배터리 사용패턴 변화에 따른 점진적 머신러닝 기반의 배터리 잔존수명 예측에 관한 연구 = A Study on Battery Remaining Useful Life Prediction based on Incremental Machine Learning with Battery Usage Patterns

국문 초록 (Abstract)

전기자동차의 대중화로 배터리의 사용이 급증하며, 전기자동차에서 충전 및 주행 중, 배터리 과부하에 따른 폭발 및 화재 사고가 빈번히 일어나고 있다. 전기자동차는 운전자가 바뀌거나 운전자의 주행 습관이 바뀜에 따라 배터리의 SOH (State of Health) 가 급격하게 감소할 수도 있으며, 과격한 운전패턴의 변화는 배터리에 과부하를 주어 배터리 수명 단축 및 안전문제를 야기할 수 있다.
따라서, 머신러닝 기법을 도입하여, 배터리 사용패턴 변화에 따른, 배터리 잔존 수명 (Remaining Useful Life : RUL) 예측에 관한 연구를 진행하게 되었으나, 일반적인 기존 연구는, 고정된 특정 환경에서 생성된 학습데이터로 모델을 딱 한 번 생성한 후, 다양한 주행패턴이 존재하는 실제 자동차 환경에서 생산된 전압, 전류, 온도 등의 실험자료를 기반으로 예측을 수행하기 때문에 정확한 잔존수명을 예측하기 어렵고, 이후의 주행패턴 변화에 따라 잔존 수명은 그 값이 커지기도 하고 작아지기도 하므로 정확한 예측이 어려워지는 문제가 발생하게 되었다.
따라서, 본 논문에서는 점진적 머신러닝 기법을 도입하여, 배터리 사용패턴 변화에 따른, 배터리 잔존수명 예측결과를 자동차 계기판에 나타내는 연구를 진행하였다. 본 연구에서는 서버에서 확보한 것으로 가정한, 배터리 데이터셋 중에서, 현재 배터리 SOH 변화 추이와 비슷한 데이터셋으로부터 가중치와 편향치를 현재의 임베디드 단말에서 추출되는 예측한 값을 이용하여, 평균을 구한 후, 이를 새로운 가중치와 편향치로 사용하는 점진적 머신러닝 기법을 제안하였다.
제안한 점진적 머신러닝 기법을 이용하여, 컴퓨터 시뮬레이션을 통해, 배터리 잔존수명을 예측한 결과, 점진적 머신러닝 기법을 사용하지 않은 경우와 비교하여, RMSE 기준으로 79.85%, MAPE 기준으로, 82.38%의 성능향상을 보였다. 또한, 임베디드 단말에 점진적 머신러닝 모델을 구현하여 운전자의 배터리 사용패턴을 자동차 계기판에 나타내는 실험을 통해, 구현가능성을 확인하였다.
본 논문에서 제안한 배터리 사용패턴 변화에 따른 점진적 머신러닝 기반의 배터리 잔존수명 예측에 관한 연구는 배터리의 수명 연장 및 배터리의 안전사용 장치로 유용할 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

Battery use in electric vehicles is growing rapidly due to their popularity and battery overload often leads to explosions or fire accidents while charging or driving an electric vehicle. Changing the driver or driving pattern can cause a drastic change in the state of health (SOH) of an electric vehicle. This could shorten the battery's life and pose safety risks.
Therefore a machine learning technique was introduced to predict RUL (Remaining Useful Life) according to changes in battery usage patterns. In a real-world environment where different driving styles are present, it is challenging to predict the RUL of the car based on test data such as voltage, current, and temperature. Depending on the subsequent change in driving pattern, the value of the RUL may increase or decrease, so it makes a more accurate prediction challenging.
This paper presents an incremental machine learning technique aimed at displaying the battery life expectancy prediction result on the vehicle dashboard based on a change in battery usage pattern. In this study, among the battery data sets assumed to be obtained from the server, the RUL value is obtained from the data set that is similar to the current SOH change trend for batteries. And then, using an incremental learning technique, weights and biases are adjusted by averaging the predicted RUL values implemented in the embedded terminal, and RUL values received from the server as observations for learning.
The proposed incremental machine learning technique improved performance by 79.85% based on RMSE and 82.38% based on MAPE compared to the case without using the incremental machine learning technique by predicting the RUL through MATLAB. In addition, by implementing an incremental machine learning model within the embedded terminal, the car dashboard displayed the driver's battery usage patterns.
This study, which uses incremental machine learning to predict the RUL based on changes in battery usage patterns, is expected to be useful for extending battery life. It is also expected to ensure safe battery use.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• 1. 연구의 배경 및 문제점 1
• 2. 연구의 목적 3
• Ⅱ. 배터리의 SOH / RUL 예측을 위한 연구 4
• 1. 배터리 RUL 평가지표 4
• 2. 배터리 사용 패턴 변화에 따른 배터리의 SOH/RUL 예측 연구 11
• 3. 점진적 머신러닝과 임베디드 머신러닝 15
• Ⅲ. 점진적 머신러닝 기반의 배터리 RUL 예측 연구 21
• 1. 배터리 RUL 예측을 위한 충방전 데이터셋 22
• 2. RUL 예측을 위한 점진적 머신러닝 알고리즘 제안 36
• 3. 점진적 머신러닝 기반의 RUL 예측 시나리오 44
• Ⅳ. 점진적 머신러닝 기반의 배터리 RUL 예측 실험 57
• 1. 점진적 머신러닝 기반의 RUL 예측 시나리오에 따른 실험 결과 57
• 2. 실험 결과 고찰 98
• Ⅴ. 점진적 머신러닝 기반의 배터리 RUL 예측 자동차 계기판 105
• 1. 예측한 RUL을 자동차 계기판에 표시하는 시스템 설계 및 구현 105
• 2. 임베디드 보드에 구현된 점진적 머신러닝의 성능 평가 112
• Ⅵ. 결 론 115
• 참고문헌 116
• 영문초록(Abstract) 119

