[논문 리뷰] Automated feature selection for data-driven models of rapid battery capacity fade and end of life.

Samuel Greenbank, David A. Howey|arXiv (Cornell University)|2021. 01. 12.

Advanced Battery Technologies Research참고 문헌 24인용 수 8

한 줄 요약

이 논문은 리튬이온 배터리의 용량 감소, 무릎점, 종료수명을 예측하기 위해 자동 특성 선택 기능을 갖춘 데이터 기반 가우시안 프로세스 회귀 모델을 제안한다. 캘린더 시간과 전압 노출과 같은 영향력 있는 특성들을 우선시함으로써, 용량 예측의 중앙 루트 평균 제곱 오차가 1% 이하, 무릎점 예측이 2.6% 이하, 종료수명 예측이 1.3% 이하로 낮아졌다.

ABSTRACT

Lithium-ion cells may experience rapid degradation in later life, especially with more extreme usage protocols. The onset of rapid degradation is called the 'knee point', and forecasting it is important for the safe and economically viable use for batteries. We propose a data-driven method that uses automated feature selection to produce inputs for a Gaussian process regression model that estimates changes in battery health, from which the entire capacity fade trajectory, knee point and end of life may be predicted. The feature selection procedure flexibly adapts to varying inputs and prioritises those that impact degradation. For the datasets considered, it was found that calendar time and time spent in specific voltage regions had a strong impact on degradation rate. The approach produced median root mean square errors on capacity estimates under 1%, and also produced median knee point and end of life prediction errors of 2.6% and 1.3% respectively.

연구 동기 및 목표

• 극도의 사용 조건에서 리튬이온 배터리 세포의 급속한 용량 감소와 종료수명을 예측하는 데 도전하는 데 목적이 있다.
• 다양한 입력 데이터에서 열화에 영향을 주는 핵심 특성을 식별하고 우선순위를 정해 모델 정확도를 향상시키는 데 목적이 있다.
• 다양한 입력 유형과 열화 패턴에 적응할 수 있는 유연하고 자동화된 특성 선택 프로세스를 개발하는 데 목적이 있다.
• 데이터 기반 모델링을 통해 용량 감소의 중요한 건강 기준점인 무릎점과 종료수명을 향상된 예측 성능으로 예측하는 데 목적이 있다.
• 다양한 데이터셋에서 최소한의 오차로 용량 감소 궤적을 고정밀도로 예측하는 데 목적이 있다.

제안 방법

• 이력 데이터에서 용량 감소 궤적을 모델링하기 위해 가우시안 프로세스 회귀를 사용한다.
• 열화에 가장 관련성이 높은 입력을 동적으로 식별하고 우선순위를 정하는 자동 특성 선택 절차를 구현한다.
• 캘린더 시간과 특정 전압 범위에서의 체류 시간과 같이 열화 속도에 강하게 영향을 주는 변수들에 특성 선택을 집중한다.
• 선택된 특성들을 사용하여 용량, 무릎점, 종료수명 예측을 위한 가우시안 프로세스 모델을 훈련한다.
• 모델을 캘리브레이션하여 불확실성을 추정하고 다양한 배터리 열화 프로파일에 대한 강건성을 향상시킨다.
• 다양한 입력 데이터 유형과 열화 조건에 적응할 수 있도록 특성 선택 프레임워크를 조정한다.

실험 결과

연구 질문

• RQ1 리튬이온 배터리 세포에서 급속한 용량 감소의 시작(무릎점)을 가장 크게 영향을 주는 입력 특성들은 무엇인가?
• RQ2 자동 특성 선택은 데이터 기반 모델이 배터리 건강 궤적을 예측하는 정확도를 어떻게 향상시킬 수 있는가?
• RQ3 최적화된 특성을 갖춘 가우시안 프로세스 회귀 모델은 얼마나 정밀하게 종료수명과 무릎점을 예측할 수 있는가?
• RQ4 다양한 사용 프로토콜에서 캘린더 시간과 전압 노출 시간은 열화 속도에 대해 어떤 영향을 미치는가?
• RQ5 제안된 방법은 다양한 데이터셋에서 용량, 무릎점, 종료수명 예측에 대해 1% 미만의 오차를 달성할 수 있는가?

주요 결과

• 자동 특성 선택 절차는 열화 속도의 주요 예측 변수로 캘린더 시간과 특정 전압 영역에서의 체류 시간을 효과적으로 우선순위에 올렸다.
• 고려된 데이터셋 전반에서 용량 감소 궤적 예측의 중앙 루트 평균 제곱 오차가 1% 미만으로 도달했다.
• 무릎점 예측 오차의 중앙값은 2.6%였으며, 급속 열화의 시작 시점 식별에 뛰어난 정확도를 보였다.
• 종료수명 예측 오차는 중앙값 1.3%로 감소하여 장기적인 배터리 수명 예측의 높은 신뢰성을 입증했다.
• 이 방법은 다양한 입력 데이터 유형에 대해 민첩성과 적응성을 보이며 높은 예측 성능를 유지했다.
• 자동 특성 선택 통합으로 열화에 중요한 변수에 집중함으로써 모델 정확도가 크게 향상되었다.