[논문 리뷰] EntroLnn: Entropy-Guided Liquid Neural Networks for Operando Refinement of Battery Capacity Fade Trajectories

Wei Li, Wei Zhang외 1명|arXiv (Cornell University)|2026. 01. 08.

Advanced Battery Technologies Research인용 수 0

한 줄 요약

엔트로Lnn은 엔트로피 가이드 변환 가능 리퀴드 뉴럴 네트워크를 도입하여 실시간으로 전체 배터리 용량 감소 궤적을 정제하고 제한된 데이터와 경량 계산으로 높은 정확도를 달성합니다. 엔트로피 기반 특징을 사용한 CFT에 대해 0.004577 MAE와 엔트로피 기반 특징을 이용한 18 사이클 EoL 예측을 제공합니다.

ABSTRACT

Battery capacity degradation prediction has long been a central topic in battery health analytics, and most studies focus on state of health (SoH) estimation and end of life (EoL) prediction. This study extends the scope to online refinement of the entire capacity fade trajectory (CFT) through EntroLnn, a framework based on entropy-guided transformable liquid neural networks (LNNs). EntroLnn treats CFT refinement as an integrated process rather than two independent tasks for pointwise SoH and EoL. We introduce entropy-based features derived from online temperature fields, applied for the first time in battery analytics, and combine them with customized LNNs that model temporal battery dynamics effectively. The framework enhances both static and dynamic adaptability of LNNs and achieves robust and generalizable CFT refinement across different batteries and operating conditions. The approach provides a high fidelity battery health model with lightweight computation, achieving mean absolute errors of only 0.004577 for CFT and 18 cycles for EoL prediction. This work establishes a foundation for entropy-informed learning in battery analytics and enables self-adaptive, lightweight, and interpretable battery health prediction in practical battery management systems.

연구 동기 및 목표

• SoH 및 EoL를 넘어 작동 중 CFT 정제를 위한 용량 감소 궤적 모델링 확장.
• 온라인 온도 필드로부터 유도된 엔트로피 기반 특징으로 물리적 해석 가능성을 제고.
• 배터리와 작동 조건 전반에 걸쳐 적응하기 위한 정적 및 동적 transformable LNN 개발.
• 감지 요구를 최소화한 데이터 효율적이고 일반화 가능한 배터리 건강 모델링 시연。

제안 방법

• 온도와 공간 간격에서 엔트리 S를 정의하여 열 비균일성 감소 중을 요약한다.
• SoH 모델링의 주요 특징으로 dS/dV를 계산한다.
• dS/dV에서 패턴을 추출하기 위해 경량 2층 1D-CNN을 사용한다.
• 엔트로피 유도 특징을 물리 기반 지표와 함께 주의 기반 다입력 MLP에 융합하여 SoH 추정을 수행한다.
• 정적 LNN을 기준 배터리에서 단기 CFT 정제를 위해 학습시키고 온라인 적응을 통한 장기 정제를 위해 동적 LNN을 학습시킨다.
• 두 단계 배포: 초기 사이클은 정적 LNN이 처리하고, 동적 LNN이 슬라이딩 윈도우를 통해 CFT를 EoL까지 확장한다.

Figure 1. The holistic framework of EntroLnn . The model integrates multiple features of LIBs, including temperature curves, entropy features derived from temperature profiles, and additional attributes extracted from entropy curves. EntroLnn adapts to real-time CFT refinement across different batte

실험 결과

연구 질문

• RQ1 엔트로피 기반 온도 특징이 다양한 배터리에서 작동 중 SoH 및 CFT 정제를 정확하게 가능하게 하는가?
• RQ2 정적 및 동적 LNN이 제한된 초기 사이클 데이터로 보지 못한 배터리에 일반화되는가?
• RQ3 최소한의 데이터와 경량 모델로 CFT 정제 및 EoL 예측의 달성 가능한 정확도는 얼마인가?
• RQ4 작동 중 엔트로피 가이드 학습이 센서 노이즈 및 다양한 작동 조건에 대한 강건성을 향상시키는가?

주요 결과

Method	MAE (SoH)	MAE (EoL)	데이터 저장소	매개변수 (M)
BFRN	0.004775	200 (with 10% data)	0.36 GB for 10 cycles	6.05
BTL	0.02709 (with 30% data)	–	–	–
DRRN	0.012	–	–	0.69
TLPH	–	47.67	–	7.36
DCNN	–	65.00	–	2.39
EntroLnn (ours)	0.004577 (with 10% data)	18 (with 10% data)	239KB for 2,134 cycles	0.25

• EntroLnn은 10% 데이터로 CFT 정제에 대해 MAE 0.004577를 달성한다.
• 10% 데이터로 EoL 예측 MAE는 18 사이클이다.
• 정적 LNN은 평균 SoH evolution MAE가 약 0.0025로 배터리 간 98% SoH까지의 단기 정제에 대해 정확성을 제공한다.
• 동적 LNN은 짧은-중년 배터리의 CFT MAE를 0.0058 미만으로 확장하고 MAPE는 약 0.6%이다.
• 엔트로피 특징을 가진 포인트별 SoH 추정은 MAE 0.0086으로, 온도만 사용하는 것(0.0158)보다 상당히 우수하다.
• 엔트로피 기반 특징은 경량의 센서 효율적 모델링을 가능하게 한다(2,134 사이클에 대한 데이터 저장 239 KB; 매개변수 0.25M).

Figure 2. The original data extraction from the dataset, which consists of 124 batteries. The extracted data include the SoH, voltage, and surface temperature profiles.