논문 상세보기
pp.309-316
모빌리티 기기에 주로 사용되는 리튬 이온 배터리는 고장 시 심각한 인명 피해로 이어질 수 있어, 실시간으로 배터리의 건전성 상태 (State of Health, SOH)를 정확하게 추정하고 모니터링하는 것이 매우 중요하다. 본 논문에서는 TCN-GRU 하이브리드 딥러닝 신경망 기반 리튬 이온 배터리의 SOH 추정 방법을 제안한다. 제안한 모델은 모빌리티 온보드 시스템에 적용 가능하도록 배터리 관리 시스템 (BMS)에서 직접 측정 가능한 전류, 전압, 시간의 원시 데이터를 리샘플링하여 입력으로 사용하였다. 해당 입력 데이터는 과거와 현재 의 데이터만을 활용하여 학습하는 TCN 모델을 통해 국소적 용량 회복을 포함한 배터리 열화 과정에서 나타나는 비선형적인 특징을 효과적으로 추출함으로써 모델의 신뢰성을 향상시켰다. 추출된 특징은 GRU 모델에 입력되어 시간적 정보 및 패턴을 학습하며, 정밀 한 SOH 추정 결과를 도출하였다. 제안한 방법은 CALCE 배터리 열화 데이터를 기반으로 검증하였으며, 평가 지표인 MAE와 RMSE 는 모든 배터리 셀에 대해 각각 최대 0.55 및 0.7의 일관되고 우수한 성능을 보였다.
Accurate real‑time estimation and monitoring of the state of health (SOH) in lithium-ion batteries is critical for mobility applications, as battery failures can result in significant personal injury. This study introduces a method for SOH estimation employing a deep learning-based hybrid neural network that integrates a temporal convolutional network (TCN) and gated recurrent unit (GRU). To facilitate applicability in mobility onboard systems, the proposed model utilizes input data obtained by resampling raw current, voltage, and time signals, which can be directly measured by the battery management system (BMS). The TCN model, trained on both past and current input data, enhances reliability by effectively extracting non-linear features observed during battery degradation, such as local capacity recovery. These extracted features are then processed by the GRU model, which learns temporal patterns and produces precise SOH estimation results. The proposed method was validated using CALCE battery degradation data, achieving consistent and superior performance across all battery cells, with mean absolute error and root mean square error values not exceeding 0.55 and 0.7, respectively.
1. 서 론
2. 데이터
2.1 데이터 정보
2.2 데이터 전처리
3. SOH 추정 딥러닝 모델
3.1 Temporal Convolutional Network
3.2 Gated Recurrent Unit
3.3 제안한 TCN-GRU 모델
4. 실험 설계 및 결과 분석
4.1 SOH 추정 모델 설계
4.2 평가 지표
4.3 추정 정확도 비교 및 평가
5. 결 론
감사의 글
References
요 지
