추상적인
리튬이온 배터리의 건강상태(SOH) 추정 기술은 전기자동차의 안전성과 신뢰성에 매우 중요합니다. 인공지능(AI)과 머신러닝(ML) 기술의 발전으로 배터리 관리 분야에서는 효율성과 안정성을 높이기 위해 이러한 방법을 채택하기 시작했습니다. 특히 신경망은 SOH 시뮬레이션 및 예측에서 높은 효율성, 낮은 에너지 소비, 높은 견고성 및 확장성 측면에서 장점을 보여왔습니다. 등가 회로 모델(ECM) 및 딥 러닝이 결합된 하이브리드 모델은 SOH 추정의 정확성과 실시간 성능을 향상시키는 잠재력이 있는 것으로 입증되었습니다. 향후 연구 방향에는 건강 특성 검사 및 모델 구축을 위해 더 많은 현장 데이터를 활용하는 것뿐만 아니라 실제 SOH를 보다 정확하게 특성화하기 위한 지능형 검사 및 배터리 매개변수 조합이 포함됩니다. 이러한 기술의 개발은 전기 자동차 배터리의 과학적이고 신뢰할 수 있으며 안정적이고 강력한 관리를 더욱 향상시킬 것입니다.
1. 간단히
1.1 전기자동차용 리튬이온 배터리의 중요성과 SOH 추정의 중요성
리튬 이온 배터리는 전기 자동차 작동에 매우 중요하며 성능은 다양한 열화 과정에 의해 영향을 받습니다. 배터리의 상태(SOH)를 정확하게 예측하는 것은 전기 자동차의 안전하고 신뢰할 수 있으며 경제적인 작동을 보장하는 데 중요합니다. 전기 자동차에 대한 수요가 증가함에 따라 리튬 이온 배터리는 일반적으로 수명이 끝나기 전에 원래 용량의 80%로 떨어지기 때문에 SOH 모니터링이 점점 더 중요해지고 있습니다. 또한 SOC(충전 상태)도 핵심 매개변수이며, 그 변화는 배터리 용량의 노후화 및 열화를 반영할 수 있습니다. 정확한 SOC 예측은 SOH 추정에 도움이 되며, 이는 결국 배터리의 남은 수명을 결정합니다.
1.2 SOH 추정 방법 개발
기존 방법의 개요 및 진행 상황:다양한 SOH 추정 방법이 개발되었으며, 그 중 SOC 기반 방법은 전류, 전압, 온도 등의 실시간 데이터를 통합하여 여러 충전 및 방전 주기에서 보다 정확한 SOH 예측을 달성하고, 배터리 성능을 최적화하고, 결함을 방지하고, 배터리 수명을 연장합니다. . 기계 학습 방법의 최신 발전으로 SOH 추정이 더욱 향상되었으며, 피드포워드 및 컨벌루션 신경망과 같은 신경망은 배터리 모델링에서 우수한 성능을 발휘하여 복잡성과 정확성 측면에서 기존 회귀 방법을 능가하며 평균 오류 편차는 약 0입니다. 배터리 셀 수준에서 0.16% 및 5.57mV의 제곱평균제곱근 오류를 나타냅니다.
1.3 배터리 모델링 방법의 분류 및 특징
전류 통합 및 OCV(개방 회로 전압) 기술과 같은 분석 방법은 명확한 SOH 추정치를 제공할 수 있지만 축적된 노이즈의 영향을 받고 정확성을 보장하기 위해 장기간 방치해야 합니다.
모델 기반 접근 방식
흰색 상자 모델:상세한 전기화학적 원리를 바탕으로 기본 매개변수를 통해 배터리 동작을 높은 정확도로 시뮬레이션합니다. 그러나 실제 역학에 대한 높은 계산 요구 사항과 단순화된 가정으로 인해 동적 조건에서 정확도가 떨어지므로 실시간 응용 프로그램에 적합하지 않습니다.
회색 박스 모델(예: ECM):물리적 통찰과 경험적 조정을 결합하고 회로 비유를 사용하여 배터리 동작을 근사화하면 높은 정확도(보통 3% 오류 이내)로 SOC를 추정할 수 있으며 실시간 SOH 추정 및 RUL(남은 유효 수명) 예측에 유용하지만 문제에 직면합니다. 데이터 품질 및 계산 요구 사항. 신뢰할 수 있는 시뮬레이션을 위해 리튬 이온 배터리(직렬 저항기 및 최대 2개의 RC 요소 포함)에 대한 간단한 등가 회로 모델을 사용할 수 있는 반면, 보다 복잡한 ECM(여러 RC 분기 또는 정위상 요소 CPE 포함)은 매우 동적인 프로세스(예: 그러나 계산 수요가 증가함에 따라 더욱 발전된 SOH 추정 방법이 개발되었습니다.
