時間的なパターンを認識し、次に来るものを予測する必要がある――すべてリアルタイムで行わなければならない。

これが、TCONがバッテリー信号に対して行うことの本質である――ただし、通常の落とし穴を回避している。

中核の革新は、Temporal Convolutional Network（TCN）から始まる。これは、時間系列データを並列処理するニューラルネットワークの一種で、歴史を一歩ずつ進まなければならないリカレントネット（LSTM/GRU）とは異なる。並列処理は速度を意味する。しかし、標準的なTCNには欠点がある：出力が「ジター」（不安定）する可能性があることだ。特に、センサーデータがノイズの多い場合（例えば、積極的な回生ブレーキや急激な温度変化時）に顕著である。

そこで研究チームは二つの重要な設計選択を行った：

バッチ正規化層の除去：深層ネットで一般的なこの層をあえて排除した。なぜか？各時間ステップで独立して適用される正規化は、時間的連続性を無意識のうちに破ってしまうからだ。動きの流れを考慮せずにフレームごとにフィルムを編集するようなものだ。各ショットは綺麗に見えるが、シーンはぎくしゃくしてしまう。実験では、正規化を行わないTCNの方が収束が速く、誤差も大幅に低いことが確認された――平均絶対誤差は0.010対0.075であった。
軽量な「時間最適化モジュール（TOM）」の追加：アテンション機構から緩やかに着想を得ているが、はるかに簡素である。重いクエリ・キー・価値行列を計算する代わりに、TOMは時間軸に沿った自己相関という技法を使用する。最近の信号履歴の中で最も信頼できる情報がどこにあるかを学習し、生のTCN出力をそれに応じて再重み付けする。結果？より滑らかで安定した予測――手動フィルタリングや手動調整の閾値は不要である。

これは、モデルに内蔵の「ノイズキャンセリングヘッドホン」を装備するようなものだ。その場で適応する。

データが証明：実車、実道路での検証

研究者たちは、合成データセットや理想化された実験室サイクルでテストを行わなかった。実際の路上を走行する純電気自動車から1ヶ月かけて収集された80,000データポイントを使用した――10秒ごとにサンプリングされた。入力データには、総電圧、電流、SOC（グランドトゥルースとして）、モーター速度、温度、単セル電圧など、全部で15の特徴量が含まれていた。これらは直感ではなく、スピアマン相関に基づいてフィルタリングされ、SOCとの相関がほとんどない弱いまたは誤解を招く信号（例えば、絶縁抵抗など）は排除された。

このように雑多な実世界の信号の集合体であっても、TCONは以下の結果を達成した：

平均絶対誤差（MAE）：0.824％
二乗平均平方根誤差（RMSE）：1.027％
学習時間：129.3秒（LSTMの301秒に対して）
パラメータ数：38,433（LSTMの621,217に対して）

別の言い方をすれば：60kWhのバッテリーパックでは、平均SOC誤差は0.5kWh未満――市街地走行で約3〜5kmに相当するエネルギー量である。現在のほとんどの民生用BMSは2〜5％の誤差範囲で動作しており、デュアルフィルタ融合を使用するハイエンドシステムでも1.5％前後である。TCONは、汎用ハードウェア上で実験室級の精度を実現する。

そして決定的に重要なのは、待ち時間を犠牲にすることなくこれを達成した点である。100ステップの入力ウィンドウ（約17分の走行履歴に相当）を使用しても、推論はリアルタイムで行われる――現代のBMS安全機能に必要な100ミリ秒未満の意思決定サイクルに十分に対応できる。

自動車メーカーが注目すべき理由

精度だけでは不十分である。アルゴリズムが生産車両に採用されるためには、以下の条件も満たさなければならない：

軽量であること（GPUではなく、32ビットマイクロコントローラーで実行可能）
決定論的であること（認証中の確率的な予期せぬ事態が発生しない）
拡張性があること（様々なセル化学、パックトポロジ、熱条件で機能する）
説明可能性が十分であること（ISO 26262のような機能安全基準を満たす）

TCONはこれら4つの条件をすべて満たしている。

その畳み込みバックボーンは、確率的アンサンブル手法（ランダムフォレストなど）よりも本質的に決定論的である。パラメータ効率の高さは、既存のBMSハードウェアに展開できることを意味する――コストのかかる再設計は不要だ。また、生のセンサーストリームを直接処理する（些末な正規化を除く）ため、異なるバッテリータイプに自然に適応する：原理的には、同じアーキテクチャでNMC、LFP、さらには全固体電池のSOCを推定できる――関連するデータで再訓練するだけである。

さらに有望なのは、共同推定への可能性である。論文では、TCONが状態健全性（SOH）と残存耐用年数（RUL）を同時に予測できる将来の拡張に言及している。別々のモジュールとしてではなく、共有された時間的バックボーンからの出力としてである。これは聖杯とも言える――同じデータストリームから、「エネルギーがどこにあるか」、「システムがどの程度健全か」、「あとどれくらい持つか」を理解する単一の統一された「バッテリー脳」なのである。

更大的視点：航続不安から航続自信へ

「航続不安」は誤った名称である。本当の問題は画面に表示される数字そのものではなく、信頼なのである。ドライバーは、残り200マイルと表示され、それを信じることができれば、200マイルあっても気にしない。高速道路で10分間に15％も推定値が下落したり、寒い朝に充電量80％と表示されているのに、車が50％のように動作したりする時に、パニックが発生する。

TCONは単に誤差の範囲を縮小するだけでない。推定値を安定させ、信頼を損なうような不快な跳躍を減少させる。ユーザーエクスペリエンスの観点では、最悪の場合の誤差をさらに5マイル削減するよりも、はるかに価値があると言える。

そして、V2G（車両から电网へ）および双方向充電が展開されるにつれて、正確なSOCは一層重要になる。电网事業者は曖昧な保証を受け入れない――認証された精度を要求するだろう。SOCを±1％以内で報告するEVのフリートは、±5％の不確実性が大幅な出力抑制を強いる場合と比べて、はるかに信頼性の高い分散エネルギー資源として collectively 機能できる。

静かな革命――学界から生産ラインへ？

この研究の印象的な点は、その実用性である。 exotic なレイヤーや、ハイブリッドトランスフォーマー-CNN-LSTMの Frankenstein アーキテクチャは存在しない。ただ思慮深いエンジニアリングがある：可能な場所では単純化し、重要な場所では最適化し、実データで徹底的に検証する。

この理念は、自動車AIにおけるより広範な変化――「大きいほど良い」から適切なサイズの知能へ――と一致している。すべての車にスーパーコンピューターは必要ない――一つの仕事を例外なくうまくこなす、スマートで無駄のないモデルが必要なのである。

もちろん、ピアレビューされた成功が生産採用を保証するわけではない。次のハードルは、標準化、耐久性テスト（例えば、1,000回の充電サイクル後の劣化後、TCONはどのように動作するか？）、既存のAUTOSARスタックとの統合である。

しかし、信号は明らかである：「十分良い」SOC推定の時代は終わりつつある。TCONのようなアーキテクチャにより、目標はもはや近似ではなく、確実性なのである。

そして、あの小さなバッテリーアイコンを見つめ、景色の良いルートを取るか安全をプレイするか迷うドライバーにとって、その確実性は、最も強力なアップグレードになるかもしれない。

王娟、葉永剛、呉明虎、張帆、曹燁、張澤涛湖北工業大学電気電子工学部、武漢 430068、中国重慶理工大学学报（自然科学版）、2024年、38(6): 39–46 doi:10.3969/j.issn.1674-8425(z).2024.06.005