技術要約：蓄電池システム（BESS）のフィールド故障データからの健康状態特徴量抽出

問題提起

グリッド接続型蓄電池システム（BESS）におけるリチウムイオン電池モジュールの健全性監視は、壊滅的な故障を防ぐために極めて重要である。しかし、フィールドにおけるセル健全性の評価には、制御されたラボ環境とは異なる、以下のような重大な課題が存在する：

1. 変動する動作条件： 実世界のシステムでは、Cレート、電圧ウィンドウ、温度が変動する。これらの変動は健康状態の特徴量を撹乱し、劣化による変化と動作ダイナミクスによる変化を区別することを困難にする。
2. 希薄なセンシング： 商用モジュールでは、通常、すべての個別のセルに対してセンサーを備えていない。電圧と電流は並列グループのレベルで測定され、温度センサーも疎である。これにより、個々のセルの状態を直接観察することができず、微細な故障の兆候が隠蔽されてしまう。
3. 未知の故障メカニズム： 濫用条件を意図的に誘発するラボ研究とは異なり、フィールドでの故障は根本原因が不明であり、特定の故障指標の特定を複雑にする。
4. データの希少性： 故障データは稀であり、既存の公開データセットの多くは、並列接続されたセル構成を含まないか、あるいは内部抵抗のみを健康指標として依存している。

手法

著者らは、故障した並列接続セルグループを識別するための、運用データから健康状態特徴量を抽出および校正するためのフレームワークを提示している。この手法は、以下の3つのステージで構成される：

1. データ処理と特徴量抽出

25個の商用BESSモジュール（それぞれ14個の直列接続された並列グループを含む）の1 Hzの運用データを使用し、各並列グループに対して3つのカテゴリの健康状態特徴量を抽出した：

• 容量 ($\hat{C}$): 定電力放電イベント中のクーロンカウントを用いて推定。SOC境界は、緩和された端子電圧を新鮮なセルの開回路電圧（OCV）曲線にマッピングすることによって決定された。
• 内部抵抗 ($\hat{R}$): 充電イベント後の電圧緩和挙動から推定。抵抗は、オーム抵抗、電荷移動抵抗、および拡散抵抗を捉えるために、さまざまなタイムステップ ($\tau \in \{1\text{s}, 5, 10, 15, 20, 25 \text{ min}\}$) で計算された。
• 微分電圧解析（DVA）特徴量: 放電中の $dV/dQ$ 曲線から抽出。特徴量には、高電圧（3.7–3.9 V）および低電圧（3.45–3.65 V）のピークの高さと電圧位置が含まれる。センサーノイズを軽減するために、特定のアルゴリズム（OCP情報に基づく識別およびSavitzky-Golayフィルタリング）が使用された。

2. ガウス過程（GP）回帰による校正

変動する動作条件の影響を、潜在的な劣化トレンドから切り離すために、著者らはGP回帰フレームワークを採用した。

• モデル構造： 各健康状態特徴量 $y$ は、2つの独立したGPの和としてモデル化された。一つは動作条件（Cレート、電圧、電流など）への感度を捉える $f_{op}(x)$、もう一つは時間依存の劣化軌跡を捉える $f_{deg}(t)$ である。
• 校正： $f_{deg}(t)$ 成分を分離することにより、この手法は、測定時の特定の動作条件に関わらず、真の経年劣化トレンドを表す「校正済み」の特徴量を生成する。
• 正規化： モジュール間での比較を可能にするため、校正された特徴量は、同一モジュール内の他の13個のグループの平均と標準偏差に対して正規化された。

3. 統計的評価

著者らは、これら校正された特徴量が、25個のモジュールにおける、確認された単一の故障グループを、13個の非故障グループから識別する能力を評価した。

• 統計テスト： 故障グループと非故障グループの分布が有意に異なるかどうかを判断するために、マン・ホイットニーのU検定が使用された（$p < 0.05$）。
• 識別能： 実用的な検出能力を定量化するために、受信者操作特性曲線の下の面積（AUC）が算出された。

