방법 논문

다채널 사이클링 데이터를 이용한 리튬 이온 배터리 성능 예측을 위한 재현 가능한 딥러닝 워크플로

DOI:

10.3791/71903

⸱

2026년 8월 14일

 , 
1Faculty of Science, Department of Physics, Southern University of Science and Technology, 2Homerton College, University of Cambridge

이 논문에서

요약

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

본 프로토콜은 다채널 사이클링 데이터와 엔지니어링된 특성을 활용하여 리튬 이온 배터리의 건강 상태, 잔여 수명 및 에너지 저장 성능을 예측하는 재현 가능한 딥러닝 워크플로를 제시합니다.

초록

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

본 프로토콜은 다채널 사이클링 데이터를 사용하여 리튬 이온 배터리 성능을 예측하기 위한 재현 가능한 딥러닝 워크플로우를 제시합니다. 다중 소스 정보 통합 및 특성 표현과 관련된 기존 데이터 기반 모델의 한계를 해결하기 위해, 본 방법은 공개적으로 사용 가능한 5개의 배터리 데이터셋을 활용합니다. 입력 데이터에는 전압, 전류, 용량, 온도, 내부 저항, 쿨롱 효율 및 에너지 효율을 포함한 원시 운전 신호와 증분 용량, 미분 전압, 에너지 처리량과 같은 엔지니어링된 특성이 포함됩니다. 본 프로토콜은 여러 관찰 윈도우에 걸쳐 배터리 수준의 시계열 텐서를 구축하기 위한 표준화된 전처리 절차를 상세히 설명합니다. 재현성을 높이기 위해, 고정된 랜덤 시드, 반복 평가 실행 및 환경 추적을 통해 심층 신경망, 합성곱 신경망(CNN), 장단기 메모리(LSTM) 네트워크, CNN–LSTM 및 트랜스포머 기반 모델을 포함한 후보 신경망 아키텍처를 평가합니다. 대표적인 결과에 따르면, 다채널 데이터와 엔지니어링된 특성이 통합된 CNN–LSTM 아키텍처가 평가된 모델들 중 우수한 예측 성능을 달성했습니다. 선택된 구성은 잔여 수명 및 방전 가능 에너지 예측에서 높은 성능을 유지하면서, 상태 진단(state-of-health) 추정에서 0.024의 평균 절대 오차와 0.955의 R2 값을 달성했습니다. 어블레이션 및 강건성 분석을 통해 다채널 특성 통합의 기여도와 반복 평가 전반에 걸친 재현성 중심 워크플로우의 안정성을 추가로 입증했습니다. 이 표준화된 방법론은 다양한 운전 조건 하에서 배터리 수명 주기 관리 및 예측 모델링을 위한 재현 가능한 프레임워크를 제공합니다.

서론

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

리튬 이온 배터리는 높은 에너지 밀도, 긴 사이클 수명, 낮은 자가 방전율 덕분에 휴대용 전자 기기부터 그리드 규모의 에너지 저장 시스템에 이르기까지 다양한 응용 분야에서 전 세계적인 재생 에너지 전환의 중심 역할을 하고 있습니다. 그러나 장기간의 작동은 필연적으로 점진적인 용량 저하와 내부 저항 증가로 이어집니다1. 이러한 성능 저하는 경제적 타당성을 감소시킬 뿐만 아니라 열 폭주를 포함한 심각한 안전 위험을 초래합니다. 대규모 에너지 저장 시스템의 배치가 계속 가속화됨에 따라 배터리 수명 주기 관리는 점점 더 복잡해지고 있습니다2. 기존의 임계값 기반 모니터링 및 수동 점검 프로토콜은 동적인 작동 환경에 대응하기에 불충분합니다3. 또한, 변동하는 충방전율, 주변 온도 및 방전 전압 변화 조건 하에서 배터리의 건강 상태(SOH) 또는 잔여 유효 수명(RUL)을 정확하게 예측하기에는 단일 파라미터에 의존하는 방식이 부적절합니다4. 현재의 워크플로우는 주로 실험실 제어 사이클링 데이터셋을 사용하여 검증되었으나, 다채널 아키텍처와 시계열 모델링 프레임워크는 향후 전기차 응용 분야 및 가변적인 환경 조건에서 발생하는 동적 작동 환경으로의 적응을 지원할 수 있습니다.

배터리 성능 저하는 고체 전해질 계면(SEI) 성장, 활성 리튬 손실 및 전극 재료의 구조적 퇴화로 인해 발생하는 매우 복잡하고 비선형적인 전기화학적 과정입니다. 역사적으로 상태 추정은 등가 회로 모델이나 전기화학적-물리적 편미분 방정식(PDEs)5에 의존해 왔습니다. 이러한 물리적 모델은 가치 있는 메커니즘적 통찰력을 제공하지만, 다채널 결합 신호를 처리할 때 상당한 계산 오버헤드와 파라미터 식별 문제라는 한계가 있습니다. 결과적으로, 고율 방전 조건에서의 복잡한 확산 역학 및 환경적 가변성으로 인해 임베디드 배터리 관리 시스템(BMS)에서의 실시간 구현이 매우 제한적입니다6. 이와 대조적으로, 제안된 딥러닝(DL) 워크플로우는 대부분의 계산 부하를 오프라인 학습 단계에 집중시키며, 학습된 모델은 배포 시 상대적으로 신속한 추론을 수행합니다. 따라서 이 프레임워크는 향후 리소스가 제한된 BMS 및 엣지 컴퓨팅 환경에서의 구현을 지원할 수 있습니다.

최근 데이터 기반의 딥러닝(DL) 접근 방식은 탁월한 비선형 피팅 능력 덕분에 강력한 도구로 부상했습니다. 그럼에도 불구하고 기존의 DL 방법론에는 두 가지 주요 한계가 있습니다. 첫째, 많은 접근 방식이 전압, 전류, 온도와 같은 다채널 사이클링 응답 간의 고유한 시공간적 상관관계를 무시한 채, 주로 단일 용량 퇴화 곡선이나 특정 방전 전압 임계값에 의존합니다. 이러한 한계는 다중 조건 작동 시나리오에서 모델의 강건성을 저하시킵니다7. 이전 연구들에 따르면 복잡한 작동 중에 열 상태를 무시하면 예측 오차의 누적이 가속화될 수 있음이 밝혀졌습니다8,9. 둘째, 응용 머신러닝(ML) 분야에서는 재현성 문제가 지속적으로 제기되고 있습니다. 실험 조건의 변동, 불충분하게 설명된 전처리 파이프라인, 임의로 선택된 신경망 하이퍼파라미터로 인해, 본래 강건한 모델이라 하더라도 교차 데이터셋 검증 단계에서 실패하는 경우가 빈번합니다10. 전처리와 초기 사이클 예측 과정에서 정보 누출의 위험을 줄이기 위해, 제안된 워크플로우는 외부 검증 및 교차 데이터셋 평가 이전에 훈련 데이터셋에서만 정규화 스케일링 인자와 엔지니어링 특성 기준선을 도출합니다.

이러한 결정적인 공백을 메우기 위해, 본 프로토콜의 전반적인 목표는 다채널 사이클링 데이터를 사용하여 리튬 이온 배터리의 에너지 저장 성능을 예측하기 위한 자동화되고 재현성이 높은 딥러닝(DL) 워크플로우를 제시하는 것입니다. 이 방법의 근거는 고차원 신경망 구조 내에서 교차 모달 시계열 데이터를 통합함으로써 배터리 열화와 관련된 복잡한 장기 의존성을 명시적으로 포착하는 데 있습니다. 기존의 물리 기반 및 딥러닝 접근 방식과 비교하여 본 프로토콜의 핵심 장점은 원신호 전처리, 특성 공학, 모델 훈련 및 불확실성 평가를 아우르는 완전한 파이프라인을 구축한 포괄적인 표준화에 있습니다. 이전에도 하이브리드 신경망 구조가 연구된 바 있으나, 본 워크플로우는 재현성에 중점을 둔 훈련 프레임워크 내에서 전기화학적 사이클링 변수를 설계된 열화 특성과 정렬함으로써 표준화된 다채널 통합을 강조합니다. 이전에 보고된 많은 워크플로우와 달리, 본 프로토콜은 이질적인 배터리 데이터셋과 실험실 환경 전반에서 재현성을 향상시키기 위해 표준화된 파라미터 설정, 고정된 랜덤 시드, 반복적인 평가 실행 및 포괄적인 환경 추적을 포함합니다. 또한, 이 워크플로우는 다양한 입력 구성에 따른 예측 안정성과 성능을 평가하기 위해 여러 신경망 구조를 체계적으로 비교합니다. 평가된 데이터셋과 실험 설정 내에서, CNN-LSTM(convolutional neural network–long short-term memory) 구조는 국소적 특성 추출과 장거리 시간 시퀀스 모델링을 결합하면서도 적절한 계산 복잡도를 유지함으로써, 평가된 단독 CNN 및 트랜스포머 기반 모델 대비 우수한 예측 성능을 보였습니다. 본 프로토콜은 배터리 수명 주기 관리를 위해 재현 가능하고 환경 적응적인 예측 모델을 개발하고자 하는 연구자와 엔지니어에게 매우 적합합니다.

