20%로 리튬 배터리 수명 예측 정확도가 향상되었습니다! 상하이 교통대학교 연구팀은 레이블이 지정되지 않은 데이터에서 숨겨진 정보를 추출하기 위한 반지도 학습 방법인 PBCT를 출시했습니다.

리튬 배터리는 에너지 밀도가 높고, 충전 및 방전 속도가 빠르며, 수명이 길다는 장점이 있습니다. 현재 수력, 화력, 풍력, 태양광 발전소와 같은 에너지 저장 전력 시스템은 물론, 전동 공구, 전기 자동차, 군사 장비, 항공 우주 및 기타 분야에서 널리 사용되고 있으며, 현대 사회에서 중요한 역할을 하고 있습니다.

그러나 리튬 배터리가 대량으로 사용됨에 따라 잠재적인 위험성이 점차 드러나고 있습니다. 리튬 배터리는 과충전 및 과방전 저항성이 약하고 과충전 또는 단락 시 화재나 폭발이 쉽게 발생할 수 있습니다. 최근 들어 전기 자전거와 신에너지 자동차는 충전이 부적절하거나 배터리가 노후화되어 화재가 발생하는 경우가 빈번하게 발생했습니다.

배터리 시스템의 안전하고 지속 가능한 작동을 보장하기 위해서는 사람들이 리튬 배터리의 수명을 정확하게 예측하여 건강 상태를 효과적으로 관리해야 합니다.물리적 모델과 반경험적 모델을 기반으로 한 기존 예측 방법은 오류가 발생하기 쉽고 정확도가 매우 낮습니다.인공지능 기술의 발전으로 데이터 기반 예측 방법의 정확도가 향상되었습니다. 그러나 레이블이 지정된 데이터가 부족하기 때문에 모델의 정확도가 제한되는 경우가 많습니다.

위의 과제에 대응하여, 상하이 교통대학교 푸위안 미래기술원의 완지아위 부교수가 이끄는 팀은 국제적으로 유명한 저널인 줄(Joule)에 "설명 가능한 퓨샷 배터리 수명 예측을 위한 반지도 학습"이라는 제목의 연구 논문을 발표했습니다.부분 베이지안 공동 학습(PBCT)이라 불리는 반지도 학습 기술이 제안되었습니다.리튬 배터리의 수명 주기 전반에 걸쳐 생성되는 저렴하고 풍부한 비표시 데이터를 최대한 활용하고 숨겨진 정보를 추출함으로써, 기본 데이터 패턴에 대한 이해를 심화하고 배터리 수명 예측의 정확도를 크게 향상시킬 수 있습니다.

PBCT는 기존 방법과 비교했을 때 수명 예측의 정확도를 크게 향상시킬 뿐만 아니라, 추가적인 데이터 수집 비용이 거의 필요하지 않습니다.

연구 하이라이트:

* 반지도 학습을 통해 제한된 데이터를 사용하여 배터리 수명 예측

* 베이지안 공동 학습(PBCT) 반지도 학습 방식은 정확도와 해석성 측면에서 우수한 성과를 보입니다.

* 레이블이 지정된 데이터의 필요성을 줄여 경제적 비용을 크게 절감합니다.

서류 주소:
https://doi.org/10.1016/j.joule.2024.02.020 

공식 계정을 팔로우하고 "리튬 배터리 수명"에 답글을 달면 전체 PDF를 받을 수 있습니다.

데이터 세트: 배터리 124개, 하위 데이터 세트 3개

본 연구에서 사용된 데이터 세트는 Severson 등이 제공한 오픈 소스 데이터 세트로, 공칭 용량이 1.1Ah이고 평균 수명이 806회(150~2,300회)인 LiFePO4/흑연 A123 APR18650M1A 원통형 배터리 124개가 포함되어 있습니다.

이 연구에서 사용된 데이터 세트는 다양한 캘린더 에이징 및 빠른 충전 프로토콜에 따라 41개 배터리(데이터 세트 1), 43개 배터리(데이터 세트 2), 40개 배터리(데이터 세트 3)의 세 개 하위 데이터 세트로 나뉩니다.각 데이터 세트에는 도메인 지식을 기반으로 추출된 20개의 입력 기능이 포함되어 있습니다.

모델 아키텍처: 고성능 전체 뷰 모델 구축

PBCT 방법의 아키텍처는 아래 그림에 나와 있으며, 여기에는 두 가지 모델이 설정되어 있습니다.즉, 부분 뷰 모델과 완전 뷰 모델입니다.

