⚡ electrical engineering

Aging States Estimation and Monitoring Strategies of Li-Ion Batteries Using Incremental Capacity Analysis and Gaussian Process Regression

본 논문은 옥스퍼드 배터리 노화 데이터셋을 활용하여 초기 수명부터 말기 수명까지의 사이클 데이터를 기반으로 증분 용량 분석 (ICA) 과 가우시안 프로세스 회귀 앙상블을 결합해, 희소한 진단 측정만으로도 리튬이온 배터리의 상태 (SoH) 와 잔여 수명 (RUL) 을 높은 정밀도로 추정하고 모니터링하는 전략을 제시합니다.

원저자: Moritz Landwehr, Patrick Hoher, Johannes Reuter

게시일 2026-03-30

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Moritz Landwehr, Patrick Hoher, Johannes Reuter

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 얼마나 오래 쓸 수 있는지, 그리고 언제쯤 죽을지 (수명 종료) 를 예측하는 새로운 방법을 소개합니다.

기존의 방법들은 배터리를 매일매일 꼼꼼히 체크하거나, 처음부터 끝까지 모든 사용 기록을 다 알아야 했지만, 이 연구는 **"적은 정보로도 정확한 예측"**을 가능하게 합니다. 마치 의사가 환자를 진료할 때, 매일 병원에 오게 하지 않고 한 번의 간단한 검사만으로도 환자의 건강 상태와 남은 수명을 대략적으로 추측하는 것과 비슷합니다.

이 연구의 핵심 내용을 쉬운 비유로 설명해 드리겠습니다.

1. 문제 상황: "완전한 기록이 없는 낯선 배터리"

우리가 중고로 배터리를 사거나, 오래된 전기차를 탈 때, 그 배터리가 처음부터 어떻게 사용되었는지, 내부가 어떤 상태인지 정확히 알기 어렵습니다. 보통은 배터리를 계속 쓰면서 데이터를 모아야 하지만, 현실에서는 **한 번의 진단 사이클 (간단한 충전/방전 테스트)**만 가능한 경우가 많습니다.

이 연구는 **"한 번의 짧은 검사만으로도 배터리의 현재 건강 상태 (SoH) 와 남은 수명 (RUL) 을 얼마나 정확히 알 수 있을까?"**를 탐구했습니다.

2. 핵심 기술 1: "배터리의 지문"을 읽는 것 (ICA)

배터리는 사용하면서 내부 화학 반응이 변합니다. 보통 전압 그래프를 보면 평평한 부분들이 많아서 변화를 잘 못 봅니다. 하지만 연구진은 **ICA(증분 용량 분석)**라는 기술을 썼습니다.

비유: 배터리의 전압 그래프는 평범한 산책로처럼 보입니다. 하지만 ICA 를 적용하면 그 산책로에 숨겨진 **특이한 돌멩이나 계단 (피크와 골)**이 선명하게 드러납니다.
이 '지문' 같은 특징들을 분석하면, 배터리가 얼마나 늙었는지 (용량 감소), 내부 저항이 얼마나 커졌는지 등을 아주 정밀하게 파악할 수 있습니다.

3. 핵심 기술 2: "여러 명의 전문가가 모여 판단하는" AI (GPRn)

이 연구의 가장 큰 혁신은 **GPRn(가우시안 프로세스 회귀 앙상블)**이라는 AI 모델을 사용했다는 점입니다.

기존 방식 (단일 모델): 모든 배터리를 똑같은 사람으로 취급해서 한 명의 전문가가 판단합니다. 하지만 배터리는 개체마다 수명이 다릅니다. (어떤 건 빨리 늙고, 어떤 건 천천히 늙음) 그래서 한 명의 전문가가 모든 배터리를 판단하면 실수가 많습니다.
이 연구의 방식 (여러 전문가 팀): 8 개의 배터리를 각각 훈련시켜 8 명의 전문가를 만듭니다. 그리고 새로운 배터리를 볼 때, 이 8 명의 전문가가 각자 의견을 내고, 그 의견을 가중치를 두어 합칩니다.
- 효과: 만약 새로운 배터리가 'A'라는 배터리와 비슷하게 늙는다면, A 를 잘 아는 전문가의 의견이 더 많이 반영됩니다.
- 불확실성 측정: 이 방법은 단순히 "수명이 1000 회 남았다"고 말하는 게 아니라, **"수명이 1000 회일 가능성이 높지만, 800~1200 회 사이일 수도 있어 (불확실성)"**라고 확률까지 알려줍니다.

4. 결과: 얼마나 정확할까?

건강 상태 (SoH) 예측: 배터리가 얼마나 건강한지 예측하는 것은 매우 정확했습니다. (오차율 약 1.3%) 마치 시력 검사처럼, 한 번만 봐도 안경 도수를 거의 정확히 맞출 수 있습니다.
남은 수명 (RUL) 예측: 언제까지 쓸 수 있는지 예측하는 것은 조금 더 어렵습니다. (오차율 약 5.3%) 배터리의 개체 차이가 크기 때문입니다. 하지만 여러 전문가 팀을 구성한 덕분에, 기존 방법들보다 훨씬 정확하게 예측했습니다.

