抽象的な
リチウムイオン電池の健康状態 (SOH) 推定技術は、電気自動車の安全性と信頼性にとって極めて重要です。人工知能 (AI) および機械学習 (ML) テクノロジーの発展に伴い、バッテリー管理の分野では効率と安定性を向上させるためにこれらの方法が採用され始めています。特に、ニューラル ネットワークは、SOH のシミュレーションと予測において、高効率、低エネルギー消費、高い堅牢性、スケーラビリティにおいて利点を示しています。等価回路モデル (ECM) および深層学習と組み合わせたハイブリッド モデルには、SOH 推定の精度とリアルタイム パフォーマンスを向上させる可能性があることが証明されています。将来の研究の方向性には、実際のSOHをより正確に特徴付けるためのインテリジェントなスクリーニングとバッテリーパラメータの組み合わせだけでなく、健康特徴のスクリーニングとモデル構築のためにより多くの現場データを利用することが含まれます。これらの技術の開発により、電気自動車のバッテリーの科学的で信頼性が高く、安定した堅牢な管理がさらに強化されるでしょう。
1. 簡単に言うと
1.1 電気自動車用リチウムイオン電池の重要性とSOH推定の重要な意義
リチウムイオン電池は電気自動車の動作に不可欠であり、その性能はさまざまな劣化プロセスの影響を受けます。電気自動車の安全性、信頼性、経済性を確保するには、バッテリーの健全性 (SOH) 状態を正確に推定することが重要です。電気自動車の需要が高まるにつれて、リチウムイオン電池は寿命が尽きる前に元の容量の 80% に低下するのが一般的であるため、SOH モニタリングの重要性はますます高まっています。さらに、充電状態 (SOC) も重要なパラメーターであり、その変化はバッテリー容量の経年劣化や劣化を反映する可能性があります。正確な SOC 予測は、SOH の推定に役立ち、これによりバッテリーの残りの寿命が決まります。
1.2 SOH推定手法の開発
既存の手法の概要と進捗状況:複数の SOH 推定方法が開発されており、その中には電流、電圧、温度などのリアルタイム データを統合する SOC ベースの方法があり、複数の充放電サイクルにおけるより正確な SOH 予測を実現し、バッテリー性能を最適化し、故障を防止し、バッテリー寿命を延長します。 。機械学習手法の最新の進歩により、SOH 推定がさらに強化され、フィードフォワード ニューラル ネットワークや畳み込みニューラル ネットワークなどのニューラル ネットワークはバッテリー モデリングで優れたパフォーマンスを発揮し、複雑さと精度の点で従来の回帰手法を上回り、平均誤差偏差は約 0 です。バッテリセルレベルでは.16%、二乗平均平方根誤差は5.57mVです。
1.3 電池モデリング手法の分類と特徴
電流積分や開回路電圧 (OCV) 技術などの解析方法は、明確な SOH 推定値を提供できますが、蓄積されたノイズの影響を受けるため、精度を確保するには長時間放置する必要があります。
モデルベースのアプローチ
ホワイトボックスモデル:詳細な電気化学原理に基づいて、基本パラメータを通じて電池の動作を高精度でシミュレートします。ただし、高い計算要件と現実世界のダイナミクスに対する単純化された仮定により、動的条件下では精度が低下するため、リアルタイム アプリケーションには適していません。
グレー ボックス モデル (ECM など):物理的洞察と経験的調整を組み合わせ、回路アナロジーを使用してバッテリーの動作を近似すると、SOC を高精度 (通常 3% 以内の誤差) で推定でき、リアルタイムの SOH 推定や残存耐用年数 (RUL) の予測に役立ちますが、課題に直面しています。データ品質と計算要件において。リチウムイオン電池の単純な等価回路モデル (直列抵抗と最大 2 つの RC 要素を含む) は信頼性の高いシミュレーションに使用できますが、より複雑な ECM (複数の RC 分岐または定位相要素 CPE を含む) は高度に動的なプロセス (たとえば、しかし、計算需要の増大により、より高度な SOH 推定手法の開発が推進されています。
ブラック ボックス モデル (データ駆動型アプローチ):入力データと出力データに基づいて、内部の動作原理の知識に依存せずにモデルが構築されます。機械学習技術により、大量の測定データからバッテリーの状態を予測できます。機械学習は、容量推定の精度が高く、高品質で多様なトレーニング データに依存するマルチチャネル ニューラル ネットワークなど、複雑なデータセット内のパターンを識別することに優れています。しかし、実際の車両アプリケーションでは、多くの内部変数を直接測定することができず、データの希薄性と解釈可能性の欠如により、モデルの理解と維持が困難になります。
1.4 モデル手法の進化とハイブリッドモデルの開発
モデルベースの手法の進化:過去 10 年間、カルマン フィルタリング (KF) とその拡張機能 (拡張カルマン フィルタ EKF、アンセンテッド カルマン フィルタ UKF など) を含むモデルベースの手法が継続的に開発されてきました。これらの方法はバッテリー状態推定の精度が高いですが、正確な動的モデルが必要であり、実装が複雑です。
