研究の概要

ブラジルのAlexandre Barbosa de Limaらは、バッテリー電圧予測における二つの既存アプローチの限界を克服するハイブリッドモデルを開発した。低次等価回路モデル（ECM）は過渡状態での表現力が不足し、純粋なデータ駆動型（LSTM等）モデルは運転条件が変化した場合の汎化性能が低いという問題がある。本研究では、1次テブナン等価回路モデルに、分極ミスマッチを補正するコンパクトなニューラルネットワークを「ユニバーサル微分方程式」として埋め込む手法を提案した。非線形最小二乗法によるパラメータ初期化でニューラルネットワークの初期残差を最小化し、少ない学習データから安定した収束を実現している。

主な発見・成果

  • LSTMベースラインと比較して平均絶対誤差（MAE）を48%削減し、予測精度が大幅に向上した
  • 変動係数（CV）が0.44%対6.20%と安定性が格段に高く、異なる運転条件での再現性が高い
  • 温度ゼロショット転移（学習時と異なる温度での予測）や異なるドライブサイクルへの適用でも優れた性能を維持した
  • 物理モデルの解釈可能性を保ちながらニューラルネットワークの柔軟性を組み合わせた「軽量かつ解釈可能」なアーキテクチャを実現した
  • バッテリー管理システム（BMS）への組み込みに適した計算コストの低さを実証した

実務への応用

EV・定置型蓄電システム・産業用UPSなど多様な蓄電アプリケーションのBMSへの直接応用が可能。特に、①温度・充放電パターンが変化する実フィールドでの電池状態推定（SOE/SOH）精度向上、②長期バッテリー運用中に新たな運転条件が生じた場合の適応性確保、③物理的解釈可能性を維持したまま予測精度を高めたいOEM・エネルギー管理プラットフォームへの実装、の各課題に応用できる。蓄電池システムの安全管理・寿命予測・最適充放電制御の観点からも、GXプロジェクトのバッテリー実証事業における評価指標設計に有用な知見を提供する。