[論文レビュー] Latent Function Decomposition for Forecasting Li-ion Battery Cells Capacity: A Multi-Output Convolved Gaussian Process Approach

Abdallah Chehade, Ala A. Hussein|arXiv (Cornell University)|Jul 19, 2019

Advanced Battery Technologies Research参考文献 34被引用数 4

ひとこと要約

本稿では、複数のリチウムイオン電池セルの容量トレンドを潜在関数に分解し、それらをカーネルスモOTHERを介して畳み込むことで、高い精度で将来の容量を予測するマルチアウトプット畳み込みガウス過程（MCGP）フレームワークを提案する。この手法はセル間の相互相関を捉え、予測の不確実性を提供し、実験データにおいてベンチマークを上回る性能を示す。

ABSTRACT

A latent function decomposition method is proposed for forecasting the capacity of lithium-ion battery cells. The method uses the Multi-Output Gaussian Process, a generative machine learning framework for multi-task and transfer learning. The MCGP decomposes the available capacity trends from multiple battery cells into latent functions. The latent functions are then convolved over kernel smoothers to reconstruct and/or forecast capacity trends of the battery cells. Besides the high prediction accuracy the proposed method possesses, it provides uncertainty information for the predictions and captures nontrivial cross-correlations between capacity trends of different battery cells. These two merits make the proposed MCGP a very reliable and practical solution for applications that use battery cell packs. The MCGP is derived and compared to benchmark methods on an experimental lithium-ion battery cells data. The results show the effectiveness of the proposed method.

研究の動機と目的

• 電池パックに含まれる複数のリチウムイオン電池セルの容量劣化を正確に予測する課題に対処すること。
• 異なるセルの容量トレンド間の複雑で非線形な相互相関をモデル化すること。
• 安全が求められる電池アプリケーションにおいて、予測と併せて信頼性の高い不確実性推定を提供すること。
• セル間で情報を共有できる生成的機械学習フレームワークを構築し、電池セル間での転移学習を可能とすること。

提案手法

• 本手法は、複数の電池セルの容量トレンドを共有の潜在関数空間からの出力としてモデル化するマルチアウトプットガウス過程（MCGP）を採用する。
• 潜在関数は、観測された容量データを確率的生成モデルを用いて推論し、劣化の背後にあるパターンを捉える。
• これらの潜在関数は、カーネルスモOTHERと畳み込まれ、個々のセルの容量トレンドを再構築および予測する。
• 畳み込み操作により、セル間で柔軟で非定常な容量劣化モデリングが可能となる。
• MCGPフレームワークは、潜在関数空間を通じてセル間で情報を共有することで、転移学習を可能にする。
• モデルは観測された容量データを用いてエンドツーエンドで訓練され、全推論プロセスにわたり不確実性が伝搬される。

実験結果

リサーチクエスチョン

• RQ1 共有の潜在関数空間は、複数のリチウムイオン電池セルの劣化トレンドを効果的にモデル化できるか？
• RQ2 MCGPフレームワークは、異なるセルの容量トレンド間の非自明な相互相関をどれほどよく捉えられるか？
• RQ3 ベンチマークモデルと比較して、予測精度がどの程度向上するか？
• RQ4 本手法は、実世界の応用において、電池容量予測の信頼性の高い不確実性推定を提供できるか？

主な発見

• 提案されたMCGP手法は、実験的リチウムイオン電池データにおいて、ベンチマークモデルよりも高い予測精度を達成した。
• 本手法は、異なる電池セルの容量トレンド間の非自明な相互相関を効果的に捉えた。
• 予測の不確実性推定は適切にキャリブレーションされており、信頼区間を信頼できる形で提供した。
• MCGPフレームワークは転移学習を可能とし、1セルあたりのデータが限られる状況でも一般化性能を向上させた。
• 潜在関数をカーネルスモOTHERと畳み込むことで、再構築および予測性能が向上した。
• 本手法は、電池セルパックを含む実用的応用において、頑健性と信頼性を示した。