[논문 리뷰] Hybrid physics-based and data-driven modeling with calibrated uncertainty for lithium-ion battery degradation diagnosis and prognosis

Jing Lin, Yu Zhang외 1명|arXiv (Cornell University)|2021. 10. 25.

Advanced Battery Technologies Research참고 문헌 23인용 수 7

한 줄 요약

이 논문은 실시간 리튬이온 이차전지 노화 진단 및 예측을 위한 하이브리드 물리기반 및 데이터 기반 모델을 제안한다. 물리적 노화 역학과 통계적 학습을 통합하여 해석 가능성, 일반화 능력 및 불확실성 캘리브레이션을 향상시킨다. 이 방법은 제한된 데이터와 실제 세계의 변동성 조건에서도 정확하고 온라인으로 상태의 건강도(health) 추정과 잔여 수명 예측을 가능하게 하며, 잘 캘리브레이션된 불확실성을 제공한다.

ABSTRACT

Advancing lithium-ion batteries (LIBs) in both design and usage is key to promoting electrification in the coming decades to mitigate human-caused climate change. Inadequate understanding of LIB degradation is an important bottleneck that limits battery durability and safety. Here, we propose hybrid physics-based and data-driven modeling for online diagnosis and prognosis of battery degradation. Compared to existing battery modeling efforts, we aim to build a model with physics as its backbone and statistical learning techniques as enhancements. Such a hybrid model has better generalizability and interpretability together with a well-calibrated uncertainty associated with its prediction, rendering it more valuable and relevant to safety-critical applications under realistic usage scenarios.

연구 동기 및 목표

• 노화 메커니즘에 대한 이해 부족으로 인한 배터리 내구성 및 안전성의 핵심적 한계를 해결하기 위해.
• 이전 순환 데이터에 대한 의존도를 최소화하면서도 알려진 물리 원리를 활용하여 일반화 능력과 해석 가능성을 향상시키기 위해.
• 실제 사용 패턴을 반영한 온라인 진단(상태의 건강도 추정)과 예측(잔여 수명 예측)을 가능하게 하기 위해.
• 안전 중심 응용 분야에서 신뢰할 수 있는 예측을 지원하기 위해 예측의 불확실성을 잘 캘리브레이션하기 위해.
• 순수 데이터 기반 모델과 순수 물리 기반 모델 사이의 격차를 극복하기 위해 물리 지식과 기계 학습을 체계적으로 통합하기 위해.

제안 방법

• 물리기반 노화 역학이 기초가 되고, 모델링되지 않은 영향을 포괄하기 위해 데이터 기반 성분(예: 가우시안 프로세스 또는 머신러닝 모델)을 잔차 항으로 추가하는 하이브리드 모델링 프레임워크를 수립한다.
• 물리 원리(예: 다공성 전극 이론 및 부반응 동역학)에 기반하여 θ로 매arameter화된 동적 시스템을 사용하여 노화 진전을 명시적으로 모델링한다.
• 알 수 없는 기능적 의존성(예: 충전 상태(SOC) 및 온도에 대한 의존성)을 확률적 과정 또는 학습된 함수로 간주하여 모델 불확실성을 통합한다.
• 순차적 관측을 이용해 상태 변수와 모델 파라미터를 동시에 갱신할 수 있는 온라인 필터링 및 데이터 융합 프레임워크를 적용하여 실시간 적응을 가능하게 한다.
• 순환 데이터로부터 자동으로 관련 노화 모드를 식별하기 위해 희소 회귀 및 모델 선택 기법을 활용한다.
• 통계적 추론을 통해 파라미터 추정 및 예측의 불확실성을 캘리브레이션하여, 데이터 부족 및 현장 노이즈 조건에서도 신뢰성을 확보한다.

실험 결과

연구 질문

• RQ1 물리기반 노화 역학과 데이터 기반 잔차를 조합한 하이브리드 모델이 순수 데이터 기반 또는 순수 물리 기반 모델보다 예측 정확도와 일반화 능력을 향상시킬 수 있는가?
• RQ2 안전 중심 응용 분야에서 신뢰할 수 있는 온라인 진단 및 예측을 지원하기 위해 모델 불확실성을 어떻게 잘 캘리브레이션할 수 있는가?
• RQ3 물리 지식을 통합함으로써 얼마나 많은 이전 순환 데이터셋이 필요로 하는지 감소시킬 수 있는가?
• RQ4 잔차 데이터 기반 성분이 기존 물리 모델이 설명하지 못하는 노화 패턴을 효과적으로 포괄할 수 있는가?
• RQ5 필터링을 통한 온라인 동시 상태 및 파라미터 추정이 실제 세계의 데이터 변동성 조건에서 SOH 및 RUL 예측의 강건성을 어떻게 향상시키는가?

주요 결과

• 물리 기반 노화 메커니즘을 통합함으로써 순수 데이터 기반 모델보다 더 뛰어난 일반화 능력과 해석 가능성을 확보한다.
• 잘 캘리브레이션된 예측 불확실성은 제한된 또는 노이즈가 많은 현장 데이터 조건에서도 안전 중심 응용 분야에서 더 신뢰할 수 있는 의사결정을 가능하게 한다.
• 물리 지식을 통합함으로써 학습 데이터의 양을 줄이고 다양한 사용 패턴에서 모델의 강건성을 향상시킨다.
• 잔차 데이터 기반 성분(예: 가우시안 프로세스)은 물리 기반 모델이 반영하지 못한 모델 편향 및 모델링되지 않은 노화 역학을 효과적으로 포괄한다.
• 하이브리드 모델을 온라인 필터링 프레임워크에 통합함으로써 실시간으로 적응 가능한 상태 및 파라미터 추정이 가능해져 시간이 지남에 따라 예측 정확도가 향상된다.
• 이 방법은 실제 현장 데이터에 대한 더 넓은 적용 가능성을 제공하며, 신뢰할 수 있는 SOH 추정을 통해 2차 사용 배터리 응용 분야의 잠재력을 열어 놓는다.