리튬이온 배터리의 채택이 증가함에 따라 안전사고와 교체비용에 대한 우려가 점점 더 시급한 문제로 대두되고 있다. 이에 따라 비용을 절감하고 안전을 보장하기 위해 정확한 배터리 상태 예측이 필수적이다. 본 논문은 배터리 용량 예측을 향상시키기 위해 Multi-Head Self-Attention(MHSA) 계층을 활용하는 트랜스포머 인코더 아키텍처 기반의 새로운 시스템을 제안한다. 배터리 데이터 수집의 변동성을 다루기 위해 견고한 전처리 기법과 슬라이딩 윈도우 방법을 구현하여 데이터 입력을 표준화한다. 입력 단계에서 위치 인코딩(positional encoding)을 적용하여 서열 순서 정보를 임베딩하며, MHSA 계층 간의 잔차 연결(residual connections)과 층 정규화(layer normalization)를 통해 학습 과정을 최적화한다. 최종 예측은 완전연결 신경망(FNN)을 통해 생성된다. 반복적인 충·방전 사이클로부터 얻은 NASA 데이터셋에 대한 실험 결과, 제안된 모델은 MAPE와 RMSE로 측정한 바와 같이 다수의 셀 데이터셋 전반에서 대부분의 경우 우수한 예측 정확도를 달성함을 보여준다. 특히 특정 셀에 대한 실험에서 MAPE 0.9918%와 RMSE 0.02542를 달성하여 성능이 향상되었다. 또한 대부분의 실험에서 다른 모델에 비해 MAPE는 최소 41%, RMSE는 29% 향상된 성능을 보였다. 주목할 점은 모델이 복잡성을 줄이면서도 우수한 성능을 유지한다는 것이다. 더불어 초기 단계에서의 높은 정확도에 따른 전체 성능의 과대평가를 방지하기 위해 구간 기반 성능 평가를 수행하였으며, 그 결과 제안된 모델은 다른 모델에 비해 서로 다른 단계에서 변동성이 최소화된 상태로 지속적으로 정확한 예측을 제공함이 확인되었다.

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