[논문 리뷰] Predicting Battery Lifetime Under Varying Usage Conditions from Early Aging Data

Tingkai Li, Zihao Zhou외 3명|arXiv (Cornell University)|2023. 07. 17.

Advanced Battery Technologies Research인용 수 6

한 줄 요약

이 논문은 다양한 사용 조건 하에서 저속 완전 사이클의 초기 수명 동안의 용량-전압 데이터를 사용하여 리튬이온 이차전지 수명을 예측하는 기계학습 프레임워크를 제안한다. 첫 15%의 사이클 데이터에서 열화 민감도 특징을 추출하고 계층적 베이지안 모델링을 적용함으로써, 내분포 세포에 대해 평균 절대 퍼센티지 오차(MAPE) 15.1%를 달성하고, 외분포 세포에 대해서는 MAPE 21.8%를 기록하여 도메인 인formed 특징 공학을 통해 다양한 스트레스 조건에 대한 강건성을 입증한다.

ABSTRACT

Accurate battery lifetime prediction is important for preventative maintenance, warranties, and improved cell design and manufacturing. However, manufacturing variability and usage-dependent degradation make life prediction challenging. Here, we investigate new features derived from capacity-voltage data in early life to predict the lifetime of cells cycled under widely varying charge rates, discharge rates, and depths of discharge. Features were extracted from regularly scheduled reference performance tests (i.e., low rate full cycles) during cycling. The early-life features capture a cell's state of health and the rate of change of component-level degradation modes, some of which correlate strongly with cell lifetime. Using a newly generated dataset from 225 nickel-manganese-cobalt/graphite Li-ion cells aged under a wide range of conditions, we demonstrate a lifetime prediction of in-distribution cells with 15.1% mean absolute percentage error using no more than the first 15% of data, for most cells. Further testing using a hierarchical Bayesian regression model shows improved performance on extrapolation, achieving 21.8% mean absolute percentage error for out-of-distribution cells. Our approach highlights the importance of using domain knowledge of lithium-ion battery degradation modes to inform feature engineering. Further, we provide the community with a new publicly available battery aging dataset with cells cycled beyond 80% of their rated capacity.

연구 동기 및 목표

• 최종 수명 테스트를 기다리지 않고도 빠르고 정확하게 리튬이온 이차전지 수명을 예측할 수 있도록 하기 위해.
• 제조 차이와 사용 조건으로 인한 높은 변동성으로 인한 이차전지 열화 문제를 해결하기 위해.
• 다양한 충전 속도, 방전 속도, 심지어 심도 방전 조건에서도 첫 15% 사이클 데이터만을 사용하여 전체 세포 수명을 예측할 수 있는 방법을 개발하기 위해.
• 스트레스 클러스터 간의 共通 구조를 활용하여 계층적 베이지안 모델링을 통해 외분포 조건에 대한 일반화 능력을 향상시키기 위해.
• 공개된 데이터셋을 제공하여 커뮤니티가 활용할 수 있도록 225개의 NiMnCo/ graphite 세포를 80% 정격 용량 이하로 노화시킨 데이터를 확보하기 위해.

제안 방법

• 초기 사이클링 동안 정기적으로 수집된 저속 완전 사이클(용량-전압 곡선)에서 유도 기반 지표인 ΔdQ/dV를 활용하여 열화 모드를 파악하는 특징을 추출하였다.
• 용량-전압 곡선의 3.60–3.90 V 범위에서 ΔdQ/dV의 평균값(mean(ΔdQ/dV))과 같은 세포 수준의 특징을 정의하였으며, 이는 열화 속도와 수명과 상관관계가 있다.
• 계층적 베이지안 회귀(HBR)를 적용하여 세포 수준의 모수(절편, 기울기, 노이즈)를 평균 사이클링 스트레스(Stress_avg) 기반의 클러스터 수준 사전분포로 모델링하여 다양한 스트레스 조건 간 전이 학습을 가능하게 하였다.
• 두 수준의 계층적 구조를 사용: 수준-1은 개별 세포 수명 예측을 확률적 모수로 모델링하고, 수준-2는 이러한 모수의 분포를 스트레스 클러스터 간에 모델링하였다.
• 예측의 불확실성을 추정하기 위해 회귀 계수의 불확실성과 측정 노이즈를 후행 예측 분포를 통해 전파하였다.
• 120개의 충전 속도, 방전 속도, 심지어 심도 방전 조합 조합에서 사이클링된 225개의 세포로 구성된 신규 생성된 데이터셋을 사용하여 모델을 검증하였으며, 용량 유지율 80%까지 데이터를 수집하였다.

Figure 1: High-level overview of our approach. Unlike existing approaches for early prediction, we extract features from periodic reference performance tests instead of regular cycling data. In this example, we extract a feature from a partial voltage window of incremental capacity that is highly co

실험 결과

연구 질문

• RQ1 다양한 사용 조건 하에서 초기 수명 용량-전압 데이터를 사용하여 높은 정확도로 이차전지 수명을 예측할 수 있는가?
• RQ2 초기 사이클링 데이터에서 추출한 열화 민감도 특징은 다양한 스트레스 프로파일에서 실제 세포 수명과 어떻게 상관관계가 있는가?
• RQ3 계층적 베이지안 모델링을 통해 스트레스 클러스터 간의 공통된 구조를 활용함으로써 외분포 세포의 예측 성능을 향상시킬 수 있는가?
• RQ4 리튬이온 이차전지 열화 메커니즘에 대한 도메인 지식은 수명 예측을 위한 특징 공학에 얼마나 기여하는가?
• RQ5 첫 15% 사이클 데이터만을 기반으로 훈련된 모델이 각기 다른 열화 프로파일을 가진 세포에 대해 전체 수명 데이터 없이 일반화할 수 있는가?

주요 결과

• 내분포 세포에 대해 모델은 첫 15% 사이클 데이터만을 사용하여 평균 절대 퍼센티지 오차(MAPE) 15.1%로 수명을 예측하였다.
• 외분포 세포에 대해서는 계층적 베이지안 모델이 MAPE 21.8%를 기록하여 표준 모델 대비 향상된 일반화 능력을 입증하였다.
• 3.60–3.90 V 범위에서의 mean(ΔdQ/dV) 특징은 특히 평균 사이클링 스트레스(Stress_avg) 기반으로 분류했을 때 수명과 강한 상관관계를 보였다.
• Stress_avg 기반 클러스터링을 통해 수명 변동성의 두 가지 원인을 규명: 클러스터 간 차이는 사용 조건으로 인한 것이고, 클러스터 내 차이는 제조 및 테스터 변동성으로 인한 것이다.
• 계층적 베이지안 모델링은 예측의 불확실성을 성공적으로 포착하였으며, 클러스터 3의 경우 훈련 데이터가 제한되어 있어 더 넓은 후행 분포를 보이며 높은 불확실성을 반영하였다.
• 후행 예측 분포를 통해 견고한 불확실성 정량화가 가능했으며, 오차 막대는 모델 불확실성과 측정 불확실성을 모두 반영하여 실제 예측 오차를 잘 추정하였다.

Figure 2: Overview of battery aging test conditions and capacity data. a , 3D scatter plot showing train-test split and cycling conditions used – each point represents conditions for a group of four cells, and marker color indicates a data subset used to generate prediction results in Sec. 2 . b , D