Advanced Li-ion Battery Management using Machine Learning Technology: Diagnosis, Modeling, and Control

Abstract

리튬 이온 배터리는 다른 상용화된 배터리들에 비해 높은 에너지밀도와 높은 전력밀도를 갖고있고 재충전하여 사용이 가능한 점을 비롯한 많은 장점을 갖고 있어 전기자동차나 에너지저장시스템 등의 많은 분야에서 유용하게 쓰이고 있다. 이러한 장점에도 불구하고 리튬 이온 배터리는 사용함에 따라 항상 전기 화학적 및 기계적 열화를 겪으며, 가혹한 작동 조건에서는 심각한 사고가 발생할 가능성이 있습니다. 따라서 리튬 이온 배터리의 안전하고 효율적인 사용하는 것이 중요하다. 이를 위해 정확한 모델링, 진단, 최적의 제어 방법 등 성능이 우수한 배터리 관리 시스템 (BMS) 을 개발해야 한다. 그러나 리튬 이온 배터리의 전기 화학적 메커니즘은 너무 복잡하여 정확하게 모델링 할 수 없다. 기존에 개발된 모델들조차 비선형적이고 유한요소법과 같은 복잡한 기법을 사용해야만 풀 수 있기 때문에 모델을 작동시키는 것이 안정적이지 않고 시간이 오래걸린다. 따라서 리튬 이온 배터리에 대한 다양한 최적화 문제를 푸는 것은 어렵다. 시간이 많이 걸리고 비용이 많이 드는 실험 데이터 수집 프로세스는 이러한 BMS 개발에 어려움을 더한다. 이러한 문제를 극복하기 위해 본 논문에서는 머신러닝을 응용하고 적용하여 리튬 이온 배터리의 모델링, 진단 및 제어를 다루는 발전된 BMS를 개발하였다. 먼저, 학습 기반 리튬 이온 배터리 내부 파라미터 식별 방법을 제안한다. 그래디언트 기반 및 메타 휴리스틱 검색과 같이 널리 사용되는 방법은 리튬 이온 배터리 모델의 매우 비 볼록한 특성으로 인해 리튬 이온 내부 파라미터를 부정확하게 식별하고 시간이 많이 소요된다. 이 연구에서는 이러한 방법과 달리 베이지안 신경망을 이용하여 배터리모델의 특징을 학습하여 효율적인 검색 공간을 할당하여 비교적 짧은 시간에 정확한 파라미터 값을 식별 할 수 있다. 둘째, 실제 BMS 하드웨어에서 실용적으로 사용될 수 있는 리튬 이온 배터리에 대한 새로운 온라인 파라미터 식별 방법이다. 이 방법은 간단한 리튬 이온 배터리 등가 회로 모델 및 재귀 최소 제곱법을 사용하여 계산 부담을 줄인다. 또한 매트릭스 조건수가 불확실성 측정으로 사용되어 정확한 파라미터 식별이 가능하다. 셋째, 리튬 이온 배터리에 대한 새로운 용량 감소 모델이 제안되었다. 새로 제안 된 경험적 모델과 베이지안 신경망을 결합하여 데이터 효율성을 높인다. 이 하이브리드 모델은 사이클 조건에 따라 용량 감소를 예측할 수있어 실험 데이터의 양에 관계없이 합리적인 정확도를 달성한다. 마지막으로 배터리 수명 연장을위한 최적의 충전 방법을 제안한다. 이 작업에서는 열화 측정을 위해 전기 화학적 열화 모델을 사용하고, 최첨단 강화 학습 알고리즘 중 하나 인 Soft Actor-critic 을 사용하여 리튬 열화를 최소화하기위한 최적의 충전 전류 프로파일을 찾는다. 제안 된 방법들들은 시뮬레이션 및 실험을 통해 검증된다.

Li-ion batteries have been regarded as promising electrical energy storage devices because of their various advantages over other candidates, including high power and energy density. In spite of their advantages, they always suffer from electrochemical and mechanical degradation, and in harsh operating conditions, even severe accidents are likely to happen. Therefore, very careful operations of Li-ion batteries are necessary for their safe and efficient usage. To this end, a well-performing battery management system (BMS) including accurate modeling, diagnosis, and optimal control methods has to be developed. However, their electrochemical mechanisms are too complicated to model accurately. Even existing models are likely to be non-convex, which leads to difficulties in various optimization problems about Li-ion batteries. The time-consuming and expensive experimental data acquisition process also adds difficulty to the development of such BMS. To overcome these problems, in this thesis, I propose the advanced BMS mainly using machine learning (ML), including modeling, diagnosis, and control methods for Li-ion batteries. First, I propose a learning-based parameter identification method for Li-ion batteries. The widely used methods such as gradient-based and meta-heuristic search are time-consuming and inaccurate because of the highly non-convex nature of Li-ion battery models. In this work, unlike such methods, accurate parameter values can be identified in a relatively short time by using Bayesian inference. The parameter update process using Bayesian inference consists of learning the battery model dynamics and allocating efficient space for parameter search. Second, a novel online battery parameter identification method for the practical use in BMS hardware is proposed. This method uses a simple Li-ion battery equivalent circuit model (ECM) and recursive least squares (RLS) for low computation burden. Also, the matrix condition number is used as the uncertainty measurement so that accurate parameter identification can be achieved. Third, a novel mechanism-agnostic capacity fade model for Li-ion batteries is proposed. In this work, the newly proposed empirical model and Bayesian neural network (BNN) are combined to enhance data efficiency. This hybrid model can predict the capacity fades according to the cycle conditions, achieving reasonable accuracy regardless of the amount of experimental data. Lastly, I propose an optimal charging method for the battery life extension. In this work, an electrochemical degradation model is used for the degradation measurement and soft actor-critic (SAC), one of the state-of-the-art reinforcement learning algorithms, is used to find optimal charging current profile to minimize the degradation of the Li-ion battery. Proposed methods are validated with simulation and experiment.