논문 전문 : https://www.nature.com/articles/s41560-019-0356-8
[출처] Severson, K.A., Attia, P.M., Jin, N. et al. Data-driven prediction of battery cycle life before capacity degradation. Nat Energy 4, 383–391 (2019). https://doi.org/10.1038/s41560-019-0356-8
※ The picture and content of this article are from the original paper.
[논문요약]
Data-driven prediction of battery cycle life before capacity degradation
Data Driven이라해서 Neural Network 기법으로 SOH(State of Health)를 추정하는 논문인것으로 알면 오해이시고, Machine Learning approach라해서 나오긴 하지만 그냥 흔히 쓰이는 여러 Regression기법들중 하나를 쓰는것으로
이 논문의 메인은 '△Q(V)라는 배터리의 Degradtion과 연관성이 큰 새로운 변수'를 도출해냈다는 점이라고 생각합니다. SOH를 예측하는것도 아니고, 몇사이클 정도 후에 이 배터리가 죽을지(SOH 75%↓)에 대해 정리한 논문입니다.
Purpose
Battery Life Cycle Management를 위해, 언제즘 해당 배터리셀이 죽을지 예측하기위해 어떤 데이터를 활용해야할까?에 대해 다루는 논문입니다.
결과적으로 △Q(V)라는 변수를 씹고 뜯고 맛보고 즐길정도로 분석해가며, 결국에는 9.1% 오류로 해당 배터리 셀이 언제 죽을지 100사이클의 시험데이터만으로 예측해내고, 4.9%의 오류로 첫 4~5사이클만에 이 배터리가 평균보다 오래살지/말지에 대해 Binary- Classification을 해낸다고 합니다.
개인적으로, 첫 4~5사이클만에 이 배터리셀이 빨리죽으지/아닐지를 구분해내는게 신기한데요
다른 센싱값이나 여러 전기화학적 인자들(ex. dv/dq, EIS ...)로는 보이지 않는 Degradation에 대한 가능성을 꽤나 단순한 △Q(V)라는 변수를 통해 높은 정확도로 예측해낼수 있다는 점이 기발한 논문입니다.
Contents
이 논문은 독자를 배려한 논문은 아닙니다. 이렇게 그래프의 x축 y축 값들이 눈으로는 한눈에 파악이 안되는, 열화기울기라던가 Standard Deviation같은것이기에 한눈에 이 그래프가 무엇을 의미하는지는 파악하기 쉽지 않기때문입니다.
위의 그림을 통해서 필자가 표현하고자 하는것은, 맨위 (a) 그래프를 보시면, 500사이클일때와 80사이클일때를 보면 장기적으로 봤을때 용량이 줄어드는 정도만으로는 몇천사이클 이후의 상태를 예측해내는데 크게 도움이안된다. 즉, 수백사이클정도의 데이터로는 이 배터리의 수명을 정확히 예측하는데 한계가 있다라는것을 의미합니다. (현재 많이쓰는 데이터들로는)
따라서, 필자 본인은 △Q(V)라는 변수를 통해서는 초반 100사이클 이내의 데이터만으로도 수천사이클 이후의 배터리 예상 수명을 예측할 수 있다라고 주장합니다.
△Q(V)그래프를 한번 뜯어보겠습니다.
x축은 100사이클때의 용량과 10사이클일때의 용량의 차이이며, y축은 전압입니다.
해석을 위해선 y축을 기준으로 봐주시기 바랍니다.
해당셀의 동작전압은 2~3.2V수준입니다.
따라서, 파란색부분은, △Q(V)=0에 가까운데, 이건 동작전압 범위 내에서의 용량 열화가 전혀 안됬음을 의미합니다.
즉, 100사이클의 Q = 10사이클의 Q이기에 △Q(V)=0입니다.
△Q(V) > 0인 부분은 없습니다. 즉 ,사이클이 돌수록 열화가 진행될뿐 용량이 늘어나는 셀은 있을 수 없다는 반증이며, 가장 열화가 많이된 2개 셀은 크게 눈에띄게 100사이클때와 10사이클때의 △Q(V)의 값의 차이가 큰것을 확인할 수 있습니다.
바로 이 변수가, 해당 논문의 Main입니다.
일반적으로 열화를 추정하기위해 사용하는 Current, Temperature, 초기용량,내부저항 ... 여러 변수들에 이 변수를 섞어서 머신러닝을 해주기만 했을뿐인데도 추정 정확도가 상당히 증가한다고 합니다.(뒷부분에 결과표 참고)
x축은 고간측된 Life cycle, y축은 예측한 cycle life인데요 즉, y=x그래프에 가까울수록 정확도가 높게 추정된것입니다.
꽤나 잘 맞는 모습을 확인할 수 있습니다.
세가지 기법에 대해 비교합니다.
[1] Variance Model : △Q(V)의 값을 Standard Deviation , Minimum, Mean, Maximum ... 씹고 뜯고 맛보고 즐기며 분해하여 여러가지 △Q(V)에 관계된 지표만을 선택하여 예상 배터리 수명을 추정하는 모델
[2] Discharge Model : 일반적으로 사용하는 내부저항, 온도, 초기방전용량, 충전시간... 등을 사용해 배터리 예상수명을 추정하는 모델
[3] 1과 2를 섞어서 추정하는 Total 모델
입니다.
해당 표를 보면 1번만으로도 꽤나 유의미한 정확도를 보이며, 1번과 2번을 섞으면 정확도가 급격하게 올라가는것을 확인할 수 있습니다.
필자는 이것을 통해, △Q(V)가 Battery Degradation을 예측하는데 파워풀한 Factor라고 말합니다.
Results
이렇게 유의미함을 증명한 △Q(V)를 elastic net이라고 하는 일반적인 Linear Regression에서 Overfitting을 방지하는 수학적 Term이 추가된 회귀 기법을 활용합니다.
이를 통해 얻어낸 Regression 결과값에서 SOH 75%가 되는지점을 Dead Point로보고 이때 몇 Cycle정도 될지를 예측합니다.
△Q(V)를 초기 5사이클만 돌려서, 5번째 사이클에서의 Q와 첫 사이클에서의 Q사이의 비교를 통해 변수를 만들고
이것을 통해, Binary Classification으로 이게 평균이상으로 살까?죽을까?를 추정해내는 정확도가 높게 나왔습니다.
즉, 다른 어떤 변수들로도 확인할 수 없었던 초기 몇사이클(전혀 열화도 되지않을정도의) 데이터를 통해 데이터가 언제즘 죽을지에 대한 Binary Classification일 뿐이지만, 어떤 유의미한 결과값을 높은 정확도로 알아 낼 수 있다는 점이 아주 신기합니다. Nature에 Accept된 이유중 하나가 아닐까합니다.
참조
1. Severson, K.A., Attia, P.M., Jin, N. et al. Data-driven prediction of battery cycle life before capacity degradation. Nat Energy 4, 383–391 (2019). https://doi.org/10.1038/s41560-019-0356-8
댓글