Προβλεπτική Αναλυτική Δεδομένων σε Μπαταρίες Li-Ion με Αυτοματοποιημένη Μηχανική Μάθηση

Abstract

Με το παγκόσμιο ενδιαφέρον να στρέφεται όλο και περισσότερο στον δραστικό περιορισμό των εκπομπών άνθρακα, η χρήση των μπαταριών ιόντων λιθίου σε εφαρμογές όπως η ηλεκτροκίνηση και η αποθήκευση ανανεώσιμης ενέργειας για την τροφοδοσία του Συστήματος Ηλεκτρικής Ενέργειας πρόκειται μόνο να εντατικοποιηθεί. Σε αυτό το πλαίσιο, τα υπάρχοντα φυσικά μοντέλα μπαταριών λιθίου για την εκτίμηση των καταστάσεων της μπαταρίας και την κατ’ επέκταση ορθή διαχείρισή τους από το Σύστημα Διαχείρισης Μπαταρίας (Battery Management System ή BMS) κρίνονται ανεπαρκή. Συνεπώς, έχουν προταθεί νέα μοντέλα, βασισμένα σε δεδομένα και εκπαιδευμένα με μεθόδους Μηχανικής Μάθησης (Machine Learning ή ML), και βρίσκονται πλέον στο επίκεντρο του ερευνητικού ενδιαφέροντος. Παράλληλα, ένας νέος ανερχόμενος τομέας, αυτός της Αυτοματοποιημένης Μηχανικής Μάθησης (Automated Machine Learning ή AutoML), έρχεται να καταστήσει το πρόβλημα της εύρεσης του καλύτερου μοντέλου προσιτό ακόμα και στους μη ειδικούς αναλυτές, μέσα από την αλγοριθμική αναζήτηση του καλύτερου δυνατού μοντέλου ML από έναν συγκεκριμένο χώρο αναζήτησης. Πλέον, η ανάπτυξη μοντέλων ML δεν αποτελεί προνόμιο των εξειδικευμένων επιστημόνων, παύει να εξαρτάται από την χειροκίνητη ρύθμιση υπερ-παραμέτρων με βάση την εμπειρία και τη διαίσθηση και συστηματοποιείται ώστε να εκτελείται αυτόματα από βιβλιοθήκες προσβάσιμες και φιλικές σε όλους. Ο σκοπός της διπλωματικής εργασίας είναι να εξετάσει κατά πόσο σύγχρονες τεχνικές AutoML μπορούν να εφαρμοστούν στο πεδίο των μπαταριών ιόντων λιθίου και να πραγματοποιήσουν επιτυχείς προβλέψεις των καταστάσεών τους. Για αυτό το λόγο, επιλέχθηκε ένα ανοιχτό σύνολο δεδομένων κύκλισης μπαταρίας (battery cycling dataset) και ένα πακέτο AutoML, το AutoKeras, για την εκτέλεση αναζήτησης βέλτιστης αρχιτεκτονικής νευρωνικού δικτύου (Neural Architecture Search ή NAS) κατά την πρόβλεψη της κατάστασης φόρτισης μπαταρίας (State of Charge ή SOC). Τα μοντέλα αξιολογήθηκαν επιτυχώς δείχνοντας ότι η προτεινόμενη προσέγγισή μας έχει βάσεις και χρήζει περεταίρω διερεύνησης.