[논문]DBSCAN과 통계적 검증 알고리즘을 사용한 배터리 열폭주 셀 탐지

김진근; 윤유림

doi:10.17703/jcct.2023.9.5.569

DBSCAN과 통계적 검증 알고리즘을 사용한 배터리 열폭주 셀 탐지
Battery thermal runaway cell detection using DBSCAN and statistical validation algorithms 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.9 no.5, 2023년, pp.569 - 582

김진근 (가천대학교 IT융합학과) , 윤유림 (가천대학교 컴퓨터공학과)

초록
AI-Helper

납축전지는 가장 오래된 충전식 배터리 시스템으로 현재까지 충전식 배터리 분야에서 자리를 지키고 있다. 이 배터리는 다양한 이유로 열폭주 현상이 생기는데 이는 큰 사고로 이어질 가능성이 있다. 그렇기 때문에 열폭주 현상을 예방하는 것은 배터리 관리 시스템의 핵심부분이다. 최근에는 열폭주 위험 배터리 셀을 기계학습으로분류하는 연구가 진행 중이다. 본 논문에서는 비지도학습인 DBSCAN 클러스터링과 통계적 방법을 사용하여 열폭주 위험 셀 탐지 및 검증 알고리즘을 제안하였다. BMS에서 측정한 lead-acid 배터리의 저항 값만을 사용하여 열폭주 위험 셀 분류 실험을 진행하였고 본 논문에서 제안한 알고리즘이 열폭주 위험 셀을 정확히 검출해 냄을 보여주었다. 또한 본 논문에서 제안한 알고리즘을 사용하여 배터리 내 열폭주 위험이 있는 셀과 노이즈가 심한 셀을 분류할 수 있었으며 그리드 서치를 통한 DBSCAN 파라미터 최적화를 통해 열폭주 위험 셀을 초기에 검출해 낼 수 있었다.

Abstract ▼ AI-Helper

Lead-acid Battery is the oldest rechargeable battery system and has maintained its position in the rechargeable battery field. The battery causes thermal runaway for various reasons, which can lead to major accidents. Therefore, preventing thermal runaway is a key part of the battery management system. Recently, research is underway to categorize thermal runaway battery cells into machine learning. In this paper, we present a thermal runaway hazard cell detection and verification algorithm using DBSCAN and statistical method. An experiment was conducted to classify thermal runaway hazard cells using only the resistance values as measured by the Battery Management System (BMS). The results demonstrated the efficacy of the proposed algorithms in accurately classifying thermal runaway cells. Furthermore, the proposed algorithm was able to classify thermal runaway cells between thermal runaway hazard cells and cells containing noise. Additionally, the thermal runaway hazard cells were early detected through the optimization of DBSCAN parameters using a grid search approach.

주제어

표/그림 (29)

