[Power Sources-2022] End-to-end capacity estimation of Lithium-ion batteries with an enhanced long short-term memory network considering domain adaptation

논문 전문 : https://www.sciencedirect.com/science/article/abs/pii/S0378775321013124

[출처] Te Han, Zhe Wang, Huixing Meng,End-to-end capacity estimation of Lithiumion batteries with an enhanced long short-term memory network considering domain adaptation,Journal of Power Sources,Volume 520,2022,230823,ISSN 0378-7753,https://doi.org/10.1016/j.jpowsour.2021.230823.

 

※ 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]
End-to-end capacity estimation of Lithium-ion batteries with an enhanced long short-term memory network considering domain adaptation

 

 

 

배터리 셀 들의 열화에 대한 Inconsistence를 해결하기 위한 Domain Adaption 연구입니다.

NASA와 CALCE 데이터를 활용해서 Source Domain 학습을 시키고, 새로운 데이터로 Target Domain 학습을 시키는 Transfer Learning에서는 일반적인 논문입니다.

기존에 정리했던 하기 논문에서 DaNN부분을 제외하고는 거의 동일한 연구입니다.

https://limitsinx.tistory.com/291

[IEEE-2021] Multisource Domain Adaption for Health Degradation Monitoring of Lithium-Ion Batteries

 

Contents

 

 

논문의 전체적인 흐름도입니다. 

일반적인 배터리-Domain Adaption 연구와 동일한 형태로, Source Domain을 통해 학습시키고, Target Domain과 Source Domain의 동일한 SOH 데이터를 통해 MMD기반(분포 유사도 차이) Domain Adaption을 하는 연구입니다.

특이사항이라고 할것 까진 없는데, 본 논문의 약간 사소한 차이점은 Feature Generator부분 부터 MMD Loss연산을 ㅇ 위한 네트워크까지 모두 LSTM만 쓴다는 점입니다. 마치 LSTM is all I need 같네요

 

 

데이터에 대해서도 특이한건 없습니다. 일반적으론 논문들에서 본인들만의 Health Index를 만들고 그것을 학습시키는 경우가 많은데, 본 논문은 V/I/T 심플하게 학습시킵니다.

이 논문은 그림들을 아주 예쁘게 그려놔서 독자들이 이해하기 쉽도록 정리가 잘되어있다는 인상을 주네요

 

 

Domain Adaption Feed Forward

 

본 논문의 네트워크는 상기와 같습니다.

Source Domain으로 LSTM Network를 설계하여 학습완료시킵니다.

그 다음, Source Domain의 성질이 Target Domain 추정시에도 연계되도록 Parameter Sharing을 합니다.

이후, Target Domain 일부분과 Source Domain을 통해 MMD Loss를 최소화합니다. 즉, 둘의 확률분포도가 유사해지는 방향으로 학습을 진행하여 Domain Adaption을 합니다.

 

Domain Adaption Back prop

 

 

결론은, 이를 통해 다른 여러모델들과 비교해보았을때도 상기처럼 LSTM Network를 설계하는것이 Domain Adaption 성능이 뛰어낫다는것입니다.

결과표를 보면 LSTM-DAM는 RMSE, MAPE 모두 2%이내 추정오차임을 확인할 수 있습니다.

 

Results

 

논문의 구성상으로는, 기존의 배터리-Domain Adaption 발전방향과 정확히 일치합니다.

즉, 크게 인사이트는 없습니다. 다만, 그림들이 아주 예쁘게 그려져있어서 인용하기에는 좋을듯합니다.

 

참조

[1] Te Han, Zhe Wang, Huixing Meng,End-to-end capacity estimation of Lithiumion batteries with an enhanced long short-term memory network considering domain adaptation,Journal of Power Sources,Volume 520,2022,230823,ISSN 0378-7753,https://doi.org/10.1016/j.jpowsour.2021.230823.