[論文レビュー] Automated feature selection for data-driven models of rapid battery capacity fade and end of life.

Samuel Greenbank, David A. Howey|arXiv (Cornell University)|Jan 12, 2021

Advanced Battery Technologies Research参考文献 24被引用数 8

ひとこと要約

本論文では、リチウムイオン電池の容量の劣化、膝点、および終焉寿命を予測するために、特徴選択を自動化したデータ駆動型ガウス過程回帰モデルを提案する。カリキュラムタイムや電圧露出時間といった影響力の高い特徴を優先することで、容量予測の中央絶対平均平方誤差が1%未満、膝点予測が2.6%未満、終焉寿命予測が1.3%未満の低誤差を達成した。

ABSTRACT

Lithium-ion cells may experience rapid degradation in later life, especially with more extreme usage protocols. The onset of rapid degradation is called the 'knee point', and forecasting it is important for the safe and economically viable use for batteries. We propose a data-driven method that uses automated feature selection to produce inputs for a Gaussian process regression model that estimates changes in battery health, from which the entire capacity fade trajectory, knee point and end of life may be predicted. The feature selection procedure flexibly adapts to varying inputs and prioritises those that impact degradation. For the datasets considered, it was found that calendar time and time spent in specific voltage regions had a strong impact on degradation rate. The approach produced median root mean square errors on capacity estimates under 1%, and also produced median knee point and end of life prediction errors of 2.6% and 1.3% respectively.

研究の動機と目的

• 極度の使用条件下におけるリチウムイオン電池セルの急速な容量劣化および終焉寿命の予測という課題に取り組む。
• 多様な入力データから劣化に影響を与える主要な特徴を特定・優先することで、モデルの精度を向上させる。
• さまざまな入力タイプや劣化パターンに適応可能な柔軟で自動化された特徴選択プロセスを開発する。
• データ駆動型モデリングを用いて、膝点や終焉寿命といった重要なバッテリー健全性のマイルストーンを高精度に予測する。
• 多様なデータセットにわたる容量劣化トレースの高精度な予測を、最小限の誤差で達成する。

提案手法

• 歴史的データから容量劣化トレースをモデル化するためにガウス過程回帰を採用する。
• 劣化に最も関連する入力を動的に同定・優先する自動特徴選択手順を実装する。
• 劣化速度に強く影響すると判明した変数、たとえばカリキュラムタイムや特定の電圧範囲に長時間滞在する時間に注目して特徴選択を実施する。
• 選択された特徴を入力として用い、ガウス過程モデルを訓練し、容量、膝点、終焉寿命の予測を実施する。
• 不確実性を推定し、多様なバッテリー劣化プロファイルにわたる耐性を高めるためにモデルをキャリブレーションする。
• 入力データタイプや劣化状態の変化に適応できるように、特徴選択フレームワークを調整する。

実験結果

リサーチクエスチョン

• RQ1 リチウムイオン電池セルにおいて、急速な容量劣化の始まり（膝点）に最も顕著に影響を与える入力特徴は何か？
• RQ2 自動特徴選択は、バッテリー健全性トレースを予測するデータ駆動型モデルの精度をどのように向上させ得るか？
• RQ3 最適化された特徴を備えたガウス過程回帰モデルは、高精度で終焉寿命および膝点を予測できるか、その範囲はどの程度か？
• RQ4 さまざまな使用プロトコルにおいて、カリキュラムタイムと電圧露出時間の両者が劣化速度に与える影響を比較すると、どちらがより顕著か？
• RQ5 提案手法は、多様なデータセットにわたって、容量、膝点、終焉寿命の予測誤差を1%未満に抑えることができるか？

主な発見

• 自動特徴選択プロセスにより、カリキュラムタイムおよび特定の電圧領域に長時間滞在する時間が、劣化速度の主な予測要因として的確に優先された。
• 検討されたデータセット全体において、容量劣化トレース予測の中央絶対平均平方誤差が1%未満であった。
• 膝点の中央予測誤差は2.6%であり、急速劣化の始まりを高精度で特定できていることが示された。
• 終焉寿命の予測誤差は中央で1.3%にまで低減され、長期的なバッテリー寿命予測の高い信頼性が裏付けられた。
• 本手法は、さまざまな入力データタイプに柔軟かつ適応可能でありながら、高い予測性能を維持していた。
• 自動特徴選択の統合により、劣化に重要な変数に焦点を当てることで、モデルの精度が顕著に向上した。