[Battery] LSTM 기반 리튬이온 배터리 SOH 진단 설계 및 데이터 전략 정리

리튬이온 배터리 SOH(State of Health) 진단 필요성과 설계 방안

1. SOH 진단이 왜 중요한가?

리튬이온 배터리는 일반적으로 초기 정격 용량의 80% 수준에 도달하는 시점에서 급격한 성능 저하가 발생한다.

이 구간에서는 다음과 같은 변화가 나타난다.

• 출력 특성 저하
• 내부 저항 증가
• 발열 증가
• 충·방전 효율 감소

이 80% 지점을 EOL(End of Life) 이라고 하며, 배터리 교체 또는 재사용 여부를 판단하는 중요한 기준이 된다.

배터리의 수명을 정량적으로 나타내는 대표 지표가 바로 SOH(State of Health) 이다.

SOH는 단순한 잔존 용량 개념을 넘어:

• 배터리 운용의 안정성
• 시스템의 에너지 효율
• 재사용 가능성 판단
• 유지보수 시점 결정

등에 직접적인 영향을 미치는 핵심 지표이다.

---

2. 과거 컨설팅 내용 정리

SOH 진단 솔루션 설계를 위해 다음과 같은 방향성이 도출되었다.

① 데이터 정의의 명확화

• 데이터 분석에 필요한 데이터 종류를 먼저 명확히 정의
• 사용 후 배터리뿐 아니라 정상 상태 배터리 데이터 확보 필요
• 실제 배터리 측정 시 수집 가능한 데이터 종류 조사

② 목적 설정

• 단순 진단?
• 성능 개선?
• 완제품 개발?

→ 목표에 따라 데이터 구성과 모델 구조가 달라짐

 

③ 라벨링 전략

배터리 성능 기준을 정의한 뒤

• 양호
• 불량
• 고장

과 같은 등급 체계로 변환하여 데이터 수집 필요

 

④ 기술 및 제도 조사

• 국제 표준
• 국내 가이드라인
• 학계 연구
• 산업계 적용 사례
• 특허 분석

등의 자료 확보 필요

---

3. SOH 진단 솔루션 프로세스

배터리 수명은 온도, 습도 등 외부 환경 요인에 매우 민감하다.

따라서 장기 의존성(Long-term dependency) 과 시계열 전기적 특성을 반영할 수 있는 LSTM(Long Short-Term Memory) 모델을 적용하는 것이 적절하다.

진단 프로세스는 다음과 같다.

 

Fig1. diagnosis solution process

---

1) Feature Selection

SOH 예측을 위해 다음 세 가지 핵심 변수를 선택한다.

• 전압 (Voltage)
• 전류 (Current)
• 온도 (Temperature)

이 세 변수는 배터리 열화 특성과 직접적인 상관관계를 가진다.

---

2) Data Extraction

• 동일 시간 범위에서
• 각 Feature당 20개 샘플 추출

→ 총 60차원 벡터 구성

즉,

(전압 20 + 전류 20 + 온도 20)
= 60차원 입력 벡터 생성

---

3) Normalization

추출된 벡터 값들을 정규화한다.

정규화 목적:

• 변수 간 단위 차이 제거
• 값 스케일 차이로 인한 학습 왜곡 방지
• 모델 수렴 안정성 향상

---

4) LSTM 기반 SOH 예측

전처리된 벡터를 LSTM 모델의 입력값으로 사용하여 SOH를 예측한다.

LSTM은:

• 시간에 따른 열화 패턴 학습 가능
• 노이즈 환경에서도 비교적 안정적
• 장기 특성 반영 가능

이라는 장점이 있다.

---

4. 설계 시나리오

1) 데이터 수집

필요 데이터 예시

• 충·방전 전압
• 충·방전 전류
• 표면 온도
• 내부 저항
• 용량 변화
• 충·방전 사이클 수
• 환경 조건

---

2) SOH 평가 표준 및 가이드라인

🔹 IEC 62620 (International Electrotechnical Commission)

• 산업용 리튬이온 배터리 성능 시험 기준
• 안전성 및 성능 측정 방법 정의
• SOH 평가 관련 기준 포함

🔹 한국 자동차 자원순환 협회

Fig2. 사용 후 폐배터리 성능 및 안전성 평가 사례

Fig3. 정밀 검사 방법 예시

사용 후 배터리의:

• 성능 평가 사례
• 안전성 검사 절차
• 정밀 진단 방법

등을 제시하고 있음

이는 재사용 및 2차 활용 산업과도 밀접한 관련이 있다.

---

5. 적용 기법

① 내부 저항과 SOH의 관계

배터리 열화가 진행될수록 내부 저항은 증가한다.

일반적으로:

• 내부 저항 증가 → 출력 감소
• 발열 증가 → 열화 가속

따라서 내부 저항은 SOH를 추정하는 중요한 간접 지표가 된다.

---

② 시계열 특징 추출

단순 평균값이 아니라:

• 충·방전 곡선의 형태
• 피크 전압 변화
• 전압 강하율
• 온도 상승 패턴

과 같은 시계열 특징을 추출하면 예측 정확도를 향상시킬 수 있다.

---

6. 결론

SOH 진단은 단순한 잔존 용량 계산이 아니라,

• 전기적 특성
• 열 특성
• 시간에 따른 열화 패턴
• 내부 저항 변화

를 종합적으로 분석해야 하는 문제이다.

LSTM 기반 시계열 모델은 이러한 복합적 특성을 반영할 수 있는 적절한 접근 방법이며,

향후에는:

• 데이터 고도화
• 특징 엔지니어링 개선
• 표준 기반 평가체계 연계
• 재사용 배터리 등급 분류 모델 확장

등으로 발전시킬 수 있을 것이다.