블랙박스 모델(데이터 기반 접근 방식):입력 및 출력 데이터를 기반으로 모델은 내부 작동 원리 지식에 의존하지 않고 구성됩니다. 머신러닝 기술은 대량의 측정 데이터를 통해 배터리 상태를 예측할 수 있습니다. 기계 학습은 용량 추정의 정확도가 높지만 고품질의 다양한 훈련 데이터에 의존하는 다중 채널 신경망과 같은 복잡한 데이터 세트의 패턴을 식별하는 데 탁월합니다. 그러나 실제 차량 애플리케이션에서는 많은 내부 변수를 직접 측정할 수 없으며 데이터 희소성과 해석 가능성 부족으로 인해 모델을 이해하고 유지 관리하기가 어렵습니다.
1.4 모델 방법의 진화와 하이브리드 모델의 개발
모델 기반 방법의 발전:지난 10년 동안 Kalman 필터링(KF) 및 확장(예: Extended Kalman Filter EKF, Unscented Kalman Filter UKF)을 포함하여 모델 기반 방법이 지속적으로 개발되었습니다. 이러한 방법은 배터리 상태 추정의 정확도가 높지만 정밀한 동적 모델이 필요하고 구현이 복잡합니다.
하이브리드 모델의 부상:실제 데이터의 한계를 해결하고 계산 효율성을 높이기 위해 모델 기반 방법과 데이터 기반 방법을 결합하여 상세한 시뮬레이션을 통해 기계 학습 모델을 훈련하는 하이브리드 모델이 등장했습니다. 동시에, 확률론적 방법, 메타 학습, 적대적 학습, 준지도 학습 등을 포함하여 기계 학습 기술이 지난 5년 동안 상당한 발전을 이루었습니다. 딥 러닝(기계 학습의 하위 집합)은 구조화되고 구조화되지 않은 데이터. PINN(물리 정보 신경망)은 경험적 성능 저하 모델과 신경망을 결합하여 SOH 추정을 개선하고 다양한 배터리 유형 및 조건에서 방법의 적응성을 향상시킵니다. 자동차 산업이 발전함에 따라 이러한 기술 발전은 배터리 성능 최적화, 고장 예방 및 전기 자동차 개발 지원에 매우 중요합니다.
1.5 이 기사의 후속 장에 대한 개요
섹션 2에서는 연구 방법론의 체계적이고 포괄적인 특성을 보장하면서 리뷰 문헌을 선별하고 선택하는 방법에 대한 자세한 소개를 제공합니다. 섹션 3에서는 충전 상태 추정 기술에 대한 심층 분석을 제공하고, 칼만 필터링 및 개선된 방법과 노화 모델과의 통합을 포함하여 배터리 열화 메커니즘이 전기 자동차 배터리 모델링 방법에 미치는 영향을 탐색합니다. 4장에서는 SOH 추정기법에 중점을 두고 기존 방법과 새로운 방법을 비교하며 전기자동차에 적용 가능한 방법을 강조한다. 섹션 5에서는 장단기 기억(LSTM) 네트워크 및 하이브리드 모델과 같은 SOH 추정에서 딥 러닝의 역할과 CNN(컨볼루션 신경망)이 건강 평가 정확도를 향상하기 위해 실용적인 요소를 고려하는 방법을 보여줍니다. 마지막으로 섹션 6에서는 전기 자동차 시장 및 기타 에너지 저장 애플리케이션의 발전을 지원하기 위한 배터리 상태 관리 시스템에 대한 향후 연구 방향을 요약하고 기대합니다.
2. 재료 및 방법
2.1 연구문제의 정의
본 연구는 전기자동차 리튬이온 배터리의 SOH 추정에 머신러닝 기술 적용을 안내하기 위한 5가지 주요 질문을 제안합니다.
전기 자동차의 리튬 이온 배터리의 상태(SOH)를 추정하는 데 현재 사용되는 주요 기계 학습 기술을 명확하게 설명하고 연구자가 개발하고 사용하는 특정 알고리즘과 모델을 탐색합니다.
SOH 추정 기계 학습 모델의 정확성과 견고성에 대한 다양한 데이터 소스(실험실, 차량 및 현장 데이터)의 영향을 탐색하고, 데이터 소스가 모델 성능에 미치는 영향을 분석하고, 정확한 SOH 예측에 가장 유익한 데이터를 결정합니다.
리튬 이온 배터리의 SOH 추정에 기계 학습 기술을 적용할 때의 주요 과제와 온도 변동, 노후화 및 다양한 사용 모드가 배터리에 미치는 영향과 같은 다양한 환경 조건 및 적용 시나리오에서 이러한 과제의 변화를 식별합니다. SOH 추정의 정확성.
SOH 추정의 분석 방법, 기존 방법 간의 차이점 및 진화 과정을 비교하고, 머신러닝 방법이 이러한 기존 방법과 어떻게 통합될 수 있는지 연구하고 각각의 장점, 단점 및 잠재적 시너지 효과를 식별합니다.
전기자동차용 리튬이온 배터리의 머신러닝 기반 SOH 추정 모델의 정확성, 적응성, 계산 효율성을 향상시키기 위한 향후 연구 방향을 모색하고 연구 격차, 기술 요구 사항 및 혁신적인 방법을 식별합니다.