ハイブリッドモデルの台頭:現実世界のデータの制限に対処し、計算効率を向上させるために、モデルベースの手法とデータ駆動型の手法を組み合わせて、詳細なシミュレーションを通じて機械学習モデルをトレーニングするハイブリッド モデルが登場しました。同時に、確率的手法、メタ学習、敵対的学習、半教師あり学習などの機械学習技術は、過去 5 年間で大幅に進歩しました。深層学習 (機械学習のサブセット) は、構造化された処理および非構造化データ。物理情報ニューラル ネットワーク (PINN) は、経験的劣化モデルとニューラル ネットワークを組み合わせて SOH 推定を改善し、さまざまなバッテリーの種類や条件下での方法の適応性を高めます。自動車産業の発展に伴い、これらの技術の進歩は、バッテリーの性能を最適化し、故障を防止し、電気自動車の開発をサポートするために非常に重要です。
1.5 この記事の後続の章の概要
セクション 2 では、研究方法の体系的かつ包括的な性質を確保するために、レビュー文献をスクリーニングおよび選択する方法について詳しく説明します。セクション 3 では、充電状態推定技術の詳細な分析を提供し、カルマン フィルターとその改良された方法、経年劣化モデルとの統合など、電気自動車バッテリーのモデリング方法に対するバッテリー劣化メカニズムの影響を調査します。セクション 4 では、SOH 推定手法に焦点を当て、従来の手法と新しい手法を比較し、電気自動車に適用できる手法に重点を置きます。セクション 5 では、長短期記憶 (LSTM) ネットワークやハイブリッド モデルなどの SOH 推定における深層学習の役割と、畳み込みニューラル ネットワーク (CNN) が健康評価の精度を向上させる実際的な要素をどのように考慮するかを示します。最後に、セクション 6 では、電気自動車市場やその他のエネルギー貯蔵アプリケーションの開発をサポートするためのバッテリー健全性管理システムの将来の研究の方向性を要約し、期待しています。
2. 材料と方法
2.1 リサーチクエスチョンの定義
この研究では、電気自動車のリチウムイオン電池の SOH 推定における機械学習技術の適用を導くための 5 つの重要な質問を提案しています。
電気自動車のリチウムイオン電池の健全性状態 (SOH) を推定するために現在使用されている主な機械学習手法を明らかにし、研究者によって開発および使用されている特定のアルゴリズムとモデルを調査します。
SOH 推定機械学習モデルの精度と堅牢性に対するさまざまなデータ ソース (研究室、車両、現場データ) の影響を調査し、データ ソースがモデルのパフォーマンスにどのような影響を与えるかを分析し、正確な SOH 予測に最も有益なデータを判断します。
リチウムイオン電池の SOH 推定に機械学習技術を適用する際の主な課題と、温度変動、経年劣化、さまざまな使用モードによる電池への影響など、さまざまな環境条件やアプリケーション シナリオにおけるこれらの課題の変化を特定します。 SOH推定の精度。
SOH 推定の分析方法、従来の方法との違い、およびその進化プロセスを比較し、機械学習方法をこれらの従来の方法とどのように統合できるかを検討し、それぞれの利点、欠点、および潜在的な相乗効果を特定します。
電気自動車用リチウムイオン電池における機械学習ベースのSOH推定モデルの精度、適応性、計算効率を向上させる将来の研究の方向性を見据え、研究のギャップ、技術的要件、革新的な方法を特定します。
2.2 文献検索とスクリーニング
データベースの選択と検索戦略:Conduct a comprehensive literature search using Scopus database, determine keywords based on research questions, and use Boolean search strings (TITLE-ABS-KEY (electric AND vehicle) AND KEY (battery AND state AND of AND health) AND TITLE-ABS-KEY (lithium AND ion) AND PUBYEAR>2003 年と思春期<2025) to retrieve papers and patents published between 2003 and 2024. A total of 882 documents and 16286 patents were obtained, nearly half of which were published between 2020 and 2024, reflecting the industrial demand and progress in this field. The search results are distributed by year, major journals, national and patent offices, showing the time trend of research, journal distribution, regional diversity, and industry development priorities (such as battery management systems, modular architecture, vehicle control systems, and low resistance materials).
