電気自動車（EV）の普及が加速する中、バッテリーの充電残量（SOC）を正確に把握する技術が大きな課題となっています。特にリチウム鉄リン酸塩（LFP）電池は、安全性やコスト面での優位性から多くの自動車メーカーに採用されていますが、その平坦な電圧曲線のため SOC の正確な推定が難しいという問題がありました。しかし、上海交通大学と上海啓源グリーンパワーテクノロジーの研究チームが開発した新しいディープラーニングシステムにより、この課題が解決される見通しとなりました。
この技術的突破は、EV 業界にとってゲームチェンジャーとなる可能性が高いです。国際エネルギー機関によると、2030 年までに世界の EV 販売台数は 3500 万台に達すると予測されており、このような状況下で信頼性の高いバッテリー管理システム（BMS）の重要性はますます高まっています。SOC を正確に報告できない BMS は、ドライバーの不安を助長するだけでなく、長期的にはバッテリーの損傷を引き起こし、寿命を短くし、コストを増加させるリスクがあります。
LFP 電池の長所と弱点
LFP 電池が自動車メーカーの間で人気を集めているのには理由があります。ニッケル・コバルト・マンガン（NCM）電池に比べて安全性が高く、過熱や発火の可能性が低く、また資源が豊富でコストの低い材料を使用しています。これらの要素により、テスラ、比亜迪（BYD）、フォードなどのブランドの EV、特にエントリーレベルと中級モデルで主流となっています。
しかし、化学的な観点から見た最大の強みが、SOC 推定に独特の課題を生み出しています。LFP 電池の開回路電圧（OCV）、つまり基本的には使用されていないときの電圧は、SOC が 20％から 95％の間でほとんど変化しません。この範囲では、SOC が 75％変化しても電圧の変化はわずか 0.15 ボルトに過ぎず、従来のシステムでは SOC が 30％の電池と 70％の電池を区別することがほぼ不可能です。
上海交通大学の機械工学教授である林陽（リン・ヤン）博士はこう説明しています。「燃料計が満タンの 4 分の 1 から 4 分の 3 までほとんど変化しない状況を想像してみてください。それが我々の解決しなければならない問題です。ドライバーは EV の航続距離を信頼する必要があり、自動車メーカーは過充電や過放電からバッテリーを保護できるシステムを必要としています。」
従来の SOC 推定方法はこの課題に対して不十分です。アンペア時積分法は、理論的には電池への充放電量を追跡する方法ですが、現実の使用状況では温度、運転習慣、バッテリーの劣化などにより誤差が累積します。開回路電圧法は、電池を数時間放置する必要があり、日常的に使用される車両には実用的ではありません。数学的モデルを使用して電池の挙動をシミュレートするモデルベースのアプローチは、平坦な電圧曲線のため、電圧予測の微小な誤差が SOC の大きな誤りにつながるという問題があります。
機械学習を使用して電池データのパターンを検出するデータ駆動型の方法は、実験室では有望な結果を示しています。しかし、これらの研究の多くは、制御された安定した条件、つまり一定の温度や安定した充電プロトコルに依存しており、現実の混沌とした状況、例えば酷暑の夏の日、厳冬の寒さ、渋滞、そして長年の使用によるバッテリーの劣化などを反映していません。さらに問題なのは、車両の BMS からクラウドに送信される SOC データがしばしば不正確であり、AI モデルの訓練に使用することができないという点です。
現実世界での解決策：クラウドデータから正確なラベルへ
研究チームの突破は、単純だが重要な洞察から始まりました。現実世界で機能するシステムを構築するには、現実世界のデータ、つまり品質の高い現実世界のデータを使用して訓練する必要があるということです。
チームは、中国のバッテリー交換ステーション事業者が運営する 20 台の電気自動車からのクラウドベースのデータを利用しました。これらの車両は、公称容量 228Ah の LFP 電池を使用しており、BMS は 2 か月間にわたって 10 秒ごとに電流、電圧、温度、充電パターンの詳細を記録していました。データセットには、さまざまな健康状態のバッテリー（新品のもの（100％健康状態）、少し劣化したもの（97.5％と 92.5％健康状態））が含まれており、5°C から 35°C（華氏 41°F から 95°F）の範囲の温度で運行されていました。