그림 그림 1. 납축전지 [22,23] Figure 1. Lead-acid battery [22,23]
그림 그림 2. 서로 다른 밀도에 대한 클러스터 [31,32] Figure 2. Clusters for different densities [31,32]
그림 그림 3. 제안된 열폭주 위험셀탐지 알고리즘과열폭주위험셀 검증 알고리즘 순서도 Figure 3. Flowchart of the proposed thermal runaway hazard cell detection algorithm and thermal runaway hazard cell verification algorithm
그림 그림 4. 열폭주 위험 셀 탐지 알고리즘 순서도 Figure 4. Thermal runaway hazard cell detection algorithm flowchart
표 표 1. Dataset 01에 대한 DBSCAN 매개 변수별 탐지 시점 Table 1. Detection point by DBSCAN parameter for Dataset 01
표 표 2. Dataset 02에 대한 DBSCAN 매개 변수별 탐지 시점 Table 2. Detection point by DBSCAN parameter for Dataset 02
그림 그림 5. 첫 달 데이터 셋에 대한 클러스터링 결과 Figure 5. The result of clustering for the first month dataset
그림 그림 6. 21번째 달 데이터 셋에 대한 클러스터링 결과 Figure 6. The result of clustering of 21^st month dataset
그림 그림 7. 77번 셀의 저항 값, 임계값 그리고 탐지된 시점 Figure 7. Resistance values, threshold and time of detection of Cell 77
그림 그림 8. 96번 셀의 저항 값, 임계값 그리고 탐지된 시점 Figure 8. Resistance values, threshold and time of detection of Cell 96
그림 그림 9. 첫 달 데이터 셋에 대한 클러스터링 결과 Figure 9. The result of clustering for the first month dataset
그림 그림 10. 8번째 달 데이터 셋에 대한 클러스터링 결과 Figure 10. The result of clustering for the 8^th month dataset
그림 그림 11. 28번째 달 데이터 셋에 대한 클러스터링 결과 Figure 11. The result of clustering for the 28^th month dataset
그림 그림 12. 30번째 달 데이터 셋에 대한 클러스터링 결과 Figure 12. The result of clustering for the 30^th month dataset
그림 그림 13. 45번 셀의 저항 값, 임계값 그리고 탐지된 시점 Figure 13. Resistance values, threshold and time of detection of Cell 45
그림 그림 14. 85번 셀의 저항 값, 임계값 그리고 탐지된 시점 Figure 14. Resistance values, threshold and time of detection of Cell 85
그림 그림 15. 29번 셀의 저항 값, 임계값 그리고 탐지된 시점 Figure 15. Resistance values, threshold and time of detection of Cell 29
그림 그림 16. 첫 번째 달 데이터 셋에 대한 클러스터링 결과 Figure 16. The result of clustering for the 1^st month dataset
그림 그림 17. 31 번째 달 데이터 셋에 대한 클러스터링 결과 Figure 17. The result of clustering for the 31^th month dataset
그림 그림 18. 22번 셀의 저항 값, 임계값 그리고 탐지된 시점 Figure 18. Resistance values, threshold and time of detection of Cell 22
그림 그림 19. 첫 번째 달 데이터 셋에 대한 클러스터링 결과 Figure 19. The result of clustering for the 1^st month dataset
그림 그림 20. 24 번째 달 데이터 셋에 대한 클러스터링 결과 Figure 20. The result of clustering for the 24^th month
그림 그림 21. 48번 셀의 저항 값, 임계값 그리고 탐지된 시점 Figure 21. Resistance values, threshold and time of detection of Cell 48
그림 그림 22. 첫 번째 달 데이터 셋에 대한 클러스터링 결과 Figure 22. The result of clustering for the 1^st month dataset
그림 그림 23. 35 번째 달 데이터 셋에 대한 클러스터링 결과 Figure 23. The result of clustering for the 35^th month dataset
그림 그림 24. 20번 셀의 저항 값, 임계값 그리고 탐지된 시점 Figure 24. Resistance values, threshold and time of detection of Cell 20
그림 그림 25. 첫 번째 달 데이터 셋에 대한 클러스터링 결과 Figure 25. The result of clustering for the 1^st month dataset
그림 그림 26. 25 번째 달 데이터 셋에 대한 클러스터링 결과 Figure 26. The result of clustering for the 25^th month dataset
그림 그림 27. 35번 셀의 저항 값, 임계값 그리고 탐지된 시점 Figure 27. Resistance values, threshold and time of detection of Cell 35

참고문헌 (37)

Wang, Z. H., Hendrick, Horng, G. J., Wu, H. T.,？& Jong, G. J., "A prediction method for voltage？and lifetime of lead-acid battery by using？machine learning," Energy Exploration &？Exploitation, Vol. 38, No.1, pp.310-329, 2020. DOI？:10.1177/01445987198811223

상세보기
Voronov, S., Frisk, E., Krysander, M., "Lead-acid？battery maintenance using multilayer perceptron？models," proc. of the 2018 ieee international？conference on prognostics and health？management (icphm), pp. 1-8, 2018. DOI :？10.1109/ICPH.2018.8448472
Weighall, M. J., "Techniques for jar formation of？valve-regulated lead-acid batteries," Journal of？power sources, Vol.116, No.1-2, pp. 219-231, 2003.？DOI : 10.1016/S0378-7753(02)00706-1

상세보기
Matrakova, M., Pavlov, D., "Thermal analysis of？lead-acid battery pastes and active？materials," Journal of power sources, Vol.158,？No.2, pp. 1004-1011, 2006. DOI :？10.1016/j.jpowsour.2005.11.007