文献のスクリーニングと焦点の絞り込み:検索された文献は複数の専門分野をカバーしており、エンジニアリング分野の割合が最も高く (730 件の記事)、エネルギー、コンピューター サイエンス、数学がそれに続きます。コンピューターサイエンスの分野に焦点を当てた結果、209 件の関連文書が特定され、そのうち 183 件は 2019 年から 2024 年の間に出版されたものであり、データの適時性が示されています。これらの文書には、会議論文、論文、レビュー、書籍の章が含まれており、主なレビューの基礎として 2009 年から 2024 年の間に発行された 72 件の論文が含まれますが、研究分野を包括的に網羅し、革新的な情報を確実に把握するために、他の工学分野の関連する論文や書籍の章を手動で組み込んでいます。人工知能を使用してバッテリー管理システムを改善する技術の進歩。
3. 充電状態（SOC）推定技術
3.1 バッテリーの劣化メカニズムとパフォーマンスへの影響
リチウムイオン電池は主に次の 2 つのメカニズムで劣化します。リチウム在庫損失（LLI）と活物質損失（LAM）。 LLI は、リチウムイオンと電解質の間の副反応に起因する、アノード上の固体電解質界面 (SEI) 層の形成に関連しています。 LAMは、充放電中の電極材料の繰り返しの膨張と収縮など、電池内の内部機械的応力によって引き起こされ、微小亀裂や電極粒子の剥離を引き起こし、電気化学反応に利用できる活性表面積が減少し、それによって電池容量が低下します。内部抵抗が増加し、最終的にはバッテリーの性能に影響を与えます。これらの劣化メカニズムは、高充電状態、高温、激しいサイクル条件などの要因によって加速されます。さまざまな老化メカニズム (熱、電気化学など) の詳細な情報とモデリングの詳細については、関連する文献を参照してください。
3.2.電気自動車バッテリーのSOC推定およびモデリング技術
電気自動車の日常使用では、バッテリーの状態を維持するためにバッテリーは 20% -40% SOC で充電されることがよくありますが、バッテリー容量の非線形特性と劣化特性により SOC の測定値が不正確になり、バッテリーの推定に影響を与える可能性があります。フルキャパシティ。リチウムイオン電池の性能とメンテナンスは気候にも影響され、温度と電解液の鮮度（製造日と充填日によって決定される）が電池の効率と寿命に影響します。新しい電解質バッテリーの特性は気候によって異なる場合があり、熱管理戦略は温度関連のパフォーマンス問題に対処し、バッテリーの耐久性を向上させるのに役立ちます。
従来の等価回路モデル (ECM) は SOC の推定によく使用されますが、頻繁な校正が必要です。この記事では、状態空間方程式、開回路電圧と SOC の関係方程式、離散時間領域の SOC 更新方程式、および電圧更新方程式を含む、ECM (連続形式および離散形式を含む) に基づく SOC 計算方程式の詳細な紹介を提供します。関連するパラメータ (抵抗、静電容量、開路電圧など) は SOC と密接に関係しています。バッテリーモデルパラメータの特定には、標準的な実験室テスト（さまざまな温度での混合パルス電力特性テストなど）が一般的に使用されますが、モデルの不正確さや測定ノイズにより、SOC 推定に小さな誤差が生じる可能性があります。 SOC 推定の精度を向上させるために、カルマン フィルターとその拡張、PI ベースのオブザーバー、スライディング モード オブザーバーなどのさまざまな技術がこれらの影響を補償するために使用されてきました。また、初期モデルの不確実性を処理するために積分補正方法も開発されました。そして測定ノイズ。さらに、電気化学インピーダンス分光法 (EIS) はバッテリー特性 (SOC および SOH を含む) を評価できますが、時間がかかり、大規模なアプリケーション (電気自動車フリートなど) には非現実的であるため、動的で変化するバッテリー特性を捉えることが困難になります。電気自動車のバッテリーの動作条件。したがって、より適応的で効率的な方法が必要です。
3.3.技術の向上
