제조 및 사용 변동성을 고려한 전이학습 기반 리튬이온 배터리 건강상태 예측 프레임워크

본 논문은 리튬이온 배터리의 상태‑건강(State‑of‑Health, SOH) 예측에서 제조 공정에 따른 셀 간 변이와 사용 조건의 다양성으로 인한 도메인 이동을 동시에 해결하고자 한다. 이를 위해 저자들은 세 가지 핵심 구성 요소를 설계하였다. 첫 번째 단계는 가상 배터리 데이터베이스 구축이다. PyBaMM 기반의 Single Particle Model with electrolyte(SPMe)를 사용하고, LAM(활성 물질 손실)과 LLI(리튬 손실) 메커니즘을 포함한 열화 서브모델을 추가하였다. 제조 변이는 양극·음극 활성 물질 부피 비율(ε_s,n, ε_s,p)을 정규분포로 샘플링해 ±5 % 범위 내에서 변동시키며, 네 개의 배치(B1~B4) 각각에 서로 다른 C‑rate 프로파일을 할당하였다. B1, B3, B4를 소스 도메인으로, B2를 타깃 도메인으로 설정하고, 타깃 도메인에서는 20 kAh 이하의 제한된 라벨 데이터와 다량의 비라벨 데이터를 사용한다. 두 번째 단계는 LSTM 기반 인코더‑디코더 모델에 도메인 정합을 도입하는 것이다. 입력 시퀀스는 과거 w=10개의 SOH와 해당 시점의 C‑rate(방전·충전 전류) 정보로 구성된다. 인코더는 이를 잠재 벡터 z_k로 변환하고, 디코더는 z_k를 이용해 다음 시점의 SOH를 예측한다. MMD 손실을 추가해 소스와 타깃의 잠재 분포를 RKHS에서 정렬한다. MMD는 가우시안 커널(k(z_i,z_j)=exp(-||z_i-z_j||^2/2σ^2))을 사용하며, λ라는 가중치를 통해 예측 손실과 정합 손실을 균형 잡는다. λ는 소스 도메인 내에서 Leave‑One‑Batch‑Out(LOBO) 교차 검증을 수행해 최적값을 선택한다. 이렇게 하면 타깃 라벨이 없어도 정합 성능을 사전 평가할 수 있다. 세 번째 단계는 불확실성 정량화이다. Conformal Prediction(CP)을 적용해 모델의 잔차 |ŷ_i−y_i|를 비순응 점수로 정의하고, 캘리브레이션 셋에서 경험적 분위수(1−α)번째 점수를 ε̂으로 구한다. 새로운 입력에 대해 예측 구간