[論文レビュー] Digital Twin for Real-time Li-ion Battery State of Health Estimation with Partially Discharged Cycling Data

Yan Qin, Anushiya Arunan+1 more|arXiv (Cornell University)|Dec 9, 2022

Advanced Battery Technologies Research被引用数 7

ひとこと要約

本論文は、部分的放電サイクリングデータを用いて、エネルギー差異に配慮した同期、時間アテンション型ディープラーニングモデル、類似性に基づくデータ再構成を活用することで、リアルタイムでのリチウムイオン電池のSOH推定を実現するデジタルツインフレームワークを提案する。本手法は、継続的サイクルにおける大多数のサンプリング時刻で1%未満の誤差を達成し、完全放電サイクルを必要とせずに正確な健康状態モニタリングを可能にする。

ABSTRACT

To meet the fairly high safety and reliability requirements in practice, the state of health (SOH) estimation of Lithium-ion batteries (LIBs), which has a close relationship with the degradation performance, has been extensively studied with the widespread applications of various electronics. The conventional SOH estimation approaches with digital twin are end-of-cycle estimation that require the completion of a full charge/discharge cycle to observe the maximum available capacity. However, under dynamic operating conditions with partially discharged data, it is impossible to sense accurate real-time SOH estimation for LIBs. To bridge this research gap, we put forward a digital twin framework to gain the capability of sensing the battery's SOH on the fly, updating the physical battery model. The proposed digital twin solution consists of three core components to enable real-time SOH estimation without requiring a complete discharge. First, to handle the variable training cycling data, the energy discrepancy-aware cycling synchronization is proposed to align cycling data with guaranteeing the same data structure. Second, to explore the temporal importance of different training sampling times, a time-attention SOH estimation model is developed with data encoding to capture the degradation behavior over cycles, excluding adverse influences of unimportant samples. Finally, for online implementation, a similarity analysis-based data reconstruction has been put forward to provide real-time SOH estimation without requiring a full discharge cycle. Through a series of results conducted on a widely used benchmark, the proposed method yields the real-time SOH estimation with errors less than 1% for most sampling times in ongoing cycles.

研究の動機と目的

• 従来のデジタルツイン手法が、正確なSOH推定のためには完全充電／放電サイクルを必要としているという制限を解消すること。
• 完全サイクルデータが入手不可である部分的放電が継続するサイクル中にリアルタイムでのSOH推定を可能とすること。
• 物理的劣化挙動と機械学習を統合したデータ駆動型デジタルツインを構築し、精度と適応性を向上させること。
• 実世界の電池運用における変動するサイクリングパターンに起因する時間的整合性とデータの一貫性の欠如という課題を克服すること。

提案手法

• エネルギー差異に配慮したサイクリング同期により、部分的放電サイクリングデータを、時間的相関、空間的形状、エネルギー差を保持することで、サイクル間で一貫したデータ構造を確保する。
• 時間アテンション型SOH推定モデルは、順次的な電池データを符号化し、劣化に関連する重要度に応じて、サンプリング時刻に動的な重要度を割り当てる。
• 類似性分析によるデータ再構成により、参照データから最も類似した歴史的電池トレースを特定・活用することで、リアルタイムでのSOH推定を実現する。
• オフラインで訓練されたモデルとオンライン推論を統合することで、サイクル完了を待たずに継続的な健康状態の更新が可能になる。
• デジタルツインフレームワークは、物理的電池劣化モデルと機械学習を融合させ、新しい測定値に動的に適応可能になる。
• 将来のモデル更新のための転移学習が提案され、歴史的データと新規データ間の分布シフトに対応する。

実験結果

リサーチクエスチョン

• RQ1 部分的放電サイクリングデータのみを用いて、デジタルツインフレームワークがリアルタイムで電池のSOHを正確に推定できるか？
• RQ2 長さが異なるおよび不完全なサイクリングデータを、劣化に関連する特徴を保持したまま同期化できるか？
• RQ3 電池劣化過程における異なるサンプリング時刻の時間的重要度は何か、そして効果的にモデル化できるか？
• RQ4 類似性に基づくデータ再構成により、完全放電サイクルなしで信頼性の高いリアルタイムSOH推定が可能か？
• RQ5 本手法は、既存の部分データSOH推定技術と比較して、精度と安定性において優れているか？

主な発見

• 提案手法は、継続的サイクルにおける大多数のサンプリング時刻で、1%未満の誤差でリアルタイムSOH推定を達成する。
• エネルギー差異に配慮した同期により、異なる放電深さのサイクリングデータ間で一貫した時間的・空間的整合性が確保される。
• 時間アテンションモデルは、重要なサンプリング間隔に高い重要度を割り当てることで、劣化トレンドを効果的に捉え、推定のロバスト性を向上させる。
• 本手法は、[36]の部分データSOH手法を含む既存手法を上回り、静的値ではなく、サイクルごとの動的推定を提供する。
• サイクル終了時の推定結果は、全7つのテスト対象バッテリーで優れた性能を示し、最小のRMSEと最大のR²値が報告された。
• 推定は51番目のサンプリングインターバル以降に安定し、精度が向上する。これは、データ類似性と劣化の明確な特徴が高まる時期と一致する。