EV向け電池状態監視の革新的進展
電気自動車（EV）産業が主流化に向けて加速する中、最も差し迫った課題の一つは、バッテリーの健康状態を正確にリアルタイムで評価することです。リチウムイオンバッテリーパックはあらゆるEVの心臓部であり、その性能は走行距離、安全性、寿命に直接影響を与えます。しかし、日常的な運用中におけるバッテリーの状態（SOH）の監視は、特に不完全または断片的な充電データに依存する場合、長年にわたって技術的なハードルとなってきました。今回、哈爾濱理工大学の研究者らによって開発された新しいアルゴリズムが、実世界の条件下でのバッテリー状態推定の方法を変えようとしています。
『Transactions of China Electrotechnical Society』に掲載された研究で、宋賢華博士と大学院生の堯全政氏は、部分的な充電サイクル（日常的なEV使用で一般的に記録されるデータ）のみを使用して、前例のない精度でバッテリーSOHを推定できる新手法を発表しました。この進展は、バッテリー管理システム（BMS）を大幅に強化し、より信頼性の高い走行距離予測、最適化された充電戦略、およびバッテリー寿命の延長を可能にする可能性があります。
この研究は、現在のバッテリー診断における重大な限界に取り組んでいます。ほとんどのSOH推定技術は、信頼性の高いデータを生成するために完全な充放電サイクルを必要とします。しかし実際には、EV所有者がバッテリーを完全に消耗したり、空から満タンまで充電したりすることはほとんどありません。代わりに、日常のニーズに応じて30％から80％、または50％から100％まで「部分充電」を行うことが一般的です。この行動は利用可能なデータにギャップを生み出し、従来のSOHモデルをリアルタイムアプリケーションで効果的に機能しにくくしています。
この課題を克服するため、宋氏と堯氏はDEKF-WNN-WLSTMと名付けられたハイブリッド機械学習およびフィルタリングフレームワークを開発しました。この頭字語は、Dual Extended Kalman Filter-Wavelet Neural Network-Wavelet Long Short-Term Memory Neural Networkを表します。名前は複雑に聞こえるかもしれませんが、基本原則は最小限の入力から最大の洞察を抽出するようにエレガントに設計されています。
このモデルは、核心的に複数の高度な計算技術の強みを活用しています。非線形システム推定に使用される確立されたアルゴリズムであるExtended Kalman Filter（EKF）から始まります。EKFは、経年劣化、温度、使用パターンによって内部状態が時間とともに変化するバッテリーのような動的システムの追跡に特に効果的です。しかし、従来のEKFベースの方法は、誤差の蓄積に悩まされ、完全なサイクルデータを使用した頻繁な再較正を必要とすることがよくあります。
宋氏と堯氏の革新は、EKFを2つの特殊なニューラルネットワーク、Wavelet Neural Network（WNN）とWavelet Long Short-Term Memory（WLSTM）ネットワークで強化することにあります。これらのネットワークは標準的な深層学習モデルではなく、ノイズ、非線形性、時間依存の劣化パターンを含むことが多いバッテリーデータの独自の特性を処理するように設計されています。
WNNは、堅牢性と高解像度の特徴抽出をもたらします。従来の活性化関数を、異なるスケールで信号を分析するのに適した数学的ツールであるウェーブレット関数に置き換えることで、ネットワークはバッテリーの劣化を示す電圧および電流プロファイルの微妙な変化を検出できます。これは、充電曲線の小さな変動が容量損失に関する重要な情報を明らかにすることができる部分充電中に特に有用です。
