[논문]리튬이온 배터리 수명추정을 위한 용량예측 머신러닝 모델의 성능 비교

유상우; 신용범; 신동일

doi:10.7842/kigas.2020.24.6.91

리튬이온 배터리 수명추정을 위한 용량예측 머신러닝 모델의 성능 비교
Comparison of the Machine Learning Models Predicting Lithium-ion Battery Capacity for Remaining Useful Life Estimation 원문보기

한국가스학회지 = Journal of the Korean institute of gas, v.24 no.6, 2020년, pp.91 - 97

유상우 (명지대학교 재난안전학과) , 신용범 (명지대학교 화학공학과) , 신동일 (명지대학교 화학공학과)

초록
AI-Helper

리튬이온 배터리(LIB)는 다른 배터리에 비해 수명이 길고, 에너지 밀도가 높으며, 자체 방전율이 낮아, 에너지 저장장치(ESS)로 선호되고 있다. 하지만, 2017~2019년 기간 동안 국내에서만도 28건의 화재사고가 발생하였으며, LIB의 운영 중 안전성 및 신뢰성을 보장하기 위해 LIB의 정확한 용량추정은 필수요소이다. 본 연구에서는 LIB의 충방전 cycle에 따른 용량변화를 예측하는 기계학습 기반 모델의 설계에 있어 중요한 요소인 최적 머신러닝 모델의 선정을 위해, Decision Tree, 앙상블학습법, Support Vector Regression, Gaussian Process Regression (GPR) 각각을 이용한 예측모델을 구현하고 성능비교를 실시하였다. 학습을 위해 NASA에서 제공하는 시험데이터를 사용하였으며, GPR이 가장 좋은 예측성능을 보였다. 이를 바탕으로 추가 시험데이터 학습을 통해 개선된 LIB 용량예측과 잔여 수명추정 모델을 개발하여, 운영 중 이상 감지 및 모니터링 성능을 높여, 보다 안전하고 안정된 ESS 운용에 활용하고자 한다.

Abstract ▼ AI-Helper

Lithium-ion batteries (LIBs) have a longer lifespan, higher energy density, and lower self-discharge rates than other batteries, therefore, they are preferred as an Energy Storage System (ESS). However, during years 2017-2019, 28 ESS fire accidents occurred in Korea, and accurate capacity estimation of LIB is essential to ensure safety and reliability during operations. In this study, data-driven modeling that predicts capacity changes according to the charging cycle of LIB was conducted, and developed models were compared their performance for the selection of the optimal machine learning model, which includes the Decision Tree, Ensemble Learning Method, Support Vector Regression, and Gaussian Process Regression (GPR). For model training, lithium battery test data provided by NASA was used, and GPR showed the best prediction performance. Based on this study, we will develop an enhanced LIB capacity prediction and remaining useful life estimation model through additional data training, and improve the performance of anomaly detection and monitoring during operations, enabling safe and stable ESS operations.

주제어

표/그림 (10)

그림 Fig. 1. 용량추정 예측모델 성능 비교 흐름도.
그림 Fig. 2. 시간에 따른 전압, 전류, 온도 변화.
그림 Fig. 3. Cycle에 따른 capacity 변화.
그림 Fig. 4. DT, DT 앙상블 모델 capacity 예측.
그림 Fig. 5. DT-bagging, GPR, SVR 모델 capacity 예측.
표 Table 1. 모델 성능 비교
표 Table 2. 모델 성능 비교
그림 Fig. 6. DT-bagging, GPR, SVR의 NASA data set #6 예측 비교.
그림 Fig. 7. DT-bagging, GPR, SVR의 NASA data set #7 예측 비교.
표 Table 3. NASA data set #6, #7 예측성능 비교

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구는 ML 기반 용량추정 예측모델의 객관적 성능 비교를 하고자 한다. 이를 위해 기존의 각기 다른 다양한 환경조건을 동일시하고, ML 모델만을 달리하여 객관적인 용량추정 예측모델 성능 비교분석을 진행하고자 한다.
이를 위해 기존의 각기 다른 다양한 환경조건을 동일시하고, ML 모델만을 달리하여 객관적인 용량추정 예측모델 성능 비교분석을 진행하고자 한다. 이를 통해 기존의 객관적 ML 모델 성능 비교가 어려운 부분을 해결하여, 용량추정 예측모델 성능 일반화된 비교정보를 제공하고자 한다.

