1. 서 론

리튬이온 배터리는 높은 에너지 밀도와 긴 수명으로 인해 다양한 분야에 사용되고 있다. 리튬인산철(LFP) 배터리는 NCM계열 배터리 대비 낮은 에너지 밀도와 무거운 중량으로 인하여 전기자동차 등의 Electric Vehicle (EV) 애플리케이션에 적용하기에 제약이 있었다. 최근 리튬이온 배터리의 빈번한 화재로 인하여 안정성이 높고 생산비용이 저렴한 리튬인산철 배터리가 전기자동차 및 전기지게차 등에 다양하게 적용되고 있다^{[1, 2]}.

리튬배터리 팩은 여러 개의 셀을 직렬 또는 병렬로 연결하여 구성됨에 따라 배터리를 안전하게 사용하기 위하여 각 셀의 상태를 정확하게 모니터링하고 관리할 수 있는 BMS (Battery Management System)가 반드시 필요하다^[1]. BMS는 충전상태 (State of Charge, SOC)를 추정하여 과충전 과방전을 방지하고 노후화 상태 (State of Health, SOH)를 추정하여 수명예측 및 위험요소를 판단한다^[3]. 리튬인산철 배터리는 다른 리튬계열 이차전지에 비해 전압곡선의 기울기가 낮아 보다 정밀한 상태추정 알고리즘이 필요하다^{[4, 5]}.

최근 배터리의 상태추정을 위하여 다양한 인공지능 알고리즘이 활발히 연구되고 있다. 최근 제안된 알고리즘은 배터리의 열화 파라미터를 추출하고 피어슨 상관계수를 분석하여 LSTM (Long Short-Term Memory) 기반의 SOH를 추정한다^{[6, 7]}.

본 논문에서는 리튬인산철 BMS에서 배터리의 정확한 상태분석 및 고장진단을 위한 딥러닝 기반의 알고리즘을 제안하였다. 제안한 딥러닝 알고리즘은 CNN (Convolution Neural Network)과 LSTM을 활용한다. CNN은 배터리의 시계열 데이터를 이미지로 입력받아 데이터의 특징을 추출하고, LSTM은 CNN의 출력 시계열 데이터와 배터리의 충·방전 사이클 데이터를 학습하여 배터리의 SOH를 추정한다. 알고리즘의 타당성을 검증하기 위하여 실제 운행 중인 전기이륜차의 배터리를 수거하여 충·방전 시험을 통해 배터리의 데이터를 수집하고 시뮬레이션을 수행하여 비교한다.

2. 배터리 실험 데이터

배터리의 실험 데이터는 전기이륜차용 리튬인산철배터리 팩을 활용하였다. 출하 전 배터리팩의 충·방전 데이터와 일정 기간 사용 후 배터리팩의 충·방전 데이터를 비교하여 사용 시간이 길어짐에 따라 각각의 배터리 셀 상태변화를 확인하였다. Fig. 1은 출하 전 배터리의 충·방전 데이터를 나타내며 배터리 셀간 전압편차가 없음을 확인할 수 있다. 리튬인산철 배터리의 경우 SOC에 따라 OCV (Open Circuit Voltage)의 변화가 크지 않지만, 충전/방전 상태에서 전류가 흐르게 될 경우 SOC상태에 따라 달라지는 배터리의 내부저항에 의해 배터리의 전압차를 미세하게 구분할 수 있다^[8]. Fig. 2는 일정 시간 운행한 후 배터리 팩을 회수하여 충·방전 테스트를 수행한 결과이다. 24개 배터리 셀의 전압을 보면 배터리의 열화가 진행됨에 따라 곡선의 기울기 변화, 전압 강하 및 회복 패턴이 달라진다. 배터리의 SOH가 저하되면 내부 임피던스가 증가하게 되어, 동일한 부하 조건에서 전압 강하가 더 크게 나타난다^[9]. 이러한 변화는 실험데이터에서 확인 가능하며 배터리의 상태를 추정하는 자료로 활용된다.

