[논문 리뷰] BatteryML:An Open-source platform for Machine Learning on Battery Degradation

Han Zhang, Xiaofan Gui외 4명|arXiv (Cornell University)|2023. 10. 23.

Green IT and Sustainability인용 수 5

한 줄 요약

BatteryML은 배터리 열화 분석을 위한 오픈소스이자 통합된 플랫폼으로, 데이터 전처리, 특징 공학, 기존 및 딥러닝 모델을 통합한다. 이 플랫폼은 이질적인 배터리 데이터셋을 표준화하고, 원활한 모델 훈련 및 평가를 가능하게 하며, LSTMs, Transformers, XGBoost 등을 포함한 14개의 모델을 즉시 사용할 수 있도록 제공함으로써 연구의 재현성과 데이터셋 간 비교 분석을 크게 향상시킨다.

ABSTRACT

Battery degradation remains a pivotal concern in the energy storage domain, with machine learning emerging as a potent tool to drive forward insights and solutions. However, this intersection of electrochemical science and machine learning poses complex challenges. Machine learning experts often grapple with the intricacies of battery science, while battery researchers face hurdles in adapting intricate models tailored to specific datasets. Beyond this, a cohesive standard for battery degradation modeling, inclusive of data formats and evaluative benchmarks, is conspicuously absent. Recognizing these impediments, we present BatteryML - a one-step, all-encompass, and open-source platform designed to unify data preprocessing, feature extraction, and the implementation of both traditional and state-of-the-art models. This streamlined approach promises to enhance the practicality and efficiency of research applications. BatteryML seeks to fill this void, fostering an environment where experts from diverse specializations can collaboratively contribute, thus elevating the collective understanding and advancement of battery research.The code for our project is publicly available on GitHub at https://github.com/microsoft/BatteryML.

연구 동기 및 목표

• 배터리 열화 모델링 분야에서 표준화된 데이터 포맷과 평가 벤치마크의 부족을 해결하기 위해.
• 데이터 전처리, 특징 추출, 모델 구현을 통합함으로써 머신러닝 전문가와 배터리 과학자 간 격차를 해소하기 위해.
• 다양한 배터리 데이터셋 간 일관되고 재현 가능하며 효율적인 머신러닝 모델 훈련 및 평가를 가능하게 하기 위해.
• 기존 통계 모델과 최신 딥러닝 아키텍처(예: LSTM, Transformer)를 하나의 확장 가능한 프레임워크 내에서 지원하기 위해.
• 모델 비교와 데이터셋 상호운용성을 위한 공동 연구를 촉진하기 위해 공개된 공통 플랫폼을 제공하기 위해.

제안 방법

• BatteryML은 데이터 로딩, 특징 추출, 모델 훈련을 위한 구성 가능한 컴포onents를 갖춘 모듈러한 파이프라인 아키텍처를 사용한다.
• 다양한 형식(예: .csv, .mat, .pkl)의 이질적인 배터리 데이터를 통일된 데이터 스키마를 통해 표준화하여 일관된 내부 표현으로 변환한다.
• 원시 충·방전 사이클에서 예측 가능한 특징을 생성하기 위해 'VoltageCapacityMatrixFeatureExtractor' 및 'RULLabelAnnotator'와 같은 특징 추출기 세트를 구현한다.
• 입력 특징을 정규화하고 안정화하기 위해 'ZScoreDataTransformation' 및 'LogScaleDataTransformation'과 같은 표준화된 데이터 변환을 적용한다.
• scikit-learn 및 PyTorch 호환 인터페이스를 사용하여 Linear Regression, XGBoost, LSTM, CNN, Transformer 등을 포함한 총 14개의 사전 구현된 모델을 통합한다.
• 구성 파일을 통한 엔드 투 엔드 훈련 및 평가 워크플로우를 지원함으로써 MATR, CALCE, RWTH 등의 데이터셋 간 재현 가능한 실험을 가능하게 한다.

Figure 1: Framework of BatteryML.

실험 결과

연구 질문

• RQ1 화학 조성이 다르고, 데이터 포맷과 운영 프로파일이 다양한 이질적인 배터리 데이터셋을 하나의 상호운용 가능한 프레임워크로 통합할 수 있는가?
• RQ2 표준화된 플랫폼이 다양한 연구 팀 간에 배터리 열화 모델의 재현성과 비교 가능성에 얼마나 기여하는가?
• RQ3 통합된 플랫폼이 전통적인 머신러닝 모델과 현대적인 딥러닝 아키텍처(예: Transformers, LSTMs)를 동시에 효과적으로 지원할 수 있는가?
• RQ4 도메인 인식 특징 공학과 표준화된 전처리 통합이 다양한 배터리 유형과 조건 간의 모델 일반화에 어떤 영향을 미치는가?
• RQ5 최신 기술 모델(예: XGBoost, LSTM)이 원시 데이터가 아닌 표준화된 전처리된 데이터에서 훈련될 경우 성능 향상은 어느 정도인가?

주요 결과

• BatteryML은 MATR, CALCE, RWTH, HUST 등 10개 이상의 다양한 배터리 데이터셋을 통합된 데이터 스키마로 표준화하여 데이터셋 간 비교를 가능하게 하였다.
• XGBoost, LSTM, Transformer 등 총 14개의 모델을 동일한 벤치마크 데이터에서 직접 비교할 수 있었으며, RUL 예측에서 XGBoost와 LSTM이 최고의 성능을 보였다.
• Z-score 및 로그 스케일 변환과 같은 표준화된 전처리를 적용함으로써 다양한 배터리 화학 조성 간 모델 수렴성 향상과 분산 감소가 관찰되었다.
• VoltageCapacityMatrixFeatureExtractor와 같은 도메인 특화 특징 추출기를 통합함으로써 용량 및 전압 프로파일의 핵심 열화 패턴을 효과적으로 포착하여 모델 성능이 향상되었다.
• 구성 기반 워크플로우 덕분에 배터리 모델 훈련 설정 시간이 수동 구현 대비 70% 이상 감소하여 연구 효율성이 증가하였다.
• 동일한 모델 설정이 다양한 컴퓨팅 환경에서 일관된 결과를 생성함으로써 높은 재현성을 입증하였다.

Figure 2: MATR1 degradation curve showcasing the train and test dataset discharge capacity