[논문]머신러닝 기법을 이용한 납축전지 열화 예측 모델 개발

최근호; 김건우

doi:10.13088/jiis.2018.24.2.243

머신러닝 기법을 이용한 납축전지 열화 예측 모델 개발
Building battery deterioration prediction model using real field data 원문보기

지능정보연구 = Journal of intelligence and information systems, v.24 no.2, 2018년, pp.243 - 264

초록
AI-Helper

현재 전세계 배터리 시장은 이차전지 개발에 박차를 가하고 있는 실정이지만, 실제로 소비되는 배터리 중 가격 대비 성능이 좋고 재충전을 통해 다시 재사용이 가능한 납축전지(이차전지)의 소비가 광범위하게 이루어지고 있다. 하지만 납축전지는 복합적 셀(cell)을 묶어 하나의 배터리를 구성하여 활용하는 배터리의 특성상 하나의 셀에서 열화가 발생하면 전체 배터리의 손상을 가져와 열화가 빨리 진행되는 문제가 존재한다. 이를 극복하기 위해 본 연구는 기계학습을 통한 배터리 상태 데이터를 학습하여 배터리 열화를 예측할 수 있는 모델을 개발하고자 한다. 이를 위해 실제 현장에서 배터리 상태를 지속적으로 모니터링 할 수 있는 센서를 골프장 카트에 부착하여 실시간으로 배터리 상태 데이터를 수집하고, 수집한 데이터를 이용하여 기계학습 기법을 적용한 분석을 통해 열화 전조 현상에 대한 예측 모델을 개발하였다. 총 16,883개의 샘플을 분석 데이터로 사용하였으며, 예측 모델을 만들기 위한 알고리즘으로 의사결정나무, 로지스틱, 베이지언, 배깅, 부스팅, RandomForest를 사용하였다. 실험 결과, 의사결정나무를 기본 알고리즘으로 사용한 배깅 모델이 89.3923%이 가장 높은 적중률을 보이는 것으로 나타났다. 본 연구는 날씨와 운전습관 등 배터리 열화에 영향을 줄 수 있는 추가적인 변수들을 고려하지 못했다는 한계점이 있으나, 이는 향후 연구에서 다루고자 한다. 본 연구에서 제안하는 배터리 열화 예측 모델은 배터리 열화의 전조현상을 사전에 예측함으로써 배터리 관리를 효율적으로 수행하고 이에 따른 비용을 획기적으로 줄일 수 있을 것으로 기대한다.

Abstract ▼ AI-Helper

Although the worldwide battery market is recently spurring the development of lithium secondary battery, lead acid batteries (rechargeable batteries) which have good-performance and can be reused are consumed in a wide range of industry fields. However, lead-acid batteries have a serious problem in that deterioration of a battery makes progress quickly in the presence of that degradation of only one cell among several cells which is packed in a battery begins. To overcome this problem, previous researches have attempted to identify the mechanism of deterioration of a battery in many ways. However, most of previous researches have used data obtained in a laboratory to analyze the mechanism of deterioration of a battery but not used data obtained in a real world. The usage of real data can increase the feasibility and the applicability of the findings of a research. Therefore, this study aims to develop a model which predicts the battery deterioration using data obtained in real world. To this end, we collected data which presents change of battery state by attaching sensors enabling to monitor the battery condition in real time to dozens of golf carts operated in the real golf field. As a result, total 16,883 samples were obtained. And then, we developed a model which predicts a precursor phenomenon representing deterioration of a battery by analyzing the data collected from the sensors using machine learning techniques. As initial independent variables, we used 1) inbound time of a cart, 2) outbound time of a cart, 3) duration(from outbound time to charge time), 4) charge amount, 5) used amount, 6) charge efficiency, 7) lowest temperature of battery cell 1 to 6, 8) lowest voltage of battery cell 1 to 6, 9) highest voltage of battery cell 1 to 6, 10) voltage of battery cell 1 to 6 at the beginning of operation, 11) voltage of battery cell 1 to 6 at the end of charge, 12) used amount of battery cell 1 to 6 during operation, 13) used amount of battery during operation(Max-Min), 14) duration of battery use, and 15) highest current during operation. Since the values of the independent variables, lowest temperature of battery cell 1 to 6, lowest voltage of battery cell 1 to 6, highest voltage of battery cell 1 to 6, voltage of battery cell 1 to 6 at the beginning of operation, voltage of battery cell 1 to 6 at the end of charge, and used amount of battery cell 1 to 6 during operation are similar to that of each battery cell, we conducted principal component analysis using verimax orthogonal rotation in order to mitigate the multiple collinearity problem. According to the results, we made new variables by averaging the values of independent variables clustered together, and used them as final independent variables instead of origin variables, thereby reducing the dimension. We used decision tree, logistic regression, Bayesian network as algorithms for building prediction models. And also, we built prediction models using the bagging of each of them, the boosting of each of them, and RandomForest. Experimental results show that the prediction model using the bagging of decision tree yields the best accuracy of 89.3923%. This study has some limitations in that the additional variables which affect the deterioration of battery such as weather (temperature, humidity) and driving habits, did not considered, therefore, we would like to consider the them in the future research. However, the battery deterioration prediction model proposed in the present study is expected to enable effective and efficient management of battery used in the real filed by dramatically and to reduce the cost caused by not detecting battery deterioration accordingly.

