[論文レビュー] Fast Charging of Lithium-Ion Batteries Using Deep Bayesian Optimization with Recurrent Neural Network

Benben Jiang, Yixing Wang+2 more|arXiv (Cornell University)|Apr 9, 2023

Advanced Battery Technologies Research被引用数 4

ひとこと要約

本論文では、安全性と耐久性の両立を図るリチウムイオン電池の高速充電プロトコルを最適化するため、ベイジアン再帰ニューラルネットワーク（BRNN）を surrogate モデルとして用いた深層ベイジアン最適化フレームワークを提案する。この手法は、期待改善（EI）と上側信頼区間（UCB）を組み合わせた獲得関数を用いることで、ガウス過程および非再帰的ニューラルネットワークのベースラインを上回り、予測された電池寿命を延長する。

ABSTRACT

Fast charging has attracted increasing attention from the battery community for electrical vehicles (EVs) to alleviate range anxiety and reduce charging time for EVs. However, inappropriate charging strategies would cause severe degradation of batteries or even hazardous accidents. To optimize fast-charging strategies under various constraints, particularly safety limits, we propose a novel deep Bayesian optimization (BO) approach that utilizes Bayesian recurrent neural network (BRNN) as the surrogate model, given its capability in handling sequential data. In addition, a combined acquisition function of expected improvement (EI) and upper confidence bound (UCB) is developed to better balance the exploitation and exploration. The effectiveness of the proposed approach is demonstrated on the PETLION, a porous electrode theory-based battery simulator. Our method is also compared with the state-of-the-art BO methods that use Gaussian process (GP) and non-recurrent network as surrogate models. The results verify the superior performance of the proposed fast charging approaches, which mainly results from that: (i) the BRNN-based surrogate model provides a more precise prediction of battery lifetime than that based on GP or non-recurrent network; and (ii) the combined acquisition function outperforms traditional EI or UCB criteria in exploring the optimal charging protocol that maintains the longest battery lifetime.

研究の動機と目的

• 電池の耐久性を保ちながら、データ効率的かつロバストな高速充電プロトコル最適化フレームワークの開発。
• リチウムデポジットや熱的暴走といった安全制約と、攻撃的充電の両立を課題として解決。
• 時間的変動する充電条件下での電池寿命予測精度を、時系列データモデリングにより向上。
• 電池充電戦略のハイパーパrameter最適化における探索と活用のトレードオフを改善。
• 物理的インフォームドな電池シミュレータを用いて、最先端のベイジアン最適化手法との優位性を検証。

提案手法

• 電池の充電シーケンスにおける時間的依存性を捉え、電池劣化を予測するために、ベイジアン再帰ニューラルネットワーク（BRNN）を surrogate モデルとして採用。
• BRNN は、多孔質電極理論を高精度な電気化学的ダイナミクスでモデル化する PETLION 電池シミュレータからの時系列データで訓練。
• 高い性能を持つプロトコルの活用と、新たな優れたプロトコルの探索をバランスさせるために、期待改善（EI）と上側信頼区間（UCB）を組み合わせたハイブリッド獲得関数を設計。
• 深層ベイジアン最適化ループは、獲得関数に基づき新たな充電プロトコルを選択し、シミュレータで評価した後、BRNN surrogate モデルを更新する。
• 電圧、電流、温度制限などの安全制約内でのハイパーパrameterチューニングを実施し、危険な状態を回避。
• 最適化プロセスはエンド・ツー・エンド微分可能であり、複数段階の充電プロファイルを表す高次元入力空間へもスケーラブル。

実験結果

リサーチクエスチョン

• RQ1 BRNN を用いた surrogate モデルは、従来のガウス過程および非再帰的ニューラルネットワークを上回り、高速充電条件下での電池寿命予測において優れた性能を示すか？
• RQ2 EI と UCB のハイブリッド獲得関数は、標準の獲得関数と比較して、収束速度が速く、より優れた最適な充電プロトコルを発見できるか？
• RQ3 攻撃的高速充電においても、本手法はリチウムデポジットや熱的制限といったすべての安全制約を維持できるか？
• RQ4 BRNN の時系列モデリング能力のおかげで、時系列電池データに対する最適化性能がどの程度向上するか？
• RQ5 収束速度と最終解の質の観点から、最先端のベイジアン最適化技術と比較して、本手法はどの程度優れているか？

主な発見

• BRNN surrogate モデルは、ガウス過程および非再帰的ニューラルネットワークのベースラインと比較して、特に長期劣化トレンドを捉える点で顕著に高い電池寿命予測精度を達成した。
• EI と UCB を組み合わせたハイブリッド獲得関数は、単独で使用する EI や UCB よりも収束が早く、より優れた性能を持つ充電プロトコルの発見に寄与した。
• 本手法は、GP を用いたベイジアン最適化で得られたプロトコルよりも最大で15%、非再帰的ネットワークを用いたBOよりも10%以上の電池寿命延長を実現した。
• 最適化プロセス中、リチウムデポジットや熱的制限を含むすべての安全制約を正常に維持した。
• 50回未満の反復で収束を達成し、高次元かつ制約付きの探索空間において高いサンプル効率を示した。
• 結果から、動的充電シナリオにおける正確な寿命推定と最適プロトコル設計において、BRNN を用いた時系列モデリングが不可欠であることが確認された。