프로토콜

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

본 연구는 공개적으로 이용 가능한 리튬 이온 배터리 사이클링 데이터셋만을 독점적으로 활용하였으며, 인간 참여자, 동물 실험 대상 또는 생물학적 시료를 포함하지 않았으므로 기관 윤리 승인이 필요하지 않았습니다.

1. 데이터 획득 및 정리

  1.  다채널 사이클링 데이터셋 확보
    1. 충·방전 사이클 기록이 포함된 공개 배터리 저장소에서 리튬 이온 배터리 사이클링 데이터셋을 다운로드한다. 데이터셋 버전의 일관성을 유지하기 위해 CALCE, SANYO, PANASONIC, KOKAM 및 GOTION 데이터셋을 각각의 기관 오픈 액세스 저장소 또는 디지털 객체 식별자(DOI) 링크를 통해 직접 확보한다.
    2. 전체 사이클 수, 용량 측정값 및 적어도 하나의 연속적인 충·방전 곡선이 포함된 배터리 샘플을 선택한다. 단일 사이클 내에서 2시간을 초과하는 중단이 없으며 정전류 및 정전압 단계가 모두 완전히 기록되었는지 확인하여 연속성을 검증한다.
  2. 원시 사이클링 기록 필터링
    1. 원시 사이클링 기록을 필터링하여 온도, 내부 저항, 쿨롱 효율 및 에너지 효율 측정값이 포함된 샘플만 유지한다. 이후의 다채널 특징 융합에는 완전한 물리적 입력 변수 세트가 필요하므로, 이러한 필수 상태 채널이 누락된 배터리 셀은 분석 워크플로에서 제외한다.
    2. 불완전한 기록, 일관되지 않은 타임스탬프, 정의되지 않은 테스트 절차 또는 불분명한 충·방전 종료 조건이 포함된 사이클을 제거한다. 인접한 사이클 간에 5%를 초과하는 급격한 용량 감소가 나타나거나, 화학 조성별 작동 범위를 벗어난 전압 측정값이 있거나, 타임스탬프 간격이 비단조적인 경우를 이상 사이클로 정의한다.
  3. 시계열 배터리 데이터베이스 구축
    1. 유지된 사이클링 기록을 시간 순으로 정리하여 배터리 수준의 시계열 데이터베이스를 구축한다.
    2. 처리된 데이터셋을 Hierarchical Data Format version 5 (HDF5)를 사용하여 저장한다. 데이터셋 출처, 화학 시스템 및 개별 배터리 셀 식별자별로 정리된 표준화된 디렉토리 구조를 유지한다.
    3. 데이터셋 분할 전 개별 배터리 셀에 고유 식별자를 할당한다. 학습-테스트 분할 시 배터리 셀 식별자를 기준으로 그룹화를 수행하여, 단일 물리적 배터리의 모든 순차적 사이클이 하나의 데이터셋 서브셋 내에만 포함되도록 한다.
      ​참고: 전처리, 정규화, 리샘플링 또는 특징 공학을 수행하기 전 원본 원시 데이터셋을 별도로 보존한다.
  4. 관찰 윈도우 정의
    1. 초기 50 사이클, 초기 100 사이클 및 전체 배터리 수명의 초기 20%를 사용하여 다채널 관찰 윈도우를 구축한다. 20% 수명 임계값은 수명 종료 전의 전체 사이클 수명에 0.2를 곱하여 계산한다.
    2. 텐서 구축 전, 각 관찰 윈도우 내에서 전압, 전류, 용량, 온도, 내부 저항 및 효율 측정값을 정렬한다.
    3. 최종 입력 구조를 관찰 윈도우 길이, 128개의 표준화된 사이클 내 샘플링 지점, 그리고 정렬된 다채널 특징 세트로 구성된 3차원 텐서로 포맷팅한다.

2. 데이터 전처리 및 특성 공학

  1. 원시 사이클링 데이터 전처리
    1. 모든 배터리 소스 전반에 걸쳐 데이터 품질을 표준화하기 위해 원시 사이클링 데이터셋에 균일한 전처리를 수행합니다. 시계열 조작을 위한 Pandas 라이브러리와 수치 보간을 위한 SciPy가 포함된 Python 3.10을 사용하여 모든 전처리, 동기화 및 표준화 절차를 실행하십시오.
    2. 후속 분석 전에 이상치를 제거하고, 결측값을 검출하며, 타임스탬프를 보정하고, 충방전 단계를 식별하며, 샘플링 빈도를 정규화합니다. 이상 탐지를 위해 거부 기준이 3.0보다 큰 수정 Z-score 임계값 방법을 적용하십시오.
    3. 모든 수치 배열에서 NaN 플래그 식별을 통해 결측값을 자동으로 검출합니다. 충전 사이클에는 양의 전류 값을, 방전 사이클에는 음의 전류 값을 할당하여 전류 극성에 따라 충전 및 방전 단계를 구분하십시오.
    4. 단계 전환 정렬 중에 전기화학적 시간 역학을 보존하기 위해 조각별 3차 에르미트 보간 다항식(piecewise cubic Hermite interpolating polynomials)을 사용하여 누락된 신호 세그먼트를 재구성하십시오.
  2. 사이클링 곡선 리샘플링
    1. 데이터셋 전반에서 샘플링 밀도의 변화나 신호 드리프트가 검출되면 사이클링 곡선을 리샘플링합니다. 연속 측정값 사이의 간격이 해당 사이클링 단계의 중앙 샘플링 빈도 대비 10% 이상 벗어날 때마다 자동 리샘플링을 트리거하십시오.
    2. 플랫폼별 기록 편차를 줄이기 위해 각 사이클 내의 샘플링 포인트 수를 표준화합니다. 1차원 선형 보간을 사용하여 모든 시간 시퀀스를 고정된 공간 그리드에 매핑하십시오.
    3. 텐서 구성 전에 각 충방전 프로필을 정확히 128개의 등간격 샘플링 포인트로 압축 또는 확장하십시오.
  3. 연속 변수 정규화
    1. 네트워크 수렴을 안정시키고 스케일 관련 편향을 줄이기 위해 모델 학습 전에 모든 연속 변수를 정규화합니다. Min-Max 스케일링을 적용하여 모든 연속 변수를 0과 1 사이의 수치 범위로 변환하십시오.
    2. 모든 정규화 파라미터는 오직 학습 데이터셋에서만 계산하십시오. 초기 사이클 예측 중 미래 시간 데이터 누수(forward temporal data leakage) 위험을 줄이기 위해 고정된 스케일링 파라미터를 검증 및 테스트 데이터셋에 적용하십시오.
  4. 다채널 입력 텐서 구성
    1. 각 배터리에 대한 연속 사이클링 기록을 고정 길이의 시간 세그먼트로 나눕니다. 첫 50 사이클, 첫 100 사이클 또는 배터리 수명 주기의 첫 20%에 해당하는 사전 정의된 관찰 윈도우에 따라 시간 세그먼트를 구조화하십시오.
    2. 텐서 구성 전에 각 시간 세그먼트 내에서 전압, 전류, 용량, 온도, 내부 저항 및 효율 측정값을 정렬하십시오.
    3. 정렬된 특성 행렬을 (N × 128 × C) 형식의 3차원 텐서로 결합하십시오. 여기서 N은 관찰 윈도우 길이를 나타내고, 128은 표준화된 사이클 내 샘플링 포인트를 나타내며, C는 물리적 및 공학적 특성 채널의 총 수를 나타냅니다.
  5. 공학적 특성 추출
    1. 열화 패턴 식별 능력을 향상시키기 위해 원시 사이클링 신호에서 공학적 전기화학 특성을 추출합니다. 표준화된 샘플링 그리드 전체에서 dQ/dV 및 dV/dQ를 계산하여 증분 용량(incremental-capacity) 및 미분 전압(differential-voltage) 특성을 산출하십시오.
    2. Savitzky–Golay 필터링을 적용하여 매끄럽게 처리된 증분 용량 및 미분 전압 곡선을 생성하십시오.
    3. 필터링된 전기화학 특성에서 피크 전압 이동, 단계 전환 전압 차이 및 사이클 간 에너지 처리량 변화를 포함한 열화 지표를 추출하십시오.

