[논문 리뷰] Latent Function Decomposition for Forecasting Li-ion Battery Cells Capacity: A Multi-Output Convolved Gaussian Process Approach

Abdallah Chehade, Ala A. Hussein|arXiv (Cornell University)|2019. 07. 19.

Advanced Battery Technologies Research참고 문헌 34인용 수 4

한 줄 요약

이 논문은 다중 출력 컨볼루션 가우시안 프로세스(MCGP) 프레임워크를 제안하며, 이는 여러 리튬이온 이차전지 세포의 용량 추세를 잠재 기능으로 분해하고, 커널 스무딩기를 통해 이들을 컨볼루션하여 향후 용량을 고정도로 예측한다. 이 방법은 세포 간 상관관계를 포착하고 예측 불확실성을 제공하며, 실험 데이터에서 벤치마크를 능가한다.

ABSTRACT

A latent function decomposition method is proposed for forecasting the capacity of lithium-ion battery cells. The method uses the Multi-Output Gaussian Process, a generative machine learning framework for multi-task and transfer learning. The MCGP decomposes the available capacity trends from multiple battery cells into latent functions. The latent functions are then convolved over kernel smoothers to reconstruct and/or forecast capacity trends of the battery cells. Besides the high prediction accuracy the proposed method possesses, it provides uncertainty information for the predictions and captures nontrivial cross-correlations between capacity trends of different battery cells. These two merits make the proposed MCGP a very reliable and practical solution for applications that use battery cell packs. The MCGP is derived and compared to benchmark methods on an experimental lithium-ion battery cells data. The results show the effectiveness of the proposed method.

연구 동기 및 목표

• 패키지 내 여러 리튬이온 이차전지 세포의 용량 열화를 정확하게 예측하는 데 도전한다.
• 다른 세포의 용량 추세 간 복잡한 비선형 상관관계를 모델링한다.
• 안전이 중요한 전지 응용 분야를 위한 예측과 함께 신뢰할 수 있는 불확실성 추정을 제공한다.
• 전이 학습이 가능한 생성적 기계학습 프레임워크를 개발한다.

제안 방법

• 이 방법은 다중 출력 가우시안 프로세스(MCGP)를 사용하여 여러 전지 세포의 용량 추세를 공유 잠재 기능 공간의 출력으로 모델링한다.
• 잠재 기능은 관측된 용량 데이터를 이용해 확률적 생성 모델을 통해 추론되며, 기저의 열화 패턴을 포착한다.
• 이러한 잠재 기능들은 커널 스무딩기를 통해 컨볼루션되어 개별 세포의 용량 추세를 재구성하고 예측한다.
• 컨볼루션 연산은 세포 간 용량 열화에 대한 민감한 비정상 모델링을 가능하게 한다.
• MCGP 프레임워크는 잠재 기능 공간을 통해 세포 간 정보를 공유함으로써 전이 학습을 가능하게 한다.
• 모델은 관측된 용량 데이터를 사용하여 엔드 투 엔드로 훈련되며, 전체 추론 체인에 걸쳐 불확실성이 전파된다.

실험 결과

연구 질문

• RQ1 공유 잠재 기능 공간이 여러 리튬이온 이차전지 세포의 열화 추세를 효과적으로 모델링할 수 있는가?
• RQ2 MCGP 프레임워크는 다른 세포의 용량 추세 간 비트레이서블한 상관관계를 얼마나 잘 포착하는가?
• RQ3 기본 모델 대비 예측 정확도가 얼마나 향상되는가?
• RQ4 실제 응용에서 전지 용량 예측에 대해 신뢰할 수 있는 불확실성 추정을 제공할 수 있는가?

주요 결과

• 제안된 MCGP 방법은 실험적 리튬이온 이차전지 데이터에서 벤치마크 모델보다 높은 예측 정확도를 달성한다.
• 이 방법은 다른 전지 세포의 용량 추세 간 비트레이서블한 상관관계를 효과적으로 포착한다.
• 예측 불확실성 추정치는 잘 校정되어 신뢰할 수 있는 예측 구간을 제공한다.
• MCGP 프레임워크는 전이 학습을 가능하게 하여 세포당 데이터가 제한된 경우 일반화 능력을 향상시킨다.
• 잠재 기능을 커널 스무딩기와 컨볼루션함으로써 재구성 및 예측 성능이 향상된다.
• 이 방법은 전지 세포 팩을 포함한 실용적 응용 분야에서 강건성과 신뢰성을 입증한다.