Operator-Theoretic and physics-guided Sequence Modeling of Lithium-Ion Battery Voltage Dynamics

기술 요약: 리튬이온 배터리 전압 동역학에 대한 연산자 이론 기반 및 물리 유도 시퀀스 모델링

문제 제기
리튬이온 배터리의 전압 동역학을 정확하게 모델링하는 것은 배터리 관리 시스템 (BMS) 이 안전한 작동, 상태 추정, 그리고 건강 모니터링을 보장하는 데 필수적입니다. 배터리는 작동 조건과 노화 상태에 따라 변하는 복잡한 비선형 거동을 보입니다. 물리 기반 모델 (예: P2D) 은 높은 충실도를 제공하지만 높은 계산 비용을 수반합니다. 등가 회로 모델 (ECM) 은 계산 효율성이 높지만 광범위한 매개변수 식별 없이는 노화 의존적 동역학을 표현하는 데 어려움을 겪는 경우가 많습니다. 반면, 순수 데이터 기반 방법 (예: SINDy, NARX) 은 잡음에 민감할 수 있으며 제어에 적합한 명시적인 상태 공간 구조가 부족합니다. 본 연구는 하이브리드 펄스 전력 특성화 (HPPC) 자극 하의 전압 응답 모델링 과제를 다루며, 정확도, 노화에 대한 강인성, 그리고 해석 가능성 측면에서 그 효율성을 결정하기 위해 연산자 이론적 접근법과 물리 유도 딥러닝 아키텍처를 비교합니다.

방법론
본 연구는 30 Ah 리튬이온 전지의 HPPC 데이터를 사용하여 두 가지 다른 데이터 기반 프레임워크를 평가합니다:

1. 연산자 이론적 DMDc 모델:

   • 프레임워크: 동적 모드 분해 제어 (DMDc) 를 사용하여 측정 데이터에서 직접 선형 시스템 행렬을 식별합니다.
   • 데이터 표현: 한켈 (Hankel) 행렬을 사용하여 단자 전압과 전류의 지연 임베딩 스냅샷을 구성함으로써 시간적 종속성을 Koopman 관측 가능 공간으로 승격시킵니다.
   • 정형화: 이 방법은 $x_{k+1} \approx Ax_k + Bu_k$ 관계를 만족하는 선형 연산자 $A$(상태 천이) 와 $B$(입력 맵) 를 해결하며, 여기서 $x$는 임베딩된 전압 상태를, $u$는 전류 입력을 나타냅니다.
   • 학습/테스트: 모델은 건강한 상태 (100 사이클까지) 의 데이터를 사용하여 식별된 후, 재학습 없이 노화된 상태 (120, 140, 160 사이클) 의 전압 궤적을 예측하는 데 적용되어 강인성을 평가합니다.

2. 물리 유도 트랜스포머 기반 시퀀스 모델:

   • 아키텍처: 수정된 PatchTST (Patch Time Series Transformer) 아키텍처가 개발되었습니다.
   • 물리 유도 분해: 모델은 원시 단자 전압을 예측하는 대신 동적 잔차 $V_{dyn}(t)$를 예측합니다. 총 전압은 $V(t) = V_{OCV}(SOC(t)) + V_{dyn}(t)$로 분해되며, 여기서 개방 회로 전압 (OCV) 성분은 쿨롱 계수법에서 유도된 의사 상태 충전도 (SOC) 와 경험적 룩업 테이블을 사용하여 분석적으로 계산됩니다. 이는 저주파 열역학적 드리프트를 제거하여 모델이 빠른 과도 동역학에 집중할 수 있게 합니다.
   • 입력 융합: 모델은 추론 시 HPPC 프로토콜에서 지정한 알려진 미래 전류 프로파일을 명시적으로 활용하는 "미래 전류 융합 경로"를 통합합니다.
   • 학습/테스트: 모델은 데이터셋의 파일 단위 분할 (1100 사이클) 로 학습되고, 청크화된 자기회귀 추론 전략을 사용하여 홀드아웃 테스트 파일 (101160 사이클) 에서 평가됩니다.

