논문 전문 : https://www.sciencedirect.com/science/article/abs/pii/S0360544221021058
[출처] Yunhong Che, Zhongwei Deng, Penghua Li, Xiaolin Tang, Kavian Khosravinia, Xianke Lin, Xiaosong Hu,
State of health prognostics for series battery packs: A universal deep learning method,Energy,Volume 238, Part B,
2022,121857,ISSN 0360-5442, https://doi.org/10.1016/j.energy.2021.121857
※ The picture and content of this article are from the original paper.
[논문요약]
State of health prognostics for series battery packs : A universal deep learning method
이 논문은, 3달전 Accept된 아주 따끈따끈한 논문입니다.
최신 논문이면서도, 아주 많은 insight를 주는 근래들어 본 논문중 거의 TOP5안에 들지않을까 싶을정도로 좋은 논문이였습니다.
논문정리를 해오는 글을 쭉 봐주시던 분은 아실수 있지만, 저는 이렇게 극찬하고 가는 논문이 몇개없습니다.
왜냐면, 해당 필드 연구자분들은 다들 아시겠지만 거기서 거기고, 딥러닝 모델을 조금 바꿔서 해봤다던지, 제어공학 기법 EKF를 UKF로바꿔서해본다던지.. 이런식의 논문들이 많기때문입니다.
이 논문은 배터리의 Health Index(이하 HI)에 대해 많은 Insight를 주는 논문이였습니다.
Purpose
배터리에서 얻을 수 있는 데이터는 아주 한정적입니다.
따라서, Differential Voltammetry라던가, Time-series로 데이터를 본다던가 하는식으로 한정된 데이터를 어떻게 잘 가공해서 배터리의 상태를 추정할 수 있을까라는 고민을 많이하는데요
해당 논문은 10가지의 Health Index(HI)에 대해 정리를합니다. 다만, 다른 논문에서 Reference(필자 연구실에서 쓴 다른논문들같은데요)를 남기고 가져온 HI들이 많아서, 해당 논문들도 모두 하나씩 읽어볼 예정입니다.
해당 논문에서는 Abstract부터 아주 자신있게말합니다. Battery Pack 단위에서 배터리 이상징후를 감지하는 딥러닝 방안을 제안하겠다. 특히, Master Algorithm이라고합니다. 배터리 셀의 케미컬, 직렬병렬연결 수, 배터리 타입, Aging 상태 이런것 다 상관없이 배터리 이상징후를 보겠다고합니다.
현재 배터리의 상태이상진단을 목표로 존재하는 다양한 회사들이 있습니다.
Algorion, Qnovo, Widesense, Thinkenergy.... 이런회사들이 사용하는 방법은 물론 대외적으로 공개하지는 않지만, 해당 논문에서 제시하는방법과 큰틀에서 다르지 않을것 같다는 생각이드네요
Reimagining the battery experience - Qnovo
Setting a new standard for fast charging, battery safety, and performance with our Intelligent Battery Management Software
qnovo.com
WideSense
Last Mile Delivery, Transit and Long-Haul Trucking.
www.widesense.net
Contents
요즘 배터리 및 자율주행 업체들과 관련하여 Hot한 아이템중 하나인 PHM(Prognostic Health Management)에 대해 직접적으로 언급되어있습니다.
PHM이 신조어는 아니지만, 최근 딥러닝 기반 PHM에 대해 포르쉐나 테슬라... 여러 업체들에서 많이 언급을 하고있는데요, 해당 논문도 방법론적으로는 아주 훌륭한 PHM 기법이 될수있다고 생각합니다.
필자가 제안하는 New Health Indicator들은 대부분 다른논문(필자의 측근이 쓴 논문으로 예상)에서 Reference를 삼고있어, 정확한 이해를 위해서는 해당논문들을 하나하나 읽어볼 예정이지만, Scheme처럼 간략하게 어떤것인지 설명이 적혀있어 간단하게 정리를 해보고자합니다.
a. BSA 내 셀들의 용량의 Standard Deviation(이건 자주쓰이는 기법)
b. 셀들의 differential voltammetry의 standard deviation(DV는 자주쓰지만, DV의 std를 보는건 처음보는 접근법이네요)
c. CV구간에서 V_min/max의 편차와 중간셀들과의 편차(pdf를 보는듯합니다.)
d. 근접셀과의 용량편차
e. 근접셀과의 용량편차의 미분값(용량편차의 변화정도 slope)
f. Entropy Information : Reference로 남겨놓은 논문 확인필요. System의 Disorder를 추정하기 위한 HI로써, 특정 변수를 PCA로 차원축소 시켜 fault detection이나 health prognostics에 유용하게 사용할 수 있다고합니다.
