Residual-Corrected Equivalent-Circuit Model with Universal Differential Equations for Robust Battery Voltage Prediction under Operating-Condition Shift

기술 요약: 보편적 미분방정식을 활용한 잔차 보정 등가회로 모델

문제 제기
정확한 단자 전압 예측은 모델 기반 배터리 관리 시스템 (BMS) 의 핵심이며, 확장 칼만 필터 (EKF) 와 같은 상태 추정기의 주요 보정 신호 역할을 합니다. 그러나 기존 접근법들은 다음과 같은 트레이드오프에 직면해 있습니다:

• 저차수 등가회로 모델 (ECM): 계산 효율성과 해석 가능성이 높지만, 1 차 테브난 모델 (ECM-1RC) 은 실제 작동 조건 하의 비선형성, 온도 의존성, 과도 거동을 포착할 만큼의 표현력을 갖추지 못합니다. 이러한 구조적 불일치는 하류 상태 추정에 편향을 초래할 수 있는 전압 오차를 유발합니다.
• 순수 데이터 기반 모델: 딥러닝 접근법 (예: LSTM) 은 일치된 조건에서 유연성과 높은 정확도를 제공하지만, 종종 해석 가능성을 희생하고 작동 조건 변화 (예: 온도 변화나 미지의 주행 사이클) 에 직면할 때 성능 저하를 겪습니다.

본 논문은 물리 모델의 해석 가능성을 유지하면서 구조적 한계를 보완하고, 특히 온도 변화 및 다양한 주행 사이클 프로파일과 같은 분포 변화 하에서 견고한 전압 예측을 달성하는 과제를 다룹니다.

방법론
저자들은 **ECM 기반 보편적 미분방정식 (ECM-UDE)**으로 구현된 잔차 보정 하이브리드 공식을 제안합니다. 핵심 아키텍처는 물리 모델과 학습 가능한 신경망 요소를 통합합니다:

1. 물리적 백본 (ECM-1RC): 모델은 1 차 테브난 회로 구조를 유지합니다. 단자 전압 $V(t)$는 표준 관계식에 의해 지배됩니다:
   $$V(t) = OCV(z(t)) - R_0 I(t) - V_1(t)$$
   여기서 $OCV$는 개방 회로 전압,$R_0$는 옴 저항,$V_1(t)$는 분극 전압입니다.
2. 잠재 분극 역학: 분극 상태 $V_1(t)$의 진화는 학습 가능한 보정 항 $f_\theta$를 포함하도록 수정됩니다:
   $$\dot{V}_1(t) = -\frac{V_1(t)}{R_1 C_1} + \frac{I(t)}{C_1} + f_\theta(V_1(t), I(t), z(t), T_{cell}(t))$$
   여기서 $f_\theta$는 축소된 차수 회로가 포착하지 못하는 구조적 불일치 (잔차) 만을 보정하는 컴팩트한 신경망 (다층 퍼셉트론) 입니다.
3. 상태 전파: 표준 ECM 과 달리, 하이브리드 모델은 충전 상태 (SOC, $z$) 를 동적 상태 ($\dot{z} = -\eta I(t)/Q_{nom}$) 로 내부적으로 전파하여 예측 창 내에서 외부에서 제공된 SOC 궤적에 대한 의존성을 줄입니다.
4. 학습 프로토콜:
   • 워밍업: ECM-1RC 파라미터 ($R_0, R_1, C_1$, 및 OCV 계수) 는 먼저 훈련 데이터에 대한 비선형 최소제곱법을 통해 식별됩니다. 이러한 파라미터는 하이브리드 모델을 초기화하여 신경 보정이 첫 학습 에포크부터 "저잔차 영역"에서 작동하도록 보장합니다.
   • 최적화: 하이브리드 모델은 평균 제곱 오차 손실에 대한 Adam 최적화를 사용하여 엔드투엔드로 훈련됩니다.
   • 정규화: 파이프라인은 하이브리드 정규화 전략을 사용합니다: 전류와 전압은 경험적 z-점수를 통해 정규화되는 반면, 온도와 SOC 는 분포 외 전이 중 안정성을 보장하기 위해 고정된 물리 기반 상수를 사용하여 정규화됩니다.

