논문 전문 : https://www.sciencedirect.com/science/article/abs/pii/S2405829721002592
[출처] Yanzhou Duan, Jinpeng Tian, Jiahuan Lu, Chenxu Wang, Weixiang Shen, Rui Xiong,
Deep neural network battery impedance spectra prediction by only using constant-current curve,Energy Storage Materials,Volume 41,2021,Pages 24-31,ISSN 2405-8297,
https://doi.org/10.1016/j.ensm.2021.05.047.https://doi.org/10.1186/s10033-018-0268-8
※ The picture and content of this article are from the original paper.
[논문요약]
Deep neural network battery impedance spectra prediction by only using constant-current curve
2019년 하기 논문 이후로, CNN을 기반으로 Feature Extracting을하고 SOH를 추정하는 논문이 많이 나오는듯합니다.
https://limitsinx.tistory.com/170?category=960087
Purpose
해당 논문은 Input data로(Voltage, Capacity)만 사용합니다. Output data로는 Impedance_real, Impedance_imag 값이며, 2C-rate로 충전하는 동안의 데이터가 Input data로, SOC0%(충전 전), SOC100%(만충전 후) 15분 rest time을 가지고 어느정도 Relax되었을때의 1/24C-rate galvanostatic 으로 찍은 EIS를 Out put data로 활용합니다.
Contents
충전과정에서 얻은 전압, 충전용량 데이터만으로, 충전 전(SOC 0%)과 만충전후(SOC 100%)의 EIS plot을 정확하게 얻고자합니다.
딥러닝 모델로는 1D-CNN을 사용합니다. 온도를 20~25'C로 한정한다는 부분은 조금 아쉬운것 같습니다.
EIS가 온도의존성이 아주 크기 때문입니다. 기초선행연구 논문으로 보시면 될듯합니다.
해당 논문에서는 10mV단위로 3V~4.2V까지 한번 충전할때 120개의 V,Capacity 데이터를 얻습니다. Output data로는 frequency 갯수 N개만큼의 Z_real, Z_imag를 얻습니다.
즉, 상기 이미지와 같은 로직으로 돌아가며, 물론 1회 충전한 120개 데이터만으로 학습하는건 아니고, 이런식으로 필자는 약 1584개의 Impedance spectrum을 얻었다고하니, 적어도 충방전사이클을 1584번은 돌린 데이터로 학습한다는것을 유추할 수 있습니다.
즉, 이렇게 학습시켜서 얻어낸 N개의 frequency별 임피던스를 plotting하여 Nyquist plot을 그리고, 이것이 실제 측정값 대비 얼마나 차이가 나는가를 알아보는 논문입니다.
해당 논문의 오차 척도는 RMSE, Min, Max 이며 단위는 mΩ 입니다.
여기까지의 연구결과는 SOC0%~ SOC100%까지 Constant Current로 충전하는 경우의 데이터를 가지고 학습을 진행한것인데요, 실제 차량 혹은 ESS라도 이렇게 만방전~만충전까지 똑같은 current로 넣는 경우는 많지 않습니다.
특히 자동차라면 더더욱 Dynamic하게 충전되죠 (컨버터 용량이나 온도 고려한 가변 전류를 해야하므로..)
이런 경우도 고려하여 필자는 이렇게 제안합니다.
4.2V 상한전압까지 충전은 진행하되, 3V부터 충전시작했을때, 3.1V부터 했을때 .... 3.8V부터 시작했을때로 나누어
△V가 1200mV, 1100mV, .... , 500mV일때까지로 나누어 각각의 케이스에 대해 추정 정합성을 검토한다고합니다.
당연히 △V가 클수록 데이터의 수가 많아지니 정확도가 높습니다.
Results
x축 Voltage window length라고 적힌부분이 위에서 말씀드린 △V 입니다.
500mV일때는 약 2~3mΩ의 오차가 나지만, 1000mV 이후부터는 1mΩ 정도로 오차가 나는것을 확인할 수 있습니다.
하지만 y축을 집중해서 봐주셔야할게 RMSE값입니다.
즉, Max error는 훨씬더 커질 수 있따는 것을 의미하며, 실제로 800mV에서도 8mΩ 까지 차이나기도 합니다.
밀리 단위라서 작아 보일 수 있지만, 아래 결과표를 보면 작은값이 아님을 알 수 있습니다.
2RC Nyquist plot기준 Semi circle이 그려지는 부분의 y축을 보면 8mΩ의 오차가 발생한다면 상대오차가 100%에 가까움을 확인할 수 있습니다.
우리가 원하는 데이터의 대부분은 +-△10mV단위이기 때문입니다.
논문의 필자도, 1200개의 데이터를 모두 다 사용해도 최대 8.2mΩ까지 오차가 난다고 논문에 기술했으므로, 전체의 평균에 가까운 RMSE 오차는 크게 의미가 없을지도 모릅니다.
제가 항상 의구심을 가져왔던, 왜 CNN을 쓰는가? Time series, 히스테리시스 성향을 가지는 배터리에 Spartial Feature Extracting에 유용한 CNN을 쓰는 이유가 무엇인가?에 대한 의문을 해당 논문의 마지막 conclusion에서도 표하고 있습니다.
필자도 CNN을 통해 유의미한 결과들을 도출해낸 연구결과들도 많지만, LSTM기반으로 outstanding한 결론을 보여주는 논문이 있다! 라고 말하며, LSTM을 적용했을때 더욱 기대되는 연구결과들이 나올것이다 라고 말하며 논문을 맺습니다.해당 논문은 한번 읽어볼 예정입니다.
참조
1. Yanzhou Duan, Jinpeng Tian, Jiahuan Lu, Chenxu Wang, Weixiang Shen, Rui Xiong,
Deep neural network battery impedance spectra prediction by only using constant-current curve,Energy Storage Materials,Volume 41,2021,Pages 24-31,ISSN 2405-8297,
https://doi.org/10.1016/j.ensm.2021.05.047.https://doi.org/10.1186/s10033-018-0268-8
댓글