電池の健全度予測の重要性
リチウムイオン電池の健全度（SOH）を正確に予測することは、その安全な運用と性能の最適化に不可欠です。SOHとは、電池の劣化状態を示す重要な指標です。この指標を正確に把握することで、過充電や過放電を防ぎ、電池の寿命を最大限に延ばすことが可能になります。しかし、この予測には常に課題が伴いました。
従来の予測手法が抱える課題
従来のSOH予測手法は、大量のSOHの実際の値、つまり「正しいSOH値」を必要とします。これらの正しいSOH値は、電池の充放電サイクルを通じて得られる詳細な記録に紐付けられます。しかし、実際の製品運用環境では、このような正しいSOH値が継続的かつ網羅的に収集されることは稀です。収集できたとしても、その量は限られ、また劣化の全範囲をカバーしていないことが多く、予測の精度を大きく低下させていました。この「正しいSOH値の不足」が、実用化への大きな障壁となっていました。
自己教師あり学習による解決策
この困難な課題に対し、新しい自己教師あり学習の枠組みが提案されました。この学習法は、SOHの実際の値がない充放電の記録から、電池の劣化傾向に関する有用な情報を自律的に学ぶことを目指します。具体的には、畳み込みニューラルネットワーク（CNN）とゲート付き回帰型ユニット（GRU）を組み合わせた予測器が用いられます。CNNは充放電の記録から特徴的なパターンを抽出し、GRUはこれらの特徴の時間的な変化、すなわち劣化の進行を捉える役割を担います。
劣化に合わせた情報獲得のプロセス
この新しい学習法の核心は、事前学習の段階にあります。まず、SOHの実際の値が付与されていない大量の充放電の記録を用いて、予測器を「事前学習」させます。この事前学習における主要な目的は、「サイクル順序付け」と呼ばれるものです。これは、与えられた記録がどの充放電サイクルに属するか、その順序を予測させるという事前課題です。この課題を解く過程で、予測器は電池の劣化と密接に関連する特徴表現を、SOHの実際の値に頼ることなく、自ら学習します。これにより、劣化の進行に合わせた情報を効率的に獲得できるようになります。
わずかな情報での高精度予測
事前学習によって劣化に合わせた情報が組み込まれた予測器は、次に「微調整」の段階へ進みます。ここでは、ごくわずかなSOHの実際の値を用いて、予測器の最終的なSOH予測能力を高めます。驚くべきことに、試験結果では、全体の充放電記録のうちわずか1%のSOHの実際の値しか使えない状況でも、この学習法が極めて高い予測精度を発揮することが示されました。具体的には、平均絶対誤差（MAE）が1.718%、二乗平均平方根誤差（RMSE）が2.329%という優れた結果です。これは、実環境におけるSOHの実際の値の不足という制約の下でも、電池の健全度を安定かつ高精度に予測できる可能性を大きく広げるものです。さらに、SOHの実際の値の分布が予測精度に与える影響についても詳細な分析がなされており、実用化に向けた深い洞察を提供しています。
PR
文賢 →
電池の健全度予測は、これまで正解情報集めに膨大な時間がかかっていました。それが1%で済むなら、開発速度は最速になります。この仕組みは、一次情報をぐるぐる回す当社の開発スタイルに直結します。