참고문헌 (Reference)

1. Battery-management system ( BMS ) and SOC development for electrical vehicles, Cheng , K. W. E. , Divakar , B. P. , Wu , H. , Ding , K. , & Ho , H. F., 60 ( 1 ) , 76-88 ., , 2010

2. 폐 리튬이온 배터리 셀의 재활용을 위한 스크리닝 방식 고찰, 이춘구, 이성준, 김종훈, 박종후, 전력전자학회 학술대회 논문집, 225-227, , 2018

3. 선형회귀 및 ARIMA 모델 이용한 배터리 사용자 패턴 변화 추적 연구, 유민혁, 노태민, 김성권, 박종용, 신대견, 한국전자통신학회 논문집, , 2022

4. 웨어러블 기기의 배터리화재사례와 실험을 통한 화재위험성 분석, 이정일, 대한안전경영과학회지, 22(2), 47-56, , 2020

5. An experimental study on fire risks due to overcharge and external heat of ESS lithium battery ., Kim , S. K. , Choi , S. G. , Jin , S. Y. , & Bang , S. S., 33 ( 4 ) , 59-69 ., , 2019

6. 폐배터리의 셀 적층 구조에 무관한 BMS 개발에 관한 연구 (Doctoral dissertation, 안진홍, 제주대학교 대학원), , 2022

7. A novel online incremental and decremental learning algorithm based on variable support vector machine, Yuantao Chen , Jie Xiong , Weihong Xu and Jingwen Zuo ,, vol . 22 , no . 3 , pp . 7435-7445, , 2019

8. A novel multistage support vector machine based approach for li ion battery remaining useful life estimation, Meru A Patil , Piyush Tagade , Krishnan S Hariharan , Subramanya M Kolake , Taewon Song , Taejung Yeo , ,, vol . 159 , pp . 285-297, , 2015

9. Long short-term memory recurrent neural network for remaining useful life prediction of lithium-ion batteries, Yongzhi Zhang , Rui Xiong , Hongwen He and Michael G Pecht ,, vol . 67 , no . 7 , pp . 5695-5705, , 2018

10. Enhanced coulomb counting method for estimating state-of-charge and state-of-health of lithium-ion batteries ., Ng , K. S. , Moo , C. S. , Chen , Y. P. , & Hsieh , Y. C., 86 ( 9 ) , 1506-1511 ., , 2009

11. SOH and RUL prediction of lithium-ion batteries based on gaussian process regression with indirect health indicators ., Jia , J. , Liang , J. , Shi , Y. , Wen , J. , Pang , X. , & Zeng , J ., 13 ( 2 ) , 375 ., , 2020

12. Machine learning applied to electrified vehicle battery state of charge and state of health estimation : State-of-the-art, Vidal , C. , Malysz , P. , Kollmeyer , P. , & Emadi , A ., 8 , 52796-52814 ., , 2020

13. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs : Part 3 . State and parameter estimation, Plett , G. L., 134 ( 2 ) , 277-292 ., , 2004

14. Lithium-ion battery remaining useful life estimation with an optimized relevance vector machine algorithm with incremental learning, Datong Liu , Jianbao Zhou , Dawei Pan , Yu Peng and Xiyuan Peng, vol . 63 , pp . 143-151, , 2015