상세보기
Liu, X., & Wang, W., "VRLA battery system-reliability and proactive maintenance," proc. of the？Intelec 2010 , pp. 1-7, 2010. DOI？:10.1109/INTLEC.2010.5525726
Rand, D. A. J., Holden, L. S., May, G. J.,？Newnham, R. H., Peters, K., "Valve-regulated？lead/acid batteries,"Journal of Power？Sources, Vol.59, No.1-2, pp. 191-197, 1996. DOI :？10.1016/0378-7753(96)02322-1

상세보기
Culpin, B., "Thermal runaway in valve-regulated？lead-acid cells and the effect of separator？structure," Journal of Power Sources, Vol.13 ,？No.1, pp. 79-86, 2004. DOI :？10.1016/j.jpowsour.2003.09.078

상세보기
McMenamin, D., "Thermal Runaway-A system solution for a system problem," proc. of the？Fourteenth International Telecommunications？Energy Conference-INTELEC'92, pp. 18-21, 1992.？DOI : 10.1109/INTLEC.1992.268469
Rutledge, W. T., Bowers, R. J., "Electrical energy？distributions in VR battery applications that can？trigger thermal runaway," proc. of the Intelec 94 ,？pp. 168-171, 1994. DOI :？10.1109/INTLEC.1994.396659
Culpin, B., & Rand, D. A. J., "Failure modes of？lead/acid batteries," Journal of power？sources, Vol.36, No.4, pp. 415-438, 1991. DOI :？10.1016/0378-7753(91)80069-A

상세보기
Diao, W., Naqvi, I. H., Pecht, M., "Early detection？of anomalous degradation behavior in lithium-ion？batteries," Journal of Energy Storage, Vol. 32 pp.？101710. DOI : 10.1016/j.est.2020.101710

상세보기
Ossai, C. I., Egwutuoha, I. P., "Anomaly Detection？and Extra Tree Regression for Assessment of the？Remaining Useful Life of Lithium-Ion Battery,"？Proc. of the International Conference on？Advanced Information Networking and？Applications, pp. 1474-1488, 2020.
Samanta, A., Chowdhuri, S., Williamson, S. S.,？"Machine learning-based data-driven fault？detection/diagnosis of lithium-ion battery: A？critical review," Electronics, Vol. 10, No.11, pp.？1309, 2021. DOI : 10.3390/electronics10111309

상세보기
Celik, M., Dadaser-Celik, F., Dokuz, A. S.,？"Anomaly detection in temperature data using？DBSCAN algorithm," proc. of the 2011？international symposium on innovations in？intelligent systems and applications, pp. 91-95,？2011.
Chesnokov, M. Y., "Time series anomaly？searching based on DBSCAN？ensembles," Scientific and Technical Information？Processing, Vol. 46, No.5, pp.299-305, 2019.
Li, D., Zhang, Z., Liu, P., Wang, Z.,？"DBSCAN-based thermal runaway diagnosis of？battery systems for electric？vehicles," Energies, Vol. 12, No. 15, pp. 2977,？2019. DOI : 10.3390/en12152977

상세보기
Feng, X., Zhang, X., Xiang, Y., "An inconsistency？assessment method for backup battery packs？based on time-series clustering," Journal of？Energy Storage, Vol.31 pp. 101666, 2020. DOI :？10.1016/j.est.2020.101666

상세보기
Li, D., Zhang, Z., Liu, P., Wang, Z., & Zhang, L.？"Battery fault diagnosis for electric vehicles based？on voltage abnormality by combining the long？short-term memory neural network and the？equivalent circuit model," IEEE Transactions on？Power Electronics, Vol. 36 No. 2, pp. 1303-1315.？DOI : 10.1109/TTE.2021.3117841

상세보기
Haider, S. N., Zhao, Q., Li, X., "Data driven？battery anomaly detection based on shape based？clustering for the data centers class," Journal of？Energy Storage, Vol. 29, pp. 101479, 2020. DOI :？10.1016/j.est.2020.101479