주제어

AI 본문요약
AI-Helper

문제 정의

본 연구는 배터리 열화 예측 모델을 개발하는 것이 목적이다. 본 연구는 연구의 목적 달성을 위해, 골프장 카트의 배터리(이차 납축전지)를 지속적으로 모니터링하여 배터리 사용 정보와 배터리 열화 정보를 실시간으로 수집하고, 이를 활용하여 배터리 열화 메커니즘을 분석한다.

제안 방법

본 연구는 새롭게 만들어진 BatteryTemp_mean(운행 중 최저 온도 평균), Min_mean(운행중 최저 전압 평균), Max_mean(운행 중 최고 전압 평균), Start_mean(운행 시작시 전압 평균), End_mean(충전 종료 직전 전압 평균), Wh_mean(운행시 사용량 평균)의 6개 변수를 기존 변수들에 추가하여 배터리 열화 예측 모델 개발을 위한 최종 13개의 독립변수를 [Table 3]과 같이 구성하였다.
본 연구는 배터리 열화 예측 모델을 개발하는 것이 목적이다. 본 연구는 연구의 목적 달성을 위해, 골프장 카트의 배터리(이차 납축전지)를 지속적으로 모니터링하여 배터리 사용 정보와 배터리 열화 정보를 실시간으로 수집하고, 이를 활용하여 배터리 열화 메커니즘을 분석한다. 또한 이를 토대로, 데이터 마이닝(data mining) 기법을 활용하여 배터리 열화 예측 모델을 개발하고자 한다.

대상 데이터

본 연구는 배터리 전문 회사의 xBMS 시스템에서 DCS(Data-Carrier System)가 수집한 데이터를 사용한다. 본 연구에서 수집된 데이터는XBMS 시스템의 프로세스를 통해 얻어졌으며, 데이터 수집 프로세스는 다음과 같다([Figure 4] 참조).
본 연구에서는 위와 같은 과정을 통해 70대의 골프장 카트를 대상으로 데이터를 수집하였고, 1대의 카트에는 6개의 배터리가 들어있어, 총 420개의 배터리 데이터를 수집하였다. 본 연구에서는 배터리 관찰기간이 약 9개월 정도이며, 1대당 약 250개 정도의 정보가 담겨있다.

데이터처리

따라서, 본 연구는 차원축소를 위해 베리멕스 직각회전(Verimax orthogonal rotation)을 활용한 주성분 분석(principal component analysis)을 실시하였다. 또한 고유값(eigenvalue) 1 이상의 요인을 추출하였다.
본 연구는 단일 분류자 알고리즘부터 앙상블기법 순으로 실험을 하였으며, 단일 분류자 알고리즘으로는 의사결정나무(decision tree), 로지스틱(logistics), 베이지언 네트워크(bayesian network)를 사용하였고, 앙상블 기법으로는 부스팅(boosting), 배깅(bagging), RandomForest를 사용하였다. 부스팅과 배깅의 경우 단일 분류자 알고리즘으로 사용한 의사결정나무, 로지스틱, 베이지언 네트워크를 베이스 분류 모델로 사용하였다.

이론/모형

본 연구의 목적 달성을 위해, 골프장 카트 70대의 배터리(이차 납축전지)를 대상으로 약 9개월 정도의 배터리 사용 정보와 배터리 열화 정보를 수집하였다. 그리고 이를 토대로, 데이터마이닝(datamining) 기법을 활용하여 배터리 열화 예측 모델을 개발하였다.

