[논문 리뷰] A Transfer Learning-based State of Charge Estimation for Lithium-Ion Battery at Varying Ambient Temperatures

Yan Qin, Stefan Adams외 1명|arXiv (Cornell University)|2021. 01. 11.

Advanced Battery Technologies Research참고 문헌 31인용 수 6

한 줄 요약

이 논문은 캐논칼 변량 분석을 통해 추출한 시간적 동적 특성을 활용하여 다양한 주변 온도에서 정확한 충전 상태(SoC) 추정을 가능하게 하는 전이 학습 기반의 리튬이온 배터리 SoC 추정 방법을 제안한다. 온도 간 일관된 시간적 특성 전이를 통해 예측 오차를 최대 82.00%까지 감소시켜 동적 열 환경에서의 강인성을 크게 향상시킨다. 성능 저하 정도는 분산 기반 유사도 지표를 통해 정량적으로 평가된다.

ABSTRACT

Accurate and reliable state of charge (SoC) estimation becomes increasingly important to provide a stable and efficient environment for Lithium-ion batteries (LiBs) powered devices. Most data-driven SoC models are built for a fixed ambient temperature, which neglect the high sensitivity of LiBs to temperature and may cause severe prediction errors. Nevertheless, a systematic evaluation of the impact of temperature on SoC estimation and ways for a prompt adjustment of the estimation model to new temperatures using limited data have been hardly discussed. To solve these challenges, a novel SoC estimation method is proposed by exploiting temporal dynamics of measurements and transferring consistent estimation ability among different temperatures. First, temporal dynamics, which is presented by correlations between the past fluctuation and the future motion, is extracted using canonical variate analysis. Next, two models, including a reference SoC estimation model and an estimation ability monitoring model, are developed with temporal dynamics. The monitoring model provides a path to quantitatively evaluate the influences of temperature on SoC estimation ability. After that, once the inability of the reference SoC estimation model is detected, consistent temporal dynamics between temperatures are selected for transfer learning. Finally, the efficacy of the proposed method is verified through a benchmark. Our proposed method not only reduces prediction errors at fixed temperatures (e.g., reduced by 24.35% at -20°C, 49.82% at 25°C) but also improves prediction accuracies at new temperatures.

연구 동기 및 목표

• 고정된 온도에서 학습된 모델이 열에 민감하여 다양한 주변 온도에서 SoC 추정이 정확하지 못하는 문제를 해결하기 위해.
• 제한된 데이터로 새로운 온도에 빠르게 적응할 수 있는 데이터 기반 프레임워크를 개발하기 위해.
• 시간적 특성 변동성을 활용하여 온도가 SoC 추정 성능에 미치는 영향을 정량적으로 평가하기 위해.
• 모델 적응을 위해 다양한 온도 간 일관된 시간적 동적 특성을 식별하여 효과적인 전이 학습을 가능하게 하기 위해.

제안 방법

• 시간적 동적 특성은 캐논칼 변량 분석(CVA)을 사용하여 배터리 측정 데이터에서 추출되며, 과거의 변동성과 미래 상태 변화 간의 상관관계를 포착한다.
• 기준 온도(10 °C)에서 일관된 시간적 특성에 기반해 장기적 기억을 갖는 순환 신경망(LSTM)을 사용하여 기준 SoC 추정 모델을 학습시킨다.
• 시간적 특성 상관관계의 분산을 활용하여 성능 저하를 감지하는 추정 능력 모니터링 모델을 개발한다.
• 성능 저하가 감지되면, 공정 분산 기반 유사도 지표 H를 사용하여 다양한 온도 간 일관된 시간적 특성을 식별한다.
• 일관된 특성을 기반으로 새로운 온도에서 기준 모델을 미세조정함으로써 전이 학습을 적용하여 최소한의 데이터로 빠른 적응을 가능하게 한다.
• 기준 데이터셋을 사용하여 다양한 온도, 특히 -20 °C와 같은 극한 조건에서도 성능을 검증한다.

실험 결과

연구 질문

• RQ1 고정된 온도에서 학습된 데이터 기반 SoC 모델의 추정 정확도에 다양한 주변 온도가 미치는 영향은 무엇인가?
• RQ2 효과적인 전이 학습을 가능하게 하기 위해, 서로 다른 온도 간 시간적 동적 특성의 유사도를 정량적으로 평가할 수 있는 지표는 무엇인가?
• RQ3 제한된 데이터로 사전 학습된 SoC 추정 모델을 어떻게 신속히 새로운 온도에 적응시킬 수 있는가?
• RQ4 온도 유도 모델 성능 저하가 SoC 추정 성능에 미치는 영향은 무엇이며, 실시간으로 이를 감지할 수 있는가?
• RQ5 다양한 온도 간 일관된 시간적 특성을 식별하고, 이를 활용하여 배터리 SoC 추정의 전이 학습 성능을 향상시킬 수 있는가?

주요 결과

• 기준 모델을 직접 적용한 것과 비교하여, 25 °C에서 79.48% 감소, 0 °C에서 82.00% 감소, -10 °C에서 56.21% 감소, -20 °C에서 40.08% 감소한 루트 평균 제곱 오차(RMSE)를 기록하였다.
• -20 °C에서 -10 °C를 기준으로 전이한 경우(유사도 55.80%)는 10 °C 기준 전이보다 RMSE를 58.27% 더 감소시켜, 높은 유사도일수록 전이 효율성이 높다는 것을 입증하였다.
• 분산 기반 유사도 지표 H는 기준 온도와 새로운 온도 간의 관계를 정량적으로 반영하며, H > 50%는 높은 유사도와 더 나은 전이 성능를 의미한다.
• 고정된 온도에서의 SoC 추정 정확도를 향상시켜, 기준 모델 대비 -20 °C에서 24.35% 감소, 25 °C에서 49.82% 감소한 RMSE를 기록하였다.
• 실제 데이터 추세를 거의 정확히 따라가며, 후처리 필터링을 통해 추가로 성능 향상을 기대할 수 있다.
• 모델 성능 저하를 자동으로 감지하고, 필요할 경우에만 전이 학습을 트리거함으로써 효율성과 강인성을 향상시켰다.