Πρόβλεψη της διάρκειας ζωής μπαταριών ιόντων λιθίου με χρήση Συνελικτικών Νευρωνικών Δικτύων

Abstract

Η πρόβλεψη της διάρκειας ζωής μπαταριών ιόντων λιθίου (Li-ion) αποτελεί βασικό ζήτημα στη σύγχρονη έρευνα, καθώς συνδέεται άμεσα με την ασφάλεια, την αξιοπιστία και το κόστος χρήσης τους σε εφαρμογές όπως τα ηλεκτρικά οχήματα και τα συστήματα αποθήκευσης ενέργειας. Η σταδιακή μείωση της χωρητικότητας και η αύξηση της εσωτερικής αντίστασης οδηγούν σε φθορά που περιορίζει τη διάρκεια ζωής μιας κυψέλης. Η ακριβής εκτίμηση της υπολειπόμενης διάρκειας ζωής (Remaining Useful Life – RUL) είναι αναγκαία για την ανάπτυξη στρατηγικών προβλεπτικής συντήρησης και τη βέλτιστη διαχείριση μπαταριών σε πραγματικές συνθήκες λειτουργίας. Τα φυσικά μοντέλα που έχουν χρησιμοποιηθεί παραδοσιακά προσφέρουν σημαντική ακρίβεια αλλά απαιτούν πολύπλοκη παραμετροποίηση και εντατικούς υπολογισμούς, γεγονός που τα καθιστά λιγότερο πρακτικά σε on-line εφαρμογές. Αντίθετα, τα μοντέλα που βασίζονται σε δεδομένα (data-driven models) αξιοποιούν τις πρόσφατες εξελίξεις στη μηχανική μάθηση και έχουν τη δυνατότητα να αναγνωρίζουν μη γραμμικές συσχετίσεις μεταξύ των μετρήσεων και της φθοράς, χωρίς να απαιτείται εκ των προτέρων γνώση της φυσικοχημικής συμπεριφοράς. Στο πλαίσιο αυτό, η παρούσα εργασία μελετά την εφαρμογή Συνελικτικών Νευρωνικών Δικτύων (Convolutional Neural Networks – CNNs) για την πρόβλεψη της διάρκειας ζωής κυψελών Li-ion.

Το μοντέλο που προτείνεται εκπαιδεύεται σε δεδομένα πλήρους κύκλου ζωής, αντλώντας πληροφορίες από χρονοσειρές εκφόρτισης (τάση, θερμοκρασία, εκφορτισθείσα χωρητικότητα) και συνοπτικά χαρακτηριστικά όπως η εσωτερική αντίσταση και ο χρόνος εκφόρτισης. Η μεθοδολογία ενσωματώνει τεχνικές προεπεξεργασίας που περιλαμβάνουν καθαρισμό, κανονικοποίηση και παραθυροποίηση με sliding windows, ώστε να δημιουργηθούν κατάλληλες είσοδοι για τα συνελικτικά υποδίκτυα. Ένα κρίσιμο στοιχείο της μελέτης είναι η αξιολόγηση της ικανότητας του μοντέλου να προβλέπει το RUL νέων κυψελών χρησιμοποιώντας μόνο τα πρώιμα δεδομένα τους. Έτσι, ενώ το CNN έχει εκπαιδευτεί σε όλο το εύρος κύκλων, στο στάδιο του inference περιορίζεται στους πρώτους κύκλους λειτουργίας μιας κυψέλης, προσομοιώνοντας το ρεαλιστικό σενάριο όπου δεν υπάρχει πλήρης ιστορία ζωής διαθέσιμη.

Τα πειραματικά αποτελέσματα δείχνουν ότι η προτεινόμενη μεθοδολογία μπορεί να αξιοποιήσει επαρκώς τις πληροφορίες των πρώιμων κύκλων για να εκτιμήσει με ικανοποιητική ακρίβεια τη συνολική διάρκεια ζωής. Αυτό αναδεικνύει τη δυνατότητα των CNNs να εντοπίζουν πρώιμα πρότυπα φθοράς που σχετίζονται με την εξέλιξη της μπαταρίας, παρέχοντας χρήσιμη βάση για εφαρμογές σε πραγματικά συστήματα παρακολούθησης και διαχείρισης μπαταριών. Η εργασία συμβάλλει στη βιβλιογραφία επιβεβαιώνοντας ότι τα πρώιμα δεδομένα μπορούν να αποτελέσουν αξιόπιστη πηγή πληροφορίας για προγνωστικά μοντέλα, και θέτει τις βάσεις για μελλοντική έρευνα με διευρυμένα σύνολα δεδομένων και πιο σύνθετες αρχιτεκτονικές βαθιάς μάθησης.