Battery Input Features

크게 time-based representation과 voltage-based representation으로 나눌 수 있겠다.

 

Time-based Representation

시간에 따른 전압, 전류, 온도, 용량의 특성을 이용하여 task를 수행한다. 충방전 raw data를 그대로 활용하기가 쉽지 않은 게 배터리마다 완전 충전 혹은 방전되는 시점이 다르다. 데이터의 length를 맞추기 위해 padding을 고려해볼 수 있겠지만 적절한 padding을 선택하기 어렵고 불필요한 연산만 증가시킨다.

 

[1] 논문에서는 충전에서 CC duration, CV duration, slope을 feature로 활용하여 SOH를 추정하였다. 수명이 오래된 배터리일수록 내부 저항 등으로 인한 over-potential이 증가하기 때문에, 목표로 하는 OCV에 도달하기 위해서 CC duration은 짧아지고 CV duration은 길어진다.

[2] 논문에서는 충전 raw data를 down-sampling하여 CNN model의 input으로 활용하였다.

[3] 논문에서는 방전 시 전압이 최대로 낮아지는 시점, 온도가 최대로 올라가는 시점, 3.8V에서 3.5V로 도달하는 시간을 feature로 활용하였는데, 수명이 오래된 배터리일수록 전압이 빠르게 감소하고 내부 저항 등으로 인한 온도가 증가하기 때문이다.

 

Voltage-based Representation

전압에 따른 용량, 온도의 특성을 이용하여 task를 수행한다. 정격 전압이 정해져 있기 때문에 대부분의 배터리가 충전 또는 방전 시 같은 전압 range를 가진다. 데이터의 length를 맞출 수 있다는 점은 좋으나 전압이 일정하게 유지되며 용량이 변화하는 CV 구간 표현이 어렵다. 왜냐하면 linear interpolation(V, Q)을 계산할 때 같은 전압에 대한 여러 용량 값이 존재하기 때문이다.

 

[4] 논문에서는 배터리 수명에 따라 dQ/dV, dV/dQ, dT/dV feature가 어떤 특성을 보이는지 관찰하였다. 대표적으로 dQ/dV는 퇴화할수록 peak intensity가 감소하고 peak location이 오른쪽으로 shifting하는 경향이 보였다. 그러나 c-rate와 noise에 따라 큰 영향을 받고 초반 cycle에는 퇴화 정도가 잘 관찰되지 않을 수 있다.

[5]에서 제시한 cycle 간 전압에 따른 용량 차의 편차는 위 한계를 극복하고 RUL 예측에 좋은 성능을 보였다.

 

References

[1] D. Yang et al., A Novel Gaussian Process Regression Model for State of health Estimation of Lithium-ion Battery using Charging Curve, J. of Power Sources, 2018

[2] S. Shen et al., A Deep Learning Method for Online Capacity Estimation of Lithium-ion Batteries, J. of Energy Storage, 2019

[3] J. Jia et al., SOH and RUL Prediction of Lithium-ion Batteries based on Gaussian Process Regression with Indirect Health Indicators, Energies, 2020

[4] Y. Li et al., Data-driven Health Estimation and Lifetime Prediction of Lithium-ion Batteries: A Review, Renewable and Sustainable Energy Reviews, 2019

[5] K. A. Severson et al., Data-driven Prediction of Battery Cycle Life before Capacity Degradation, Nature Energy, 2019