主な結果

本研究は、故障確認の1〜6ヶ月前に収集された、1億8300万行を超えるデータを含む、25個の故障セルグループと325個の非故障セルグループのデータセットを利用した。

• 有意な分離：

  • 容量： 容量の中央値および容量劣化率（傾き）の両方が、故障グループと非故障グループの間で統計的に有意な差を示した（$p < 0.05$）。故障グループは、故障の15〜30日前から、より低い容量と加速した劣化を示した。
  • DVAピークの高さ： 高電圧および低電圧の $dV/dQ$ピークの高さは、いずれも故障グループにおいて有意に低かった（$p < 0.05$）。
  • 注記： DVAピークの「位置」および特定の時間窓における容量の「傾き」は、必ずしも有意性を示さなかったが、主要な指標（容量およびピークの高さ）は有意であった。

• 分離の欠如：

  • 内部抵抗： オーム抵抗（$\tau=1\text{s}$）も、電荷移動／拡散抵抗（$\tau > 1\text{s}$）も、故障グループと非故障グループの間で統計的に有意な差を示さなかった（$p > 0.05$）。

• 検出性能：

  • 統計的な有意性にもかかわらず、これら特徴量の識別力（AUC）は緩慢であった。最も優れた特徴量である容量劣化率は、0.671のAUCを達成した。DVAピークの高さおよび容量の中央値のAUCは、0.614から0.64の範囲であった。
  • 抵抗系の特徴量は、ランダムな推測に近い性能であった（AUC < 0.60）。
  • 著者らは、これを故障メカニズムの不均一性と並列接続によるマスキング効果に起因する、故障集団と非故障集団間の大幅な分布の重複によるものと考えている。

仮説としての故障メカニズム

観察された特徴量のシグネチャに基づき、著者らは本データセットの故障が以下と一致すると仮定している：

• セル間の不均衡と不均一性： $dV/dQ$ ピークの高さの減少が示唆されており、これはより広い相転移と不均一な電流分布を示唆している。
• 局所的なリチウム析出： 低い容量と加速した劣化率が示唆されており、これは不可逆的なリチウム在庫の損失（LLI）と一致している。

抵抗の偏差が見られないことは、これらの故障が主に抵抗の増大（例：コネクタの腐食や内部短絡）によって特徴付けられるものではなかったこと、あるいは、並列構造が単一の故障セルの抵抗増大を隠蔽したことを示唆している。

意義と主張

本論文は、以下の貢献と意義を主張している：

1. フィールドデータのためのフレームワーク： ガウス過程を用いて、変動する動作条件から劣化トレンドを正常に分離し、実世界のBESS運用データから健康状態特徴量を抽出・校正するための堅牢なフレームワークを実証した。
2. 抵抗中心の検出に対する挑戦： 本研究の結果は、内部抵抗のみに依存して故障検出を行うことに対し、疑問を投げかけるものである。この特定のデータセットにおいては、抵抗は主要な指標ではなく、容量およびDVA特徴量が主要な指標であったことが示された。
3. 並列故障ダイナミクスの理解： 並列接続されたグループを分析することで、本研究は既存の文献（多くは直列のみのセルに焦点を当てている）にあるギャップに対処し、並列接続がグループレベルの抵抗測定において個々のセルの劣化を隠してしまう「マスキング効果」を浮き彫りにした。
4. 現実的な期待値： 著者らは、統計的な有意差は存在するものの、特徴量の分布の大部分が重複していることは、高い偽陽性率を招くことなくフィールドで「堅牢な」故障検出を行うための、個々の電気化学的特徴量の使用がいかに困難であるかを強調しており、控えめな結論を下している。本研究は、故障挙動の理解を進めるものであり、検出問題を完全に解決したと主張するものではない。