2.2 문헌 검색 및 심사
데이터베이스 선택 및 검색 전략:Conduct a comprehensive literature search using Scopus database, determine keywords based on research questions, and use Boolean search strings (TITLE-ABS-KEY (electric AND vehicle) AND KEY (battery AND state AND of AND health) AND TITLE-ABS-KEY (lithium AND ion) AND PUBYEAR>2003년과 PUBYEAR<2025) to retrieve papers and patents published between 2003 and 2024. A total of 882 documents and 16286 patents were obtained, nearly half of which were published between 2020 and 2024, reflecting the industrial demand and progress in this field. The search results are distributed by year, major journals, national and patent offices, showing the time trend of research, journal distribution, regional diversity, and industry development priorities (such as battery management systems, modular architecture, vehicle control systems, and low resistance materials).
문헌 심사 및 집중:검색된 문헌은 다양한 학문 분야를 포괄하며 공학 분야가 가장 높은 비율(730개 기사)을 차지하고 에너지, 컴퓨터 과학, 수학이 그 뒤를 따릅니다. 컴퓨터 과학 분야를 중심으로 209개의 관련 문서가 확인되었으며, 그 중 183개가 2019년부터 2024년 사이에 출판되어 데이터의 적시성을 나타냅니다. 이러한 문서에는 2009년부터 2024년 사이에 출판된 72개의 기사를 주요 검토 기반으로 하는 컨퍼런스 논문, 기사, 리뷰 및 도서 챕터가 포함되며, 다른 엔지니어링 분야의 관련 논문 및 도서 챕터를 수동으로 통합하여 연구 분야의 포괄적인 범위를 보장하고 혁신적인 정보를 포착합니다. 배터리 관리 시스템을 개선하기 위해 인공 지능을 사용하는 기술 발전.
3. 충전상태(SOC) 추정 기술
3.1 배터리 열화 메커니즘과 성능에 미치는 영향
리튬 이온 배터리는 주로 두 가지 메커니즘을 통해 성능이 저하됩니다.리튬 재고 손실(LLI) 및 활물질 손실(LAM). LLI는 리튬이온과 전해질의 부반응으로 인해 음극에 SEI(Solid Electrolyte Interface)층이 형성되는 것과 관련이 있다. LAM은 충방전 시 전극재료의 반복적인 팽창과 수축 등 배터리 내부의 기계적 응력으로 인해 발생하며, 이로 인해 전극입자의 미세균열 및 박리 현상이 발생하고, 전기화학반응에 이용 가능한 활성표면적이 감소하여 배터리 용량이 감소하며, 내부 저항이 증가하고 궁극적으로 배터리 성능에 영향을 미칩니다. 이러한 성능 저하 메커니즘은 높은 충전 상태, 고온, 공격적인 사이클링 조건과 같은 요인에 의해 가속화됩니다. 다양한 노화 메커니즘(열, 전기화학적 등)에 대한 자세한 정보 및 모델링 세부 사항은 관련 문헌에서 찾을 수 있습니다.
3.2. 전기차 배터리 SOC 추정 및 모델링 기술
전기 자동차를 일상적으로 사용하는 경우 배터리 상태를 유지하기 위해 배터리를 20%-40% SOC로 충전하는 경우가 많지만, 배터리 용량의 비선형 및 열화 특성으로 인해 SOC 판독이 부정확해 배터리 추정에 영향을 미칠 수 있습니다. 전체 용량. 리튬 이온 배터리의 성능과 유지 관리는 온도와 전해질 신선도(생산 및 충전 날짜에 따라 결정)가 배터리 효율과 수명에 영향을 미치면서 기후의 영향도 받습니다. 새로운 전해질 배터리의 특성은 기후에 따라 달라질 수 있으며 열 관리 전략은 온도 관련 성능 문제를 해결하고 배터리 내구성을 향상시키는 데 도움이 될 수 있습니다.
전통적인 등가 회로 모델(ECM)은 일반적으로 SOC를 추정하는 데 사용되지만 빈번한 교정이 필요합니다. 이 기사에서는 상태 공간 방정식, 개방 회로 전압 및 SOC 관계 방정식, 이산 시간 영역 SOC 업데이트 방정식 및 전압 업데이트 방정식을 포함하는 ECM(연속 및 이산 형태 포함) 기반 SOC 계산 방정식에 대한 자세한 소개를 제공합니다. 관련 매개변수(예: 저항, 정전 용량, 개방 회로 전압 등)는 SOC와 밀접한 관련이 있습니다. 표준 실험실 테스트(예: 다양한 온도에서의 혼합 펄스 전력 특성 테스트)는 일반적으로 배터리 모델 매개변수 식별에 사용되지만 모델 부정확성과 측정 노이즈로 인해 SOC 추정에 작은 오류가 발생할 수 있습니다. SOC 추정의 정확도를 높이기 위해 Kalman 필터링 및 확장, PI 기반 관찰자, 슬라이딩 모드 관찰자 등 다양한 기법을 사용하여 이러한 효과를 보상했으며, 초기 모델 불확실성을 처리하기 위한 적분 보정 방법도 개발되었습니다. 그리고 측정 소음. 또한 전기화학적 임피던스 분광법(EIS)은 배터리 특성(SOC 및 SOH 포함)을 평가할 수 있지만 대규모 응용 분야(전기 자동차 등)에는 시간이 많이 걸리고 비실용적이므로 역동적이고 변화하는 특성을 포착하기 어렵습니다. 전기차 배터리의 작동 조건. 따라서 보다 적응력 있고 효율적인 방법이 필요합니다.
