[論文レビュー] Impedance-based Capacity Estimation for Lithium-Ion Batteries Using Generative Adversarial Network

Seongyoon Kim, Yun Young Choi+1 more|arXiv (Cornell University)|Jul 2, 2021

Advanced Battery Technologies Research被引用数 7

ひとこと要約

本稿では、リチウムイオン二次電池の電気化学的インピーダンス分光法（EIS）データから、理想的でない条件（直流電流の存在や緩和なし）下でも意味のある潜在変数を抽出できる完全に教師なしの手法EISGANを提案する。潜在変数は容量劣化の傾向を効果的に捉えており、ガウス過程回帰を用いた容量推定において、全テスト段階で2 mAh未満の平均絶対誤差（MAE）を達成し、直接EISから容量を予測する手法を上回る性能を示した。

ABSTRACT

This paper proposes a fully unsupervised methodology for the reliable extraction of latent variables representing the characteristics of lithium-ion batteries (LIBs) from electrochemical impedance spectroscopy (EIS) data using information maximizing generative adversarial networks. Meaningful representations can be obtained from EIS data even when measured with direct current and without relaxation, which are difficult to express when using circuit models. The extracted latent variables were investigated as capacity degradation progressed and were used to estimate the discharge capacity of the batteries by employing Gaussian process regression. The proposed method was validated under various conditions of EIS data during charging and discharging. The results indicate that the proposed model provides more robust capacity estimations than the direct capacity estimations obtained from EIS. We demonstrate that the latent variables extracted from the EIS data measured with direct current and without relaxation reliably represent the degradation characteristics of LIBs.

研究の動機と目的

• EISデータからリチウムイオン二次電池の劣化特性を表す潜在変数を抽出する完全に教師なしの手法の開発。
• 直流電流の影響や緩和の欠如による低周波数フラクチュエーションを伴うEISデータに対して、従来の等価回路モデル（ECMs）の限界を克服すること。
• EISデータから導出された潜在表現を活用することで、SOH（状態の健康）推定のロバスト性と精度を向上させること。
• 多様な充電・放電および緩和条件下での妥当性を検証し、実世界の測定変動に一般化可能であることを示すこと。
• EISGANを用いた容量推定の性能を、直接EISから容量への回帰と比較し、ノイズ耐性および予測安定性の優位性を強調すること。

提案手法

• 本手法は、教師ありラベルを必要とせず、ラベルなしのEISデータから意味のある潜在表現を学習する情報最大化型生成対抗ネットワーク（InfoGAN）を採用する。
• InfoGANアーキテクチャは、潜在変数と観測されたEISデータ間の相互情報量を最大化することで、非平衡状態のEIS測定でさえも解釈可能でロバストな特徴抽出を可能にする。
• 潜在変数は、充電・放電中に測定されたEISスペクトルから抽出され、直流電流が存在する場合や緩和がない場合の測定も含む。これらは従来の回路モデルにとって通常は困難な条件である。
• 抽出された潜在変数をガウス過程回帰（GPR）の入力特徴として用い、バッテリーの放電容量を予測する。
• 複数のバッテリー・セルを用いて、緩和時間やDC条件の異なる条件下でモデルを訓練・検証し、ロバストネスを評価する。
• 平均絶対誤差（MAE）および平均二乗誤差（RMSE）を用いて性能を評価し、EISGANベースの推定と直接EISから容量へのGPR推定を比較する。

Figure 1: Network structure of EISGAN and procedure of SOH estimation using GPR.

実験結果

リサーチクエスチョン

• RQ1 InfoGANは、直流電流や緩和なしの非平衡状態で測定されたEISデータから、効果的に潜在変数を抽出できるか？
• RQ2 抽出された潜在変数は、サイクルに伴う容量劣化の進行を信頼性高く反映しているか？
• RQ3 EISGANの容量推定性能は、直接EISから容量への回帰と比較して、測定ノイズおよび変動に対するロバストネスにおいて優れているか？
• RQ4 EISGANが学習した潜在変数は、異なる充電・放電ステージおよび緩和条件に一般化可能か？
• RQ5 データ品質（例：低周波数フラクチュエーション）が、潜在表現の信頼性およびその後の容量予測に与える影響は何か？

主な発見

• EISGANモデルは、直流電流が存在し緩和のない状態でも、EISデータから意味のある潜在変数を効果的に抽出できた。これは従来の回路モデルが困難とする条件である。
• 潜在変数はサイクルに伴う容量劣化の傾向を明確に示しており、バッテリーの健康状態を的確に表現していることが示された。
• EISGANを用いた容量推定は、全テスト段階で平均絶対誤差（MAE）が2 mAh未満を達成し、高い精度を示した。
• 全テストセルにおいて平均二乗誤差（RMSE）が2 mAh未満を維持し、一貫性があり信頼性の高い性能が確認された。
• ノイズや非平衡状態の条件下でも、EISGANは直接EISから容量へのGPRに比べてロバストネスに優れており、予測のばらつきが小さかった。
• EISGANの中央値偏差は正（わずかに過剰推定）であり、EIS-Capacity GPRは負（わずかに過小推定）であった。これはEISGANがデータノイズや測定変動に対してより耐性があることを示している。

Figure 2: EIS data of 25C06 collected at different stages during CC-CV charging and CC discharging over 20, 40, 60, 80, and 100 cycles. Only stages with a non-zero SOC are considered.