⚡ electrical engineering

Modeling of Non-linear Dynamics of Lithium-ion Batteries via Delay-Embedded Dynamic Mode Decomposition

이 논문은 배터리 소재의 상세한 물성 정보 없이 HPPC 테스트의 전압 및 전류 데이터만으로 시간 지연 임베딩을 적용한 데이터 기반 동적 모드 분해 (DMD) 모델을 구축하여, 리튬이온 배터리의 비선형 동역학을 고전력 효율로 정확하게 모델링하고 노화 상태에서도 전압 거동을 효과적으로 예측할 수 있음을 제시합니다.

원저자: Khalid Mahmud Labib, Shabbir Ahmed

게시일 2026-02-25

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Khalid Mahmud Labib, Shabbir Ahmed

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

이 논문은 리튬이온 배터리가 어떻게 작동하는지, 그리고 시간이 지나면서 어떻게 '노화'되는지를 예측하는 새로운 방법을 소개합니다. 전문 용어 대신 일상적인 비유를 섞어 쉽게 설명해 드리겠습니다.

🧩 핵심 아이디어: "배터리의 목소리를 들어라"

배터리는 매우 복잡한 화학 반응을 일으키는 작은 공장입니다. 보통 이 공장을 이해하려면 내부 구조 (전극, 전해질 등) 를 자세히 알아야 하거나, 복잡한 전기 회로도를 그리는 등 어렵고 번거로운 작업을 해야 합니다.

하지만 이 연구팀은 **"내부 구조를 몰라도, 배터리가 내는 '소리' (전압) 만 잘 들어도 미래를 예측할 수 있다"**고 주장합니다.

🕵️‍♂️ 비유 1: 날씨 예보관과 과거의 기록

배터리의 상태를 예측하는 기존 방법들은 마치 "구름의 모양, 바람의 방향, 기압계 수치" 등 모든 물리 법칙을 계산해서 날씨를 예측하는 것과 비슷합니다. 정확하지만 계산이 너무 복잡하고, 모든 변수를 다 알기 어렵습니다.

이 연구팀이 쓴 **DMD (동적 모드 분해)**와 **DMDc (제어付き DMD)**라는 방법은 다음과 같습니다:

과거의 기록을 쌓아 올리기 (Hankel Matrix):
imagine(상상해 보세요) 과거 10 년간의 일기 예보 데이터를 한 장의 긴 스크롤에 모두 적어놓은 상상해 보세요. 이 연구팀은 배터리가 방전될 때 나오는 전압 데이터를 시간순으로 잘게 잘라, 마치 레고 블록을 쌓듯이 높은 차원의 공간에 쌓아 올립니다.
- 비유: 단순히 "지금 비가 오고 있다"라고 보는 게 아니라, "지난 10 분 동안 비가 얼마나 세게 왔고, 구름이 어떻게 움직였는지"를 한눈에 볼 수 있는 3D 지도를 만드는 것과 같습니다. 이렇게 하면 단순한 데이터가 복잡한 패턴을 가진 '지도'로 변합니다.
비밀의 열쇠를 찾다 (선형 모델):
이렇게 쌓아 올린 데이터 지도를 보면, 비가 오는 패턴이 일정한 규칙 (선형) 으로 움직인다는 것을 발견할 수 있습니다. 연구팀은 이 규칙을 찾아내는 '수학적 열쇠 (행렬 A 와 B)'를 만듭니다.
- DMD: 배터리가 스스로 어떻게 변할지 (전압이 어떻게 떨어질지) 예측합니다.
- DMDc (제어付き): 여기에 **전류 (충전/방전 명령)**라는 '조작자'의 영향을 더합니다. 마치 "비가 오는데, 우리가 우산을 펴면 (전류를 넣으면) 어떻게 될까?"를 함께 계산하는 것입니다.

🎯 비유 2: 건강한 사람과 아픈 사람의 걸음걸이

이 연구의 가장 놀라운 점은 배터리가 '건강'할 때 배운 규칙으로, '아픈' (노화된) 배터리의 걸음걸이도 예측할 수 있다는 것입니다.

