EVバッテリーSOC推定の新時代到来
電気自動車（EV）の進化は、単に航続距離の延長や充電時間の短縮にとどまらない。その真の進歩は、車両の心臓部であるバッテリーを、いかにスマートに、そして正確に管理するかにある。その中核を成すのが「充電状態（State of Charge, SOC）」の推定技術である。SOCはバッテリーに残っているエネルギーの割合を示す指標であり、その精度はドライバーの安心感、バッテリーの寿命、さらには走行の安全性に直結する。誤ったSOC推定は、航続可能距離の過大表示による「航続不安」を生み出し、バッテリーの過充電・過放電を招き、長期的な劣化を加速させる。この分野における画期的な進歩が、中国・国家電網荊門電力供給会社の研究チームによって発表された。
2024年8月号の学術誌『Northeast Electric Power Technology』に掲載された研究は、EV用バッテリーのSOC推定精度を飛躍的に向上させる新モデル「ISSA-KELM」を提案している。このモデルは、従来のAI技術の限界を打ち破る、知能と最適化の融合による成果である。研究を主導した陳柏寒（チェン・バイハン）氏らのチームは、バッテリーの電圧、電流、温度という基本的なデータから、驚異的な精度でSOCを読み取る方法を開発した。これは、EVの信頼性と利便性を高めるだけでなく、バッテリーのリサイクルや、電力網との連携（V2G）といった次世代モビリティの基盤を強化するものだ。
従来のSOC推定手法には、いくつかの根本的な課題があった。最もシンプルな「アハ法」は、流れた電流の積算値からSOCを計算するが、センサーの微小な誤差が時間とともに累積し、大きな誤差を生む「ドリフト」が致命的だった。また、「開放電圧法」は、バッテリーを長時間休止させた状態での電圧からSOCを読み取るが、実際の走行中は常に電流が流れているため、リアルタイムでの適用が不可能だった。これらの限界を克服するために、研究者たちは人工知能（AI）の力を借りてきた。ニューラルネットワークやサポートベクターマシン（SVM）などの機械学習モデルは、膨大な実測データから電圧・電流・温度とSOCの複雑な非線形関係を学習し、推定精度を高めることに成功した。
しかし、AIモデルにも新たな課題が存在した。それは「ハイパーパラメータの最適化」である。機械学習モデルの性能は、その内部に設定されたいくつかの重要なパラメータ（例：学習率、カーネル関数の係数など）に大きく左右される。これらのパラメータを最適な値に設定する作業は、経験則や試行錯誤に頼ることが多く、効率が悪く、最適解を見逃す可能性もあった。この「最適化のボトルネック」こそが、AIによるSOC推定の精度を更に引き上げる上での最大の障壁だった。
陳氏らの研究が革命的なのは、この最適化プロセスそのものを、より高度なAIアルゴリズムで自動化・最適化した点にある。彼らが採用したのは「核極限定理学習機（KELM）」という機械学習モデルと、「改良型スパローサーチアルゴリズム（ISSA）」という最適化アルゴリズムの組み合わせである。
KELMは、従来の「極限定理学習機（ELM）」を発展させたもので、非常に高速な学習速度と優れた汎化性能を備えている。特に、非線形の問題を扱う能力に長けており、バッテリーの複雑な挙動をモデル化するのに適している。しかし、KELMの性能を最大限に引き出すには、カーネル係数（σ）とペナルティ係数（C）という2つのハイパーパラメータを完璧に調整する必要がある。ここにISSAの出番である。
ISSAは、元々「スパローサーチアルゴリズム（SSA）」という、スズメの群れの採餌行動を模した最適化手法を、さらに進化させたものだ。SSAは、群れの中の個体を「探索者」「追従者」「警戒者」に分け、探索者（最適解の探索）と警戒者（危険回避）のダイナミクスをシミュレートすることで、効率的に最適解を探索する。しかし、複雑な問題では、局所的な最適解（見かけは良いが、全体では最善ではない解）に捕らわれ、抜け出せない「局所収束」という問題がある。
陳氏のチームは、このSSAの弱点を3つの革新的な戦略で克服し、ISSAを生み出した。
第一の戦略は「ロジスティックカオス初期化」である。通常、SSAの探索は、スズメたち（解の候補）を解空間内にランダムに配置することから始まる。しかし、このランダム性は、探索の初期段階で重要な領域を見逃すリスクを伴う。そこで、彼らは「ロジスティック写像」というカオス理論に基づく手法を用いた。この手法により、初期のスズメたちは、解空間全体に非常に均等かつ多様に分布する。これは、探索の出発点がより広範囲に及ぶことを意味し、グローバルな最適解を見つける可能性を飛躍的に高める。
第二の戦略は「非線形慣性重みの導入」である。これは、探索の「探索性」と「収束性」のバランスを取るためのものだ。探索の初期段階では、大胆に広い範囲を「探索」する必要がある。しかし、ある程度良い解が見つかった後は、その周辺を細かく「収束」させる必要がある。ISSAは、探索の進行に応じて、探索の「勢い」（慣性重み）を非線形的に徐々に減らす。初期は大きな「勢い」で広範囲を探索し、後半は小さな「勢い」で最適解の周辺を精密に探る。これにより、探索が効率的かつ安定的に最適解に近づいていく。