주요 기여

1. 구조적으로 국소화된 잔차 보정: 이전의 하이브리드 접근법이 출력 수준에서 보정을 적용할 수 있었던 것과 달리, 이 방법은 신경 요소를 잠재 분극 역학 내부에만 독점적으로 내장합니다. 물리 모델은 지배적인 전압 구조 (OCV, 옴 강하, 및 RC 역학) 에 대한 책임을 유지합니다.
2. 견고성 중심 평가: 본 연구는 네 가지 축에 걸친 성능을 평가하는 엄격한 평가 프로토콜을 도입합니다:
   • 일치된 조건 예측 (25°C 의 UDDS).
   • 추론 시간 SOC 불확실성에 대한 민감도.
   • 제로샷 온도 전이 (25°C 에서 -20°C 로).
   • 제로샷 주행 사이클 전이 (UDDS 에서 US06, LA92, HWFET 로).
3. 안정성 입증: 본 연구는 하이브리드 접근법이 정확도를 향상시킬 뿐만 아니라 순수 데이터 기반 베이스라인에 비해 시드 간 변이성을 현저히 감소시켜 더 큰 최적화 안정성을 나타낸다는 점을 강조합니다.

결과
실험은 공개된 파나소닉 18650PF 데이터셋에서 수행되었습니다. ECM-UDE 는 독립적인 ECM-1RC 와 적층 LSTM 베이스라인과 비교되었습니다.

• 일치된 조건 (UDDS, 25°C): ECM-UDE 는 평균 절대 오차 (MAE) 를 39.16 mV로 달성하여 LSTM(75.89 mV) 과 ECM-1RC(127.97 mV) 를 능가했습니다. 이는 LSTM 대비 MAE 가 48% 감소한 것입니다. 또한, ECM-UDE 는 시드 간 변이성 (변동 계수: LSTM 의 6.20% 대비 0.44%) 을 한 자릿수 수준으로 낮추어 나타냈습니다.
• 추론 시간 SOC 교란: SOC 입력에 가우스 노이즈가 추가되었을 때, ECM-UDE 는 모든 노이즈 수준 ($\sigma_z \in \{0.01, 0.02, 0.05\}$) 에서 가장 낮은 절대 오차를 유지했으나, 결정론적 ECM-1RC 보다 약간 더 높은 민감도를 보였습니다.
• 온도 전이 (제로샷): 온도가 25°C 에서 -20°C 로 감소함에 따라 모든 모델의 성능이 저하되었습니다. 그러나 ECM-UDE 는 일관되게 가장 정확한 성능을 유지했습니다. -20°C 에서 ECM-UDE 는 173.63 mV 의 MAE 를 달성한 반면, LSTM 은 193.45 mV, ECM-1RC 는 182.92 mV 를 기록했습니다.
• 주행 사이클 전이: 미지의 사이클 (US06, LA92, HWFET) 로의 제로샷 전이 하에서 ECM-UDE 는 모든 대상에서 가장 낮은 오차를 달성했습니다. 상대적 이득은 가장 공격적인 사이클 (US06) 에서 가장 두드러졌으며, 여기서 ECM-UDE 는 LSTM 대비 MAE 를 45.2% 감소시켰습니다.

의의 및 주장
본 논문은 잔차 보정 ECM-UDE 가 저차수 회로 모델에 대한 가볍고 해석 가능한 개선을 제공한다고 주장합니다. 그 의의는 다음과 같은 점을 입증하는 데 있습니다:

• 물리적 앵커링: 물리 모델은 작동 조건 변화 (온도 및 주행 사이클 변동) 하에서 순수 학습 모델의 성능 저하를 방지하는 안정적인 "전압 앵커"를 제공합니다.
• 상호 보완성: 물리적 백본과 학습된 보정은 중복적이기보다는 상호 보완적입니다. 회로는 지배적인 구조를 처리하는 반면, 신경 요소는 구조화된 잔차를 보정합니다.
• 실용성: 이 접근법은 대형 블랙박스 모델로 ECM 을 대체하지 않고도 상당한 정확도 향상을 달성하여, BMS 의 관측자 기반 SOC 추정 체계에 통합될 수 있는 실현 가능한 후보가 됩니다.

저자들은 특정 NCA 화학 전지에 대한 결과가 유망하지만, 다른 화학 물질 (예: LFP, NMC) 및 전지 형식에 대한 일반화에는 추가 평가가 필요하다고 지적합니다. 향후 연구로는 관측자 수준 통합 및 명시적인 온도 의존 파라미터 적응을 탐구할 것을 제안합니다.