딥러닝 모델 기반 리튬-이온 배터리의 수명 예측

Abstract

리튬-이온 배터리 시장은, 탄소중립 패러다임을 기반으로 한 친환경적이고 지속 가능한 에너지원으로써, 관련 정책 추진의 중요한 부분을 차지하고 있으며, 향후 괄목할 만한 성장이 기대되는 분야이다. 하지만, 배터리 내에서의 전기화학적 반응의 복잡성으로 인해, 배터리 관리 시스템(BMS)을 통한 리튬-이온 배터리의 정확한 상태 추정은 매우 어려운 작업으로, 현재 이와 관련된 많은 연구가 진행되고 있다. 본 연구에서는 가장 널리 사용되고 있는 머신러닝 기반 모델들과 고급 딥러닝 기반 모델들의 성능을 비교 평가하여, 리튬-이온 배터리의 잔존 수명을 예측을 위한 최적의 모델과 더불어 결합 모델을 제안한다. 모델들의 평가를 위해 NASA Ames Prognostics Center of Excellence에서 측정한 리튬-이온 배터리 데이터를 사용하였다. 기존의 머신러닝 기반 모델들과 딥러닝 ANN 모델에 대한 예비 평가를 수행하였으며, 이 결과는 딥러닝 기반 모델이 배터리의 잔여 수명 예측에서의 성능 향상에 대한 가능성이 있음을 증명하였다. 다음으로, 딥러닝 학습 과정에 앞서 최적의 하이퍼파라미터 (은닉 계층 수:128, time-interval:10)를 설정하였다.

실험 결과, GRU와 양방향 GRU(BiGRU) 모델이 가장 우수한 성능을 보였으며, 그 다음으로 양방향 LSTM(BiLSTM), LSTM과 GRU의 결합 모델, LSTM, RNN 순으로 나타났다. 본 연구에서 제안한 양방향 모델의 경우, LSTM에서는 성능이 향상되었지만, GRU 모델에서는 성능 차이가 거의 나타나지 않았다. 또한, 결합 모델을 통한 수명 예측은 다른 모델에 비해 복잡한 네트워크를 사용했음에도 불구하고, 예측 정확도는 크게 향상되지는 않았다. 결론적으로, 배터리 수명 예측에 가장 적합한 딥러닝 모델은 GRU (RMSE: 0.011~0.015) 와 BiGRU (RMSE: 0.009~ 0.017) 모델인 것으로 확인되었다.

|Li-ion battery market is an important part of related policy drives as eco-friendly and sustainable energy based on the Carbon-neutrality paradigm and expected to grow remarkable in the future. However, accurate and robust state of estimation of lithium-ion battery is a challenging task in a battery management system (BMS), because of the complexity of the electrochemical reactions within the battery. In this paper, the advanced deep learning-based models compared to well-known machine learning based models are assessed to predict the remaining life of Li-ion batteries, and combined model is also proposed. Data of Li-ion batteries measured by NASA Ames Prognostics Center of Excellence are used for evaluation models. A preliminary evaluation of the conventional machine learning based models and ANN model was conducted for prediction. This result prove that the deep learning-based model has the potential to improve the performance of the remaining life prediction of battery. Next, the setting of hyperparameters of deep leaning is examined prior to the training process. For a fair comparison, the hyperparameters of models are compared and evaluated, and the final value of hyperparameters is set as follows: number of hidden layer (128) and time-interval (10). The experimental results showed that the GRU and Bidirectional GRU models performed best, followed by the Bidirectional LSTM, Combined model (LSTM and GRU), LSTM, and RNN. In the case of the Bidirectional model proposed in this paper, the performance was improved in LSTM, but there was almost no difference in performance in the GRU model. The combined model used a more complex network than other models, but it didn't significantly improve its performance. As a result, it was confirmed that the most suitable deep learning models for battery remaining life prediction are GRU (RMSE: 0.011~0.015) and BiGRU (RMSE: 0.009~ 0.017) models.