5. 실전 전략: "안전하게, 최대한 오래 쓰기"

연구진은 이 예측 기술을 바탕으로 배터리 관리 전략을 세웠습니다.

전략: 배터리를 처음부터 끝까지 3,300~5,000 회까지 쓰는데, 전체 기간 동안 단 4 번 정도만 진단 테스트를 하면 됩니다.
작동 원리:
1. 배터리를 몇 번 쓰다가 잠시 멈춥니다.
2. 간단한 검사를 하고 AI 가 "아직 1,000 회 더 쓸 수 있을 것 같아. 하지만 불확실성이 있으니 800 회만 더 쓰자"라고 안전한 마진을 둡니다.
3. 그 횟수만큼 쓰고 다시 검사를 합니다.
결과: 이 방법을 쓰면 배터리의 수명을 90% 이상 다 활용하면서도, 배터리가 너무 빨리 죽거나 (과사용) 안전사고가 날 위험을 거의 0% 로 줄일 수 있었습니다.

요약

이 논문은 **"배터리라는 낯선 사람을 만났을 때, 한 번의 짧은 대화 (진단) 로도 그 사람의 건강 상태와 남은 인생을 확률적으로 예측할 수 있다"**는 것을 증명했습니다.

특히 여러 전문가의 의견을 모으는 AI를 통해 개체 차이를 고려하고, 불확실성을 수치화하여 안전과 효율을 동시에 잡는 방법을 제시했습니다. 이는 전기차나 스마트폰 배터리, 그리고 중고 배터리 시장에서 매우 실용적인 기술이 될 것입니다.

1. 연구 배경 및 문제 정의 (Problem)

현실적 제약: 전기차 및 2 차 수명 (Second-life) 배터리와 같은 실제 응용 분야에서는 개별 셀에 대한 지속적인 모니터링 데이터가 부족합니다. 대신, 수명 주기 동안 몇 번의 희소 (Sparse) 한 진단 사이클 (예: 단일 충전 사이클) 만 이용 가능한 경우가 많습니다.
기존 방법의 한계: 기존의 많은 배터리 건강 상태 (SoH) 및 잔여 수명 (RUL) 추정 방법은 방대한 사이클링 이력이나 연속적인 모니터링 데이터를 필요로 하므로, 데이터가 희소한 시나리오에는 적용하기 어렵습니다.
핵심 과제: 제한된 정보 (단일 진단 사이클) 만으로 이전에 보지 못한 (Unseen) 리튬이온 배터리의 SoH 와 RUL 을 정확하게 추정하고, 불확실성을 정량화하여 안전한 운영 전략을 수립하는 것입니다. 특히 셀 간 편차 (Cell-to-cell variance) 가 큰 RUL 추정이 주요 난제입니다.

2. 방법론 (Methodology)

가. 데이터 및 특징 추출 (Incremental Capacity Analysis, ICA)

데이터셋: 옥스퍼드 배터리 노화 데이터셋 (8 개의 소형 리튬이온 pouch 셀, 40°C 환경, 1C 충전/정의된 주행 프로파일 방전) 을 사용했습니다.
ICA 적용: 전압 - 용량 곡선의 전압 플래툰 (Plateau) 을 미분하여 가시적인 피크와 밸리로 변환하는 ICA 기법을 적용했습니다.
특징 추출: 노화 메커니즘 (리튬 손실, 활성 물질 손실, 저항 증가 등) 과 밀접한 관련이 있는 5 가지 주요 ICA 특징 (F1~F5) 을 수동으로 정의했습니다.
- 예: IC 곡선의 최대 피크 ( $IC_{peak}$ ), 해당 전압, 특정 구간 내 최대 IC, 최대 양의 기울기 등.
상관관계 분석: 추출된 특징과 SoH/RUL 간의 스피어만 순위 상관관계를 분석하여, SoH 추정은 특징과 매우 높은 상관관계를 보이지만 RUL 추정은 셀 간 편차로 인해 상대적으로 낮은 상관관계를 가짐을 확인했습니다.

나. 추정 모델: 가우시안 프로세스 회귀 앙상블 (GPRn)

단일 GPR 의 한계: 모든 셀의 데이터를 하나로 묶어 (Pooled) 학습한 단일 GPR 모델은 SoH 추정에는 효과적이었으나, 셀 간 편차가 큰 RUL 추정에서는 과적합 (Overfitting) 이 발생하여 일반화 성능이 떨어졌습니다.
GPRn (Ensemble) 접근법:
- 각 훈련 셀마다 별도의 GPR 전문가 (Expert) 모델을 학습시킵니다.
- 새로운 셀의 특징 벡터가 입력되면, 각 전문가 모델이 예측한 분포를 가중치 ( $\pi_i$ ) 를 통해 합성 (Mixture of Gaussians) 하여 최종 예측을 수행합니다.
- 불확실성 정량화: 예측 분산 (Variance) 을 두 가지로 분해하여 해석합니다.
  1. 인지적 불확실성 (Epistemic Uncertainty): 데이터 부족으로 인한 불확실성 (개별 전문가의 평균 분산).
  2. 우연적 불확실성 (Aleatoric Uncertainty): 셀 고유의 무작위 편차로 인한 불확실성 (전문가 간 예측 평균의 분산). RUL 추정에서 이 우연적 불확실성이 지배적입니다.

