하이브리드 배터리 수명 예측 프레임워크 HyBattNet

초록

HyBattNet은 최근 충·방전 사이클 데이터를 활용해 리튬이온 배터리의 남은 사용 가능 사이클 수(RUL)를 예측한다. 신호 전처리 단계에서 보간·노이즈 제거, 통계적 특징 및 Δ특징을 추출하고, 1D‑CNN, 주의 메커니즘이 적용된 LSTM(A‑LSTM), 연속 동역학을 모델링하는 ODE‑LSTM을 결합한 하이브리드 딥러닝 구조에 입력한다. 전이 학습을 포함한 다양한 실험에서 기존 방법보다 낮은 RMSE(101.59)를 달성하며, 제한된 타깃 데이터에서도 견고한 성능을 보인다.

상세 분석

본 논문은 리튬이온 배터리(RLIB) 관리에서 핵심 과제인 남은 사용 가능 수명(Remaining Useful Life, RUL) 예측을 위해 두 가지 혁신적인 요소를 제시한다. 첫 번째는 ‘신호 전처리 파이프라인’이다. 원시 전류(I), 전압(V), 용량(Q) 시계열을 1차원 선형 보간으로 동일한 2000‑포인트 그리드에 매핑하고, 이를 통해 파생 용량 ˙Q를 생성한다. 보간 후 Savitzky‑Golay 필터로 노이즈를 억제하고, 평균·표준편차·최소·최대·분산·중앙값 등 6가지 통계량을 추출한다. 특히, 직전 9 사이클(δ=9)과의 차이를 나타내는 ΔF를 계산함으로써 단기 변동과 장기 노화 추세를 동시에 포착한다. 이렇게 얻어진 4×6 차원의 특성 행렬을 10개의 균등 간격 사이클(30 사이클 윈도우 내)에서 수집해 10×4×6 텐서로 구성하고, Min‑Max 스케일링을 적용한다. 두 번째 혁신은 ‘하이브리드 딥러닝 모델’이다. CNN 블록은 1D‑Convolution(커널 5, 채널 64→128→256)으로 시간‑특성 맵을 추출하고, 배치 정규화·LeakyReLU·드롭아웃(0.3)으로 학습 안정성을 확보한다. A‑LSTM은 기존 LSTM에 어텐션 가중치를 부여해 중요한 시점에 집중하도록 설계되었으며, ODE‑LSTM은 torchdiffeq의 ODE 솔버를 이용해 연속 시간 미분 방정식 형태로 은닉 상태를 업데이트한다. 이는 이산 시계열과 연속 동역학을 동시에 모델링해 배터리 노화의 비선형·비정상성을 효과적으로 학습한다. 두 흐름의 출력을 concatenate 후 완전 연결층을 거쳐 RUL을 회귀한다.

학습 단계에서는 전이 학습 전략을 적용한다. 소스 도메인(다양한 충전 프로파일)에서 사전 학습한 가중치를 타깃 도메인(다른 방전 프로파일)으로 전달하고, 제한된 타깃 샘플(예: 10% 데이터)만으로 미세조정한다. 실험 결과, 전통적인 곡선 기반(DEM, VMD, EMD) 및 기존 사이클‑특징 기반(LDNet‑RUL, IC‑curve) 방법보다 RMSE가 101.59로 현저히 낮았다. 특히, 데이터가 적은 상황에서도 성능 저하가 미미했으며, 이는 모델이 학습된 연속 동역학을 효과적으로 재활용했기 때문이다.

한계점으로는 파생 용량 ˙Q 계산 시 선형 보간에 의존해 급격한 전류 변동을 완전히 반영하지 못할 가능성, ODE‑LSTM의 수치적 안정성을 위해 작은 시간 스텝을 요구해 연산 비용이 증가한다는 점을 들 수 있다. 향후 연구에서는 비선형 보간·스플라인 기반 파생 특성, 경량 ODE 솔버, 그리고 멀티모달 센서(온도·임피던스) 통합을 통해 모델의 일반화와 실시간 적용성을 강화할 여지가 있다.