딥러닝과 특징 추출 기반 배터리 노화 상태 추정 방법

Abstract

본 논문에서는 특징 추출 기법과 딥러닝을 사용한 배터리 노화 상태 추정 방법을 제안한다. 데이터 기반 노화 상태 추정 방법을 배터리에 적용할 경우, Health Indicator를 훈련 데이터로 사용한다. 하지만, 많은 충·방전 사이클에서 Health Indicator를 추출하는 것은 한계점을 가진다. 본 논문에서는 이러한 문제를 보완하기 위해 특징 추출 기법과 딥러닝을 사용한 배터리 노화 상태 추정 방법을 제안한다. 특징 추출 기법은 의미 있는 데이터를 식별하고 추출하는 과정으로, 추정 성능을 향상할 수 있다는 장점이 있다. 제안하는 방법은 특징 추출 기법으로 시계열 특징 추출 방법을 사용하였다. 먼저 다른 Health Indicator보다 측정하기 쉬운 특정 전압 구간의 방전 시간을 Health Indicator로 추출하였으며 해당 데이터에 시계열 특징 추출을 적용해 특징을 생성하였다. 이후 다항 차수 변환과 피어슨 상관관계를 통해 배터리 노화 상태와 상관관계가 높은 데이터를 추출해 본 논문에서 제안하는 새로운 특징을 생성하였다. 이러한 특징 추출 과정을 거친 후 여러 입력을 출력에 매핑하여 학습할 수 있다는 장점이 있는 딥러닝 모델을 적용하였다. 딥러닝 모델은 새로운 특징들과 배터리 노화 상태의 관계를 도출하는 데 적용된다. 딥러닝과 특징 추출 기법을 함께 적용하였을 때 기존의 방법과 비교했을 때 배터리 노화 상태 추정 성능을 향상할 수 있었다. 제안하는 방법은 Mean Absolute Error(MAE) 평가 방법으로 추정 성능을 평가했을 때 0.3887%의 높은 정확도를 보였다. |This study proposes a method for estimating the state of health of lithium batteries using feature engineering and deep learning. The data driven-based battery state of health estimation method uses health indicator as training data. however, extracting health indicator from many charge/discharge cycles has limitations. This paper proposes a battery state of health estimation using deep learning and feature engineering to compensate for the problem. The feature engineering is a process of identifying and extracting meaningful data, and has the advantage of improving estimation performance. The proposed method was a time series feature extraction method as feature engineering. In this paper, the discharge time of a specific voltage range, which is easier to measure than other health Indicator, was extracted with health Indicator and features were created by applying time series feature extraction to the data. After that, data with a high correlation with the aging state of the battery were extracted through polynomial features and pearson correlation to create new features. The deep learning model has the advantage of being able to learn by mapping several inputs to the output. Unlike battery modeling, the deep learning model could identify the relationship between new characteristics and battery aging state without complicated calculation. When deep learning and feature engineering were applied together, the state of health estimation performance of the lithium-ion battery could be improved compared to the existing method. The proposed method showed a high accuracy of 0.3887% when the estimated performance was evaluated using mean absolute error (MAE) evaluation method.