[論文レビュー] BatteryML:An Open-source platform for Machine Learning on Battery Degradation

Han Zhang, Xiaofan Gui+4 more|arXiv (Cornell University)|Oct 23, 2023

Green IT and Sustainability被引用数 5

ひとこと要約

BatteryML は、バッテリー劣化解析のためのデータ前処理、特徴量工学、および従来の機械学習モデルとディープラーニングモデルを統合したオープンソースで統一されたプラットフォームです。非一様なバッテリー・データセットを標準化し、シームレスなモデルの訓練と評価を可能にし、LSTM や Transformer、XGBoost を含む 14 種類のモデルの即時実装を提供することで、研究の再現性とバッテリー健全性予測におけるクロスデータセットベンチマークの向上を著しく促進します。

ABSTRACT

Battery degradation remains a pivotal concern in the energy storage domain, with machine learning emerging as a potent tool to drive forward insights and solutions. However, this intersection of electrochemical science and machine learning poses complex challenges. Machine learning experts often grapple with the intricacies of battery science, while battery researchers face hurdles in adapting intricate models tailored to specific datasets. Beyond this, a cohesive standard for battery degradation modeling, inclusive of data formats and evaluative benchmarks, is conspicuously absent. Recognizing these impediments, we present BatteryML - a one-step, all-encompass, and open-source platform designed to unify data preprocessing, feature extraction, and the implementation of both traditional and state-of-the-art models. This streamlined approach promises to enhance the practicality and efficiency of research applications. BatteryML seeks to fill this void, fostering an environment where experts from diverse specializations can collaboratively contribute, thus elevating the collective understanding and advancement of battery research.The code for our project is publicly available on GitHub at https://github.com/microsoft/BatteryML.

研究の動機と目的

• バッテリー劣化モデリングにおける標準化されたデータ形式と評価ベンチマークの欠如に対処すること。
• データ前処理、特徴抽出、モデル実装を統合することで、機械学習研究者とバッテリー科学者との間のギャップを埋めること。
• 多様なバッテリー・データセット間で一貫性があり再現可能で効率的な機械学習モデルの訓練と評価を可能にすること。
• 単一で拡張可能なフレームワーク内で、従来の統計モデルと最新のディープラーニングアーキテクチャ（例：LSTM、Transformer）をサポートすること。
• モデル比較とデータセット相互運用性を促進する共通のオープンプラットフォームを提供することで、共同研究を促進すること。

提案手法

• BatteryML は、データローディング、特徴抽出、モデル訓練のための構成可能なコンponentsを持つモジュラー・パイプラインアーキテクチャを採用しています。
• 多様なフォーマット（例：.csv、.mat、.pkl）を一貫した内部表現に変換する統一されたデータスキーマを通じて、非一様なバッテリー・データを標準化しています。
• 生の充放電サイクルから予測可能な特徴量を生成するための、'VoltageCapacityMatrixFeatureExtractor' や 'RULLabelAnnotator' などの特徴量抽出器のスイートを実装しています。
• 入力特徴量を正規化・安定化するための標準化されたデータ変換（例：'ZScoreDataTransformation'、'LogScaleDataTransformation'）を適用しています。
• scikit-learn および PyTorch 互換インターフェースを用いて、Linear Regression、XGBoost、LSTM、CNN、Transformer などを含む 14 種類の事前実装モデルを統合しています。
• 構成ファイルを介したエンドツーエンドの訓練と評価ワークフローをサポートしており、MATR、CALCE、RWTH などのデータセットで再現可能な実験を可能にしています。

Figure 1: Framework of BatteryML.

実験結果

リサーチクエスチョン

• RQ1 化学組成、データフォーマット、運用プロファイルが異なる非一様なバッテリー・データセットを、1 つの相互運用可能なフレームワークに統合する方法は何か？
• RQ2 標準化されたプラットフォームは、異なる研究グループ間でのバッテリー劣化モデルの再現性と比較可能性をどの程度向上できるか？
• RQ3 統一されたプラットフォームは、古典的な機械学習モデルと最新のディープラーニングアーキテクチャ（例：Transformer、LSTM）を効果的にサポートできるか？
• RQ4 ドメインに特化した特徴量工学と標準化された前処理の統合は、異なるバッテリー種別や条件下でのモデル一般化性能にどのように影響するか？
• RQ5 最新のモデル（例：XGBoost、LSTM）を、生の未処理データではなく、標準化・前処理済みデータ上で訓練した場合の性能向上はどの程度か？

主な発見

• BatteryML は、MATR、CALCE、RWTH、HUST を含む 10 種類以上の多様なバッテリー・データセットを統一されたデータスキーマに標準化し、クロスデータセット比較を可能にしました。
• XGBoost、LSTM、Transformer を含む 14 モデルを同じベンチマークデータで直接比較可能となり、RUL 予測において XGBoost と LSTM が最も優れた性能を示しました。
• Z スコア変換や対数スケール変換などの標準化された前処理の使用により、異なるバッテリー化学種間でモデルの収束性が向上し、ばらつきが低減しました。
• VoltageCapacityMatrixFeatureExtractor などのドメイン特化型特徴量抽出器の統合により、容量および電圧プロファイルにおける主要な劣化パターンを捉えることができ、モデル性能が向上しました。
• BatteryML の構成駆動型ワークフローにより、アドホックな実装と比較してモデル訓練のセットアップ時間が 70% 以上短縮され、研究効率が向上しました。
• 同じモデル構成で異なるコンピューティング環境間で一貫した結果が得られ、高い再現性を示しました。

Figure 2: MATR1 degradation curve showcasing the train and test dataset discharge capacity