3.3. 기술 개선
칼만 필터 및 개선 방법:칼만 필터(KF)와 그 확장(예: 확장 칼만 필터 EKF, 무향 칼만 필터 UKF, 볼륨 칼만 필터 CKF)은 SOC 추정에 널리 사용됩니다. KF는 평균 제곱 오차를 최소화하여 누적 오차 및 초기 SOC 불확실성 문제를 해결하여 최적의 SOC 추정을 제공합니다. 그러나 배터리의 비선형 역학에 선형화 근사가 필요한 선형 시변 시스템에 적합합니다. EKF는 비선형 모델을 처리하기 위해 KF 프레임워크를 확장하지만 선형화는 정확도에 영향을 미치고 추정기 발산으로 이어질 수 있습니다. UKF 및 CKF와 같은 새로운 방법은 시그마 점 추정을 사용하여 비선형 변환 통계를 추정하는 반면, CKF는 구형 방사형 볼륨 규칙을 사용하여 다변량 모멘트 적분을 계산하여 비선형 베이지안 필터링의 정확도를 향상시킵니다. 그러나 이러한 필터는 일반적으로 잡음 특성이 알려져 있고 일정하다고 가정하며 실제 응용 분야에서는 잡음이 가변적입니다(예: 외부 간섭으로 인해 생성된 비가우시안 잡음). 따라서 상태 추정 정확도를 향상시키기 위해 가우스 혼합 모델(GMM)을 사용하여 비가우시안 잡음을 모델링하는 등 강력한 적응 필터링 전략이 개발되었습니다. 관련 연구에서는 다양한 분야에서 이러한 방법의 적용과 장점을 보여주었습니다. 또한 분산 및 분산 필터(예: 분산 칼만 필터 DKF, 분산 칼만 필터 및 DKF-CI 간 공분산)는 대규모 상호 연결된 시스템의 상태 추정을 최적화하는 데 사용됩니다. 견고한 비선형 필터(예: 견고한 Kalman 필터)는 배터리 시스템(예: 전기화학적 공정)의 복잡한 비선형성을 처리하는 데 탁월한 성능을 발휘합니다. 적응형 기술(예: 적응형 EKF 및 적응형 UKF 알고리즘)은 필터 매개변수를 동적으로 조정하여 잡음 변화에 적응하고 SOC 추정 정확도를 향상시킵니다. 관련 연구와 사례를 통해 이러한 방법의 효과가 검증되었습니다.
기타 개선 방법:ECM 모델을 기반으로 하며 실시간 보정 메커니즘(저항 및 배터리 용량 보정) (최대 오류 ± 0.8%, RMS 오류 0.3% 미만). 계산 효율성은 UKF(AIC-SE 약 5n 연산, UKF 약 n ^ 2 연산)보다 높으므로 배터리 노화 및 성능 저하 문제를 효과적으로 해결합니다. 2023년 VBMCCKF(Variational Bayesian Maximum Correlation Entropy Volume Kalman Filter)는 고급 필터링과 통계 기술을 결합하여 Variational Bayesian 방법을 사용하여 측정 오류 공분산 추정을 개선합니다. 최대 상관 엔트로피 기준은 가우스가 아닌 노이즈 측정 이상값을 처리하는 데 사용되어 SOC 추정 정확도를 크게 향상시킵니다(EKF, CKF 및 Variational Bayesian Volume Kalman Filter와 비교하여 평균 절대 오류가 77%, 68% 및 49% 감소함). , 각각) 및 배터리 관리 시스템의 견고성을 향상시킵니다.
3.4 노화 모델과의 통합
배터리 노화 모델은 SOC 추정과 밀접한 관련이 있으며 최근 연구는 두 측면 모두에서 혁신을 이루었습니다. 2024년에 제안된 배터리 노화 모델은 SOC, 배터리 온도, 시간, NFEC(Fully Equivalent Cycle Time)가 배터리 노화에 미치는 영향을 종합적으로 고려합니다. 모델은 두 부분으로 구성됩니다. 첫 번째 부분은 SOC 및 온도 관련 노화(특정 공식을 통해 용량 손실 계산)에 초점을 맞추고, 두 번째 부분은 NFEC가 노화에 미치는 영향을 고려합니다. 이 모델은 전기차 서브시스템인 배터리 노후화를 배터리 모델에 혁신적으로 통합해 주차, 주행, 충전 등 모든 작동 모드를 포괄한다. 에너지 거시적 표현(EMR)(하위 시스템 연결 구성, 전력 흐름 및 인과 관계 표현을 위해 2000년에 개발된 그래픽 도구)의 공식 방법을 통해 다양한 하위 시스템 간의 정확한 상호 작용 시뮬레이션을 달성합니다. 연구에 따르면 충전 빈도를 줄이면(예: 일일 충전을 4일마다 충전으로 변경) 배터리가 80% SOH에 도달하는 시간을 크게 연장할 수 있는 것으로 나타났습니다. 이러한 통합 접근 방식은 배터리 관리를 최적화하고 충전 방식이 배터리 노화에 미치는 영향을 이해하는 데 있어 중요한 진전을 제공합니다.
