[붙임] 연구결과 개요

1.연구배경

전기차와 에너지저장장치 보급이 확대되면서 배터리의 안전성과 수명을 정확히 진단하는 기술의 중요성이 커지고 있다. 그러나 배터리는 셀, 모듈, 팩 다양한 구성으로 사용되며, 이러한 구조적 차이로 인해 기존 AI 기반 상태진단 기술은 구성별 재학습이 필요하다는 한계를 지녀 왔다. 이는 현장 적용성과 확장성을 저해하는 주요 요인으로 작용했다.

2.연구내용

연구팀은 트랜스포머 모델의 어텐션 메커니즘을 활용해 배터리 충·방전 데이터에서 수명 열화를 가장 잘 반영하는 핵심 지표를 자동으로 선별하는 방법을 제시했다. 이를 위해 배터리 건강 상태(State of Health, SoH)를 예측하는 트랜스포머 모델과 배터리 구성 단위(셀·모듈)를 구분하는 트랜스포머 모델을 각각 학습시키고, 두 모델에서 도출된 어텐션 가중치를 비교·분석했다. 이 과정에서 SoH 예측에는 높은 중요도를 가지지만, 배터리 구성 구분에는 거의 기여하지 않는 지표만을 추려 구성 의존성을 최소화한 입력 특성 집합을 구성했다.

연구팀은 이렇게 선별된 5개의 핵심 열화 지표를 입력으로 하는 다중 목적 트랜스포머 기반 진단 모델을 설계하고, 단일 셀 데이터만으로 AI를 학습시킨 뒤 이를 7개의 셀이 병렬로 연결된 7P 모듈에 적용하는 실험을 수행했다. 기존 AI 모델이 배터리 구성 변화로 인해 예측 오차가 크게 증가한 것과 달리, BADA 모델은 모듈 환경에서도 안정적인 성능을 유지하며 예측 오차(RMSE)를 기존 6.31×10⁻²에서 1.90×10⁻²로 크게 낮췄다. 이는 단일 셀 데이터만으로 학습한 AI 모델이 별도의 추가 재학습 없이도 모듈 수준의 배터리 건강 상태를 정확히 진단할 수 있음을 실험적으로 입증한 결과다.

3.기대효과

본 연구는 배터리 구성 변화에 관계없이 적용 가능한 AI 진단 기술을 제시함으로써, 배터리 관리 시스템의 효율성을 크게 향상시킬 수 있을 것으로 기대된다. 또한 다양한 배터리 시스템 간 전이 학습(transfer learning) 가능성을 제시해, 향후 전기차, 에너지저장장치, 사용 후 배터리 평가 등 폭넓은 산업 분야에서 활용될 수 있는 기반 기술로 평가된다

[붙임] 연구결과 개요

1.구성(Configuration)

리튬이온배터리의 연결 구조를 의미한다. 하나의 배터리를 단독으로 사용하는 셀(cell)부터, 여러 개의 셀을 병렬 또는 직렬로 연결한 모듈(module), 여러 모듈을 결합한 팩(pack) 형태로 구성된다. 구성 방식에 따라 내부 저항, 전압 분포, 열 발생 특성이 달라지며, 이로 인해 충·방전 데이터와 열화 거동에도 차이가 나타난다.

2. 건강 상태(SoH, State of Health)

배터리를 처음 사용했을 때와 비교해 현재 어느 정도의 성능을 유지하고 있는지를 나타내는 지표다. 일반적으로 초기 용량 대비 현재 사용 가능한 용량의 비율로 정의되며, 배터리의 잔존 수명과 안전성을 판단하는 핵심 기준으로 활용된다.

3.건강 지표(Health Indicator, HI)

배터리의 열화 상태를 반영하는 지표로, 충·방전 과정에서 측정되는 전압, 전류, 용량 등의 데이터에서 특정 특성을 추출해 정의된다. 배터리 열화가 진행되면 이 지표들의 형태와 값이 함께 변한다. 본 연구에서는 다수의 지표 가운데 건강 상태와의 관련성이 높고, 구성 변화에는 덜 민감한 핵심 지표만을 선별해 진단에 활용했다.

4.트랜스포머(Transformer)

입력 데이터 간의 관계를 어텐션(attention) 메커니즘을 통해 학습하는 인공지능 모델 구조다. 자연어 처리와 영상 분석 분야에서 뛰어난 성능을 입증했으며, 최근에는 복잡한 상관관계를 갖는 공학 데이터 분석에도 활용되고 있다. 본 연구에서는 배터리 충·방전 데이터의 다양한 특성 간 관계를 학습하는 데 활용됐다.

5.어텐션(attention) 알고리즘

입력 데이터 중 어떤 정보가 결과 예측에 더 중요한지를 가중치 형태로 학습하는 기술이다. 각 데이터가 결과에 기여하는 정도를 수치로 계산할 수 있어, 모델의 판단 근거를 해석하는 데에도 활용된다. 본 연구에서는 어텐션 가중치 분석을 통해 배터리 건강 상태를 잘 반영하면서도 구성 변화에는 크게 영향을 받지 않는 지표를 선별했다.

6.전이 학습(Transfer learning)

하나의 조건에서 학습한 인공지능 모델을 다른 조건에 적용하는 기술이다.

[붙임] 그림설명

그림설명. 배터리 구성에 영향을 받지 않아 재학습이 필요 없는 배터리 건강 상태 진단 모델

개발된 모델은 특징 추출, 어텐션 가중치 분석, 핵심 지표 선별의 세 단계로 구성된다. 먼저 단일 셀과 7P 모듈의 충·방전 데이터에서 전압, 전류, 용량 변화 등을 바탕으로 다수의 특징을 추출한 후 이 특징들을 배터리 건강 상태(SoH)를 예측하는 트랜스포머와 배터리 구성 단위(셀·모듈)를 구분하는 트랜스포머에 각각 입력해, 어텐션 메커니즘을 통해 각 특징이 결과에 미치는 중요도를 계산했다. 두 모델의 어텐션 가중치를 비교·분석해 수명 예측에는 중요하지만 구성 구분에는 거의 영향을 미치지 않는 특징만을 선별했고, 이를 통해 배터리 연결 방식에 관계없이 적용 가능한 범용적인 상태 진단 모델을 만들었다.