[論文レビュー] Learning battery model parameter dynamics from data with recursive Gaussian process regression

Antti Aitio, Dominik Jöst+2 more|arXiv (Cornell University)|Apr 26, 2023

Advanced Battery Technologies Research被引用数 5

ひとこと要約

本稿では、実世界のデータからバッテリーモデルのパラメータダイナミクスを学習する再帰的ガウス過程回帰フレームワークを提案し、正確で計算的に効率的かつロバストなバッテリーの状態・パラメータ推定を可能にすることで、バッテリーの状態の健康度（SOH）モニタリングを実現する。この手法は、状態の充電量、電流、寿命を変数として含む関数として、バッテリーの状態と時間変動するパラメータ（例：容量、内部抵抗）を同時に推定する。シミュレートされたデータおよび測定済みデータの両方で高い精度と予測能力を達成する。

ABSTRACT

Estimating state of health is a critical function of a battery management system but remains challenging due to the variability of operating conditions and usage requirements of real applications. As a result, techniques based on fitting equivalent circuit models may exhibit inaccuracy at extremes of performance and over long-term ageing, or instability of parameter estimates. Pure data-driven techniques, on the other hand, suffer from lack of generality beyond their training dataset. In this paper, we propose a hybrid approach combining data- and model-driven techniques for battery health estimation. Specifically, we demonstrate a Bayesian data-driven method, Gaussian process regression, to estimate model parameters as functions of states, operating conditions, and lifetime. Computational efficiency is ensured through a recursive approach yielding a unified joint state-parameter estimator that learns parameter dynamics from data and is robust to gaps and varying operating conditions. Results show the efficacy of the method, on both simulated and measured data, including accurate estimates and forecasts of battery capacity and internal resistance. This opens up new opportunities to understand battery ageing in real applications.

研究の動機と目的

• 変動する実世界の運用条件下で、モデルベースのバッテリーマネジメントシステムにおける不正確で不安定なパラメータ推定の課題に対処すること。
• 完全にデータ駆動の手法の限界を克服すること。これらの手法は訓練データを超えた一般化能力に欠け、データ欠損や非ステーションナリティに対処しづらい。
• ベイジアン推論を用いて時間変動するパラメータダイナミクスを捉える、ハイブリッドなモデル・データドリブンアプローチを開発すること。
• O(n)スケーリングを可能にする再帰的推定により、O(n³)スケーリングを示す従来手法と比較して、オンライン応用における計算効率を確保すること。
• 実世界の現場データを用いて、変動する運用条件下での長期的なバッテリー容量および内部抵抗の正確な予測を可能にすること。

提案手法

• 本手法は、容量や抵抗などのバッテリーパラメータを、状態の充電量、電流、バッテリー寿命に依存するガウス過程（GPs）としてモデル化する。
• 線形確率微分方程式表現に基づく再帰的ガウス過程回帰定式化を採用し、オンラインでリアルタイム推定を可能にする。
• 関数およびハイパーパrameterの事後分布を再帰的に更新するために、カルマンフィルタおよびラウシュ・タン・ストリーベルスムージングを用いる。
• カーネル関数は時間と入力空間で可分であると仮定し、状態空間表現による効率的実装を可能にする。
• ハイパーパrameterは対数マージナル尤度を用いて再帰的に最適化され、データ欠損や運用条件の変動に対してロバストである。
• 状態とパラメータ推定を統合した単一の共同観測器としてフレームワークを構築し、一貫性の向上と計算コストの低減を実現する。

実験結果

リサーチクエスチョン

• RQ1 ノイズが多く、不完全で非ステーションナリティを示す実世界のデータから、時間変動するバッテリーモデルパラメータを正確に推定できるか。
• RQ2 提案手法は、標準的なモデルベースまたはデータ駆動の手法と比較して、バッテリーの状態の健康度（SOH）推定の正確性とロバスト性をどのように向上させるか。
• RQ3 変動する運用条件下で、長期的な劣化に伴う将来のバッテリー容量および内部抵抗を、どの程度正確に予測できるか。
• RQ4 バッチGPRと比較して、再帰的定式化は推定の正確性を保持しつつ、計算効率をどのように維持するか。
• RQ5 データ駆動的ではあるが物理的根拠を持つ構造を有する本手法は、再トレーニングなしに異なるセルや運用プロファイルに一般化可能か。

主な発見

• 再帰的ガウス過程回帰手法は、データ欠損や変動する運用条件が存在する中でも、シミュレート済みデータおよび測定済みデータの両方において、バッテリー容量および内部抵抗の正確で安定した推定を達成する。
• 本手法は、長期的な劣化に伴うバッテリー容量および抵抗の予測において、優れたロバスト性能を示し、従来のモデルベースの観測器を上回る。
• 計算複雑度はデータサイズに線形にスケーリング（O(n)）され、標準的なGPRとは異なり、リアルタイム実装が可能である。
• 状態・パラメータ推定を統合したフレームワークにより、パラメータ推定ノイズが低減され、収束安定性が標準的な再帰的推定手法よりも向上する。
• 本手法は、状態の充電量、電流、寿命を関数として含む、複雑で非線形なパラメータダイナミクスを的確に捉え、より正確なSOHトラッキングを可能にする。
• 本手法は、状態およびパラメータの両方に対して不確実性推定を提供し、安全性が求められる応用分野における信頼性を高める。