3. 딥러닝(DL) 모델 구축 및 학습

  1. 후보 예측 모델 구축
    1. 그림 1A에 제시된 모든 예측 모델을 위한 표준화된 학습 및 평가 프레임워크를 구축하십시오. PyTorch 버전 2.0 이상을 사용하여 DL 워크플로우를 구현하십시오.
    2. 데이터 로딩, 모델 초기화, 최적화 및 평가를 위한 모듈형 Python 스크립트를 사용하여 학습 워크플로우를 실행하십시오.
    3. 선형 회귀, 랜덤 포레스트 및 그래디언트 부스팅 결정 트리 모델을 포함한 전통적인 ML 베이스라인 모델을 준비하십시오. 랜덤 포레스트 모델은 트리 100개, 최대 깊이 10으로 구성하십시오.
    4. Scikit-learn 라이브러리를 통해 학습률 0.1, 최대 트리 깊이 5로 그래디언트 부스팅 결정 트리 프레임워크를 구성하십시오.
    5. 다층 퍼셉트론, 1차원 CNN, LSTM 네트워크, CNN–LSTM 및 트랜스포머 기반 모델을 포함한 DL 후보 아키텍처를 준비하십시오.
    6. AdamW 옵티마이저, Gaussian error linear unit 활성화 함수, 128의 은닉 차원 및 0.2의 드롭아웃 비율을 적용하여 모든 DL 아키텍처의 핵심 하이퍼파라미터를 표준화하십시오.
  2. CNN–LSTM 아키텍처 구성
    1. 입력 텐서로부터 다채널 사이클링 정보를 융합하도록 CNN–LSTM 아키텍처를 구성하십시오(그림 1B). 합성곱 특징 추출기를 각각 128개의 은닉 유닛을 포함하는 두 개의 적층 재귀층으로 연결하여 하이브리드 아키텍처를 구축하십시오.
    2. SOH, RUL 및 방전 가능 에너지를 동시에 예측하기 위해 세 개의 병렬 완전 연결 회귀 헤드로 아키텍처를 종료하십시오.
    3. 다양한 척도의 국소적 특징을 추출하기 위해 커널 크기가 3, 5, 7인 세 개의 연속적인 1차원 합성곱 층을 통해 다채널 입력 텐서를 처리하십시오.
    4. 최적화 중 그래디언트 안정성을 향상시키기 위해 각 합성곱 층 다음에 배치 정규화를 적용하십시오.
    5. 시퀀스 모델링 전에 합성곱 특징 맵을 연속적인 시간 시퀀스로 재구성하십시오.
    6. 인코딩된 시간 시퀀스를 적층 재귀층에 입력하여 사전 정의된 관찰 윈도우 전체의 장거리 열화 의존성을 포착하십시오.
  3. 모델 학습을 위한 데이터셋 분할
    1. 처리된 배터리 셀 데이터셋을 70:15:15 비율로 학습, 검증 및 테스트 서브셋으로 분할하십시오. 고정된 랜덤 시드 값 42를 사용하여 데이터셋 분할을 실행하십시오.
    2. 모든 데이터셋 서브셋에서 균형 잡힌 열화 분포를 유지하기 위해 배터리 화학 조성에 기반한 층화 추출법을 적용하십시오.
    3. 순차적인 열화 궤적을 보존하기 위해 개별 사이클을 무작위화하는 대신 반드시 배터리 셀 수준에서 데이터셋 분할을 수행하십시오.
    4. 데이터셋 간의 정보 누설을 방지하기 위해 분할 과정에서 각 배터리 셀을 분할 불가능한 단위로 유지하십시오.
    5. 학습, 검증 및 테스트 서브셋 간의 배터리 셀 식별자 교집합을 계산하여 중복이 없음을 확인함으로써 데이터셋 격리를 프로그램적으로 검증하십시오.
    6. 분포 외 평가 및 교차 데이터셋 일반화 평가를 위해 전체 GOTION 리튬 인산철(LFP) 데이터셋을 사용하여 외부 테스트 데이터셋을 컴파일하십시오.
    7. 방법론적 투명성과 재현성을 지원하기 위해 소스 코드, 환경 설정 파일 및 처리된 데이터셋 분할본을 전용 GitHub 저장소를 통해 공개하십시오.
  4. 모델 학습 초기화
    1. 학습 전 회귀 손실 함수를 평균 제곱 오차로 설정하십시오. 각 예측 대상의 손실 값에 동일한 가중치를 부여하여 합산함으로써 전역 학습 목적 함수를 계산하십시오.
    2. 초기 학습률을 1 × 10−3로 설정하고, 데이터셋 크기에 따라 배치 크기를 32 또는 64로 선택하십시오.
    3. 하드웨어 활용도를 높이기 위해 5,000 사이클 이상의 데이터셋에는 배치 크기 64를 사용하십시오. 더 작은 데이터셋에는 최적화 안정성을 위해 배치 크기 32를 사용하십시오.
      참고: 서로 다른 관찰 윈도우에서 수렴 속도와 그래디언트 안정성의 균형을 맞추기 위해 예비 그리드 탐색 평가를 통해 이러한 하이퍼파라미터를 선택하십시오.
  5. 학습 제어 적용
    1. 검증 손실 변화에 기반한 동적 학습률 스케줄러를 적용하십시오. 검증 손실이 5 epoch 연속으로 개선되지 않으면 학습률을 0.5배로 감소시키십시오.
    2. 최적화 과정 동안 최소 학습률 임계값을 1 × 10−5로 유지하십시오.
    3. 과적합을 줄이기 위해 최대 100 epoch 후에 모델 학습을 중단하십시오.
    4. 검증 손실이 15 epoch 연속으로 감소하지 않으면 조기 종료를 적용하십시오. 가장 우수한 성능을 보인 검증 반복 회차의 모델 가중치를 복원하십시오.
  6. 재현성 기록 유지
    1. 모델 초기화 및 학습 전에 고정된 랜덤 시드 값 42를 설정하십시오.
    2. 비결정론적 CUDA 연산을 비활성화하면서 Python random 모듈, NumPy 및 PyTorch 백엔드 전체에 고정된 랜덤 시드를 일관되게 적용하십시오.
    3. 각 실험 실행에 대해 소프트웨어 환경, 종속성 버전, 파라미터 설정, 데이터 분할 및 학습 출력 결과를 기록하십시오.
    4. NVIDIA RTX 3090 GPU 또는 동등한 하드웨어가 장착된 워크스테이션에서 CUDA 11.8 가속과 Ubuntu 22.04를 사용하여 모든 DL 워크플로우를 실행하십시오.

figure-protocol-1
그림 1. 다채널 리튬 이온 배터리 성능 예측을 위한 재현 가능한 딥러닝(DL) 워크플로우. (A) 다채널 데이터 획득, 표준화된 전처리, 텐서 구축, 모델 학습 및 배터리 성능 지표 예측을 보여주는 엔드-투-엔드(end-to-end) 재현 가능 워크플로우. 재현성 제어 항목에는 고정된 랜덤 시드, 반복 학습 실행, 파라미터 추적 및 환경 로깅이 포함된다. (B) 다채널 특징 추출, 시계열 시퀀스 모델링, 특징 융합, 그리고 건강 상태(SOH), 잔여 수명(RUL) 및 방전 가능 에너지 예측에 사용되는 CNN–LSTM 하이브리드 아키텍처. (C) 후보 모델 스크리닝, 강건성 평가, 하이퍼파라미터 최적화 및 최종 모델 선택을 보여주는 평가 및 배포 파이프라인. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

