[論文レビュー] State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural Networks

Alexandre Barbosa de Lima, Maurício B. C. Salles+1 more|arXiv (Cornell University)|Sep 20, 2020

Advanced Battery Technologies Research参考文献 38被引用数 5

ひとこと要約

本稿では、ドライブサイクルデータセットを用いてパナソニック18650PFリチウムイオン電池の状態容量（SOC）を推定するため、2層および4層の隠れ層を備えた深層順方向ニューラルネットワーク（DFN）を提案する。K-fold交差検証、バッチ正規化、ドロップアウト、L1/L2正則化を適用した結果、4層のDFNはテストMAEが2.0%に達し、正則化手法の強固さのおかげで2層モデルよりも優れた汎化性能を示したが、わずかに高い誤差を示した。

ABSTRACT

This article presents two Deep Forward Networks with two and four hidden layers, respectively, that model the drive cycle of a Panasonic 18650PF lithium-ion (Li-ion) battery at a given temperature using the K-fold cross-validation method, in order to estimate the State of Charge (SOC) of the cell. The drive cycle power profile is calculated for an electric truck with a 35kWh battery pack scaled for a single 18650PF cell. We propose a machine learning workflow which is able to fight overfitting when developing deep learning models for SOC estimation. The contribution of this work is to present a methodology of building a Deep Forward Network for a lithium-ion battery and its performance assessment, which follows the best practices in machine learning.

研究の動機と目的

• リチウムイオン電池における高精度な状態容量（SOC）推定のための機械学習ベースの手法を開発すること。
• リチウムイオン電池のSOC推定における深層学習モデルの過学習を正則化手法によって是正すること。
• 実際のバッテリドライブサイクルデータセット上で、深さやアーキテクチャ的要素を変化させた深層順方向ネットワークの性能を評価すること。
• バッテリマネジメントシステムにおける深層学習モデルのトレーニングに適した再現可能でベストプラクティスなワークフローを確立すること。
• 同一のハイパーパrameterチューニング条件下で、浅いアーキテクチャと深いアーキテクチャのDFNの汎化性能を比較すること。

提案手法

• 本研究では、ReLU活性化関数とAdam最適化手法を用いた、2層および4層の隠れ層を備えた2つの深層順方向ニューラルネットワーク（DFN）を採用した。
• データセットは、スケーリングされた35kWhの電気トラック用バッテリーパックに基づき、1つの18650PFセルとしてモデル化された。
• モデルの性能評価とデータ漏れの防止のため、K-fold交差検証（4-foldおよび8-fold）が用いられた。
• 過学習の低減のため、L1/L2重みペナルティおよびドロップアウト率0.5の2つのドロップアウト層を用いた正則化が適用された。
• バッチサイズ（64, 128, 256）およびエポック数（30, 50, 100）といったハイパーパrameterが、汎化性能の最適化を目的にチューニングされた。
• モデルはPython 3.7とTensorFlow 2、Keras APIを用いて実装され、トレーニングの監視にはTensorBoardが活用された。

実験結果

リサーチクエスチョン

• RQ1 実際のドライブサイクルデータを用いた深層順方向ニューラルネットワークは、リチウムイオン電池のSOCを効果的に推定できるか？
• RQ2 モデルの深さ（2層対4層）は、SOC推定の精度および汎化性能にどのように影響するか？
• RQ3 ドロップアウトおよびL1/L2正則化は、リチウムイオン電池のSOC推定における深層学習モデルの過学習をどの程度低減できるか？
• RQ4 K-fold交差検証の使用は、標準的なトレイン/バリデーション分割に比べ、モデルのロバスト性を向上させるか？
• RQ5 バッチサイズ、エポック数、ニューロン数といったハイパーパrameterの組み合わせは、精度と汎化性能のバランスをどのように最適化できるか？

主な発見

• 2層の隠れ層を備えたDFNは、約1.60%の最低テスト平均絶対誤差（MAE）を達成した。
• 4層のDFNは、MAEが約2.0%とやや高いものの、高度な正則化のおかげで優れた汎化性能を示した。
• 2層モデルでは、トレーニングとバリデーションのMAE曲線の乖離が拡大するなど、過学習が観察された。
• 4層モデルでは過学習が最小限に抑えられ、約35エポックを過ぎてからバリデーションMAEが安定化し、より良い汎化性能が示された。
• ドロップアウト層およびL1/L2正則化の導入により、特に深いアーキテクチャにおいて過学習が顕著に低減された。
• 1つの隠れ層あたり256ユニット、バッチサイズ128、8-fold交差検証を採用したモデルが、最もバランスの取れた性能と汎化性能を示した。