カルマンフィルターとその改善方法:カルマン フィルター (KF) とその拡張機能 (拡張カルマン フィルター EKF、無香カルマン フィルター UKF、ボリューム カルマン フィルター CKF など) は、SOC 推定に広く使用されています。 KF は、平均二乗誤差を最小限に抑え、累積誤差と初期 SOC の不確実性の問題を解決することにより、最適な SOC 推定を提供します。ただし、バッテリーの非線形ダイナミクスが線形化近似を必要とする線形時変システムには適しています。 EKF は非線形モデルを処理できるように KF フレームワークを拡張していますが、線形化は精度に影響を与え、推定量の発散につながる可能性があります。 UKF や CKF などの新しい方法は、シグマ点推定を使用して非線形変換統計を推定します。一方、CKF は、球面動径体積ルールを使用して多変量モーメント積分を計算し、非線形ベイジアン フィルターの精度を向上させます。ただし、これらのフィルターは通常、ノイズ特性が既知で一定であると想定しており、実際のアプリケーションでは、ノイズは可変です (外部干渉によって生成される非ガウス ノイズなど)。したがって、ガウス混合モデル (GMM) を使用して非ガウス ノイズをモデル化し、状態推定精度を向上させるなど、堅牢な適応フィルタリング戦略が開発されています。関連する研究により、さまざまな分野でのこれらの方法の応用と利点が示されています。さらに、分散型および分散型フィルター (分散カルマン フィルター DKF、分散カルマン フィルター、DKF-CI 間の共分散など) は、大規模な相互接続システムの状態推定を最適化するために使用されます。堅牢な非線形フィルター (堅牢なカルマン フィルターなど) は、バッテリー システム (電気化学プロセスなど) の複雑な非線形性を処理する際に優れた性能を発揮します。適応技術 (適応 EKF アルゴリズムや適応 UKF アルゴリズムなど) は、フィルタ パラメータを動的に調整してノイズの変化に適応し、SOC 推定精度を向上させます。関連する研究と例により、これらの方法の有効性が検証されています。
その他の改善方法:2022 で提案されている適応型積分補正充電状態推定 (AIC-SE) 手法など。これは ECM モデルに基づいており、リアルタイム補正メカニズム (抵抗や抵抗などを含む) を通じて SOC 推定の精度を向上させます。バッテリー容量補正) (最大誤差 ± 0.8%、RMS 誤差 0.3% 未満)。計算効率は UKF よりも高く (AIC-SE は約 5n 演算、UKF は約 n ^ 2 演算)、バッテリーの経年劣化や劣化の課題に効果的に対処します。 2023 年の変分ベイジアン最大相関エントロピー ボリューム カルマン フィルター (VBMCCKF) は、高度なフィルター処理と統計手法を組み合わせて、変分ベイジアン法を使用した測定誤差の共分散推定を改善します。最大相関エントロピー基準は、非ガウス ノイズ測定の外れ値を処理するために使用され、SOC 推定精度が大幅に向上します (EKF、CKF、および変分ベイジアン ボリューム カルマン フィルターと比較して、平均絶対誤差が 77%、68%、および 49% 削減されます) 、それぞれ）、バッテリー管理システムの堅牢性を強化します。
3.4 エージングモデルとの統合
バッテリーの劣化モデルは SOC の推定と密接に関連しており、最近の研究は両方の面で革新をもたらしました。 2024 年に提案されたバッテリー劣化モデルでは、SOC、バッテリー温度、時間、および完全等価サイクル時間 (NFEC) がバッテリーの劣化に及ぼす影響が包括的に考慮されています。このモデルは 2 つの部分で構成されます。最初の部分は SOC と温度に関連する経年劣化 (特定の式を使用して容量損失を計算) に焦点を当て、2 番目の部分は経年劣化に対する NFEC の影響を考慮します。このモデルは、電気自動車のサブシステムとしてバッテリーのエージングをバッテリー モデルと革新的に統合し、駐車、運転、充電などのすべての動作モードをカバーします。これは、エネルギー巨視的表現 (EMR) (サブシステムの接続を整理し、電力の流れと因果関係を表現するために 2000 年に開発されたグラフィカル ツール) の形式的手法を通じて、異なるサブシステム間の正確な相互作用シミュレーションを実現します。研究によると、充電頻度を減らすと (毎日の充電を 4 日ごとに変更するなど)、バッテリーが SOH 80% に達するまでの時間が大幅に長くなる可能性があります。この統合されたアプローチは、バッテリー管理の最適化とバッテリーの劣化に対する充電方法の影響の理解において重要な進歩をもたらします。
