머신러닝·딥러닝 기반 배터리 용량 및 SOH 예측 연구

Machine Learning-Based Battery Capacity and SOH Prognostics Research

연구 내용

전압·전류·열화 관련 데이터를 기반으로 배터리 용량과 State of Health를 예측하는 데이터 구동형 진단 모델을 개발하고, 데이터 규모·다양성 및 모델 설계가 예측 성능에 미치는 영향을 규명하는 연구

배터리 열화는 복수 전극 및 계면 반응과 운전 조건에 의해 비선형적으로 누적되는 특성을 가지므로, 관측 데이터만으로 용량과 SOH의 추정 정확도를 높이는 데이터 구동형 접근이 요구됩니다. 연구에서는 Gaussian process regression, support vector machine, 딥러닝 기반 생성·시공간 모델을 적용하여 배터리별 특성 차이를 학습에 반영하고, 부분 사이클 데이터에서도 상태 추정이 가능하도록 모델 입력 구성을 설계합니다. 또한 equivalent circuit model의 파라미터를 overpotential 추정 기반으로 빠르게 추출하여 예측 모델의 물리적 일관성을 확보하는 방향을 함께 수행합니다.

관련 프로젝트

0건

연구 흐름

초기에는 데이터 구동형 prognostic 모델에서 학습 데이터의 크기와 다양성이 배터리 용량 예측에 미치는 영향을 정량적으로 분석하고, GPR 기반 접근과 비교 가능한 SVM 기반 예측 프레임을 정립했습니다. 이후 multi-battery 데이터 셋 결합을 통해 유사 운전 조건 배터리 간 정보를 공유하는 학습 전략으로 성능을 개선했습니다. 최근에는 딥러닝 시공간 생성 모델을 적용해 부분 사이클 프로파일에서도 SOH를 추정하고, 이어서 등가회로 모델 파라미터를 overpotential 추정에 기반해 빠르게 획득하는 연구로 확장했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

다중 센서 기반 SOH 추정
배터리 용량 예측 모델 고도화
부분 사이클 데이터 활용 진단
온보드 배터리 관리 고도화
데이터셋 설계 가이드라인 구축
예측 기반 유지보수 일정 수립
등가회로 기반 파라미터 자동화
열화 원인 추정 데이터 전처리
예측 신뢰도 향상 학습 전략
배터리 열화 조기경보 로직
확장형 배터리 데이터 아키텍처