기술 요약: 배터리 에너지 저장 장치(BESS) 현장 고장 데이터로부터의 건강 특성 추출

문제 정의

그리드 연결형 배터리 에너지 저장 장치(BESS) 내 리튬 이온 배터리 모듈의 건전성을 모니터링하는 것은 치명적인 고장을 방념하기 위해 매우 중요합니다. 그러나 현장에서 셀의 건전성을 평가하는 것은 실험실 환경과는 구별되는 다음과 같은 상당한 어려움이 존재합니다:

1. 가변적인 운전 조건: 실제 시스템은 변동하는 C-rate, 전압 범위, 온도를 경험합니다. 이러한 변화는 건강 특성(health features)을 교란하여, 열화로 인한 변화와 운전 역학에 의한 변화를 구분하기 어렵게 만듭니다.
2. 희소한 센싱: 상용 모듈은 일반적으로 모든 개별 셀에 대한 센서를 갖추고 있지 않습니다. 전압과 전류는 병렬 그룹 수준에서 측정되며, 온도 센서는 희소합니다. 이는 개별 셀 상태의 직접적인 관찰을 방해하여 미세한 고장 징후를 가립니다.
3. 알려지지 않은 고장 메커니즘: 가혹 조건이 유도되는 실험실 연구와 달리, 현장의 고장은 근본 원인이 불분명하여 특정 고장 지표를 식별하는 것을 복잡하게 만듭니다.
4. 데이터 부족: 고장 데이터는 희귀하며, 기존의 공개 데이터셋은 병렬로 연결된 셀 구성을 포함하지 않거나 내부 저항에만 의존하여 건강 지표로 활용하는 경우가 많습니다.

방법론

저자들은 결함이 있는 병렬 연결 셀 그룹을 식별하기 위해 운전 데이터로부터 건강 특성을 추출하고 보정하는 프레임워크를 제시합니다. 이 방법론은 세 단계로 구성됩니다:

1. 데이터 처리 및 특성 추출

각 14개의 직렬 연결 병렬 그룹을 포함하는 25개의 상용 BESS 모듈에서 추출한 1Hz 운전 데이터를 사용하여, 각 병렬 그룹에 대해 세 가지 범주의 건강 특성을 추출했습니다:

• 용량 ($\hat{C}$): 정전력 방전 이벤트 중 쿨롱 카운팅(Coulomb counting)을 통해 추정되었습니다. SOC 경계는 완화된 단자 전압을 신선한 셀의 개방 회로 전압(OCV) 곡선에 매핑하여 결정되었습니다.
• 내부 저항 ($\hat{R}$): 충전 이벤트 이후의 전압 완화 거동으로부터 추정되었습니다. 저항은 오믹(ohmic), 전하 전달(charge-transfer), 확산 저항을 포착하기 위해 다양한 시간 단계($\tau \in \{1s, 5, 10, 15, 20, 25 \text{ min}\}$)에서 계산되었습니다.
• 미분 전압 분석(DVA) 특성: 방전 중 $dV/dQ$ 곡선에서 추출되었습니다. 특성에는 고전압(3.7–3.9 V) 및 저전압(3.45–3.65 V) 피크의 높이와 전압 위치가 포함되었습니다. 센서 노이즈를 완화하기 위해 특정 알고리즘(OCP 기반 식별 및 Savitzky-Golay 필터링)이 사용되었습니다.

2. 보정을 위한 가우시안 프로세스(GP) 회귀

가변적인 운전 조건의 영향을 기저의 열화 트렌드로부터 분리하기 위해, 저자들은 GP 회귀 프레임워크를 채택했습니다.

• 모델 구조: 각 건강 특성 $y$는 운영 조건(예: C-rate, 전압, 전류)에 대한 민감도를 포착하는 $f_{op}(x)$와 시간 의존적 열화 궤적을 포착하는 $f_{deg}(t)$의 두 독립적인 GP의 합으로 모델링되었습니다.
• 보정: $f_{deg}(t)$ 성분을 격리함으로써, 이 방법은 측정 당시의 특정 운전 조건과 관계없이 진정한 노화 트렌드를 나타내는 "보정된" 특성을 생성합니다.
• 정규화: 모듈 간 비교를 가능하게 하기 위해, 보정된 특성은 동일 모듈 내의 다른 13개 그룹의 평균 및 표준편차를 기준으로 정규화되었습니다.

3. 통계적 평가

저자들은 25개 모듈 각각에서 13개의 정상 그룹과 대비되는 단일 결함 그룹을 구별하는 능력을 평가하기 위해 보정된 특성들을 평가했습니다.

