Residual-Corrected Equivalent-Circuit Model with Universal Differential Equations for Robust Battery Voltage Prediction under Operating-Condition Shift

技術概要：普遍微分方程式を用いた残差補正型等価回路モデル

問題定義
正確な端子電圧予測は、モデルベースのバッテリー管理システム（BMS）の基盤であり、拡張カルマンフィルタ（EKF）などの状態推定器に対する主要な補正信号として機能する。しかし、既存のアプローチにはトレードオフが存在する：

• 低次等価回路モデル（ECM）： 計算効率が高く解釈可能である一方、一次のテブナモデル（ECM-1RC）は、現実的な動作条件下での非線形性、温度依存性、過渡挙動を捉える表現力を欠いている。この構造的な不一致は、下流の状態推定にバイアスを生じさせる電圧誤差を引き起こす。
• 純粋なデータ駆動モデル： 深層学習アプローチ（例：LSTM）は、一致した条件下では柔軟性と高精度を提供するが、解釈性を犠牲にすることが多く、動作条件の変化（温度変化や未見の駆動サイクルなど）に直面すると性能が劣化する傾向がある。

本論文は、物理モデルの解釈性を維持しつつ構造的な限界を補完し、温度変化や異なる駆動サイクルプロファイルなどの分布シフト下でも堅牢な電圧予測を実現する課題に取り組む。

手法
著者は、ECM ベースの普遍微分方程式（ECM-UDE）として実装された残差補正ハイブリッド定式化を提案する。中核的なアーキテクチャは、物理モデルと学習可能なニューラルコンポーネントを統合する：

1. 物理的バックボーン（ECM-1RC）： モデルは一次テブナ回路構造を維持する。端子電圧 $V(t)$ は標準的な関係式によって支配される：
   $$V(t) = OCV(z(t)) - R_0 I(t) - V_1(t)$$
   ここで、$OCV$は開放回路電圧、$R_0$はオーム抵抗、$V_1(t)$ は分極電圧である。
2. 潜在分極ダイナミクス： 分極状態 $V_1(t)$ の進化は、学習可能な補正項 $f_\theta$ を含むように修正される：
   $$\dot{V}_1(t) = -\frac{V_1(t)}{R_1 C_1} + \frac{I(t)}{C_1} + f_\theta(V_1(t), I(t), z(t), T_{cell}(t))$$
   ここで、$f_\theta$ は縮小次数回路が捉えられない構造的な不一致（残差）のみを補正するコンパクトなニューラルネットワーク（多層パーセプトロン）である。
3. 状態伝播： 標準的な ECM と異なり、このハイブリッドモデルは、予測ウィンドウ内での外部から供給される SOC 軌跡への依存を低減するため、充電状態（SOC、$z$）を動的状態として内部で伝播させる（$\dot{z} = -\eta I(t)/Q_{nom}$）。
4. トレーニングプロトコル：
   • ウォームスタート： ECM-1RC のパラメータ（$R_0, R_1, C_1$、および OCV 係数）は、まずトレーニングデータに対する非線形最小二乗法によって同定される。これらのパラメータはハイブリッドモデルを初期化し、ニューラル補正が最初のトレーニングエポックから「低残差領域」で動作することを保証する。
   • 最適化： ハイブリッドモデルは、平均二乗誤差損失を用いた Adam 最適化によりエンドツーエンドでトレーニングされる。
   • 正規化： パイプラインはハイブリッド正規化戦略を採用する：電流と電圧は経験的 z スコアで正規化され、温度と SOC は、分布外転送中の安定性を確保するために、固定された物理情報に基づく定数を用いて正規化される。

主要な貢献

1. 構造的に局所化された残差補正： 出力レベルで補正を適用する可能性のある以前のハイブリッドアプローチとは異なり、この手法はニューラルコンポーネントを潜在的な分極ダイナミクス内に排他的に埋め込む。物理モデルは、支配的な電圧構造（OCV、オーム降下、および RC ダイナミクス）の責任を維持する。
2. 堅牢性中心の評価： 本研究は、4 つの軸における性能を評価する厳格な評価プロトコルを導入する：
   • 一致条件での予測（25°C における UDDS）。
   • 推論時の SOC 不確実性に対する感度。
   • ゼロショット温度転送（25°C から -20°C へ）。
   • ゼロショット駆動サイクル転送（UDDS から US06、LA92、HWFET へ）。
3. 安定性の実証： この研究は、ハイブリッドアプローチが精度を向上させるだけでなく、純粋なデータ駆動ベースラインと比較してシード間のばらつきを大幅に減少させることを強調しており、より大きな最適化安定性を示している。

結果
実験は、パナソニックの 18650PF データセットの公開データを用いて実施された。ECM-UDE は、単独の ECM-1RC とスタックされた LSTM ベースラインと比較された。

• 一致条件（UDDS、25°C）： ECM-UDE は平均絶対誤差（MAE）で 39.16 mV を達成し、LSTM（75.89 mV）および ECM-1RC（127.97 mV）を上回った。これは LSTM に対して MAE が 48% 削減されたことを意味する。さらに、ECM-UDE はシード間のばらつきが桁違いに低く（変動係数：0.44% 対 LSTM の 6.20%）、安定性を示した。
• 推論時の SOC 摂動： SOC 入力にガウスノイズが追加された場合、ECM-UDE はすべてのノイズレベル（$\sigma_z \in \{0.01, 0.02, 0.05\}$）で最低の絶対誤差を維持したが、決定論的な ECM-1RC よりもわずかに感度が高かった。
• 温度転送（ゼロショット）： 温度が 25°C から -20°C に低下するにつれて、すべてのモデルが劣化した。しかし、ECM-UDE は一貫して最も正確であった。-20°C において、ECM-UDE は 173.63 mV の MAE を達成し、LSTM は 193.45 mV、ECM-1RC は 182.92 mV であった。
• 駆動サイクル転送： 未見のサイクル（US06、LA92、HWFET）へのゼロショット転送下において、ECM-UDE はすべてのターゲットで最低の誤差を達成した。相対的な改善は、最も過激なサイクル（US06）で最も顕著であり、ECM-UDE は LSTM に対して MAE を 45.2% 削減した。

意義と主張
本論文は、残差補正型 ECM-UDE が低次回路モデルに対する軽量かつ解釈可能な強化を提供すると主張する。その意義は、以下の点の実証にある：

• 物理的アンカーリング： 物理モデルは、動作条件の変化（温度および駆動サイクルの変動）下で純粋に学習されたモデルが劣化するのを防ぐ、安定した「電圧アンカー」として機能する。
• 相補性： 物理的バックボーンと学習された補正は、冗長ではなく相補的である。回路は支配的な構造を処理し、ニューラルコンポーネントは構造的な残差を補償する。
• 実用性： このアプローチは、大規模なブラックボックスモデルで ECM を置き換えることなく大幅な精度向上を達成するため、BMS における観測器ベースの SOC 推定スキームへの統合に向けた実用的な候補となる。

著者は、テストされた特定の NCA 化学電池に対しては有望な結果が得られたものの、他の化学物質（例：LFP、NMC）やセル形式への汎用性についてはさらなる評価が必要であると指摘している。今後の研究として、観測器レベルでの統合と、明示的な温度依存パラメータ適応の探求が提案されている。