Cerberus: A Deep Learning Hybrid Model for Lithium-Ion Battery Aging Estimation and Prediction Based on Relaxation Voltage Curves

要約

リチウムイオン電池の劣化プロセスは、性能の提供やサイクル利用などの側面を含む、電源およびエネルギー貯蔵デバイスとしてのライフサイクル全体と複雑に関連しています。
そのため、リチウムイオン電池の劣化状態を正確かつ迅速に推定または予測することが大きな注目を集めています。
それにもかかわらず、一般的な研究は主に老化の推定または予測のいずれかに集中しており、両方の側面の動的な融合は無視されています。
この論文は、深層学習に基づく容量劣化の推定と予測のためのハイブリッド モデルを提案します。このモデルでは、劣化に関連性の高い顕著な特徴が充放電緩和プロセスから抽出されます。
過去の容量減衰データを統合することにより、このモデルは、リチウムイオン電池の現在の容量の推定値と将来の容量の予測を動的に提供します。
私たちのアプローチは、さまざまなレートでの充電と放電サイクルを含む新しいデータセットに対して検証されています。
具体的には、０．２５Ｃの充電条件下では、０．２９％の平均絶対パーセント誤差（ＭＡＰＥ）が達成される。
この結果は、現実世界で一般的に遭遇する緩和プロセスを利用し、バッテリー管理システム (BMS) 内の過去の容量記録と相乗効果を発揮するこのモデルの巧みさを強調し、それにより、より高い精度で容量低下の推定と予測を可能にします。

要約(オリジナル)

The degradation process of lithium-ion batteries is intricately linked to their entire lifecycle as power sources and energy storage devices, encompassing aspects such as performance delivery and cycling utilization. Consequently, the accurate and expedient estimation or prediction of the aging state of lithium-ion batteries has garnered extensive attention. Nonetheless, prevailing research predominantly concentrates on either aging estimation or prediction, neglecting the dynamic fusion of both facets. This paper proposes a hybrid model for capacity aging estimation and prediction based on deep learning, wherein salient features highly pertinent to aging are extracted from charge and discharge relaxation processes. By amalgamating historical capacity decay data, the model dynamically furnishes estimations of the present capacity and forecasts of future capacity for lithium-ion batteries. Our approach is validated against a novel dataset involving charge and discharge cycles at varying rates. Specifically, under a charging condition of 0.25C, a mean absolute percentage error (MAPE) of 0.29% is achieved. This outcome underscores the model’s adeptness in harnessing relaxation processes commonly encountered in the real world and synergizing with historical capacity records within battery management systems (BMS), thereby affording estimations and prognostications of capacity decline with heightened precision.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google