To Charge or to Sell? EV Pack Useful Life Estimation via LSTMs, CNNs, and Autoencoders

要約

電気自動車 (EV) は、より優れたパフォーマンスと快適性を提供するだけでなく、何よりも気候変動への対処を支援することが期待されているため、急速に普及しています。
成功にもかかわらず、コストは依然として課題です。
リチウムイオン電池は最も高価な EV コンポーネントの 1 つであり、さまざまな用途におけるエネルギー貯蔵の標準となっています。
バッテリーパックの残存耐用年数（RUL）を正確に見積もることにより、バッテリーパックの再利用が促進され、EVのコスト削減と持続可能性の向上に役立ちます。
正しい RUL 推定値を使用して、バッテリー パックの残存市場価値を定量化できます。
その後、顧客はバッテリーにまだ価値があるときに、つまり対象アプリケーションの耐用年数を超える前にバッテリーを販売することを決定できるため、安全性と信頼性を損なうことなく第 2 の領域でバッテリーを再利用できます。
この論文では、リチウムイオン電池の RUL を推定するための 2 つの深層学習アプローチ、LSTM およびオートエンコーダーと CNN およびオートエンコーダーを提案し、比較します。
オートエンコーダは有用な特徴を抽出するために使用され、その後のネットワークは RUL を推定するために使用されます。
これまで文献で提案されてきたものと比較して、実際に展開されたアプリケーションにおけるこの方法の適用性を保証するための手段を採用します。
このような対策には、(1) 測定不可能な変数を入力として使用することを回避すること、(2) 幅広い変動性と異なる条件を備えた適切なデータセットを使用すること、(3) サイクル数ではなく残りのアンペアアワーを予測することが含まれます。
結果は、提案された方法が、分散の高い多数のバッテリーから構成されるデータセットを一般化できることを示しています。

要約(オリジナル)

Electric vehicles (EVs) are spreading fast as they promise to provide better performance and comfort, but above all, to help face climate change. Despite their success, their cost is still a challenge. Lithium-ion batteries are one of the most expensive EV components, and have become the standard for energy storage in various applications. Precisely estimating the remaining useful life (RUL) of battery packs can encourage their reuse and thus help to reduce the cost of EVs and improve sustainability. A correct RUL estimation can be used to quantify the residual market value of the battery pack. The customer can then decide to sell the battery when it still has a value, i.e., before it exceeds the end of life of the target application, so it can still be reused in a second domain without compromising safety and reliability. This paper proposes and compares two deep learning approaches to estimate the RUL of Li-ion batteries: LSTM and autoencoders vs. CNN and autoencoders. The autoencoders are used to extract useful features, while the subsequent network is then used to estimate the RUL. Compared to what has been proposed so far in the literature, we employ measures to ensure the method’s applicability in the actual deployed application. Such measures include (1) avoiding using non-measurable variables as input, (2) employing appropriate datasets with wide variability and different conditions, and (3) predicting the remaining ampere-hours instead of the number of cycles. The results show that the proposed methods can generalize on datasets consisting of numerous batteries with high variance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google