- [24′ Research Square] Text2Concrete : LLMs can Design Sustainable Concrete – a Systematic Benchmark
- [23′ Nature Article] Leveraging large language models for predictive chemistry
- [07′ Energy Conversion & Management] Control oriented 1D electrochemical model of lithium ion battery
- [20′ IEEE Access] Real-Time Parameter Estimation of an Electrochemical Lithium-Ion Battery Model Using a Long Short-Term Memory Network
- [21′ Royal Society of Chemistry] Pathways towards managing cost and degradation risk of fast charging cells with electrical and thermal controls
- [23′ Nature Article] An autonomous laboratory for the accelerated synthesis of novel materials
- [21′ Elsevier] Hybrid Physics-Informed Neural Networks for Lithium-Ion Battery Modeling and Prognosis
1. 들어가며
리튬 이온 배터리의 성능과 안전성은 현대 기술 사회에서 중대한 관심사로 부상했습니다. 특히 전기차와 휴대용 전자기기의 핵심 구성 요소로서, 이들의 충방전 과정에서 일어나는 미묘한 상태 변화는 배터리의 수명과 성능, 그리고 안전성에 직접적인 영향을 미칩니다. 이러한 상태 변화를 정확히 파악하고 관리하는 것은, 고성능 배터리를 개발하고 유지하는 데 있어 필수적입니다.
전통적으로 배터리의 상태를 추적하고 예측하기 위해 사용되는 전기화학 모델은 복잡한 수학적 수식과 다수의 파라미터로 이루어져 있어, 실시간으로 배터리 상태를 추정하기에는 상당한 도전이 됩니다. 복잡성은 높은 계산 부담을 의미하며, 이는 배터리 관리 시스템(BMS)에 실시간으로 통합하는 데 있어 제약이 됩니다.
“Real-Time Parameter Estimation of an Electrochemical Lithium-Ion Battery Model Using a Long Short-Term Memory Network” 논문은 이러한 문제에 혁신적인 해결책을 제시합니다. 본 논문은 기존 전기화학 모델의 한계를 극복하고자, LSTM(Long Short-Term Memory) 네트워크를 활용하여 배터리의 전기화학 파라미터를 실시간으로 추정하는 새로운 방법론을 탐구합니다. LSTM의 사용은 전기차 제조사와 배터리 제조사가 배터리의 상태를 더욱 정확하고 효율적으로 모니터링하고 관리할 수 있는 가능성을 열어줍니다.
이 논문 리뷰는 전기화학 모델링과 인공지능 기술의 결합이 배터리 기술의 미래를 어떻게 변화시킬 수 있는지에 대한 통찰을 제공하고자 합니다. 복잡한 미분 방정식과 경계 조건, 다양한 파라미터로 구성된 전통적인 모델 대신, 시계열 데이터 모델링에 강력한 LSTM을 사용함으로써 배터리 상태 추정의 새로운 지평을 열고자 하는 이 논문의 시도는 주목할 가치가 있습니다.
2. Electrochemical Parameter Estimation using LSTM
이번 챕터에서는 어떻게 LSTM을 사용하여 Electrochemical Parameter를 추정할 수 있었는지 방법을 자세히 알아보겠습니다. 전체적인 방법을 표현하면 다음 그림과 같습니다.
위 그림은 이번 논문의 제안 방법을 한번에 표현해주고 있습니다. 핵심은 LSTM을 사용하여 Electrochemical Parameter를 추정한다는 것인데요. 이때의 입력으로는 배터리로 부터 측정할 수 있는 Voltage, Current, Temperature, SOC 등이 들어갑니다. 이들은 특정 시간마다 측정하므로 시계열로 구성됩니다. 즉 이번 논문에서 LSTM은 시계열의 현재 배터리 상태 값을 받아 이를 바탕으로 이 배터리의 Electrochemical Parameter를 추정하는 역할을 합니다.
LSTM을 이렇게 구성하자면 데이터셋이 필요한데요. 이 데이터셋은 시계열로 구성된 Voltage, Current, Temperature, SOC와 이에 매칭되는 Electrochemical Parameter로 구성되어야 합니다. 이러한 데이터셋을 제작하기 위해 우리는 P2D(Pseudo Two Dimensional) 전기화학 모델을 사용할겁니다. 이 모델은 리튬 이온 배터리 내부에서의 리튬 이온 이동으로 인한 전기화학 반응을 설명하는 모델인데요.
위 그림과 같이 리튬 이온 배터리의 충방전시 리튬 이온 농도를 설명하는 모델입니다. 이 모델은 일반적으로 리튬 이온 배터리의 내부 전기화학 반응을 잘 설명한다고 알려져 있습니다. 이 전기화학 모델은 다양한 미분 방정식과 Boundary Condition으로 구성되어 있습니다. 아래 그림은 P2D 모델을 구성하고 있는 다양한 미분 방정식과 Boundary Condition 및 열역학 모델, SEI 모델을 보여줍니다.
한편 위와 같이 P2D 모델은 다양한 파라미터를 포함하고 있는데요. P2D 모델을 사용하여 리튬 이온 배터리의 현재 상태를 추정하기 위해서는 이 모델을 구성하고 있는 다양한 파라미터 값을 알아야 합니다.
위 그림은 P2D 모델을 구성하고 있는 다양한 전기화학 파라미터들을 보여주고 있습니다. 이제 적절한 전기화학 파라미터를 설정하여 P2D 모델에 입력해주면 파라미터에 해당하는 리튬 이온 배터리 셀의 시간에 따른 상태 (전압, 전류, 온도, SOC 등)을 얻을 수 있습니다. 이때 노화 현상과 관련된 파라미터인 양음극의 고체 입자 표면적, 고체 입자의 전도도, SEI 두께, 사용 가능 용량 등을 변화시켜 가며 데이터를 만들어줍니다.