건강한 상태 학습: 배터리는 처음에 젊고 건강할 때 (새 배터리) 실험을 합니다. 이때의 전압과 전류 데이터를 60% 만 가지고 '걸음걸이 패턴'을 학습시킵니다.
노화 테스트: 배터리를 수백 번 충전하고 방전시켜서 늙게 (노화) 만듭니다.
예측 놀이: 이제 배터리는 늙어서 걸음걸이가 느려지고, 다리가 아파서 비틀거립니다. 하지만 연구팀은 젊을 때 배운 규칙 (수학적 모델) 을 그대로 사용하고, 단지 "지금 배터리가 얼마나 힘을 쓰고 있는지 (전류)"만 알려주면 됩니다.
결과: 놀랍게도 DMDc라는 방법은 늙은 배터리의 비틀거림 (전압 강하, 급격한 반응) 을 아주 정확하게 예측했습니다. 마치 젊은 시절의 체력 데이터를 바탕으로, 노인이 된 후의 걷는 속도와 자세를 정확히 맞춰주는 것과 같습니다.

💡 왜 이 연구가 중요한가요?

블랙박스 아님 (설명 가능): 최근 AI 는 "정답은 맞췄지만 왜 맞췄는지 모른다"는 '블랙박스' 문제가 있습니다. 하지만 이 방법은 수학적으로 명확한 규칙을 찾아내므로, 왜 배터리가 이렇게 반응하는지 이해할 수 있습니다.
내부 상태 불필요: 배터리의 '충전 상태 (SoC)'나 '수명 (SoH)'을 미리 계산해서 입력해 줄 필요가 없습니다. 그냥 전압과 전류만 있으면 됩니다. 이는 배터리 관리 시스템 (BMS) 을 훨씬 간단하고 저렴하게 만들 수 있습니다.
빠르고 정확함: 복잡한 화학 공식을 풀지 않아도 되므로 계산 속도가 매우 빠르면서도, 배터리가 갑자기 전압이 떨어지는 순간 (전압 dip) 같은 중요한 현상을 놓치지 않고 잡아냅니다.

📝 한 줄 요약

"배터리라는 복잡한 화학 공장의 내부 구조를 몰라도, 과거의 전압 데이터를 레고처럼 쌓아올려 만든 '수학적 지도'를 통해, 배터리가 늙었을 때의 모습까지 정확하게 예측할 수 있는 새로운 방법을 개발했습니다."

이 기술은 앞으로 전기차나 스마트폰의 배터리가 언제 고장 날지, 얼마나 더 쓸 수 있을지 알려주는 똑똑한 '배터리 의사이자 예보관'이 될 것입니다.

논문 요약: 지연 임베딩 동적 모드 분해 (DMD) 를 활용한 리튬이온 배터리 비선형 동역학 모델링

1. 연구 배경 및 문제 제기 (Problem)

배경: 리튬이온 배터리는 높은 에너지 밀도와 긴 수명으로 전기차 및 항공기 등 다양한 분야에서 핵심 에너지 저장 장치로 사용되고 있습니다. 이를 안전하게 관리하기 위해 배터리 관리 시스템 (BMS) 은 배터리의 상태 (SoC, SoH) 를 정확히 예측해야 합니다.
기존 모델의 한계:
- 물리 기반 모델 (Electrochemical): 정밀하지만 계산 비용이 높고 복잡한 미분 방정식을 요구합니다.
- 등가 회로 모델 (ECM): 실시간 제어에 널리 쓰이지만, 복잡한 비선형 거동을 정확히 포착하기 위해 정교한 파라미터 추정이 필요하며, 노화 (Degradation) 현상을 반영하기 어렵습니다.
- 데이터 기반 모델 (Machine Learning): 비선형성을 잘 학습하지만, 해석 가능성 (Explainability) 이 부족하고 상태 공간 행렬 (A, B 행렬) 을 직접 제공하지 않아 제어 및 필터링 알고리즘 적용에 제약이 있습니다.
핵심 문제: 배터리 내부의 복잡한 비선형 동역학을 높은 계산 효율성으로 모델링하면서도, 물리적 지식이 없어도 되며 해석 가능한 선형 상태 공간 모델을 구축하는 방법론의 부재.

2. 제안된 방법론 (Methodology)

이 연구는 지연 임베딩 (Delay-Embedded) 기법을 적용한 동적 모드 분해 (DMD) 및 **제어 포함 동적 모드 분해 (DMDc)**를 제안합니다.