AIC-SE 및 VBMCCKF와 같은 새로운 방법은 SOC 추정 정확도 및 계산 효율성 측면에서 상당한 이점을 제공합니다. AIC-SE는 계산 효율성 측면에서 우수한 성능을 보이는 반면, VBMCCKF는 측정 오류 및 잡음이 많은 환경의 동적 추정을 처리하는 데 있어 더 나은 성능을 발휘합니다. 정확도와 노이즈 처리가 우선시되는 경우 변형 베이지안과 최대 상관 엔트로피 기준을 결합하는 것이 현재 최선의 선택일 수 있습니다. 계산 효율성과 실시간 애플리케이션에 중점을 둔다면 AIC-SE가 좋은 선택입니다. 이는 ECM 모델링 방법이 이 영역에서 여전히 장점이 있음을 나타냅니다. 또한, 2024년에 연구된 배터리 노화 모델은 배터리 성능 저하에 대한 여러 요인의 영향을 종합적으로 고려하며, 이는 배터리 수명을 최적화하는 데 큰 의미가 있습니다(충전 관행 기준). 전반적으로 이러한 개발은 SOC 추정의 정확성을 향상시킬 뿐만 아니라 배터리 수명 연장 및 배터리 작동 신뢰성 향상에도 기여합니다.
4. 건강 상태(SOH) 평가 기술
4.1 전통적인 SOH 추정 방법
기존 SOH 추정 방법은 학계 및 산업 분야에서 널리 사용되며 주로 용량 저하, 내부 저항, 사이클 수명 등 기본 매개변수를 기반으로 배터리 SOH를 평가합니다(관련 수식 및 매개변수 의미는 표 4 참조). 이러한 방법은 배터리 상태 평가를 위한 기초를 제공하고 배터리 성능을 이해하는 데 도움이 됩니다. 이러한 전통적인 방법을 이해함으로써 우리는 다음 장에서 새로운 추정 방법의 개선 사항을 더 잘 이해할 수 있습니다. 새로운 방법은 기존 방법의 한계를 해결하기 위해 더 복잡한 데이터 분석과 예측 모델링 기술을 사용하는 경우가 많습니다. 두 가지를 비교하면 SOH 추정 기술의 개발과 진화를 명확히 할 수 있으며 최신 방법이 배터리 관리 시스템의 정확성과 적응성을 어떻게 향상시킬 수 있는지 보여줄 수 있습니다.
4.2 전통적인 방법을 대체하는 새로운 발전
기계 학습과 결합된 새로운 건강 지표:SOH 예측의 정확성을 높이기 위해 연구에서는 DSR(Degradation Rate Ratio)과 같은 새로운 상태 지표를 도입했습니다. 충전 전압 곡선의 기울기에서 DSR을 계산하는 공식은 다음과 같습니다.
여러 충전 주기의 기울기를 비교함으로써 특정 전압 범위(예: [3.8-3.9V]) 내에서 배터리의 열화 속도(mV/s 단위)가 결정되며, 이는 배터리 수명과 밀접한 관련이 있습니다. 배터리 용량은 배터리 수명의 끝을 결정하는 주요 지표로 사용될 수 있습니다. GPR(가우스 프로세스 회귀)과 MLPNN(Multi Layer Perceptron Neural Network) 모델을 결합하면 용량 손실 및 성능 저하를 보다 정확하게 예측할 수 있습니다. 기존 모델에 비해 감도와 정확도가 크게 향상되어 기존 모델의 성능 저하를 조기에 감지하기 어려운 문제를 효과적으로 해결합니다.
등가 회로 모델 개선:2015에서 등가 RC 회로 모델의 바디 커패시턴스를 분석하여 SOH를 추정하고 바디 커패시턴스 감쇠 계수를 계산하는 혁신적인 알고리즘을 사용하는 등 기존 등가 회로 모델(ECM)을 개선하기 위한 초기 방법이 계속 개발되었습니다. 정확성과 신뢰성을 향상시키기 위해 이를 이산 비선형 관찰자와 결합합니다. 2024에서는 온도의 영향을 고려하기 위해 적응형 업데이트 속도와 비선형 관찰자가 결합된 2차 하이브리드 등가 회로 모델을 채택하여 SOH 추정에서 높은 정확도를 달성했습니다(평균 절대 오차 0.5% 미만, RMS 0.2% 미만의 오류); 2023년 클라우드 솔루션은 장기 모니터링 데이터와 실시간 데이터를 활용해 이동 창 최소 자승 알고리즘을 조정하여 배터리 모델 매개변수를 추정합니다. ECM 모델을 기반으로 고정밀 SOH 평가가 달성되었으며, 이는 개선된 ECM 방법이 SOC 추정 기술에서 ECM 방법이 지속적으로 개선되는 추세와 일치하여 SOH 추정에서 여전히 중요한 중요성을 가짐을 나타냅니다.
