기계 학습 모델로 배터리 수명을 정확하게 예측

• 새로운 인공 지능 모델은 배터리의 건강 상태를 정확하게 결정할 수 있습니다.
• 초기 단계에서 배터리에서 캡처한 데이터를 사용하여 배터리의 수명이 길거나 짧을지 예측합니다.

리튬 이온 배터리는 높은 에너지 밀도, 긴 수명 및 저렴한 비용으로 인해 광범위한 응용 분야에서 사용됩니다. 지난 몇 년 동안 하이브리드 및 전기 자동차의 상용화는 고품질 배터리에 대한 수요 증가를 자극했습니다. 따라서 배터리 "상태"를 분석하는 것이 점점 더 중요해지고 있습니다.

그러나 배터리 기술 개발의 주요 장애물 중 하나는 배터리 상태를 모니터링하고 테스트하는 것인데, 이는 시간이 많이 걸리고 그 과정이 배터리 수명에 영향을 미칩니다.

SOH(State Of Health)라는 매개변수는 이상적인 또는 초기 조건과 관련된 배터리의 에너지 저장 능력을 나타냅니다. 새 배터리의 경우 SOH는 일반적으로 100%이지만 시간이 지나면서 감소합니다. SOH 평가는 배터리를 안전하고 올바르게 사용하는 데 중요합니다. 그러나 배터리 수명을 손상시키지 않고 이 값을 정확하게 결정할 수 있는 기술은 없습니다.

SOH를 결정하는 것은 쉽지 않습니다

배터리의 SOH는 배터리 수명에 따라 발생하는 두 가지 요인과 관련이 있습니다.

리튬 이온 배터리에서 임피던스 증가와 저장 용량 손실은 수많은 상호 작용 과정에서 발생합니다. 이러한 프로세스는 유사한 시간 척도에서 발생하기 때문에 독립적으로 분석하기가 매우 어렵습니다. 따라서 단일 직접 측정을 사용하여 SOH를 평가할 수 없습니다.

[SOH를 결정하기 위한] 전통적인 기술은 배터리의 전극 사이의 상호작용을 평가하는 것을 포함합니다. 그러나 이것은 배터리를 불안정하게 만들기 때문에 이러한 기술은 허용되지 않습니다.

현재 덜 파괴적인 방식으로 SOH를 결정하는 두 가지 접근 방식이 있습니다. 적응 모델과 실험 방법입니다. 첫 번째 접근 방식은 배터리 성능 데이터를 사용하여 자체 조정하고 오류를 줄이는 것입니다. 그러나 이러한 유형의 방법은 실제 프로덕션 환경에서 사용되기 전에 실험 데이터에 대해 교육을 받아야 합니다.

반면에 두 번째 접근 방식은 배터리에서 발생하는 특정 고장 메커니즘 또는 물리적 프로세스를 결정하는 데 사용할 수 있습니다. 이것은 미래의 용량 저하율에 대한 좋은 예측을 제공합니다. 그러나 이러한 방법은 간헐적 오작동을 식별하지 못합니다.

AI가 배터리 수명을 정확하게 예측할 수 있음

이제 MIT, 스탠포드 대학, Toyota Research Institute의 연구원들이 배터리의 SOH를 정확하게 결정할 수 있는 인공 지능(AI) 모델을 내놓았습니다.

팀은 124개의 리튬 이온 배터리의 성능을 특성화하는 포괄적인 데이터 세트를 만들었습니다. 데이터는 배터리가 다른 급속 충전 조건을 거쳤을 때 기록되었습니다. 광범위한 충전 및 방전 주기(250 – 2,300)가 데이터에 포함되었습니다.

참조:자연 | doi:10.1038/s41560-019-0356-8

그런 다음 머신 러닝(ML) 방법을 사용하여 데이터를 검사하고 배터리 수명을 정확하게 추정할 수 있는 모델을 생성했습니다. 그들은 각 배터리의 처음 100번 사이클만 분석했습니다(저장 용량 손실의 명백한 징후가 나타나기 전).

예상 및 관찰된 배터리 수명 | 점선은 참고용으로 추정값과 관측값이 동일한 위치를 나타냅니다. | 연구원 제공

ML이 생성한 최고의 모델은 배터리의 91%에 대한 수명을 정확하게 추정할 수 있었습니다. 연구원들은 또한 이 방법을 사용하여 각 배터리의 처음 5개 주기의 데이터를 연구했습니다. 이번에는 배터리의 수명이 길거나 짧을지(550회 충전-방전 주기 이상 또는 이하)를 파악하는 것이 목표였습니다. 이 경우 모델은 배터리의 95%에 대해 정확한 예측을 했습니다.

새로운 모델이 기존의 SOH 측정 방법보다 더 효과적이기는 했지만 저장 용량이 이미 어느 정도 퇴색된 배터리의 사이클 수명 예측에서는 덜 정확했습니다.

읽기:새로운 알루미늄 그래핀 배터리를 5초 만에 충전할 수 있음

연구팀은 그들의 새로운 접근 방식이 리튬 이온 배터리의 수명 주기를 예측하는 유망한 방법이며 새로운 배터리 기술의 개발/개선에 도움이 될 수 있다고 믿습니다.