⚡ electrical engineering

KAN-Therm: A Lightweight Battery Thermal Model Using Kolmogorov-Arnold Network

본 논문은 물리적 배터리 관리 시스템의 자원 제약을 해결하기 위해 메모리 오버헤드와 계산 시간을 줄이면서 원통형 배터리 내부 온도를 효율적으로 추정하는 경량 콜모고로프-아르놀드 네트워크 기반 열 모델인 KAN-Therm 을 제안합니다.

원저자: Soumyoraj Mallick, Faysal Ahamed, Sanchita Ghosh, Tanushree Roy

게시일 2026-05-08

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Soumyoraj Mallick, Faysal Ahamed, Sanchita Ghosh, Tanushree Roy

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

리튬이온 배터리를 분주한 주방으로 상상해 보세요. 배터리 표면은 조리대처럼 쉽게 만져지고 뜨거움을 느낄 수 있습니다. 하지만 핵심(중앙) 은 벽 안에 숨겨진 오븐의 가열 요소와 같습니다. 보이지도 않고 만질 수도 없지만, 너무 뜨거워지면 주방 전체가 불타오를 수 있습니다.

배터리를 안전하게 유지하려면 우리가 측정할 수 있는 것들인 흐르는 전류, 주변 공기의 온도, 그리고 조리대의 온도를 바탕으로 그 숨겨진 "오븐"의 온도를 추정해야 합니다.

문제: "무거운" 것 vs "빠른" 것

오랫동안 과학자들은 이 배터리의 "디지털 트윈"(가상 복제본) 을 만들어 핵심 온도를 추정해 왔습니다.

옛 방법 (물리 모델): 이는 매 초마다 거대하고 복잡한 수학 교과서 문제를 풀어 온도를 계산하려는 것과 같습니다. 매우 정확하지만, 너무 느리고 많은 두뇌 능력을 요구하여 배터리 내부의 작은 컴퓨터 (BMS) 가 압도당합니다. 이는 자동차를 운전하면서 주머니 계산기로 미적분 방정식을 푸는 것과 같습니다.
새 방법 (신경망): 이는 거대하지만 매우 무거운 거인을 고용하는 것과 같습니다. 추측은 빠르지만, 작은 배터리 컴퓨터가 담을 수 없는 거대한 데이터 (메모리) 백팩을 지고 있습니다. 거인을 작은 자동차에 태우려 하면 차가 고장 납니다.

해결책: KAN-Therm ("똑똑하고 날씬한" 탐정)

이 논문의 저자들은 KAN-Therm이라는 새로운 도구를 만들었습니다. 이를 매우 똑똑하면서도 깃털처럼 가벼운 코트를 입은 탐정으로 생각해 보세요.

표준적인 "무거운 거인" 신경망 대신, 그들은 콜모고로프 - 아르놀드 네트워크 (KAN) 라는 것을 사용했습니다.

작동 방식: 전통적인 네트워크는 고정된 규칙 (경직된 체크리스트와 같은) 을 사용하고 숫자만 조정합니다. KAN 은 다릅니다. 스스로 규칙을 학습할 수 있습니다. 단서 목록을 외우는 것이 아니라 특정 사건에 완벽하게 맞는 패턴을 인식하는 법을 배우는 탐정으로 상상해 보세요.
결과: 이 탐정은 매우 효율적이어서 작은 백팩 (매우 적은 메모리) 만으로도 미스터리를 해결 (온도 추정) 할 수 있으며 거의 즉시 작동합니다.

실험: 레이스

연구진은 새로운 "날씬한 탐정"(KAN-Therm) 을 옛날 무거운 선수들과 레이스에 참여시켰습니다.

MLP, RNN, LSTM: 표준적인 "무거운 거인"(신경망).
XGBoost: "트리 기반" 모델 (예/아니오 질문을 하는 의사결정나무와 같은).
물리 모델: 느리고 무거운 수학 교과서 방식.

그들은 실제 도로 주행 시나리오 (도시 교통과 고속도로 속도 등) 를 사용하여 시뮬레이션된 배터리로 이들을 테스트했습니다.

결과: 누가 이겼나요?

레이스가 어떻게 진행되었는지 일상적인 용어로 번역해 보면 다음과 같습니다.

