パラメータ推定入門

パラメータ推定が重要な理由

パラメータ推定は、実世界のシステムをモデル化しシミュレーションするための基礎となる構成要素です。これは、物理的システムをミラーリングする数学的モデル内のパラメータの値を決定するために測定データを利用するプロセスを伴います。バッテリーのモデリングでは、これらのパラメータに内部抵抗、拡散係数、反応速度、および他の様々な物理的性質が含まれます。バッテリーモデリングにおけるパラメータ推定の重要性は、次のようないくつかの重要な側面から導き出されます。

精度: 正確なパラメータ値は、モデルがバッテリーの実際の動作を厳密に反映するようにするために最も重要です。このレベルの正確さは、バッテリーの性能、安全性、寿命を予測する上で重要であることがわかっています。

変動性への適応: 製造時のばらつき、経年変化の影響、動作条件の変動により、バッテリーはばらつきを示すことがあります。パラメータ推定は、モデルがこの変動性に適応することを可能にする手段として機能し、予測が適切かつ正確であることを保証します。

最適化と制御: バッテリー管理システム (BMS) のようなアプリケーションでは、正確なパラメータの取得が不可欠です。これらのパラメータは、充電および放電戦略を最適化するための基礎を形成し、バッテリーの安全な動作を確保するのに役立ちます。

設計上の決定事項: 特定のアプリケーション用のバッテリーの設計と選択に関する工学的決定は現実的なモデルに基づいて行われます。モデルパラメータの精度は、これらの決定の信頼性を決定づけます。

パラメータ推定における一般的なテクニック

最小二乗推定: 最も一般的な方法の1つは最小二乗推定と呼ばれ、観測された値とモデルによって予測された値との間の格差の二乗の和を最小化します。ノイズの多いデータを扱うには、この技術を特にうまく使う必要があります。

最尤推定 (MLE): 最尤推定 (MLE) は、与えられたモデルの下で観測されたデータの最尤度を最大にする値を識別することによって、モデル内のパラメータを決定するために用いられる手法です。このアプローチは、データ生成のプロセスを特徴付ける既知の確率分布が存在する場合に特に役立ちます。

ベイズ推定: 最大尤度推定 (MLE) とは対照的に、ベイズ推定はパラメータに関する事前知識や信念を確率分布として表現することによって統合します。これらの信念は、パラメータ推定値を導き出すために新しいデータで更新されます。

勾配ベースの最適化: 勾配ベースの最適化では勾配降下のようなアルゴリズムが使われています。これらのアルゴリズムは、モデル予測と観測データとの間の格差を小さくするようにパラメータを繰り返し修正します。

遺伝的アルゴリズム: 自然選択と遺伝学に触発され、遺伝的アルゴリズムは最適化アルゴリズムとして機能します。最適化問題や探索問題の近似解を得意とし、パラメータ推定に利用することができます。

システム識別: これは制御工学に特に関連する方法です。モデル構造の決定と入出力データに基づくパラメータの微調整を含みます。

パラメータ推定は反復して行われ、しばしば計算量が多くなるプロセスです。適切な方法の選択は、モデルの性質、利用可能なデータ、アプリケーションの特定の要求などの要因に依存します。さらに、パラメータ推定値の品質は、適合性メトリクスやクロスバリデーションのような手法によって検証する必要があります。

電気化学モデルのパラメータ推定

フィッティング技術

電気化学モデルの領域では、バッテリー内で展開する物理的および化学的現象の正確な描写を保証する上で、正確なパラメータ推定が極めて重要な役割を果たします。これらのパラメータは、反応速度論、固相、電解質の拡散係数、交換電流密度などの側面を含みます。これらのパラメータの推定値を導出するために、一連のフィッティング技術を用いることができます。

カーブフィッティング: この方法は、曲線や数学関数を実験データの集合にフィッティングすることを伴います。電気化学モデルの場合には、これは実験によるデータへの電圧曲線または濃度プロファイルのフィッティングを含むかもしれません。この目的のために様々なカーブフィッティング技術を適用することができます。以下のリストは、完全なものではなく、概要を示しています。

