研究の概要

リチウムイオン電池の劣化予測（State-of-Health: SoH推定）は、EV普及・定置型蓄電システムの信頼性向上・バッテリーの2次利用（セカンドライフ）において極めて重要な技術課題。一般的な深層学習モデルは予測精度を高められるが、「物理的にあり得ない容量回復」を予測する誤りを起こしやすい。

本研究では「PiDDM（Physics-Informed Differentiable Degradation Modeling）」を提案（Chen, Jian, Sigdel, Xiong, Wang, Luo）。アレニウス劣化速度論（固体電解質界面（SEI）成長とリチウムインベントリー損失の化学反応速度論）をニューラルネットワークの訓練に組み込み、物理的に整合した予測を実現する。6種類の異なる運用プロトコルで電池55個を用いて検証した。

主な発見・成果

  • 6種類の異なる充放電プロトコル下の電池55個で検証、従来の多層パーセプトロンと比較して予測誤差を低減
  • 電池寿命末期（残余10%）の外挿予測でも「非物理的な容量回復」を排除し、現実的な劣化カーブを再現
  • 物理知識の組み込みによって少ないデータでも高信頼性を維持（少数サンプル・異種プロトコルへの汎化性が向上）
  • 標準的なPINNs（物理インフォームドニューラルネット）ベースラインも上回る精度と物理整合性

実務への応用

電池劣化予測技術は以下の実務場面で直接応用できる：

  1. EVバッテリー健全性管理（BMS）：航続距離予測の精度向上・安全運用の高度化
  2. 産業用・系統用蓄電システムのO&M：計画外停止の予防・最適な交換タイミングの決定
  3. 使用済み電池のセカンドライフ価値評価：残存寿命推定に基づく適切なリユース・リサイクル判断（循環経済における電池の価値最大化）

GX文脈では蓄電池のO&Mコスト削減と信頼性向上が再エネ+蓄電の経済性を後押しし、系統規模での再エネ導入加速に寄与する。