하이브리드 프레임워크 방법:새로운 프레임워크는 데이터 보간, 노이즈 필터링, 기능 선택 및 불확실성 관리 처리를 위해 LSKNN(선형 통계 k-최근접 이웃), MIES(최대 정보 엔트로피 검색) 및 CSVGPR(Collective Sparse Variational Gaussian Process Regression)을 통합합니다. LSKNN은 누락된 데이터 포인트를 추정하고 노이즈를 필터링하고, MIES는 SOH와 상관 관계가 높은 기능을 선택하며, CSVGPR은 데이터 불확실성을 처리하여 예측 정확도를 향상시킵니다. 이 프레임워크는 NASA 배터리 데이터 세트를 사용하여 테스트되었으며 ElasticNet, SVR(Support Vector Regression), Random Forest 및 Gradient Boosting과 같은 방법과 비교하여 RMSE(Root Mean Square Error)가 77.8% 감소했습니다({{3 }}.0510(ElasticNet의 경우 0.0113)). 서로 다른 커널을 사용하는 가우스 프로세스 모델과 비교하여 RMSE가 55.5%(0.0254에서 0.0113) 감소하여 프레임워크의 견고성과 높은 정확도를 확인하고 SOH 추정을 위한 보다 정확한 방법을 제공합니다.
SOH 추정 기술의 개발 추세는 전통적인 방법에서 전기 자동차에 적합한 보다 복잡한 모델로 전환되고 있습니다. 새로운 방법에는 성능 저하 모델을 기존 기계 학습, ECM 기반 방법 및 하이브리드 방법과 결합하는 것이 포함됩니다. DSR은 전체 충전 주기에 대한 의존도를 줄이고(대기 시간을 약 84% 단축) 기계 학습과 결합하여 용량 손실 추정의 정확성을 향상시켜 기존 모델의 조기 성능 저하 감지 어려움을 극복하는 중요한 혁신입니다. 향상된 ECM 방법은 SOH 추정에서 좋은 결과를 얻었으며 이는 SOC 추정에서 ECM 방법의 중요성과 일치합니다. 위에서 언급한 새로운 프레임워크와 같은 하이브리드 기술은 정확도가 높습니다. 실시간 애플리케이션에는 문제가 있지만 주요 데이터 처리 문제를 효과적으로 해결하는 것은 기존 SOH 추정 방법에 비해 크게 개선된 것입니다. 전반적으로 이러한 개발은 실시간 애플리케이션과 데이터 기반 방법에 중점을 두어 전기 자동차 배터리 관리 시스템의 신뢰성을 크게 향상시킵니다. LSTM, CNN과 같은 딥러닝 방법과 하이브리드 기법이 SOH 추정의 주류 방법이 되었습니다. 후속 장에서는 관련 연구 결과와 기여를 제시할 것입니다.
5. SOH 추정에 딥러닝 적용
5.1 LSTM과 하이브리드 모델
여러 연구에서는 SOH 추정의 정확성을 높이기 위해 딥러닝 기술과 결합된 개선된 노화 모델을 사용했습니다. RUL(Remaining Useful Life)을 예측하려면 딥러닝이 필수적입니다. 예를 들어 SOH 열화 모델을 통합하고 충전/방전 전류, 온도 등 다양한 작동 조건을 고려하면 특정 공식을 사용하여 다음을 수행할 수 있습니다.
그 중 I2{c}와 I2{d}는 정규화된 충방전 전류이고, T3{c}와 T4{d}는 정규화된 배터리 및 주변 온도이며, T3{c}와 T4{d}는 충방전 시간이고, (d1-d4)는 가중치입니다. 이는 배터리 성능 저하를 보다 정확하게 시뮬레이션합니다. LSTM 네트워크를 기반으로 한 RUL 예측 모델은 예측 정확도를 향상시키지만 계산 복잡성이 증가하고 실시간 애플리케이션이 문제에 직면합니다. 신경망은 시간에 따라 변하는 배터리 프로세스를 처리하고, 배터리 동작 변화에 적응하는 방법을 지속적으로 학습하며, 모델 신뢰성을 유지할 수 있습니다.
높은 정확도와 낮은 계산 부하를 달성하기 위해 기계 학습 알고리즘과 결합된 SOH 추정을 최적화하기 위해 주요 특징(예: 6가지 주요 특징)을 추출함으로써 전압 특징은 배터리 상태 평가의 정확성을 향상시키는 데 중요한 역할을 합니다. 여러 딥 러닝 모델(예: CNN, LSTM, GRU 및 양방향 변형)을 하이브리드 프레임워크(예: CNN-LSTM-DNN, CNN-GRU-DNN)에 결합하여 RUL을 예측하고 다양한 기능을 활용하여 개선합니다. 정확성을 높이고 NASA 데이터 세트 테스트에서 RMSE를 90.5% 줄였지만 계산 강도와 복잡성으로 인해 실시간 애플리케이션이 제한됩니다. 다중 모델 방법(예: LSTM 모델 라이브러리)과 고급 최적화 전략(예: LSTM을 AI-BMS 프레임워크에 통합하고 이를 FPGA에 구현)은 예측 정확도와 시스템 효율성을 향상시킬 수 있지만 상업용 전기 자동차에 FPGA를 적용하려면 비용이 발생합니다. 그리고 실용성 문제.
