Main Content

深層学習ネットワークを使用した Simulink でのバッテリー充電状態の推定

この例では、Simulink® モデル内でフィードフォワード深層学習ネットワークを使用してバッテリーの充電状態 (SOC) を予測する方法を示します。ここでは、Predict ブロックを使用してこのネットワークを Simulink モデルに組み込み、シミュレーション ステップごとに SOC を予測させます。

バッテリーの SOC は、バッテリーの容量に対する充電レベルを割合として表したものです。SOC は車両のエネルギー管理システムにとって非常に重要な情報であり、信頼性が高く価格が手ごろな電動車両を実現するには、SOC を正確に推定しなければなりません。この問題に関しては、これまでカルマン フィルター (EKF) アルゴリズムに基づく手法が使用されてきましたが、この手法では、通常、バッテリーの組成と物理的な応答に関する精密なパラメーターと知識が必要となります。一方、ニューラル ネットワークによる手法はデータ駆動型の手法であり、バッテリーとその非線形挙動に関して最小限の知識があれば十分です [1]。

この例では、[1] が提供する前処理済みのデータ セット LG_HG2_Prepared_Dataset_McMasterUniversity_Jan_2020 を使用します。この例では、学習済みのフィードフォワード ニューラル ネットワークを使用し、バッテリーの各種特性 (電圧、電流、温度、平均電圧、平均電流など) を表す時系列データに基づいて、リチウムイオン バッテリーの SOC を予測します。ネットワークの学習方法の例については、深層学習を使用したバッテリー充電状態の予測を参照してください。

SOC を予測するための Simulink モデル

Simulink モデル BatterySOCSimulinkEstimation.slx を開きます。

BatterySOCSimulinkEstimation_ini;
modelName = 'BatterySOCSimulinkEstimation';
open_system(modelName);

このモデルは、2 つの From Workspace ブロックを使用して、テスト データから学習済みネットワークの予測子とターゲット SOC を読み込み、Deep Learning Toolbox™ ライブラリから Predict ブロックを読み込みます。また、2 つの Scope ブロックを使用して、予測出力と入力信号を表示します。

Predict ブロックは、ブロック パラメーターで指定された学習済みネットワークを使用して、入力におけるデータの応答を予測します。このブロックは、ニューラル ネットワークの入力層の次元をもつ入力信号を受け取り、予測を出力します。

シミュレーションの実行

バッテリーの充電状態を予測して予測効率を検証するため、シミュレーションを実行します。

sim('BatterySOCSimulinkEstimation');

このシステムをより大きなフレームワーク、たとえば、バッテリーの状態を絶えず監視し、バッテリーの動作状態が安全な動作範囲から外れたときに予防策を講じるようなバッテリー マネジメント システムに組み込むことができます。

入力のプロット

入力をプロットするには、soc_estimation_plot_inputs.m スクリプトを使用します。

BatterySOCSimulinkEstimation_plot_inputs;

出力のプロットと解析

ネットワークの性能を解析するには、ネットワークから得られた予測結果をテスト データと比較します。

出力をプロットするには、soc_estimation_plot_outputs.m スクリプトを使用します。

BatterySOCSimulinkEstimation_plot_outputs;

このプロットには、SOC の時間変化に関するニューラル ネットワークの予測が示されています。ネットワークの予測は、テスト データから得られた SOC の値とよく一致しています。このネットワークは、-10℃ ~ 25℃の温度範囲において精度 3 で充電状態を予測しています。

参考文献

[1] Kollmeyer, Phillip, Carlos Vidal, Mina Naguib, and Michael Skells. “LG 18650HG2 Li-Ion Battery Data and Example Deep Neural Network XEV SOC Estimator Script.” Mendeley, March 5, 2020. https://doi.org/10.17632/CP3473X7XV.3.

参考

| | |

関連するトピック