논문 전문 : https://ieeexplore.ieee.org/abstract/document/8786090
[출처] J. Kim et al., "Data-Driven State of Health Estimation of Li-Ion Batteries With RPT-Reduced Experimental Data," in IEEE Access, vol. 7, pp. 106987-106997, 2019, doi: 10.1109/ACCESS.2019.2932719.https://doi.org/10.1016/j.egyai.2020.100007.
※ The picture and content of this article are from the original paper.
[논문요약]
Data-Driven State of Health Estimation of Li-ion Batteries With RPT-Reduced Experimental Data
해당 논문은 SOH를 Regression이 아닌, 5%단위 SOH로 Classification하여 추정을 러프하게 가져가고자 하는 논문입니다. 다른 논문들 대비 BMS 하드웨어를 고려한 딥러닝 모델선정이 인상적입니다. (MLP)
Purpose
SOH를 100~80까지 Class로 나누어 Classification 하는 논문입니다.
RPT 실제 시험데이터를 가지고 학습을 시켰다는 점이 좋았으며, Dynamic한 상황에서의 열화는 MATLAB LIONSIMBA로 P2D모델에서 나온 값을 사용했다는건 조금 아쉬웠습니다.
(개인적으로 모델로 Generating한 데이터로 딥러닝 모델을 학습시키는걸 별로 좋아하지 않습니다.)
Contents
해당 논문의 모든것을 담고있는 그림입니다.
SOH 5%단위로 V/I/T 데이터를 모으고, MLP를 사용하여 학습합니다.
흔히 사용되는 스킬인데, LSTM이나 RNN같은 Time Series 모델의 성능을 MLP로도 구현해보고자 Input자체로 데이터를 시계열하게 넣습니다.
논문에서는 Moving Window라는 표현을 사용했는데, L이라는 Time 동안의 시계열데이터가 input으로 들어가는것입니다.
(실제 양산되는 EV의 BMS성능은 생각보다 안좋은 성능에, 다른 로직들까지 동시 연산을 해야한다는것을 감안하면 Window size도 높은 값으로 넣기는 힘들것으로 생각됩니다.)
결과적으론 상기 그림과 같은 네트워크 프레임을 가집니다.
노드의 개수와 Hidden layer의 수가 복잡하고 많을수록 Non-linearity는 증가하지만, Computational cost가 증가합니다.
BMS의 SOH연산에 가용한 Computational Power를 고려할 때, 아무리 연산하고 난 후의 결과 Weight, bias를 넣는다 하더라도 일정 값 이하가 되도록 설정해야 할것 같습니다.
RPT시험결과로 상기와 같이 학습을 시켰다면,
Dynamic한 Profile에서의 열화데이터를 얻기위해서는 P2D모델을 만들어, 데이터 Generating을 시켰다고합니다.
해당 연구실은, P2D 모델로 만든 데이터 기반 딥러닝에 관한 논문이 여러편 보이는것 같습니다.
아마 하기 논문과 비슷한 방식으로 SOH에 대한 값들을 바꿔가며 Data Generating을 한것으로 추정됩니다.
https://limitsinx.tistory.com/190
Results
결과적으로, 준수한 추정 성능을 보였다고 합니다.
저도 필자의 의견과 동일하게, SOH는 굳이 0.1%단위까지 맞추어 가며 Regression을 할 이유는 없다고 생각됩니다.
오히려, 정확도에 너무 민감해져버린 나머지 Sensitive한 알고리즘 설계로 인해 더욱 정확도가 떨어지는 경우도 많구요
5%단위 까진 아니더라도 2~3%단위 Classification도 충분하지 않을까 생각됩니다.
염려되는점은 모든 배터리 쪽 논문이 마찬가지지만 Single cell기준의 데이터이기에 EV에 사용되는 수백개가 직병렬 연결된 BSA상태나, 수백개가 수백개씩 연결된 ESS 같은 경우는 랩스케일 논문과 좀 다른경우가 많습니다.
실제로, 전압만해도 버스바나 전장부하 및 단자 자체 물성의 고유저항 등... 단셀을 정확하게 추정하더라도 시스템단위 에서는 꽤나 차이가 나는 경우가 있습니다.
이런 경우에는, 팩 자체로 열화를 시켜 Classification을 하면 될것 같지만, 셀 편차 및 팩 편차 같이 수백개의 셀을 연동해서 쓰기에 꽤나 크리티컬한 영향을 여러 종류의 편차 및 시스템 인자들까지 고려하면, 더욱 복잡한 문제가 되어버립니다.
BMS의 Computational power를 고려하고 있다고 몇차례 언급 되는점, 모델을 굳이 Input을 Window로 넣으면서 MLP를 쓴점, Voltage Current Temperature처럼 센싱할 수 있는 값들만 Input으로 쓴점이 좋았습니다.
참고
1 .J. Kim et al., "Data-Driven State of Health Estimation of Li-Ion Batteries With RPT-Reduced Experimental Data," in IEEE Access, vol. 7, pp. 106987-106997, 2019, doi: 10.1109/ACCESS.2019.2932719.https://doi.org/10.1016/j.egyai.2020.100007.
댓글