Published: Jun 24, 2020 by Dev-hwon

Closed-loop optimization of fast-charging protocols for batteries with machine learning

---

• 스탠포드대학교(Stanford University) 컴퓨터공학과 교수 스테파노 에르몬(Stefano Ermon)과 재료공학과 윌리엄 츄이(William Chueh) 교수가 이끌고 MIT, 그리고 도요타 연구소(Toyota Research Institute. TRI)의 공동 연구팀이 근본적인 학문적 연구와 실제 산업 응용 분야를 연결하는 대규모 공동 작업으로 팀은 이러한 테스트 시간을 98% 단축시키는 AI 머신러닝 기반의 혁신적인 ‘클로즈 루프 최적화(CLO, Closed-Loop Optimization)’ 기술을 개발
• 배터리의 전체 수명을 최대화하고 10분 이내에 EV배터리를 충전하기 위한 최상의 방법을 찾는 것

---

1. 단계 구성

1) 병렬 배터리 사이클러: 48개의 배터리를 충방전 하는 병렬 배터리 사이클러

2) 사이클 수명 초기 예측기: 100번의 충방전 동안의 전압 곡선과 방전 용량 페이드 트렌드 이용 사이클 수명 예측하는 예측기

3) BO 알고리즘(Bayesian optimization): 사이클 수명을 최대화하는 충전 프로토콜 파라미터 CC1, CC2, CC3, CC4 찾는 BO 알고리즘

---

2. 목적과 고려 사항

• 224개의 프로토콜 6단계 10분 고속 충전 프로토콜로 구성된 파라미터 공간을 최적화하여 고정된 충전 시간 (10 분) 및 충전 상태 (SOC; State of charge) 범위 (0 ~ 80 %) 동안 예상 배터리 사이클 수명을 최대화하는 충전 프로토콜을 찾는 것.

• 폐 루프 접근 방식은 다차원 매개 변수 공간에서 최적화하는 데 필요한 실험 수를 최소화하도록 설계되었지만 리튬 이온 배터리의 경우와 같이 실험 당 시간 (및 비용)이 높게 유지될 수 있다. 따라서 실험 수와 실험 당 비용을 모두 고려 (Multi-fidelity optimization, inexpensive & noisy signals/expensive & accurate signals)

---

3. 원리

1. 초기 100번의 충방전을 실시하여 데이터를 얻는다.

2. 기계 학습을 사용하여 초기주기의 데이터를 기반으로 실험 결과를 예측하여 실험 당 시간을 줄인다.

3. 베이지안 최적화 (BO) 알고리즘을 사용하여 다음 실험 라운드를 선택할 때 탐색-탐사 트레이드 오프의 균형을 맞추면서 실험 수를 줄입니다.

---

4. 파라미터

CC1 : SOC 0-20%

CC2 : SOC 20-40%

CC3 : SOC 40-60%

CC4 : SOC 60-80%

• 파라미터는 고정 SOC 범위에 따라 충전하는 전류의 세기
• CC4는 CC1~3 및 충전 시간에 따라 다르다
• 프로토콜은 224개로 구성(CC1 8개, CC2 7개, CC3 4개)

---

5. 학습 방법

요약:

1. 48개 배터리 충전 프로토콜에 따라 충〮방전 100번 실행 후 데이터로 초기 수명 사이클 예측

2. 예측 결과로 BO 알고리즘 업데이트

3. 탐색-탐사 트레이드오프에 따른 프로토콜 48개 선택 후 선택된 프로토콜에 따라 처음으로 돌아가 다시 실행

5.1 초기 예측 변수 훈련을 위한 훈련 데이터 세트 생성

1. 41개의 배터리를 고장으로 사이클 될 때까지 전체 사이클링 실험을 진행

2. 실험 결과 나온 사이클 수명을 결과 변수로, 전압 곡선, 방전 용량 페이드 트렌드를 예측 변수로 하여 예측 모델을 학습한다.

