[논문 리뷰] State of Health Estimation of Lithium-Ion Batteries in Vehicle-to-Grid Applications Using Recurrent Neural Networks for Learning the Impact of Degradation Stress Factors

Kotub Uddin, J. Edward Schofield외 1명|arXiv (Cornell University)|2022. 05. 16.

Advanced Battery Technologies Research인용 수 4

한 줄 요약

이 논문은 차량-그리드(V2G) 응용 분야에서 리튬이온 배터리의 상태 수명(SoH)을 추정하기 위해 다변량 장단기 기억(LSTM) 순환 신경망(RNN)을 제안한다. 이 모델은 온도, 충전 상태(SoC), 방전 깊이(DoD), C율 등의 열화 스트레스 요인 간의 장기적 의존성을 학습한다. 1.15년 이상의 훈련 데이터를 바탕으로, 모델은 SoH 예측에서 5% 미만의 평균 제곱오차를 달성하여 실시간 열화 모니터링에 있어 뛰어난 성능을 보였다.

ABSTRACT

This work presents an effective state of health indicator to indicate lithium-ion battery degradation based on a long short-term memory (LSTM) recurrent neural network (RNN) coupled with a sliding-window. The developed LSTM RNN is able to capture the underlying long-term dependencies of degraded cell capacity on battery degradation stress factors. The learning performance was robust when there was sufficient training data, with an error of < 5% if more than 1.15 years worth of data was supplied for training.

연구 동기 및 목표

• 기존의 모델 기반 방법으로는 잘 포착되지 않는 리튬이온 배터리의 SoH 추정에서의 경로 의존성 문제를 해결하기 위해.
• 온도, SoC, DoD, C율 등의 열화 스트레스 요인을 고려하여 SoH를 정확히 예측함으로써 차량-그리드(V2G) 서비스의 경제적 타당성을 향상시키기 위해.
• 기존 커널 방법이나 고전적 RNN보다 장기적 의존성을 더 효과적으로 학습할 수 있는 순환 신경망을 활용한 데이터 기반 접근법을 개발하기 위해.
• 다양한 훈련-테스트 데이터 비율에서 모델 성능을 평가하여, 5% 이내의 예측 오차를 달성하기 위한 최소한의 데이터 요구량을 규명하기 위해.
• 데이터 요구량을 줄이고 모델의 해석 가능성을 향상시키기 위해 향후 전이 학습 및 구조적 신경망을 탐색하기 위해.

제안 방법

• 연구는 사이클 수, 전류, 단자 전압, 온도를 입력으로 사용하는 다변량 시계열 데이터를 처리하기 위해 슬라이딩 윈도우 방식을 적용한 장단기 기억(LSTM) RNN을 사용한다.
• 모델은 나사아메스 예측 중심의 랜덤라이즈드 배터리 사용 데이터 세트를 기반으로 훈련되며, 이상적인 온도 행동을 보인 데이터셋(RW2, RW3, RW18)은 제외된다.
• 그리드 기반 응용에서 흔히 발생하는 노이즈가 많고 희소한 기울기의 특성에 적합하며 효율적인 최적화를 위해 Adam 최적화기를 사용한다.
• 입력 특징으로는 셀 전류, 단자 전압, 온도, 사이클 수를 포함하며, 단자 전압은 열화에 영향을 주는 전기화학적 오버피텐셜을 반영하는 대체 지표로 사용된다.
• 다양한 훈련/테스트 분할 비율(7:3, 5:5, 4:6, 3:7)을 통해 데이터 양의 영향을 평가하고 최소한의 데이터 요구량을 규명한다.
• 오픈 서킷 전압(Voc)을 직접 SoC의 대체 지표로 사용하지 않으며, iR 및 분극 효과로 인한 비선형 관계를 고려해 단자 전압을 활용한다.

실험 결과

연구 질문

• RQ1 LSTM RNN은 다변량 시계열 환경에서 온도(T), SoC, DoD, C율 등의 여러 열화 스트레스 요인에 대한 배터리 SoH의 장기적 의존성을 효과적으로 학습할 수 있는가?
• RQ2 V2G 응용에서 SoH 예측의 평균 제곱오차가 5% 미만이 되기 위해 필요한 최소 훈련 데이터량은 얼마인가?
• RQ3 훈련 데이터가 제한되었을 경우 모델 성능은 어떻게 저하되며, 어떤 훈련-테스트 비율이 강건한 일반화를 보장하는가?
• RQ4 iR 및 분극 효과로 인해 비선형 관계를 보이는 오픈 서킷 전압과의 관계에도 불구하고, 단자 전압이 SoH 추정에 신뢰할 수 있는 입력이 될 수 있는가?
• RQ5 전이 학습이나 구조적 신경망을 통해 얼마나 많은 데이터 요구량을 줄일 수 있으며, 정확한 SoH 예측 모델을 위한 훈련에 기여할 수 있는가?

주요 결과

• 1.15년 이상의 데이터로 훈련된 LSTM RNN은 예측 오차가 5% 미만의 평균 제곱오차를 달성하여, 충분한 데이터 조건에서 높은 정확도를 보였다.
• 훈련 데이터가 적을수록 모델 성능이 크게 저하되며, 테스트 데이터 비율이 7:3인 경우가 모든 테스트 비율 중에서 가장 우수한 성능를 보였다.
• 모델의 정확도는 훈련 데이터 길이에 매우 민감하여, 실세계 V2G 시스템에서 신뢰할 수 있는 SoH 추정을 위해서는 중요한 데이터 요구량이 필요함을 시사한다.
• iR 및 분극 효과로 인한 비선형 관계에도 불구하고, 단자 전압을 입력으로 사용하는 것은 타당하며, 열화에 영향을 주는 전기화학적 오버피텐셜 효과를 반영한다.
• 내부 메모리와 기울기 흐름 메커니즘을 통해 경로 의존성을 유지함으로써, 고전적 RNN 및 커널 방법보다 우수한 성능을 보였다.
• 향후 연구에서는 시간에 따라 가속화되는 열화 성향을 더 잘 반영하기 위해 dSoH/dN을 출력으로 사용하는 것이 고려되어야 한다.