[論文レビュー] A Transfer Learning-based State of Charge Estimation for Lithium-Ion Battery at Varying Ambient Temperatures

Yan Qin, Stefan Adams+1 more|arXiv (Cornell University)|Jan 11, 2021

Advanced Battery Technologies Research参考文献 31被引用数 6

ひとこと要約

本稿では、主成分分析を用いて抽出された時間的ダイナミクスを活用することで、変動する周囲温度下でも高精度なリチウムイオン電池の充電状態（SoC）推定を実現する、転移学習に基づくSoC推定手法を提案する。推定性能の低下を分散に基づく類似度指標を用いて定量的に評価し、基準温度からの一貫した時間的特徴を転送することで、新しい温度での予測誤差を最大82.00%まで低減し、変動する熱的環境下におけるモデルの頑健性を顕著に向上させる。

ABSTRACT

Accurate and reliable state of charge (SoC) estimation becomes increasingly important to provide a stable and efficient environment for Lithium-ion batteries (LiBs) powered devices. Most data-driven SoC models are built for a fixed ambient temperature, which neglect the high sensitivity of LiBs to temperature and may cause severe prediction errors. Nevertheless, a systematic evaluation of the impact of temperature on SoC estimation and ways for a prompt adjustment of the estimation model to new temperatures using limited data have been hardly discussed. To solve these challenges, a novel SoC estimation method is proposed by exploiting temporal dynamics of measurements and transferring consistent estimation ability among different temperatures. First, temporal dynamics, which is presented by correlations between the past fluctuation and the future motion, is extracted using canonical variate analysis. Next, two models, including a reference SoC estimation model and an estimation ability monitoring model, are developed with temporal dynamics. The monitoring model provides a path to quantitatively evaluate the influences of temperature on SoC estimation ability. After that, once the inability of the reference SoC estimation model is detected, consistent temporal dynamics between temperatures are selected for transfer learning. Finally, the efficacy of the proposed method is verified through a benchmark. Our proposed method not only reduces prediction errors at fixed temperatures (e.g., reduced by 24.35% at -20°C, 49.82% at 25°C) but also improves prediction accuracies at new temperatures.

研究の動機と目的

• 固定温度で訓練されたモデルが熱的感度により性能を発揮できない、変動する周囲温度下におけるリチウムイオン電池のSoC推定の不正確さという課題に対処すること。
• 限られたデータで新しい温度に迅速に適応可能なデータ駆動型フレームワークを構築すること。
• 時間的特徴のばらつきを用いて、温度がSoC推定性能に与える影響を定量的に評価すること。
• 異なる温度間で一貫した時間的ダイナミクスを同定することで、効果的な転移学習を可能にするモデル適応手法の構築。

提案手法

• 時間的ダイナミクスは、主成分分析（CVA）を用いて電池測定データから抽出され、過去の変動と将来の状態変化の間の相関を捉える。
• 基準温度（10 °C）からの一貫した時間的特徴を用いて、長短期記憶（LSTM）ネットワークを用いて基準SoC推定モデルを訓練する。
• 時間的特徴相関の分散を用いて推定能力の低下を検出するための監視モデルを構築する。
• 性能低下が検出された場合、プロセス分散に基づく類似度指標Hを用いて、異なる温度間で一貫した時間的特徴を同定する。
• 新しい温度からの一貫した特徴を用いて基準モデルを微調整することで、最小限のデータで迅速な適応を実現する転移学習を適用する。
• 複数の温度、特に-20 °Cのような極端な条件下を含むベンチマークデータセットを用いて、性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 変動する周囲温度は、固定温度で訓練されたデータ駆動型SoCモデルの推定精度にどのように影響するか？
• RQ2 効果的な転移学習を可能にするために、異なる温度間の時間的ダイナミクスの類似度を定量的に評価する指標は何か？
• RQ3 限られたデータで、事前に学習済みのSoC推定モデルをどのようにして迅速に新しい温度に適応できるか？
• RQ4 温度に起因するモデル性能の低下はSoC推定性能にどのような影響を及ぼし、リアルタイムで検出可能か？
• RQ5 異なる温度間で一貫した時間的特徴を同定し、それを用いてバッテリーSoC推定における転移学習性能を向上させることは可能か？

主な発見

• 基準モデルを直接適用した場合と比較して、25 °Cでは決定誤差（RMSE）を79.48%、0 °Cでは82.00%、-10 °Cでは56.21%、-20 °Cでは40.08%まで低減した。
• -20 °Cでの推定において、-10 °Cを基準として転移した場合（類似度55.80%）は、10 °Cを基準とした場合と比較してRMSEを58.27%低減し、類似度が高いほど転移効果が向上することを示した。
• 分散に基づく類似度指標Hは、基準温度と新しい温度の関係を定量的に反映しており、H > 50%の場合は高い類似度と見なされ、より良好な転移性能を示す。
• 固定温度下でもSoC推定精度が向上し、-20 °CではRMSEを24.35%、25 °Cでは49.82%低減した。
• 推定トレンドは実測データとよく一致しており、後処理フィルタリングによりさらなる改善が可能である。
• モデルの性能低下を自動で検出でき、必要に応じてのみ転移学習をトリガーするため、効率性と頑健性が向上した。