Physics-guided residual Kalman learning for state-of-charge estimation of lithium iron phosphate batteries

本論文は、LFPバッテリーの平坦なOCV特性と温度依存性に起因するSOC推定の困難さに対し、制御指向型単一粒子モデルベースの拡張カルマンフィルタ（EKF）とGRUニューラルネットワークを融合した物理ガイド型残差学習（PRKL）フレームワークを提案している。電気化学状態と測定特徴を入力とした残差補正により、EKFの系統誤差を効果的に除去している。[L3]

-10～50°Cの広温度範囲、初期化誤差±20%、3つの動的試験サイクル（DST/FUDS/US06）にて検証され、グローバル平均RMSE 1.19%を達成し、物理のみのEKFに対して77%の誤差削減を実現した。この数値改善は、BMS実装時の航続距離推定精度向上と充放電制御の信頼性向上に直結する実務的価値が高い。[L3]

ただし、同一セル内での交差プロファイル検証に留まり、異セル間・経年劣化への拡張検証、組込みプラットフォーム上での演算負荷・遅延評価が次段階課題である。日本のBMS開発企業（デンソー、パナソニック、ヒロセ電機など）がLFP搭載車向けアルゴリズム開発に適用する際、本フレームワークの学習モジュール軽量化とOTA配信対応が競争力確保の要となる。[L3]