しかし、生データは正確な SOC ラベルがなければ役に立ちません。そこでチームは「逆アンペア時積分」技術を開発しました。その仕組みは以下の通りです。LFP 電池が充電終止電圧に達すると、完全に充電された状態、つまり SOC100％となります。この既知のポイントから、チームは逆算し、各時間ステップでの充電量（アンペア時で測定）を減算することで、充電サイクルのすべての瞬間の SOC を計算しました。
この方法は、前向きのアンペア時積分の誤差を回避することができます。なぜなら、堅牢な基準点（100％SOC）から始まり、充電の安定した制御された性質に依存しているからです。チームの大学院生である孟怡珍（メン・イージェン）はこう説明しています。「充電は予測可能です。電流は充電戦略によって調整され、満充電ポイントは明確です。これにより、すべてのデータポイントに真の SOC を正確かつ信頼できる方法でラベル付けすることができます。」
その結果は？ 1000 回の充電サイクルのデータセットで、それぞれが正確な SOC ラベルを持っています。実験室の条件は必要ありません。モデルが自身がラベル付けに協力したデータから学習するこの「自己教師あり学習」アプローチにより、誤差が多い BMS データの必要性がなくなりました。
CNNGRUM：2 つの AI 世界の長所を組み合わせる
高品質なデータが手に入ったことで、チームはそれを理解できる機械学習モデルの構築に着手しました。チームは、電池の挙動の 2 つの重要な側面、つまり電流、電圧、温度、SOC 間の複雑な関係（空間的パターン）と、これらの関係が時間とともにどのように変化するか（時間的パターン）を処理できるものが必要でした。
その解決策は、畳み込みニューラルネットワーク（CNN）とゲート付きリカレントユニット（GRU）という 2 つの強力な AI ツールを統合したハイブリッドモデル「CNNGRUM」です。
CNN は空間的パターンを検出するのに優れています。犯罪現場を偵察して手がかりを探す刑事のようなものだと考えることができます。この場合、「手がかり」とは SOC を示すために電流、電圧、温度が相互作用する微妙な方法です。チームの CNN は、フィルターの層を使用してデータを詳しく調べ、最初は単純なパターン（例えば、電流が急増したときに電圧が低下する様子）を検出し、それらを組み合わせてより複雑な洞察（例えば、温度が劣化した電池でその効果をどのように増幅させるか）を得ます。
一方、GRU はシーケンス、つまり時間経過とともに展開するデータを処理するのに優れています。GRU はリカレントニューラルネットワークの一種で、古いモデルの「忘れっぽさ」を回避するように設計されています。古いモデルは数分または数時間前の重要な詳細を記憶するのに苦労します。電池において、SOC は時間をかけて語られる物語です。寒い朝は充電速度に影響を与え、それが電圧の上昇に影響を与え、さらに数時間後の SOC 推定に影響を与えます。GRU はこれらの長期的な依存関係を追跡し、「ゲート」を使用してどの情報を保持し、どの情報を破棄するかを決定します。
重要なのは、CNNGRUM がこれら 2 つのモデルを単に積み重ねているわけではないという点です（これは AI で一般的なアプローチです）。代わりに、モデルはそれぞれ独立して動作させた後、「メタラーナー」と呼ばれる小さなニューラルネットワークを通じてそれらの洞察を組み合わせています。このメタラーナーはそれぞれの強みに重みを付けます。林博士はこう述べています。「まるで 2 人の専門家がいるようなものです。一人は瞬間的な詳細を読み取るのに優れており、もう一人は長期的な全体像を理解するのに優れています。メタラーナーはどの専門家を信頼するかを判断します。」
モデルの入力は単に電流、電圧、温度だけではありません。チームは 4 番目の特徴量として「充電過程のアンペア時積分」を追加しました。これはサイクル開始以来電池に入力された総充電量を追跡するもので、10 秒間隔のデータの短所を補うために重要な長期記憶の役割を果たします。