一方、WLSTMコンポーネントは、シーケンシャルデータの長期的な依存関係を捕捉することに優れています。以前の入力を「忘れる」可能性がある標準的なニューラルネットワークとは異なり、WLSTMは重要な履歴情報を保持し、数百サイクルにわたるバッテリーの漸進的な劣化をモデル化できるようにします。LSTMのゲートにウェーブレット関数を統合することで、モデルは時間的ダイナミクスをより細かく理解し、予測精度を向上させます。
この研究を際立たせているのは、デュアルフィルターアーキテクチャです。最初のEKFは断片的なデータに基づいて完全な充電時間を推定し、2番目のEKFは過去の不一致から学習して推定誤差を継続的に修正します。この自己修正メカニズムは、長期的な予測を通常悩ませるドリフトを防ぎます。WNN-WLSTMネットワークを1つの完全な充電サイクルと3つの部分的なサイクルでトレーニングすることにより、モデルは繰り返しの完全充電を必要とせずに、異なる使用パターンにわたって一般化することを学びます。
研究チームは、深圳市新威電子有限公司が提供する三元系リチウムイオン電池の実世界のデータを使用してアルゴリズムをテストしました。データセットには、典型的なEV使用をシミュレートする定電流条件下での180を超える充放電サイクルが含まれていました。結果は驚くべきものでした：完全な充電時間推定における平均相対誤差はわずか1.01％で、以前に発表されたEKF-GPR法で達成された1.76％を大幅に下回りました。さらに重要なのは、誤差が時間とともに安定しており、モデルが累積的な不正確さに抵抗する能力を示していることでした。
EVメーカーやフリートオペレーターにとって、このような精度は広範な意味を持ちます。正確なSOH推定は、バッテリー保証管理の改善、使用済みEVバッテリーのより効率的なセカンドライフアプリケーション、および改善された再販価値評価を可能にします。また、理想化されたモデルだけでなく、実際のバッテリー劣化を考慮した現実的な走行距離見積もりを提供することで、ドライバーの信頼を高めます。
技術的な観点から、DEKF-WNN-WLSTMモデルは、データ駆動型の適応型バッテリー診断への移行を表しています。測定が困難で変動しやすい詳細な電気化学パラメータに依存する物理ベースのモデルとは異なり、新しい方法は運用データから直接学習します。これにより、さまざまなバッテリー化学物質や車両プラットフォームにわたって展開が容易で、拡張性が高まります。
さらに、モデルが日常的な充電の断片に依存していることは、バッテリーの充電ごとにSOH推定を更新しながら、バックグラウンドで継続的に動作できることを意味します。このリアルタイム機能は、システムがバッテリーの現在の健康状態に基づいて充電速度と電圧を調整してストレスを最小限に抑え、寿命を延ばす適応充電などの高度なBMS機能に不可欠です。
影響は個々の車両を超えて広がります。スマートグリッドと vehicle-to-grid（V2G）技術が注目を集めるにつれ、正確なバッテリー健康データは、グリッドの安定性とエネルギー市場への参加にとって極めて重要になります。公益事業とアグリゲーターは、需要応答プログラムに登録する前に、EVバッテリーの利用可能容量と劣化状態に関する信頼性の高い情報を必要としています。DEKF-WNN-WLSTMのようなモデルは、その透明性を提供し、EVをエネルギーエコシステムに安全かつ効率的に統合することを可能にします。
この方法のもう一つの利点は、計算効率です。その洗練さにもかかわらず、モデルは限られた処理能力を備えた組み込みシステムで実行できるように設計されています。研究者は、ニューラルネットワークを実装するためにTensorFlow/Kerasを使用したMATLABとPythonを使用し、それらをカルマンフィルタールーチンとインターフェースさせました。このモジュール式アプローチにより、ハードウェア全体のオーバーホールを必要とせずに、既存のBMSアーキテクチャに統合することができます。
セキュリティと信頼性も向上しています。バッテリーの摩耗を加速させる可能性のある定期的な完全放電サイクルの必要性を減らすことで、モデルはより安全で持続可能な運用を促進します。また、ユーザーの介入を最小限に抑えます。ドライバーは、正確なSOH測定値を維持するために特別な較正ルーチンを実行する必要がなくなります。