전체 뷰 모델은 모든 특징을 고려하기 때문에 과도하게 적합되기 쉽고 예측 정확도가 떨어질 수 있습니다.그래서 연구자들은 중요한 입력 특징의 하위 집합을 기반으로 레이블이 지정되지 않은 데이터의 가상 레이블을 추정하기 위해 부분 뷰 모델을 만들었습니다.

이후 최대 사후 최적화 원리에 따라 전체 뷰 모델과 다시 공동으로 학습하여 부분 뷰 모델을 가이드로 활용하여 최종적으로 사용되는 고성능 전체 뷰 모델을 도출합니다.

이를 통해 전체 뷰 모델은 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터 모두에서 유용한 통찰력을 얻을 수 있어 더욱 신뢰할 수 있는 예측이 가능합니다.

연구 결과: PBCT, 배터리 수명 예측의 새로운 길을 열다

성능 평가 실험에서 연구진은 각각 데이터세트 1, 데이터세트 2, 데이터세트 3을 실험에 사용했습니다. 각 실험 세트는 오프라인과 온라인 시나리오로 세분화되었으며, 테스트 데이터의 평균 제곱근 오차(RMSE)를 사용하여 훈련된 모델의 정확도를 평가했습니다. 실험 환경에서 레이블이 지정된 학습 데이터의 양이 부족하기 때문에 연구자들은 라쏘(Lasso)와 엘라스틱 넷(Elastic net)과 같은 소수 샷 상황을 처리하기 위해 고전적인 회귀 방법을 기준선으로 채택했습니다.

오프라인 시나리오에 해당하는 실험 결과는 아래의 그림 A~C에 나타나 있습니다.제안된 PBCT 방법은 레이블이 지정된 교육 데이터의 양이 다를 경우 기준 방법보다 성능이 뛰어납니다.레이블이 지정된 학습 데이터의 수가 10개일 때, PBCT는 데이터 세트 1~3에서 각각 Lasso보다 9.8%, 21.9%, 18.3% 더 우수한 성능을 보였습니다.

온라인 시나리오에서의 실험 결과는 아래의 그림 D~F에 나타나 있습니다. PBCT 방법은 데이터 세트 2와 3의 모든 경우에서 기준선 방법보다 성능이 뛰어나며, 데이터 세트 1에서 레이블이 지정된 교육 샘플 수가 부족한 대부분의 경우에도 기준선 방법보다 성능이 뛰어납니다.

경제성 분석 실험에서 제안된 PBCT 방법의 배터리 수명 예측에 대한 장점을 정량적으로 입증하기 위해,연구진은 오프라인 시나리오 실험 결과를 바탕으로 각 방법에 필요한 데이터 샘플링에 필요한 시간과 비용을 분석했습니다.

연구자들은 200번의 반복 실험에 대한 중간 사이클 비용을 추산했고, 아래 그림 A~C에서 볼 수 있듯이 PBCT 방법은 동일한 정확도를 달성하는 데 더 적은 레이블이 지정된 교육 데이터와 더 낮은 사이클 비용이 필요하다는 것을 발견했습니다.

그림 D에서 볼 수 있듯이, 목표 정확도 RMSE% 0.10을 달성하기 위해 PBCT는 라소 방법에 비해 더 낮은 사이클 비용이 필요합니다. 데이터세트2에서 목표 정확도 RMSE% 0.10을 달성하려면 PBCT에 7,700.5사이클이 필요하고(사이클이 7,700.5일 때 RMSE는 0.099), Lasso에는 10,537사이클 이상이 필요합니다(사이클이 10,537일 때 RMSE는 0.105).

* 사이클은 배터리가 완전히 충전된 상태에서 완전히 방전된 후 다시 완전히 충전되는 데 걸리는 횟수를 말하며, 배터리 수명을 측정하는 데 사용됩니다.
* RMSE는 Root Mean Square Error의 약자로, Root Mean Square Deviation이라고도 하며, 측정된 값의 차이를 측정하는 데 일반적으로 사용되는 방법으로, 값이 낮을수록 더 좋습니다.

따라서 PBCT 알고리즘만 적용하면 라소 방법에 비해 최대 28.36.5사이클, 즉 4,685.1달러를 절약할 수 있으며, 이는 라소 방법을 사용하는 데 드는 총 경제적 비용의 26.9%에 해당합니다.

요약하자면, 기존 방법과 비교했을 때 PBCT는 추가 데이터 수집 비용 없이 수명 예측 정확도를 최대 20%까지 향상시켰습니다. 따라서 동일한 예측 정확도를 전제로 PBCT는 데이터 수집 비용을 크게 줄일 수 있습니다.