AIC-SE や VBMCCKF などの新しい方法には、SOC 推定精度と計算効率において大きな利点があります。 AIC-SE は計算効率において優れたパフォーマンスを発揮しますが、VBMCCKF は測定誤差やノイズの多い環境の動的推定の処理において優れたパフォーマンスを発揮します。精度とノイズ処理が優先される場合は、変分ベイジアン基準と最大相関エントロピー基準を組み合わせることが現時点での最良の選択となる可能性があります。計算効率とリアルタイム アプリケーションに焦点を当てる場合は、AIC-SE が適切な選択肢であり、この分野では ECM モデリング手法が依然として利点があることを示しています。さらに、2024 年に研究されたバッテリーの経年劣化モデルでは、バッテリーの劣化に対する複数の要因の影響が包括的に考慮されており、これは (充電の実践に基づいて) バッテリー寿命を最適化する上で非常に重要です。全体として、これらの開発は SOC 推定の精度を向上させるだけでなく、バッテリー寿命の延長とバッテリーの動作信頼性の向上にも貢献します。
4. 健康状態 (SOH) 評価手法
4.1 従来の SOH 推定方法
従来のSOH推定方法は、主に容量劣化、内部抵抗、サイクル寿命などの基本パラメータに基づいて電池のSOHを評価するため、学術および産業分野で広く使用されています（関連する式とパラメータの意味については表4を参照）。これらの方法は、バッテリーの状態評価の基礎を提供し、バッテリーのパフォーマンスを理解するのに役立ちます。これらの伝統的な方法を理解することで、後続の章で説明する新しい推定方法の改善についてよりよく理解できるようになります。新しい手法では、従来の手法の限界に対処するために、より複雑なデータ分析や予測モデリング手法が使用されることがよくあります。 2 つを比較すると、SOH 推定テクノロジの開発と進化が明確になり、最新の方法がバッテリ管理システムの精度と適応性をどのように向上できるかを実証できます。
4.2 従来の手法に代わる新たな展開
機械学習と組み合わせた新しい健康指標:SOH 予測の精度を向上させるために、研究では劣化率比 (DSR) などの新しい健康指標が導入されています。充電電圧曲線の傾きから DSR を計算する式は次のとおりです。
複数の充電サイクルの傾きを比較することにより、特定の電圧範囲 ([3.8-3.9V] など) 内のバッテリーの劣化率 (mV/s 単位) が決定されます。これは、バッテリー容量を測定し、バッテリー寿命の終わりを判断するための重要な指標として使用できます。ガウス過程回帰 (GPR) モデルと多層パーセプトロン ニューラル ネットワーク (MLPNN) モデルを組み合わせると、容量の損失と劣化をより正確に推定できます。従来のモデルと比較して、感度と精度が大幅に向上し、劣化を早期に検出することが難しい従来のモデルの問題を効果的に解決します。
等価回路モデルの改良：従来の等価回路モデル (ECM) を改善するための初期の方法は、革新的なアルゴリズムを使用してボディ容量の減衰率を計算し、2015 の等価 RC 回路モデルのボディ容量を分析することで SOH を推定するなど、開発が続けられました。そしてそれを離散非線形オブザーバーと組み合わせて精度と信頼性を向上させます。 2024 では、温度の影響を考慮するために、適応更新レートと非線形オブザーバーを組み合わせた 2 次ハイブリッド等価回路モデルが採用され、SOH 推定の高精度 (平均絶対誤差 0.5% 未満、RMS) が達成されました。誤差は0.2%未満）; 2023 年のクラウド ソリューションでは、長期監視データとリアルタイム データを利用して、移動ウィンドウ最小二乗アルゴリズムを調整することでバッテリー モデルのパラメーターを推定します。 ECMモデルに基づいて高精度のSOH評価が達成されており、SOC推定技術におけるECM法の継続的な改善の傾向と一致して、改良されたECM法がSOH推定において依然として重要な重要性を持っていることを示しています。
