보도자료

2023. 4. 6 (목) 부터 보도해 주시기 바랍니다.

UNIST 연구팀, 리튬이온배터리 건강상태 진단 모델 개발!

김동혁·최윤석·임한권 교수팀, 부분 데이터 활용한 진단 모델 개발
다양한 양극재에 적용 가능해… Materials Horizons 게재

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.

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.

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.

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.

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.

(논문명: Deep-learning based spatio temporal generative model on assessing state-of-health for Li-ion batteries with partially-cycled profiles)

자료문의

대외협력팀: 서진혁 팀장, 우종민 담당 (052)217-1232

에너지화학공학과: 김동혁 교수 (052)217-2945

[붙임] 연구결과 개요

1. 연구배경

최근 들어 전기차, 스마트폰, 노트북, 드론 등 리튬이온배터리를 사용한 제품들이 늘어남에 따라, 리튬이온배터리의 건강 상태(State-of-health, SOH)를 진단하는 모델에 관한 연구가 활발히 진행되고 있다. 하지만 기존의 연구에서는 한 가지 종류의 양극재에만 적용되는 모델이 개발됨과 0%부터 100%까지 충·방전된 데이터가 필요하다는 기술적 한계가 있다.

본 연구에서는 이러한 기술적 한계를 극복하기 위해 딥러닝 모델을 이용한 ‘Deep-learning-based Graphical approach to Estimation of Lithium-ion batteries SOH (D-GELS)’ 모델을 제안하였다. D-GELS 모델은 Convolutional neural network (CNN) 모델과 Context encoder 모델을 결합하여 제시한 모델로서 LiFePO4(LFP), LiNiCoAlO2(NCA), LiNiCoMnO2(NMC), 3가지 양극재의 리튬이온배터리에 적용 가능하다는 점과 부분 충·방전된 데이터를 바탕으로 건강 상태를 진단할 수 있다.

2. 연구내용

이번 연구에서는 Sandia National Laboratories에서 측정한 LFP, NCA, NMC 3가지 종류의 리튬이온배터리의 충·방전된 데이터 중 전압, 전류, 온도 데이터를 사용하였다. 전압, 전류, 온도 데이터를 RGB 값으로 치환하여 이미지로 변환하여 D-GELS의 학습 데이터로 사용하였다. D-GELS의 성능을 평가하기 위해 기존의 건강 상태를 진단하기 위해 사용된 모델인 Gaussian process regression (GPR), Support vector regression (SVR), Random forest (RF), Stochastic gradient descent (SGD)를 이용하였을 때의 평균 제곱근 오차(Root mean squar error, RMSE)값을 비교하였다. D-GELS를 사용하여 3가지 양극재의 리튬이온배터리의 건강 상태를 진단하였을 때 0.0015 이하의 평균 제곱근 오차 값을 확인할 수 있었고, 기존의 GPR, SVR, RF, SGD 모델들과 비교하였을 때 D-GELS를 이용하였을 때 다른 온도 조건(15℃와 35℃)에서 더 낮은 평균 제곱근 오차 값을 보였다.

부분 데이터를 이용한 리튬이온배터리의 건강 상태 진단은 변환된 이미지에서 이미지의 12.5%, 25%, 50%, 75%에 해당하는 회색 구역을 설정한 후, D-GELS를 이용하여 정보가 손실된 이미지를 기존의 이미지로 복원하여 건강 상태를 진단하도록 하였다. 이렇게 부분 데이터를 이용하여 건강 상태를 진단하였을 때 회색 부분의 크기가 12.5%, 25%, 50%, 75%일 때의 평균 제곱근 오차 값을 확인하였을 때 각각 0.030, 0.044, 0.046, 0.18으로 나타났다. 또한, 회색 구역을 이미지의 시작 부분부터 끝부분으로 움직이면서 평균 제곱근 오차 값을 확인하였을 때, 초기 방전 데이터 부분이 소실되었을 때, 더 높은 평균 제곱근 오차 값을 확인할 수 있었는데 이는 리튬이온배터리의 건강 상태를 진단할 때 초기 방전 데이터가 건강 상태와 더 밀접한 상관관계가 있다는 것을 보였다.

3. 기대효과

전 세계적으로 기후 위기를 극복하기 위해 이산화탄소를 배출하는 화석 연료에서 탈피하여 지속 가능한 재생에너지 보급에 힘쓰고 있으며, 이에 따라 전력 저장장치인 에너지저장시스템(Energy storage system) 보급 또한 늘어가고 있다. 그리고 여러 국가가 내연기관차에 대한 규제를 발표함에 따라 전기차의 보급이 늘어가고 다양한 종류의 리튬이온배터리를 이용한 전자기기가 등장하고 있다. 이러한 전자 장비에 사용된 배터리를 관리하기 위해서는 건강 상태 진단이 필수적이며 현재 보고된 문헌에 따르면 각 리튬이온배터리의 양극재에 해당하는 건강 상태 진단 모델을 개별적으로 개발해야 하는 문제점이 있다. 본 연구에서 개발된 D-GEL을 통해 개별적인 모델을 개발해야 하는 문제에서 벗어나 범용적으로 사용할 수 있는 건강 상태 진단 모델을 개발했다는 의의가 있다.

게다가 리튬이온배터리를 포함한 전자 장비의 보급이 활성화됨에 따라, 폐배터리 또한 증가할 것이며, 폐배터리 재사용은 환경적인 측면에서 필수적이다. 폐배터리를 재사용하기 위해서는 건강 상태 진단이 요구되는데, 기존의 0%부터 100%까지 충·방전한 데이터를 이용한 진단에는 많은 시간과 전기 에너지가 사용되는데, 본 연구에서 개발된 D-GELS를 활용하였을 때는 1년 동안 약 기존보다 약 1.3배에 해당하는 폐배터리를 진단할 수 있다고 전망하고 있다.

[붙임] 용어설명