PNP 모델을 이용한 리튬이온 배터리 잔존 수명 예측

Remaining Useful Life of Lithium-Ion Battery Prediction Using the PNP Model

본 논문은 초기 리튬이온 배터리의 충·방전 데이터를 활용하여 리튬이온 배터리의 잔존 수명을 예측할 수 있는 딥러닝 모델을 제시한다. PNP(Positive and Negative Perceptron) 모델을 사용하여 DMP(Deep learning Model using PNP model)를 구축하였으며, DMP의 성능을 증명하기 위해 LSTM 모델을 사용하여 DML(Deep learning Model using LSTM model)을 구성하였다. DMP와 DML의 리튬이온 배터리의 잔존 수명 예측 성능을 비교하며, 오차 측정 방법은 RMSE(Root Mean Square Error)와 RMSPE(Root Mean Square Percentage Error)이다. 시험 데이터로 오차를 측정한 결과 DMP와 DML의 RMSE 차이는 144.62[Cycle]이며, RMSPE 차이는 3.37[%]로 DMP의 오차가 낮게 측정되었다. 이를 통해 우리는 DMP의 성능이 높은 것으로 증명하였으며, 이는 리튬이온 배터리 분야에서 PNP 모델이 LSTM 모델보다 성능이 뛰어남을 나타내었다.

In this paper, we propose a deep learning model that utilizes charge/discharge data from initial lithium-ion batteries to predict the remaining useful life of lithium-ion batteries. We build the DMP using the PNP model. To demonstrate the performance of DMP, we organize DML using the LSTM model and compare the remaining useful life prediction performance of lithium-ion batteries between DMP and DML. We utilize the RMSE and RMSPE error measurement methods to evaluate the performance of DMP and DML models using test data. The results reveal that the RMSE difference between DMP and DML is 144.62 [Cycle], and the RMSPE difference is 3.37 [%]. These results indicate that the DMP model has a lower error rate than DML. Based on the results of our analysis, we have showcased the superior performance of DMP over DML. This demonstrates that in the field of lithium-ion batteries, the PNP model outperforms the LSTM model.