이렇게 다양한 파라미터별 이에 해당하는 시간에 따른 배터리 상태 (전압, 전류, 온도, SOC) 데이터를 얻을 수 있었는데요. 이렇게 얻은 데이터는 LSTM을 학습하는데에 사용됩니다. 즉 LSTM에는 시간에 따른 배터리 상태 (전압, 전류, 온도, SOC) 가 입력으로 들어가고요, 이에 해당하는 전기화학 파라미터를 출력으로 내도록 학습하는겁니다. 지금까지의 과정을 그림으로 표현하면 다음과 같습니다.
먼저 Figure3 위쪽 그림을 통해 P2D 모델을 사용해 모델 파라미터를 입력하고 그에 따른 시간별 전압, 온도, SOC 등을 추정해내는 모습을 볼 수 있습니다. 이렇게 만들어진 데이터셋은 LSTM을 학습하는데에 사용되는데요. 이 모습은 Figure3 아래쪽 그림을 통해 확인할 수 있습니다. LSTM의 입력으로는 시간에 따른 전압, 전류, 온도, SOC가 들어가고요, 출력으로는 이에 해당하는 모델 파라미터가 출력되는 모습을 볼 수 있습니다.
지금까지의 전 과정을 하나의 그림으로 표현하면 다음과 같습니다.
3. Experiment
이렇게 학습한 LSTM 모델은 실제 배터리 셀의 파라미터를 얼마나 잘 추정할까요? 이를 위해 실험을 진행했는데요. 실제 배터리를 사용하여 시간에 따른 현재 상태 (전압, 온도, SOC 등)을 측정한 뒤 LSTM에 입력으로 넣어 모델 파라미터를 추정할겁니다. 이렇게 추정된 파라미터는 다시 P2D 모델의 입력으로 들어가 현재 상태를 추정할 것이고요. 이렇게 추정된 현재 상태가 얼마나 매칭되는지를 비교하여 LSTM 모델의 정확도를 추정해보겠습니다.
먼저 실험에 사용한 배터리는 삼성SDI의 37Ah NMC 배터리를 사용했습니다. 아래 그림과 같이 배터리를 안전하게 고정한 뒤 센서를 부착하여 시간에 따른 상태를 측정합니다.
이렇게 측정된 시간에 따른 배터리 상태를 학습 완료된 LSTM의 입력으로 넣어줍니다. 그럼 LSTM은 모델 파라미터를 추정해낼텐데요. 이렇게 나온 모델 파라미터가 정확한지 검증하기 위해서는 다시 P2D 모델을 사용해줄겁니다. 이렇게 복잡하게 실험하는 이유는 실제 모델 파라미터를 측정할 수 있는 방법이 없기 때문으로 추정됩니다. 이제 P2D 모델에 LSTM이 추정한 모델 파라미터를 넣고 시계열 데이터를 뽑아줍니다. 이렇게 나온 두 시계열 데이터를 비교해보면 아래와 같습니다.
LSTM으로 추정한 모델 파라미터와 P2D 모델이 추정해낸 (정답으로 가정하는) 모델 파라미터가 거의 일치하는 모습을 볼 수 있습니다.
4. 마치며
“Real-Time Parameter Estimation of an Electrochemical Lithium-Ion Battery Model Using a Long Short-Term Memory Network” 논문의 탐구는 리튬 이온 배터리의 상태 추정과 관련하여 전기화학 모델링과 인공지능 기술의 결합이 가져올 혁신적인 가능성을 보여줍니다. LSTM 네트워크를 활용하여 실시간으로 배터리의 전기화학 파라미터를 추정하는 접근 방식은, 기존 방법들의 계산 복잡성과 제약을 극복하고자 하는 중요한 발걸음입니다.
이 연구를 통해 제시된 방법론은 배터리 관리 시스템(BMS)의 발전에 중요한 기여를 할 뿐만 아니라, 전기차, 재생 가능 에너지 저장 시스템, 휴대용 전자기기 등 다양한 분야에서 배터리의 효율적이고 안전한 사용을 가능하게 합니다. 특히, 실시간 파라미터 추정이 가능해짐으로써 배터리의 성능 최적화, 수명 연장, 그리고 안전 관리가 한층 더 정밀해질 것으로 기대됩니다.
본 논문 리뷰를 통해, 우리는 전기화학 모델링과 AI 기술의 융합이 어떻게 현대 배터리 기술의 한계를 넘어서는 새로운 해결책을 제공할 수 있는지에 대한 깊은 이해를 얻었습니다. 앞으로 이러한 접근 방식의 지속적인 발전과 실용화는 배터리 기술의 미래를 형성하는 데 결정적인 역할을 할 것입니다.
이번 논문 리뷰가 전기화학 모델링의 복잡성을 해결하고자 하는 연구자들과 배터리 기술의 발전에 관심 있는 모든 이들에게 유용한 인사이트를 제공했기를 바랍니다. LSTM과 같은 고급 기계 학습 기법이 전기화학 모델링의 새로운 지평을 열어가는 미래를 기대해봅니다.
5. 참고자료
- 1D Electrochemical Model 논문 리뷰
- Chun, Huiyong, et al. “Real-time parameter estimation of an electrochemical lithium-ion battery model using a long short-term memory network.” Ieee Access 8 (2020): 81789-81799.
Thanks for sharing. I read many of your blog posts, cool, your blog is very good.
Thank you very much! Have a nice day!