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

김병욱; 박지수; 장홍준

doi:10.3745/ktsde.2023.12.3.133

데이터 기반 리튬 이온 배터리 성능 예측을 위한 학습 데이터 모델 정의 및 기계학습 분석
Learning Data Model Definition and Machine Learning Analysis for Data-Based Li-Ion Battery Performance Prediction 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.12 no.3, 2023년, pp.133 - 140

김병욱 (강릉원주대학교 컴퓨터공학과) , 박지수 (전주대학교 컴퓨터공학과) , 장홍준 (전주대학교 컴퓨터공학과)

초록
AI-Helper

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.

Abstract ▼ AI-Helper

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%.

주제어

표/그림 (7)

표 Table 1. Lithium-ion Battery Anode Material Synthetic Material
표 Table 2. Training Data Schema for Battery Performance Prediction
표 Table 3. Test Setting of Battery
표 Table 4. Determination Coefficient in Multiple Linear Regression
표 Table 5. MSE and RMSE in Support Vector Machine
그림 Fig. 1. LSTM Modes
표 Table 6. Accuracy in Multinomial Logistic Regression Analysis

참고문헌 (15)

A. Manthiram, "A reflection on lithium-ion battery？cathode chemistry," Nature Communication, Vol.11,？No.1550, pp.1-9, 2020.
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.

상세보기
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.
K. A. Severson et al., "Data-driven prediction of battery？cycle life before capacity degradation," Nature Energy,？Vol.4, pp.383-391, 2019.

상세보기
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.
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.
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.

상세보기
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.

상세보기
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.
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.
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.

상세보기
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.
B. Saha and K. Goebel, "Battery data set," NASA AMES？Prognostics Data Repository, 2007.
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.
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.

상세보기

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