[논문 리뷰] State of health estimation for lithium-ion battery by combining incremental capacity analysis with Gaussian process regression

Xiaoyu Li, Zhenpo Wang|arXiv (Cornell University)|2019. 03. 15.

Advanced Battery Technologies Research참고 문헌 31인용 수 4

한 줄 요약

이 논문은 리튬이온 배터리의 상태 수명(SOH)를 추정하기 위해 점진적 용량 분석과 부분 점진적 용량 곡선을 조합한 새로운 가우시안 프로세스 회귀 모델을 제안한다. 고도화된 가우시안 필터를 사용하여 용량 곡선을 스무딩하고, 이를 통해 건강 지표를 추출함으로써, 다양한 노화 조건과 初기 상태에서 정확하고 강건한 SOH 예측과 불확실성 정량화를 달성한다.

ABSTRACT

The state of health for lithium battery is necessary to ensure the reliability and safety for battery energy storage system. Accurate prediction battery state of health plays an extremely important role in guaranteeing safety and minimizing the maintenance costs. However, the complex physicochemical characteristics of battery degradation cannot be obtained directly. Here a novel Gaussian process regression model based on partial incremental capacity curve is proposed. First, an advanced Gaussian filter method is applied to obtain the smoothing incremental capacity curves. The health indexes are then extracted from the partial incremental capacity curves as the input features of the proposed model. Otherwise, the mean and the covariance function of the proposed method are applied to predict battery state of health and the model uncertainty, respectively. Four aging datasets from NASA data repository are employed for demonstrating the predictive capability and efficacy of the degradation model using the proposed method. Besides, different initial health conditions of the tested batteries are used to verify the robustness and reliability of the proposed method. Results show that the proposed method can provide accurate and robust state of health estimation.

연구 동기 및 목표

• 에너지 저장 시스템에서 리튬이온 배터리의 상태 수명(SOH) 추정 정확도와 강건성을 향상시키기 위해.
• 배터리의 복잡한 물리화학적 열화 과정의 간접 측정 문제를 해결하기 위해.
• 신뢰성 및 유지보수 최적화를 위해 SOH 예측과 함께 정량화된 불확실성을 제공하는 모델을 개발하기 위해.
• 다양한 초기 건강 상태를 가진 다양한 노화 데이터셋에서 방법을 검증하기 위해.

제안 방법

• 점진적 용량 곡선의 노이즈를 줄이고 특징 추출을 향상시키기 위해 고도화된 가우시안 필터를 적용한다.
• 가우시안 프로세스 회귀 모델의 입력 특징으로 부분 점진적 용량 곡선에서 건강 지표를 추출한다.
• 가우시안 프로세스 모델의 평균 함수가 시간에 따른 배터리의 상태 수명을 예측한다.
• 공분산 함수가 SOH 예측의 불확실성을 모델링하여 신뢰도 추정을 가능하게 한다.
• 네 개의 노화 데이터셋을 NASA 배터리 데이터 레포지터리에서 사용하여 모델을 훈련하고 검증한다.
• 모델의 강건성과 신뢰성을 평가하기 위해 다양한 초기 건강 조건 하에서 테스트를 수행한다.

실험 결과

연구 질문

• RQ1 점진적 용량 분석이 SOH 추정을 위한 건강 관련 특징을 배터리 열화 데이터에서 효과적으로 추출할 수 있는가?
• RQ2 부분 점진적 용량 곡선을 입력으로 사용할 때 가우시안 프로세스 회귀 모델이 SOH를 얼마나 정확하게 예측할 수 있는가?
• RQ3 다른 초기 건강 상태를 가진 배터리들 사이에서 제안된 방법이 정확도와 강건성을 어느 정도 유지하는가?
• RQ4 모델이 SOH 예측과 함께 신뢰할 수 있는 불확실성 추정을 제공할 수 있는가?
• RQ5 가우시안 필터링과 점진적 용량 분석의 통합이 기존 방법에 비해 예측 성능을 얼마나 향상시키는가?

주요 결과

• 제안된 방법은 NASA 노화 데이터셋 네 개 전반에서 매우 정확한 상태 수명 추정을 달성한다.
• 모델은 다양한 초기 건강 조건에서도 강건한 성능을 보이며, 실제 시나리오에서의 신뢰성을 확인한다.
• 공분산 함수를 통한 불확실성 정량화가 SOH 예측의 신뢰구간을 제공하여 시스템 안전성을 향상시킨다.
• 부분 점진적 용량 곡선을 특징으로 사용함으로써 모델의 일반화 능력과 노이즈에 대한 내성 향상이 이루어진다.
• 고도화된 가우시안 필터는 점진적 용량 곡선의 품질을 크게 향상시켜 보다 정밀한 특징 추출을 가능하게 한다.
• 예측 정확도와 초기 상태 변동성에 대한 강건성 측면에서 기존 방법보다 뛰어난 성능을 보인다.