속도: KAN-Therm 이 가장 빠른 주자였습니다. 약 0.04 마이크로초 만에 온도를 추정했습니다.
- 표준 신경망은 약 12 배에서 22 배 더 느렸습니다.
- 옛날 물리 수학 방식은 33 배 더 느렸습니다.
크기 (메모리): KAN-Therm 이 가장 작았습니다. 작업을 수행하는 데 25 개의 작은 정보 조각(매개변수) 만 필요했습니다.
- 트리 기반 모델 (XGBoost) 은 6,000 개의 조각이 필요했습니다 (240 배 더 큼!).
- 표준 신경망은 수백 개의 조각이 필요했습니다.
정확도: 이것이 가장 중요한 부분입니다.
- "무거운 거인"(RNN 및 LSTM) 이 약간 더 정확했지만, 그 차이는 아주 아주 미미했습니다 (약 0.014 도).
- 이를 비교해 보면: 배터리를 측정하는 센서에는 0.015 도의 자연스러운 "흐림"이나 노이즈가 있습니다. 느리고 무거운 모델과 빠르고 날씬한 KAN-Therm 사이의 차이는 센서 자체의 흐림보다 더 작습니다.
- 즉, "날씬한 탐정"은 모든 실용적인 목적을 위해 "무거운 거인"과 똑같이 훌륭하지만, 주머니에 들어갈 수 있습니다.

결론

이 논문은 KAN-Therm이 전기차와 배터리 내부의 작은 컴퓨터를 위한 완벽한 도구라고 결론 내립니다. 이는 "정확성 대 속도"라는 큰 문제를 해결합니다. 보통은 정확하지만 느린 것, 아니면 빠르지만 부정확한 것 중 하나를 선택해야 합니다. KAN-Therm 은 슈퍼컴퓨터가 필요 없이 배터리를 안전하게 유지할 만큼 빠르고, 작으며, 충분히 정확한 성능을 발휘합니다.

이는 자전거에 장착될 수 있는 세련된 고속 전기 모터로, 똑같은 일을 하지만 무겁고 느린 증기 기관에서 업그레이드하는 것과 같습니다.

기술 요약: KAN-Therm

문제 제기

리튬이온 배터리의 신뢰성 있는 운영은 안전과 수명에 결정적이며, 특히 전기차와 스마트 그리드와 같은 안전-중요 응용 분야에서 그렇습니다. 주요 과제는 직접 측정이 불가능한 배터리 코어 온도의 정확한 실시간 추정입니다. 고충실도 물리 기반 모델 (예: H∞ 옵저버, 칼만 필터) 이 존재하지만, 높은 계산 요구 사항, 파라미터화 어려움, 낮은 관측성으로 인해 자원이 제한된 물리 배터리 관리 시스템 (BMS) 에는 적합하지 않습니다. 반면, 기존 데이터 기반 접근법 (예: MLP, LSTM, XGBoost) 은 더 빠른 추정을 제공하지만 복잡한 네트워크 구조를 저장하기 위해 상당한 메모리 오버헤드와 계산 자원을 요구하여 정확도와 임베디드 하드웨어 배포 가능성 간의 트레이드오프를 초래합니다.

방법론

저자들은 원통형 배터리 셀의 코어 온도를 추정하기 위해 콜모고로프 - 아르놀드 네트워크 (KANs) 기반의 경량 데이터 기반 열 모델인 KAN-Therm을 제안합니다.

1. 이론적 기반

고정된 비선형 활성화 함수와 학습 가능한 선형 가중치를 사용하는 전통적인 다층 퍼셉트론 (MLP) 과 달리, KAN 은 에지에서의 스칼라 가중치를 학습 가능한 단변수 함수 (B-스플라인으로 매개변수화됨) 로 대체합니다. 이 아키텍처는 콜모고로프 - 아르놀드 표현 정리에 기반하여, 네트워크가 더 적은 파라미터와 향상된 해석 가능성으로 복잡한 비선형 관계를 포착할 수 있게 합니다.

2. 데이터 생성

학습 및 검증 데이터는 2.3Ah 원통형 LiFePO4–LiC6 배터리 셀의 집중 파라미터 열 모델을 사용하여 생성되었습니다. 이 모델은 다양한 조건 하에서 코어 온도 ( $T_1$ ), 표면 온도 ( $T_2$ ), 냉각수 온도 ( $T_\infty$ ) 의 동역학을 시뮬레이션합니다.

입력: 인가 전류 ( $I$ ), 냉각 전력 ( $\dot{Q}_c$ ), 냉각수 온도 ( $T_\infty$ ), 표면 온도 ( $T_2$ ).
시나리오: 도시 동력계 주행 일정 (UDDS), US06, VEIL2NREL 주행 사이클 및 0.9C 에서 10C 까지의 일정 전류 (CC) 충전 프로파일에서 데이터를 수집했습니다.
노이즈: 물리적 측정을 시뮬레이션하기 위해 현실적인 센서 노이즈 (온도의 경우 가우스 노이즈 $\sigma=0.015K$ , 전류의 경우 $\sigma=0.006A$ ) 를 추가했습니다.