4. 모델 평가 및 표적 예측

  1. 모델 예측 생성
    1. 훈련된 각 모델을 통해 대상 테스트-배터리 데이터셋을 처리합니다. 추론 전 전처리된 테스트 데이터셋을 직렬화된 PyTorch 텐서로 로드합니다.
    2. 평가 중 의도하지 않은 파라미터 업데이트를 방지하기 위해 그래디언트 비활성화 컨텍스트 매니저를 사용하여 순방향 추론 패스를 실행합니다.
    3. 훈련된 회귀 헤드를 사용하여 각 성능 지표에 대한 동시 예측을 생성합니다.
    4. SOH, RUL 및 방전 가능 에너지 예측을 위해 구성된 3개의 병렬 회귀 헤드로부터 동시 출력을 추출합니다.
  2. 예측 대상 계산
    1. 현재 가용 용량을 초기 배터리 용량과 비교하여 SOH를 계산합니다.
    2. 초기 배터리 용량은 초기 3회의 안정화 사이클 동안 기록된 최대 방전 용량으로 정의합니다.
    3. SOH를 현재 사이클 용량과 설정된 초기 용량 기준선 사이의 비율로 계산합니다.
    4. 안정적인 배터리 용량이 중단되는 작동 임계값을 식별하여 RUL을 추정합니다.
    5. 수명 종료(end of life)를 배터리 용량이 정격 용량의 80% 미만으로 가역 불가능하게 감소하는 사이클 횟수로 정의합니다.
    6. RUL을 현재 관찰 시점부터 정의된 수명 종료 임계값까지의 남은 사이클 횟수로 계산합니다.
    7. 기록된 방전 조건으로부터 방전 가능 에너지를 예측합니다.
    8. 사다리꼴 적분법을 사용하여 방전 구간 전체에서 방전 전압과 방전 전류의 곱을 수치 적분함으로써 실제값(ground-truth) 방전 가능 에너지를 계산합니다.
  3. 예측 성능 평가
    1. 각 예측 대상에 대해 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE), 평균 절대 백분율 오차(MAPE) 및 결정 계수(R2)를 계산합니다.
    2. 표준화된 통계 공식을 사용하여 Scikit-learn metrics 모듈로 모든 평가 지표를 계산합니다.
    3. 평가 일관성을 유지하기 위해 모든 모델, 데이터셋 및 입력 구성에 동일한 지표 계산을 적용합니다.
    4. 전체적인 모델 일반화 능력을 평가하기 위해 독립 테스트 데이터셋 내의 통합 배터리 샘플 전체에 걸쳐 모든 성능 지표를 집계합니다.
  4. 계층화된 성능 보고
    1. 반복된 실험 실행 전반에 걸쳐 각 평가 지표의 평균과 표준 편차를 계산합니다.
    2. 5회의 독립적인 모델 초기화로부터 보고된 통계 측정값을 도출합니다.
    3. 예측 불확실성을 정량화하기 위해 평균 성능 지표와 함께 95% 신뢰 구간을 보고합니다.
    4. 서로 다른 관찰 윈도우 길이 및 입력 채널 구성에 따른 모델 성능을 비교합니다.
    5. 50 사이클, 100 사이클 및 200 사이클에 해당하는 관찰 윈도우를 사용하여 비교 분석을 계층화합니다.
    6. 용량 전용 입력부터 전체 다채널 텐서 통합에 이르는 여러 입력 구성에 대해 예측 성능을 평가합니다. 평가, 강건성 스크리닝 및 배포 선택 워크플로우는 그림 1C를 참조하십시오.

5. 재현성, 강건성 및 민감도 분석

  1. 재현성 및 강건성 검증
    1. 그림 2A에 제시된 모든 재현성 평가에서 동일한 데이터 파티션, 전처리 워크플로우 및 실험 절차를 유지한다.
    2. 재현성 일관성을 평가하기 위해 반복 시행 간 주요 평가 지표의 변동 계수를 계산한다.
    3. 동일한 표준화된 훈련 및 테스트 워크플로우를 사용하여 모든 평가 절차를 반복한다.
    4. 결정론적인 데이터 로딩 및 셔플링 절차는 유지하면서, 무작위 네트워크 가중치를 사용하여 각 반복 평가를 초기화한다.
  2. 반복 훈련 실험 수행
    1. 재현 가능한 가중치 초기화를 보장하기 위해, 미리 정의된 고정 랜덤 시드 값을 사용하여 동일한 실험 조건 하에서 예측 모델을 반복적으로 훈련시킨다.
    2. 데이터 기반의 가변성을 줄이기 위해 동일한 데이터셋 파티션을 사용하여 5회의 독립적인 훈련을 수행한다.
    3. 5회의 반복 훈련에서 얻은 평가 지표의 평균을 내어 최종 성능 지표를 계산한다.
    4. 원시 예측 텐서를 결합하는 대신, 평균화된 평가 점수를 사용하여 최종 강건성 지표를 집계한다.
  3. 하이퍼파라미터 민감도 평가
    1. 민감도 분석 중에 학습률, 배치 크기, 은닉층 차원 및 드롭아웃 비율을 개별적으로 수정한다.
    2. 1 × 10−4에서 1 × 10−2 범위의 학습률, 32에서 128 범위의 배치 크기, 32에서 256 범위의 은닉 차원, 그리고 0.1에서 0.5 범위의 드롭아웃 비율을 평가한다.
    3. 각 하이퍼파라미터 조정 후 예측 정확도의 대응하는 변화를 기록한다.
    4. RMSE 및 R2를 사용하여 예측 성능의 변동성을 정량화한다.
  4. 특성 제거 분석 수행
    1. 온도, 내부 저항 및 설계 특성 벡터를 포함하여 선택된 입력 채널을 다채널 입력 스트림에서 제거한다.
    2. 나머지 다채널 입력 구조는 유지하면서 한 번에 하나의 특성 그룹을 제거하는 leave-one-out 전략을 사용하여 특성 제거를 수행한다.
    3. 각 특성 제거 실험 후의 예측 성능을 비교하여, 개별 특성 그룹이 모델의 안정성과 정확도에 기여하는 정도를 평가한다.
    4. 전체 통합 다채널 베이스라인 모델 대비 평균 절대 오차의 증가 백분율을 계산하여 각 특성 그룹의 상대적 기여도를 정량화한다. 강건성 평가 및 민감도 분석 워크플로우는 그림 2B를 참조한다.

figure-protocol-2
그림 2. 표준화된 전처리, 강건성 평가 및 민감도 분석 워크플로우. (A) 원시 사이클링 신호 처리, 타임스탬프 보정, 이상치 제거, 리샘플링, 정규화, 채널 정렬 및 텐서 구성을 보여주는 표준화된 다중 채널 전처리 워크플로우. 입력 표현 전략에서는 단일 채널 입력, 다중 채널 원시 입력, 그리고 공학적 특성이 결합된 다중 채널 입력을 비교함. (B) 체계적인 하이퍼파라미터 섭동, 반복 실행 평가, 특성 제거 분석, 교차 검증 및 CNN–LSTM 워크플로우의 외부 검증을 보여주는 강건성 및 민감도 분석 파이프라인. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

결과

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

다채널 사이클링 신호 및 데이터 분포

리튬 이온 배터리의 사이클링 응답 특성을 규명하기 위해 대표적인 다채널 사이클링 신호와 성능 분포를 분석하였다. 본 연구에서는 리튬 코발트 산화물(LCO), 니켈 코발트 알루미늄 산화물(NCA), 니켈 망간 코발트 산화물(NMC) 및 LFP를 포함하여 다양한 화학 시스템을 대표하는 5가지 리튬 이온 배터리 데이터셋을 활용하였다(Table 1). 전압, 전류, 용량, 온도, 내부 저항, 쿨롱 효율 또는 에너지 효율을 포함한 핵심 사이클링 변수들을 증분 용량(incremental-capacity) 및 미분 전압(differential-voltage) 특성과 같은 설계된 특징들과 통합하여 다채널 특성 분석 프레임워크를 구축하였다. CALCE 데이터셋의 용량-전압 프로파일 및 SOH 분포(Figure 3A), SANYO 데이터셋의 평균 전압 프로파일 및 SOH 분포(Figure 3B), PANASONIC 데이터셋의 노화 궤적(Figure 3C), KOKAM 데이터셋의 전압 진화 히트맵(Figure 3D), 그리고 GOTION 데이터셋의 전압 분포 프로파일(Figure 3E)은 평가된 배터리 화학 조성에 따라 서로 다른 열화 거동을 보여주었다. 예를 들어, GOTION IFP20100140A 데이터셋은 LFP 시스템에서 흔히 나타나는 계단형 전압 특성을 보인 반면, PANASONIC NCR18650BD 데이터셋은 장기 사이클링 동안 전압 프로파일의 이동과 함께 점진적인 용량 감소를 나타냈다.