• 통계적 검정: Mann–Whitney U 테스트를 사용하여 결함 그룹과 비결함 그룹의 분포가 유의미하게 다른지($p < 0.05$) 확인했습니다.
• 식별 효용성: 실질적인 탐지 능력을 정량화하기 위해 ROC 곡선 아래 면적(AUC)을 계산했습니다.

주요 결과

본 연구는 1~6개월간의 데이터가 수집된 25개의 결함 그룹과 325개의 비결함 그룹을 포함하는 데이터셋을 활용했습니다.

• 유의미한 분리:

  • 용량: 용량의 중앙값과 용량 열화율(기울기) 모두 결함 그룹과 비결함 그룹 사이에서 통계적으로 유의미한 차이를 보였습니다 ($p < 0.05$). 결함 그룹은 고장 확정 15~30일 전부터 이미 낮은 용량과 가속화된 열화를 나타냈습니다.
  • DVA 피크 높이: 고전압 및 저전압 $dV/dQ$피크의 높이 모두 결함 그룹에서 유의미하게 낮았습니다 ($p < 0.05$).
  • 참고: DVA 피크 위치와 특정 시간 창에서의 용량 기울기는 항상 유의성을 보이지는 않았으나, 주요 지표(용량 및 피크 높이)는 유의성을 보였습니다.

• 분리 실패:

  • 내부 저항: 오믹 저항($\tau=1s$)이나 전하 전달/확산 저항($\tau > 1s$) 모두 결함 그룹과 비결함 그룹 사이에서 통계적으로 유의미한 차이를 보이지 않았습니다 ($p > 0.05$).

• 탐지 성능:

  • 통계적 유의성에도 불구하고, 모든 특성의 식별력(AUC)은 완만했습니다. 가장 성능이 좋은 특성인 용량 열화율은 0.671의 AUC를 달s했습니다. DVA 피크 높이와 중앙 용량 값은 0.614에서 0.64 사이였습니다.
  • 저항 특성은 무작위 추측에 가까운 성능을 보였습니다 (AUC < 0.60).
  • 저자들은 이를 결함 메커니즘의 이질성과 병렬 연결에 의한 마스킹 효과로 인한 결함 및 비결함 인구 간의 상당한 분포 중첩 때문이라고 설명합니다.

가설적 고장 메커니즘

관찰된 특성 징후를 바탕으로, 저자들은 이 데이터셋의 고장이 다음과 일치한다고 가설을 세웠습니다:

• 셀 간 불균형 및 불균질성: $dV/dQ$ 피크 높이의 감소는 더 넓은 상전이(phase transition)와 불균일한 전류 분포를 시사합니다.
• 국부적 리튬 플레이팅(Lithium Plating): 낮은 용량과 가속화된 열화율은 가역적이지 않은 리튬 재고 손실(LLI)과 일치합니다.

저항 편차가 나타나지 않은 것은 고장이 주로 저항 증가(예: 커넥터 부식 또는 내부 단락)에 의해 특징지어지지 않았거나, 병렬 구조가 단일 결함 셀의 저항 증가를 가렸음을 시사합니다.

의의 및 주장

본 논문은 다음과 같은 기여와 의의를 주장합니다:

1. 현장 데이터를 위한 프레임워크: 가우시안 프로세스를 사용하여 가변적인 운전 조건으로부터 열화 트렌드를 성공적으로 분리함으로써, 실제 BESS 운전 데이터로부터 건강 특성을 추출하고 보정하는 강력한 프레임워크를 입증했습니다.
2. 저항 중심 탐지에 대한 도전: 본 연구는 병렬 연결된 모듈의 고장 탐지에 있어 내부 저항에만 전적으로 의존하는 것에 의문을 제기합니다. 이 특정 데이터셋에서는 저항이 주요 지표가 아니었던 반면, 용량 및 DVA 특성이 유효했음을 보여줍니다.
3. 병렬 고장 역학의 이해: 병렬로 연결된 그룹을 분석함으로써, 기존 문헌(종종 직렬로만 연결된 셀에 집중함)의 공백을 메우고 병렬 연결이 그룹 수준의 저항 측정에서 개별 셀의 열화를 숨길 수 있는 "마스킹 효과"를 강조합니다.
4. 현실적인 기대치: 저자들은 통계적으로 유의미한 차이가 존재함에도 불구하고, 특성 분포의 상당한 중첩이 높은 오탐률 없이 현장에서 강력한 고장 탐지를 수행하는 데 있어 개별 전기화학적 특성을 사용하는 것이 얼마나 어려운지를 보여준다고 겸허히 결론지었습니다. 이 연구는 탐지 문제를 완전히 해결했다고 주장하는 것이 아니라, 고장 동작에 대한 이해를 진전시키는 데 목적이 있습니다.