EV用リチウムイオン電池の状態監視技術が革新

電気自動車（EV）向けリチウムイオン電池の状態（SOH）を推定する画期的な手法が開発された。この革新的アプローチは、複数の特徴量分析と高度な機械学習モデルを組み合わせることで、従来技術を大幅に上回る精度と効率性を実現している。

正確なSOH推定は、EVの安全性と信頼性を確保する上で極めて重要である。リチウムイオン電池は高いエネルギー密度と長いサイクル寿命を特徴とするが、時間の経過とともに性能が劣化する。従来のSOH推定手法では、効果的な健康特徴量（HF）の抽出が困難で、大量のテストデータが必要となる課題があった。

これらの課題を解決するため、研究チームは充電データから抽出した包括的なHF群を活用する新手法を提案した。HFは時間関連、エネルギー関連、増分容量（IC）曲線関連の3種類に分類され、6つの特定の特徴量を抽出することで、電池の劣化プロセスを包括的に把握することを目指している。

本研究の中核的な革新点は、二重相関に基づく特徴量処理方法の採用である。この手法により、類似するHF間の冗長な情報を排除し、モデルの計算複雑性を低減している。最も代表的なHFを選択することで、推定モデルへの入力情報を効率的かつ有益なものにしている。

提案されるSOH推定手法の核心は、LSTM-XGBoostモデルである。LSTMネットワークは時系列データの処理に特に適しており、履歴データに基づいてHFの将来値を予測するために使用される。一方、XGBoostアルゴリズムは、高い計算効率と強力な非線形適合能力で知られ、予測されたHFをSOHにマッピングする回帰モデルの構築に使用される。

手法の有効性を検証するため、NASAの電池劣化データセットを使用した。このデータセットには、様々な条件下でのリチウムイオン電池の性能に関する詳細な情報が含まれており、提案手法の評価に豊富なデータを提供した。

研究結果は極めて印象的である。提案手法は、様々なテストデータ量においてリチウムイオン電池のSOHを正確に推定し、平均二乗誤差平方根（RMSE）を一貫して1％未満に抑えることに成功した。この精度レベルは、既存の手法では達成が困難であった。

異なる条件での手法の性能を評価するため、特徴量予測の開始点を80、100、120サイクルにそれぞれ設定し、残りのデータを使用してSOH推定値を評価する一連の実験が行われた。結果は、利用可能なデータ量が少ない場合でも、提案手法が真のSOHを正確に追跡できることを示した。

SOH推定の精度に加えて、モデルの計算効率も重要な要素である。提案されたLSTM-XGBoostモデルを、動径基底関数（RBF）、サポートベクターマシン（SVM）、単体のLSTMなどの他の一般的な機械学習アルゴリズムと比較した結果、LSTM-XGBoostモデルが精度と計算効率の両面で他の手法を上回ることが確認された。

この研究の実用的な意義は広範に及ぶ。正確で効率的なSOH推定は、EVにおける高度なバッテリー管理システム（BMS）の開発に不可欠である。電池の状態を確実に予測できるBMSは、充放電サイクルの最適化、電池寿命の延長、全体的な車両性能の向上を実現できる。

複数特徴量分析とLSTM-XGBoostモデルの統合は、予知保全と故障診断の新たな可能性も開く。電池の状態を継続的に監視することで、BMSは劣化の初期兆候を検出し、故障が発生する前に予防措置を講じることができる。この proactive なアプローチは、メンテナンスコストとダウンタイムを削減し、ユーザーエクスペリエンスを向上させる。

さらに、この手法は限られたデータを扱う能力に優れており、履歴データの利用が制限されるリアルタイムアプリケーションに特に有用である。自動車産業の継続的な進化に伴い、この研究から得られた知見は、電気モビリティの未来を形作る上で重要な役割を果たすだろう。

結論として、複数特徴量分析とLSTM-XGBoostモデルを使用したリチウムイオン電池の状態推定方法は、EV産業が直面する課題に対する有望な解決策を提供する。包括的な健康特徴量のセット、洗練された特徴量処理技術、高度な機械学習モデルの組み合わせにより、極めて正確で効率的なSOH推定方法が実現した。NASAの電池劣化データセットを使用した検証は、手法の有効性と堅牢性を実証しており、高度なバッテリー管理システムの開発における貴重なツールとなる。

呂継忠、彭思敏、李暁瑜江蘇塩城技師学院、塩城工業学院、深セン大学 Energy Storage Science and Technology doi: 10.19799/j.cnki.2095-4239.2024.0289