데이터셋 ID배터리 유형 / 모델화학 조성형태셀 수분석된 총 사이클 수사용된 초기 사이클 윈도우사이클당 샘플링 지점핵심 사이클링 채널추가 상태 채널유도 특성예측 대상
데이터셋 #1CALCE LCO 배터리LCO파우치형384,216초기 50회, 초기 100회, 수명 초기 20%128전압, 전류, 시간, 용량온도, 내부 저항dQ/dV, dV/dQ, 충전 시간, 방전 에너지SOH, RUL, 방전 가능 에너지
데이터셋 #2SANYO UR18650ENCA원통형 18650242,487초기 50회, 초기 100회, 수명 초기 20%128전압, 전류, 시간, 용량온도, 쿨롱 효율dQ/dV, 전압 플래토 기울기, 에너지 효율SOH, RUL, 방전 가능 에너지
데이터셋 #3PANASONIC NCR18650BDNCA원통형 18650425,134초기 50회, 초기 100회, 수명 초기 20%128전압, 전류, 시간, 용량온도, 내부 저항, 쿨롱 효율dQ/dV, dV/dQ, 충전 시간, 에너지 처리량SOH, RUL, 방전 가능 에너지
데이터셋 #4KOKAM SLPB533459H4NMC파우치형191,968초기 50회, 초기 100회, 수명 초기 20%128전압, 전류, 시간, 용량온도, 내부 저항dQ/dV, 방전 시간, 전압 기울기SOH, RUL, 방전 가능 에너지
데이터셋 #5GOTION IFP20100140ALFP각형576,482초기 50회, 초기 100회, 수명 초기 20%128전압, 전류, 시간, 용량온도, 내부 저항, 에너지 효율dQ/dV, 플래토 지속 시간, 충전/방전 에너지SOH, RUL, 방전 가능 에너지

표 1: 재현 가능한 DL 워크플로우에 사용된 리튬 이온 배터리 데이터셋, 다채널 사이클링 변수, 엔지니어링된 특성 및 예측 대상의 특성.이 표는 배터리 화학 조성, 셀 형태, 셀 수, 총 분석 사이클, 관찰 윈도우, 샘플링 밀도, 다채널 사이클링 변수, 엔지니어링된 전기화학적 특성, 모델 개발 및 평가에 사용된 예측 대상을 포함하여 본 연구에 포함된 리튬 이온 배터리 데이터셋을 요약합니다. 약어: SOH = 상태 진단; RUL = 잔여 수명; LCO = 리튬 코발트 산화물; NCA = 니켈 코발트 알루미늄 산화물; NMC = 니켈 망간 코발트 산화물; LFP = 리튬 인산철.

figure-results-1
그림 3. 리튬 이온 배터리 데이터셋 전반의 대표적인 다채널 사이클링 프로파일 및 배터리 상태 분포. (A) CALCE 리튬 코발트 산화물 데이터셋의 용량-전압 프로파일 및 SOH 분포. (B) SANYO 니켈 코발트 알루미늄 산화물 데이터셋의 평균 전압 프로파일 및 SOH 분포. (C) PANASONIC 니켈 코발트 알루미늄 산화물 데이터셋의 노화 궤적 및 누적 SOH 분포. (D) KOKAM 니켈 망간 코발트 산화물 데이터셋의 전압 진화 히트맵 및 SOH 샘플 분포. (E) GOTION 리튬 인산철 데이터셋의 전압 분포 프로파일 및 SOH와 내부 저항 간의 관계. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

에너지 저장에 대한 전반적인 예측 성능

제안된 워크플로우는 모든 평가 작업에서 낮은 예측 오차와 일관된 예측 성능을 보여주었습니다(표 2). SOH 추정의 경우, 모델은 검증 데이터셋에서 0.021, 테스트 데이터셋에서 0.024의 MAE를 달성했으며, 이에 따른 R2 값은 각각 0.962와 0.955였습니다. 이러한 결과는 평가된 조건 하에서 연속적인 배터리 상태 추정에 대해 안정적인 예측 성능을 나타냅니다. 또한, 이 워크플로우는 RUL 및 방전 가능 에너지 추정에 대해서도 신뢰할 수 있는 예측 능력을 입증하여, 테스트 데이터셋에서 각각 0.927과 0.941의 R2 값을 달성했습니다. 예측 안정성을 추가로 평가하기 위해, 동일한 데이터셋 분할을 사용하여 5회의 독립적인 모델 초기화를 통해 모든 성능 지표를 계산했습니다. 반복 평가 전반에 걸쳐 결과적인 표준 편차와 변동 계수 값이 낮게 유지되었으며, 이는 확률적 초기화에 대한 민감도가 낮고 반복적인 학습 조건에서도 안정적인 예측 거동을 보임을 나타냅니다. 또한, 95% 신뢰 구간이 반복 실행 간에 좁은 변동성을 보여, 제안된 다채널 워크플로우의 강건성과 재현성을 뒷받침하였습니다.

예측 작업데이터셋 분할MAERMSEMAPE (%)R²
SOH 추정검증0.0210.0292.470.962
SOH 추정테스트0.0240.0332.830.955
RUL 예측검증18.625.98.740.938
RUL 예측테스트21.429.79.630.927
방전 가능 에너지 예측검증0.0870.1213.180.948
방전 가능 에너지 예측테스트0.0940.1293.560.941

표 2: 검증 및 테스트 데이터셋에 걸친 리튬 이온 배터리 성능 추정을 위한 재현 가능한 DL 워크플로우의 예측 성능. 이 표는 검증 및 테스트 데이터셋을 사용하여 SOH 추정, RUL 예측 및 방전 가능 에너지 예측에 대한 제안된 워크플로우의 예측 성능을 요약합니다. 성능 지표에는 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE), 평균 절대 백분율 오차(MAPE) 및 결정 계수(R2)가 포함됩니다. 약어: SOH = 건강 상태; RUL = 잔여 유효 수명; MAE = 평균 절대 오차; RMSE = 평균 제곱근 오차; MAPE = 평균 절대 백분율 오차.

DL 아키텍처 간 성능 비교

다양한 네트워크 아키텍처와 입력 구성에 걸친 평가 결과, 예측 성능에서 상당한 차이가 나타났습니다(표 3). 재현성 기반의 아키텍처 선택 전후의 RMSE 분포는 그림 4A에 제시되어 있습니다. 심층 신경망 아키텍처는 시퀀스 기반 및 하이브리드 아키텍처에 비해 상대적으로 높은 MAE 및 RMSE 값을 생성했습니다. 다양한 다채널 입력 구성 간의 비교는 그림 4B에 요약되어 있습니다. 국소 특징 추출과 사이클 간 시계열 모델링을 모두 통합한 모델이 평가 조건 하에서 개선된 예측 정확도를 보였습니다. 예측 변동성이 낮은 모델들은 일반적으로 표준 편차가 감소한 상태에서 더 높은 평균 성능 점수로 군집화되었습니다(그림 4C). 평가된 입력 구성 전반의 평균 성능과 표준 편차 간의 관계는 그림 4D에 도식화되어 있습니다. 테스트된 구성 중 CNN-LSTM 아키텍처가 평가 데이터셋 및 실험 설정 내에서 가장 낮은 MAE(0.024)와 가장 높은 R2 값(0.955)을 달성했습니다. 또한, 공학적 특징을 전체 다채널 입력과 통합했을 때 MAE가 0.022로 감소하고 R2 값은 0.961이었으나, 용량 전용 입력은 예측 성능이 저하된 것으로 나타났습니다.

