리튬이온 배터리는 높은 에너지 밀도, 긴 사이클 수명, 효율성으로 인해 현대의 다양한 응용 분야에서 널리 사용되고 있다. 지속 가능한 에너지 저장 솔루션에 대한 수요가 증가함에 따라, 배터리 열화 및 이차 수명 관리와 관련된 문제를 해결하기 위해 상태건전도(State of Health, SOH)를 정확히 추정하는 것이 필수적이다. 전기화학 임피던스 분광법(Electrochemical Impedance Spectroscopy, EIS)은 단순성과 비용 효율성으로 인해 배터리 성능을 평가하는 데 널리 사용되는 진단 도구이다. 그러나 EIS는 종종 중첩된 전기화학적 과정들을 분리(디커플링)하는 데 어려움을 겪는다. 분산 이완 시간(Distribution of Relaxation Times, DRT) 방법은 무기성 저항(옴 저항), SEI 저항, 전하 전달 저항, 확산과 같은 핵심 과정들을 분리할 수 있게 하여, 배터리 노화 메커니즘에 대한 더 깊은 통찰을 제공하는 강력한 대안으로 부상하고 있다. 본 논문은 여러 상태충전량(State of Charge, SOC) 수준에 걸친 DRT 파라미터를 활용하여 배터리의 상태건전도(State of Health, SOH)를 추정하기 위한 새로운 접근법을 제시한다. 본 연구는 초기 용량이 서로 다른 리튬이온 배터리 3종의 데이터를 통합하여, 실제 배터리 성능에서 관찰되는 자연스러운 차이를 반영하는 변동성을 도입한다. 장단기 메모리(Long Short-Term Memory, LSTM) 기반 기계학습 모델을 적용함으로써, 제안된 프레임워크는 기존의 EIS 기반 방법에 비해 SOH 예측에서 더 우수한 정확도를 보인다. 결과는 DRT 파라미터가 SOH 열화에 대해 민감함을 보여주며, 배터리 건전도의 신뢰할 수 있는 지표로서의 유효성을 검증한다. 본 연구는 DRT 분석과 AI 기반 모델의 결합을 통해 확장 가능하고 정밀하며 해석 가능한 배터리 진단을 발전시킬 잠재력을 강조한다.

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