[논문 리뷰] MambaLithium: Selective state space model for remaining-useful-life, state-of-health, and state-of-charge estimation of lithium-ion batteries

Zhuangwei Shi|arXiv (Cornell University)|2024. 03. 08.

Advanced Battery Technologies Research인용 수 7

한 줄 요약

한 줄 요약: MambaLithium은 선택적 상태 공간 모델(Mamba)을 사용하여 Li-ion 배터리의 RUL, SOH, SOC를 추정하고, 여러 데이터 세트에서 최근 기준선보다 더 높은 정확도를 달성합니다.

ABSTRACT

Recently, lithium-ion batteries occupy a pivotal position in the realm of electric vehicles and the burgeoning new energy industry. Their performance is heavily dependent on three core states: remaining-useful-life (RUL), state-of-health (SOH), and state-of-charge (SOC). Given the remarkable success of Mamba (Structured state space sequence models with selection mechanism and scan module, S6) in sequence modeling tasks, this paper introduces MambaLithium, a selective state space model tailored for precise estimation of these critical battery states. Leveraging Mamba algorithms, MambaLithium adeptly captures the intricate aging and charging dynamics of lithium-ion batteries. By focusing on pivotal states within the battery's operational envelope, MambaLithium not only enhances estimation accuracy but also maintains computational robustness. Experiments conducted using real-world battery data have validated the model's superiority in predicting battery health and performance metrics, surpassing current methods. The proposed MambaLithium framework is potential for applications in advancing battery management systems and fostering sustainable energy storage solutions. Source code is available at https://github.com/zshicode/MambaLithium.

연구 동기 및 목표

• 배터리 관리 및 안전성을 향상시키기 위해 Li-ion 배터리의 RUL, SOH, SOC의 정확한 추정을 촉진한다.
• 노화 및 충전 역학을 포착하기 위해 Mamba 선택적 상태 공간 프레임워크를 활용한다.
• 배터리 상태에 대한 정규화된 피처와 회귀 타깃을 갖는 데이터 기반 예측 파이프라인을 개발한다.

제안 방법

• 주기별(feature)로 (omega, b, T, r, tau, dQ/dV 통계) 및 시간단계별(I, V, T) 특징을 z-점수 정규화와 함께 처리한다.
• 선택 메커니즘과 집중 정보 추출을 위한 스캔 모듈을 갖춘 Mamba(S6)를 사용하여 시간 의존성을 모델링한다.
• 은닉 상태 차원 N=16과 회귀 헤드를 사용하여 L1 손실로 RUL, SOH 또는 SOC를 예측한다.
• NVIDIA GTX3060에서 Adam 옵티마이저로 학습, 100 에포크, 학습률 0.01.

Figure 1: MambaLithium framework

실험 결과

연구 질문

• RQ1 현 상태 최첨단 기준선에 비해 MambaLithium이 RUL 및 SOH 추정 정확도를 개선할 수 있는가?
• RQ2 데이터세트와 온도 전반에서 SOC 추정 성능은 얼마나 잘 나타나는가?
• RQ3 선택적 상태 공간 접근법이 Li-ion 배터리의 노화 및 충전 역학을 효과적으로 포착하는가?

주요 결과

모델	CaseA	CaseB
Baseline	45.86	56.29
MambaLithium	39.71	47.62

• RUL 추정: MambaLithium은 RMSE 값(CaseA 39.71, CaseB 47.62)을 달성하고 Baseline(CaseA 45.86, CaseB 56.29)과 비교할 때 우수합니다.
• SOH 추정: MambaLithium은 SOH RMSE(CaseA 0.40, CaseB 0.38)를 얻으며 Baseline(CaseA 0.47, CaseB 0.42)보다 우수합니다.
• SOC 추정: FUDS에서 25 C에서, RMSE가 1.78에서 1.45로 개선; DST 및 US06 실온에서, MambaLithium의 RMSE는 각각 1.62 및 0.95.
• MambaLithium은 데이터세트와 온도에 걸쳐 기준 방법 대비 우수한 정확성과 견고한 성능을 보여준다.
• 소스 코드는 https://github.com/zshicode/MambaLithium에서 확인 가능.

Figure 2: Curve on CaseA of RUL estimation