[논문 리뷰] Learning battery model parameter dynamics from data with recursive Gaussian process regression

Antti Aitio, Dominik Jöst외 2명|arXiv (Cornell University)|2023. 04. 26.

Advanced Battery Technologies Research인용 수 5

한 줄 요약

이 논문은 실제 데이터로부터 배터리 모델의 파라미터 동역학을 학습하는 재귀적 가우시안 프로세스 회귀 프레임워크를 제안하며, 정확하고 계산적으로 효율적이며 강건한 배터리 상태 및 파라미터 추정을 가능하게 하여 상태의 건강도(SOH) 모니터링을 실현한다. 이 방법은 상태의 충전도, 전류 및 수명과 같은 변수에 따라 상태와 시간에 따라 변하는 파라미터(예: 용량, 내부 저항)를 동시에 추정하며, 시뮬레이션된 데이터와 측정된 데이터 양쪽 모두에서 높은 정확도와 예측 능력을 달성한다.

ABSTRACT

Estimating state of health is a critical function of a battery management system but remains challenging due to the variability of operating conditions and usage requirements of real applications. As a result, techniques based on fitting equivalent circuit models may exhibit inaccuracy at extremes of performance and over long-term ageing, or instability of parameter estimates. Pure data-driven techniques, on the other hand, suffer from lack of generality beyond their training dataset. In this paper, we propose a hybrid approach combining data- and model-driven techniques for battery health estimation. Specifically, we demonstrate a Bayesian data-driven method, Gaussian process regression, to estimate model parameters as functions of states, operating conditions, and lifetime. Computational efficiency is ensured through a recursive approach yielding a unified joint state-parameter estimator that learns parameter dynamics from data and is robust to gaps and varying operating conditions. Results show the efficacy of the method, on both simulated and measured data, including accurate estimates and forecasts of battery capacity and internal resistance. This opens up new opportunities to understand battery ageing in real applications.

연구 동기 및 목표

• 변동하는 실제 운영 조건 하에서 모델 기반 배터리 관리 시스템에서의 정확하지도 않고 불안정한 파라미터 추정 문제를 해결하기 위해.
• 순수하게 데이터 기반의 방법의 한계를 극복하기 위해, 학습 데이터를 초월한 일반화 능력이 부족하고 데이터 누락 및 비정상성 문제를 애로로 느끼는 점을 해결하기 위해.
• 베이지안 추론을 활용하여 시간에 따라 변하는 파라미터 동역학을 포괄하는 하이브리드 모델-기반 및 데이터 기반 접근법을 개발하기 위해.
• 기존의 O(n³) 스케일링 대비 O(n) 스케일링을 허용하는 재귀적 추정을 통해 온라인 응용 프로그램에 적합한 계산 효율성을 확보하기 위해.
• 실제 현장 데이터를 기반으로 장기적인 노후화 조건 하에서 배터리 용량과 내부 저항을 정확하게 예측할 수 있도록 하기 위해.

제안 방법

• 이 방법은 상태의 충전도, 전류 및 배터리 수명에 따라 의존하는 가우시안 프로세스(GP)로 배터리 파라미터(예: 용량, 저항)를 모델링한다.
• 선형 확률 미분 방정식 표현 기반의 재귀적 GP 회귀 공식을 활용하여 온라인 실시간 추정이 가능하다.
• 함수와 초모수에 대한 사후 분포를 재귀적으로 업데이트하기 위해 칼만 필터와 라우흐-퉁-스트리벨 스무딩기를 사용한다.
• 커널 함수는 시간과 입력 공간에서 분리 가능하다고 가정하여 상태공간 표현을 통한 효율적 구현이 가능하다.
• 로그 최대우도를 사용하여 초모수를 재귀적으로 최적화함으로써 데이터 누락 및 다양한 운영 조건에 대한 강건성을 확보한다.
• 상태와 파라미터 추정을 하나의 통합된 공동 관측기로 통합하여 일관성 향상과 계산 비용 감소를 달성한다.

실험 결과

연구 질문

• RQ1 노이즈가 많고 누락된, 비정상적인 실제 데이터에서 재귀적 가우시안 프로세스 회귀 프레임워크가 시간에 따라 변하는 배터리 모델 파라미터를 정확하게 추정할 수 있는가?
• RQ2 제안된 방법은 기존의 표준 모델 기반 또는 데이터 기반 접근법에 비해 배터리 상태의 건강도(SOH) 추정의 정확도와 강건성에서 얼마나 향상되는가?
• RQ3 변동하는 운영 조건 하에서 장기적인 노후화 조건에서 향후 배터리 용량과 내부 저항을 얼마나 오랫동안 정확하게 예측할 수 있는가?
• RQ4 배치 GP 회귀 대비 재귀적 공식이 추정 정확도를 유지하면서도 계산 효율성을 어떻게 유지하는가?
• RQ5 데이터 기반이면서도 물리적 정보를 반영한 이 구조를 바탕으로 재학습 없이 다양한 세포와 운영 프로파일 간에 일반화할 수 있는가?

주요 결과

• 재귀적 GP 회귀 방법은 데이터 누락 및 다양한 운영 조건이 존재하는 상황에서도 시뮬레이션 및 측정된 데이터 양쪽 모두에서 배터리 용량과 내부 저항의 정확하고 안정적인 추정을 달성한다.
• 이 방법은 장기적인 노후화 조건 하에서 배터리 용량과 저항의 예측 성능에서 뛰어난 성능을 보이며, 전통적인 모델 기반 관측기보다 뛰어나다.
• 계산 복잡도는 데이터 크기와 선형적으로 증가(O(n))하여 표준 GP 회귀의 세제곱 스케일링(O(n³))과는 달리 실시간 구현이 가능하다.
• 공동 상태-파라미터 추정 프레임워크는 기존의 표준 재귀 추정 기법에 비해 파라미터 추정 노이즈를 감소시키고 수렴 안정성을 향상시킨다.
• 이 방법은 상태의 충전도, 전류 및 수명에 따른 복잡한 비선형 파라미터 동역학을 성공적으로 포착하여 더 정확한 SOH 추적을 가능하게 한다.
• 상태 및 파라미터에 대한 불확실성 추정을 제공하여 안전이 중요한 응용 분야에서 신뢰성을 향상시킨다.