Thermo-Relational State Inference for Lithium-Ion Battery SOC Estimation under Dynamic Thermal Excitation

현대 생활은 저장된 에너지로 움직입니다. 도시 거리를 조용히 미끄러져 가는 전기 자동차부터 전력망을 안정화하는 거대한 배터리 뱅크에 이르기까지, 리튬 이온 배터리는 우리 전동화 미래의 조용한 엔진입니다. 하지만 이 배터리들은 단순히 에너지를 담는 용기가 아닙니다. 이들은 온도가 얼마나 뜨겁거나 차가운지에 따라 그 거동이 변하는 복잡한 화학 시스템입니다. 이를 안전하고 효율적으로 사용하기 위해, 장치 내부의 컴퓨터 시스템은 남은 에너지가 정확히 얼마인지 끊임없이 알고 있어야 합니다. 이를 '충전 상태(state of charge)'라고 부릅니다. 만약 시스템이 잘못 예측하면, 자동차가 갑자기 멈춰 서거나 배터리가 너무 과하게 방전되어 손상될 수 있습니다. 문제는 우리가 측정할 수 있는 것(예: 배터리 단자의 전압)과 실제 내부 에너지 사이의 관계가 고정되어 있지 않다는 점입니다. 이 관계는 배터리가 사용 중에 가열되거나 겨울철에 냉각됨에 따라 변화하고 왜곡됩니다.

수년 동안 엔지니어들은 이 에너지 수준을 추적하는 더 나은 방법을 구축하기 위해 노력해 왔습니다. 많은 접근 방식은 배터리의 이력, 즉 1초 전, 1분 전, 혹은 1시간 전에 어떤 일이 있었는지에 의존합니다. 그러나 이러한 방법들은 종-종 배터리의 온도를 상자 위의 정적인 라벨처럼 단순한 배경 숫자로 취급합니다. 그들은 온도 자체가 배터리의 과거 행동과 현재 상태 사이의 관계를 변화시키는 움직이는 목표라는 사실을 깨닫지 못합니다. 오늘날의 특정 전압 수치는 어제 배터리 온도가 달랐다면 오늘과는 완전히 다른 의미를 가질 수 있습니다. 이러한 단절은 배터리가 동적 열적 흥분(dynamic thermal excitation), 즉 빠른 주행이나 갑작스러운 전력 분출 시처럼 부하가 걸린 상태에서 가열되고 냉각되는 상황에 처할 때 결정적인 문제가 됩니다.

연구진은 이 특정 문제를 해결하기 위해, 배터리의 열적 이력을 계산의 살아있는 일부로 취급하는 새로운 방법을 개발했습니다. 그들의 새로운 시스템인 '열 관계 상태 추론 네트워크(Thermo-Relational State Inference Network)'는 단순히 현재 온도를 입력 목록에 추가하는 대신, 온도가 어떻게 변하는지에 따라 전기적 측정값의 의미를 능동적으로 다시 씁니다. 이 시스템은 모든 데이터에 대해 두 가지 질문을 던집니다. "지금 온도가 어떻게 변하고 있는가?" 그리고 "현재 이 순간은 이전의 순간들과 어떻게 다른가?" 이 질문들에 답함으로써, 시스템은 동일한 전기 신호라도 서로 다른 열적 조건 하에서 발생했다면 서로 다른 양의 에너지를 나타낼 수 있음을 이해할 수 있습니다.

연구진은 도시 주행의 멈춤과 출발을 모사하는 LA92라는 실제 주행 프로필을 사용하여 이 새로운 접근 방식을 테스트했습니다. 그들은 Panasonic NCR18650PF라는 특정 유형의 배터리 셀을 사용했으며, 주변 공기 온도가 약 섭씨 10도에서 25도로 변하는 변화하는 열 환경에 노출시켰습니다. 이 테스트에서 배터리의 표면 온도와 공기 온도는 별도로 측정되었으며, 이를 통해 시스템은 배터리가 변화하는 열에 어떻게 반응하는지 정확히 볼 수 있었습니다. 목표는 열적 조건이 끊임없이 변동하는 상황에서 이 새로운 시스템이 기존 방식보다 배터리의 에너지 수준을 더 정확하게 추적할 수 있는지 확인하는 것이었습니다.