ハイブリッド フレームワーク手法:新しいフレームワークは、線形統計 k 近傍 (LSKNN)、最大情報エントロピー検索 (MIES)、および集合的疎変分ガウス過程回帰 (CSVGPR) を統合して、データ補間、ノイズ フィルター、特徴選択、および不確実性管理を処理します。 LSKNN は欠落しているデータ ポイントを推定してノイズをフィルターし、MIES は SOH との相関が高い特徴を選択し、CSVGPR はデータの不確実性を処理して予測精度を向上させます。このフレームワークは NASA バッテリー データセットを使用してテストされ、ElasticNet、サポート ベクター回帰 (SVR)、ランダム フォレスト、勾配ブースティングなどの方法と比較して、二乗平均平方根誤差 (RMSE) が 77.8% 削減されました ({{3 より) }}.0510（ElasticNet では 0.0113）。異なるカーネルを使用したガウス プロセス モデルと比較して、RMSE は 55.5% (0.0254 から 0.0113) 減少し、フレームワークの堅牢性と高精度が確認され、SOH 推定のためのより正確な方法が提供されました。
SOH 推定技術の開発トレンドは、従来の方法から電気自動車に適したより複雑なモデルに移行しています。新しい手法には、劣化モデルと従来の機械学習、ECM ベースの手法、およびハイブリッド手法を組み合わせることが含まれます。 DSR は、完全な充電サイクルへの依存を減らし (待機時間を約 84% 短縮)、機械学習と組み合わせることで容量損失推定の精度を向上させ、従来のモデルにおける早期劣化検出の困難を克服する重要なイノベーションです。改良された ECM 手法は、SOH 推定において良好な結果を達成しました。これは、SOC 推定における ECM 手法の重要性と一致しています。ハイブリッド技術（前述の新しいフレームワークなど）は高い精度を持っています。リアルタイム アプリケーションには課題がありますが、主要なデータ処理問題を効果的に解決することは、従来の SOH 推定方法に比べて大幅な改善です。全体として、これらの開発はリアルタイム アプリケーションとデータ駆動型の手法に焦点を当てており、電気自動車のバッテリー管理システムの信頼性が大幅に向上しています。 LSTM、CNN、ハイブリッド技術などの深層学習手法が、SOH 推定の主流の手法となっています。後続の章では、関連する研究結果と貢献を紹介します。
5. SOH 推定における深層学習の応用
5.1 LSTM とハイブリッド モデル
複数の研究では、改良された経年変化モデルと深層学習技術を組み合わせて、SOH 推定の精度を向上させています。残存耐用年数（RUL）の予測にはディープラーニングが不可欠です。たとえば、SOH 劣化モデルを統合し、充放電電流や温度などのさまざまな動作条件を考慮することで、特定の式を次の目的に使用できます。
このうち、I2 {c} と I2 {d} は正規化された充放電電流、T3 {c} と T4 {d} は正規化されたバッテリーと周囲温度、T3 {c} と T4 {d} は充放電時間です。 (d1-d4) は重みです)。これにより、バッテリーの劣化がより正確にシミュレートされます。 LSTM ネットワークに基づく RUL 予測モデルは予測精度を向上させますが、計算の複雑さは増加し、リアルタイム アプリケーションは課題に直面しています。ニューラル ネットワークは、時間とともに変化するバッテリー プロセスを処理し、バッテリーの動作の変化に適応する方法を継続的に学習し、モデルの信頼性を維持できます。
主要な特徴 (6 つの主要な特徴など) を抽出して SOH 推定を最適化し、機械学習アルゴリズムと組み合わせて高精度と低い計算負荷を実現することで、電圧特徴はバッテリー状態評価の精度を向上させる上で重要な役割を果たします。複数の深層学習モデル (CNN、LSTM、GRU、およびそれらの双方向バリアントなど) をハイブリッド フレームワーク (CNN-LSTM-DNN、CNN-GRU-DNN など) に組み合わせて RUL を予測し、さまざまな機能を利用して RUL を予測します。 NASA データセットのテストでは RMSE が 90.5% 削減されましたが、計算強度と複雑さによりリアルタイム アプリケーションが制限されます。マルチモデル手法 (LSTM モデル ライブラリなど) と高度な最適化戦略 (LSTM を AI-BMS フレームワークに統合し、FPGA に実装するなど) により、予測精度とシステム効率を向上させることができますが、商用電気自動車への FPGA の適用はコストに直面します。そして実用性の課題。
