Battery Clustering

배터리는 여러 셀을 하나의 모듈로 묶고, 여러 모듈을 배터리 팩으로 묶어 완성된다. 이 때 비슷한 유형의 셀을 묶어야 배터리 팩의 성능을 측정하기 쉽고 문제가 생겼을 때 원인을 파악하기 용이하다. 논문 [1]에서는 충전/방전에서의 전압 데이터를 unsupervised clustering으로 분류하였는데 여기서 사용한 affinity propagation [2]라는 알고리즘이 새롭다.

 

Battery Clustering 과정

자세한 affinity propagation 알고리즘 설명은 https://towardsdatascience.com/unsupervised-machine-learning-affinity-propagation-algorithm-explained-d1fef85f22c8에서 읽어보면 된다. 이 알고리즘의 장점은 1) cluster의 갯수를 사전에 설정할 필요가 없고, 2) 모든 데이터 sample을 일종의 centroid (exemplar)로 간주하기 때문에 initialization에 영향을 받지 않는다고 한다. Cluster의 갯수를 정할 필요가 없는건 맞으나, preference라는 parameter에 의해 cluster의 갯수가 정해지는 것으로 보아 완전 자동은 아니다. 또, 데이터 간의 distance나 similiarity matrix를 input으로 사용해야 하는 한계도 있다 (학습 데이터의 수가 많으면 distance matrix 계산에 많은 시간이 걸린다).

 

배터리는 충전/방전 시간이 매번 다르기 때문에 DTW를 사용하는 것이 적절하다고 생각할 수 있으나, 전압/수명 특성을 훼손하지는 않는지 검증이 필요하다.

 

Referenes

[1] Z. He et al., Battery Grouping with Time Series Clustering Based on Affinity Propagation, Energies 2016

[2] B. J. Frey et al., Clustering by Passing Messages between Data Points, Science 2007