[论文解读] Impedance-based Capacity Estimation for Lithium-Ion Batteries Using Generative Adversarial Network

Seongyoon Kim, Yun Young Choi+1 more|arXiv (Cornell University)|Jul 2, 2021

Advanced Battery Technologies Research被引用 7

一句话总结

本文提出EISGAN，一种完全无监督的方法，利用信息最大化生成对抗网络从锂离子电池的电化学阻抗谱（EIS）数据中提取有意义的潜在变量，即使在直流电流和无弛豫等非理想条件下亦可实现。潜在变量有效捕捉了容量退化趋势，并通过高斯过程回归实现更鲁棒的容量估计，其平均绝对误差低于2 mAh，优于直接从EIS预测容量的方法。

ABSTRACT

This paper proposes a fully unsupervised methodology for the reliable extraction of latent variables representing the characteristics of lithium-ion batteries (LIBs) from electrochemical impedance spectroscopy (EIS) data using information maximizing generative adversarial networks. Meaningful representations can be obtained from EIS data even when measured with direct current and without relaxation, which are difficult to express when using circuit models. The extracted latent variables were investigated as capacity degradation progressed and were used to estimate the discharge capacity of the batteries by employing Gaussian process regression. The proposed method was validated under various conditions of EIS data during charging and discharging. The results indicate that the proposed model provides more robust capacity estimations than the direct capacity estimations obtained from EIS. We demonstrate that the latent variables extracted from the EIS data measured with direct current and without relaxation reliably represent the degradation characteristics of LIBs.

研究动机与目标

• 开发一种完全无监督的方法，从EIS数据中提取代表锂离子电池退化特性的潜在变量。
• 克服传统等效电路模型（ECMs）在处理因直流电流导致低频波动且缺乏弛豫的EIS数据时的局限性。
• 通过利用从EIS数据中提取的潜在表示，提升健康状态（SOH）估计的鲁棒性和准确性。
• 在多种充放电及弛豫条件下验证所提方法，证明其在真实测量变化下的泛化能力。
• 对比基于EISGAN的容量估计与直接从EIS到容量的回归方法的性能，突出其在抗噪声能力和预测稳定性方面的优势。

提出的方法

• 该方法采用信息最大化生成对抗网络（InfoGAN）从无标签的EIS数据中学习有意义的潜在表示，无需依赖真实标签。
• InfoGAN架构通过最大化潜在变量与观测EIS数据之间的互信息，实现在非平衡EIS测量中仍可解释且鲁棒的特征提取。
• 从充电和放电过程中测量的EIS谱中提取潜在变量，包括存在直流电流且无弛豫的情况，这些情况通常对电路模型构成挑战。
• 提取的潜在变量被用作高斯过程回归（GPR）的输入特征，以预测电池放电容量。
• 模型在多种电池单体上进行训练和验证，涵盖不同的弛豫时间和直流条件，以评估其鲁棒性。
• 通过平均绝对误差（MAE）和均方根误差（RMSE）评估性能，对比基于EISGAN的估计与直接从EIS到容量的GPR方法。

Figure 1: Network structure of EISGAN and procedure of SOH estimation using GPR.

实验结果

研究问题

• RQ1 InfoGAN能否有效从非平衡条件下（如存在直流电流且无弛豫）的EIS数据中提取潜在变量？
• RQ2 所提取的潜在变量是否能可靠反映电池容量退化随循环次数的演变？
• RQ3 与直接从EIS到容量的回归相比，EISGAN在抗测量噪声和数据变化方面的容量估计性能如何？
• RQ4 EISGAN学习到的潜在变量是否能在不同充放电阶段和弛豫条件下实现泛化？
• RQ5 数据质量（如低频波动）对潜在表示的可靠性及后续容量预测的影响如何？

主要发现

• EISGAN模型即使在存在直流电流且无弛豫的条件下，也能成功从EIS数据中提取有意义的潜在变量，这些条件通常使传统电路模型难以处理。
• 潜在变量显示出与循环过程中容量退化趋势清晰相关的演化规律，表明其能有效表征电池健康状态。
• 基于EISGAN的容量估计在所有测试阶段的平均绝对误差（MAE）均低于2 mAh，表现出高精度。
• 所有测试电池的均方根误差（RMSE）均低于2 mAh，证实了其一致且可靠的性能表现。
• 在抗噪性和测量波动方面，EISGAN优于直接从EIS到容量的GPR方法，表现为更低的中位数和预测偏差范围，尤其在噪声或非平衡条件下表现更优。
• EISGAN的中位数偏差为正值（轻微高估），而EIS-Capacity GPR的中位数偏差为负值（轻微低估），表明EISGAN对数据噪声和测量波动更具鲁棒性。

Figure 2: EIS data of 25C06 collected at different stages during CC-CV charging and CC discharging over 20, 40, 60, 80, and 100 cycles. Only stages with a non-zero SOC are considered.