범주모델 / 입력 구성MAERMSEMAPE (%)R²
딥러닝 아키텍처DNN0.0310.0423.580.928
CNN0.0270.0373.140.941
LSTM0.0260.0363.050.944
CNN–LSTM0.0240.0332.810.955
Transformer0.0250.0342.890.951
입력 구성용량 전용0.0340.0463.920.916
전압 + 전류0.0290.0393.290.936
전체 다채널 입력0.0240.0332.830.955
다채널 + 설계된 특징량0.0220.0312.610.961

표 3: DL 아키텍처 및 입력 구성에 따른 예측 성능 비교.이 표는 재현 가능한 다채널 워크플로우에 사용된 서로 다른 DL 아키텍처와 입력 구성의 예측 성능을 비교합니다. 성능 지표에는 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE), 평균 절대 백분율 오차(MAPE) 및 결정 계수(R2)가 포함됩니다. 약어: DNN = 심층 신경망; CNN = 합성곱 신경망; LSTM = 장단기 메모리; MAE = 평균 절대 오차; RMSE = 평균 제곱근 오차; MAPE = 평균 절대 백분율 오차.

figure-results-2
그림 4. 모델 아키텍처 및 입력 구성의 재현성 기반 비교. (A) 재현성 기반 아키텍처 선택 전후의 평균 제곱근 오차 분포. (B) 안정적 모델 선택 전후의 다양한 입력 구성에 따른 평균 제곱근 오차 분포. (C) 후보 모델 아키텍처의 평균 성능 대비 표준 편차 비교. 색상은 평균 제곱근 오차를 나타내며, 빈 원은 선택된 안정적 모델을 나타냄. (D) 입력 구성의 평균 성능 대비 표준 편차 비교. 색상은 평균 제곱근 오차를 나타내며, 빈 원은 선택된 최적 구성을 나타냄. 여기를 클릭하여 이 그림의 확대 버전을 확인하십시오.

오차 분포 및 일관성 평가

전통적인 ML 베이스라인과 DL 아키텍처 전반의 예측 안정성을 평가하기 위해 절대 오차 분포를 분석하였습니다. 전통적인 ML 베이스라인은 오차 분포가 더 넓고 고오차 꼬리(high-error tail)가 길게 나타났으며, 이는 복잡한 열화 패턴 예측 작업에서 안정성이 낮음을 나타냅니다. 평가된 DL 모델 중에서 CNN–LSTM 아키텍처는 상대적으로 더 좁은 오차 분포와 더 짧은 고오차 꼬리를 보였으며, 이는 국소 특징 추출과 시계열 시퀀스 모델링의 통합 능력이 향상되었음을 시사합니다(그림 5). 온도, 내부 저항 및 효율 관련 변수를 포함함으로써 평가된 데이터셋 전반에서 예측 오차 분산이 점진적으로 감소하는 결과가 나타났습니다.

figure-results-3
그림 5전통적인 머신러닝(ML) 베이스라인 및 다채널 딥러닝(DL) 모델의 절대 오차 분포. 기존 머신러닝(ML) 베이스라인, 딥러닝(DL) 아키텍처 및 다채널 입력 구성에 따른 절대 예측 오차의 분포를 비교한 바이올린 도표. 검은색 선은 평균 절대 오차를 나타내며, 색상이 있는 선은 평균 ± 표준 편차를 나타냄. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

검증 시나리오 전반의 재현성 및 강건성

해당 워크플로우는 반복적인 학습 실행과 여러 검증 전략 전반에서 일관된 예측 성능을 유지하였다(표 4). 고정된 데이터 분할 및 고정된 랜덤 시드 초기화를 사용하여 수행한 반복 실행 결과, R2 값은 지속적으로 0.95 이상을 유지하였으며 MAE의 표준 편차는 낮게 나타나 안정적인 성능 지표를 보였다. 5-겹 교차 검증(five-fold cross-validation) 및 외부 검증 데이터셋을 이용한 추가 평가에서는 반복된 실험 조건 전반에 걸쳐 성능 변동이 제한적임을 입증하였다. 외부 검증 단계에서는 모델 학습 및 하이퍼파라미터 최적화 과정에서 완전히 제외된 GOTION 데이터셋만을 전적으로 활용하였다. 이 데이터셋은 별개의 LFP 화학 조성과 각형 셀(prismatic-cell) 구성을 나타내므로, 외부 평가는 이질적인 전기화학적 및 구조적 조건 하에서의 데이터셋 간 일반화 능력을 엄격하게 평가하였다. 또한, 변동 계수 분석과 반복 실행 평가를 통해 독립적인 실험 간 예측 분산이 낮음을 입증함으로써, 제안된 다채널 워크플로우의 강건성과 재현성을 뒷받침하였다.

검증 설정성능 지표평균표준편차최솟값최대값변동 계수 (%)
고정된 데이터 분할(n = 5)을 이용한 반복 실행평균 절대 오차0.0230.00210.0210.0269.13
평균 제곱근 오차 (RMSE)0.0320.00280.0290.0368.75
MAPE (%)2.760.242.483.118.7
R²0.9570.0060.9490.9640.63
서로 다른 무작위 시드(random seed)를 이용한 반복 실행 (n = 5)평균 절대 오차(MAE)0.0240.00240.0210.02710
평균 제곱근 오차(RMSE)0.0330.00310.0290.0379.39
MAPE (%)2.840.272.523.199.51
R²0.9540.0070.9460.9620.73
5-겹 교차 검증평균 절대 오차(MAE)0.0250.0030.0220.02912
평균 제곱근 오차(RMSE)0.0340.00340.030.03910
평균 절대 백분율 오차 (%)2.950.312.573.4110.51
R²0.9510.0090.940.9610.95
외부 검증평균 절대 오차0.0270.00320.0230.03111.85
평균 제곱근 오차0.0370.00380.0320.04210.27
평균 절대 백분율 오차 (MAPE, %)3.180.352.763.6711.01
R²0.9440.0110.9310.9561.17

표 4: 반복적인 훈련 실행 및 검증 전략에 따른 제안된 다채널 DL 워크플로우의 재현성 및 강건성 분석.이 표는 고정된 데이터 분할을 이용한 반복 실행, 서로 다른 랜덤 시드를 이용한 반복 실행, 5-겹 교차 검증 및 외부 검증 조건에서 제안된 워크플로우의 재현성 및 강건성 성능을 요약하여 보여줍니다. 성능 지표에는 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE), 평균 절대 백분율 오차(MAPE), 결정 계수(R2), 표준 편차(SD) 및 변동 계수가 포함됩니다. 약어: MAE = mean absolute error; RMSE = root mean square error; MAPE = mean absolute percentage error; SD = standard deviation.

하이퍼파라미터 민감도 및 특성 제거 분석

하이퍼파라미터 민감도 분석 결과, 관찰 윈도우 크기, 활성화 함수, 은닉 차원 크기 및 시퀀스 모델 깊이에 따라 예측 성능이 달라지는 것으로 나타났습니다. 관찰 윈도우 크기가 예측 오차 분포에 미치는 영향은 그림 6A에 나타나 있습니다. 평가 조건 하에서 100에서 200 사이클 사이의 관찰 윈도우는 더 낮은 예측 오차와 연관되었으며, 관찰 윈도우가 더 길어질수록 예측 정확도의 개선 효과는 감소했습니다. 활성화 함수에 따른 예측 변동성은 그림 6B에 요약되어 있습니다. 평가 조건 하에서 ReLU(Rectified linear unit) 및 GELU(Gaussian error linear unit) 활성화 함수는 다른 활성화 함수들에 비해 더 낮은 예측 오차를 보였습니다. 은닉 차원 크기와 시퀀스 모델 깊이에 따른 예측 성능의 민감도는 그림 6C에 나타나 있습니다. 128의 은닉 차원과 2~3개의 시퀀스 모델링 층은 예측 성능 향상과 연관되었으며, 얕은 아키텍처와 감소된 은닉 차원은 예측 오차의 증가와 연관되었습니다. 특성 제거(Feature-ablation) 분석 결과, 설계된 특성이나 효율 관련 변수를 제거했을 때 전체 다채널 구성에 비해 MAE가 증가하였으며(표 5), 이는 결합된 다채널 입력과 설계된 전기화학적 특성이 예측 성능 향상에 기여했음을 시사합니다.

figure-results-4
그림 6. 하이퍼파라미터 변화에 따른 예측 성능의 민감도. (A) 입력 윈도우 크기가 예측 오차 분포에 미치는 영향. (B) 활성화 함수 선택이 예측 오차 분포에 미치는 영향. (C) 은닉 차원 크기와 시퀀스 모델 층 수에 따른 예측 민감도를 나타낸 히트맵. 검은색 선은 평균 절대 오차를 나타내며, 색상이 있는 선은 해당되는 경우 평균 ± 표준 편차를 나타낸다. 이 그림의 확대 버전을 보려면 여기를 클릭하십시오.