본 논문에서 사용한 배터리팩은 리튬인산철 배터리 30Ah 셀을 24S2P를 구성하여 76.8V/60Ah로 구성하였다. Fig. 1은 팩 구성 초기상태의 셀 불균형이 발생하지 않은 충전시험 그래프이며 Fig. 2는 일정 시간 사용 후 셀 불균형이 발생한 팩의 충전시험 그래프이다. 실험을 통해 확보한 데이터는 1D CNN (Convolution Neural Network)을 활용하여 시간축에 따라 필터를 적용하고 충·방전 곡선의 변화, 급격한 전압 강하등의 부분적인 패턴의 특징을 추출한다. 1D CNN은 시계열 데이터에서 짧은 시간 내의 변화 패턴을 효과적으로 추출하여 데이터에 최적화된 특징을 자동으로 학습할 수 있다^[10]. 학습된 모델은 배터리 관리 시스템(BMS)에서 실시간으로 데이터를 처리하여 SOC 및 SOH 추정에 활용한다.

Fig. 1. Charge-discharge curve of initial battery pack

Fig. 2. Charge-discharge curve of recovered battery pack

3. CNN-LSTM 구조

배터리 관리 시스템에서 배터리의 상태와 성능을 평가하기 위하여 전압, 전류 온도 등 배터리 데이터의 특징을 효과적으로 추출하는 것이 매우 중요하다. CNN은 이러한 데이터의 복잡한 패턴을 자동으로 학습하여 중요한 특징을 추출할 수 있다. CNN은 주로 이미지나 영상처럼 2차원 구조를 갖는 데이터를 처리하기 위해 설계된 딥러닝 모델이다^[8].

Fig. 3은 CNN의 구조를 나타낸다. CNN의 합성곱 계층은 입력 데이터에 여러 개의 필터를 적용하여 엣지, 모서리, 텍스처 등의 특징을 추출한다. 이 과정은 입력의 공간적 구조를 보존하면서 중요한 정보를 학습할 수 있다. 풀링 계층은 합성곱 계층에서 추출된 특징 맵의 크기를 줄이고, 계산량을 감소시키며, 위치 변화에 대한 강건성을 높인다. 대표적으로 최대 풀링이나 평균 풀링이 사용된다. 완전 연결 계층 마지막 단계에서는 추출된 특징을 바탕으로 최종 분류나 회귀 결과를 도출한다. 이 계층은 일반적인 인공신경망과 유사한 구조를 가지며, 학습된 특징을 활용해 의사결정을 내린다.

CNN은 배터리의 내부 파라미터나 열 분포와 같은 데이터를 이미지 형식으로 변환하여 CNN으로 분석하면, 비선형적이고 복잡한 패턴을 효과적으로 추출한다.

Fig. 3. CNN in deep learning

Fig. 4에서는 CNN이 배터리 전압 데이터를 분석해 다양한 특징 맵을 추출한 결과를 보여준다.

Feature Map 1은 엣지 검출 기능을 갖는 필터를 통해 급격한 전압 변화나 경계선을 강조하는 역할을 한다. 이를 통해 배터리 충전 및 방전 과정에서의 순간적인 전압 변화나 이상치를 효과적으로 감지할 수 있으며, 고장 전조나 급변 반응을 파악하는 데 유리하다.

Feature Map 2는 고주파 필터 역할을 수행하며, 노이즈나 급격한 변화에 민감한 특징을 추출한다. 이러한 특성은 배터리의 성능 저하 징후나 비정상적인 패턴을 조기에 감지하는 데 유용하며, 초기 열화 또는 셀 불균형 감지와 같은 정밀 진단에 기여할 수 있다.

Feature Map 3은 저주파 필터에 해당하며, 전압 데이터에 포함된 노이즈를 줄이면서 전체적인 변화 흐름을 부드럽게 유지한다. 이를 통해 장기적인 패턴이나 배터리 상태의 점진적인 변화를 안정적으로 파악할 수 있으며, 긴 수명 주기에 따른 경향 분석에 적합하다.

Feature Map 4는 전압의 기울기나 변화율을 분석하는 필터로 구성된다. 이는 충·방전 과정에서의 미세한 전압 변화 흐름을 추적하고, 배터리 열화나 반복적 사이클에서 나타나는 경향성을 정밀하게 분석한다. 이러한 다양한 필터 기반 특징 추출은 CNN이 배터리 진단에서 단순한 전압값을 넘어, 상태 예측과 이상 감지에 필요한 정보를 스스로 학습할 수 있다.

