Προληπτική συντήρηση κυψελών μπαταρίας lithium-ion με χρήση μηχανικής μάθησης
Loading...
Date
2024-10-07
Authors
Μαχαίρας, Αλέξανδρος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η ολοένα αυξανόμενη χρήση ηλεκτρικών οχημάτων τα τελευταία χρόνια έχει καταστήσει την ανάγκη αξιόπιστης αποθήκευσης ηλεκτρικής ενέργειας επιτακτική. Οι ειδικές απαιτήσεις τέτοιων εφαρμογών έχουν αναδείξει τις μπαταρίες ιόντων λιθίου σε προτιμότερη επιλογή. Η παρακολούθηση της κατάστασης της υγείας καθώς και η πρόβλεψη σφαλμάτων τέτοιων μπαταριών λοιπόν κρίνεται απαραίτητη.
Στόχος
Στη βιβλιογραφία διακρίνονται διάφορες μέθοδοι προσδιορισμού της κατάστασης (SOH) μίας μπαταρίας. Μια κατηγορία είναι οι model based μέθοδοι, στις οποίες μοντελοποιούμε τις πολύπλοκες ηλεκτροχημικές αντιδράσεις που λαμβάνουν χώρα στο εσωτερικό της μπαταρίας με διαφορικές εξισώσεις. Η δεύτερη κατηγορία είναι οι data driven μέθοδοι στις οποίες χρησιμοποιούμε παρελθοντικά δεδομένα από τον κύκλο ζωής παρόμοιων μπαταριών για την πρόβλεψη σφαλμάτων σε νέες. Θα ακολουθήσουμε αυτή τη μέθοδο, βασιζόμενοι σε δεδομένα δημόσιου αποθετηρίου όσον αφορά τη φόρτιση και την αποφόρτιση μπαταριών ιόντων λιθίου,
Μέθοδος
Για τον καθορισμό του SOH από παρελθοντικά δεδομένα θα χρησιμοποιήσουμε μοντέλα μηχανικής μάθησης. Τα αποτελέσματα θα αναλυθούν με χρήση μεθόδων που ανήκουν στον τομέα του Explainable AI (ΧΑΙ). Δηλαδή δεν θα παραχθεί απλώς κάποιο μοντέλο «μαύρο κουτί» αλλά θα έχουμε στη διάθεσή μας πληροφορίες πίσω από το σκεπτικό της κάθε πρόβλεψης.
Αποτελέσματα
Τα αποτελέσματα των μοντέλων αναλύθηκαν με τη βοήθεια των Integrated Gradients, SHAP values, ALE plots κ.α έτσι ώστε να γίνει μελέτη της επιρροής τόσο των επιμέρους τιμών features όσο και του βέλτιστου αριθμού παρελθοντικών κύκλων για την πρόβλεψη. Έτσι, με την επανεκπαίδευση των μοντέλων παίρνουμε με πολύ λιγότερα δεδομένα προς επεξεργασία, αποτελέσματα με μικρή απώλεια απόδοσης ή και βελτίωση σε περιπτώσεις. Τελικά, τα κυριότερα αποτελέσματα που εξήχθησαν είναι πως:
1. Σε κάθε dataset ένα είναι το κυριότερο feature, με τα υπόλοιπα να έχουν βοηθητικό χαρακτήρα και
2. Υπάρχει ένα βέλτιστο lag πίσω από το οποίο προσθέτοντας τιμές κύκλων μπαταρίας δεν βελτιώνεται η πρόβλεψη
Τόσο τα αποτελέσματα των συγκεκριμένων πειραμάτων όσο και η γενική μεθοδολογία μας βοηθάει στην αποκωδικοποίηση της πορείας γήρανσης του SOH μπαταριών ιόντων λιθίου και στη συμμόρφωση σχετικών μοντέλων μηχανικής μάθησης με τις απαιτήσεις του πλαισίου Explainable AI.
Description
Keywords
Μπαταρίες ιόντων λιθίου, Μηχανική μάθηση, Προληπτική συντήρηση