리튬이온 배터리는 높은 에너지 밀도, 긴 사이클 수명, 효율성으로 인해 현대의 다양한 응용 분야에서 널리 사용된다. 이러한 배터리에 대한 수요가 증가함에 따라, 이차 수명과 관련된 과제를 해결하고 정확한 상태 추정을 보장하는 일은 지속 가능한 사용을 위해 매우 중요해졌다. 전기화학적 임피던스 분광법(Electrochemical Impedance Spectroscopy, EIS)은 단순성과 비용 효율성으로 인해 배터리 수명 범위를 평가하는 데 흔히 사용되는 진단 기법으로 남아 있다. 그러나 EIS는 종종 중첩된 과정들을 분리(디코플링)하는 데 어려움을 겪는다. 분포 완화시간(Distribution of Relaxation Times, DRT)은 옴 저항, SEI 저항, 전하 전달, 확산과 같은 핵심 과정을 분리하기 위한 견고한 대안으로 부상하였으며, 이를 통해 EIS 데이터 분석을 향상시킨다. 본 논문은 여러 충전상태(State of Charge, SOC) 수준에 걸쳐 DRT 파라미터를 활용함으로써 배터리의 상태(Sate of Health, SOH)를 추정하기 위한 새로운 접근법을 제시한다. 본 연구는 초기 용량이 서로 다른 3개의 리튬이온 배터리 데이터를 포함하며, 이는 실제 환경에서 관찰되는 배터리 성능의 자연스러운 차이를 반영하는 변동성을 도입한다. 그 결과, 제안한 장단기메모리(Long Short-Term Memory, LSTM) 기반 모델은 기존의 EIS 기반 방법에 비해 더 높은 정확도를 달성함을 보여준다. 이는 DRT 기반 AI 모델이 확장 가능하고 신뢰할 수 있는 배터리 진단을 발전시킬 잠재력을 지닌다는 점을 시사한다.

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