• 스마트미디어저널
• /
• 제11권11호
• /
• pp.63-74
• /
• 2022

Nowadays, lithium-ion battery has become more popular around the world. Knowing when batteries reach their end of life (EOL) is crucial. Accurately predicting the remaining useful life (RUL) of lithium-ion batteries is needed for battery health management systems and to avoid unexpected accidents. It gives information about the battery status and when we should replace the battery. With the rapid growth of machine learning and deep learning, data-driven approaches are proposed to address this problem. Extracting aging information from battery charge/discharge records, including voltage, current, and temperature, can determine the battery state and predict battery RUL. In this work, we first outlined the charging and discharging processes of lithium-ion batteries. We then summarize the proposed techniques and achievements in all published data-driven RUL prediction studies. From that, we give a discussion about the accomplishments and remaining works with the corresponding challenges in order to provide a direction for further research in this area.

• Journal of Power Electronics
• /
• 제17권5호
• /
• pp.1288-1297
• /
• 2017

The estimation of the remaining useful life (RUL) of lithium-ion (Li-ion) batteries is important for intelligent battery management system (BMS). Data mining technology is becoming increasingly mature, and the RUL estimation of Li-ion batteries based on data-driven prognostics is more accurate with the arrival of the era of big data. However, the support vector machine (SVM), which is applied to predict the RUL of Li-ion batteries, uses the traditional single-radial basis kernel function. This type of classifier has weak generalization ability, and it easily shows the problem of data migration, which results in inaccurate prediction of the RUL of Li-ion batteries. In this study, a novel multi-kernel SVM (MSVM) based on polynomial kernel and radial basis kernel function is proposed. Moreover, the particle swarm optimization algorithm is used to search the kernel parameters, penalty factor, and weight coefficient of the MSVM model. Finally, this paper utilizes the NASA battery dataset to form the observed data sequence for regression prediction. Results show that the improved algorithm not only has better prediction accuracy and stronger generalization ability but also decreases training time and computational complexity.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2016년도 전력전자학술대회 논문집
• /
• pp.311-312
• /
• 2016

본 논문에서는 사이즈가 다른 고출력 원통형 리튬이온 배터리의 Remaining Useful Life(RUL)을 방전용량 기반으로 전기적 특성분석을 실시하였다. 우선, 배터리의 충/방전이 계속될 시 용량이 어떻게 변화하는지 실험해보았으며, 만충 전압(Fully Charged)에서 만방 전압(Fully Discharged) 까지의 각각의 State-Of-Charge(SOC)에서 Hybrid Pulse Power Characterization (HPPC) Test를 이용해 충전 저항과 방전 저항을 구하여, 용량과 저항의 관계를 파악하였으며, 배터리 RUL을 알기 위한 기본 정보를 확보했다.

• 한국기계가공학회지
• /
• 제19권12호
• /
• pp.21-27
• /
• 2020

Lithium-ion batteries are the heart of energy-storing devices and electric vehicles. Owing to their superior qualities, such as high capacity and energy efficiency, they have become quite popular, resulting in an increased demand for failure/damage prevention and useable life maximization. To prevent failure in Lithium-ion batteries, improve their reliability, and ensure productivity, prognosticative measures such as condition monitoring through sensors, condition assessment for failure detection, and remaining useful life prediction through data-driven prognostics and health management approaches have become important topics for research. In this study, the residual useful life of Lithium-ion batteries was predicted using two efficient artificial recurrent neural networks-ong short-term memory (LSTM) and gated recurrent unit (GRU). The proposed approaches were compared for prognostics accuracy and cost-efficiency. It was determined that LSTM showed slightly higher accuracy, whereas GRUs have a computational advantage.