モデルの訓練のために、チームは「スライディングウィンドウ」のデータを供給しました。4 つの特徴量それぞれについて、連続した 90 個の 10 秒間隔の読み取りデータ（15 分間のデータ）です。モデルは各ウィンドウの終わりの SOC を予測するように学習しました。チームは 1000 回の充電サイクルを訓練セット（600 サイクル）、検証セット（250 サイクル）、テストセット（150 サイクル）に分割し、「不正行為」を避けるためにそれらの間に重複がないようにしました。
結果：現実世界で通用する精度
チームが CNNGRUM を 150 回の現実世界の充電サイクルでテストしたところ、驚くべき結果が得られました。
モデルの最大絶対誤差はわずか 2.85％でした。つまり、最悪の場合でも電池の総容量の 3％未満の誤差です。60kWh の電池の場合、これは 1.8kWh 未満の誤差に相当し、一般的な EV では約 6～8 マイル（約 9.7～12.9km）の航続距離に相当します。平均誤差の指標である二乗平均平方根誤差（RMSE）は 0.61％、平均絶対誤差（MAE）は 0.42％でした。予測の 90％以上が真の SOC の ±1％以内に収まっています。
しかし、真に重要なのは、モデルが厳しい条件でどのように性能を発揮するかという点です。この点において、CNNGRUM は輝きを放ちました。
低温環境（5°C から 10°C、華氏で 41°F から 50°F）では、電池の性能が低下し、ほとんどのシステムが機能不全に陥りがちですが、CNNGRUM の MAE は 0.45％未満、RMSE は 0.58％未満に抑えられました。健康状態の低い電池（92.5％SOH）の場合、容量が低下し挙動が不安定になりますが、モデルは依然として微小な誤差を維持しました。さらに、初期 SOC レベルが異なる場合（25％から 50％）でも、誤差はほとんど変動しませんでした。MAE は 0.42％未満、RMSE は 0.57％未満でした。
共同研究者である上海交通大学の機械工学教授である劉志勝（リウ・ジーシェン）はこう述べています。「これらの数値は単に優れているだけでなく、実用的なものです。ドライバーは実験室での精度を気にするのではなく、外気温が摂氏 0 度でバッテリーが 3 年間使用されている場合に、航続距離の推定値が信頼できるかどうかを気にします。このモデルはその点を実現しています。」
優位性の理由：競合他社を上回る理由
CNNGRUM の優位性を証明するために、チームは 3 つの人気のある代替案と比較実験を行いました。単独の CNN モデル、単独の GRU モデル、および従来の「積み重ね型」CNN-GRU モデルです。積み重ね型モデルは、最初に CNN を使用して空間的特徴を抽出し、それを GRU に供給して時間処理を行うものです。
チームの分析によると、結果は明らかでした。
単独の CNN はパターン検出に優れていますが、電池の変化のタイミングを処理するのに苦労し、誤差が大きくなりました。その RMSE は 0.82％、MAE は 0.59％で、それぞれ CNNGRUM より 34％と 40％高くなりました。時間的シーケンスに優れていますが空間的な微妙な差を捉え損なう単独の GRU はさらに悪い結果となり、RMSE は 0.91％、MAE は 0.63％でした。
CNNGRUM に似ているように聞こえる従来の積み重ね型 CNN-GRU も性能が劣りました。その RMSE は 0.78％（CNNGRUM より 27％高い）、MAE は 0.49％（19％高い）でした。なぜでしょうか？ 積み重ね型のアプローチでは、GRU が CNN によってフィルタリングされた特徴量を処理する必要があるため、重要な詳細が失われるからです。CNNGRUM の「独立した学習者」アプローチにより、両方のモデルが完全なデータを参照でき、その後出力を組み合わせることで、より多くの洞察を得ることができます。
おそらく最も説得力のあるのは「アブレーションテスト」です。チームは「アンペア時積分」特徴量を除去してその重要性を確認しました。その結果、誤差は急増しました。最大絶対誤差は 2.85％から 7.05％に、RMSE は 0.61％から 0.74％に、MAE は 0.42％から 0.50％にそれぞれ上昇しました。林博士はこう述べています。「この特徴量は長期記憶のようなものです。電流、電圧、温度は現在何が起こっているかを示します。アンペア時積分はどのようにして現在の状態に至ったかを示します。」
EV 業界に与える影響
