On-site estimation of battery electrochemical parameters via transfer learning based physics-informed neural network approach

要約

このペーパーでは、物理学に基づいたニューラルネットワーク（PINN）と転送学習（TL）を使用した2相モデリング戦略を使用して、オンサイトモデルの特性評価のための新しい物理的パラメーター推定フレームワークを紹介します。
第1フェーズでは、PINNは、単一粒子モデル（SPM）方程式の物理的原理のみを使用してトレーニングされます。
第2フェーズでは、PINNパラメーターの大部分が凍結され、重要な電気化学パラメーターはトレーニング可能として設定され、実際の電圧プロファイルデータを使用して調整されます。
提案されたアプローチは計算コストを大幅に削減し、バッテリー管理システム（BMS）でのリアルタイムの実装に適しています。
さらに、初期フェーズではフィールドデータが必要ないため、モデルは最小限のセットアップ要件で簡単に展開できます。
提案された方法論により、操作データを使用して関連する電気化学パラメーターを効果的に推定することができました。
これは、異なる分解条件で電荷データを持つ拡散性と活性材料体積分画を推定することが証明されています。
方法論は、3.89 \％の相対精度を持つ標準電荷プロファイルのデータを使用して、その名目容量の82.09 \％を持つNMCセルの有効材料体積分率を推定するRaspberry PIデバイスで実験的に検証されます。

要約(オリジナル)

This paper presents a novel physical parameter estimation framework for on-site model characterization, using a two-phase modelling strategy with Physics-Informed Neural Networks (PINNs) and transfer learning (TL). In the first phase, a PINN is trained using only the physical principles of the single particle model (SPM) equations. In the second phase, the majority of the PINN parameters are frozen, while critical electrochemical parameters are set as trainable and adjusted using real-world voltage profile data. The proposed approach significantly reduces computational costs, making it suitable for real-time implementation on Battery Management Systems (BMS). Additionally, as the initial phase does not require field data, the model is easy to deploy with minimal setup requirements. With the proposed methodology, we have been able to effectively estimate relevant electrochemical parameters with operating data. This has been proved estimating diffusivities and active material volume fractions with charge data in different degradation conditions. The methodology is experimentally validated in a Raspberry Pi device using data from a standard charge profile with a 3.89\% relative accuracy estimating the active material volume fractions of a NMC cell with 82.09\% of its nominal capacity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google