1. ステップ時間の平方根を基準にした線形フィッティング


図10 : 線形フィッティング法

2. 実験データにフィットする、指数関数フィッティング


図11 : 指数関数フィッティング

3. 電圧を1次元の電気化学モデルに直接マッチングすることにより、ダイレクトパルスフィッティングを行います。このアプローチは、同じ特性を再現し、拡散係数を計算することを目的としています。


図12 : ダイレクトパルスフィッティング

最適化アルゴリズム: 電気化学モデルに固有の非線形性を考えると、シミュレーテッド・アニーリングや遺伝的アルゴリズムなどの最適化アルゴリズムが頻繁に機能します。これらのアルゴリズムは、モデル予測と実験によるデータの間の格差を最小化するために用いられます。目的は、モデルと実際のデータの間の偏差が最小になるパラメータセットを特定することです。

パラメータースイーピング: このアプローチは、モデルの出力への結果として生じる影響を観察する、事前定義された範囲にわたる1つ以上のパラメータの系統的な変更を行います。この出力を実証データと比較することにより、パラメータの妥当性のある値の範囲を絞り込むことが可能になります。

パラメータ感度解析

パラメータ感度分析は、電気化学モデルの出力に関連する不確実性が、そのパラメータの不確実性の明確な原因にどのように帰せられるかを調べるための体系的な技術です。基本的には、入力パラメータの変化がモデルの出力にどのように影響するかを定量化します。電気化学モデリングの分野において、これはいくつかの理由で重要です。

キーパラメータの識別: 感度解析は、どのパラメータがモデルの出力に実質的な影響を与えるかを決定するのに役立ちます。これにより、より正確な推定が必要なパラメータの優先順位付けが可能になります。

モデルの複雑さの改善: モデルを単純化できるかどうかを判断することが可能であり、様々な要因に対するモデル出力の感度を分析することによって計算負荷を緩和するのに特に役立ちます。

堅牢性と不確実性の改善: モデル予測の堅牢性を決定し、予測の不確実性を定量化するには、モデルがパラメータの変化にどれほど敏感であるかを理解する必要があります。

感度分析の実施方法には、次のものがあります。

ローカル感度解析: この方法は、各パラメータに関するモデルの出力の微分計算を中心にして展開されます。基本的に、パラメータの小さな変更がモデルの出力にどのように影響するかを定量化します。

グローバル感度解析: 局所的手法とは異なり、グローバル感度解析は完全なパラメータ空間を考慮に入れます。ソボルの指標のようなアプローチは、その全範囲にわたる出力分散に対する各パラメータの寄与を評価します。

モンテカルロ解析: この手法では、モデルを複数回実行し、不確実性を表す確率分布からパラメータを取得します。その後、結果として得られる出力の分布を分析します。

ECMのパラメータ推定

等価回路モデリングはバッテリーの分析のための最も支配的なアプローチです。既に説明したように、この場合の主要な注目パラメータには、モデルに登場する並列コンデンサとともに直列抵抗と並列抵抗を含みます。

最小二乗法

これは等価回路モデル (ECM) のパラメータを推定する際に広く採用されている手法として登場しました。この方法は、一連の測定データポイント (赤で表示) に曲線をフィッティングすることを含み、測定データと推定曲線 (青で表示) の差の2乗の和を最小化することを目的としています。バッテリーECMモデルの領域では、この方法は最小の平方和をもたらす回路の抵抗および静電容量成分を正常に識別するときに頂点に達します。

図13 : 最小二乗法

線形最小二乗法: ECMが線形形式をとる場合には、線形最小二乗法が適用可能な方法であることがわかります。このアプローチは、基本的にデータセットのデータ点とフィッティングされた直線の間の垂直距離である、二乗残差の和を最小化する直線 (または超平面) の識別を行います。

非線形最小二乗法: 非線形特性を示すECMには、非線形最小二乗法の方が適しています。この技術は非線形モデルに対応するために線形最小二乗法を一般化したものです。それは二乗残差の和を最小化するようにパラメータを繰り返し修正します。

線形および非線形最小二乗法問題は、MATLABやPythonライブラリなどのソフトウェアツールを使って解決できます。

システムの識別

これは、動的システムが特定の信号で刺激されたときの応答を観察することによって、動的システムの数学的モデルを構築するために利用されるアプローチです。ECMの場合には、システム識別法を利用して、バッテリーの挙動を最も正確に表す様々な電気部品 (抵抗器やコンデンサなど) の値を推定することができます。