다. RUL 모니터링 전략

목표: 배터리 수명 주기 동안 3~5 회의 희소 진단 측정만으로 EOL(End-of-Life, SoH 80%) 에 도달할 때까지 안전하게 운영.
작동 방식:
1. 임의의 시점에 진단 충전 사이클 수행 및 ICA 특징 추출.
2. GPRn 을 통해 RUL 예측 및 불확실성 ( $\sigma$ ) 계산.
3. 보수적 RUL ( $RUL_{cons}$ ) 계산: $RUL_{cons} = \mu - k \cdot \sigma$ (여기서 $k$ 는 안전 마진 하이퍼파라미터).
4. SVR 모델을 통해 현재 SoH 추정.
5. $RUL_{cons}$ 만큼 배터리를 운영한 후 다음 진단 사이클 수행.
6. $RUL_{cons} \le N_{min}$ 또는 추정 SoH $\le$ 80% 일 때 운영 종료.

3. 주요 기여 (Key Contributions)

GPRn 회귀기 개발: 단일 셀 GPR 들을 결합한 앙상블 모델을 제안하여, 셀 간 편차가 큰 RUL 추정 문제를 해결하고 불확실성을 정량화했습니다.
성능 비교: 기존 ML 모델 (Poly, FFNN, SVR, 단일 GPR) 과의 비교를 통해, SoH 추정에는 SVR 이 우수했으나 RUL 추정에는 GPRn 이 과적합을 방지하고 가장 낮은 오차를 보임을 입증했습니다.
모니터링 전략 수립: 불확실성 정량화를 기반으로 한 적응형 RUL 모니터링 전략을 도출하고, 하이퍼파라미터 ( $k$ ) 조정을 통해 활용도 (Utilization) 와 안전성 (Overcycling risk) 간의 균형을 최적화하는 방법을 제시했습니다.

4. 실험 결과 (Results)

가. SoH 및 RUL 추정 정확도

SoH 추정: ICA 특징과 SoH 간의 관계는 셀 간 편차가 거의 없으므로 (Cell-invariant), 단순한 SVR 모델로도 매우 높은 정확도를 달성했습니다.
- NMAE (정규화 평균 절대 오차): 약 1.3% (최대 오차 1.01%).
RUL 추정: 셀 간 편차가 크므로 (Cell-variant) 추정이 어렵습니다.
- NMAE: 약 5.3% (SoH 대비 약 4 배 높음).
- 모델 비교: 단일 GPR 은 훈련 데이터에서 과적합되어 테스트 오차가 컸으나, GPRn 은 과적합을 제거하고 평균 오차와 최대 오차를 모두 크게 감소시켰습니다.

나. 모니터링 전략 성능 (k=2 설정 시)

활용도 (Utilization Grade, U): 모든 셀에서 사용 가능한 사이클의 90% 이상을 활용했습니다 (평균 95% 이상).
과사이클링 (Overcycling): 8 개 셀 중 1 개 셀 (Cell 4) 에서만 약간의 과사이클링이 발생 ( $P_{over} = 1/8$ ), 나머지 셀은 안전 마진 내에서 운영되었습니다.
EOL 도달 시 SoH 오차: 전략 종료 시점의 SoH 오차가 대부분 1% 미만으로 유지되었습니다.
진단 횟수: 배터리 수명 (3300~~5000 사이클) 동안 평균 **3~~5 회**의 진단 측정만으로 EOL 을 성공적으로 감지했습니다.

5. 의의 및 결론 (Significance)

데이터 효율성: 방대한 데이터 없이도 소수의 진단 사이클만으로 unseen 셀의 상태를 정확히 추정할 수 있음을 입증했습니다.
실용성: 2 차 수명 배터리나 데이터 수집이 어려운 현장 환경에서, 불확실성을 고려한 안전 마진 ( $k$ ) 을 통해 운영자가 리스크와 활용도 사이에서 균형을 잡을 수 있는 실용적인 전략을 제공합니다.
향후 과제: 현재는 단일 사이클 데이터만 사용하지만, 과거 진단 데이터를 누적하여 셀의 노화 트렌드를 학습하고 GPRn 의 가중치 ( $\pi_i$ ) 를 동적으로 조정하면 RUL 추정의 우연적 불확실성을 더 줄일 수 있을 것으로 기대됩니다. 또한 다양한 작동 조건 (충전율, 온도 등) 에 대한 일반화 연구가 필요합니다.

이 논문은 제한된 데이터 환경에서도 신뢰할 수 있는 배터리 수명 관리를 가능하게 하는 ICA 기반 특징 추출과 불확실성 정량화가 가능한 GPR 앙상블의 강력한 조합을 제시했다는 점에서 의의가 큽니다.