Deep sequence model for battery health prediction

Abstract

Οι μπαταρίες ιόντων λιθίου χρησιμοποιούνται ευρέως σε ηλεκτρικά οχήματα, φορητές ηλεκτρονικές συσκευές και συστήματα αποθήκευσης ενέργειας. Με την πάροδο του χρόνου, και υπό την επίδραση των συνθηκών λειτουργίας και φόρτισης, η χωρητικότητά τους μειώνεται σταδιακά, γεγονός που καθιστά ιδιαίτερα σημαντική την πρόβλεψη της μελλοντικής τους κατάστασης. Η πρόβλεψη της κατάστασης υγείας (State of Health, SOH) αποτελεί κρίσιμο παράγοντα τόσο για τον προγραμματισμό της συντήρησης όσο και για την αποτελεσματική διαχείριση της ενέργειας. Η παρούσα διπλωματική εργασία εξετάζει την πρόβλεψη της κατάστασης υγείας μπαταριών με τη χρήση ενός μοντέλου ακολουθιακής μηχανικής μάθησης, βασισμένου σε νευρωνικά δίκτυα LSTM (Long Short-Term Memory). Στη μεθοδολογία που ακολουθείται, η πρόβλεψη του SOH διατυπώνεται ως πρόβλημα πολυμεταβλητής χρονοσειριακής πρόβλεψης πολλαπλών βημάτων. Τα δεδομένα των κύκλων εκφόρτισης, όπως η τάση, το ρεύμα, η θερμοκρασία και η χωρητικότητα εκφόρτισης, υποβάλλονται σε επεξεργασία και μετατρέπονται σε στατιστικά χαρακτηριστικά σε επίπεδο κύκλου. Το SOH υπολογίζεται από τη χωρητικότητα εκφόρτισης σε σχέση με μια αρχική τιμή αναφοράς, ενώ οι ακολουθίες εισόδου-εξόδου δημιουργούνται με τη χρήση μηχανισμού ολισθαίνοντος παραθύρου (sliding window). Στη συνέχεια, εκπαιδεύεται ένα μοντέλο LSTM, με σκοπό να μάθει τα πρότυπα που προκύπτουν από τις προηγούμενες ιστορικές τιμές και, με αυτόν τον τρόπο, να προβλέπει τις μελλοντικές τιμές του SOH. Σύμφωνα με τα πειραματικά αποτελέσματα, διαπιστώνεται ότι το μοντέλο είναι σε θέση να αποτυπώσει την τάση υποβάθμισης της κατάστασης υγείας των μπαταριών και να παρέχει ικανοποιητικές βραχυπρόθεσμες προβλέψεις σε άγνωστα σύνολα δεδομένων. Τα ευρήματα δείχνουν ότι τα ακολουθιακά μοντέλα συνιστούν ένα πρακτικό και αποτελεσματικό πλαίσιο για την πρόβλεψη της κατάστασης υγείας μπαταριών, ενώ παράλληλα αναδεικνύεται η αυξημένη δυσκολία πρόβλεψης σε μεγαλύτερους χρονικούς ορίζοντες.