UNIST(울산과학기술원) 에너지공학과 김동혁·최윤석 교수와 탄소중립대학원 임한권 교수팀은 ‘리튬이온배터리 건강상태 진단 모델’에 과한 연구 결과를 6일 발표했다.

‘리튬이온 배터리 평가를 위한 딥러닝 기반 그래픽 접근법(Deep-learning-based Graphical approach to Estimation of Lithium-ion batteries SOH, D-GELS) 모델은 인공지능(AI) 분야의 딥러닝 모델을 활용해 배터리 내 ▲전압 ▲전류 ▲온도 데이터를 RGB 값으로 생성한다. NCA(니켈·코발트·망간), NCA(니켈·코발트·알루미늄), LFP(리튬인산철) 등 현재 전기차용 배터리 업계에서 가장 널리 쓰이는 배터리 양극재 3종에 모두 적용할 수 있다는 특징이 있다.

D-GELS는 진단 지표로 실제 값과 모델이 예측한 값의 차이를 보여주는 ‘평균 제곱근 오차’를 활용한다. 실험 결과 양극재 3종의 평균 제곱근 오차값은 0.0081(LFP), 0.012(NCA), 0.0097(NMC)로 나타났다. 기존 연구에서 사용된 모델로 얻은 0.014와 0.022와 비교해도 높은 정확도다.

특히 D-GELS 모델을 활용하면 부분 충·방전으로 손실된 데이터를 완전히 충·방전된 데이터로 복원해 배터리의 건강 상태를 보다 정확하게 진단할 수 있다.

연구팀은 각각 12.5%, 25%, 50%, 75% 손실된 충·방전 데이터를 기존 충·방전 데이터로 복원해 건강 상태를 진단했다. 실험을 통한 평균 제곱급 오차 값은 각각 0.030, 0.044, 0.046, 0.18로 나타났다.

연구팀은 이 과정에서 손실된 충·방전 데이터 크기가 클수록 평균 제곱근 오차값 증가 등 진단 정확도가 낮아지는 점을 발견했다. 리튬이온배터리 건강 상태를 진단할 때 초기 방전 데이터의 정확한 파악이 중요하단 의미다.

공동 제1저자인 이현준 박사는 “부분 충·방전 데이터를 사용해 배터리를 진단할 수 있다면 추후 폐배터리를 재활용하기 전 진단할 때 많은 시간과 비용을 절감할 수 있다”며 “향후 다양한 분야에 확대 적용할 수 있는 기반이 마련됐다”고 말했다.

이번 연구는 산업통상자원부 재원으로 한국산업기술평가관리원 기술혁신사업과 수요기업 맞춤형 고출력축전기(슈퍼커패시터) 성능고도화기술개발 사업, 정부(방위사업청)의 재원으로 국방과학연구소의 지원을 받아 수행됐다. 연구 결과는 국제학술지 ‘머티리얼스 호라이즌스(Materials Horizons)’ 2월호에 출판됐다.