Prediction life time of secondary batteries by machine learning models

Abstract

Elektrikli araçlar (EV'ler) giderek daha popüler hale gelmektedir. Bu nedenle, şarj edilebilir bataryanın mevcut sağlık durumu ve kalan faydalı ömrü (RUL) gibi faktörler önemli hale gelmiştir. Bu çalışmadaki temel amacımız, en çok araştırılan ikincil bataryalar olan ve yüksek enerji yoğunluğu ve uzun çevrim ömrü avantajlarına sahip lityum-iyon bataryaların RUL'sini tahmin etmektir. Bu amaçla, makine öğrenmesinin bir alt dalı olan derin öğrenme modellerine ait LSTM'nin (Long-Short-Term Memory Network) klasik mimarisinden farklı yeni katmanlar ekleyerek yeni bir (N-LSTM) Novel Long-Short-Term Memory Network geliştiriyor ve kullanıyoruz. Ayrıca çalışmamızda dış girdili doğrusal olmayan otoregresif yöntemi (NARX) kullandık. Seçilen bu iki model, NASA Ames Prognostik Mükemmeliyet Merkezi'nden kamuya açık bir veri tabanına uygulanmıştır. Çalışmamda ilk olarak lityum demir fosfat (LFP) batarya veri setleri B0005, B0006 ve B0007'nin şarj, deşarj ve empedans ölçüm sonuçlarından deşarj sonuçları seçilmiştir. Ardından iki farklı model için veriler hazırlık amacıyla normalize edilmiş, normalize edilen veriler eğitim ve test verileri olarak ayrılarak sırasıyla Dış Girdili Doğrusal Olmayan Otoregresif (NARX) ve Yeni Uzun Kısa Süreli Bellek (N-LSTM) modellerine beslenmiş ve eğitim süreci başlatılmıştır. Model eğitimi sırasında her iki model için farklı hiperparametre değerleri ve algoritmalar kullanılmış ve deneysel sonuçlar analiz edilmiştir. Deneysel sonuçlar, N-LSTM (New Long Short Term Memory) modeli ve NARX (Nonlinear Auto Regressive with Exogenous Input) modelinin lityum-iyon bataryaların kalan faydalı ömrü hakkında doğru tahminler sağlayabildiğini göstermektedir. Buna ek olarak, Li-ion bataryalar için kalan faydalı ömür tahmini alanında gelecekteki araştırmalara ışık tutmak amacıyla farklı kalan faydalı ömür tahmin modellerinin karşılaştırmalı bir çalışması sunulmuşturElectric vehicles (EVs) are becoming increasingly popular. Therefore, factors such as the current state of health and the remaining useful life (RUL) of the rechargeable battery have become important. Our main objective in this study is to predict the RUL of lithium-ion batteries, which are the most researched secondary batteries and have the advantages of high energy density and long cycle life. To this end, we develop and use a new (N-LSTM) Novel Long-Short-Term Memory Network by adding new layers that are different from the classical architecture of LSTM (Long-Short-Term Memory Network), which belongs to deep learning models, a sub-branch of machine learning. In addition, we use the non-linear autoregressive method with external input (NARX) in our study. These two selected models were applied to a publicly available database from the NASA Ames Prognostic Centre of Excellence. In my study, the discharge results were first selected from the charge, discharge and impedance measurement results of the lithium iron phosphate (LFP) battery datasets B0005, B0006 and B0007. Then the data for two different models were normalised for preparation, the normalised data were separated as training and test data and fed into the Nonlinear Autoregressive with External Input (NARX) and New Long Short Term Memory (N-LSTM) models, respectively, and the training process was started. During the model training, different hyperparameter values and algorithms were used for both models and the experimental results were analysed. The experimental results show that the N-LSTM (New Long Short Term Memory) model and the NARX (Nonlinear Auto Regressive with Exogenous Input) model can provide accurate predictions of the remaining useful life of lithium-ion batteries. In addition, a comparative study of different RUL prediction models is presented to provide insights for future research in the field of RUL prediction for Li-ion batteries.