GRU とソフト センシング手法の組み合わせには、実験室環境での長期 RUL 予測の可能性がありますが、実際のアプリケーションでは、さまざまな充電条件に適応する必要があります。 LSTM、DNN、GRU などのデータ駆動型手法を使用して NASA データセットを処理する GRU は、優れたパフォーマンスを発揮します (RMSE は 0.003、MAE は 0.003、R 二乗)誤差は 0.004)、GRU ネットワークと LSTM ネットワークを組み合わせることでパフォーマンスが向上します。 LSTM ベースの方法では、バッテリーの充電放電曲線を分析することで特徴 (5 つの手動特徴など) を抽出し、最適化アルゴリズム (Adam など) を使用してトレーニング効率と予測精度を向上させます。単一バッテリーの部分データのトレーニングでは、他のバッテリーの SOH 推定誤差は低く、従来のモデルより優れています。
MDA-LSTM ネットワークは、複数の特徴と時間情報を組み合わせ、複数の特徴融合モジュールとデュアル アテンション モジュールを通じて RUL 予測の精度を向上させます。堅牢性と一般化により、複数のデータセットの検証で優れたパフォーマンスを発揮します。スタック型 BiLSTM ネットワークは、定電流充電データを使用して SOH を予測するために使用され、双方向構造により予測の信頼性が向上し、急速充電中のリアルタイムの SOH 推定に適しています。 TCN-LSTM モデルは、合成データとベイジアン最適化を利用して、開回路電圧 (OCV) を正確に再構築し、健康状態 (SOH) (MAE 22mV 未満、MAPE 2.2% 未満) を推定します。転移学習を通じてさまざまなバッテリー化学システムに拡張できますが、データが不十分な場合は外挿に制限があります。深層融合法（過去のデータや複数の健康指標の利用など）は、完全充電放電試験を通じて高い精度（MAPE 2.97%未満）を実現し、GPRに基づくグローバルな枠組みと個々の電気自動車のDFTNモデルの両方が良好な結果を達成しました。 。
5.2. CNN および CNN-LSTM 統合モデル
CNN-WNN-WLSTM メソッドは、CNN、WNN、および WLSTM ネットワークを統合します。 CNN は特徴を抽出し、WNN と WLSTM は特徴を処理して SOH を推定します。 RMSprop オプティマイザーは、パフォーマンスを向上させるために使用され、NASA データセット テストにおける従来の方法を上回るパフォーマンスを示し、バッテリーの状態管理に有望なアプローチを提供します。 CNN-LSTM-CRF モデルは自然言語処理からインスピレーションを得ており、CRF レイヤーが出力変数の依存関係をキャプチャしてバッテリー容量予測の精度と直観性を向上させます。ただし、計算要件は高く、オンボード プロセッサの能力を超えています。将来的には、その実用性を高めるための研究（転移学習など）が必要です。 LSTNet モデルは、データのセグメント化、ConvLSTM と AR コンポーネントの統合、構造の最適化によってバッテリー容量予測パフォーマンスを向上させます (たとえば、NASA データセット テストでは、RMSE は 0.65%、MAE は 0 でした)。 58%、40% のデータでトレーニングした場合、MAPE は 0.435% でした)。
強化された CNN と ECSSA 最適化アルゴリズムを統合して固体リチウムイオン電池の RUL を予測することにより、CNN はハイパーパラメーターと構造 (高度な畳み込み層、活性化関数、残差接続の使用など) を最適化することで特徴抽出と予測の精度を向上させます。 ECSSA は、革新的な数学的手法 (円カオス マッピング、非線形吸収係数、コーシー変異など) を通じてモデル パラメーターを最適化し、RUL 予測精度を向上させ、堅牢性。 PCA と CNN を組み合わせて特徴の最適化と次元削減を行うと、SOH 推定の精度と効率が向上します (従来の CNN および固定次元の PCA-CNN モデルと比較して、MAE は 20% 以上増加し、RMSE は 30% 以上増加しました)。リアルタイム SOH 推定モデルは 1D-CNN と BiGRU を統合し、BMS データを使用して複雑な特徴抽出を回避し、ハイパーパラメーターのベイジアン最適化を通じて高精度を実現します (NASA データセットのテストなど、MAE は 2.080%、RMSE は 2.516%、 EOL インデックスのエラーはゼロです)。
