혁신적인 AI 기반 배터리 모델링: 현장 배터리 특성 추정의 새로운 시대

스페인 연구진이 개발한 AI 기반 배터리 모델링 기술은 물리 정보 신경망(PINN)과 전이 학습(TL)을 활용하여 현장에서 배터리의 전기화학적 매개변수를 효율적으로 추정합니다. 라즈베리 파이를 이용한 실험 결과, 높은 정확도를 보였으며 실시간 배터리 관리 시스템(BMS) 구현 가능성을 제시합니다.

스페인 연구진(Josu Yeregui, Iker Lopetegi, Sergio Fernandez, Erik Garayalde, Unai Iraola)이 발표한 최근 논문은 배터리 관리 시스템(BMS) 분야에 혁신적인 변화를 가져올 잠재력을 지닌 AI 기반 배터리 모델링 기술을 제시합니다. 이 연구는 물리 정보 신경망(PINNs) 과 전이 학습(TL) 을 결합하여 현장에서 배터리의 전기화학적 매개변수를 효율적으로 추정하는 새로운 프레임워크를 개발했습니다.

이 기술의 핵심은 두 단계 모델링 전략에 있습니다. 첫 번째 단계에서는 단일 입자 모델(SPM)의 물리적 원리만을 사용하여 PINN을 훈련시킵니다. 이는 실제 데이터 없이도 모델 구축이 가능하다는 것을 의미하며, 현장 배포의 용이성을 크게 향상시키는 장점을 가지고 있습니다. 두 번째 단계에서는 훈련된 PINN의 대부분의 매개변수를 고정하고, 실제 배터리 전압 프로파일 데이터를 사용하여 중요한 전기화학적 매개변수만을 조정합니다. 이러한 전이 학습 기반 접근 방식은 계산 비용을 획기적으로 줄여, 실시간 BMS 구현을 가능하게 합니다.

연구진은 제안된 방법론을 라즈베리 파이 장치에서 실험적으로 검증했습니다. 표준 충전 프로파일 데이터를 사용하여 NMC 전지의 활성 물질 부피 분율을 82.09%의 정확도로 추정하는 데 성공했으며, 이는 3.89%의 상대 오차율에 해당하는 놀라운 결과입니다. 다양한 열화 조건에서 충전 데이터를 사용하여 확산 계수와 활성 물질 부피 분율을 효과적으로 추정할 수 있음을 입증했습니다.

이 연구는 단순히 새로운 알고리즘을 제시하는 것을 넘어, 실제 현장에서 활용 가능한 실용적인 기술을 제시했다는 데 큰 의미가 있습니다. 이는 배터리 성능 최적화, 수명 예측, 안전 관리 등 다양한 분야에 긍정적인 영향을 미칠 것으로 예상됩니다. 특히 전기차, 에너지 저장 시스템 등 배터리 사용이 증가하는 분야에서 더욱 중요한 의미를 가집니다. 앞으로 이 기술의 발전과 상용화에 큰 기대를 걸어볼 만합니다.

단, 현재 연구는 특정 유형의 배터리(NMC 전지)에 대한 결과를 제시하고 있으므로, 다른 유형의 배터리에도 적용 가능한지에 대한 추가 연구가 필요합니다.