리튬이온 배터리(LIB)의 정확한 잔여유효수명(Remaining Useful Life, RUL) 예측은 배터리 관리 시스템(Battery Management System, BMS)의 신뢰성과 안전성을 확보하는 데 필수적이다. 다양한 운용 조건과 복잡한 내부 화학 반응으로 인해 발생하는 비선형 열화 패턴은 정확한 예측을 어렵게 만드는 핵심 요인이다. 본 연구에서는 이러한 배터리의 비선형적이고 복잡한 열화 특성을 효과적으로 학습하기 위해 순환 신경망(Recurrent Neural Network, RNN) 기반 예측 모델을 제안한다. 제안하는 모델은 상태건전도(State of Health, SOH) 시퀀스 데이터로부터 시간적 패턴과 통계적 특징을 동시에 활용하는 듀얼 브랜치(dual-branch) 구조를 특징으로 한다. 이 구조는 장기 열화 경향과 국소적 변동을 동시에 포착하도록 설계되었다. 한 브랜치는 SOH 시퀀스를 입력으로 하여 장단기기억(Long Short-Term Memory, LSTM) 또는 양방향 장단기기억(Bidirectional Long Short-Term Memory, Bi-LSTM) 네트워크를 통해 시간 의존성을 직접 학습하고, 다른 브랜치는 그 시퀀스에서 추출한 평균(mean)과 표준편차(standard deviation) 등의 통계적 특징을 입력으로 받는다. 두 브랜치에서 추출된 특징 벡터를 결합하여 최종 RUL 예측에 사용한다. 모델의 성능과 구조적 유효성을 검증하기 위해, 동일한 데이터셋과 듀얼 브랜치 아키텍처 하에서 LSTM 및 Bi-LSTM 모델의 예측 성능을 비교하고 분석하였다. 실험 결과, Bi-LSTM 모델은 LSTM 모델에 비해 더 낮은 평균절대오차(Mean Absolute Error, MAE)와 제곱근평균제곱오차(Root Mean Square Error, RMSE)를 달성하며 더 우수한 예측 정확도를 보였다. 이는 SOH 시계열 데이터의 과거와 미래 맥락을 모두 활용하는 양방향 아키텍처가 더 높은 정밀도로 배터리 열화 패턴을 학습하는 데 더 효과적임을 시사한다. 본 연구의 결과는 보다 신뢰할 수 있는 배터리 관리 전략 개발에 기여할 것으로 기대된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.