エネルギー貯蔵システムにおけるリチウムイオン電池の健康状態推定:マルチスケール時空間深層学習アプローチ
State of Health Estimation for Lithium-Ion Batteries in Energy Storage Systems: A Multi-Scale Spatiotemporal Deep Learning Approach
リチウムイオン電池の正確な健康状態(SOH)推定は、電力網規模のエネルギー貯蔵システム(ESS)の安全かつ効率的な運用に不可欠である。本研究では、測定ノイズや動作変動、充電信号の非線形特性といった課題に対処するため、マルチスケール畳み込みニューラルネットワークと双方向長短期記憶(MS-CNN-BiLSTM)に基づくマルチスケール時空間深層学習フレームワークを提案する。劣化を考慮したスライディングウィンドウ戦略により充電信号から劣化関連特徴を抽出し、並列マルチスケール畳み込み分岐で複数スケールの時間的特徴を捉える。さらに、注意機構強化型BiLSTMモジュールにより長期的な劣化依存性を集約し、情報量の多い時間的表現を適応的に抽出する。NASA LCOおよびMOLICEL NCMデータセットを用いた評価の結果、提案手法はMAE値0.0026、R2値0.979以上という高い精度でSOH推定を達成した。また、異なる電池化学組成間でも一貫した推定性能を維持し、計算負荷も比較的低いため、組み込みBMSアプリケーションへの適用可能性が示唆される。
- MS-CNN-BiLSTMによるマルチスケール時空間深層学習フレームワークを提案し、リチウムイオン電池のSOH推定を実施
- NASA LCOおよびMOLICEL NCMデータセットでMAE 0.0026、R2 0.979以上の高精度なSOH推定を達成
- 異なる電池化学組成間で一貫した推定性能を維持し、計算負荷が低く組み込みBMSアプリケーションへの適用可能性を示した
エネルギー貯蔵システム(ESS)向けリチウムイオン電池のSOH推定精度向上は、蓄電池の安全運用と寿命管理に直結する重要テーマ。本研究はマルチスケール深層学習による高精度推定(MAE 0.0026、R2 0.979以上)を示しており、劣化監視技術の進展としてBMSメーカーやESS事業者にとって関心度の高い成果。ただし学術研究段階であり、実製品化や事業インパクトは明確ではない点に留意が必要。