주요 기여

• 비교 분석: 본 작업은 동일한 HPPC 조건 하에서 배터리 전압 예측을 위해 해석 가능한 선형 연산자 이론 모델 (DMDc) 과 유연한 비선형 딥러닝 모델 (PatchTST) 을 직접 비교합니다.
• 물리 유도 딥러닝: 배터리 응용 분야를 위한 트랜스포머에 대한 구체적인 분해 전략을 도입하여, 분석적으로 해결 가능한 OCV 성분을 학습된 동적 잔차와 분리하고, 알려진 미래 입력 (전류) 을 어텐션 메커니즘에 통합합니다.
• 노화 강인성 평가: 건강한 상태 데이터만으로 학습된 연산자/가중치를 사용하여 노화된 전지에서의 모델 성능을 평가함으로써 두 프레임워크의 일반화 능력을 강조합니다.
• 모달 분석: DMDc 접근법은 시스템 소산 거동을 반영하는 고유값을 산출하여 노화 특성을 위한 잠재적 지표로 활용될 수 있음을 보여줍니다.

결과

• 예측 정확도: 현재 제한된 데이터 환경 하에서 DMDc 모델이 트랜스포머 기반 모델보다 우수한 성능을 보였습니다. 120, 140, 160 사이클에서 DMDc 는 약 0.011 V 의 평균 제곱근 오차 (RMSE) 를 달성한 반면, 트랜스포머 모델은 약 0.021 V 의 RMSE 를 기록했습니다.
• 노화에 대한 강인성: 건강한 데이터로 학습된 DMDc 모델은 높은 정확도를 유지하며 노화된 사이클에서 날카로운 과도 펄스 동역학과 느린 완화 거동을 최소한의 편차로 포착했습니다. 트랜스포머 모델은 질적으로 유사한 동역학을 포착했으나, 자기회귀 롤아웃 중 더 높은 오차 누적을 나타냈습니다.
• 모달 거동: 식별된 DMDc 고유값은 배터리가 노화됨에 따라 모달 크기 ($r = |\lambda|$) 가 체계적으로 감소하여 점점 더 소산적인 동역학을 나타냄을 보여주었습니다.
• 데이터 효율성: DMDc 모델은 강력한 구조적 사전 지식 (선형 제어된 진화) 으로 인해 더 적은 매개변수와 덜 다양한 학습 데이터로 우수한 성능을 입증했습니다. 약 335 만 개의 매개변수를 가진 트랜스포머 모델은 HPPC 데이터셋 (단일 전지, 단일 프로토콜) 의 제한된 다양성으로 인해 강인하게 일반화하는 데 어려움을 겪었습니다.

의의 및 주장
본 논문은 HPPC 자극 하의 배터리 전압 예측에 있어 연산자 이론적 DMDc 접근법이 정확도, 강인성, 해석 가능성, 그리고 계산 효율성의 유리한 균형을 제공한다고 결론짓습니다. 연구는 물리 유도 트랜스포머 모델이 아키텍처 유연성과 복잡한 비선형 의존성을 포착할 잠재력을 지니고 있음에도 불구하고, 이 특정 맥락에서의 성능은 사용 가능한 데이터셋의 크기와 다양성에 의해 제한되었음을 강조합니다.

저자들은 겸손하게도 그들의 결과가 트랜스포머 모델이 배터리 응용 분야에서 본질적으로 열등함을 증명하지는 않는다고 주장합니다. 대신, 트랜스포머 기반 접근법의 장점은 여러 전지, 노화 궤적, 그리고 작동 조건을 아우르는 훨씬 더 크고 이질적인 데이터셋으로 학습될 때만 실현될 수 있음을 시사합니다. 반면, 본 연구는 데이터가 제한적이거나 해석 가능성이 최우선인 시나리오에서 적응형 배터리 진단 및 예지에 매우 유망한 연산자 이론적 방법을 제시합니다.