리튬이온 배터리 상태와 수명 예측을 위한 다중과제 학습 프레임워크

초록

본 논문은 리튬이온 배터리의 상태‑건강(SOH)과 남은 사용가능시간(RUL)을 동시에 예측하기 위해, 다중 스케일 CNN 기반 특징 추출, 개선된 확장 LSTM, 그리고 SOH와 RUL 각각에 특화된 두 종류의 어텐션(편극 어텐션·희소 어텐션)을 결합한 다중과제 학습 구조를 제안한다. 하이퍼옵트(Hyperopt)로 자동 하이퍼파라미터 탐색을 수행하고, 공개 데이터셋 실험을 통해 기존 방법 대비 RMSE를 크게 감소시켰다.

상세 분석

이 연구는 배터리 관리 시스템(BMS)에서 가장 핵심적인 두 지표인 SOH와 RUL을 단일 네트워크에서 동시에 추정한다는 점에서 의미가 크다. 기존 대부분의 연구가 SOH와 RUL을 순차적으로 예측하거나, 각각을 별도 모델에 맡겨 오류 전파와 연산 복잡도를 증가시켰던 반면, 본 논문은 ‘many‑to‑two’ 매핑을 구현함으로써 두 지표 간의 상관관계를 직접 학습한다.

첫 번째 모듈인 다중 스케일 특징 추출(Multi‑scale FEM)은 1‑D CNN을 네 개의 브랜치로 구성하고, 서로 다른 커널 사이즈(1, 3, 5 등)를 활용해 전압 시퀀스의 국부적 변화를 다층적으로 포착한다. 특히 1×1 컨볼루션을 이용한 차원 축소와 sparse matrix decomposition을 도입해 연산 효율성을 높였다.

두 번째 핵심은 개선된 확장 LSTM(IE‑LSTM)이다. 기존 LSTM의 고정된 sigmoid 게이트 대신 지수 활성화 함수를 적용해 입력·포겟 게이트의 반응성을 강화했으며, ‘하이브리드 데이터 저장’ 메커니즘을 통해 중요한 시점의 정보를 선택적으로 보존한다. 이는 배터리 전압 데이터가 장기간에 걸쳐 비선형적으로 변하고, 노이즈가 섞여 있는 상황에서 장기 의존성을 보다 안정적으로 학습하도록 돕는다. 수식(10)에서 도입된 새로운 상태 변수 m_t와 n_t는 정규화와 안정화를 동시에 수행한다.

세 번째 모듈인 이중 스트림 어텐션(DSAM)은 Transformer encoder 기반으로 설계되었으며, SOH 전용 ‘편극 어텐션(polarized attention)’과 RUL 전용 ‘희소 어텐션(sparse attention)’을 별도로 적용한다. 편극 어텐션은 채널‑극화와 공간‑극화 두 축을 결합해 전압 곡선의 미세한 차이를 강조하고, 희소 어텐션은 중요한 시점만을 선택적으로 강조해 RUL 예측에 필요한 장기 트렌드 정보를 강조한다.

마지막으로, 하이퍼파라미터 최적화에 Hyperopt를 활용함으로써 수동 튜닝 비용을 크게 절감하고, 최적의 네트워크 구성을 자동으로 탐색한다. 실험에서는 공개된 배터리 노화 데이터셋을 사용해 기존 CNN‑LSTM, GRU‑based 모델, 그리고 전통적인 물리‑기반 모델과 비교했으며, SOH RMSE를 111.3 % 감소(실제로는 약 11 % 수준)하고 RUL RMSE를 33 % 감소시켰다.

이러한 설계는 (1) 다중 스케일 특징 추출을 통한 세밀한 패턴 포착, (2) 확장 LSTM을 통한 장기 의존성 강화, (3) 작업별 맞춤형 어텐션을 통한 정보 선택적 강조라는 세 축을 결합함으로써 배터리 상태 예측 정확도를 크게 향상시킨다. 다만, 모델 복잡도가 높아 실시간 임베디드 적용 시 연산량과 메모리 요구사항을 추가로 검증할 필요가 있다. 또한, 제시된 성능 향상이 특정 데이터셋에 국한될 가능성이 있으므로, 다양한 배터리 종류·사용 시나리오에 대한 일반화 검증이 향후 과제로 남는다.