데이터 기반 리튬 이온 배터리 성능 예측을 위한학습 데이터 모델 정의 및 기계학습 분석
Learning Data Model Definition and Machine Learning Analysis for Data-Based Li-Ion Battery Performance Prediction
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
리튬 이온 배터리는 사용 환경과 양극재 조합 비율에 따라 배터리의 성능이 좌우된다. 고성능 리튬 이온 배터리를 개발하기 위해서는 양극재비율을 다양하게 변화시켜가면서 배터리를 제작하고 성능을 측정해야 한다. 하지만 모든 변수 조합에 대해 배터리를 제작하고 성능을 측정하기에는많은 시간과 비용이 소모된다. 그렇기 때문에 최근에는 데이터 기반으로 인공지능 모델을 활용하여 배터리의 성능을 예측하고자 하는 연구가활발히 진행되고 있다. 그러나 기존 공개 배터리 데이터는 동일한 배터리로 측정 실험을 하였기 때문에 양극재 조합 비율은 고정되어 있어서데이터 속성으로 포함되지 않았다. 본 논문에서는 양극재 소재 조합 비율에 따른 배터리의 성능을 예측할 수 있는 인공지능 모델 개발에 필요한학습 데이터 모델을 정의한다. 우리는 리튬 이온 배터리의 성능에 영향을 미칠 수 있는 요인을 분석하여 양극재 소재별 질량과 배터리 사용 환경을입력데이터로, 배터리의 출력과 용량을 목적 데이터로 정의하였다. 공개 배터리 데이터 중에는 양극재 비율이 포함된 데이터가 없어 양극재 비율을모두 동일한 값으로 설정한 제한된 데이터로 다중 선형회귀 분석, 서포트 벡터 회귀분석, 다중 로지스틱 회귀 분석, LSTM 분석을 수행하였다. 실험 환경이 다른 배터리 데이터에서 각각의 배터리 데이터는 고유한 패턴을 유지하였으며, 배터리 분류 모델은 각각의 배터리를 약 2%의 오차로분류하는 것으로 나타났다.
Abstract
The performance of lithium ion batteries depends on the usage environment and the combination ratio of cathode materials. In orderto develop a high-performance lithium-ion battery, it is necessary to manufacture the battery and measure its performance while varyingthe cathode material ratio. However, it takes a lot of time and money to directly develop batteries and measure their performance forall combinations of variables. Therefore, research to predict the performance of a battery using an artificial intelligence model has beenactively conducted. However, since measurement experiments were conducted with the same battery in the existing published batterydata, the cathode material combination ratio was fixed and was not included as a data attribute. In this paper, we define a trainingdata model required to develop an artificial intelligence model that can predict battery performance according to the combination ratioof cathode materials. We analyzed the factors that can affect the performance of lithium-ion batteries and defined the mass of eachcathode material and battery usage environment (cycle, current, temperature, time) as input data and the battery power and capacityas target data. In the battery data in different experimental environments, each battery data maintained a unique pattern, and the batteryclassification model showed that each battery was classified with an error of about 2%.
참고문헌 (15)
- A. Manthiram, "A reflection on lithium-ion battery cathode chemistry", Nature Communication, 11(1550), pp.1~9 (2020)
- L. Chen, "Estimation the internal resistance of lithiumion-battery using a multi-factor dynamic internal resistance model with an error compensation strategy", Energy Reports, 7, pp.3050~3059 (2021)
- H. C. Lee, "Understanding and evaluating the performance and safety of lithium-ion batteries", The Magazine of the IEIE, 34(12), pp.20~29 (2007)
- K. A. Severson, "Data-driven prediction of battery cycle life before capacity degradation", Nature Energy, 4, pp.383~391 (2019)
- 임제영, "EMD-CNN-LSTM을 이용한 하이브리드 방식의 리튬 이온 배터리 잔여 수명 예측", 전력전자학회 논문지, 27(1), pp.48~55 (2022), 전력전자학회
- 홍선리, "LRCN을 이용한 리튬 이온 배터리의 건강 상태 추정", 전력전자학회 논문지, 26(3), pp.183~191 (2021), 전력전자학회[DOI]
- S. W. Kim, "Novel informed deep learning-based prognostics framework for on-board health monitoring of lithium-ion batteries", Applied Energy, 315, pp.119011~ (2022)
- K. Park, "LSTM-Based battery remaining useful life prediction with Multi-Channel charging profiles", IEEE Access, 8, pp.20786~20798 (2020)
- 정상진, "딥러닝을 이용한 리튬이온 배터리 잔여 유효수명 예측", 한국기계가공학회지, 19(12), pp.21~27 (2020), 한국기계가공학회[DOI]
- B. Xu, "Recent progress in cathode materials research for advanced lithium ion batteries", Materials Science and Engineering: R: Reports, 73(56), pp.51~65 (2012)
- J. Xiao, "Influence of manganese content on the performance of LiNi0. 9-y MnyCo0. 1O2(0. 45 ≤ y ≤ 0. 60)as a cathode material for Li-Ion batteries", Chemistry of Materials, 22, pp.1180~1185 (2010)
- 김수연, "리튬이온전지 양극활물질 Ni-rich NCM의 합성과 전기화학적 특성", 전기화학회지, 20(4), pp.67~74 (2017), 한국전기화학회
- B. Saha, "Battery data set", NASA AMES Prognostics Data Repository, ~ (2007)
- H. Zhang, "D2DLSTM : LSTM-Based path prediction of content diffusion tree in Device-to-Device social networks", Proceedings of the AAAI Conference on Artificial Intelligence, 34(1), pp.295~302 (2020)
- P. Zhao, "Where to go next : A spatio-temporal gated network for next POI recommendation", IEEE Transactions on Knowledge and Data Engineering, 34(5), pp.2512~2524 (2022)