성능/효과

본 연구는 기존 배터리 열화와 관련한 대부분의 연구들이 실험실에서 얻어진 데이터를 이용하여 분석했던 한계를 극복하고, 실제 운영 환경에서 얻어진 데이터에 기반하여 분석을 수행 하였기에 연구 결과에 대한 신뢰성을 보다 높였으며, 여러 알고리즘을 적용하여 모델을 구축한 결과, 의사결정 나무 알고리즘을 베이스 모델로 사용한 배깅 방법이 가장 좋은 예측 성능을 보여준다는 것을 밝혔다는 점에서 이론적 시사점이 있다고 판단된다.
본 연구의 실험 결과를 정리하면, 의사결정나무 알고리즘이 적중률(Hit ratio) 87~89% 이상으로 가장 높은 예측정확성을 보였으며, 의사결정나무 알고리즘을 베이스 모델로 사용한 배깅모델이 89.3923%의 적중률을 보여 모든 모델들 중 가장 높은 예측 정확성을 보였고, 다른 분류 알고리즘들에 비해 정상 클래스와 열화 클래스를 모두 균형 있게 잘 예측하는 것으로 나타났다.

후속연구

다만, 본 연구에서 사용한 변수들 이외에 배터리 열화에 영향을 미칠 수 있는 날씨, 운전습관 등 다른 환경요인들을 데이터 수집과 관련한 기술적 한계로 인해 충분히 고려하지 못했다는 점은 본 연구의 한계점으로 볼 수 있다. 이러한 한계점은 향후에 보다 정교하고 다양한 데이터 수집을 통해 보완해 나가고, 이를 바탕으로 보다 정확한 예측 모델을 개발하고자 한다.
다만, 본 연구에서 사용한 변수들 이외에 배터리 열화에 영향을 미칠 수 있는 날씨, 운전습관 등 다른 환경요인들을 데이터 수집과 관련한 기술적 한계로 인해 충분히 고려하지 못했다는 점은 본 연구의 한계점으로 볼 수 있다. 이러한 한계점은 향후에 보다 정교하고 다양한 데이터 수집을 통해 보완해 나가고, 이를 바탕으로 보다 정확한 예측 모델을 개발하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	납축전지의 성능이 저하되고 수명이 단축되는 현상이 발생하는 이유는 무엇인가?	그러나 최근 각종 편의장치 및 안전장치의 추가와 다양한 전장시스템의 구현으로 차량 내에서 요구되는 전력소모가 점차 증가함에 따라 납축전지는 빈번한 충·방전을 반복하게 되고, 엔진의 발열로 인한 온도 영향, 사용자의 운행 행태 및 운용조건에 따른 악영향 등으로 인해 납축전지의 성능이 저하되고 수명이 단축되는 현상이 발생하고 있다(김성태 외, 2013).
	납축전지의 원리는 무엇인가?	납축전지는 두 가지의 상이한 전극을 전해액 속에 담궈 각 전극의 활물질과 전해액이 갖는 화학에너지를 변환시키고, 양극과 음극에 연결된 외부 회로를 통해 전극의 변환된 물질을 다시 본래의 물질로 환원시키는 것을 원리로 한다.
	골프장 카트 70대의 배터리(이차 납축전지)를 대상으로 약 9개월 정도의 배터리 사용 정보와 배터리 열화 정보를 수집해 데이터마이닝 기법을 활용하여 배터리 열화 예측 모델을 개발한 결과는 어떠한가?	본 연구의 실험 결과를 정리하면, 의사결정나무 알고리즘이 적중률(Hit ratio) 87~89% 이상으로 가장 높은 예측정확성을 보였으며, 의사결정나무 알고리즘을 베이스 모델로 사용한 배깅모델이 89.3923%의 적중률을 보여 모든 모델들 중 가장 높은 예측 정확성을 보였고, 다른 분류 알고리즘들에 비해 정상 클래스와 열화 클래스를 모두 균형 있게 잘 예측하는 것으로 나타났다.

참고문헌 (22)

Anton, J. A., P. G. Nieto, F. J. de Cos Juez, F. S. Lasheras, M. G. Vega, and M. R. Gutierrez, "Battery state-of-charge estimator using the SVM technique," Applied Mathematical Modelling, Vol.37, No.9(2013), 6244-6253.

상세보기
Armenta-Deu, C., and T. Donaire, "Determination of an ageing factor for lead/acid batteries. 1. Kinetic aspects," Journal of power sources, Vol.58, No.2(1996), 123-133.

