KIPS Transactions on Software and Data Engineering (정보처리학회논문지:소프트웨어 및 데이터공학)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Learning Data Model Definition and Machine Learning Analysis for Data-Based Li-Ion Battery Performance Prediction

데이터 기반 리튬 이온 배터리 성능 예측을 위한 학습 데이터 모델 정의 및 기계학습 분석

  • 김병욱 (강릉원주대학교 컴퓨터공학과) ;
  • 박지수 (전주대학교 컴퓨터공학과) ;
  • 장홍준 (전주대학교 컴퓨터공학과)
  • Received : 2023.01.25
  • Accepted : 2023.02.07
  • Published : 2023.03.31
Download PDF
⟨ Previous Next ⟩

Abstract

The performance of lithium ion batteries depends on the usage environment and the combination ratio of cathode materials. In order to develop a high-performance lithium-ion battery, it is necessary to manufacture the battery and measure its performance while varying the cathode material ratio. However, it takes a lot of time and money to directly develop batteries and measure their performance for all combinations of variables. Therefore, research to predict the performance of a battery using an artificial intelligence model has been actively conducted. However, since measurement experiments were conducted with the same battery in the existing published battery data, the cathode material combination ratio was fixed and was not included as a data attribute. In this paper, we define a training data model required to develop an artificial intelligence model that can predict battery performance according to the combination ratio of cathode materials. We analyzed the factors that can affect the performance of lithium-ion batteries and defined the mass of each cathode material and battery usage environment (cycle, current, temperature, time) as input data and the battery power and capacity as target data. In the battery data in different experimental environments, each battery data maintained a unique pattern, and the battery classification model showed that each battery was classified with an error of about 2%.

리튬 이온 배터리는 사용 환경과 양극재 조합 비율에 따라 배터리의 성능이 좌우된다. 고성능 리튬 이온 배터리를 개발하기 위해서는 양극재 비율을 다양하게 변화시켜가면서 배터리를 제작하고 성능을 측정해야 한다. 하지만 모든 변수 조합에 대해 배터리를 제작하고 성능을 측정하기에는 많은 시간과 비용이 소모된다. 그렇기 때문에 최근에는 데이터 기반으로 인공지능 모델을 활용하여 배터리의 성능을 예측하고자 하는 연구가 활발히 진행되고 있다. 그러나 기존 공개 배터리 데이터는 동일한 배터리로 측정 실험을 하였기 때문에 양극재 조합 비율은 고정되어 있어서 데이터 속성으로 포함되지 않았다. 본 논문에서는 양극재 소재 조합 비율에 따른 배터리의 성능을 예측할 수 있는 인공지능 모델 개발에 필요한 학습 데이터 모델을 정의한다. 우리는 리튬 이온 배터리의 성능에 영향을 미칠 수 있는 요인을 분석하여 양극재 소재별 질량과 배터리 사용 환경을 입력데이터로, 배터리의 출력과 용량을 목적 데이터로 정의하였다. 공개 배터리 데이터 중에는 양극재 비율이 포함된 데이터가 없어 양극재 비율을 모두 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 오차로 분류하는 것으로 나타났다.

Keywords

Acknowledgement

이 논문은 동신대학교 학술연구비에 의하여 연구되었음. 이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(No. 2021R1F1A1049387). 2022년도 교육부의 재원으로 한국연구재단의 지원을 받아 수행된 지자체대학 협력기반 지역혁신 사업의 결과임(2021RIS-002).

References

  1. A. Manthiram, "A reflection on lithium-ion battery cathode chemistry," Nature Communication, Vol.11, No.1550, pp.1-9, 2020. https://doi.org/10.1038/s41467-020-15355-0
  2. L. Chen et al, "Estimation the internal resistance of lithiumion-battery using a multi-factor dynamic internal resistance model with an error compensation strategy," Energy Reports, Vol.7, pp.3050-3059, 2021.
  3. H. C. Lee, "Understanding and evaluating the performance and safety of lithium-ion batteries," The Magazine of the IEIE, Vol.34, Iss.12, pp.20-29, 2007.
  4. K. A. Severson et al., "Data-driven prediction of battery cycle life before capacity degradation," Nature Energy, Vol.4, pp.383-391, 2019. https://doi.org/10.1038/s41560-019-0356-8
  5. J.-Y. Lim, D.-H. Kim, T.-W. Noh, and B.-K. Lee, "Remaining useful life prediction for litium-ion batteries using EMD-CNN-LSTM hybrid method," The Transactions of the Korean Institute of Power Electronics, Vol.27, No.1, pp.48- 55, 2022.
  6. S.-R. Hong, M. Kang, H.-G. Jeong, J.-B. Baek, and J.-H. Kim, "State of health estimation for Lithium-Ion batteries using Long-termRecurrent convolutional network," The Transactions of the Korean Institute of Power Electronics, Vol.26, No.3, pp.183-191, 2021.
  7. S. W. Kim, K.-Y. Oh, and S. Lee, "Novel informed deep learning-based prognostics framework for on-board health monitoring of lithium-ion batteries," Applied Energy, Vol.315, pp.119011, 2022.
  8. K. Park, Y. Choi, W. J. Choi, H.-Y. Ryu, and H. Kim, "LSTM-Based battery remaining useful life prediction with Multi-Channel charging profiles," IEEE Access, Vol.8, pp.20786-20798, 2020. https://doi.org/10.1109/ACCESS.2020.2968939
  9. S,-J, Jung and J.-W. Hur, "Deep learning approaches to RUL prediction of Lithium-ion batteries," Journal of the Korean Society of Manufacturing Process Engineers, Vol.19, No.12, pp.21-27, 2020. https://doi.org/10.14775/ksmpe.2020.19.12.021
  10. B. Xu, D. Qian, Z. Wang, and Y. S. Meng, "Recent progress in cathode materials research for advanced lithium ion batteries," Materials Science and Engineering: R: Reports, Vol.73, Iss.56, pp.51-65, 2012. https://doi.org/10.1016/j.mser.2012.05.003
  11. J. Xiao, N. A. Chernova, and M. S. Whittingham, "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, Vol.22, pp.1180- 1185, 2010. https://doi.org/10.1021/cm902627w
  12. S. Y. Kim, S.-H. Choi, E. J. Lee, and J.-S. Kim, "Synthesis and electrochemical performance of Ni-rich NCM cathode materials for Lithium-Ion batteries," Journal of the Korean Electrochemical Society, Vol.20, No.4, pp.67-74, 2017.
  13. B. Saha and K. Goebel, "Battery data set," NASA AMES Prognostics Data Repository, 2007.
  14. H. Zhang, X. Wang, J. Chen, C. Wang, and J. Li, "D2D-LSTM: LSTM-Based path prediction of content diffusion tree in Device-to-Device social networks," Proceedings of the AAAI Conference on Artificial Intelligence, Vol.34, No.1, pp.295-302, 2020.
  15. P. Zhao, A. Luo, Y. Liu, J. Xu, Z. Li, F. Zhuang, V. S. Sheng, and X. Zhou, "Where to go next: A spatio-temporal gated network for next POI recommendation," IEEE Transactions on Knowledge and Data Engineering, Vol.34, Iss.5, pp.2512-2524, 2022. https://doi.org/10.1109/TKDE.2020.3007194