배터리를 사용하는 전자 장비들이 많아지면서 배터리의 건강 상태를 진단하는 모델에 관한 연구가 활발히 진행되고 있다. 최근 리튬이온배터리의 세 가지 양극재에 적용 가능한 배터리의 건강 상태 진단 모델이 나와 주목받고 있다.
UNIST(총장 이용훈) 에너지화학공학과 김동혁, 최윤석 교수 및 탄소중립대학원 임한권 교수팀은 ‘리튬이온배터리 건강상태 진단 모델’에 관한 연구를 진행했다.
연구진은 현재 활발히 연구되고 있는 인공지능 분야의 딥러닝 모델을 기반으로 ‘리튬이온 배터리 평가를 위한 딥러닝 기반 그래픽 접근법(Deep-learning-based Graphical approach to Estimation of Lithium-ion batteries SOH, D-GELS) 모델을 개발했다.
그림1. D-GELS를 이용한 리튬이온배터리 건강 상태를 진단하는 구조
D-GELS 모델은 전압, 전류, 온도 데이터를 RGB 값으로 변환해 이미지를 생성한다. 이번 모델은 LFP(리튬·인산·철) 배터리, NCA(니켈·코발트·알루미늄) 배터리, NMC(니켈·코발트) 배터리 등에 적용 가능하다는 특징을 보인다.
그림2. 전압, 전류, 온도 데이터를 이미지로 변환한 예시
D-GELS에서 예측한 배터리 건강 상태 값의 정확도를 보여주는 지표로써 평균 제곱근 오차(Root mean square error, RMSE)값을 활용했다. 그 값은 0.0088으로 확인됐다. 또한, 세 가지 양극재를 사용했을 때 평균 제곱근 오차 값은 0.0081(LFP), 0.012(NCA), 0.0097(NMC)을 보여줬다. 이는 기존 연구에서 사용된 모델을 활용하여 얻은 값인 0.014와 0.022와 비교해도 높은 정확도를 보였다.
또한 부분 충·방전으로 손실된 데이터를 D-GELS 모델을 활용하면 완전히 충·방전된 데이터로 복원해 배터리의 건강 상태를 진단할 수 있다. 연구팀은 각각 12.5%, 25%, 50%, 75% 손실된 충·방전 데이터를 기존 충·방전 데이터로 복원해 건강 상태를 진단했다. 실험을 통한 평균 제곱급 오차 값은 각각 0.030, 0.044, 0.046, 0.18로 나타났다. 부분 충·방전 데이터를 이용해 배터리 건강 상태를 진단한 최초의 연구 결과임에도 불구하고 높은 정확도를 확인했다.
그림3. 부분 데이터에 해당하는 이미지를 D-GELS를 이용하여 기존 이미지로 복원한 예시
이번 연구에서는 손실된 충·방전 데이터의 크기가 커질수록 진단 정확도는 낮아지는 것을 확인했다. 또한 초기 방전 데이터가 손실됐을 경우 평균 제곱근 오차 값이 증가하는 경향을 확인했다. 이를 통해 리튬이온배터리의 건강 상태를 진단하기 위해선 초기 방전 데이터의 영향이 크다는 것을 확인할 수 있었다.
제1저자인 박서정 UNIST 에너지화학공학과 석‧박사통합과정연구원은 “시계열적 특성을 띄는 리튬이온배터리 충·방전 데이터를 이미지와 같이 공간화해 딥러닝 모델을 학습했다”며 “이번 연구는 배터리 진단에 새로운 접근법을 제시했고 충·방전 조건에 제한 없이 적용 가능한 범용적인 모델이다”고 설명했다.
그림4. D-GELS를 이용해 이미지를 복원하여 건강 상태를 진단한 결과
공동 제1저자인 이현준 UNIST 에너지화학공학과 박사는 “부분 충·방전 데이터를 사용해 배터리를 진단할 수 있다면 추후 폐배터리를 재활용하기 전 진단할 때 많은 시간과 비용을 절감할 수 있을 것이다”며 “향후 다양한 분야에 확대 적용할 수 있는 기반을 제공했다”고 전했다.
이번 연구는 산업통상자원부의 재원으로 한국산업기술평가관리원, 기술혁신사업과 수요기업 맞춤형 고출력축전기(슈퍼커패시터) 성능고도화기술개발 사업, 정부(방위사업청)의 재원으로 국방과학연구소의 지원을 받아 수행됐다. 이번 연구는 국제학술지 ‘머티리얼스 호라이즌스(Materials Horizons)’ 2월호에 출판됐다.