第三の戦略は「レヴィ飛行の導入」である。これは、自然界の動物が未知の環境で餌を探す際に見られる戦略で、多くの短いステップと、時折発生する非常に長いジャンプの組み合わせで構成される。このパターンは、局所的な最適解に捕らわれた時に、遠くの新たな探索領域に「飛ぶ」ことで、脱出する能力を提供する。ISSAは、警戒者の行動にこの「レヴィ飛行」のメカニズムを組み込むことで、アルゴリズムが局所最適に陥った際に、強制的に探索空間を飛び越え、新たな可能性を模索する力を得た。
このようにして進化したISSAアルゴリズムが、KELMモデルの2つのハイパーパラメータ（σとC）を探し出す「最適化エンジン」として機能する。ISSAは、KELMの出力誤差（正解SOCと推定SOCの差）を「適応度」として評価し、その適応度が最も高くなる（誤差が最も小さくなる）ように、σとCの値を繰り返し調整していく。
実際の検証は、リチウム鉄リン酸（LFP）バッテリーの実測データを用いて行われた。LFPバッテリーは、安全性と長寿命が評価され、多くのEVに採用されている。研究チームは、Neware製のバッテリーテスタで取得した400組のデータ（電圧、電流、温度、SOC）を用いた。そのうち380組を学習用データ（訓練セット）、残りの20組を性能評価用データ（テストセット）として使用した。
その結果は圧倒的だった。ISSA-KELMモデルは、わずか57回の繰り返しで最適なパラメータに収束し、訓練セットでの平均二乗誤差（RMSE）を0.0113まで削減した。一方、従来のSSAで最適化したSSA-KELMモデルは、109回の繰り返しでRMSE 0.0155にしか到達できなかった。これは、ISSAがはるかに効率的で、より高品質な解を見つける能力を持っていることを示している。
そして、未知のデータに対する本番のテスト。ISSA-KELMモデルは、テストセットのSOCを推定する際、最大相対誤差6.232%、平均相対誤差3.964%、RMSE 0.0197という驚異的な精度を達成した。これは、比較対象のSSA-KELMモデル（最大誤差8.643%）や、別の手法PSO-LSSVM（最大誤差13.150%）を大きく上回る性能である。特に最大相対誤差が6%台に抑えられたことは、最悪のケースでもSOCの推定が大きく狂わないことを意味し、安全性の面で極めて重要だ。
この精度の高さは、実際の走行にどう影響するのか。まず、ドライバーの「航続不安」が劇的に解消される。カーナビに表示される残り航続距離が、実際の走行とほとんど一致する。これは、長距離走行や目的地への到着時刻の計画を、非常に正確に行えることを意味し、EVに対する信頼感が高まる。次に、バッテリーマネジメントシステム（BMS）の性能が向上する。正確なSOC情報があれば、BMSはバッテリーを常に最適な状態で運用できる。例えば、バッテリーを過放電（0%に近づく）から守り、寿命を延ばすことができる。また、回生ブレーキの制御もより精密になり、エネルギーの回収効率が向上する。
さらに、この技術は「ビークル・トゥ・グリッド（V2G）」のような未来のインフラにも不可欠である。V2Gでは、EVのバッテリーを家庭や電力網の電源として活用する。この時、電力会社は、どの車がどれだけの電力を供給できるかを、正確に把握する必要がある。もしSOCの推定が不正確であれば、ユーザーの車が予期せず空になってしまうリスクがある。ISSA-KELMのような高精度モデルは、V2Gの実現可能性と信頼性を大きく高める。
また、このモデルの実用性も非常に高い。KELM自体が軽量で高速なアルゴリズムであるため、車載のBMSに搭載されているような限られた計算リソースでもリアルタイムで動作させることが可能だ。入力として必要な電圧、電流、温度の3つのデータは、すべてのEVに標準装備されているセンサーから取得できる。特別なセンサーも、複雑なモデルも必要ない。これは、既存の車両への適用や、大規模な量産への展開において、非常に現実的なソリューションである。
今後の展望として、このモデルはLFPバッテリーに限定されるものではない。研究手法は普遍的であり、ニッケル・マンガン・コバルト（NMC）など他のバッテリー化学にも応用できる。さらに、バッテリーの「健康状態（State of Health, SOH）」を併せて推定するモデルへの拡張も可能だ。SOCは「今どれだけあるか」、SOHは「新品と比べてどれだけ劣化したか」を示す。この二つを同時に高精度で把握できれば、バッテリーの残存価値の評価や、交換時期の予測が可能になり、サーキュラーエコノミーの実現にも貢献する。
結論として、陳柏寒氏らが開発したISSA-KELMモデルは、EVのバッテリー管理技術に新たな地平を開いた。それは、単なる精度の向上ではなく、最適化アルゴリズム自体の革新によって、AIの可能性を更に引き出した、知的でエレガントな解決策である。この研究は、EVが「走るコンピューター」であるという本質を突き、その「知性」を高めることで、より安全で、より長く、より信頼できるモビリティの実現に貢献している。電池の化学反応の進化と並んで、こうした「ソフトウェア」の進化が、電動化の未来を支えている。
陳柏寒、楊威、万文欣、劉闖、国家電網荊門電力供給会社、Northeast Electric Power Technology、DOI: 10.12061/j.issn.1004-7913.2024.08.001