....
이외에도 이런식으로 여러 변수를 정리하여 이 데이터들을 딥러닝하는 방식으로, 배터리 팩 PHM을 할수있다고 합니다.
해당 논문은 아카데미에서 나온건데도, 뭔가 인더스트리에서 나온것 같다는 느낌을 강하게 주는 논문이였습니다.
필자가 학교소속이 되기전 회사에서 연구하던 엔지니어였나 싶네요
상기에 정리된 데이터들을 학습하고 Output으로 SOH를 두어 딥러닝 네트워크를 만듭니다.
(b)그림을 보시면, 똑같은 변수도 LSTM/CNN/MLP와 같이 여러개의 모델을 돌려 이중 가장 적절하다고 판단되는 SOH값만 Return하는 Ensemble구조라고 합니다.
Dynamic한 실제 사용환경에서도 이런방법이 동작해야한다는것 또한 필자가 정확히 인지하고있습니다.
"논문내용 : The voltages in the dynamic working conditions vary greatly, making it impossible to extract the useful HI from the voltage curve properly."
따라서 여러 조건을 붙였는데요, CC구간이 있어야하며(DV를 하려면 당연한거죠), 정확한 OCV추정이 필요하다고합니다.
필자는, Dynamic한 전류상황에서도 정확한 OCV만 얻어낼 수 있다면 HI들의 Reference전압으로 단자전압이 아닌 정교하게 추정된 OCV로 SOH를 추정할 수 있다고합니다.
Results
엄청나게 강력한 Health Index들을 딥러닝 또한 모델별로 통합해서 Ensemble로 사용하기때문에 정확도가 아주 좋습니다.
하지만, 해당 논문의 방식을 사용하려면 Field에서 사용되고있는 배터리의 데이터가 지속적으로 모이고 필요한 데이터별로 정리가 되어있어야 할수 있을것 같습니다.
그리고 해당 결과그래프에서 의문인점은 y축이 SOH인데 SOH가 증가하는 부분들도 많이 존재한다는것입니다.
상식적으로, 배터리의 열화가 회복된다는것은 전해질을 새로 주입했다던가 이런 물리적 변화를 주지않는 이상 불가능하죠
SOH는 용량측정값이기에 실험결과가 그렇다쳐도, 다른 10개의 Health Index를 딥러닝하여 "추정한 SOH" 또한 실측값과 동일하게 상승하고있다는 점입니다.
즉, 저는 이부분이 아주 의심스럽습니다.
실제로 열화시키면서 SOH찍은건, 센서오차나 혹은 조금씩 달라지는 온도조건과 같은 외부조건에 의해 달라질수있다, 높게나올수있다.
But, Helath Index로 딥러닝하여 "추종"한 결과는 왜 이 문제를 그대로 답습하는거지? 라는 의문이듭니다.
SOH야 용량적산해서 대부분 논문쓰니까, 전류센서가 일부 오차가있다거나 조금씩 틀어져있을수 있는데,
추정값은 왜 이 시스템오차가 반영된걸까? 하는것입니다.
제가 리뷰어였다면 이부분에 대해 많이 의심을 품었을것 같습니다.
참조
1. Yunhong Che, Zhongwei Deng, Penghua Li, Xiaolin Tang, Kavian Khosravinia, Xianke Lin, Xiaosong Hu,
State of health prognostics for series battery packs: A universal deep learning method,Energy,Volume 238, Part B,
2022,121857,ISSN 0360-5442, https://doi.org/10.1016/j.energy.2021.121857https://doi.org/10.1016/j.jpowsour.2021.230024.
댓글