[논문 리뷰] Digital Twin for Real-time Li-ion Battery State of Health Estimation with Partially Discharged Cycling Data

Yan Qin, Anushiya Arunan외 1명|arXiv (Cornell University)|2022. 12. 09.

Advanced Battery Technologies Research인용 수 7

한 줄 요약

이 논문은 부분 방전 주기 데이터를 활용하여 실시간 리튬이온 배터리 상태의 건강도(SOH) 추정을 위한 디지털 트윈 프레임워크를 제안한다. 에너지 차이 인식 동기화, 시간 주의력 기반 딥러닝 모델, 유사도 기반 데이터 복원 기법을 활용하여, 대부분의 샘플링 시간에서 실시간 SOH 추정 오차가 1% 미만을 기록한다. 이는 전체 방전 주기를 요구하지 않고도 정확한 건강 모니터링을 가능하게 한다.

ABSTRACT

To meet the fairly high safety and reliability requirements in practice, the state of health (SOH) estimation of Lithium-ion batteries (LIBs), which has a close relationship with the degradation performance, has been extensively studied with the widespread applications of various electronics. The conventional SOH estimation approaches with digital twin are end-of-cycle estimation that require the completion of a full charge/discharge cycle to observe the maximum available capacity. However, under dynamic operating conditions with partially discharged data, it is impossible to sense accurate real-time SOH estimation for LIBs. To bridge this research gap, we put forward a digital twin framework to gain the capability of sensing the battery's SOH on the fly, updating the physical battery model. The proposed digital twin solution consists of three core components to enable real-time SOH estimation without requiring a complete discharge. First, to handle the variable training cycling data, the energy discrepancy-aware cycling synchronization is proposed to align cycling data with guaranteeing the same data structure. Second, to explore the temporal importance of different training sampling times, a time-attention SOH estimation model is developed with data encoding to capture the degradation behavior over cycles, excluding adverse influences of unimportant samples. Finally, for online implementation, a similarity analysis-based data reconstruction has been put forward to provide real-time SOH estimation without requiring a full discharge cycle. Through a series of results conducted on a widely used benchmark, the proposed method yields the real-time SOH estimation with errors less than 1% for most sampling times in ongoing cycles.

연구 동기 및 목표

• 기존 디지털 트윈 기법이 정확한 SOH 추정을 위해 전체 충전/방전 주기를 요구하는 한계를 해결하기 위해.
• 전체 주기 데이터가 확보되지 않은 실시간 부분 방전 주기 중에서도 실시간 SOH 추정을 가능하게 하기 위해.
• 물리적 노화 거동과 기계학습을 융합한 데이터 기반 디지털 트윈을 개발하여 정확도와 적응성을 향상시키기 위해.
• 실제 배터리 운영에서 변동하는 주기 패턴으로 인한 시간적 정렬 및 데이터 일관성 문제를 해결하기 위해.

제안 방법

• 에너지 차이 인식 동기화 기법은 시간적 상관관계, 공간적 형태, 에너지 차이를 유지하면서 부분 방전 주기 데이터를 다양한 주기 간에 정렬하여 일관된 데이터 구조를 확보한다.
• 시간 주의력 기반 SOH 추정 모델은 순차적 배터리 데이터를 인코딩하며, 노화 관련 중요도에 따라 샘플링 시간에 동적 중요도를 할당한다.
• 유사도 분석 기반 데이터 복원은 기준 데이터에서 가장 유사한 이전 배터리 경로를 식별하고 활용하여 실시간 SOH 추정을 가능하게 한다.
• 이 프레임워크는 오프라인으로 학습된 모델과 온라인 추론를 통합하여 주기 완료를 기다리지 않고도 지속적인 건강 상태 업데이트를 가능하게 한다.
• 디지털 트윈 프레임워크는 물리적 배터리 노화 모델과 기계학습을 융합하여 새로운 측정치에 동적으로 적응할 수 있도록 한다.
• 향후 모델 업데이트를 위해 분포 이탈을 처리하기 위해 전이 학습 기법을 제안한다.

실험 결과

연구 질문

• RQ1 부분적으로 방전된 주기 데이터만을 사용하여 디지털 트윈 프레임워크가 실시간으로 정확한 배터리 SOH를 추정할 수 있는가?
• RQ2 길이가 다른 불완전한 주기 데이터를 어떻게 정렬할 수 있으며, 노화 관련 특징을 유지할 수 있는가?
• RQ3 배터리 노화 과정에서 다양한 샘플링 시간의 시간적 중요도는 무엇이며, 이를 효과적으로 모델링할 수 있는가?
• RQ4 유사도 기반 데이터 복원 기법을 통해 전체 방전 주기를 요구하지 않고도 신뢰할 수 있는 실시간 SOH 추정이 가능한가?
• RQ5 기존의 부분 데이터 기반 SOH 추정 기법과 비교해 본다면, 제안된 방법은 정확도와 안정성 측면에서 어떻게 우월한가?

주요 결과

• 제안된 방법은 대부분의 샘플링 시간에서 실시간 SOH 추정 오차가 1% 이하로 일관되게 유지된다.
• 에너지 차이 인식 동기화 기법은 다양한 방전 깊이에서의 주기 데이터 간 시간적·공간적 정렬을 안정적으로 확보한다.
• 시간 주의력 모델은 중요한 샘플링 간격에 더 높은 중요도를 할당하여 노화 경향을 효과적으로 포착함으로써 추정의 강건성을 향상시킨다.
• 기존 방법, 특히 [36]에서 제시한 부분 데이터 기반 SOH 방법과 비교해 볼 때, 정적 값이 아닌 동적이고 주기별로 추정 가능한 점에서 뛰어난 성능을 보인다.
• 주기 종료 시점 추정 결과는 테스트한 7개의 배터리 셀 전반에서 뛰어난 성능을 보였으며, 가장 낮은 RMSE와 가장 높은 R² 값을 기록했다.
• 51번째 샘플링 간격 이후로 추정 값은 안정적이고 정확해지며, 이는 데이터 유사도 증가와 노화 특징의 뚜렷함과 관련이 있다.