데이터 소스: 하이브리드 펄스 전력 특성 (HPPC) 테스트에서 얻은 **전압 (출력)**과 전류 (입력) 데이터만 사용했습니다. 배터리 내부 물질 구성이나 SoC, 용량과 같은 파생 변수는 사용하지 않았습니다.
핵심 기법:
1. 한켈 행렬 (Hankel Matrix) 임베딩: 1 차원 전압 시계열 데이터를 고차원 공간으로 변환하기 위해 시간 지연 임베딩을 적용했습니다. 이를 통해 비선형 시스템의 동역학을 선형 근사로 변환 가능한 상태로 만듭니다.
2. DMD (Dynamic Mode Decomposition): 입력 없이 과거 상태만 기반으로 미래 상태를 예측하는 선형 연산자 $A$ 를 추정합니다. ( $x_{k+1} = Ax_k$ )
3. DMDc (Dynamic Mode Decomposition with Control): 전류 (입력) 를 명시적으로 고려하여 시스템 행렬 $A$ 와 입력 행렬 $B$ 를 동시에 추정합니다. ( $x_{k+1} = Ax_k + Bu_k$ )
4. 최적화: 임베딩 차원 (Embedding dimension) 과 지연 시간 (Delay) 을 체계적으로 탐색하여 잔차 제곱합 (RSS) 을 최소화하는 파라미터를 선정했습니다.

3. 주요 기여 (Key Contributions)

내부 상태 불필요 모델링: SoC 나 용량과 같이 추정해야 하는 변수 없이, 원시 전압 데이터만으로 비선형 동역학을 포착하는 모델을 개발했습니다.
해석 가능한 선형 모델: 복잡한 비선형 시스템을 선형 상태 공간 모델로 근사화하여, 제어 이론 (LQR, MPC 등) 에 직접 적용 가능한 $A, B$ 행렬을 제공합니다.
노화 적응성 검증: 건전한 상태 (Healthy state) 에서 학습된 모델 행렬을 고정하고, 노화된 배터리의 데이터에 적용하여 모델의 적응성과 강건성을 입증했습니다.

4. 실험 결과 (Results)

실험 설정: 30Ah 리튬이온 배터리를 사용하여 HPPC 테스트를 수행하고, 20 회 충전/방전 주기마다 노화 테스트를 진행했습니다.
파라미터 최적화:
- 전압 임베딩: DMDc 모델에서 전압 임베딩 차원을 1810으로 설정했을 때 가장 낮은 오차 (RSS 3.86) 를 기록했습니다. (기존 DMD 는 RSS 30)
- 전류 임베딩: 입력 전류 신호에 지연 임베딩을 적용했을 때, 지연 차원 6에서 최소 오차 (RSS 1.74) 를 달성했습니다.
예측 성능 비교:
- 단기/장기 예측: DMDc 모델은 충전/방전 펄스 응답 및 과도 현상 (Transient response) 을 매우 정확하게 예측했습니다. 특히 10 시간 이상의 장기 예측에서도 DMD 모델보다 훨씬 낮은 오차를 보였습니다.
- 노화 조건에서의 성능: 배터리가 노화됨에 따라 (예: 360 번째 사이클) DMD 모델의 오차는 크게 증가했으나 (RSS 143), DMDc 모델은 상대적으로 낮은 오차 (RSS 76) 를 유지하며 노화로 인한 동역학 변화를 잘 포착했습니다.
- 전체적인 정확도: DMDc 모델은 훈련 데이터의 60% 만 사용하여도 전체 데이터셋에 대해 RSS 1.29 의 매우 높은 정확도를 달성했습니다.

5. 의의 및 결론 (Significance & Conclusion)

비선형의 선형화: 이 연구는 복잡한 비선형 배터리 동역학을 해석 가능한 선형 모델로 성공적으로 근사화할 수 있음을 보여주었습니다. 이는 블랙박스 머신러닝 모델의 투명성 부족과 ECM 의 단순화 한계를 모두 해결하는 대안이 됩니다.
실시간 적용 가능성: 계산 효율성이 높고 내부 상태 추정이 불필요하므로, 실시간 배터리 관리 시스템 (BMS) 에 통합되어 상태 추정 및 잔여 수명 예측 (RUL) 에 활용될 수 있습니다.
확장성: 리튬이온 배터리뿐만 아니라 다른 에너지 저장 기술의 동역학 모델링에도 적용 가능한 강력한 프레임워크를 제시했습니다.

결론적으로, 이 논문은 지연 임베딩을 활용한 DMDc 기법이 배터리 노화 및 다양한 작동 조건 하에서도 높은 예측 정확도와 강건성을 가지며, 해석 가능한 선형 모델을 통해 배터리 제어 및 진단 시스템의 새로운 기반을 마련함을 입증했습니다.