Challenge to Measurement Accuracy Improving on Battery Management System with Machine Learning

2023 Fiscal Year Research-status Report

• Project/Area Number: 21K14149
• Research Institution: Tokyo Denki University
• Principal Investigator: 佐藤 大記 東京電機大学, 工学部, 助教 (80772607)
• Project Period (FY): 2021-04-01 – 2025-03-31
• Keywords: 電池管理システム / セル監視回路 / 電気二重層キャパシタ / 蓄電池 / 機械学習

Outline of Annual Research Achievements

近年，様々な分野において電力貯蔵装置の需要が高まっており，これに伴い，内部に搭載される蓄電池を適切かつ安全に運用するための電池管理システムの需要も飛躍的に高まっている。電池管理システムには，各セル間の電圧のばらつきを補正するセルバランス機能と蓄電セルの状態を常時監視するセル監視機能が主として求められているが，これらの両立には蓄電セルの内部パラメータを高精度に取得しておく必要があり，実用上の課題となっていた。そこで本研究では，機械学習を活用することで動作中に蓄電セル内部パラメータを簡易かつ高精度に推定する手法の構築を目指す。
本年度は昨年度に引き続き，機械学習を用いて内部パラメータを推定する手法について検討を行った。昨年度は教師あり学習の多重線形回帰を用いた推定手法について検討したため，今年度は学習モデルの構築に必要なデータについて特徴量の抽出が不要な，教師あり学習の深層学習を用いた推定手法に取り組んだ。昨年度と同様に，シミュレーションを用いてセンサやサンプリング周期による誤差要素を含ませた学習データを準備し，内部パラメータを推定する学習モデルを構築した。その結果，二乗平均平方根誤差率（RMSPE）が約9.5%の推定モデルを構築することができた。しかしながら，昨年度に構築した多重線形回帰モデルよりも推定精度が低下する結果となった。

Current Status of Research Progress

3: Progress in research has been slightly delayed.

Reason

研究実績の概要にて述べた通り，深層学習を用いた学習モデルを構築し，PMSPEが約9.5%であることをシミュレーションベースで確認した。しかしながら，昨年度に検討した多重線形回帰モデルよりも推定精度が低下する結果となった。これはハイパーパラメータの調整が十分でないためである。そのため，学習モデルの研究成果についても公表を行えていない。以上の理由から，「やや遅れている」と判断した。

Strategy for Future Research Activity

推定精度向上を目指した調整を引き続き実施する。また，本研究にて得られた研究成果を国内外の会議にて発表し，研究成果の有効性検証を進める。合わせて，実機実験での有効性の検証も継続する。

Causes of Carryover

次年度使用額が生じた理由として，学習モデルの構築に時間を要したために，当初計画で予定していた研究発表を見送ったことが挙げられる。
国内外の状況を注視しながら，改めて本研究成果を国内外の会議にて発表するための費用に充てる。