[論文レビュー] A Machine Learning-based Digital Twin for Electric Vehicle Battery Modeling

Khaled Sidahmed Sidahmed Alamin, Yukai Chen+3 more|arXiv (Cornell University)|Jun 16, 2022

Advanced Battery Technologies Research被引用数 5

ひとこと要約

本論文は、データ駆動型モデルを用いて、電気自動車（EV）バッテリーマネジメントのための機械学習ベースのデジタルツインを提案する。このデジタルツインは、状態の充電量（SOC）と状態の健康度（SOH）を同時にモデル化する。SOHモデルは、履歴データを一度だけ事前学習するが、SOCモデルは、バッテリーの劣化に伴う精度の維持を目的として、クラウドで定期的に更新されたバッテリーのデータを用いて再訓練される。推論時間は1秒未塔、再訓練時間は1秒未塔を達成し、EV搭載システムとの互換性を確保する。

ABSTRACT

The widespread adoption of Electric Vehicles (EVs) is limited by their reliance on batteries with presently low energy and power densities compared to liquid fuels and are subject to aging and performance deterioration over time. For this reason, monitoring the battery State Of Charge (SOC) and State Of Health (SOH) during the EV lifetime is a very relevant problem. This work proposes a battery digital twin structure designed to accurately reflect battery dynamics at the run time. To ensure a high degree of correctness concerning non-linear phenomena, the digital twin relies on data-driven models trained on traces of battery evolution over time: a SOH model, repeatedly executed to estimate the degradation of maximum battery capacity, and a SOC model, retrained periodically to reflect the impact of aging. The proposed digital twin structure will be exemplified on a public dataset to motivate its adoption and prove its effectiveness, with high accuracy and inference and retraining times compatible with onboard execution.

研究の動機と目的

• 非線形的な劣化効果に起因する電気自動車（EV）におけるバッテリーの状態の充電量（SOC）と状態の健康度（SOH）の正確な推定の課題に対処すること。
• バッテリーの劣化に伴って変化するSOCとSOHの相関関係を維持するため、SOCモデルの再訓練を組み込んだデジタルツインアーキテクチャの開発。
• 搭載可能であることを保証するため、リアルタイムEV環境への適合性を高めるために、推論時間と再訓練時間を最適化すること。
• 公的NASAデータセットを用いて、データ駆動型モデルの高い精度と適応性を検証すること。
• 進化するバッテリー劣化を反映させるために、クラウドベースで定期的にSOCモデルを再訓練するフレームワークを確立すること。

提案手法

• デジタルツインは、履歴的なバッテリーサイクルデータに基づいて事前学習されたオフラインSOHモデルを採用し、容量劣化を推定する。
• SOCモデルは、EVからの更新された放電データを用いて、クラウドで定期的に再訓練され、現在のバッテリーの劣化状態を反映する。
• 最小-最大正規化された特徴量を用いて、ランダムフォレスト（RF）、LightGBM（LGB）、深層ニューラルネットワーク（DNN）モデルを、SOCおよびSOH推定の両方で評価する。
• 異なるSOHレベル（例：100%、75%、70%）のデータを用いて、古くなったモデルを使用した場合の性能劣化を評価する。
• 推論はクラウドまたは車両搭載システムで実行され、リアルタイムバッテリーマネジメントを支援するため、遅延を最小限に抑える。
• モデルの更新はクラウドでの再訓練後に車両にプッシュされ、エッジ-クラウドハイブリッドアーキテクチャを採用する。

Figure 1: Representation of battery SOH ans SOC metrics: SoH quantifies battery capacity degradation and impacts on the estimation of SOC.

実験結果

リサーチクエスチョン

• RQ1 劣化するリチウムイオンバッテリーにおいて、SOCとSOHの動的な相互作用をどのように正確にモデル化できるか？
• RQ2 EV環境におけるSOC推定において、精度、推論時間、再訓練時間のバランスを最適化するための機械学習モデルは何か？
• RQ3 SOCモデルの訓練時のSOH条件を超えて使用した場合、その性能はどの程度劣化するか？
• RQ4 定期的な再訓練により、劣化の影響を受けるにもかかわらず、バッテリーの寿命を通じて高い精度を維持できるか？
• RQ5 リアルタイムデジタルツインの展開において、異なるモデルの計算パフォーマンス特性（推論時間および再訓練時間）は何か？

主な発見

• 一度だけ全充電サイクルデータで学習されたSOHモデルは、推論時間約1秒で高い精度を達成し、リアルタイム用途に適している。
• SOC推定に用いられるLightGBM（LGB）およびランダムフォレスト（RF）モデルは、DNN（約67秒）と比較して著しく短い学習時間（1秒未塔）を実現しており、定期的な再訓練に適している。
• SOH = 75%の状態で、SOH = 75%で訓練されたSOCモデルは、RFでRMSE 0.809%、LGBでRMSE 0.599%を達成した。一方、SOH = 100%で訓練された古くなったモデルでは、RMSEがRFで184.450%にまで上昇し、時間経過による著しい性能劣化が確認された。
• SOH = 75%で使用されたDNNモデルは、SOH = 100%で訓練されたモデルを用いた場合、MAEが25.315%にまで上昇し、誤差が著しく大きくなり、実用上無効であることが判明した。
• 定期的に現在のSOHデータを用いてSOCモデルを再訓練することで、デジタルツインアーキテクチャは高い精度を維持し、古くなったモデルと比較して推定誤差を90%以上削減した。
• 提案されたシステムは、推論および再訓練時間が搭載環境で実行可能であることを確認した。すべてのモデルが推論時間1秒未塔、再訓練時間1秒未塔（DNNを除く）で動作し、リアルタイム展開を支援する。

Figure 2: Conceptual diagram of the EV battery digital twin: the arrow is battery lifetime, the icon on top represents the SOH data-driven model, while the icons below the arrow represent the SOC data-driven models that are retrained periodically during battery lifetime.