[論文レビュー] State of Health Estimation of Lithium-Ion Batteries in Vehicle-to-Grid Applications Using Recurrent Neural Networks for Learning the Impact of Degradation Stress Factors

Kotub Uddin, J. Edward Schofield+1 more|arXiv (Cornell University)|May 16, 2022

Advanced Battery Technologies Research被引用数 4

ひとこと要約

本稿では、温度、充電状態（SoC）、放電深度（DoD）、Cレートといった劣化ストレス要因の長期的依存関係を学習することで、電気自動車のV2G応用におけるリチウムイオン電池の状態健全性（SoH）を推定するため、多次元LSTM再帰的ニューラルネットワーク（RNN）を提案する。1.15年以上の学習データを用いた場合、SoH予測の平均二乗誤差が5%未満に抑えられ、リアルタイムの劣化モニタリングにおいても高い性能を示す。

ABSTRACT

This work presents an effective state of health indicator to indicate lithium-ion battery degradation based on a long short-term memory (LSTM) recurrent neural network (RNN) coupled with a sliding-window. The developed LSTM RNN is able to capture the underlying long-term dependencies of degraded cell capacity on battery degradation stress factors. The learning performance was robust when there was sufficient training data, with an error of < 5% if more than 1.15 years worth of data was supplied for training.

研究の動機と目的

• 従来のモデルベース手法では十分に捉えきれない、リチウムイオン電池のSoH推定におけるルート依存性（パス依存性）の課題に対処すること。
• 温度、SoC、DoD、Cレートといった劣化ストレス要因を考慮してSoHを正確に予測することで、V2Gサービスの経済的実現可能性を高めること。
• 従来のカーネル法や古典的RNNよりも、電池劣化データの長期的依存関係をより効果的に学習できる再帰的ニューラルネットワークを用いたデータ駆動型アプローチの開発。
• 異なる学習データ量とテストデータ量の比率（7:3、5:5、4:6、3:7）におけるモデル性能を評価し、5%未満の予測誤差を達成するための最小データ要件を同定すること。
• データ要件の低減とモデルの解釈可能性向上を目的とした、将来の改善策としてのトランスファー学習や構造的ニューラルネットワークの検討。

提案手法

• 本研究では、サイクル番号、電流、端子電圧、温度を入力として含む多次元時系列データを処理するため、スライディングウインドウ手法を用いた長短期記憶（LSTM）RNNを採用する。
• モデルは、NASA Ames予測センターの「ランダム化されたバッテリ使用データセット」を用いて学習させ、異常な温度挙動を示すデータセット（RW2、RW3、RW18）を除外する。
• グリッドベースの応用で一般的に見られるノイズが多く、スパースな勾配の特性に適しているため、Adam最適化手法を採用する。
• 入力特徴量には、セル電流、端子電圧、温度、サイクル番号を含む。端子電圧は、劣化に影響を与える電気化学的過電圧の影響を反映するための代理指標として用いられる。
• 学習データ量の感度を評価し、最小データ要件を同定するために、複数の学習/テスト分割（7:3、5:5、4:6、3:7）を用いてモデルを評価する。
• オープンサーキット電圧（Voc）を直接SoCの代理として使用するのを避ける一方で、iRおよび極化効果による非線形的関係を認識した上で、端子電圧を入力として採用する。

実験結果

リサーチクエスチョン

• RQ1 LSTM RNNは、多次元時系列設定下で、温度（T）、SoC、DoD、Cレートといった複数の劣化ストレス要因に対するバッテリSoHの長期的依存関係を効果的に学習できるか？
• RQ2 V2G応用において、SoH予測の平均二乗誤差を5%未満に抑えるために必要な最小限の学習データ量はどの程度か？
• RQ3 学習データが限られた場合、モデル性能はどの程度低下するか。また、どの程度の学習対テストデータ比が、良好な一般化性能を保証するか？
• RQ4 iRおよび極化効果による非線形的関係を有するが、端子電圧はSoH推定の信頼できる入力として機能するか？
• RQ5 トランスファー学習や構造的ニューラルネットワークを用いることで、正確なSoH予測モデルの学習に必要なデータ量をどの程度低減できるか？

主な発見

• 1.15年以上のデータで学習した場合、LSTM RNNは予測誤差が5%未満の平均二乗誤差を達成し、十分なデータ条件下での高い精度を示す。
• 学習データが少ない場合、モデル性能は著しく低下し、7:3の学習対テスト比が全テスト比率の中で最も優れた性能を示した。
• モデルの精度は学習データ長に強く依存しており、実世界のV2Gシステムにおける信頼性の高いSoH推定に、重要なデータ要件が求められることを示している。
• iRおよび極化効果による非線形的関係を有するが、端子電圧を入力として用いることは正当化される。これは、劣化に影響を与える電気化学的過電圧効果を捉えているからである。
• 内部記憶と勾配勾配のメカニズムにより、パス依存性を保持する点で、古典的RNNやカーネル法よりも優れた性能を示す。
• 今後の研究では、劣化の時間的加速性をよりよく反映するため、出力としてdSoH/dNを用いることが検討されるべきである。