周波数応答解析: このシステムの周波数応答は、様々な周波数の正弦波励起信号にさらし、応答を調べることによって確認できます。ECMの電気部品内の電気部品は、この情報を使用して推定できます。ナイキスト図は励起の結果を示すために使われます。図中の点は全ての励起周波数によって表されます。バッテリーの複雑なインピーダンスは周波数によって変化する図で見ることができます。左から右に行くと、高周波と低周波のゾーンを区別できます。各ゾーンは、拡散 (低周波数) や電荷移動反応 (高周波) など、バッテリー内の別々の現象を表します。

図14 : バッテリー放電のナイキストプロット

タイム・ドメインメソッド: この技術は、負荷電流のステップのような特定の励起信号に対するシステムの時間領域応答を調べます。測定された時間領域の応答とモデル生成された時間領域の応答を比較することによって、最適な適合を得るためにパラメータを調整することができます。電流のパルスストリーム試験で用いた時間領域解析試験法を以下のプロットに示します。

図15 : バッテリーのパルスストリーム試験

ブラックボックスモデリング: 場合によっては、ECMの構造は事前に不明なこともあります。このような状況では、システム同定はニューラルネットワークのようなブラックボックスモデリング技法を用いて達成することができます。本来のダイナミクスを必ずしも理解することなく、入出力動作を正確に再現することに焦点を当てます。

推定パラメータの検証

モデルのパラメータが推定された後、モデルが実際のシステムを忠実に反映していることを確実にするために、これらのパラメータを検証することが最も重要になります。検証プロセスは、様々な指標と手法を用いてモデルの性能を評価します。

適合性の指標

これは、モデルの予測が実際のデータとどの程度整合しているかを定量的に評価します。いくつかの良い適合指標が利用可能であり、その選択はモデルの性質とデータに依存します。

R-二乗 (決定係数): これは、独立変数から予想される従属変数の分散の割合を示す統計的指標として機能します。その範囲は0から1であり、値1は完全適合を意味し、0はまったく適合しないことを示します。

二乗平均平方誤差 (RMSE): これは観測された実際の結果とモデルの予測された結果との間の二乗誤差の平均です。これはモデルの予測誤差の評価を与えます。

平均絶対誤差 (MAE): MAEは方向性を考慮せずに、予測のセットの誤りの平均サイズを計算します。これは、テストサンプル全体の予測と実際の観測との絶対差の平均です。

赤池情報量基準 (AIC): モデルを選択するとき、赤池情報量基準 (AIC) はモデルの複雑さと適合性の良さの間のトレードオフを可能にします。

交差検証

モデルの発見がどの程度うまく異なるデータセットに一般化されるかを決定する方法は交差検証です。これは主に、パラメータ推定プロセスに組み込まれていない新しいデータセットに対するモデルの性能を評価するために使用されます。

K分割交差検証: K分割交差検証は、最も頻繁に使われる交差検証のバリエーションです。この方法を用いてデータセットをk個の部分集合に分割します。k個の部分集合のうちの1つをテストセットとして持つ訓練集合を作るために、残りのk-1の部分集合は結合されます。トレーニングセット上でモデルを開発し、テストセットはその検証として機能します。各k個の部分集合は、このプロセスが繰り返されるk回の間に一度だけテストデータとして利用されます。

一つ抜き交差検証: この方法はk分割交差検証の特別なインスタンスを構成し、kの値はデータセット内の観測値の数に等しくなります。結果として、個々の観察は、厳密に一度だけテストセットとして機能します。

交差検証の適用は、モデルが訓練されたデータに対する感度を理解するのに役立ち、パラメータ推定中に利用されなかったデータの予測を行うために使用されたときにモデルがどのように実行されるかについての知識を提供します。

推定パラメータの妥当性確認はモデリングプロセスの重要な段階です。モデルの精度とレジリエンスを評価し、その限界を明らかにする目的を果たします。適合度と交差検証は、検証の取り組みにおいて強力なツールになります。