3. 모델 아키텍처 및 학습

구조: KAN-Therm 모델은 4 개의 노드로 구성된 입력 레이어, 1 개의 노드로 구성된 은닉 레이어, 1 개의 노드로 구성된 출력 레이어를 가진 컴팩트한 아키텍처를 사용합니다 (구성 [[4, 1, 1]]).
하이퍼파라미터 최적화: 스플라인 차수 ( $k=3$ ), 그리드 간격 ( $G=2$ ), 희소화 페널티 ( $\lambda, \nu_1, \nu_2$ ), 학습 에포크 (70) 를 포함한 최적 설정을 결정하기 위해 포괄적인 그리드 탐색을 수행했습니다.
손실 함수: 학습 목표는 모델의 희소성과 컴팩트성을 강제하기 위해 평균 제곱 예측 오차와 정규화 항 (L1-노름 및 자기 엔트로피) 의 조합을 최소화합니다.
베이스라인: 모델은 그리드 탐색을 통해 튜닝된 MLP, RNN, LSTM, XGBoost 등 네 가지 최첨단 벤치마크와 비교되었습니다.

주요 기여

KAN-Therm 개발: 배터리 코어 온도 추정을 위해 특화된 특정 KAN 기반 아키텍처를 도입하여, 학습 가능한 활성화 함수가 극도의 파라미터 효율성으로 열 역학을 효과적으로 모델링할 수 있음을 입증했습니다.
물리 BMS 최적화: 엄격한 하이퍼파라미터 튜닝을 통해 정확도와 물리 BMS 하드웨어 (예: 제한된 FRAM 을 가진 시스템) 의 엄격한 메모리 및 계산 제약 사이의 균형을 맞춘 구성을 식별했습니다.
포괄적인 벤치마킹: 파라미터 수, 추정 시간, RMSE (학습, 검증, 테스트) 등 다섯 가지 지표를 통해 KAN 과 전통적인 신경망 및 트리 기반 모델 간의 상세한 비교를 제공합니다.

결과

테스트 데이터셋 (일정 전류 및 동적 VEIL2NREL 프로파일 포함) 에 대한 성능 비교는 다음과 같은 결과를 도출했습니다.

파라미터 효율성: KAN-Therm 은 가장 컴팩트한 모델로, 25 개의 학습 가능한 파라미터만 필요합니다. 이는 RNN(121), MLP(369), LSTM(877), XGBoost(6,000) 보다 훨씬 적습니다.
계산 속도: KAN-Therm 은 샘플당 0.0395 µs의 가장 빠른 추정 시간을 달성했습니다. 이는 RNN 보다 약 21.7 배, LSTM 보다 12.5 배, XGBoost 보다 20.4 배 빠릅니다. 또한 물리 기반 수치 통합 모델 (1.3 µs) 보다도 우수했습니다.
정확도:
- 테스트 RMSE: RNN 이 가장 낮은 테스트 RMSE(0.0334 K) 를 달성했으며, 이어 LSTM(0.0359 K) 이었습니다. KAN-Therm 은 0.0477 K의 테스트 RMSE 를 달성했습니다.
- 오차 분석: 최성능 RNN 과 KAN-Therm 간의 RMSE 차이는 0.0143 K이며, 저자들은 이것이 센서 노이즈 수준 (0.015 K) 과 비교할 만하다고 지적합니다.
- 트레이드오프: KAN-Therm 은 RNN 및 LSTM 보다 RMSE 가 약간 높지만, 정확도와 효율성의 우수한 균형을 제공합니다. KAN-Therm 의 상대 오차는 약 0.0125% 로 하류 안전 응용 분야에 충분하다고 판단됩니다.

중요성 및 주장

이 논문은 KAN-Therm 이 배터리 관리에서 원하는 추정 정확도와 현실적 실용성 사이의 이분법을 성공적으로 해결했다고 주장합니다. KAN 의 파라미터 효율성과 해석 가능성을 활용하여, 이 모델은 고충실도 모델이 계산적으로 너무 비싸고 표준 신경망이 메모리 집약적인 자원이 제한된 물리 BMS 하드웨어에 배포하기에 적합한 경량 대안을 제공합니다.

저자들은 KAN-Therm 이 원시 정확도 측면에서 RNN 을 엄격하게 능가하지는 않지만, 파라미터 수의 대폭 감소 (RNN 보다 79.3% 적음) 와 추론 시간 (21.7 배 빠름) 이 임베디드 시스템의 실시간 안전-중요 열 모니터링을 위한 실현 가능하고 확장 가능한 솔루션을 만든다고 강조합니다. 이 연구는 계산 자원이 제한된 시나리오에서 KAN 이 더 복잡한 아키텍처를 효과적으로 대체할 수 있음을 시사합니다.