Fig. 4. Feature maps from CNN for battery voltage

LSTM은 Fig. 5와 같이 기본적으로 입력 게이트, 망각 게이트, 출력게이트의 세 가지 주요 게이트를 가지고 있으며 이를 통해 어떤 정보를 기억하고 어떤 정보를 잊을지를 선택적으로 조절할 수 있다^[11]. 이러한 구조 덕분에 과거의 중요한 정보가 장기간에 걸쳐 유지되며, 시계열 데이터의 패턴을 안정적으로 학습한다. 배터리의 SOH 추정과 같이 데이터가 시간에 따라 누적되고 변화하는 문제에 적합하다.

Fig. 5. Structure of LSTM CELL

식 (1)은 망각게이트의 수식으로 $f_{t}$는 0에서 1 사이의 값으로 결정되며 0에 가까울수록 정보를 잊고 1에 가까울수록 정보를 유지한다. 여기서 $x_{t}$ 는 현재 입력, $h_{t-1}$ 는 이전 시간 단계의 은닉 상태(hidden state)이며, $\sigma$는 시그모이드(Sigmoid) 함수이다.

입력 게이트는 새로운 정보 중 유용한 정보를 선택적으로 저장하는 역할을 한다. 입력 게이트에서는 현재 입력과 이전 은닉 상태를 바탕으로 어떤 정보를 업데이트할지 결정한다.

식 (2),(3),(4)의 $i_{t}$ 는 입력 게이트 값, $\widetilde{C}_{t}$는 새로운 후보 셀 상태, $C_{t}$는 현재 셀 상태이다. 식 (5) 의 $o_{t}$출력게이트는 현재 상태에서 어떤 정보를 출력(hidden state)으로 보낼지 결정하는 역할을 한다. 식 (6)의 $h_{t}$는 현재 은닉 상태로, 다음 LSTM 셀 또는 출력층(Dense Layer)으로 전달된다.

Fig. 6은 배터리 데이터를 활용해 CNN과 LSTM으로 SOH를 예측하는 과정을 보여준다. 모델은 배터리의 충·방전 중 측정된 전압, 전류의 시계열 데이터를 입력받아 분석한다. 입력 데이터는 슬라이딩 윈도우 방식으로 처리되며 각 구간은 CNN을 통해 전압 변화의 흐름, 노이즈, 상승·하강 등의 특징을 자동으로 추출한다. CNN은 추출한 각 구간의 특징을 고차원 벡터 형태로 표현하여, 다음 단계인 LSTM이 시간에 따른 패턴을 학습할 수 있도록 전달한다.

Fig. 6. CNN-LSTM architecture for SOH prediction

CNN에서 추출한 시계열 특징들은 LSTM에 전달되어 시간에 따라 변화하는 배터리의 열화 양상을 학습하게 된다. LSTM은 데이터의 순서를 고려하면서 장기적인 변화 흐름까지 반영할 수 있어, 배터리의 충·방전이 반복되며 발생하는 성능 저하를 잘 파악할 수 있다. 마지막 단계에서 LSTM이 만든 요약 정보(hidden state)는 배터리의 전체적인 상태를 대표하며, 이를 바탕으로 완전 연결층을 통해 SOH 값으로 변환된다.

4. CNN-LSTM 기반의 SOH추정

CNN을 이용하여 배터리 셀의 특징을 추출하고 이상 탐지를 위하여 Fig. 2의 24개 셀 전압을 1초 간격으로 측정한 정전류(30A) 충전 데이터를 활용하였다. 전체 데이터를 60초 단위의 슬라이딩 윈도우로 분할하고, 각 시점에서 상하위 3개 셀을 제외한 나머지 18개 셀의 평균 전압을 기준으로 이상 편차를 정의하였다. 이 기준에서 각 셀 전압과의 차이를 절댓값으로 계산해 CNN 회귀 모델이 학습할 목표 값으로 사용하였다.

모델은 (60, 24)형태의 입력을 받아 1차원 합성곱 신경망(CNN) 구조로 이상 편차를 예측하도록 구성하였다. Conv1D와 MaxPooling 계층을 거쳐 특징을 추출하고, Flatten 및 Dense 계층을 통해 최종적으로 24개 셀의 이상 편차를 회귀 방식으로 출력한다. 손실 함수는 MSE, 평가지표는 MAE를 사용하였고, Keras 기반의 커스텀 제너레이터를 통해 정규화 및 결측치 보간 후 학습을 진행하였다.

