물리 기반 특징으로 신경망 경량화 eVTOL 배터리 전압 예측

초록

본 논문은 전기 수직 이착륙(eVTOL) 항공기의 고전류 구동 특성을 고려한 리튬이온 배터리 전압 예측에 물리‑정보를 결합한 신경망(PINN) 모델을 제안한다. 2RC 등가회로 모델을 물리적 사전예측으로 활용하고, 잔차 보정을 신경망이 학습하도록 설계함으로써, 기존의 복잡한 순수 데이터‑기반 FNN 대비 최대 75 % 적은 파라미터로 동일하거나 더 높은 정확도를 달성한다. 실험 결과는 단일 은닉층 32뉴런 PINN이 RMSE 27.7 mV, R² 98.5 %를 기록하며, 4층 128뉴런 FNN보다 오류가 절반 수준으로 감소함을 보여준다.

상세 분석

이 연구는 eVTOL이라는 특수한 항공 응용 분야에서 배터리 관리 시스템(BMS)의 실시간 전압 예측 요구를 충족시키기 위해 물리‑정보 기반 머신러닝(PIML) 접근법을 체계적으로 검증한다. 먼저, 기존의 등가회로 모델(ECM)인 2RC를 사용해 물리적 전압 추정값(V_phy)을 계산하고, 이 값을 신경망이 학습해야 할 잔차(ΔV_θ)로 전환한다. 이렇게 하면 신경망이 탐색해야 할 함수 공간이 크게 축소되어, 모델 복잡도와 학습 데이터 요구량이 감소한다는 가설을 검증한다.

데이터는 공개된 eVTOL 배터리 사이클 데이터셋을 활용했으며, 4개의 셀을 훈련, 1개의 셀을 테스트에 사용하였다. 훈련 데이터는 사이클 1, 50, 1000을 골고루 추출해 배터리 수명 전반에 걸친 동적 특성을 포괄하도록 설계되었다. 입력 변수는 Δt, 전류 I, SOC, 온도 T, 사이클 번호 N 외에 OCV와 RC1, RC2 상태를 포함한 물리‑파생 피처를 추가함으로써, 잔차 학습에 충분한 정보를 제공한다.

실험에서는 은닉층 수(1,2,4)와 뉴런 수(32,64,128)를 조합한 다양한 FNN과 PINN 구조를 비교하였다. 결과는 두드러졌다. 가장 간단한 1층 32뉴런 PINN(L1‑N32)은 RMSE 27.7 mV, R² 98.5 %를 달성했으며, 동일 구조의 FNN은 RMSE 61.0 mV, 최대 오차 300 mV로 성능 차이가 크게 나타났다. 복잡도를 높인 4층 128뉴런 FNN(L4‑N128)조차 최적 PINN(L2‑N64)보다 RMSE가 20.1 mV 대비 20.3 mV 정도 높았다. 특히, PINN은 파라미터 수가 75 %까지 감소하면서도 오류는 약 50 % 감소하는 효율성을 보였다.

이러한 성능 향상의 근본 원인은 물리적 사전예측이 신경망의 학습 목표를 제한함으로써 과적합 위험을 감소시키고, 학습 과정에서 필요한 비선형 보정만을 집중적으로 학습하게 만든 점에 있다. 또한, 물리‑파생 피처가 입력에 포함됨으로써 네트워크가 전압 변동의 근본 원인을 직접적으로 파악할 수 있게 된다. 결과적으로, 경량화된 PINN은 온보드 BMS와 같은 제한된 연산 자원을 가진 시스템에 적합한 후보가 된다.

본 논문의 한계는 2RC 모델 자체가 고전류 구간에서 비선형성을 완전히 포착하지 못한다는 점이며, 이는 잔차 학습 부담을 증가시킬 수 있다. 향후 연구에서는 보다 정교한 P2D 기반 물리 모델을 사전예측에 활용하거나, 멀티태스크 학습을 통해 SOC·SOH(상태‑건강) 추정까지 확장하는 방안을 모색할 필요가 있다.