비선형 이중축전기 모델을 이용한 재충전식 배터리 고정밀 등가회로

본 논문은 재충전식 배터리의 전압‑전류 동특성을 실시간으로 예측할 수 있는 고정밀 등가회로 모델을 개발하고, 이를 위한 파라미터 식별 방법을 체계적으로 제시한다. 연구는 크게 네 부분으로 구성된다. 첫 번째는 기존 이중축전기(DC) 모델에 대한 리뷰이다. DC 모델은 두 개의 병렬 RC 브랜치(C_b‑R_b, C_s‑R_s)와 전해질 저항 R₀으로 구성되며, 전극 내부(벌크)와 표면 영역의 전하 확산을 전기적 축전기로 근사한다. 이 구조는 속도 용량 효과와 전압 회복 효과를 선형적으로 포착할 수 있어 고전류 충·방전 상황에서 유용하지만, OCV‑SoC 비선형 관계를 반영하지 못한다는 한계가 있다. 두 번째는 비선형 이중축전기(NDC) 모델의 설계이다. 저자는 V_s(표면 축전기 전압)를 비선형 함수 h(·)로 매핑한 전압원 U를 도입하고, U와 직렬 RC 회로(R₁‑C₁)를 추가한다. 이때 h(·)는 배터리의 개방 회로 전위(O​CV)와 유사하게 SoC에 따라 비선형적으로 변하는 특성을 갖는다. R₁‑C₁은 전극‑전해질 계면의 전하 전달 및 확산에 따른 임피던스 효과를 모델링한다. 이러한 구조는 단일 입자 모델(SPM)에서 표면 농도에 기반한 전위와 확산 저항을 회로 형태로 근사한 것과 일치한다. 따라서 NDC 모델은 기존 DC 모델의 장점(전하 확산 메커니즘)과 비선형 전압 특성을 동시에 제공한다. 세 번째는 파라미터 식별 방법론이다. 상수 전류 상황에서는 1.0 식별 절차를 적용한다. 이는 전압·전류 데이터를 이용해 선형 파라미터(R₀,R_b,R_s,C_b,C_s)를 최소제곱법으로 추정하고, 비선형 함수 h의 파라미터는 비선형 회귀를 통해 별도로 추정한다. 이 방법은 구현이 간단하고 실시간 적용이 가능하지만, 전류 변동이 큰 경우에는 모델 오차가 누적될 수 있다. 이를 보완하기 위해 가변 전류 상황에 맞춘 2.0 식별 절차를 제안한다. NDC 모델을 Wiener 시스템(선형 동적 서브시스템 + 정적 비선형 서브시스템)으로 해석하고, 전체 파라미터를 MAP(Maximum A Posteriori) 추정으로 한 번에 최적화한다. 사전분포는 물리적 제한(예: 저항은 양수, 용량은 일정 범위)과 기존 문헌값을 기반으로 설정한다. MAP 추정은 비선형 서브시스템으로 인한 지역 최소 문제를 완화하고, 파라미터가 물리적으로 의미 있는 영역에 머물도록 유도한다. 최적화는 변분 베이지안 접근법이나 사전‑후행 샘플링을 활용해 실시간 요구사항에 맞게 구현된다. 네 번째는 실험 검증이다. 저자는 리튬이온 전지를 사용해 다양한 C‑rate(0.5 C~3 C)와 가변 전류 프로파일(펄스, 임의 변동) 하에서 방전·충전 실험을 수행했다. 측정된 전압·전류 데이터를 기반으로 NDC 모델, Rint 모델, Thevenin 모델을 각각 식별하고, 예측 정확도를 RMSE와 최대 전압 오차로 비교했다. 결과는 NDC 모델이 특히 고전류·고주파 구간에서 전압 회복 현상을 정확히 재현했으며, 전체 평균 RMSE가 Rint·Thevenin 대비 30 %~45 % 감소함을 보여준다. 또한 2.0 식별 절차는 파라미터 추정 시간을 8 ms 이하로 유지하면서도 전역 최적해에 근접한 결과를 제공했다. 논문의 결론에서는 NDC 모델이 전기화학적 현상을 회로 수준에서 효율적으로 포착하고, MAP 기반 Wiener 식별이 비선형 파라미터 추정의 안정성을 크게 향상시킨다는 점을 강조한다. 향후 연구 과제로는 온도 의존성 모델링, 사이클 수명 감소 메커니즘 통합, 다셀 팩에 대한 확장 및 실시간 제어 적용을 제시한다.