この研究の意義は学術誌を超えて広がります。自動車メーカーにとって、より正確な SOC システムは電池関連の保証請求を減らし、顧客満足度を向上させる可能性があります。ドライバーにとっては、あらゆる条件下で航続距離の推定値が信頼できるようになることで、「航続距離不安」、つまり充電切れを恐れる心理的負担がついに解消されるかもしれません。
LFP 電池メーカーも同様に利益を得ることができます。リチウム価格が変動する中、LFP はこの金属への依存度が低いため、NCM 電池に比べてコスト効率の高い代替品となっています。しかし、その採用は部分的に SOC 推定の課題によって妨げられてきました。実世界で実証された解決策は、LFP の主流 EV での使用を加速させ、車両価格の低下につながる可能性があります。
チームにデータを提供したようなバッテリー交換事業者も運用上の改善を見込めます。正確な SOC ラベルにより、電池と車両のマッチングが容易になり、ドライバーは一貫した航続距離を得ることができ、電池も効率的に使用されるようになります。タクシー、配達バン、レンタカーなどのフリート事業者にとって、信頼できる SOC データはルート計画に役立ち、ダウンタイムを減らし、過放電を回避することでバッテリー寿命を延ばすことができます。
このモデルの設計は実世界での導入にも実用的です。クラウドデータを使用して訓練されていますが、車両の BMS で実行できるほど軽量であるため、常にインターネット接続を必要としません。AI を充電時（データがクリーンな場合）に使用し、アンペア時積分を放電時（条件が混沌としている場合）に使用するハイブリッドアプローチは、精度と効率のバランスを実現しています。
業界の専門家たちもこの技術に注目しています。ミシガン州に拠点を置くコンサルティング会社 EV Insights の電池システムアナリストであるサラ・ジョンソン博士はこう評価しています。「これは実験室の研究と現実世界の影響とのギャップを埋める方法の手本的な例です。多くの AI 電池モデルは『実験室の星』ですが、現場では効力を失います。このチームは、混沌とした実際のデータに焦点を当て、AI の強みを活かし、その限界を認識したモデルを設計することで、自動車メーカーが実際に使用できるものを構築しました。」
米国の大手自動車メーカーの BMS エンジニアであるマイケル・チェン博士はこう付け加えています。「逆ラベル付け技術はその単純さにおいて素晴らしいものです。私たちは長年、BMS ログからの不正確な SOC データに苦労してきました。これはその問題を解決します。そして、このハイブリッドモデルは、充電と放電が非常に異なる性質を持つという事実に対処する賢明な方法です。次世代システムでこのアプローチを適用できる可能性を見ています。」
今後の展望：電池 AI の未来
チームの研究はまだ完了していません。次のステップとして、商用トラックに使用される大型 LFP 電池やハイブリッド車の小型電池など、さまざまな車両と電池タイプでモデルをテストする計画があります。また、急加速や頻繁な短距離走行など、個々のドライバーの習慣にモデルを適応させる方法も探っています。これらの習慣は電池の挙動に影響を与える可能性があります。
長期的には、この研究は AI が SOC を推定するだけでなく、電池の健康状態を予測し、問題が発生する前に潜在的な問題を指摘し、寿命を延ばすために充電を最適化する未来を示唆しています。「残り 50 マイルの航続距離があります」だけでなく、「今夜は 80％まで充電してください。これにより、電池の健康状態をさらに 8 年間維持できます」というようなシステムを想像してみてください。
林博士はこう述べています。「電池は電気自動車の心臓部ですが、ほとんどのドライバーにとって依然として謎のままです。私たちの目標はその謎を解き明かすことです。現実世界の電池を理解する AI により、EV がガソリン車と同じくらい信頼でき、直感的に使用できるようになるという目標に一歩近づきました。もしかしたら、さらに使いやすくなるかもしれません。」
電動化を急ぐ業界において、信頼性はすべてです。SOC 推定におけるこの突破は単なる技術的な勝利ではなく、航続距離を信頼できないために EV の購入を躊躇していた人々にとっての勝利です。そして最終的には、それが EV 革命を前進させる種類のイノベーションなのです。