# Notes on review of literature on lithium battery life prediction using deep learning 運用深度學習於鋰電池壽命預測文獻回顧
###### tags: `IEM` `lithium battery` `deep learning`

### 專有名詞
#### Battery State
ref:[A Machine Learning-based Digital Twin for Electric Vehicle Battery Modeling]()
- SOC : state of capacity
- SOH : state of health
- RUL : remaining useful life
電池狀態如SOH、RUL都是根據"可測量"參數，例如溫度、電流、電壓等估算而得的資訊，

ref : [settings
Open AccessReview
Prognosis and Health Management (PHM) of Solid-State Batteries: Perspectives, Challenges, and Opportunities](https://www.mdpi.com/1996-1073/15/18/6599/htm)

#### BMS : battery management system
- 根據電池監測數據(可測量參數)與不可測參數(例如：估算得到的電池狀態)綜合評估。進行電池系統的調控
ref : [Battery Management Systems in Electric and Hybrid Vehicles]()

### 欲解決問題
- 剩餘壽命(SOH/RUL)
- 預測車用鋰電池剩餘壽命，提供車隊管理、汰換決策(時間點)依據
- 剩餘容量預測(可使用里程、時間)?

#### 現有資料
- 僅有單一駕駛、單一車輛的感測器資料
- [ ] 確認目前資料有哪些欄位

#### 困難點
- 估算數值本身的不穩固性
- SOH/RUL本身即是一個估算值，是BMS系統根據電池組電壓，電流，放電倍率，溫度等因素經過算法計算得出的值
- 系統先要採集的足夠準，足夠快才能保證最後的結果準確
- 不同BMS演算法估算結果會有差異
- 可測量 vs 估算得出的數值

來源：[https://www.cnblogs.com/linhaostudy/p/15292268.html](https://www.cnblogs.com/linhaostudy/p/15292268.html)

- 缺乏可用來驗證的Groud Truth，需要用短期資料預測中長期結果
- 由於車用電池技術很新，缺乏可驗證的中長期資料
- 鋰電池隨著充放次數增加，會逐漸晶化，SOH/RUL到轉折點會急遽下降
- 預測找出可能電池壽命的轉折點?

#### 可能解決方向
- 缺乏標籤
- 自監督或無監督學習
- 建立驗證指標?
- 缺乏中長期資料
- 數值模擬中長期參數
- 放電流量、溫度會顯著影響電池剩餘可用容量/時間
- 是否可直接根據感應器數值預測
- 剩餘容量(使用時間、里程?)
- 剩餘壽命(定義??)

### 教學資源
#### MATLAB
- [ Predictive Maintenance](https://www.youtube.com/playlist?list=PLn8PRpmsu08p_DFn1Q7xOrE_2BsIw-Yz1)
- [Kalman Filters](https://www.youtube.com/watch?v=mwn8xhgNpFY&list=PLn8PRpmsu08pzi6EMiYnR-076Mh-q3tWr)
- SOC估算的一種方式，經典工程領域方法
- [Introduction to Battery State of Charge Estimation | Estimate Battery SOC With Deep Learning](https://www.youtube.com/playlist?list=PLn8PRpmsu08qEaoBNHa16bPASDDKNBQI0)
- 概念介紹與案例介紹
- 僅用簡單的幾層FC層(2021-2022的幾篇paper仍如此)

#### Stafl Systems
- [Lithium Ion Battery](https://www.youtube.com/channel/UCzmTkfrQXdBZULfdatziN_A/videos)

---