결과는 놀라웠습니다. 새 시스템은 평균 오차 단 0.47%로 배터리의 에너지 수준을 추적했습니다. 이를 체감하기 위해, 만약 당신이 100kg 무게의 물체를 추측하려 한다면, 이 시스템은 0.5kg도 채 되지 않는 오차를 보일 것입니다. 이에 비해 이 테스트에 사용된 기존의 가장 강력한 방식은 평균 1.24%의 오차를 기록하며 두 배 이상의 큰 오차를 냈습니다. 또한 새 시스템은 기존의 최선책과 비교했을 때 최대 오차의 크기를 65% 줄였습니다. 이는 평균적인 예측이 더 나았을 뿐만 아니라, 배터리 온도가 급격히 변할 때 발생할 수 있는 커다란 오차의 급증도 방지했다는 것을 의미합니다.

이러한 성취를 가능하게 한 것은 컴퓨터가 시간과 열을 생각하는 방식의 변화입니다. 연구진은 배터리의 과거를 직선적으로 바라보는 것이 아니라, 두 가지 요소에 기반하여 배터리의 역사 속 모든 순간을 다른 모든 순간과 연결하는 '열 관계 필드(thermal relation field)', 즉 정신적 지도를 구축했습니다. 즉, 배터리가 10분 전에 뜨거웠고 지금은 차갑다면, 시스템은 10분 전의 데이터가 온도가 일정했을 때보다 현재의 순간에 덜 유의미하다고 이해합니다. 이를 통해 시스템은 모든 과거 데이터를 똑같이 유용한 것으로 취급하는 대신, 과거 사건의 중요성을 동적으로 조절할 수 있습니다.

또한 이 시스템은 분석하기 전에 전기 신호 자체를 조정하는 메커니즘을 포함하고 있습니다. 온도가 변함에 따라 배터리의 내부 화학 구조가 변하며 전압과 전류 측정값이 다르게 작동합니다. 새 시스템은 현재 온도, 온도의 변화율, 그리고 배터리 표면과 주변 공기 사이의 온도 차이를 사용하여 이러한 전기 신호를 자동으로 재보정합니다. 이는 본질적으로 원시 숫자들을 현재의 열적 환경에 적합한 언어로 번역하는 과정입니다. 이 과정은 실시간으로 일어나며, 시스템이 항상 현재 직면한 조건에 맞춰 데이터를 올바르게 해석하도록 보장합니다.

이러한 특정 기능들이 성공의 이유였음을 증명하기 위해, 연구진은 시스템의 구성 요소를 하나씩 제거하며 일련의 테스트를 수행했습니다. 과거와 현재 사이의 열적 차이를 비교하는 능력을 제거했을 때 오차율이 크게 급증했습니다. 또한 복잡한 온도 조정을 단순한 일방향 스케일링 방식으로 대체했을 때, 시스템은 덜 안정적이 되었고 더 큰 실수를 저질렀습니다. 이러한 테스트들은 개선이 단순히 더 많은 데이터나 더 큰 컴퓨터 모델을 가졌기 때문이 아니라, 열적 변화와 역사적 관련성을 연결하는 특정한 방식에서 왔음을 확인시켜 주었습니다. 이 시스템은 전기 신호의 의미가 그 신호가 발생하기까지의 열적 이야기(thermal story)에 달려 있다는 사실을 명시적으로 모델링하기 때문에 작동하는 것입니다.

이 연구는 위스콘신 대학교 매디슨에서 수집된 공개 데이터셋을 사용하여 수행되었으며, 이는 결과가 컴퓨터 시뮬레이션이 아닌 실제 측정값에 기반하고 있음을 보장합니다. 연구진은 학습에 사용된 데이터와 완전히 분리된 주행 프로필을 사용하여 시스템을 테스트함으로써, 시스템이 새로운 상황에 일반화될 수 있음을 입증했습니다. 비록 이번 테스트가 특정 유형의 배터리와 완만한 온도 범위로 제한되었지만, 이 결과는 배터리 관리 시스템을 위한 명확한 경로를 제시합니다. 과거를 단순히 사건의 연속이 아니라 변화하는 열적 상태의 연속으로 인식함으로써, 이 새로운 접근 방식은 우리가 가장 중요한 기기들에 저장된 에너지를 감시하는 더 견고하고 정확한 방법을 제공합니다. 이는 배터리 관리의 미래가 열을 무시하는 것이 아니라, 그 열이 배터리의 삶의 이야기를 어떻게 재구성하는지를 이해하는 데 있음을 시사합니다.