5.3.深層学習モデルの最適化戦略
まず、ランダム フォレスト アルゴリズムを使用して主要な健康要因を特定し、次に遺伝的アルゴリズム粒子群最適化 (GA-PSO) 手法を使用して、健康状態 (SOH) を推定するためのサポート ベクター回帰 (SVR) モデル パラメーターを最適化しました。有効性は 4 つのバッテリーで検証され、精度と収束速度が向上しました (RMSE は 0.40%、MAPE は 0.56%) であり、他の関連手法よりも優れています。 GWO-BRNN ハイブリッド手法は、ハイイロオオカミ最適化 (GWO) を利用して、ベイジアン正則化ニューラル ネットワーク (BRNN) のハイパーパラメーターを選択します。 NASA データセットに基づくと、SOH 推定誤差は 1% 未満ですが、計算の複雑さが高く、実際のアプリケーションは限られています。電気自動車の生データを直接使用してSOHを評価し、RULを予測します。新しい評価機能と補間補正方法（電流積分の相対誤差を0.94%に削減）を導入することで精度を向上させ、D-NSGA-II最適化方法と組み合わせて精度をさらに向上させます。 SOH 推定を最適化し、計算時間を短縮します。電気自動車のリチウムイオン電池の不完全な充放電によって引き起こされる健康状態（SOH）の推定の困難に対応して、間接推定法（ATAGA-BP）が提案されています。この方法は、定電圧充電ステージの特性を健康指標として利用しており、NASA データを使用したシミュレーションを通じて検証されています。この方法はバッテリー容量と高い相関関係があり (85% 以上)、SOH 推定誤差は 3.7%、反復効率は 17.8% 向上しました。
ディープラーニングは SOH 推定において大幅な進歩を遂げ、複数の要因を考慮した包括的なモデルにより、バッテリーの劣化をより深く理解できるようになりました。 LSTM ネットワークは、時間的な依存関係を把握し、RUL を予測する上で重要ですが、その計算の複雑さにより、リアルタイム アプリケーションには課題が生じます。特徴抽出方法は重要であり、SOH 推定を最適化できます。複雑なバッテリー データを処理するためのハイブリッド モデルとさまざまなニューラル ネットワーク アーキテクチャの組み合わせには有望な見通しがありますが、高い計算要件により実際のアプリケーションは制限されます。 GA-PSO、GWO-BRNN、D-NSGA-II などの最適化戦略により精度と効率が向上しましたが、複雑なアルゴリズムの実装は難しく、精度と実行の単純さのバランスが必要です。二次電池の応用には高度なAI技術が不可欠です（詳細な使用データが不足しています）。以降の章では、特に電池の再利用の分野における二次応用研究の現状の概要を説明します。
6. まとめ
この記事では、従来の機械学習から LSTM や CNN などの高度な深層学習モデルに至るまで、さまざまなテクノロジーをカバーする革新的な方法とモデルを通じて、電気自動車のリチウムイオン電池の SOH および SOC 推定の開発を進めます。ただし、各方法には精度、複雑さ、適用可能性が異なるため、直接比較することは困難です。研究により、データ処理とソースがモデルのパフォーマンスに大きな影響を与えることが判明しており、実際の展開にはさらなる検証が必要です。深層学習モデルは複雑なデータの処理において利点を示していますが、依然として高い計算リソース要件や実際のアプリケーション シナリオへの適応性などの課題に直面しています。今後の研究は、機能選択の改善、異常検出、多様な環境条件への適応、アルゴリズムの最適化による計算効率の向上、リアルタイム アプリケーションの実現、SOH 推定モデルのパフォーマンスを向上させるための複数のデータ ソースの統合に重点を置きながら、二次電池アプリケーションの課題にも取り組む必要があります。 、効果的なソリューションを開発し、電気自動車とエネルギー貯蔵の分野で高まる需要を満たすバッテリー管理システムの開発を促進します。