CNN-GRU를 이용한 리튬 이온 배터리 수명 예측
Estimation of Lithium-Ion Batteries SOH using Convolution Neural Network and Gated Recurrent Unit
- 주제(키워드) Lithium-ion battery , SOH , CNN , GRU , LSTM , Internal Resistance
- 주제(DDC) 621
- 발행기관 아주대학교
- 지도교수 이교범
- 발행년도 2023
- 학위수여년월 2023. 2
- 학위명 석사
- 학과 및 전공 IT융합대학원 IT융합공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000032531
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 논문에서는 배터리 내부 파라미터를 CNN-GRU로 학습하여, 배터리의 수명을 예측하는 기법을 제안한다. 배터리 내부 파라미터를 표현하기 위한, 다양한 등가회로 모델이 존재한다. 이러한 등가회로 모델 중 가장 대표적인 모델은 랜들스 모델이며, 랜들스 모델을 기반으로 측정된 내부 파리미터 데이터를 학습의 입력 데이터로 사용한다. 배터리 파라미터는 사용 환경 및 운용 시간에 따라 비선형적으로 변화한다. 이러한 배터리의 비선형적인 특징을 추출하기 위해, CNN 입력에 배터리 파라미터를 활용하여 학습한다. CNN을 통해 추출된 특징을 GRU의 입력 데이터로 사용하여, 시간에 따른 변화 특징을 학습하고, SOH를 예측한다. 학습 데이터 세트는 EMPIR의 17IND10 LibForSecUse를 활용하며, 이를 통해 제안된 모델의 성능을 검증한다.
more초록/요약
This thesis proposes an estimation method for Lithium-Ion Batteries SOH by learning the batteries’ internal parameters using the Convolution Neural Network and the Gated Recurrent Unit. Various equivalent circuit models exist to represent the batteries’ internal parameters. Among these equivalent circuit models, the most representative model is the Randles model, and the data measured based on the Randles model is used as learning input data. The internal parameters of batteries change nonlinearly depending on the operation condition and use time. So, nonlinear features are extracted using the CNN input as the batteries' parameters. The extracted features are used as an input of the GRU to learn the characteristics of change over time, and SOH is predicted through this. The learning dataset utilizes 17IND10 LibForSecUse of EMPIR, which validates the performance of the proposed model.
more목차
제1장 서론 1
제2장 배터리 내부 파라미터와 SOH 3
2.1 내부 파라미터 측정기법 3
2.2 내부 파라미터 종류 3
2.3 변형 랜들스 모델 4
2.4 SOH (State of Health) 6
2.5 내부 파라미터 특성과 SOH 관계 6
제3장 제안하는 신경망 모델 구조 9
3.1 합성곱 신경망(CNN) 9
3.2 게이트 순환 유닛(GRU) 11
3.3 제안하는 CNN-GRU 구조 12
제4장 학습 데이터 처리 및 구조 14
4.1 학습 데이터 14
4.2 데이터 전처리 14
제5장 SOH 추정 결과 16
5.1 학습 파라미터 16
5.2 신경망 모델 간 성능 비교 17
제6장 결론 20
참고 문헌 21
ABSTRACT 23