GRU와 소프트 감지 방법의 조합은 실험실 환경에서 장기적인 RUL 예측 가능성을 가지고 있지만 실제 적용에는 다양한 충전 조건에 대한 적응이 필요합니다. NASA 데이터 세트를 처리하기 위해 LSTM, DNN 및 GRU와 같은 데이터 기반 방법을 사용하는 GRU는 강력한 성능을 제공합니다(RMSE: 0.003, MAE: 0.003, R-제곱). 오류 0.004), GRU와 LSTM 네트워크를 결합하면 성능이 향상됩니다. LSTM 기반 방법은 배터리 충전 방전 곡선을 분석하여 특징(예: 5가지 수동 특징)을 추출하고 최적화 알고리즘(예: Adam)을 사용하여 훈련 효율성과 예측 정확도를 향상시킵니다. 단일 배터리 부분 데이터 학습에서 다른 배터리의 SOH 추정 오류는 낮아 기존 모델보다 우수합니다.
MDA-LSTM 네트워크는 여러 기능과 시간 정보를 결합하고 여러 기능 융합 모듈과 이중 주의 모듈을 통해 RUL 예측의 정확도를 향상시킵니다. 견고성과 일반화를 통해 다중 데이터 세트 검증에서 잘 수행됩니다. 적층형 BiLSTM 네트워크는 정전류 충전 데이터를 이용하여 SOH를 예측하는데 사용되며, 양방향 구조로 예측 신뢰성이 향상되어 고속 충전 시 실시간 SOH 추정에 적합합니다. TCN-LSTM 모델은 합성 데이터와 베이지안 최적화를 활용하여 OCV(개방 회로 전압)를 정확하게 재구성하고 SOH(상태 상태)를 추정합니다(MAE는 22mV 미만, MAPE는 2.2% 미만). 전이 학습을 통해 다양한 배터리 화학 시스템으로 확장할 수 있지만 데이터가 부족한 경우 외삽에 한계가 있습니다. 과거 데이터 및 다중 상태 지표 활용 등의 심층 융합 방식은 완전 충전 방전 테스트를 통해 높은 정확도(MAPE 2.97% 미만)를 달성했으며, 개별 전기 자동차에 대한 GPR 기반 글로벌 프레임워크와 DFTN 모델 모두 좋은 결과를 얻었습니다. .
5.2. CNN 및 CNN-LSTM 통합 모델
CNN-WNN-WLSTM 방법은 CNN, WNN 및 WLSTM 네트워크를 통합합니다. CNN은 특징, WNN 및 WLSTM 프로세스 특징을 추출하고 SOH를 추정합니다. RMSprop 최적화 프로그램은 NASA 데이터 세트 테스트에서 성능을 향상시키고 기존 방법을 능가하는 데 사용되어 배터리 상태 관리에 대한 유망한 접근 방식을 제공합니다. CNN-LSTM-CRF 모델은 자연어 처리에서 영감을 얻었으며, CRF 레이어는 출력 변수 종속성을 캡처하여 배터리 용량 예측의 정확성과 직관성을 향상시킵니다. 그러나 계산 요구 사항이 높고 온보드 프로세서의 기능을 초과합니다. 향후에는 전이학습 등 실용성을 높이는 연구가 필요하다. LSTNet 모델은 데이터 분할, ConvLSTM 및 AR 구성 요소 통합, 구조 최적화를 통해 배터리 용량 예측 성능을 향상시킵니다. 예를 들어 NASA 데이터 세트 테스트에서 RMSE는 0.65%, MAE는 0입니다. 58%, MAPE는 40% 데이터로 훈련했을 때 0.435%였습니다).
고체 리튬 이온 배터리의 RUL을 예측하기 위해 향상된 CNN 및 ECSSA 최적화 알고리즘을 통합함으로써 CNN은 하이퍼파라미터 및 구조(예: 고급 컨벌루션 레이어, 활성화 함수 및 잔차 연결 사용)를 최적화하여 특징 추출 및 예측 정확도를 향상시킵니다. ECSSA는 혁신적인 수학적 방법(예: Circle Chaotic Mapping, 비선형 흡수 계수, Cauchy Mutation)을 통해 모델 매개변수를 최적화하여 RUL 예측 정확도와 견고성을 향상시킵니다. 기능 최적화 및 차원 축소를 위해 PCA와 CNN을 결합하면 SOH 추정의 정확성과 효율성이 향상됩니다(기존 CNN 및 고정 차원 PCA-CNN 모델에 비해 MAE는 20% 이상 증가하고 RMSE는 30% 이상 증가). 실시간 SOH 추정 모델은 1D-CNN과 BiGRU를 통합하고 BMS 데이터를 사용하여 복잡한 특징 추출을 방지하고 하이퍼파라미터의 베이지안 최적화를 통해 높은 정확도를 달성합니다(예: NASA 데이터 세트 테스트에서 MAE는 2.080%, RMSE는 2.516%, EOL 인덱스 오류는 0입니다.)