Fig. 7. Measured vs. predicted voltage deviations (24 Cells)

Fig. 7은 24개 배터리 셀에 대해 실측 전압 편차와 CNN 모델이 예측한 전압 편차를 비교한 결과를 그래프로 나타낸 것이다. 가로축은 셀 번호(Cell_1부터 Cell_24까지)를, 세로축은 각 셀의 전압이 18셀 평균인 기준 전압에서 얼마나 벗어났는지를 보여주는 편차 값(Deviation from 18-Cell Avg, 단위: V)을 나타낸다. 파란색은 실측 편차는 실제 데이터에서 계산한 통계 기반의 값이며, 주황색은 CNN 회귀 모델을 통해 예측된 편차이다.

전반적으로 CNN 예측 결과는 실측 통계 편차와 유사한 패턴을 보이며, CNN 모델이 실제 전압편차의 시계열적 경향을 성공적으로 학습했음을 보여준다. 특히 Cell_12와 Cell_24에서는 실측 편차와 예측 편차가 모두 뚜렷한 이상 값을 나타내고 있어, CNN 모델이 이상 셀을 효과적으로 탐지할 수 있음을 시각적으로 확인할 수 있다. 이러한 셀은 일반적으로 열화가 진행되었거나 셀 간 불균형이 존재하는 것으로 판단한다.

CNN 예측 곡선은 실측보다 전체적으로 부드러운 형태를 띠는데, 이는 CNN이 시계열 데이터의 연속성을 학습하면서 노이즈를 완화하고, 급격한 변동보다 추세 중심의 특징을 강조하는 방식으로 이상 편차를 예측하고 있음을 보여준다. 일부 셀에서는 실측 값과 예측 값 간에 미세한 차이가 존재하지만, 이는 입력 데이터의 비선형성, 측정 잡음 또는 CNN 모델의 일반화 한계에 기인할 수 있다.

이와 같은 결과는 CNN 기반 회귀 모델이 통계적 방법에 기반한 이상 감지 방식과 유사한 정확도를 보이면서 시계열 정보까지 반영해 더욱 정교하고 유연한 이상 감지가 가능함을 의미한다. 특히 실시간으로 전압 데이터를 분석해야 하는 배터리 관리 시스템이나 원격 진단 시스템에서 조기 경고와 예지 정비에 활용한다.

CNN-LSTM 구조는 일정 시간 사용 후 SOH가 감소한 배터리 팩의 충전 시계열 데이터 기반으로 24셀 각각의 SOH를 예측하기 위하여 적용하였다. 데이터는 정전류 30A 조건 하에서 0초부터 수집된 전압 시계열이며, 이를 60초 간격의 시계열 윈도우 단위로 나누어 입력 데이터로 활용하였다. 각 윈도우는 60초 동안의 데이터를 포함하며, 이 구간 내에서 24셀 각각의 전압이 측정되므로 최종 입력 형태는 (샘플 수, 60, 24)로 구성된다. 목표 SOH 값은 배터리 팩의 초기 충전 용량(56.79Ah)을 기준으로 사용 후 배터리 팩의 전압 변화 패턴을 Fig. 8에서 보여지는 것 처럼 기준데이터에 일치시켜 오프셋 분(1.361Ah)을 반영하여 91.17%로 설정하였다.

Fig. 8. Cycle init vs. used - 24 cell voltages

입력 데이터에 대한 전처리는 각 셀 전압값을 0~1 사이로 정규화하는 MinMax 정규화 과정을 통해 수행하였다. 이를 통해 각 셀 간 전압의 스케일 차이로 인한 학습 편향을 방지하고, 전체 데이터가 같은 비중으로 모델에 영향을 줄 수 있도록 하였다. 이후 슬라이딩 윈도우 방식을 적용하여 시계열 입력 시퀀스를 구성하였고, 각 윈도우에 해당하는 시점의 24셀 전압 패턴이 입력된다. 모든 입력 시퀀스는 동일한 목표 값이 설정하며, 회귀 문제로 구성된 본 실험에서 모델은 이 값을 출력으로 예측하도록 학습된다.

