[論文レビュー] State of health estimation for lithium-ion battery by combining incremental capacity analysis with Gaussian process regression

Xiaoyu Li, Zhenpo Wang|arXiv (Cornell University)|Mar 15, 2019

Advanced Battery Technologies Research参考文献 31被引用数 4

ひとこと要約

本論文では、インクリメンタルキャパシティ分析と部分的インクリメンタルキャパシティ曲線を組み合わせた新しいガウス過程回帰モデルを提案し、リチウムイオン電池の状態の健康（SOH）を推定する。高度なガウスフィルタを用いてキャパシティ曲線を平滑化し、それらから健康インデックスを抽出することで、多様な劣化条件および初期状態において、精度が高く、頑健で、不確実性の定量が可能なSOH予測を実現する。

ABSTRACT

The state of health for lithium battery is necessary to ensure the reliability and safety for battery energy storage system. Accurate prediction battery state of health plays an extremely important role in guaranteeing safety and minimizing the maintenance costs. However, the complex physicochemical characteristics of battery degradation cannot be obtained directly. Here a novel Gaussian process regression model based on partial incremental capacity curve is proposed. First, an advanced Gaussian filter method is applied to obtain the smoothing incremental capacity curves. The health indexes are then extracted from the partial incremental capacity curves as the input features of the proposed model. Otherwise, the mean and the covariance function of the proposed method are applied to predict battery state of health and the model uncertainty, respectively. Four aging datasets from NASA data repository are employed for demonstrating the predictive capability and efficacy of the degradation model using the proposed method. Besides, different initial health conditions of the tested batteries are used to verify the robustness and reliability of the proposed method. Results show that the proposed method can provide accurate and robust state of health estimation.

研究の動機と目的

• エネルギー貯蔵システムにおけるリチウムイオン電池の状態の健康（SOH）推定の精度と頑健性を向上させること。
• 電池内の複雑な物理化学的劣化プロセスの間接的測定の課題に対処すること。
• 信頼性と保守最適化の観点から、SOH予測と不確実性の定量を両立するモデルを開発すること。
• 初期健康状態が異なる多様な劣化データセットを用いて、手法の妥当性を検証すること。

提案手法

• ノイズ低減と特徴抽出の向上を目的として、インクリメンタルキャパシティ曲線に高度なガウスフィルタを適用する。
• ガウス過程回帰モデルの入力特徴として、部分的インクリメンタルキャパシティ曲線から健康インデックスを抽出する。
• ガウス過程モデルの平均関数が、時間経過に伴うバッテリの状態の健康を予測する。
• 共分散関数がSOH予測の不確実性をモデル化し、信頼区間の推定を可能にする。
• NASAバッテリデータリポジトリから得た4つの劣化データセットを用いて、モデルを学習および検証する。
• 初期健康状態が異なる条件下でアプローチをテストし、頑健性と信頼性を評価する。

実験結果

リサーチクエスチョン

• RQ1 インクリメンタルキャパシティ分析は、SOH推定のための健康関連特徴を、電池劣化データから効果的に抽出できるか？
• RQ2 部分的インクリメンタルキャパシティ曲線を入力として用いるガウス過程回帰モデルは、どの程度正確にSOHを予測できるか？
• RQ3 本手法は、初期健康状態が異なるバッテリに対しても、どの程度高い精度と頑健性を維持できるか？
• RQ4 モデルはSOH予測に加えて、信頼性のある不確実性推定を提供できるか？
• RQ5 ガウスフィルタとインクリメンタルキャパシティ分析を統合することで、従来手法に比べて予測性能がどの程度向上するか？

主な発見

• 提案手法は、NASAの4つの劣化データセットすべてにおいて、非常に高い精度のSOH推定を達成した。
• 初期健康状態が異なる条件下でも、モデルは頑健な性能を示し、実世界のシナリオにおける信頼性を確認した。
• 共分散関数による不確実性の定量が、SOH予測の信頼区間を提供し、システムの安全性を向上させた。
• 部分的インクリメンタルキャパシティ曲線を特徴量として用いることで、モデルの一般化性能とノイズ耐性が向上した。
• 高度なガウスフィルタは、インクリメンタルキャパシティ曲線の品質を顕著に向上させ、より正確な特徴抽出を可能にした。
• 予測精度と初期状態のばらつきに対する頑健性の観点で、従来手法を上回る性能を示した。