논문 전문 : https://ieeexplore.ieee.org/document/9560040
[출처] Z. Ye and J. Yu, "State-of-Health Estimation for Lithium-Ion Batteries Using Domain Adversarial Transfer Learning," in IEEE Transactions on Power Electronics, vol. 37, no. 3, pp. 3528-3543, March 2022, doi: 10.1109/TPEL.2021.3117788.
※ The picture and content of this article are from the original paper.
This article is more of an intuitive understanding than academic analysis.
[논문 요약]
State-of-Health Estimation for Lithium-Ion Batteries Using Domain Adversarial Transfer Learning
배터리에서 Transfer Learning을 활용하는 방법을 적용하는 방식은 대부분 SOH를 추정할때입니다.
SOH만큼 변화가 적고, 배터리 셀 간 공통으로 나타나는 부분이 잘 없기 때문입니다.
본 논문은 Working Condition(C-rate)가 다른 경우를 다른 도메인으로 두고 Transfer Learning을 수행합니다.
이전 배터리-Transfer Learning 글에서도 적었듯, 이런식의 Transfer Learning은 연구를 위한 연구일 뿐 필드 적용가능성은 없습니다. 다만, 모든 기술은 베이스에서 출발되는지라 아직까지 배터리-Domain Adaption분야는 뿌리를 튼튼하게 다지고 있는 과정이라 생각하고 읽어본 논문입니다.
Contents
배터리-Transfer Learning 논문을 어느정도 보다보면, 다 대부분 거기서 거기입니다.
DaNN(Domain adversarial Neural Network)를 사용하거나, MMD나 CORAL같은 Distribution Distance를 기반으로 학습한다거나.. 하는 방식입니다.
본 논문은 이미지를 오픈하지 않았기에, 글로만 간략하게 정리해보겠습니다.
크게 특이한 논문은 아니기 때문에, 다른 논문의 이미지들로도 충분히 설명이 가능합니다.
https://limitsinx.tistory.com/291
[IEEE-2021] Multisource Domain Adaption for Health Degradation Monitoring of Lithium-Ion Batteries
논문 전문 : https://ieeexplore.ieee.org/document/9445018 [출처] Z. Ye, J. Yu and L. Mao, "Multisource Domain Adaption for Health Degradation Monitoring of Lithium-Ion Batteries," in IEEE Transactions on Transportation Electrification, vol. 7, no. 4,
limitsinx.tistory.com
일반적으로 이쪽 논문은 SOH를 추정하기위해 Health Index를 잡는데, 이 논문은 그런게 없습니다.
그리고 입력데이터에 대한 설명도 아주 불친절합니다.
하기와 같이 6개를 입력으로 하는데, voltage_measured와 voltage_charge에 대한 설명이 전혀 없습니다. Voltage_charge는 부하중 전압이라는데, voltage_measured는 그럼 무부하중 전압이라는건지..? 그렇다면 current_measured는 항상 0이라는건지?.. 설명이 전혀없습니다.
1. Voltage_measured
2. Current_measured
3. Temperature_measured
4. Current_charge
5. Voltage_charge
6. Time
데이터를 보면 본 논문을 쓰기위해 별도의 Health Index를 개발한것도 아니고, 실험도 1.5C로 충전하고 1/2/4C로 CC로 방전하는 데이터를 가지고 Domain Adaption을 하겠다고 합니다.
Source Domain으로 SOH를 추정하도록 Feature Extractor Network(Bidirectional-GRU)와 Specific Feature Extract Network(ANN)을 학습합니다.
Source Domain 데이터를 모두 학습하고 나면, Source Domain과 Target Domain을 모두 Feature Extractor에 통과시키고, Target Domain과 Source Domain의 분포가 흡사해지도록 MMD를 함과 동시에, Target Domain의 Feature Extractor Network output으로 SOH를 Regression 하도록 학습합니다.
더불어, DaNN을 하는데 이는 Domain 구분 Loss를 Maximize하는 방식으로, Source Domain과 Target Domain간 Classification구분을 못하도록 하여, 간접적으로 Domain Adaption이 되도록 하는 방식입니다.
즉, Back Propagation은 상기와 같이 되며, 본 논문은 MMD&CORAL, DaNN, Regression 3개 Loss로 구성됩니다.
MMD만 쓰는 논문도있고, DaNN만 쓰는 논문도 있는데, 본 논문은 전부다 써서 했다고 보시면됩니다.
이렇게해서 Target Domain의 Working Condition SOH 100%일때만의 데이터로 SOH 80%,70%... 예측할 수 있다는 논문입니다.
정확도는 DaNN만 쓸때보다, MMD&CORAL만 쓸때보다, 둘다 한번에 쓰는 본논문이 성능이 가장 좋았다고합니다.
Results
배터리-Transfer Learning의 한계점을 가장 여실히 보여주는 논문입니다.
배터리 필드에서 연구를 할때는 Working Condition뿐만아니라, Environment, 배터리 셀 소재 모두 다릅니다.
하지만 Working Condition만 다른경우, 그 중에서도 CC충방전만하고 C-rate가 다른 경우에 대해서도 겨우 SOH를 간신히 추정할수있는 정도가 현재까지의 한계인것 같습니다.
올해까지 나온 논문들을 모두 F/UP해도 이 난제를 해결한 논문은 아직 없는것 같습니다. 저도 Breakthru를 찾으려고 이쪽으로 연구를 하고있는데 재미있는 영역인것 같습니다.
참조
[1] Z. Ye and J. Yu, "State-of-Health Estimation for Lithium-Ion Batteries Using Domain Adversarial Transfer Learning," in IEEE Transactions on Power Electronics, vol. 37, no. 3, pp. 3528-3543, March 2022, doi: 10.1109/TPEL.2021.3117788.
댓글