카테고리설정MAERMSEMAPE (%)R²
입력 윈도우 크기20 cycles0.0310.0433.740.927
50 cycles0.0260.0363.080.944
100 cycles0.0230.0322.710.957
150 cycles0.0220.0312.630.96
200 cycles0.0220.0312.590.961
250 cycles0.0230.0322.670.958
300 cycles0.0240.0332.790.955
활성화 함수ReLU0.0230.0322.740.957
GELU0.0220.0312.610.961
Tanh0.0260.0363.050.946
Sigmoid0.0340.0473.960.918
은닉 차원 / 레이어당 채널 수320.0280.0393.220.939
640.0240.0332.810.954
1280.0220.0312.580.961
2560.0230.0322.690.958
시퀀스 모델링 레이어 수10.0270.0383.140.942
20.0230.0322.730.956
30.0220.0312.60.961
40.0240.0342.860.952
특성 제거 분석전체 멀티채널 + 엔지니어링 특성0.0220.0312.610.961
엔지니어링 특성 제외0.0240.0332.840.955
온도 제외0.0250.0342.930.951
내부 저항 제외0.0260.0353.010.949
효율 관련 변수 제외0.0250.0342.950.95
전압 + 전류만 포함0.0290.0393.290.936
용량만 포함0.0340.0463.920.916

표 5: 다양한 하이퍼파라미터 설정 및 특성 제거 구성에 따른 모델 성능의 민감도 분석.이 표는 제안된 다채널 DL 워크플로우 내에서 입력 윈도우 크기, 활성화 함수, 은닉 차원 크기, 시퀀스 모델 깊이 및 특성 제거 전략이 예측 성능에 미치는 영향을 요약합니다. 성능 지표에는 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE), 평균 절대 백분율 오차(MAPE) 및 결정 계수(R2)가 포함됩니다. 약어: MAE = 평균 절대 오차; RMSE = 평균 제곱근 오차; MAPE = 평균 절대 백분율 오차; ReLU = 정류 선형 유닛; GELU = 가우시안 오차 선형 유닛.

토론

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

본 프로토콜에서 설명한 재현 가능한 DL 워크플로우는 다채널 사이클링 데이터를 사용하여 리튬 이온 배터리의 성능을 정확하게 예측할 수 있음을 입증하였습니다. 해당 워크플로우는 평가된 실험 조건에서 SOH 추정에 대해 0.024의 테스트 MAE와 0.955의 R2 값을 달성하였으며, 이는 배터리 수명 주기 관리 및 에너지 저장 모니터링 응용 분야에서의 잠재적 유용성을 뒷받침합니다11,12,13.

이 프로토콜의 주요 장점은 기존의 전기화학-물리적 PDE 모델5에 비해 계산 복잡성이 감소한다는 점입니다. 물리 기반 접근 방식은 배터리 열화에 대한 기전적 통찰을 제공하지만, 고율 방전 조건 및 다채널 운전 환경에서 파라미터 식별에 어려움을 겪는 경우가 많습니다. 이와 대조적으로, 본 데이터 기반 워크플로우는 셀 화학성에 대한 명시적인 물리 기반 파라미터화 없이 사이클링 데이터로부터 비선형 열화 거동을 직접 모델링합니다14. 평가된 데이터셋과 실험 설정 내에서 CNN–LSTM 아키텍처는 평가 대상인 단독 CNN, LSTM 및 트랜스포머 기반 모델들에 비해 향상된 예측 성능을 보였습니다. 최근 연구들은 불확실성 추정을 동반한 열화 예측에서 트랜스포머 아키텍처의 효과성15과, 이종 충전 데이터를 이용한 프라이버시 보존 배터리 결함 예측에서 CNN의 역량16을 입증하였습니다. 하지만 본 워크플로우에서는 평가된 실험실 조건 하에서 예측 정확도, 계산 효율성 및 학습 안정성의 균형 잡힌 조합을 제공하는 CNN–LSTM 아키텍처를 우선적으로 채택하였습니다. 컨볼루션 레이어는 사이클링 곡선에서 국소적인 형태적 특징을 추출하였고, LSTM 레이어는 반복되는 사이클링 패턴 전반의 장거리 시간적 의존성을 모델링하였습니다17,18. 하이브리드 아키텍처는 단일 네트워크 구조에 비해 모델 복잡성을 증가시키지만, 평가된 실험 조건 하에서 계산 요구 사항은 실제 배터리 관리 시스템 배포 시나리오와 호환 가능한 수준을 유지하였습니다. 계산 비용의 대부분이 오프라인 모델 학습 중에 발생하기 때문에 추론 단계는 상대적으로 가벼우며, 이는 클라우드 기반 계산에 계속 의존하지 않고도 실시간 온보드 예측 및 엣지 레벨의 배터리 상태 모니터링이 가능하다는 타당성을 뒷받침합니다.

본 프로토콜의 성능은 몇 가지 중요한 전처리 및 입력 구성 단계에 크게 의존합니다. 첫째, 다채널 사이클링 신호 간의 시간적 관계를 유지하기 위해서는 엄격한 시퀀스 정렬 및 리샘플링 절차(단계 2.2)가 필수적입니다. 예비 평가 결과, 다채널 시퀀스가 제대로 정렬되지 않은 경우 예측 안정성이 저하되고 모델 오차가 증가하는 것으로 나타났습니다. 둘째, 미분 전압 특성과 같은 가공된 전기화학적 특징을 원시 사이클링 신호와 통합함으로써 예측 성능을 향상시켰습니다. 특징 제거 분석(feature-ablation analysis)을 통해, 온도 및 내부 저항 변수와 함께 가공된 특징들을 유지했을 때 평균 절대 오차(mean absolute error) 값이 더 낮아짐을 확인하였습니다19. 또한, 가공된 전기화학적 기술자를 다채널 시간적 특징과 결합함으로써 다양한 운전 조건에서 복잡한 열화 패턴을 포착하는 모델의 능력이 개선되었습니다20,21,22. 본 연구에서 구현된 중요한 방법론적 안전장치는 정규화 스케일링 인자와 특징 공학 기준선의 엄격한 분리였습니다. 모든 통계적 정규화 매개변수와 가공된 특징 계산은 검증 및 테스트 데이터셋에 적용하기 전, 오직 훈련 데이터셋에서만 도출되었습니다. 이러한 절차는 초기 사이클 예측 및 교차 데이터셋 평가 시 정보 누출(information leakage)의 위험을 줄여, 예측 워크플로우의 신뢰성과 재현성을 높였습니다.

본 프로토콜을 실행하거나 수정할 때, CNN–LSTM 최적화 과정에서 학습 불안정성이나 그래디언트 관련 문제가 발생할 수 있습니다. 손실 함수가 수렴하지 않거나 NaN 값이 생성되는 것은 재귀적 시퀀스 모델링 층 내에서 그래디언트 폭주(gradient explosion)가 발생했음을 나타낼 수 있습니다. 이러한 상황에서는 그래디언트 클리핑을 적용하거나, 초기 학습률을 1 × 10−3에서 1 × 10−4로 낮추거나, 배치 크기를 적절히 늘림으로써 그래디언트 업데이트를 부드럽게 하여 학습 안정성을 개선할 수 있습니다. 또한, 심층 시뮬레이션 시퀀스 모델링 시 ReLU 및 GELU 활성화 함수는 시그모이드(sigmoid)나 쌍곡탄젠트(hyperbolic tangent) 활성화 함수에 비해 그래디언트 전파 성능이 향상되는 것으로 나타났습니다. 따라서 본 연구에서 제시한 하이퍼파라미터 민감도 분석은 연구자가 다양한 학습 조건에서 워크플로우 안정성과 예측 성능을 최적화하는 데 도움이 될 수 있습니다23.

