머신러닝으로 배터리 수명·건강도 정확히 예측… MIT·스탠퍼드·도요타 공동연구

배터리 상태 진단, 기존 방식의 한계

리튬이온 배터리는 높은 에너지 밀도, 긴 수명, 저비용으로 폭넓게 사용됩니다. 최근 하이브리드·전기차 상용화로 품질 좋은 배터리 수요가 급증하면서 배터리 '건강도' 분석이 점점 중요해지고 있습니다.

하지만 배터리 기술 개발의 주요 걸림돌 중 하나는 배터리 건강도 모니터링과 테스트에 많은 시간이 걸리고, 그 과정이 배터리 수명에 영향을 준다는 점입니다.

SOH(State Of Health, 건강도)는 배터리가 이상적·초기 조건 대비 에너지를 저장할 수 있는 능력을 나타냅니다. 새 배터리는 보통 100%지만 시간이 지날수록 감소합니다. SOH 평가는 배터리 안전하고 올바른 사용에 필수적이지만, 배터리 수명을 손상시키지 않고 이 값을 정확히 결정할 수 있는 기술은 없습니다.

SOH 결정이 어려운 이유

배터리 SOH는 배터리 노화에 따라 발생하는 두 가지 요소와 연관됩니다.

1. 용량 페이드(Capacity Fade): 저장 용량의 점진적 손실
2. 전기 저항(Electrical Resistance): 임피던스 점진적 증가로 배터리 출력 저하

리튬이온 배터리에서 임피던스 증가와 저장 용량 손실은 수많은 상호작용 과정에 의해 발생합니다. 이 과정들이 비슷한 시간 척도에서 일어나므로 독립적으로 분석하기 매우 어렵습니다. 따라서 단일 직접 측정으로 SOH를 평가할 수 없습니다.

전통적 기법은 배터리 전극 간 상호작용을 평가하지만, 이는 배터리를 불안정하게 만들어 수용할 수 없습니다.

현재 덜 파괴적인 방식으로 SOH를 결정하는 두 가지 접근법이 있습니다: 적응형 모델과 실험적 방법. 첫 번째는 배터리 성능 데이터를 사용해 자기 조정하고 오류를 줄입니다. 하지만 실제 생산 환경에서 사용하기 전에 실험 데이터로 훈련해야 합니다.

두 번째 접근법은 배터리에서 발생하는 특정 고장 메커니즘이나 물리적 과정을 결정할 수 있어 향후 용량 저하율을 잘 추정합니다. 하지만 간헐적 오작동은 식별하지 못합니다.

AI로 배터리 수명 정확히 예측

MIT, 스탠퍼드대학교, 도요타 연구소 연구진이 배터리 SOH를 정확히 결정할 수 있는 인공지능(AI) 모델을 개발했습니다.

팀은 124개 리튬이온 배터리 성능을 특성화하는 포괄적 데이터셋을 만들었습니다. 데이터는 배터리가 다양한 급속 충전 조건을 거치는 동안 기록됐으며, 250~2,300회에 이르는 광범위한 충방전 사이클이 포함됐습니다.

참고: Nature | doi:10.1038/s41560-019-0356-8

머신러닝(ML) 방법으로 데이터를 분석해 배터리 사이클 수명을 정확히 추정하는 모델을 생성했습니다. 각 배터리의 처음 100사이클만 분석했습니다(저장 용량 손실의 명확한 징후가 나타나기 전).

추정 vs 관측 배터리 수명 | 점선은 추정과 관측이 같은 지점 | 연구진 제공

ML이 생성한 최적 모델은 배터리 91%의 사이클 수명을 정확히 추정했습니다. 연구진은 각 배터리의 처음 5사이클 데이터만 사용해 배터리가 긴 수명(550회 초과 충방전)인지 짧은 수명(550회 미만)인지도 판별했습니다. 이때 모델은 95% 배터리에 대해 정확한 예측을 했습니다.

새 모델이 기존 SOH 결정 방법보다 효과적이었지만, 저장 용량이 이미 어느 정도 저하된 배터리의 사이클 수명 예측에는 덜 정확했습니다.

연구팀은 새로운 접근법이 리튬이온 배터리 수명 주기 추정에 유망한 방법이며, 신흥 배터리 기술 개발·개선에 도움이 될 것이라고 믿습니다.