[논문 리뷰] A Machine Learning-based Digital Twin for Electric Vehicle Battery Modeling

Khaled Sidahmed Sidahmed Alamin, Yukai Chen외 3명|arXiv (Cornell University)|2022. 06. 16.

Advanced Battery Technologies Research인용 수 5

한 줄 요약

이 논문은 데이터 기반 모델을 사용하여 전기자동차(EV) 배터리 관리용 기계학습 기반 디지털 트윈을 제안한다. 이 모델은 상태의 충전도(SOC)와 상태의 건강도(SOH)를 동시에 모델링한다. SOH 모델은 역사적 데이터를 기반으로 한 번만 미리 훈련되며, SOC 모델은 배터리 노후화에 대응하기 위해 업데이트된 배터리 데이터를 사용해 클라우드에서 주기적으로 재훈련된다. 이로 인해 추론 시간은 1초 이내, 재훈련 시간은 1초 이하를 달성하여 실시간 차량 내 시스템과의 호환성을 확보한다.

ABSTRACT

The widespread adoption of Electric Vehicles (EVs) is limited by their reliance on batteries with presently low energy and power densities compared to liquid fuels and are subject to aging and performance deterioration over time. For this reason, monitoring the battery State Of Charge (SOC) and State Of Health (SOH) during the EV lifetime is a very relevant problem. This work proposes a battery digital twin structure designed to accurately reflect battery dynamics at the run time. To ensure a high degree of correctness concerning non-linear phenomena, the digital twin relies on data-driven models trained on traces of battery evolution over time: a SOH model, repeatedly executed to estimate the degradation of maximum battery capacity, and a SOC model, retrained periodically to reflect the impact of aging. The proposed digital twin structure will be exemplified on a public dataset to motivate its adoption and prove its effectiveness, with high accuracy and inference and retraining times compatible with onboard execution.

연구 동기 및 목표

• 비선형적인 노후화 영향으로 인해 전기자동차(EV)에서 상태의 충전도(SOC)와 상태의 건강도(SOH)를 정확하게 추정하는 데 도전하는 것.
• 배터리가 노후화됨에 따라 SOC와 SOH 간의 상호의존성을 유지하기 위해 SOC 모델을 재훈련하는 디지털 트윈 아키텍처를 개발하는 것.
• 실시간 EV 환경에서 구현 가능한지 확인하기 위해 추론 및 재훈련 시간을 최적화하여 차량 내 실행 가능성을 확보하는 것.
• 공개된 나사(NASA) 데이터셋을 사용하여 접근법을 검증하고, 데이터 기반 모델의 높은 정확도와 적응 가능성 입증하는 것.
• evolving 배터리 열화를 반영하기 위해 클라우드 기반 주기적 재훈련을 통한 SOC 모델의 프레임워크를 구축하는 것.

제안 방법

• 디지털 트윈은 이력 배터리 사이클 데이터 기반의 사전 훈련된 오프라인 SOH 모델을 사용하여 용량 저하를 추정한다.
• SOC 모델은 차량에서 수집된 업데이트된 방전 데이터를 사용해 클라우드에서 주기적으로 재훈련되며, 현재의 배터리 노후화 상태를 반영한다.
• Min-Max 정규화된 특징을 사용하여 SOC 및 SOH 추정에 대해 랜덤 포레스트(RF), 라이트GBM(LGB), 딥 네URAL 네트워크(DNN) 모델을 평가한다.
• 다양한 SOH 수준(예: 100%, 75%, 70%)의 데이터를 사용해 SOC 모델을 재훈련하여, 오래된 모델을 사용할 경우 성능 저하 정도를 평가한다.
• 추론은 클라우드 또는 차량 내에서 수행되며, 실시간 배터리 관리 지원을 위해 지연 시간을 최소화하는 데 중점을 둔다.
• 모델 업데이트는 클라우드 기반 재훈련 후 차량으로 전송되는 하이브리드 엣지-클라우드 아키텍처를 사용한다.

Figure 1: Representation of battery SOH ans SOC metrics: SoH quantifies battery capacity degradation and impacts on the estimation of SOC.

실험 결과

연구 질문

• RQ1 노후화되는 리튬이온 배터리에서 SOC와 SOH 간의 동적 상호작용을 정확하게 모델링하는 방법은 무엇인가?
• RQ2 EV 환경에서 SOC 추정에 있어 정확도, 추론 시간, 재훈련 시간 간의 최적 균형을 이루는 기계학습 모델은 무엇인가?
• RQ3 SOC 모델이 훈련된 SOH 조건을 초과해 사용될 경우 성능은 어떻게 저하되는가?
• RQ4 주기적인 재훈련을 통해 SOC 모델이 노후화 영향을 고려하여 수명 주기 내내 높은 정확도를 유지할 수 있는가?
• RQ5 실시간 디지털 트윈 구현 환경에서 다양한 모델의 계산 성능 특성(추론 및 재훈련 시간)은 어떠한가?

주요 결과

• 전체 충전 사이클 데이터를 기반으로 한 번만 훈련된 SOH 모델은 추론 시간이 약 1초 내외로 높은 정확도를 달성하여 실시간 사용에 적합하다.
• SOC 추정을 위한 라이트GBM(LGB) 및 랜덤 포레스트(RF) 모델은 DNN(약 67초)에 비해 훨씬 낮은 훈련 시간(1초 이내)을 기록하여 주기적 재훈련에 더 적합하다.
• SOH = 75%일 때, SOH = 75%에서 훈련된 SOC 모델은 RF 기반으로 0.809%, LGB 기반으로 0.599%의 RMSE를 기록했으며, 반면 SOH = 100%에서 훈련된 오래된 모델은 RF 기반으로 184.450%의 RMSE를 기록하여 시간이 지남에 따라 심각한 성능 저하가 발생함을 입증했다.
• DNN 모델은 SOH = 75%에서 SOH = 100%에서 훈련된 모델을 사용할 경우 MAE가 25.315%로 증가하여 과도한 오차로 인해 실용적으로 사용 불가능해졌다.
• 디지털 트윈 아키텍처는 현재의 SOH 데이터를 기반으로 주기적으로 SOC 모델을 재훈련함으로써 추정 오차를 오래된 모델 대비 90% 이상 감소시켜 높은 정확도를 확보한다.
• 제안된 시스템은 추론 및 재훈련 시간이 차량 내 실행에 적합하도록 구현되었으며, 모든 모델이 추론 시간은 1초 이내, 재훈련 시간은 1초 이하(단, DNN 제외)를 확보하여 실시간 배포를 지원한다.

Figure 2: Conceptual diagram of the EV battery digital twin: the arrow is battery lifetime, the icon on top represents the SOH data-driven model, while the icons below the arrow represent the SOC data-driven models that are retrained periodically during battery lifetime.