Accurate monitoring of capacity degradation of a lithium-ion battery is important as it enables the user to manage the battery usage for optimal performance/lifetime and to take preemptive actions against any potential explosion or fire. Battery capacity fades gradually through repetitive charging and discharging until it reaches the so called ‘knee-point’, after which it goes through rapid and irreversible deterioration to reach its end-of-life. It is crucial to forecast the knee-point early and accurately for safety and economic use of the battery. Machine learning based methods have been used to predict the knee-point with early cycles cell data. Despite some notable progress made, the existing methods make the unrealistic assumption of constant cycle-to-cycle charge/discharge operation. In this study, a novel two-stage deep learning method is proposed for online knee-point prediction under variable battery usage. A CNN-based model extracts temporal features across past and current cycles to sort out those cells should be monitored closely for near-term failures, and then predict the number of cycles left to reach the knee-point for them. The proposed method extracts features from time-series data and thus reflects dynamic changes in battery properties, resulting in improved prediction performance under realistic scenarios.
리튬 이온 전지의 용량 퇴화를 정확하게 모니터링하는 것은 사용자가 최적의 성능/수명을 위해 배터리 사용을 관리하고, 잠재적인 폭발이나 화재가 일어나기 전 선제 조치를 취할 수 있도록 하기 때문에 중요하다. 배터리 용량은 반복적인 충방전을 통해 서서히 퇴화하다가 ‘knee-point’에 도달한 후 급속하고 비가역적인 퇴화를 거쳐 수명이 다하게 된다. 안전과 경제적인 배터리 사용을 위해서는 knee-point를 조기에 정확하게 예측하는 것이 중요하다. 머신 러닝 기반 방법들은 초기 충∙방전 셀 데이터로 knee-point를 예측하는 데 사용되었다. 일부는 주목할 만한 성과를 냈지만, 기존 연구들은 사이클 간 일정한 충∙방전 조건이라는 비현실적인 가정에 바탕을 두고 있다. 본 연구에서는 가변적인 배터리 사용에서 knee-point를 예측할 수 있는 새로운 2단계 딥러닝 방법을 제안한다. CNN 기반 모델은 과거와 현재 사이클에 걸쳐 시간적 특징을 추출하여 곧 knee-point에 다다라 면밀한 모니터링이 필요한 셀들을 추려낸 다음, 해당 셀이 knee-point에 도달하기까지 남은 사이클 수를 예측한다. 제안된 방법은 시계열 데이터에서 특징을 추출하고 배터리 속성의 동적 변화를 반영하여 실제 시나리오에서 예측 성능을 향상시킨다.
