GPINND 전해질 기반 딥러닝을 활용한 리튬이온 배터리 건강 상태 추정

초록

본 논문은 전해질 기반 전기화학 모델과 딥러닝을 결합한 SOH(상태 of Health) 추정 프레임워크인 GPINND를 제안한다. 고정밀 시뮬레이션 데이터와 물리적 제약을 융합한 하이브리드 서러게이트 모델을 물리 커널로 활용하고, 전압 재구성 오차를 최소화하는 자체 지도 학습으로 노화 파라미터를 비반복적으로 식별한다. 식별된 파라미터를 물리‑화학적 건강 지표로 사용해 잔차 보정 네트워크를 통해 SOH를 고정밀로 추정한다. 순차 학습 전략을 적용해 각 모듈의 수렴성을 확보했으며, 실험 결과 전압 재구성 RMSE 0.0198 V, SOH 추정 RMSE 0.0014를 달성하였다.

상세 분석

GPINND는 전통적인 전기화학 모델의 해석력과 딥러닝의 연산 효율성을 동시에 확보하려는 시도이다. 먼저 저자는 SPMe(단일 입자 모델 확장) 기반의 고정밀 시뮬레이션 데이터를 물리적 ODE 제약과 결합해 하이브리드 서러게이트 모델을 구축한다. 이 모델은 미분 가능(differentiable)한 물리 커널 역할을 수행해 전압을 재구성하는 데 사용된다. 기존 전기화학 파라미터 식별이 수치 해석과 반복 최적화에 의존해 수십 분에서 수시간이 소요되는 문제를 해결하기 위해, 전압 재구성 오차를 직접 최소화하는 자체 지도 학습 프레임워크를 도입했다. 파라미터 식별 네트워크는 입력으로 전류·전압·온도 등 외부 측정값을 받아, 서러게이트 모델을 통해 생성된 전압과의 차이를 역전파함으로써 LAM(활성 물질 손실), LLI(리튬 손실) 등 미세 노화 파라미터를 즉시 추정한다.

식별된 파라미터는 물리‑화학적 건강 지표(HI)로 활용되며, 이를 기반으로 SOH 추정 네트워크가 설계된다. 여기서는 데이터‑드리븐 잔차 보정 모듈을 추가해 파라미터 식별 단계에서 발생할 수 있는 작은 편향을 보완한다. 핵심 혁신은 ‘순차 학습 전략’이다. 전역 최적화 대신, (1) 서러게이트 모델 학습 → (2) 파라미터 식별 네트워크 학습 → (3) SOH 추정 네트워크 학습 순으로 단계별로 파라미터를 고정하고 학습함으로써, 서로 다른 목적 함수 간의 그래디언트 충돌을 방지하고 각 모듈의 수렴성을 크게 향상시켰다.

실험에서는 다양한 사이클 단계와 온도 조건을 포함한 실제 배터리 데이터셋을 사용했으며, 전압 재구성 RMSE는 0.0198 V, SOH 추정 RMSE는 0.0014라는 뛰어난 정확도를 기록했다. 또한 추정 과정은 밀리초 수준의 추론 속도를 보이며, 실시간 BMS 적용 가능성을 입증한다. 전통적인 ECM 기반 방법이 제공하지 못하는 미세 노화 메커니즘 해석력과, 순수 데이터‑드리븐 모델이 갖는 블랙박스 한계를 동시에 극복한 점이 가장 큰 의의이다.