今後の展望として、この研究は将来の発展に向けていくつかの道を開きます。一つの方向は、異なる劣化特性を持つリン酸鉄リチウム（LFP）や全固体電池など、他のバッテリータイプへのモデルの拡張です。もう一つは、温度や内部抵抗などの追加のセンサーデータを組み込んで、推定値をさらに洗練させることです。
また、クラウドベースの展開の可能性もあります。何千台もの車両から匿名化されたバッテリーデータを集約して、さらに堅牢なモデルをトレーニングすることができます。このようなシステムは、製造上の欠陥や環境ストレス要因の初期兆候を検出し、積極的なリコールまたはサービスキャンペーンを可能にすることができます。
政策的観点から、正確なSOHモニタリングは、自動車セクターにおける循環経済への移行を支援します。政府がEVの採用促進とより厳しい排出規制を推進する中、バッテリーの長寿命化とリサイクル可能性を確保することが最も重要になります。透明性のある健康状態の追跡は消費者に力を与え、バッテリーリースモデルを促進し、バッテリー交換インフラのビジネスケースを強化します。
宋氏と堯氏の研究は、EV技術を進歩させる際の学際的研究の重要性の高まりも強調しています。彼らのアプローチは、信号処理、制御理論、深層学習を組み合わせたもので、複雑な工学的問題を解決するためにますます収束している分野です。これは、産業主導の開発を補完する革新を推進する際の学術機関の役割を強調しています。
哈爾濱理工大学にとって、この研究は、インテリジェントモニタリングと機械学習アプリケーションにおけるリーダーとしての地位を強化します。宋博士の量子コンピューティングと画像セキュリティに関する専門知識は、バッテリー診断から遠く離れているように見えるかもしれませんが、複雑なシステムモデリングにおける彼女の背景は、領域を橋渡しする独自の視点を提供します。
地球規模の脱炭素化のより広い文脈では、バッテリーの効率と寿命のあらゆる改善が、輸送の環境フットプリントの削減に貢献します。バッテリーの使用可能寿命を延ばし、その性能を最適化することにより、DEKF-WNN-WLSTMのような技術は、その生産に投入されたエネルギーと資源のリターンを最大化するのに役立ちます。
EVが日常生活にますます統合されるにつれて、よりスマートで応答性の高いバッテリーシステムへの需要はますます高まるでしょう。実験室だけでなく、実世界の実際の運転条件下でバッテリーの健康状態を理解する能力は、もはや贅沢品ではなく、必要不可欠なものとなっています。宋氏と堯氏の研究は、その目標に向けた強力なツールを提供し、リアルタイムのバッテリー診断の新しいベンチマークを設定します。
自動車産業は、ソフトウェアと人工知能が機械工学と同じくらい重要になりつつある岐路に立っています。バッテリー管理は、過充電や熱暴走を防ぐことだけではなく、予測的なインテリジェンス、適応制御、生涯にわたる最適化に関するものです。DEKF-WNN-WLSTMモデルはこの変化を具体化し、生の充電データをドライバー、メーカー、そして地球に利益をもたらす実用的な洞察に変換します。
結論として、宋賢華氏と堯全政氏による画期的な進展は、電動モビリティにおける最も永続的な課題の一つに対する実用的で正確かつ拡張可能なソリューションを提供します。ハイブリッド機械学習と高度なフィルタリングの力を利用して、彼らの方法は、日常使用で生成される部分的な充電データのみを使用してリアルタイムのSOH推定を可能にします。これにより、破壊的な完全サイクルテストの必要性がなくなり、複雑な電気化学モデルへの依存が減少します。その結果、より信頼性が高く、ユーザーフレンドリーで持続可能なバッテリー健康監視アプローチが得られ、次世代の電気自動車で標準となる可能性があります。
宋賢華、堯全政
哈爾濱理工大学
Transactions of China Electrotechnical Society
DOI: 10.19595/j.cnki.1000-6753.tces.222241