製造および使用のばらつきを考慮したリチウムイオン電池の状態（SOH）予測に対する同調化（Conformalized）転移学習

Abstract

リチウムイオンセルの安全で信頼性の高い動作を確保するためには、状態健全性（SOH）の正確な予測が不可欠です。しかし、特定の条件で行われた実験室試験に基づいて調整された既存のモデルは、小さな製造ばらつきによって特性が異なる新しいセルや、異なる条件下で動作するセルには、しばしば一般化できません。 この課題に対処するため、不確実性を考慮した転移学習フレームワークを提案します。これは、長短期記憶（Long Short-Term Memory: LSTM）モデルと、最大平均差異（Maximum Mean Discrepancy: MMD）によるドメイン適応、さらに共形予測（Conformal Prediction: CP）による不確実性定量化を組み合わせたものです。 LSTMモデルは、電極の製造ばらつきや運転条件における実世界の変動を捉えるよう設計された仮想バッテリーデータセットで学習されます。 MMDは、シミュレーション領域と目標領域の潜在特徴分布を整合させることでドメインシフトを緩和します。一方、CPは、分布に依存しない較正済みの予測区間を提供します。このフレームワークは、異種のセルにわたるSOH予測の一般化性能と信頼性の両方を向上させます。