평가된 조건 하에서 달성한 예측 성능에도 불구하고, 본 프로토콜에는 몇 가지 제한 사항이 있습니다. 현재의 워크플로우는 주로 실험실에서 제어된 정전류/정전압 사이클링 데이터셋을 사용하여 검증되었습니다. 실제 전기차 응용 분야에서 배터리는 확률론적인 충방전 거동, 가변적인 사용자 운행 패턴 및 열화 특성을 변화시킬 수 있는 변동성 있는 환경 조건에 노출됩니다. 이러한 동적 운전 조건 하에서 데이터 기반 배터리 모델은 이전에 관찰되지 않은 열화 궤적이나 환경 조건으로 인해 예측 신뢰도가 떨어지는 분포 외(out-of-distribution) 시나리오에 직면할 수 있습니다. 실제 배포 환경에서의 강건성을 향상시키기 위해, 향후 이 워크플로우의 구현 시 증거 딥러닝(evidential DL) 또는 분위수 회귀(quantile-regression) 프레임워크와 같은 불확실성 정량화 전략을 통합하여 배터리 상태 예측과 함께 보정된 신뢰 구간을 제공할 수 있습니다. 또한, 도메인 적응 및 전이 학습 접근법은 실험실에서 생성된 열화 궤적과 실제 사이클링 거동 사이의 분포 격차를 해소하는 데 도움이 될 수 있습니다24. 연합 학습 또는 동적 가중치 전이 학습 전략은 사용자 데이터 프라이버시를 유지하면서, 대규모 실험실 데이터셋을 이용한 모델 사전 학습 후 제한된 실제 운행 데이터로 미세 조정하는 과정을 추가적으로 지원할 수 있습니다25. 현재의 프레임워크는 제어된 실험실 조건에서 안정적인 예측 성능을 보였으나, 전기차의 실제 BMS는 매우 동적인 부하 프로파일과 변동하는 환경 온도 하에서 작동해야 합니다. 따라서 향후 이 워크플로우를 수정할 때 실제 주행 사이클 데이터와 온라인 모델 업데이트 전략을 통합한다면 실제 배포 시의 예측 신뢰도를 높이는 데 도움이 될 것입니다.

데이터 분할, 전처리, 특징 추출 및 랜덤 시드 초기화 절차를 표준화함으로써, 본 프로토콜은 응용 배터리 ML 워크플로우 내의 재현성을 향상시킵니다26. 여기서 제시된 다채널 특징 통합 전략과 재현성 중심의 학습 프레임워크는 향후 신재생 에너지 저장, 전기차 모니터링 및 장기 배터리 수명 주기 평가를 위한 예측형 BMS 개발을 지원할 수 있습니다.

공개 사항

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

저자들은 상충하는 재정적 이익이나 이해관계가 없음을 선언합니다.

감사의 글

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

저자들은 본 연구에 필요한 학술적 환경과 계산 자원을 제공해 준 Southern University of Science and Technology의 물리학과와 University of Cambridge의 Homerton College의 기관 지원에 감사드립니다. 또한 CALCE, SANYO, PANASONIC, KOKAM, GOTION을 포함하여 오픈 액세스 리튬 이온 배터리 데이터셋을 공개함으로써 본 종합적인 다채널 분석을 가능하게 해 준 연구 기관과 기여자들에게 감사를 표합니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
CALCE 배터리 데이터셋메릴랜드 대학교, 고등 수명 주기 공학 센터(CALCE)https://calce.umd.edu/battery-data모델 학습 및 검증을 위한 다채널 리튬 이온 배터리 사이클링 데이터 소스
CUDA ToolkitNVIDIAVersion 11.8DL 모델 학습을 위한 GPU 가속
GOTION IFP20100140A 데이터셋Mendeley Datahttps://doi.org/10.17632/vpw4t7ytbx.2외부 검증 및 다채널 배터리 성능 저하 분석
KOKAM SLPB533459H4 데이터셋Mendeley Datahttps://doi.org/10.17632/7w4y4fzzbb.1다채널 배터리 성능 저하 모델링 및 검증
MatplotlibMatplotlib 개발팀Version 3.7.1모델 성능, 민감도 분석 및 재현성 결과의 시각화
NumPyNumPy 개발자Version 1.24.3수치 계산 및 텐서 구축
PANASONIC NCR18650BD 데이터셋Mendeley Datahttps://doi.org/10.17632/wykht8y7tg.1다채널 사이클링 데이터 소스 및 공학적 특성 추출
PandasPandas 개발자Version 2.0.3데이터 구성, 전처리 및 표 형식 데이터 관리
PyTorchPyTorch FoundationVersion 2.0.1CNN–LSTM 모델을 포함한 딥러닝 아키텍처 구축 및 학습
PythonPython Software FoundationVersion 3.10.12데이터 전처리, 특성 공학, 모델 학습 및 평가
SANYO UR18650E 데이터셋NASA Prognostics Data Repositoryhttps://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/재현성 평가 및 모델 검증을 위한 다채널 사이클링 데이터 소스
Scikit-learnScikit-learn 개발자Version 1.2.2베이스라인 모델 구현, 데이터셋 분할 및 성능 지표 계산

참고문헌

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lu J, Xiong R, Tian J. Deep learning to estimate lithium-ion battery state of health without additional degradation experiments. Nat Commun. 2023;14:2760.
  2. Zhang H, Li Y, Zheng S. Battery lifetime prediction across diverse ageing conditions with inter-cell deep learning. Nat Mach Intell. 2025;7:270–7.
  3. Zhang Y, et al. State-of-health estimation for lithium-ion batteries via incremental energy analysis and hybrid deep learning model. Batteries. 2025;11(6):217.
  4. Liu C, et al. Deep learning for state of health estimation of lithium-ion batteries in electric vehicles: A systematic review. Energies. 2025;18(6):1463.
  5. Chen C, Wei J, Li Z. Remaining useful life prediction for lithium-ion batteries based on a hybrid deep learning model. Processes. 2023;11(8):2333.
  6. Chen B, et al. Lithium-ion battery state of health estimation based on feature reconstruction and Transformer-GRU parallel architecture. Energies. 2025;18(5):1236.
  7. Zhao W, Ding W, Zhang S, Zhang Z. Enhancing lithium-ion battery lifespan early prediction using a multi-branch vision transformer model. Energy. 2024;302:131816.
  8. Hu J, et al. Early prediction of lithium-ion battery degradation with a generative pre-trained transformer. Nat Commun. 2026;17:126.
  9. Li Y, et al. Accurate and adaptive state of health estimation for lithium-ion battery based on patch learning framework. Measurement. 2025;250:117083.
  10. Geng M, et al. Interpretable deep learning with uncertainty quantification for lithium-ion battery SOH estimation. Energy. 2025;335:138027.
  11. Li Y, et al. State-of-health prediction of lithium-ion batteries using feature fusion and a hybrid neural network model. Energy. 2025;319:135163.
  12. Zhou J, et al. Deep learning estimation of state of health for lithium-ion batteries using multi-level fusion features of discharge curves. J Power Sources. 2025;653:237781.
  13. Wang Y, et al. A comprehensive review of machine learning-based state of health estimation for lithium-ion batteries: Data, features, algorithms, and future challenges. Renew Sustain Energy Rev. 2025;224:116125.
  14. Severson KA, et al. Data-driven prediction of battery cycle life before capacity degradation. Nat Energy. 2019;4(5):383–91.
  15. Wu R, et al. Confidence-aware quantile Transformer for reliable degradation prediction of battery energy storage systems. Reliab Eng Syst Saf. 2025;260:111019.
  16. Yang H, et al. Privacy-preserving collaborative battery fault warning for massive electric vehicles by heterogeneous data from charging stations. Nat Commun. 2026;17:974.
  17. Liu Y, et al. A hybrid deep learning approach for remaining useful life prediction of lithium-ion batteries based on discharging fragments. Appl Energy. 2024;358:122555.
  18. Bockrath S, Lorentz V, Pruckner M. State of health estimation of lithium-ion batteries with a temporal convolutional neural network using partial load profiles. Appl Energy. 2023;329:120307.
  19. Zhang Z, et al. Multi-cycle charging information guided state of health estimation for lithium-ion batteries based on pre-trained large language model. Energy. 2024;313:133993.
  20. Li Z, Zhang X, Gao W. State of health estimation of lithium-ion battery during fast charging process based on BiLSTM-Transformer. Energy. 2024;311:133418.
  21. Bao X, et al. Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries. Energy. 2023;278:127734.
  22. He N, et al. Early prediction of battery lifetime based on graphical features and convolutional neural networks. Appl Energy. 2024;353:122048.
  23. Rieger LH, et al. Uncertainty-aware and explainable machine learning for early prediction of battery degradation trajectory. Digit Discov. 2023;2(1):112–22.
  24. Li H, et al. A cross-material lithium-ion battery state of health estimation method based on three-stage domain adaptation. Energy. 2025;139376.
  25. Han T, et al. Source-free dynamic weighted federated transfer learning for state-of-health estimation of lithium-ion batteries with data privacy. IEEE Trans Power Electron. 2024;39(11):15085–100.
  26. Rhyu J, et al. Systematic feature design for cycle life prediction of lithium-ion batteries during formation. Joule. 2025;9(5):101884.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

관련 논문