[Scientific reports-2022] Transfer learning based generalized framework for state of health estimation of Li-ion cells

논문 전문 : https://www.nature.com/articles/s41598-022-16692-4

[출처] Sahoo, S., Hariharan, K.S., Agarwal, S. et al. Transfer learning based generalized framework for state of health estimation of Li-ion cells. Sci Rep 12, 13173 (2022). https://doi.org/10.1038/s41598-022-16692-4

 

※ 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]
Transfer learning based generalized framework for state of health estimation of Li-ion cells

 

 

삼성에서 나온 논문으로, 이 전에 한번 리뷰했던 논문들과 저자분들이 많이 겹치는 논문입니다.

논문의 방법론적인 측면에서 엄청 다르다지는 않지만, 이 전 논문은 버틀러 볼머나 화학적 수식들을 기반으로 조금더 원리적인 느낌에 가까웠다면, 본 논문은 같은 인자를 다루더라도 딥러닝(Transfer Learning)쪽으로 정리되어있습니다.

https://limitsinx.tistory.com/294

[Scientific Report-2020] An Incremental Voltage Difference Based Technique for Online State of Health Estimation of Li-ion Batte

 

Contents

 

본 논문에서는 SOH와의 연관성을 가진 Health Index 인자로 전압 분극량을 정하고 있습니다. SEI 형성전의 저항성분에 대한 분극량은 제한다는 점이 조금 차이점인데, 결국 이때의 저항은 상수값이기에 큰 차이는 없습니다. (이에대한 자세한 설명은 상기 링크 참조 부탁드립니다.)

 

 

(c),(g),(k) 그래프를 보시면 특정 SOC(30/40/50%)에서 C-rate별로 달리하며 분극변화량-SOH변화량의 관계를 보고 있습니다.

당연하게도, 열화가되면 저항이 증가하게되고 분극발생량이 증가하게 됩니다. 하지만 위 그림에서 눈여겨봐야할점은 x축이 SOH가 아니고 SOH의 변화량이며, y축은 분극이 아니고 분극 변화량이라는 점입니다.

즉, 분극량에 대해 SOH를 추정하는 1차원적인것이 아니라, "분극량의 변화량이 이정도 될때 SOH도 이정도 변화했을것이다" 라고 어떻게보면 간접적으로 추정하고 있습니다. 

 

이것을 저는 어떻게 해석했냐면, (g)그림에서 SOC 30%기준만 보자면 SOH 100->95가 될때 (0.00->0.05)의 △Vr은 약 0.04정도 됩니다. SOH100->90(0.00->0.10)일때는 약 0.08정도로 보입니다. 

즉, SOH 100% -> 95%일때와 SOH 95% -> 90%일때 동일한 △SOH이면 분극 증가량이 동일하다는 것입니다. 그림으로도 선형으로 나타나있기때문에 이렇게 해석할 수 있습니다.

이게 무슨말이냐면, SOHc와 SOHr의 관계가 선형적이라는것과 똑같은말입니다. 이것도 일리가 있는 말이, 본 논문은 CCCV로만 충방전했기때문에 다양한 열화패턴을 표방할순 없습니다. 즉, 실제필드에서는 SOHr와 SOHc는 상관성은 있지만 이렇게 Linear하게 나오진 않습니다. 다만, 본 논문처럼 제약적이고 특정된 실험을 통한 열화에서는 이런 양상이 나올수도 있겠다라고 생각했습니다.

 

 

또 하나의 재미있는점은 마치 C-rate에 대해 위 상관성이 붕괴되지 않는것처럼 작성했다는 점입니다.

일반적으로 C-rate에 대한 전압변화량은 Linear하지 않습니다. 버틀러 볼머나 아레니우스 식에 의해 비선형적으로 나오는 경우가 대부분입니다. (엄밀하게 말하면 버틀러볼머 내에도 선형적인 구간이 많지만)

제가 생각하기로는 충방전 복합패턴이 아닌 CCCV 충방전을 통한 열화를 진행하면 특정 정해진 프로파일에 대한 열화이기에 이런식으로 나올수도있지않을까 추측됩니다.

 

 

ANN의 구성에 대해서도 Input Vector Size가 1X10인데, SOC 2% 간격별로 △Vr을 넣었다고합니다.(SOC 30~50%) 이에 대해 다양한 배터리 셀 실험데이터와 공용 데이터를 활용한 Transfer Learning을 했는데 논문의 Figure.10에 나타나있는 그림으로, ANN파라미터를 Source Domain 데이터로 학습시키고, Target Domain 데이터로 Fine tuning시키는 방식의 Transfer Learning 방식입니다. 

 

 

△Vr과 △SOH에 대한 관계식이 Transfer Learning이 된다고 합니다. NASA의 PCoE데이터와 CALCE데이터를 가지고 Transfer Learning이 되는지 확인했는데, 예측 성능이 상기와 같이 괜찮게 나왔다고합니다. 즉, 필자가 만든 △Vr이라는 Health Index가 셀 소재/C-rate 차이를 감안하더라도 꽤나 Robust한 SOH 추종 성능을 보인다는것을 확인할 수 있습니다.

 

Results

 

인사이트가 있는 논문이였습니다.

다만, CC 시험 위주의 데이터로 학습시킨 결과라 충방전 복합패턴이나 방치열화와 같은 실사용조건에서는 본 논문의 전제와 같은 관계성이 나타날 수 있는지는 추가 고민이 필요할것 같습니다.

 

참조

[1] Sahoo, S., Hariharan, K.S., Agarwal, S. et al. Transfer learning based generalized framework for state of health estimation of Li-ion cells. Sci Rep 12, 13173 (2022). https://doi.org/10.1038/s41598-022-16692-4