제안 방법

DT 구조는 root node, interior node, leaf node로 구성된다. 결과적으로 특정 데이터 포인트를 사용하며, leaf n ode에 도달할 때까지 참/거짓 질문에 답하여 전체트리를 완전히 실행한다. 최종 예측은 특정 leaf no de에서 종속변수 값의 평균이며, 여러 번의 반복을 통해 트리는 데이터 포인트에 대한 적절한 값을 예측한다 [7].
데이터 전처리를 위해 충전프로세스의 전압, 전류, 온도, capacity 데이터를 더 나은 훈련을 위해 모든 데이터를 최소값 0으로, 최대값 1로 변환하고 0과 1사이로 min-max normalization을 적용하였다. min-max normalizatione 식 (1)로 표현된다.
결과를 집계하는 방법이다. 데이터로부터 부트스트랩 한 뒤, 부트스트랩한 데이터로 모델을 학습시키고 학습된 모델의 결과를 최종 결과값을 구한다. Boostinge 가중치를 활용하여 약 분류기를 강 분류기로 만드는 방법이다.
또한, 결정계수 (^)와 Mean Absolute Error (MAE)를 통한 성능 평가도 진행된다. ^는 독립변수가 종속변수를 얼마나 잘 설명하는지를 나타내는 값으로 1에 가까울수록 설명력이 높고 0에 가까울수록 설명력이 낮다.
본 연구에서 비교 대상으로 선정한 예측모델들은 Fig. 1의 흐름도에 따라 개발되고 평가가 진행되었다.
필요하다. 본 연구에서는 다양한 머신러닝 및 앙상블 모델 중 DT, DT-bagging, DT-boosting, GPR, SVR을 활용하여 배터리 용량 예측을 진행하였다. 모델 성능 비교 결과 동일한 조건에서 GPR 모델이 가장 좋은 성능을 보인 것을 확인하였다: RMSE 기준 GPR > SVR > DT-bagging 순의 예측성능을 보였다.
앞에서 가장 좋은 성능을 보인 DT-bagging과 SVR, GPR의 성능 비교를 진행하였다. Table 2에서 보듯이, RMSE, ^, MAE 3개의 성능 비교 지표에서 GPR > SVR > DT-bagging 순의 모델 성능을 알 수 있었다.
성능 비교를 하고자 한다. 이를 위해 기존의 각기 다른 다양한 환경조건을 동일시하고, ML 모델만을 달리하여 객관적인 용량추정 예측모델 성능 비교분석을 진행하고자 한다. 이를 통해 기존의 객관적 ML 모델 성능 비교가 어려운 부분을 해결하여, 용량추정 예측모델 성능 일반화된 비교정보를 제공하고자 한다.
결과적으로 특정 데이터 포인트를 사용하며, leaf n ode에 도달할 때까지 참/거짓 질문에 답하여 전체트리를 완전히 실행한다. 최종 예측은 특정 leaf no de에서 종속변수 값의 평균이며, 여러 번의 반복을 통해 트리는 데이터 포인트에 대한 적절한 값을 예측한다 [7].

대상 데이터

NASA Prognostics Center of Excellence Data Repository에서 제공하는 배터리 데이터 세트를 사용한다. 데이터 세트는 실온에서 충전, 방전 및 휴지 기간의 세 가지 작동 프로필을 통해 실행되는 8 개의 리튬 이온 배터리로 구성된다.
데이터 세트는 실온에서 충전, 방전 및 휴지 기간의 세 가지 작동 프로필을 통해 실행되는 8 개의 리튬 이온 배터리로 구성된다. 실험은 18650 리튬 이온 전지에 반복적인 충전 및 방전주기를 적용한다.
본 연구에서는 # 5, # 6, # 7번 배터리의 616개의 cycle 중 169개의 충전 데이터 중 전압, 전류, 온도, 용량(capacity)을 사용하며, 충전 데이터만 사용한다. 왜냐하면, 방전 데이터의 경우 전류가 시간에 따라 빠르게 변하기 때문에 내부 파라미터를 정확하게 측정하거나 계산하기 어렵다.
데이터 세트는 실온에서 충전, 방전 및 휴지 기간의 세 가지 작동 프로필을 통해 실행되는 8 개의 리튬 이온 배터리로 구성된다. 실험은 18650 리튬 이온 전지에 반복적인 충전 및 방전주기를 적용한다. 배터리는 정전류 정전압으로 충전된다.

데이터처리

설정하였다. 또한, 모델의 추정 정확도를 평가하기 위해 평균 제곱근 오차를 사용한다. 여기서 평균 제곱근 오차는 Mean Square Error (MSE)에 루트를 씌워 연산속도가 느려지는 것을 방지한다.
정확한 모델 성능 평가를 위해 k겹 교차검증을 진행하였으며, 본 연구에서는 k=5로 설정하였다. 또한, 모델의 추정 정확도를 평가하기 위해 평균 제곱근 오차를 사용한다.

