전기화학적 역학과 데이터 마이닝 기법들에 기반한 리튬 이온 배터리의 건강 진단

Abstract

리튬 이온 배터리는 각종 눈에 띄는 이점으로 인해 산업의 다양한 분야에서 점점 더 많이 사용되고 있다. 그러한 예로, 리튬 이온 배터리는 극심한 기후 변화에 대처할 수 있는 친환경적 특성을 제공하며, 또한 다른 유형의 이전 세대 배터리보다 높은 에너지 및 전력 밀도를 가지며 자체 방전률이 낮고 메모리 효과가 적다. 그러나 이러한 장점에도 불구하고 작동 및 환경 조건에 따라 리튬 이온 배터리 내부에서 많은 노화 현상이 발생할 수 있고, 이로 인해 배터리의 성능이나 열 안정성이 저하될 수 있다. 따라서 리튬 이온 배터리를 보다 효율적이고 안전하게 사용하기 위해서는 사용 배터리의 노후화 상태를 정확하게 진단하는 것이 무척 중요하다.

본 논문에서는 리튬 이온 배터리의 전기화학적 역학 및 여러 데이터 마이닝 접근 방식을 기반으로 리튬 이온 배터리의 상태를 진단한다. 상기 논문의 2장부터 4장까지는 제안하는 각각의 연구 방법과 그에 따른 결과를 순서대로 제시한다. 2장에서는 배터리의 전기화학적 매개변수를 효과적으로 추정하기 위해 적응 탐색 하모니 서치 (adaptive exploration harmony search: AEHS)라는 메타 휴리스틱 (meta-heuristic) 최적화 알고리즘을 제안한다. 해당 알고리즘은 최적화 과정 중에 매개변수의 민감도를 고려함으로써 매 순간 각 대상 매개변수에 대해 보다 효율적인 검색 공간을 탐색한다. 3장에서는 기존의 메타 휴리스틱 알고리즘보다 빠른 파라미터 추정을 위한 신경망 기반 추정기를 소개한다. 추정기의 구조는 장단기 메모리 (long short-term memory: LSTM) 네트워크를 채택하여 시계열 형태의 배터리 측정 데이터를 충분히 활용할 수 있도록 한다. 장단기 메모리 네트워크의 학습을 위해 많은 양의 합성 데이터 세트 (synthetic dataset)를 사용하고, 해당 데이터 세트는 다양한 노화 상태를 다루는 정교한 전기화학 배터리 모델을 통해 생성한다. 4장에서는 합성곱 신경망 (convolutional neural network: CNN) 기반 추정기로 리튬 이온 배터리의 용량을 식별한다. 추정기를 구축할 때 상대적으로 불충분한 실제 측정 데이터 세트 외에 잘 정립된 합성 데이터 세트를 활용한다. 이러한 합성 데이터 세트를 통한 추가적인 훈련은 배터리의 전기화학적 지식을 신경망에 전달함으로써 추정기의 성능을 향상시킨다. 또한 추정기의 출력을 해석하기 위해 관심 지도 (attention map) 방법을 제안하고, 이로부터 추정 결과의 신뢰도를 도출한다. 마지막 장에서는 신경망 토폴로지 (topology)나 훈련 방법 자체를 연구하기보다는 이미 주어진 신경망 기반 추정기에 대해 보다 효과적인 입력 신호를 설계하는 프레임워크를 제안한다. 본 연구에서는 강화학습을 도입하며, 강화학습의 일부인 정책망이 전기화학적 모델로 구성된 디지털 트윈 배터리 모델 (digital twin battery model)을 기반으로 입력 신호 설계 전략을 학습하도록 한다. 또한 앞서 시뮬레이션을 통해 수립된 정책 네트워크를 바탕으로 실제 실험을 수행한다.