非定常老化下における電池劣化予測のワールドモデル
arXiv cs.LG / 2026/3/12
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- バッテリー劣化予測を各サイクルの電圧・電流・温度の時系列を潜在状態に符号化し、それを学習したダイナミクス遷移を通じて前方へ伝搬させ、80サイクルの未来軌道を予測するワールドモデル問題として導入する。
- 学習目的には単一粒子モデル（SPM）制約を組み込み、電気化学的知識を学習したダイナミクスへ注入し、重要な劣化フェーズでの予測を改善する。
- Severson LiFePO4データセット（138セル）上で、同じエンコーダを用いた直接回帰と比較して反復的ロールアウトが軌道予測誤差を半減させる。
- 非定常老化下でより正確な残り寿命予測の可能性を強調し、バッテリー管理およびライフサイクル計画への影響を示唆する。
要旨：リチウムイオン電池セルの劣化予測には、将来のサイクルにわたるSOH（健康状態）軌道の予測が必要です。既存のデータ駆動型アプローチは直接回帰によって軌道出力を生成できますが、時間を超えて劣化ダイナミクスを伝搬する仕組みを欠いています。本論文では、電池劣化予測をワールドモデル問題として定式化し、各サイクルの電圧・電流・温度の時系列を生データから潜在状態に符号化し、学習されたダイナミクス遷移を介して前方へ伝搬させ、80サイクルにわたる未来軌道を生成します。電気化学的知識が学習されたダイナミクスを改善するかどうかを検証するため、訓練損失に単一粒子モデル（SPM）制約を組み込みました。138セルの Severson LiFePO4（LFP）データセットで3つの設定を評価しました。反復的ロールアウトは、同じエンコーダから直接回帰する場合と比較して軌道予測誤差を半減します。SPM制約はSOHと抵抗の関係が最も適用される劣化の屈曲点での予測を改善しますが、総合的な精度は変化しません。