• 한국전자통신학회논문지
• /
• 제18권6호
• /
• pp.1151-1156
• /
• 2023

본 논문은 초기 리튬이온 배터리의 충·방전 데이터를 활용하여 리튬이온 배터리의 잔존 수명을 예측할 수 있는 딥러닝 모델을 제시한다. PNP(Positive and Negative Perceptron) 모델을 사용하여 DMP(Deep learning Model using PNP model)를 구축하였으며, DMP의 성능을 증명하기 위해 LSTM 모델을 사용하여 DML(Deep learning Model using LSTM model)을 구성하였다. DMP와 DML의 리튬이온 배터리의 잔존 수명 예측 성능을 비교하며, 오차 측정 방법은 RMSE(Root Mean Square Error)와 RMSPE(Root Mean Square Percentage Error)이다. 시험 데이터로 오차를 측정한 결과 DMP와 DML의 RMSE 차이는 144.62[Cycle]이며, RMSPE 차이는 3.37[%]로 DMP의 오차가 낮게 측정되었다. 이를 통해 우리는 DMP의 성능이 높은 것으로 증명하였으며, 이는 리튬이온 배터리 분야에서 PNP 모델이 LSTM 모델보다 성능이 뛰어남을 나타내었다.

• 한국통신학회논문지
• /
• 제42권4호
• /
• pp.939-949
• /
• 2017

고장 예지 및 건전성 관리 기술(Prognostics and Health Management; PHM)은 시스템의 현재 상태를 진단하고 향후 발생 가능한 고장 시점을 신뢰성 있게 예지하는 기술로써 유지 보수 비용의 절감 및 시스템의 안정성 향상을 꾀하고자 하는 다양한 산업분야에서 활발하게 이용되고 있다. 스마트 그리드의 에너지 저장장치, 전기차, 스마트폰, 항공우주산업 등 광범위한 사용처에서 중요한 에너지원으로 사용되고 있는 배터리 또한 성능 저하 및 폭발의 위험성으로부터 자유로울 수 없기 때문에 이러한 고장 예지 및 건전성 관리 기술이 반드시 적용되어야 할 어플리케이션이다. 본 논문에서는 PHM의 기본적인 개념을 소개함과 동시에 배터리의 잔존 유효 수명(Remaining Useful Life; RUL)을 예측하는 각종 알고리즘 및 성능 평가 지표 서술에 초점을 맞추도록 한다. 더불어 배터리의 기능적 동작 원리 및 전기화학 기반의 모델링에 대한 설명을 통해 향후 잠재적인 가능성을 지닌 배터리의 전반적인 특성에 대한 깊은 이해 및 응용 기술에 대한 통찰력을 제시하고자 한다.

• 한국정보전자통신기술학회논문지
• /
• 제13권5호
• /
• pp.436-442
• /
• 2020

ESS(energy storage system)는 재생에너지 자원의 증가 등의 영향에 따라 최근 다양한 분야에서 중요한 전력원으로 자리 잡고 있다. ESS는 사용에 따라 가용 용량이 지속적으로 감소하므로 잔존수명을 관리하는 것이 중요하다. 잔존수명의 추정을 위하여 주기적으로 점검자가 확인하는 방식이 사용될 수도 있으나, 관리시스템을 통하여 자동으로 모니터링되고 관리되는 것이 일반적이다. ESS 사업자 관점에서 정확도 높은 상태추정은 경제적, 효율적 운용을 위하여 중요하다. 잔존수명추정 모델은 운영에 따른 사이클 노후화와 기간 경과에 따른 캘린더 노후화를 고려하여 구성되며 복잡한 수학적 연산을 필요로 한다. ESS에 탑재되는 저비용 저성능의 프로세서에 잔존수명 추정모델의 적용을 위해서는 모델의 적절한 경량화 방안이 요구된다. 본 논문에서는 낮은 수준의 프로세서에서 연산이 용이하도록 ESS 잔존수명예측 모델을 경량화하였다. 시뮬레이션 평가 결과 ESS 잔존수명 추정 기준모델과 제안하는 모델간 오차는 1% 이내로 나타났다. 또한, 제안된 모델의 성능개선 효과 검증을 위하여 ATmega328을 기반으로 비교 평가를 수행하였을 때, 76.8~78.3%의 컴퓨팅 시간 단축을 확인하였다.