리튬 이온 배터리 SOH 예측을 위한 장기 시계열 모델 연구

Abstract

전 세계적으로 기후 변화 및 강화되는 배기가스 배출규제에 대응하기 위한 대책 중 하나로 전동화 플랫폼 개발을 적극적으로 진행하고 있다. 이 과정 중 가장 중요한 요소는 배터리팩이며 높은 에너지 밀도, 긴 수명, 친 환경성등의 목표를 만족시키기 위해서 주로 리튬 이온 배터리셀을 사용하여 개발된다. 신뢰성 높은 리튬 이온 배터리팩을 개발하기 위해서는 배터리팩의 현재 및 미래 상태의 진단을 통해 고장 예지를 하는 것이 중요하다. 이러한 진단은 배터리팩의 열화를 대표하는 지표인 SOH(State of Health)의 분석을 통해 가능하며, SOH의 정확한 향후 변화를 추적하여 배터리팩의 건전성 예측 및 관리(Prognostics and Health Management; PHM)를 할 수 있다. 본 논문에서는 정확한 리튬 이온 배터리의 SOH 변화의 추정을 위하여 장기 시계열 예측 모델인 LTSF-DLinear 기반으로 리튬 이온 배터리의 SOH 추정에 효과적인 exp-DLinear 모델을 제안했다. 리튬 이온 배터리의 수명 특성은 다차원의 지수 함수 형태로 정의되기 때문에 기존 모델에 적용되어 있던 단순 이동 평균 커널보다 지수 이동 평균 커널을 사용하는 것이 배터리 시스템의 특성을 고려하여 모델을 학습할 수 있다. 제안한 모델의 성능 비교를 위하여 LSTM, DLinear, Informer와 예측 구간 별(25, 50, 100, 150, 200, 250)로 SOH 향후 추정 성능을 비교했다. 제안한 모델은 DLinear 대비 평균 7%, Informer 대비 평균 72%, LSTM 대비 평균 63%의 우수한 성능을 보여 배터리 SOH 예측에 효과적인 모델임을 증명하였다. 또한 제안된 모델은 CPU만 사용하는 낮은 컴퓨팅 파워 환경에도 뛰어난 성능을 보여 BMS나 엣지 컴퓨팅과 같이 제한된 리소스에도 실시간으로 높은 성능의 시계열 예측이 가능함을 확인했다.|To combat climate change globally, the development of electrification platforms has become a critical issue. The most critical component of these platforms is the battery pack, which is primarily composed of lithium-ion batteries, known for their high energy density, longevity, and environmental friendliness. Accurate prediction and analysis of battery life is critical for reliable maintenance and failure prevention. The life and degradation of a lithium-ion battery are indicated by its State of Health (SOH), and accurate prediction of future SOH changes increases the reliability of the battery system. In this paper, we propose an effective exponential-differential-linear (exp-DLinear) model for estimating the SOH of lithium-ion batteries. This model is based on a Long-term Time Series Forecasting (LTSF)-DLinear model, and specially designed for accurate SOH prediction. The life cycle characteristics of lithium-ion batteries are typically represented by a multi-dimensional exponential function. Therefore, we used an exponential moving average kernel that better fits these characteristics compared to the simple moving average kernel used in existing models. We evaluated the performance of our model against DLinear, LSTM, and Informer models at various forecast lengths (25, 50, 100, 150, 200, 250). The results show that our model outperforms DLinear by 7% on average, Informer by 72%, and LSTM by 63%, confirming its effectiveness in battery SOH prediction. Furthermore, the model showed exceptional performance in low computational power environments, such as those using only CPUs. This finding suggests that high-performance time series prediction is feasible in resource-constrained environments such as battery management systems (BMS) or edge computing.