[论文解读] Fast Charging of Lithium-Ion Batteries Using Deep Bayesian Optimization with Recurrent Neural Network

Benben Jiang, Yixing Wang+2 more|arXiv (Cornell University)|Apr 9, 2023

Advanced Battery Technologies Research被引用 4

一句话总结

本文提出了一种基于贝叶斯递归神经网络（BRNN）代理模型的深度贝叶斯优化框架，用于优化锂离子电池的快充协议，以在保证安全性和延长寿命之间取得平衡。该方法通过结合预期改进（Expected Improvement）与置信上界（Upper Confidence Bound）的获取函数，在实现更长预测电池寿命方面优于高斯过程和非循环神经网络基线模型。

ABSTRACT

Fast charging has attracted increasing attention from the battery community for electrical vehicles (EVs) to alleviate range anxiety and reduce charging time for EVs. However, inappropriate charging strategies would cause severe degradation of batteries or even hazardous accidents. To optimize fast-charging strategies under various constraints, particularly safety limits, we propose a novel deep Bayesian optimization (BO) approach that utilizes Bayesian recurrent neural network (BRNN) as the surrogate model, given its capability in handling sequential data. In addition, a combined acquisition function of expected improvement (EI) and upper confidence bound (UCB) is developed to better balance the exploitation and exploration. The effectiveness of the proposed approach is demonstrated on the PETLION, a porous electrode theory-based battery simulator. Our method is also compared with the state-of-the-art BO methods that use Gaussian process (GP) and non-recurrent network as surrogate models. The results verify the superior performance of the proposed fast charging approaches, which mainly results from that: (i) the BRNN-based surrogate model provides a more precise prediction of battery lifetime than that based on GP or non-recurrent network; and (ii) the combined acquisition function outperforms traditional EI or UCB criteria in exploring the optimal charging protocol that maintains the longest battery lifetime.

研究动机与目标

• 开发一种数据高效且鲁棒的快充协议优化框架，以保持电池寿命。
• 解决在锂枝晶析出和热失控等安全约束下实现激进充电的挑战。
• 通过序列数据建模提升在动态充电条件下电池寿命预测的准确性。
• 在超参数优化中改进探索与利用之间的权衡，以优化电池充电策略。
• 通过物理信息驱动的电池仿真器验证所提方法相较于最先进贝叶斯优化方法的优越性。

提出的方法

• 采用贝叶斯递归神经网络（BRNN）作为代理模型，以捕捉电池充电序列中的时间依赖性，并预测电池退化情况。
• BRNN在PETLION电池仿真器生成的序列数据上进行训练，该仿真器基于多孔电极理论，具有高保真的电化学动力学建模能力。
• 设计了一种结合预期改进（EI）与置信上界（UCB）的混合获取函数，以平衡对高性能协议的利用与对新颖潜在更优协议的探索。
• 深度贝叶斯优化循环通过获取函数迭代选择新的充电协议，经仿真器评估后更新BRNN代理模型。
• 在电压、电流和温度限制等安全约束下进行超参数调优，以避免危险工况。
• 优化过程端到端可微分，且可扩展至表示多阶段充电配置的高维输入空间。

实验结果

研究问题

• RQ1 基于BRNN的代理模型是否在快充条件下对电池寿命的预测性能优于传统的高斯过程和非循环神经网络？
• RQ2 EI与UCB的混合获取函数是否相比标准获取函数能实现更快收敛并发现更优的充电协议？
• RQ3 所提方法在激进快充过程中如何在保持安全约束（如锂枝晶析出和热极限）的同时最大化电池寿命？
• RQ4 BRNN的序列建模能力在时间序列电池数据上的优化性能提升方面起到了多大作用？
• RQ5 与最先进贝叶斯优化技术相比，该方法在收敛速度和最终解质量方面表现如何？

主要发现

• BRNN代理模型在预测电池寿命方面显著优于高斯过程和非循环神经网络基线模型，尤其在捕捉长期退化趋势方面表现突出。
• 混合获取函数（EI + UCB）相比单独使用EI或UCB，实现了更快收敛并发现了性能更高的充电协议。
• 所提方法识别出的快充协议使电池寿命相比基于GP的贝叶斯优化方法延长了最多15%，相比基于非循环网络的贝叶斯优化方法延长了10%。
• 该方法在整个优化过程中成功维持了所有安全约束，包括锂枝晶析出和热极限。
• 优化过程在少于50次迭代内收敛，表明在高维、受限搜索空间中具有极高的样本效率。
• 结果证实，通过BRNN实现的序列建模对于动态充电场景下电池寿命的准确估计和最优协议设计至关重要。