5.3. 딥러닝 모델의 최적화 전략
먼저, Random Forest 알고리즘을 사용하여 핵심 건강 요인을 식별한 다음, 유전자 알고리즘 입자군집최적화(GA-PSO) 기법을 사용하여 SOH(State of Health) 추정을 위한 SVR(Support Vector Regression) 모델 매개변수를 최적화했습니다. 4개의 배터리에서 유효성이 검증되었으며 정확도와 수렴 속도가 향상되었습니다(RMSE는 0.40%, MAPE는 0.56%). 이는 다른 관련 방법보다 우수합니다. GWO-BRNN 하이브리드 방법은 GWO(회색 늑대 최적화)를 활용하여 BRNN(베이지안 정규화 신경망)에 대한 하이퍼 매개변수를 선택합니다. NASA 데이터 세트를 기준으로 SOH 추정 오류는 1% 미만이지만 계산 복잡도가 높고 실제 적용이 제한적입니다. 전기 자동차의 원시 데이터를 직접 사용하여 SOH를 평가하고 RUL을 예측하고, 새로운 평가 기능과 보간 보정 방법(현재 적분의 상대 오차를 0.94%로 감소)을 도입하여 정확도를 향상하고 D-NSGA-II 최적화 방법과 결합하여 더욱 발전했습니다. SOH 추정을 최적화하고 계산 시간을 줄입니다. 전기 자동차에서 리튬 이온 배터리의 불완전한 충전 및 방전으로 인해 발생하는 건강 상태(SOH) 추정이 어려운 점을 해결하기 위해 간접 추정 방법(ATAGA-BP)이 제안되었습니다. 이 방법은 정전압 충전 단계의 특성을 건강 지표로 활용하고 NASA 데이터를 이용한 시뮬레이션을 통해 검증됩니다. 이 방법은 SOH 추정 오차가 3.7%, 반복 효율이 17.8% 향상되어 배터리 용량과 높은 상관관계(85% 이상)를 나타냅니다.
딥 러닝은 SOH 추정에서 상당한 진전을 이루었으며, 여러 요인을 고려한 포괄적인 모델을 통해 배터리 성능 저하에 대한 더 깊은 이해를 제공합니다. LSTM 네트워크는 시간적 종속성을 포착하고 RUL을 예측하는 데 중요하지만 계산 복잡성으로 인해 실시간 애플리케이션에 문제가 발생합니다. 특징 추출 방법은 중요하며 SOH 추정을 최적화할 수 있습니다. 배터리 데이터 복잡성을 처리하기 위한 하이브리드 모델과 다양한 신경망 아키텍처의 조합은 유망한 전망을 가지고 있지만 높은 계산 요구 사항으로 인해 실제 적용이 제한됩니다. GA-PSO, GWO-BRNN, D-NSGA-II와 같은 최적화 전략은 정확성과 효율성을 향상시켰지만 복잡한 알고리즘을 구현하는 것은 어렵고 정확성과 실행 단순성 사이의 균형이 필요합니다. 2차전지 적용에는 첨단 AI 기술이 중요하다(상세 사용 데이터 부족). 다음 장에서는 특히 배터리 재사용 분야에서 2차 응용 연구의 현재 상태에 대한 개요를 제공할 것입니다.
6. 요약
이 기사에서는 전통적인 기계 학습부터 LSTM 및 CNN과 같은 고급 딥 러닝 모델에 이르기까지 다양한 기술을 다루는 혁신적인 방법과 모델을 통해 전기 자동차의 리튬 이온 배터리에 대한 SOH 및 SOC 추정 개발을 진행합니다. 그러나 각 방법은 정확성, 복잡성, 적용 가능성에 차이가 있어 직접적인 비교가 어렵습니다. 연구 결과에 따르면 데이터 처리 및 소스는 모델 성능에 상당한 영향을 미치며 실제 배포에는 추가 검증이 필요합니다. 딥 러닝 모델은 복잡한 데이터를 처리하는 데 이점을 보여주었지만 여전히 높은 계산 리소스 요구 사항 및 실제 적용 시나리오에 대한 적응성과 같은 과제에 직면해 있습니다. 향후 연구는 특징 선택 개선, 이상 탐지, 다양한 환경 조건에 대한 적응, 계산 효율성 향상을 위한 알고리즘 최적화, 실시간 애플리케이션 달성, 여러 데이터 소스 통합을 통해 SOH 추정 모델 성능 향상, 2차 배터리 애플리케이션의 과제 해결에 중점을 두어야 합니다. , 효과적인 솔루션을 개발하고 전기 자동차 및 에너지 저장 분야에서 증가하는 수요를 충족시키기 위해 배터리 관리 시스템 개발을 촉진합니다.