상세보기
Choi, H. S., Choi, J. W., Whangbo, T. K., "Design？and Development of a Battery State of Health？Estimation Model for Efficient Battery Monitoring？Systems," Sensors, Vol. 22, No. 12, pp. 444, 2022.？DOI : 10.3390/s22124444

상세보기
Ceraolo, M., "New dynamical models of lead-acid？batteries," IEEE transactions on Power？Systems, Vol. 15, No. 4, pp. 1184-1190, 2000. DOI？: 10.1109/59.898088

상세보기
Moubayed, N., Kouta, J., El-Ali, A., Dernayka, H.,？Outbib, R., "Parameter identification of the？lead-acid battery model," proc. of the 2008 33rd？IEEE Photovoltaic Specialists Conference, pp. 1-6,？2008.
Hyperphysics. [Online].？http://hyperphysics.phy-astr.gsu.edu/hbase/electric/leadacid.html, (download 2021, December 17)
Samuel, A. L., "Some studies in machine learning？using the game of checkers II-Recent？progress," IBM Journal of research and？development, Vol. 11, No. 6, pp. 601-617, 1967.？DOI : 10.1147/rd.116.0601

상세보기
El Naqa, I., Murphy, M.J.. Machine Learning in？Radiation Oncology, pp. 3-11, Newyork, 2015.
Caruana, R., Niculescu-Mizil, A., "An empirical？comparison of supervised learning algorithms,"？proc. of the 23rd international conference on？Machine learning, pp. 161-168, 2006.
Van Der Maaten, L., Postma, E., Van den Herik,？J., "Dimensionality reduction: a comparative," J？Mach Learn Res, Vol. 10, No. 66-71, pp. 13, 2009.
Kumbhare, T. A., Chobe, S. V., "An overview of？association rule mining algorithms," International？Journal of Computer Science and Information？Technologies, Vol. 5, No. 1, pp. 927-930,
Ester, M., Kriegel, H. P., Sander, J., Xu, X., "A？density-based algorithm for discovering clusters？in large spatial databases with noise," proc. of the？kdd, pp. 226-231, 1996.
Khan, K., Rehman, S. U., Aziz, K., Fong, S.,？Sarasvady, S., "DBSCAN: Past, present and？future," proc. of the fifth international conference on the applications of digital information and web？technologies (ICADIWT 2014), pp. 232-238, 2014.？DOI : 10.1109/ICADIWT.2014.6814687
Duan, L., Xu, L., Guo, F., Lee, J., Yan, B., "A？local-density based spatial clustering algorithm？with noise," Information systems.
Ankerst, M., Breunig, M. M., Kriegel, H. P.,？Sander, J., "OPTICS: Ordering points to identify？the clustering structure," ACM Sigmod？record, Vol. 28, No. 2, pp. 49-60, 1999.
Paparrizos, J., Gravano, L., "k-shape: Efficient？and accurate clustering of time series," proc. of？the 2015 ACM SIGMOD international conference？on management of data, pp. 1855-1870, 2015.
Lee, Y. H., Wei, C. P., Cheng, T. H., & Yang, C.？T., "Nearest-neighbor-based approach to？time-series classification," Decision Support？Systems, Vol. 53, No. 1, pp. 207-217, 2012. DOI :？10.1016/j.dss.2011.12.014

상세보기
Niennattrakul, V., Ratanamahatana, C. A., "On？clustering multimedia time series data using？k-means and dynamic time warping," proc. of the？2007 International Conference on Multimedia and？Ubiquitous Engineering (MUE'07), pp. 733-738,？2007.
He, L., Agard, B., Trepanier, M., "A classification？of public transit users with smart card data based？on time series distance metrics and a hierarchical？clustering method," Transportmetrica A:？Transport Science, Vol. 16, No. 1, pp. 56-75, 2020.？DOI : 10.1080/23249935.2018.1479722

상세보기
Guan, Y., Ghorbani, A. A., Belacel, N., "Y-means:？a clustering method for intrusion detection," proc.？of the CCECE 2003-Canadian Conference on？Electrical and Computer Engineering, pp.？1083-1086, 2003. DOI :？10.1109/CCECE.2003.1226084

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