• 이전에 수집된 데이터를 사용할 수 있는 경우 비용을 절약할 수 있으나 없는 경우 전체 사이클링 실험 진행
• BO 웜업(웜 스타트)이 가능함

5.2 병렬 배터리 사이클러를 통해 충방전 -> 수명 예측

1. 48개의 배터리를 충전 프로토콜 224개 중에 48개 임의로 선택(중복 없음)

2. 100 사이클동안 선택된 충전 프로토콜에 따라 반복 충〮방전

3. 사이클링 데이터를 사이클 수명 초기 예측기에 입력으로 공급되어 최종 사이클 수명을 추정

5.3 수명 예측 값 사용 BO 알고리즘 업데이트, 충전 프로토콜 선택

1. 예측된 주기 수명은 BO 알고리즘으로 공급

2. 선택된 충전 프로토콜을 통해 충전하여 나온 초기 예측기의 수명 사이클 추정값을 사용하여 BO 알고리즘 업데이트 매개 변수 공간의 구조를 학습하고 활용함으로써 예상주기 수명이 짧은 충전 프로토콜을 평가하지 않고 고성능 지역에 더 많은 리소스를 집중

3. 탐색-탐사 트레이드 오프와 가장 균형을 이루는 48개의 충전 프로토콜 선택하여 각 배터리를 충〮방전하는 방법으로 병렬 배터리 사이클러부터 다시 반복 탐색-탐사 트레이드 오프: 제조 변동성과 초기 결과 예측으로 인한 오류로 인한 불확실성을 줄이기 위해 최고 수명 사이클을 예측하는 프로토콜과 불확실성을 가진 프로토콜을 일정 비율로 섞어 선택

---

6. BO 알고리즘 업데이트 결과

• 처음에는 모든 프로토콜의 예상주기 수명이 동일.

• 2 라운드 후, 파라미터 공간의 전체 구조 (즉, 충전 프로토콜 파라미터 CC1, CC2 및 CC3에 대한 사이클 수명의 의존성)가 나타나고, 높은 사이클 수명 프로토콜을 갖는 현저한 영역이 식별.

• 이 고성능 영역에서 CLO의 신뢰도는 2 라운드에서 4 라운드로 더욱 향상되지만 전체주기 수명 추정치는 크게 변하지 않는다.

---

7. CLO 성능 검증

7.1 검증 방법

• 9개의 초고속 충전 프로토콜의 하위 집합에 대한 조기 예측으로 CLO의 성능 검증

• 각 프로토콜에 대해 5개의 배터리를 실제 수명 추정치로 최종주기 수명의 샘플 평균 사용

1)CLO가 사이클 수명을 기준으로 프로토콜의 순위를 올바르게 지정하는가

2)배터리 문헌에 나오는 프로토콜과 비교

3)실험 설계를 위한 기준선 제거 접근법과 비교

7.2 검증 결과

• 초기 예측이 CLO 추정 평균 주기 수명과 잘 일치

• 초기 예측 모델은 다른 배터리 저장 시간에 따른 캘린더 노화 효과로 인해 약간의 편향이 있지만 프로토콜의 순위를 잘 나타냄

• 최상위 프로토콜의 최종 주기 수명은 비슷

• CLO로 식별된 최적의 프로토콜은 문헌에 나오는 고속 충전 프로토콜보다 성능이 뛰어남

• 프로토콜 random search의 경우 약 7700시간의 배터리 시간 테스트가 필요하지만 BO 알고리즘이 포함된 CLO는 500시간의 배터리 시간 테스트만 필요

• 불확실성을 줄이는데 초점을 둔 BO가 더 우수

---

8. CLO를 사용함으로 얻을 수 있는 이익

• 기존 방법:

빠른 충전 조건에서 단일 배터리 고장 테스트에는 약 40 일

48 번의 실험을 동시에 수행할 때 3 회 측정으로 224 개의 모든 충전 프로토콜을 평가하는 데 약 560 일 (224/48340=560)

• CLO:

CLO는 16일로 감소

기존 고속 충전 프로토콜보다 성능이 우수함