리튬이온 배터리의 모델 기반 확률적 결함 탐지 및 진단

본 논문은 전기·자동차용 리튬이온 배터리의 안전성을 확보하기 위해, 열거동을 기반으로 한 결함 탐지·진단(FDD) 기법을 개발한다. 기존 연구에서는 주로 1차원 Lumped 모델이나 3차원 FEM 모델을 사용했으나, 전자는 물리적 통찰이 부족하고 후자는 계산 비용이 과다하다는 한계가 있다. 이를 보완하고자 저자들은 2차원 축‑방사형 열전달 모델을 선택하였다. 이 모델은 배터리 셀의 핵심 온도(Tc)와 표면 온도(Ts)를 상태 변수로 두고, 전류(I)와 열전도 저항(Rc)을 입력 변수로 설정한다. 모델식은 다음과 같다. ① 전류에 의한 발열: Q=I²·Re, 여기서 Re는 전기 저항이며 SOC·Tc에 따라 변한다. ② 열전달: Cc·dTc/dt = (Ts−Tc)/Rc − Q, Cs·dTs/dt = (Tf−Ts)/Ru + (Tc−Ts)/Rc. 모델 파라미터는 실험 데이터에 기반해 초기값을 부여하지만, 실제 배터리에서는 관측 오차, 파라미터 추정 오차, 구조적 근사 오차 등으로 인해 불확실성이 존재한다. 논문은 이러한 불확실성을 세 가지 범주(관측, 파라미터, 구조)로 구분하고, 특히 Rc와 I를 확률 변수로 모델링한다. 불확실성 전파를 위해 일반화 다항 혼돈(gPC) 전개를 도입한다. gPC는 입력 확률 변수 ξ=(I,Rc)의 다항 기저함수 Φα(ξ)와 계수 aα(t)를 이용해 상태 변수 x(t,ξ)≈∑α aα(t)Φα(ξ) 로 근사한다. 차수 p를 선택하면 총 (n+p choose p)개의 기저함수가 생성되며, 이는 Monte‑Carlo 시뮬레이션 대비 적은 샘플 수로도 정확한 평균·분산을 계산할 수 있게 한다. 저자는 3차까지의 차수를 사용해 실험 데이터와 비교했으며, 오차는 5% 이하로 만족스러운 결과를 얻었다. FDD 알고리즘은 두 단계로 진행된다. 1) **모델 보정 단계**: 측정된 Ts와 추정된 Tc(관측되지 않음)를 이용해 모델 예측값과 실제값의 차이를 최소화하는 비선형 최적화 문제를 정의한다. 목적함수는 ‖y_meas−y_model‖² + λ·‖Δp‖² 형태이며, 여기서 Δp는 파라미터 수정량, λ는 정규화 파라미터이다. 최적화 결과는 파라미터의 사후 확률 분포를 업데이트하고, gPC 계수에도 반영된다. 2) **결함 진단 단계**: 보정된 gPC 모델로부터 온도 분포를 얻고, 사전에 정의된 결함 시나리오(전류 급변, Rc 급변, 동시 변동)와 비교한다. 베이지안 판별식 P(fault|data)=P(data|fault)·P(fault)/P(data) 를 이용해 각 결함의 발생 확률을 계산한다. 임계값 대신 확률값을 제공함으로써 다중 결함 상황에서도 명확한 판단이 가능하다. 실험에서는 실험실에서 제작한 원통형 셀을 사용해 4가지 시나리오(정상, 전류 변동, Rc 변동, 동시 변동)를 적용하였다. Monte‑Carlo 기반 기존 FDD와 비교했을 때, gPC‑FDD는 평균 탐지 시간 0.12 s(대비 1.3 s)로 실시간 적용이 가능했으며, 탐지율은 정상 시나리오 98%, 전류 변동 96%, Rc 변동 95%, 동시 변동 94%로 모두 90% 이상을 유지했다. 오탐률은 2% 이하로 낮았다. 또한, 모델 보정 단계가 포함된 경우 초기 파라미터 오차가 30%까지 커도 최종 탐지율이 90% 이상 유지되는 것을 확인하였다. 결론적으로, 본 연구는 (1) 물리 기반 2차원 열모델을 활용해 핵심·표면 온도를 동시에 고려, (2) gPC를 통한 효율적인 불확실성 전파, (3) 최적화 기반 모델 보정, (4) 확률적 결함 진단이라는 네 가지 핵심 요소를 결합함으로써, 기존 Monte‑Carlo 기반 방법보다 계산 효율성과 진단 정확성을 동시에 달성하였다. 이러한 프레임워크는 배터리 관리 시스템에 직접 통합될 수 있으며, 실시간 온도 추정과 결함 감지를 동시에 제공함으로써 배터리 안전성 및 수명 연장에 기여할 것으로 기대된다.