[논문 리뷰] Impedance-based Capacity Estimation for Lithium-Ion Batteries Using Generative Adversarial Network

Seongyoon Kim, Yun Young Choi외 1명|arXiv (Cornell University)|2021. 07. 02.

Advanced Battery Technologies Research인용 수 7

한 줄 요약

이 논문은 전기화학적 임피던스 스펙트로스코피(EIS) 데이터에서 유의미한 잠재 변수를 추출하기 위해 정보 최대화 생성 적대적 네트워크를 사용하는 완전히 비지도 학습 방법인 EISGAN을 제안한다. 이 방법은 직접 전류 및 회복 시간 없이도 리튬이온 이차전지의 임피던스 스펙트럼 데이터에서 임계 상태가 아닌 조건에서도 성능을 발휘하며, 잠재 변수는 용량 감소 경향을 효과적으로 반영하고, 가우시안 프로세스 회귀를 통해 더 견고한 용량 추정을 가능하게 한다. 이는 모든 시험 단계에서 평균 절대 오차(MAE)가 2 mAh 이하인 직접 EIS에서 용량 예측보다 뛰어난 성능을 보인다.

ABSTRACT

This paper proposes a fully unsupervised methodology for the reliable extraction of latent variables representing the characteristics of lithium-ion batteries (LIBs) from electrochemical impedance spectroscopy (EIS) data using information maximizing generative adversarial networks. Meaningful representations can be obtained from EIS data even when measured with direct current and without relaxation, which are difficult to express when using circuit models. The extracted latent variables were investigated as capacity degradation progressed and were used to estimate the discharge capacity of the batteries by employing Gaussian process regression. The proposed method was validated under various conditions of EIS data during charging and discharging. The results indicate that the proposed model provides more robust capacity estimations than the direct capacity estimations obtained from EIS. We demonstrate that the latent variables extracted from the EIS data measured with direct current and without relaxation reliably represent the degradation characteristics of LIBs.

연구 동기 및 목표

• EIS 데이터에서 리튬이온 이차전지의 열화 특성을 나타내는 잠재 변수를 추출하기 위한 완전히 비지도 학습 방법을 개발하는 것.
• 직접 전류 및 회복 시간이 없는 조건에서 저주파수 변동이 발생하는 EIS 데이터를 처리하는 데 있어 전통적인 등가 회로 모델(ECM)의 한계를 극복하는 것.
• EIS 데이터에서 유도된 잠재 표현을 활용하여 상태-오브-헬스(SOH) 추정의 견고성과 정확도를 향상시키는 것.
• 다양한 충전/방전 및 회복 조건 하에서 제안된 방법을 검증하여 실제 측정 조건의 다양성에 대한 일반화 능력을 입증하는 것.
• EISGAN 기반 용량 추정 성능을 직접 EIS에서 용량으로의 회귀 분석과 비교하여 노이즈에 대한 내성 및 예측 안정성의 우월성을 강조하는 것.

제안 방법

• 모델은 지도 학습에 필요한 진짜 레이블 없이도 비지도 EIS 데이터에서 의미 있는 잠재 표현을 학습하기 위해 정보 최대화 생성 적대적 네트워크(InfoGAN)를 사용한다.
• InfoGAN 아키텍처는 잠재 변수와 관측된 EIS 데이터 간의 상호정보를 최대화함으로써, 비평형 EIS 측정치에서도 이해 가능하고 견고한 특징 추출이 가능하다.
• 직접 전류 및 회복 없이 측정된 충전 및 방전 중의 EIS 스펙트럼에서 잠재 변수를 추출하며, 이는 기존 회로 모델에 있어 일반적으로 문제로 간주되는 조건이다.
• 추출된 잠재 변수는 가우시안 프로세스 회귀(GPR)의 입력 특징으로 사용되어 배터리 방전 용량을 예측한다.
• 다양한 회복 시간과 DC 조건 하에서 다수의 배터리 세포를 대상으로 모델을 훈련 및 검증하여 견고성 평가를 수행한다.
• 성능 평가에는 평균 절대 오차(MAE)와 제곱근 평균 제곱 오차(RMSE)를 사용하며, EISGAN 기반 추정과 직접 EIS에서 용량으로의 GPR 예측을 비교한다.

Figure 1: Network structure of EISGAN and procedure of SOH estimation using GPR.

실험 결과

연구 질문

• RQ1 InfoGAN은 직접 전류 및 회복 없이 측정된 비평형 조건의 EIS 데이터로부터 효과적으로 잠재 변수를 추출할 수 있는가?
• RQ2 추출된 잠재 변수는 사이클 수에 따라 용량 감소 경향을 신뢰성 있게 반영하는가?
• RQ3 측정 노이즈 및 변동에 대한 내성 측면에서 EISGAN의 용량 추정 성능은 직접 EIS에서 용량으로의 회귀 분석보다 어떻게 비교되는가?
• RQ4 EISGAN이 학습한 잠재 변수는 다양한 충전/방전 단계 및 회복 조건 간에 일반화 가능한가?
• RQ5 데이터 품질(예: 저주파수 변동)이 잠재 표현의 신뢰성 및 이후 용량 예측에 어떤 영향을 미치는가?

주요 결과

• EISGAN 모델은 직접 전류 및 회복 없이 측정된 EIS 데이터에서조차도 의미 있는 잠재 변수를 성공적으로 추출하였으며, 이는 기존의 회로 모델이 어려움을 겪는 조건이다.
• 잠재 변수는 사이클 수에 따른 용량 감소 경향을 명확히 반영하여 배터리 건강 상태를 대표하는 것으로 나타났다.
• EISGAN 기반 용량 추정은 모든 시험 단계에서 평균 절대 오차(MAE)가 2 mAh 이하로 매우 높은 정확도를 보였다.
• 모든 시험용 배터리 세포에서 제곱근 평균 제곱 오차(RMSE)가 2 mAh 이하로 유지되어 일관되고 신뢰할 수 있는 성능을 확인하였다.
• 노이즈 또는 비평형 조건에서 EISGAN은 직접 EIS에서 용량으로의 GPR보다 더 견고한 성능을 보였으며, 이는 예측 편차의 중앙값과 범위가 낮게 나타났다.
• EISGAN의 중앙값 편차는 양수(약간의 과소추정)였고, EIS-Capacity GPR의 경우 음수(약간의 과소추정)였으며, 이는 EISGAN이 데이터 노이즈 및 측정 변동에 더 강건함을 시사한다.

Figure 2: EIS data of 25C06 collected at different stages during CC-CV charging and CC discharging over 20, 40, 60, 80, and 100 cycles. Only stages with a non-zero SOC are considered.