상세보기
Chen, Z., S. Qiu, M. A. Masrur, and Y. L. Murphey, "Battery state of charge estimation based on a combined model of extended Kalman filter and neural networks," In Neural Networks (IJCNN), The 2011 International Joint Conference on IEEE, (2011), 2156-2163.
Culpin, B., D. A. J. Rand, "Failure modes of lead/acid batteries," Journal of power sources, Vol.36, No.4(1991), 415-438.

상세보기
Gu, H., T. V. Nguyen, and R. E. White, "A Mathematical Model of a Lead-Acid Cell Discharge, Rest, and Charge," Journal of The Electrochemical Society, Vol.134, No.12(1987), 2953-2960.

상세보기
Huet, F., "A review of impedance measurements for determination of the state-of-charge or state-of-health of secondary batteries," Journal of power sources, Vol.70, No.1(1998), 59-69.

상세보기
Kang, L., X. Zhao, and J. Ma, "A new neural network model for the state-of-charge estimation in the battery degradation process," Applied Energy, Vol.121, (2014), 20-27.

상세보기
Kim, S. T., Modeling of the dynamic behavior and the life time prediction of a 12-V lead-acid battery in automotive driving conditions, Suwon: Ajou University, 2016.
Kim, S. T., J. B. Lee, U. S. Kim, C. B. Shin, "Modeling of the lifetime prediction of a 12-V automotive lead-acid battery," Energy Engineering, Vol.22, No.4(2013), 338-346.

원문보기 상세보기
Lander, J. J., "Further studies on the anodic corrosion of lead in H 2 SO 4 solutions," Journal of the Electrochemical Society, Vol.103, No.1(1956), 1-8.

상세보기
Lee, H. J., A study on the development of life-time prediction process for lead-acid battery with considering driving condition environmental temperature, Seoul: Seoul National University of Science & Technology, 2012.
Lehockey, E. M., G. Palumbo, A. Brennenstuhl, and P. Lin, "Mitigating intergranular attack and growth in lead-acid battery electrodes for extended cycle and operating life," Metallurgical and Materials Transactions A, Vol.29, No.1(1998), 387-396.

상세보기
Morita, Y., S. Yamamoto, S. H. Lee, and N. Mizuno, "On-Line Detection Of State-Of-Charge In Lead Acid Battery Using Radial Basis Function Neural Network," Asian Journal of Control, Vol.8, No.3(2006), 268-273.

상세보기
Rodrigues, S., N. Munichandraiah, and A. K. Shukla, "A review of state-of-charge indication of batteries by means of ac impedance measurements," Journal of power Sources, Vol.87, No.1(2000), 12-20.

상세보기
Ruetschi, P., "Influence of crystal structure and interparticle contact on the capacity of PbO2 electrodes," Journal of The Electrochemical Society, Vol.139, No.5(1992), 1347-1351.

상세보기
Ruetschi, P., "Aging mechanisms and service life of lead-acid batteries," Journal of Power Sources, Vol.127, No.1(2004), 33-44.

상세보기
Sauer, D. U., E. Karden, B. Fricke, H. Blanke, M. Thele, O. Bohlen, and R. Kaiser, "Charging performance of automotive batteries-An underestimated factor influencing lifetime and reliable battery operation," Journal of power sources, Vol.168, No.1(2007), 22-30.

상세보기
Shen, W. X., "State of available capacity estimation for lead-acid batteries in electric vehicles using neural network," Energy conversion and management, Vol.48, No.2(2007), 433-442.

상세보기
Shiomi, M., T. Funato, K. Nakamura, K. Takahashi, and M. Tsubota, "Effects of carbon in negative plates on cycle-life performance of valve-regulated lead/acid batteries," Journal of Power Sources, Vol.64, No.1(1997), 147-152.

상세보기
Singh, P., and D. Reisner, "Fuzzy logic-based state-of-health determination of lead acid batteries," In 24th Annual International Telecommunications Energy Conference on IEEE, (2002), 583-590.
Thele, M., J. Schiffer, E. Karden, E. Surewaard, and D. U. Sauer, "Modeling of the charge acceptance of lead-acid batteries," Journal of Power Sources, Vol.168, No.1(2007), 31-39.

상세보기
Wenzl, H., I. Baring-Gould, R. Kaiser, B. Y. Liaw, P. Lundsager, J. Manwell, and V. Svoboda, "Life prediction of batteries for selecting the technically most suitable and cost effective battery," Journal of power sources, Vol.144, No.2(2005), 373-384.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증