[논문 리뷰] Integrating Physics-Based Modeling with Machine Learning for Lithium-Ion Batteries

Hao Tu, Scott Moura외 2명|arXiv (Cornell University)|2021. 12. 24.

Advanced Battery Technologies Research인용 수 5

한 줄 요약

이 논문은 물리기반 전기화학적 모델과 등가회로모델을 피드포워드 신경망(FNN)과 융합하는 두 가지 하이브리드 모델링 프레임워크를 제안한다. 물리적 상태 정보를 활용하여 학습 효율성과 예측 정확도를 향상시킨다. 결과적으로 SPMT+FNN 및 NDC+FNN 모델은 다양한 C-레이트에서 높은 전압 예측 정확도를 달성하며 수명 주기 동안도 성능을 유지한다. 실험적 검증을 통해 상태-건강도(SoH) 조건이 다양할 경우에도 강건성을 입증하였다.

ABSTRACT

Mathematical modeling of lithium-ion batteries (LiBs) is a primary challenge in advanced battery management. This paper proposes two new frameworks to integrate physics-based models with machine learning to achieve high-precision modeling for LiBs. The frameworks are characterized by informing the machine learning model of the state information of the physical model, enabling a deep integration between physics and machine learning. Based on the frameworks, a series of hybrid models are constructed, through combining an electrochemical model and an equivalent circuit model, respectively, with a feedforward neural network. The hybrid models are relatively parsimonious in structure and can provide considerable voltage predictive accuracy under a broad range of C-rates, as shown by extensive simulations and experiments. The study further expands to conduct aging-aware hybrid modeling, leading to the design of a hybrid model conscious of the state-of-health to make prediction. The experiments show that the model has high voltage predictive accuracy throughout a LiB's cycle life.

연구 동기 및 목표

• 다양한 운영 조건에서 고정밀도, 계산 효율성이 뛰어난 배터리 모델링을 달성하는 데 도전한다.
• 순수 물리기반 모델의 한계(예: 높은 계산 비용)와 순수 데이터 기반 모델의 한계(예: 일반화 능력 부족 및 물리적 타당성 결여)를 극복한다.
• 전기화학적 및 등가회로 모델의 물리적 해석 가능성과 기계학습을 통한 정확도 향상을 융합한 하이브리드 모델을 개발한다.
• 기계학습 구성 요소에 상태-건강도(SoH) 정보를 통합하여 수명 주기 동안의 예측을 고려한 모델링을 가능하게 한다.
• 기존 모델이 고C-레이트에서 실패하는 전기 항공기와 같은 고출력 시스템에서 실시간 응용에 적합한 모델을 설계한다.

제안 방법

• 물리기반 모델의 상태 변수(예: 농도, 전압)를 피드포워드 신경망(FNN)의 입력으로 통합하는 두 가지 하이브리드 프레임워크—HYBRID-1 및 HYBRID-2—를 제안한다.
• 단일입자모델(SPMT)과 테브닌 기반 등가회로모델(NDC)을 FNN과 융합하여 종단 전압을 예측하는 SPMT+FNN 및 NDC+FNN 하이브리드 모델을 구성한다.
• 일반화를 보장하기 위해 광범위한 C-레이트, 충전상태(SoC), 상태-건강도(SoH)를 포함한 실험 데이터를 사용해 FNN을 학습시킨다.
• SoH를 FNN의 입력 특성로 포함시켜 모델의 강건성을 향상시키고, 수명 주기 동안의 노후화 인식 예측을 가능하게 한다.
• 기본 아키텍처로 4층 FNN을 사용하며, 각 은닉층에 32개의 뉴런을 할당하고, 아키텍처 조정에 대한 유연성을 확보한다.
• 다양한 C-레이트와 배터리 수명 주기 동안의 광범위한 시뮬레이션과 실제 실험을 통해 모델을 검증한다.

실험 결과

연구 질문

• RQ1 물리모델 상태를 기계학습에 통합하면 예측 정확도는 향상되고 모델 복잡도는 감소하는가?
• RQ2 SPMT 및 NDC 기반 하이브리드 모델이 고출력 조건(예: 5 C)을 포함한 광범위한 C-레이트에서 높은 정확도를 달성할 수 있는가?
• RQ3 FNN에 상태-건강도(SoH) 정보를 통합하면 배터리 수명 주기 동안 장기 예측 정확도는 어떻게 향상되는가?
• RQ4 순수 데이터 기반 모델에 비해 하이브리드 모델이 데이터 의존도와 계산 비용을 얼마나 줄이는가?
• RQ5 제안된 프레임워크는 상태-에너지 및 상태-출력 예측과 같은 실시간 배터리 관리 작업을 지원하는 데 확장 가능한가?

주요 결과

• SPMT+FNN 및 NDC+FNN 하이브리드 모델은 고출력 조건까지 5 C에 이르는 광범위한 C-레이트에서 매우 높은 전압 예측 정확도를 달성하며, 기존 모델이 실패하는 영역에서도 성능을 유지한다.
• 순수 데이터 기반 모델에 비해 FNN의 복잡도를 크게 감소시켜 더 빠른 학습과 낮은 계산 비용을 가능하게 한다.
• SoH 정보를 반영한 NDC+FNN 모델은 수명 주기 전반에 걸쳐 높은 예측 정확도를 유지하며, 효과적인 수명 주기 인식 모델링을 입증한다.
• 제안된 프레임워크는 FNN이 비선형 잔여 동역학만 학습하도록 하여 대규모 학습 데이터셋이 필요로 하는 양을 줄이고 일반화 능력을 향상시킨다.
• 특히 고C-레이트에서 순수 전기화학적 및 등가회로 모델보다 정확도와 계산 효율성 면에서 뛰어난 성능을 보이며, 성능을 뛰어나게 한다.
• 실험 결과는 더 단순한 FNN 아키텍처(예: 뉴런 수가 적은 경우)도 유사한 성능을 달성할 수 있음을 보여주며, 정확도, 크기, 복잡도 간의 트레이드오���을 가능하게 한다.