リチウムイオン電池の健全性（SOH）と残存有効寿命（RUL）を対象とするマルチタスク・ターゲット学習フレームワーク

要旨: リチウムイオン電池の状態健全性（SOH）および残存有効寿命（RUL）を正確に予測することは、関連するリスクを最小化しつつ、電気自動車の安全かつ効率的な運用を確実にするために重要である。 しかしながら、現在の深層学習手法は、これら2つのパラメータに対して特徴を選択的に抽出し、時間依存性をモデル化する能力に限界がある。さらに、既存のほとんどの手法は従来型の再帰型ニューラルネットワークに依存しており、長期時系列モデリングにおける固有の欠点がある。これらの課題に対処するため、本論文ではSOHおよびRUL予測のためのマルチタスク・ターゲット学習フレームワークを提案する。この枠組みは、マルチスケール特徴抽出モジュール、改良された拡張LSTM、デュアルストリーム注意モジュールを含む複数のニューラルネットワークを統合する。まず、詳細な局所的な電池劣化パターンを捉えるために、マルチスケールCNNによる特徴抽出モジュールを設計する。次に、長期の時間情報を保持するモデルの能力を高め、時間的関係のモデリングを改善するために、改良された拡張LSTMネットワークを用いる。これに基づき、SOHとRULにそれぞれ関連する重要情報に選択的に焦点を当てるデュアルストリーム注意モジュールを構成する。具体的には、重要な特徴により高い重みを割り当てることで、極性化された注意とスパース注意を用いて、それぞれに最適化する。最後に、デュアルタスク層によってmany-to-twoの対応付けを実現する。モデルの性能を最適化し、人手によるハイパーパラメータ調整の必要性を減らすために、Hyperopt最適化アルゴリズムを用いる。電池エージングのデータセットに関する大規模な比較実験の結果、提案手法は、従来手法および先端手法と比較して、SOHおよびRUL予測における平均RMSEをそれぞれ111.3
%および33.0
%低減することが示された。