성능/효과

이는 모두 강력한 kernel 기반 회귀 모델로 kernel 함수가 모델 성능에 결정적인 영향을 끼친다. SVRe 기존 ML 모델의 목적인 오차를 최소로 줄이는 것과는 달리 최대의 마진인 오차의 범위를 주어 가장 일반적인 예측모델을 형성한다는 점으로 보아 모델 성능 비교에서 GPR보다 조금 높은 오차율을 보인 것으로 판단된다. 단일 매개 변수가 일반적으로 선택되는 비 베이지안 방식인 SVR과 달리 GPRe 예측을 얻기 위해 가능한 모든 매개변수 값에 대해 사후 확률로 가중치를 부여한다는 점이 SVR보다 GPR이 더 좋은 성능을 보여주는 이유로 보인다.
SVR의 경우 역시 RMSE 값이 SVR(#7) > SVR(#6) > SVR 순으로 새로운 데이터를 입력값으로 넣었을 때의 RMSE 값이 조금 높아진 것을 알 수 있었다. 결과적으로 새로운 데이터를 입력값으로 넣었을 때 오차값이 더 커졌다.
7을 보면, #6, #7 데이터를 적용한 capacity 예측 곡선을 보면 실제 capacity 값과는 오차가 있지만, 곡선의 추이가 초반 30 cycle 이후로 상당히 비슷하다는 것을 볼 수 있었다. 결과적으로 새로운 배터리 데이터를 입력값으로 넣었을 경우 배터리 cycle이 증가함에 따라 곡선의 추이를 잘 따라간다는 것을 볼 수 있었다.
Table 2에서 보듯이, RMSE, ^, MAE 3개의 성능 비교 지표에서 GPR > SVR > DT-bagging 순의 모델 성능을 알 수 있었다. 또한, GPR이 SVR, DT-bagging에 비해 실제값에 잘 일치하는 것을 볼 수 있다. (Fig.
본 연구에서는 다양한 머신러닝 및 앙상블 모델 중 DT, DT-bagging, DT-boosting, GPR, SVR을 활용하여 배터리 용량 예측을 진행하였다. 모델 성능 비교 결과 동일한 조건에서 GPR 모델이 가장 좋은 성능을 보인 것을 확인하였다: RMSE 기준 GPR > SVR > DT-bagging 순의 예측성능을 보였다.
앙상블 모델의 경우 개별 DT의 낮은 성능이 문제면 boosting이 적합하며, 과적합이 문제면 bagging 이 적합하다. 이를 기반으로 DT 앙상블 모델인 DT-bagging, DT-boosting의 결과를 통해 개별 DT 가 과적합이 되었다는 것을 알 수 있었다.

후속연구

또한, 최근 수소를 연료로 작동되는 동력장치 및 발전설비에서도 ESS가 필수적으로 설치되기 때문에 수소 설비와의 연계개발도 검토 예정이다.
추후 추가 시험 데이터를 확보해 본 연구에서 선정된 GPR모델과 deep learning 모델 적용을 통해, NASA 시험의 제한점인, 균일하지 않고 변화하는 실제 사용환경조건에 있어서도 높은 정확성을 갖는 LIB 용량추정 모델의 개발과 더불어 이를 활용한 이상 감지 및 모니터링 시스템을 완성하고자 한다. 또한, 최근 수소를 연료로 작동되는 동력장치 및 발전설비에서도 ESS가 필수적으로 설치되기 때문에 수소 설비와의 연계개발도 검토 예정이다.

참고문헌 (10)

한국전기안전공사, 소방청, 화재예방, 소방시설 설치유지 및 안전관리에 관한 법률 시행령 규제영향분석, (2020)
국내 ESS 산업 생태계의 위기 - 원인과 대응 방안, 현대경제연구원, (2020)
Lee, S. H., and Park, M. K., "Battery state of charge estimation considering the battery aging," Institute of Korean Electrical and Electronics Enginers, 18, 298-304, (2014)
M. A. Patil, P. Tagade, K. S. Hariharan, S. M. Kolake, T. Song, T. Yeo, et al., "A novel multistage support vector machine based approach for Li ion battery remaining useful life estimation", Appl. Energy, 159, 285-297, (2015)

상세보기
Y. Li, S. Zhong, Q. Zhong and K. Shi, "Lithium-ion battery state of health monitoring based on ensemble learning", IEEE Access, 7, 8754-8762, (2019)

상세보기
Rasmussen, C. E. and C. K. I. Williams. Gaussian Processes for Machine Learning. MIT Press, (2006)
A.C. Muller and S. Guido. Introduction to machine learning with Python. O'Reilly Media, (2017)
V. Vapnik, Statistical Learning Theory, New York, NY : Wiley, (1998)
B. Saha and K. Goebel, "Battery data set," NASA AMES Prognostics Data Repository, (2007)
A. Jain, K. Nandakumar and A. Ross, "Score normalization in multimodal biometric systems", Pattern Recognit., 38(12), 2270-2285, (2005)

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