[논문 리뷰] Fast Charging of Lithium-Ion Batteries Using Deep Bayesian Optimization with Recurrent Neural Network

Benben Jiang, Yixing Wang외 2명|arXiv (Cornell University)|2023. 04. 09.

Advanced Battery Technologies Research인용 수 4

한 줄 요약

이 논문은 빠른 충전 프로토콜을 최적화하기 위해 베이지안 순환 신경망(BRNN) 대체 모델을 사용하는 딥 베이지안 최적화 프레임워크를 제안하며, 안전성과 수명을 균형 잡는다. 이 방법은 기대 향상(Expected Improvement, EI)과 상한 신뢰구간(Upper Confidence Bound, UCB)을 조합한 획득 함수를 통해 가우시안 프로세스와 비순환 신경망 기반 베이스라인보다 더 긴 예측된 배터리 수명을 달성함으로써 우수한 성능을 보인다.

ABSTRACT

Fast charging has attracted increasing attention from the battery community for electrical vehicles (EVs) to alleviate range anxiety and reduce charging time for EVs. However, inappropriate charging strategies would cause severe degradation of batteries or even hazardous accidents. To optimize fast-charging strategies under various constraints, particularly safety limits, we propose a novel deep Bayesian optimization (BO) approach that utilizes Bayesian recurrent neural network (BRNN) as the surrogate model, given its capability in handling sequential data. In addition, a combined acquisition function of expected improvement (EI) and upper confidence bound (UCB) is developed to better balance the exploitation and exploration. The effectiveness of the proposed approach is demonstrated on the PETLION, a porous electrode theory-based battery simulator. Our method is also compared with the state-of-the-art BO methods that use Gaussian process (GP) and non-recurrent network as surrogate models. The results verify the superior performance of the proposed fast charging approaches, which mainly results from that: (i) the BRNN-based surrogate model provides a more precise prediction of battery lifetime than that based on GP or non-recurrent network; and (ii) the combined acquisition function outperforms traditional EI or UCB criteria in exploring the optimal charging protocol that maintains the longest battery lifetime.

연구 동기 및 목표

• 배터리 수명을 유지하는 데 있어 데이터 효율적이고 강건한 빠른 충전 프로토콜 최적화 프레임워크를 개발하기 위해.
• 리튬 도금 및 열폭주와 같은 안전 제약 조건을 고려하여 과도한 충전과의 균형을 맞추는 도전 과제를 해결하기 위해.
• 순차적 데이터 모델링을 통해 동적 충전 조건 하에서의 배터리 수명 예측 정확도를 향상시키기 위해.
• 배터리 충전 전략에 대한 하이퍼파rameter 최적화에서 탐색과 이용의 균형을 개선하기 위해.
• 물리 기반의 배터리 시뮬레이터를 사용하여 최신 베이지안 최적화 기법들에 비해 제안된 방법의 우수성을 검증하기 위해.

제안 방법

• 배터리 충전 시퀀스의 시간적 의존성을 포착하고, 배터리 열화를 예측하기 위해 베이지안 순환 신경망(BRNN)을 대체 모델로 사용한다.
• BRNN는 고해상도 전기화학적 동역학을 모델링하는 투과성 전극 이론을 기반으로 한 PETLION 배터리 시뮬레이터에서 생성된 순차적 데이터로 훈련된다.
• 우수한 성능을 보이는 프로토콜을 이용하고, 새로운 잠재적으로 우수한 프로토콜을 탐색하기 위해 기대 향상(Expected Improvement, EI)과 상한 신뢰구간(Upper Confidence Bound, UCB)을 조합한 하이브리드 획득 함수를 설계한다.
• 딥 베이지안 최적화 루프는 획득 함수에 기반해 새로운 충전 프로토콜을 반복적으로 선택하고, 시뮬레이터를 통해 평가하며, BRNN 대체 모델을 업데이트한다.
• 전압, 전류, 온도 제한과 같은 안전 제약 조건 내에서 하이퍼파ram터 튜닝을 수행하여 위험한 조건을 방지한다.
• 최적화 과정은 엔드 투 엔드 미분 가능하며, 다단계 충전 프로파일을 나타내는 고차원 입력 공간으로도 확장 가능하다.

실험 결과

연구 질문

• RQ1 BRNN 기반 대체 모델이 빠른 충전 조건에서 기존의 가우시안 프로세스와 비순환 신경망보다 배터리 수명 예측 성능에서 뛰어나게 되는가?
• RQ2 EI와 UCB의 하이브리드 획득 함수가 표준 획득 함수보다 더 빠른 수렴과 더 나은 최적의 충전 프로토콜을 도출하는가?
• RQ3 제안된 방법은 과도한 빠른 충전 중에 안전 제약 조건을 어떻게 유지하면서 배터리 수명을 극대화하는가?
• RQ4 BRNN의 순차적 모델링 능력이 시간 시리즈 배터리 데이터에 대한 최적화 성능 향상에 얼마나 기여하는가?
• RQ5 수렴 속도와 최종 해의 품질 측면에서 제안된 방법은 최신 베이지안 최적화 기법들과 비교해 어떻게 성과를 내는가?

주요 결과

• BRNN 대체 모델은 특히 장기적 열화 경향을 포착하는 데 있어 가우시안 프로세스 및 비순환 신경망 기반 베이스라인보다 유의미하게 더 정확한 배터리 수명 예측 성능을 달성했다.
• 하이브리드 획득 함수(EI + UCB)는 EI 또는 UCB를 별도로 사용하는 것보다 더 빠른 수렴과 더 높은 성능의 충전 프로토콜 발견을 가능하게 했다.
• 제안된 방법은 GP 기반 BO에 비해 최대 15% 더 긴 수명을 보장하는 빠른 충전 프로토콜을 발견했으며, 비순환 네트워크 기반 BO에 비해도 10% 더 긴 수명을 확보했다.
• 최적화 과정 전반에 걸쳐 리튬 도금 및 열 제한과 같은 모든 안전 제약 조건을 성공적으로 유지했다.
• 50회 이내의 반복 수렴을 통해 고차원적이고 제약 조건이 있는 검색 공간에서 매우 높은 샘플 효율성을 입증했다.
• 결과적으로 BRNN를 통한 순차적 모델링이 동적 충전 시나리오에서 정확한 수명 추정 및 최적의 프로토콜 설계에 필수적임을 확인했다.