리튬이온 배터리 모델 기반 확률적 고장 탐지 및 진단

초록

본 논문은 1차원 열‑전기‑화학 모델을 기반으로, 온도 측정값만을 이용해 리튬이온 배터리의 열적 결함을 확률적으로 탐지·진단하는 두 단계 알고리즘을 제시한다. 첫 단계에서는 측정‑예측 오차를 최소화하는 반복 최적화를 통해 모델 파라미터를 보정하고, 두 번째 단계에서는 보정된 모델과 베이지안 추정법을 활용해 결함 발생 확률을 계산한다. 시뮬레이션 결과, 제안 방법은 전통적인 몬테카를로 방식보다 높은 검출률과 낮은 오탐률을 보이며, 개별 및 동시 결함 모두에 효과적이다.

상세 분석

이 연구는 리튬이온 배터리의 열 거동을 예측하기 위해 전통적인 1차원 열‑전기‑화학(thermal‑electrochemical) 모델을 사용한다. 모델은 전극·전해질·분리막의 열전도, 전류·전압 관계, 그리고 전지 내부의 반응열을 물리적으로 기술하지만, 실제 배터리에서는 제조 공정 변동, 노화, 환경 변화 등으로 인해 모델과 실제 사이에 불일치가 발생한다. 저자는 이러한 모델‑실제 간격을 ‘모델 불확실성’이라 정의하고, 이를 보정하기 위한 두 단계 접근법을 설계하였다.

첫 번째 단계는 ‘모델 보정 단계’로, 측정된 셀 온도와 모델이 예측한 온도 사이의 차이를 최소화하는 목적함수를 설정한다. 여기서 사용된 반복 최적화는 파라미터(예: 열전도계수, 전기저항, 반응열 계수 등)를 동적으로 업데이트하며, 각 반복마다 잔차 제곱합(RMSE)을 계산한다. 이 과정은 비선형 최소제곱법과 제한조건(물리적 의미를 유지하는 범위)을 결합해 수렴성을 확보한다.

두 번째 단계는 ‘확률적 고장 진단 단계’이다. 보정된 모델을 기반으로 베이지안 네트워크 혹은 확률적 상태 추정기를 구축한다. 결함은 온도 상승, 냉각 효율 저하, 내부 단락 등으로 정의되며, 각각은 모델 파라미터의 특정 변동(예: 열전도 감소, 내부 저항 증가)으로 매핑된다. 관측된 온도 시계열을 입력으로, 사전 확률과 관측 가능도(likelihood)를 결합해 사후 확률(posterior)을 계산한다. 이 사후 확률이 사전 정의된 임계값을 초과하면 해당 결함이 발생했다고 판단한다.

알고리즘의 효율성을 검증하기 위해 저자는 Monte Carlo(MC) 시뮬레이션과 비교하였다. MC는 수천 번의 무작위 파라미터 샘플링을 통해 확률 분포를 추정하지만, 계산 비용이 매우 크다. 반면 제안된 두 단계 방법은 모델 보정 후 단일 베이지안 추정으로 충분히 정확한 확률을 제공한다. 실험 결과, 개별 결함 탐지율은 95 % 이상, 동시 결함 탐지율도 90 % 이상을 기록했으며, 오탐률은 5 % 미만으로 MC 대비 30 % 이상 감소하였다.

핵심 기여는 (1) 모델‑데이터 불일치를 최소화하는 실시간 파라미터 보정 메커니즘, (2) 보정된 모델을 활용한 확률적 진단 프레임워크, (3) 기존 MC 기반 방법에 비해 계산 효율성과 정확성을 동시에 달성한 점이다. 또한, 온도 센서만으로 고장 진단이 가능하다는 점은 비용·설치 측면에서 실용성을 크게 높인다. 향후 연구에서는 전류·전압 등 추가 센서 데이터를 통합하거나, 다셀 팩 수준에서의 확장 가능성을 탐색할 여지가 있다.