모델 구조는 먼저 Conv1D 계층으로 시작된다. 이 계층은 60초 시계열 데이터 내에서 지역적 전압 변화 패턴을 추출하는 데 효과적이며, 커널 크기 3, 필터 수 32로 구성되어 있다. 이어지는 MaxPooling 계층은 시계열 길이를 절반으로 줄이면서 주요 특징만 남기고, Dropout 계층은 과적합을 방지하기 위해 일부 뉴런을 무작위로 제거한다. 이후 시계열의 시간적 연속성과 장기 의존성을 포착하기 위해 LSTM 계층이 배치된다. LSTM은 64개의 유닛을 가지고 시계열 데이터를 압축된 상태 벡터로 변환하며, 이 정보는 Dense 계층을 통해 최종적으로 24셀의 SOH를 회귀 출력하는 데 사용된다.

모델 학습 과정은 Table 1에서 보여지는 것과 같이 평균제곱오차(MSE)를 손실함수로 평균절대오차(MAE)를 성능 지표로 설정하여 진행하였다. 첫 번째 에폭에서 손실은 6,465.83, MAE는 78.13으로 매우 높은 수준에서 시작되었지만 두 번째 에폭에서 손실은 20.61, MAE는 2.74로 급감하며 모델이 빠르게 수렴하기 시작함을 보였다. 이후 세 번째 에폭부터는 손실이 0.005 이하, MAE는 0.04 이하로 낮아졌고, 검증 손실 또한 0.0007 수준으로 매우 작게 수렴하였다. 최종적으로 검증 MAE는 0.0266으로 SOH 단위 ±0.03% 이내의 오차를 가지는 정밀한 예측 성능을 달성하였다.

Fig. 9. CNN-LSTM predicted SOH per cell

모델 예측 결과는 Fig. 9와 같이 전체 시계열 동안 매우 안정적인 경향을 보였다. 특히 약 1000초 이후부터는 대부분의 셀에서 SOH 예측값이 기준값인 91.17%에 근접하여 일정한 수준으로 유지되었고, 셀 간의 편차도 극히 제한적인 범위 내에 머물렀다. 일부 셀에서는 초기 구간에서 91.00% 이하로 예측되기도 하였지만, 이는 시계열 초기에 전압 노이즈가 반영된 결과이며, 이후 빠르게 기준값에 수렴하는 추세를 나타냈다. 전체적으로 CNN-LSTM 구조는 각 셀의 전압 시계열 데이터를 통해 개별적인 열화 경향과 전기화학적 반응 차이를 안정적으로 반영하였으며, 실제 SOH 값을 높은 정확도로 예측하였다.

본 모델은 CNN이 전압의 지역적 특징을 잘 포착하고, LSTM이 충전 시계열의 시간 흐름에 따른 누적 변화를 반영함으로써 복합적인 시계열 데이터를 효과적으로 처리하고 있다. 또한 24셀 전부에 대해 일관된 예측 성능을 보였다는 점에서, 실제 배터리 팩에서 셀별 SOH를 개별적으로 추정하고, 이상 셀을 조기에 탐지하는 유용한 구조임을 확인하였다.

5. 결 론

본 논문에서는 리튬인산철 BMS에서 배터리의 정확한 상태분석 및 고장진단을 위한 딥러닝 기반의 알고리즘을 제안하였다. 제안한 딥러닝 알고리즘은 CNN과 LSTM을 활용한다. CNN은 배터리의 시계열 데이터를 이미지로 입력받아 데이터의 특징을 추출하고, LSTM은 CNN의 출력 시계열 데이터와 배터리의 충·방전 사이클 데이터를 학습하여 배터리의 SOH를 추정한다. 알고리즘의 타당성을 검증하기 위하여 실제 운행중인 전기이륜차 배터리를 수거하여 충·방전 시험을 통해 배터리의 데이터를 수집하였다. 제안한 알고리즘을 적용하여 시뮬레이션을 수행한 결과 CNN-LSTM 모델이 실시간 SOH 예측에 적합한 구조이며, 향후 온도, 전류, 열화 단계 등의 다양한 조건 변화에 따라 추가 학습을 수행함으로써 배터리 진단의 일반화된 지능형 시스템으로 확장될 수 있음을 보여준다.