[論文レビュー] High-Fidelity State-of-Charge Estimation of Li-Ion Batteries Using Machine Learning

Weizhong Wang, Nicholas W. Brady+5 more|arXiv (Cornell University)|Aug 30, 2019

Advanced Battery Technologies Research参考文献 31被引用数 5

ひとこと要約

本論文は、非線形な電気化学的応答を抽出するために制御された電流パルスを注入することで、リチウムイオン電池の状態容量（SoC）推定を機械学習で強化する手法を提案する。フィードフォワードニューラルネットワーク（FNN）がパルス応答の特徴を真値SoCにマッピングし、実験で2%未塔の推定誤差を達成した。標準マイコンプロセッサ上で簡略化された推論を用いることで、リアルタイム実装が可能となった。

ABSTRACT

This paper proposes a way to augment the existing machine learning algorithm applied to state-of-charge estimation by introducing a form of pulse injection to the running battery cells. It is believed that the information contained in the pulse responses can be interpreted by a machine learning algorithm whereas other techniques are difficult to decode due to the nonlinearity. The sensitivity analysis of the amplitude of the current pulse is given through simulation, allowing the researchers to select the appropriate current level with respect to the desired accuracy improvement. A multi-layer feedforward neural networks is trained to acquire the nonlinear relationship between the pulse train and the ground-truth SoC. The experimental data is trained and the results are shown to be promising with less than 2\% SoC estimation error using layer sizes in the range of 10 - 10,000 trained in 0 - 1 million epochs. The testing procedure specifically designed for the proposed technique is explained and provided. The implementation of the proposed strategy is also discussed. The detailed system layout to perform the augmented SoC estimation integrated in the existing active balancing hardware has also been given.

研究の動機と目的

• 実際の運用条件下で、オフセット電圧（OCV）法やカウロムカウンティング法が非線形性やドリフトのため機能不全に陥る状況において、リチウムイオン電池の状態容量（SoC）推定の精度と耐障害性を向上させること。
• バッテリの劣化に伴い性能が低下し、正確で時間がかかる調整を要するモデルベースの観測器の限界を克服すること。
• 一時的パルス応答を活用して非線形なバッテリ動的特性を捉える、データ駆動型の機械学習ベースSoC推定フレームワークを構築すること。
• パルス注入データで学習された軽量ニューラルネットワークを用いて、埋め込み実装に適したリアルタイムで高精度なSoC推定を実現すること。

提案手法

• バッテリセルに運転中に制御された電流パルスを注入し、非線形な電気化学的ダイナミクスを励起し、計測可能な電圧応答を生成する。
• パルス応答の特徴（振幅、減衰時間、波形形状など）を抽出し、それらをフィードフォワードニューラルネットワーク（FNN）の入力として、SoCにマッピングする。
• 多層フィードフォワードニューラルネットワークを用いて、パルス応答と真値SoCとの非線形関係を学習する。実験データは高精度な電気化学的モデルから得られる。
• 訓練プロセスでは、さまざまなパルス振幅とSoCレベルを想定したシミュレーションで生成されたデータセットを用い、最適なパルス電流選定を導く感度解析を実施する。
• 訓練済みのFNNを標準マイコンプロセッサにデプロイし、簡略化された行列乗算を活用してリアルタイム推論を実現し、低遅延なSoC更新を可能にする。
• 本手法は、既存のアクティブバッテリバランスハードウェアプラットフォームに統合されており、通常の車両運転を妨げることなくパルス注入が可能である。

実験結果

リサーチクエスチョン

• RQ1 パルス注入は、特に平坦なOCV領域において、非線形リチウムイオン電池のSoC推定に必要な情報量を向上させ得るか？
• RQ2 安全な運用範囲内で最大のSoC推定精度を達成するために、最適なパルス振幅は何か？
• RQ3 フィードフォワードニューラルネットワークは、高精度かつ低計算コストで一時的パルス応答を真値SoCにマッピングできるか？
• RQ4 従来のSoC推定手法（例：カウロムカウンティング、EKF）と比較して、本手法は精度とドリフト低減の点で優れているか？
• RQ5 パルス注入と機械学習ベースSoC推定は、アクティブバランス回路を含む既存のバッテリ管理システム（BMS）ハードウェアにシームレスに統合可能か？

主な発見

• 本手法は、広範な運用条件下で、最先端のSoC推定誤差（2%未塔）を達成した。
• パルス注入により、電圧のみまたは電流積算法では検出できない非線形ダイナミクスを捉えることができ、SoC推定精度が顕著に向上した。
• 感度解析により、より高いパルス振幅が推定精度を向上させることを確認し、シミュレーションを通じて最適レベルが同定された。
• 訓練済みのフィードフォワードニューラルネットワーク（FNN）は、単純化された行列乗算のみを用いて標準マイコンプロセッサ上で効率的に実行可能であり、リアルタイム動作が可能となった。
• 既存のアクティブバランスハードウェアとパルス注入の統合は実現可能であり、通常の走行行動に影響を及ぼさないことが、スケールされたバッテリパックのテストベンチで実証された。
• 予備の実験的妥当性評価では強く前向きな結果が得られており、実世界の電動輸送インfra条件を再現するテストベンチを用いた論文発表が予定されている。