[論文レビュー] Predicting Battery Lifetime Under Varying Usage Conditions from Early Aging Data

Tingkai Li, Zihao Zhou+3 more|arXiv (Cornell University)|Jul 17, 2023

Advanced Battery Technologies Research被引用数 6

ひとこと要約

本稿では、多様な使用条件下での低レートフルサイクルにおける初期サイクルの容量-電圧データを用いてリチウムイオン電池の寿命を予測する機械学習フレームワークを提案する。最初の15%のサイクルデータから劣化に感受する特徴量を抽出し、階層ベイズモデリングを適用することで、分布内セルでは15.1%の平均絶対誤差率（MAPE）、分布外セルでは21.8%のMAPEを達成し、ドメインに則った特徴量設計により、さまざまな応力条件に対して高い頑健性を示した。

ABSTRACT

Accurate battery lifetime prediction is important for preventative maintenance, warranties, and improved cell design and manufacturing. However, manufacturing variability and usage-dependent degradation make life prediction challenging. Here, we investigate new features derived from capacity-voltage data in early life to predict the lifetime of cells cycled under widely varying charge rates, discharge rates, and depths of discharge. Features were extracted from regularly scheduled reference performance tests (i.e., low rate full cycles) during cycling. The early-life features capture a cell's state of health and the rate of change of component-level degradation modes, some of which correlate strongly with cell lifetime. Using a newly generated dataset from 225 nickel-manganese-cobalt/graphite Li-ion cells aged under a wide range of conditions, we demonstrate a lifetime prediction of in-distribution cells with 15.1% mean absolute percentage error using no more than the first 15% of data, for most cells. Further testing using a hierarchical Bayesian regression model shows improved performance on extrapolation, achieving 21.8% mean absolute percentage error for out-of-distribution cells. Our approach highlights the importance of using domain knowledge of lithium-ion battery degradation modes to inform feature engineering. Further, we provide the community with a new publicly available battery aging dataset with cells cycled beyond 80% of their rated capacity.

研究の動機と目的

• 最終寿命テストを待たずに、迅速かつ高精度にリチウムイオン電池の寿命を予測することを目的とする。
• 製造差異および使用条件による電池劣化の高いばらつきに対処することを目的とする。
• 異なる充電レート、放電レート、および放電深度において、全セル寿命を予測するために、初期ライフデータ（サイクルの最初の15%）のみを用いる手法を開発することを目的とする。
• 階層ベイズモデリングを用いることで、ストレスクラスタ間の共有構造を活用し、分布外条件への一般化を向上させることを目的とする。
• 225個のニッケルマンガンコバルト酸化物/グラファイト電池がレーテッド容量の80%以上に達するまでサイクルされた、コミュニティ利用を目的とした公開データセットを提供することを目的とする。

提案手法

• 初期サイクリング段階における定期的に行われた低レートフルサイクル（容量-電圧曲線）から特徴量を抽出し、劣化モードを捉えるために微分に基づく指標（ΔdQ/dV）に焦点を当てる。
• 平均(ΔdQ/dV)を3.60–3.90 Vの範囲で定義し、劣化速度および寿命と相関するセルレベルの特徴量とする。
• 階層ベイズ回帰（HBR）を適用し、セルレベルのパラメータ（切片、勾配、ノイズ）を平均サイクリングストレス（Stress_avg）に基づくクラスタレベルの事前分布を用いてモデリングすることで、異なるストレス条件間での転移学習を可能にする。
• 2段階の階層構造を採用：1段階目は個々のセルの寿命予測を不確実なパラメータでモデル化し、2段階目はこれらのパラメータがストレスクラスタ全体にわたる分布をモデル化する。
• 事後予測分布に回帰係数の不確実性と測定ノイズを伝搬させることで、予測の不確実性を補正する。
• 120通りの充電レート、放電レート、および放電深度の組み合わせでサイクルさせた225個のセルから新たに生成されたデータセットを用いてモデルを検証し、容量保持率が80%に達するまでデータ収集を実施した。

Figure 1: High-level overview of our approach. Unlike existing approaches for early prediction, we extract features from periodic reference performance tests instead of regular cycling data. In this example, we extract a feature from a partial voltage window of incremental capacity that is highly co

実験結果

リサーチクエスチョン

• RQ1 多様な使用条件下で、初期ライフの容量-電圧データを用いて、高い精度で電池寿命を予測できるか？
• RQ2 初期サイクリングデータから抽出された劣化感受性特徴量は、多様なストレスプロファイルにわたる実際のセル寿命とどのように相関するか？
• RQ3 階層ベイズモデリングにより、ストレスクラスタ間の共有構造を活用することで、分布外セルの予測性能が向上するか？
• RQ4 リチウムイオン電池の劣化機構に関するドメイン知識は、寿命予測のための特徴量設計をどの程度向上させるか？
• RQ5 最初の15%のサイクルデータのみを用いて訓練されたモデルは、各新しい条件に対して全寿命データを必要とせずに、異なる老化プロファイルを示すセルに一般化できるか？

主な発見

• モデルは、サイクルの最初の15%のデータのみを用いて、分布内セルの寿命予測で15.1%の平均絶対誤差率（MAPE）を達成した。
• 分布外セルでは、階層ベイズモデルが21.8%のMAPEを達成し、標準モデルと比較して一般化性能が向上していることが示された。
• 3.60–3.90 Vの範囲における特徴量mean(ΔdQ/dV)は、寿命と強く相関しており、特に平均サイクリングストレス（Stress_avg）で層別した場合に顕著であった。
• Stress_avgに基づくクラスタリングにより、寿命のばらつきの2つの要因が特定された：ストレスクラスタ間の差（使用条件によるもの）とクラスタ内での差（製造およびテスト機器のばらつきによるもの）。
• 階層ベイズモデリングは、予測の不確実性を適切に捉えており、特にクラスタ3では、そのストレス領域での訓練データが限られているため、より広い事後分布（不確実性）を示した。
• 事後予測分布により、モデルの不確実性と測定ノイズの両方を反映した信頼性の高い不確実性評価が可能となり、予測誤差が誤差バーによって適切に推定された。

Figure 2: Overview of battery aging test conditions and capacity data. a , 3D scatter plot showing train-test split and cycling conditions used – each point represents conditions for a group of four cells, and marker color indicates a data subset used to generate prediction results in Sec. 2 . b , D