[論文レビュー] Integrating Physics-Based Modeling with Machine Learning for Lithium-Ion Batteries

Hao Tu, Scott Moura+2 more|arXiv (Cornell University)|Dec 24, 2021

Advanced Battery Technologies Research被引用数 5

ひとこと要約

本稿では、物理ベースの電気化学的モデルおよび等価回路モデルをフィードフォワードニューラルネットワーク（FNN）と統合する2つのハイブリッドモデリングフレームワークを提案する。物理的状態情報を利用することで、学習効率と予測精度が向上する。得られたSPMT+FNNおよびNDC+FNNモデルは、広範なCレート範囲で高い電圧予測精度を達成し、バッテリの劣化に伴っても性能を維持する。実験的検証により、状態の健康度（SoH）が変動する条件下でも高いロバスト性が確認された。

ABSTRACT

Mathematical modeling of lithium-ion batteries (LiBs) is a primary challenge in advanced battery management. This paper proposes two new frameworks to integrate physics-based models with machine learning to achieve high-precision modeling for LiBs. The frameworks are characterized by informing the machine learning model of the state information of the physical model, enabling a deep integration between physics and machine learning. Based on the frameworks, a series of hybrid models are constructed, through combining an electrochemical model and an equivalent circuit model, respectively, with a feedforward neural network. The hybrid models are relatively parsimonious in structure and can provide considerable voltage predictive accuracy under a broad range of C-rates, as shown by extensive simulations and experiments. The study further expands to conduct aging-aware hybrid modeling, leading to the design of a hybrid model conscious of the state-of-health to make prediction. The experiments show that the model has high voltage predictive accuracy throughout a LiB's cycle life.

研究の動機と目的

• 多様な運用条件において高精度で計算コストが低いバッテリモデリングを達成する挑戦に応える。
• 純粋な物理ベースモデル（例：高い計算コスト）および純粋なデータ駆動モデル（例：一般化性能の低さと物理的妥当性の欠如）の限界を克服する。
• 電気化学的および等価回路モデルの物理的解釈可能性を活かしつつ、機械学習による精度向上を実現するハイブリッドモデルを開発する。
• 状態の健康度（SoH）情報を機械学習部に組み込むことで、劣化に配慮した予測を可能にする。
• 電気機械機器や電動航空機など、高電力系において従来モデルが高Cレートで失敗するようなリアルタイム応用に適したモデルを設計する。

提案手法

• 物理ベースモデルの状態変数（例：濃度、電圧）をフィードフォワードニューラルネットワーク（FNN）の入力として組み込む2つのハイブリッドフレームワーク—HYBRID-1およびHYBRID-2を提案する。
• 単一粒子モデル（SPMT）およびThevenin型等価回路モデル（NDC）をFNNと統合し、端子電圧を予測するSPMT+FNNおよびNDC+FNNハイブリッドモデルを構築する。
• Cレート、状態の充電量（SoC）、状態の健康度（SoH）の広範な範囲をカバーする実験データを用いてFNNを学習させ、一般化性能を確保する。
• FNNにSoHを入力特徴として追加することで、モデルのロバスト性を向上させ、劣化に配慮した電圧予測を可能にする。
• ベースラインアーキテクチャとして、4層構成で隠れ層が2つ、それぞれ32ニューロンのFNNを採用し、アーキテクチャチューニングの柔軟性を確保する。
• 多数のCレートおよびバッテリの劣化サイクルをカバーする、広範なシミュレーションおよび実験によるモデルの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 物理モデルの状態を機械学習に統合することで、モデルの複雑さを低減しつつ電圧予測精度を向上させられるか？
• RQ2 SPMTおよびNDCベースのハイブリッドモデルは、高電力条件（例：5 C）を含む広範なCレート範囲で高い精度を達成できるか？
• RQ3 FNNに状態の健康度（SoH）情報を組み込むことで、バッテリの劣化に伴う長期的予測精度はどのように向上するか？
• RQ4 純粋なデータ駆動モデルと比較して、ハイブリッドモデルはどの程度データ依存性と計算コストを低減できるか？
• RQ5 提案されたフレームワークは、状態のエネルギー（SoE）および状態の出力（SoP）推定などのリアルタイムバッテリ管理タスクに拡張可能か？

主な発見

• SPMT+FNNおよびNDC+FNNハイブリッドモデルは、5 Cに達する高電力条件を含む広範なCレート範囲で高い電圧予測精度を達成しており、従来モデルが失敗する領域でも有効である。
• 純粋なデータ駆動モデルと比較して、FNNの複雑さが顕著に低減され、学習が高速化され、計算コストも低減された。
• SoHを反映したFNNを搭載したNDC+FNNモデルは、バッテリのサイクルライフにわたり高い予測精度を維持し、劣化に配慮したモデル化の有効性を示した。
• 提案されたフレームワークにより、FNNは非線形残差ダイナミクスのみを学習すればよくなるため、大規模なトレーニングデータセットの必要性が低下し、一般化性能が向上した。
• 特に高Cレート条件下では、単独の電気化学的モデルおよび等価回路モデルよりも、精度と計算効率の両面で優れた性能を示した。
• 実験的結果から、より単純なFNNアーキテクチャ（例：ニューロン数を減らす）でも同等の性能が達成可能であることが示され、精度、サイズ、複雑さの間のトレードオフが可能となった。