또한, 이 연구에서는 레이블이 지정되지 않은 데이터를 학습 과정에 통합하면 레이블이 지정된 데이터만 분석할 때 종종 간과되는 배터리 수명에 영향을 미치는 주요 요소를 파악하는 데 도움이 된다는 사실을 발견했습니다. 따라서 반지도 학습 기법인 PBCT는 효율적이고 해석 가능한 데이터 기반 배터리 상태 추정을 위한 새로운 길을 열어줍니다.

상하이 교통대학교 심층에너지 연구실, 난관 극복 계속

공식 보도에 따르면, 이 연구 결과는 주로 상하이 교통대학교 푸위안 미래기술학원과 심층에너지연구실 연구팀에서 나왔습니다.

본 연구 그룹의 연구 방향은 주로 에너지 저장 장치 및 소재, 첨단 제조, 그리고 인공지능과의 교차 통합입니다.지금까지 에너지·소재 분야의 국제적 권위 학술지인 Science, Nature, Cell 등에 80여 편의 SCI급 논문이 게재되었으며, 총 인용 횟수는 11,000회가 넘고 H-index는 48에 달합니다. 이러한 연구 결과는 국내외 유수 언론에 보도되었습니다.

연구 그룹의 완지아위(Wan Jiayu) 부교수는 미국 진공학회(American Vacuum Society)의 국가 박사과정 학생상인 "도로시 M. 및 얼 S. 호프만 상"(전 세계적으로 매년 한 상), 중국 장학금 위원회가 수여하는 "뛰어난 자비 유학생을 위한 국가 장학금", 그리고 스탠포드 대학의 세계 최고 2% 과학자 연례 목록(2020-2022)을 수상했습니다. 그는 National Science Open, Materials Today Energy, eScience, Carbon Energy, China Chemical Express, Rare Metals 등의 잡지에서 젊은 편집위원으로 활동하고 있습니다.

연구팀은 위에 언급한 연구 성과 외에도 리튬 배터리 분야에서 더욱 심층적으로 연구하고 어려움을 극복하기 위해 노력해 왔습니다.

연구팀은 2023년 5월 국제적으로 유명한 저널인 나노 레터스에 "차세대 리튬 금속 배터리를 위한 자가 조립 단층층에서 영감을 얻은 안정적인 인공 고체 전해질 계면 설계"라는 제목의 연구 논문을 게재했습니다.

리튬 금속은 고에너지 리튬 이온 배터리에 이상적인 음극이지만, 높은 반응성과 취약한 계면으로 인해 적용이 제한됩니다. 특히 상업용 탄산염 전해질 시스템에서 리튬 금속의 성능이 좋지 않아 2차 배터리에서의 광범위한 적용이 심각하게 방해를 받습니다.이 연구에서는 리튬 금속을 3-머캅토프로필메틸디메톡시실란(3MPDMS) 용매에 담가 무기물이 풍부한 균일한 SEI 층을 형성하는 간단하고 효과적인 전략을 제안했습니다. 이를 통해 탄산염 전해질에서 낮은 과전압에서 500회 이상의 사이클 동안 리튬 금속의 균일한 증착/제거가 가능해졌습니다.

2023년 6월, 연구팀은 리튬 이온 배터리 재활용 분야에서 양극재의 초고속 재활용에 대한 최신 연구 결과를 발표했습니다.연구진이 개발한 초고속 수리 방법은 사용된 배터리의 양극재(LCO)를 8초 이내에 효율적이고 직접적으로 수리할 수 있습니다. 수리된 양극재의 전기화학적 성능은 새로 제조된 양극재의 전기화학적 성능과 유사하다.리튬이온 배터리 양극재의 수리에 관한 이 연구는 리튬이온 배터리의 재생 가능한 개발과 자원 재활용을 위한 효율적이고 에너지 절약적인 방법을 제공합니다.

리더십 팀의 리더십 하에 인공지능으로 대표되는 첨단 기술은 앞으로 에너지와 소재 분야에서 더욱 심화되어 산업의 지속 가능한 발전을 촉진할 것입니다.

참고문헌:
1.https://www.cell.com/joule/abstract/S2542-4351(24)00103-X
2.https://news.sjtu.edu.cn/jdzh/20240326/195130.html
3.https://www.x-mol.com/groups/deepenergy/news/44033
4.https://newsletter.x-mol.com/groups/deepenergy/news/46631