다중 채널 충전 프로필을 사용한 LSTM 기반 배터리 잔여 수명 예측
LSTM-based Battery Remaining Useful Life Prediction with Multi-Channel Charging Profiles
- 주제(키워드) lithium-ion battery , long short-term memory , remaining useful life , capacity estimation
- 발행기관 서강대학교 일반대학원
- 지도교수 김홍석
- 발행년도 2019
- 학위수여년월 2019. 8
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000064329
- UCI I804:11029-000000064329
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권보호를 받습니다.
초록/요약
리튬 이온 배터리의 잔여 유효 수명 예측은 수명 종료 시점을 예측하여 배터리 고장의 위험을 줄일 수 있다. 본 논문에서는 장단기 메모리 기반의 새로운 잔여 유효 수명 예측 기술을 제안한다. 입력 층과 출력 층을 일대일 (One-to-One)으로 연결하는 기존 장단기 메모리 예측과 달리 다양한 유형의 입력에 유연하게 적용할 수있는 다대일 (Many-to-One) 구조를 활용하고 더 나은 일반화를 위해 매개 변수 수를 줄인다. 커패시티 재생 (Capacity Regeneration) 현상이 존재하는 경우 에도 잔여 유효 수명을 예측하기 위해 전압, 전류 및 온도 충전 프로파일과 같이 배터리 관리 시스템에서 측정 가능한 여러 데이터를 고려한다. NASA 리튬 이온 배터리 데이터 세트를 사용하여 제안 된 장단기 메모리 기반 잔여 유효 수명 예측의 정확성을 검증한다. 실험 결과는 단일 용량 데이터만을 사용하여 제안된 모 델이 베이스 라인 장단기 메모리 모델과 비교하여 평균절대 백분율 오차 (Mean Absolute Percentage Error, MAPE) 를 39.2% 향상 시킨다는 것을 보여준다. 또한 제안된 다중 채널 장단기 메모리 기술은 베이스 라인 모델에 비해 MAPE를 63.7% 향상시킨다. 제안된 모델은 MAPE의 0.47-1.88%를 달성하는 반면, 베이스 라인 장단기 메모리는 MAPE의 0.6-6.45%를 나타낸다.
more초록/요약
Remaining useful life (RUL) prediction of lithium-ion batteries can reduce the risk of battery failure by predicting the end of life. In this paper we propose novel RUL prediction techniques based on long short-term memory (LSTM). Unlike the traditional LSTM prediction that matches input layer with output layer as one-to-one structure, we leverage many-to-one structure to be flexible for various input types and to substantially reduce the number of parameters for better generalization. To estimate RUL even in the presence of capacity regeneration phenomenon, we consider multiple measurable data from battery management system such as voltage, current and temperature charging profiles whose patterns vary as aging. Using the NASA lithium-ion battery datasets, we verify the accuracy of the proposed LSTM based RUL prediction. The experimental results show that the proposed model using only single capacity data improves the MAPE by 39.2% compared to the baseline LSTM model. Furthermore, the proposed multi-channel LSTM technique improves the MAPE by 63.7% compared to the baseline; the proposed model achieves 0.47– 1.88% of MAPE while the baseline LSTM shows 0.6–6.45% of MAPE.
more