인공지능 모델 기반 철도차량 배터리 팩의 수명 예측에 관한 연구 = A Study on Lifetime Prediction of Railway Vehicle Battery Packs Based on Artificial Intelligence Models

국문 초록 (Abstract)

국내 철도차량에 적용되는 리튬폴리머 배터리 팩은 안정적인 운행을 위 한 초기 기동 및 제어장치의 구동 전원으로 사용되고 있다. 그러나 매 사 이클마다 완전 충·방전이 발생하지 않는 운용 특성으로 인해 기존 방법으 로는 배터리 건강상태(State of Health, SoH)를 정확하게 추정하기 어렵 다. 본 연구에서는 증분용량분석(Incremental Capacity Analysis, ICA) 을 기반으로 IBC(In-Boundary Capacity)를 도출하고, 화학적 열화(CL, LLI, LAM)를 추출 및 인공지능 모델 학습으로 구성된 3단계 예측 기반 프레임워크(Framework)를 제안한다. 실제 철도차량 운용 조건을 모사한 실험 을 통해 IBC가 SoH와 높은 상관성을 가지는 것을 확인하였으며, 자기상관함수 (Autocorrelation Function, ACF)와 시계열 분해(Time Series Decomposition) 기법을 적용하여 IBC의 장기적 추세 특성을 분석하였다. 또한 기계학습(Machine Learning, ML)과 딥러닝(Deep Learning, DL) 모델을 비교한 결과, 기계 학습 모델은 열화 데이터에 대한 외삽(Extrapolation) 한계로 예측 성능이 제한적이다. 반면, 딥러닝 모델은 지속적 감소 추세 예측에 적합한 성능을 보였다. 제안된 방법은 완전 충·방전 실험 없이도 배터리 열화를 효과적으로 평가할 수 있어, 철도차량 배터리 관리 시스템의 예지보전 기능 구현 및 유 지보수 효율 개선에 기여할 수 있을 것으로 기대된다.

목차 (Table of Contents)

• I. 서론 1
• 1.1 연구 목적 및 필요성 1
• 1.2 선행 연구 3
• 1.3 논문의 구성 6
• II. 이론적 고찰 7
• 2.1 철도 기반 데이터 분석 7
• 2.2 증분용량분석 및 필터링 방법 12
• 2.3 배터리 열화 모드 18
• 2.4 주요 모델의 이론 20
• III. 제안하는 예측 모델 27
• 3.1 예측 Framework 27
• 3.2 특징 추출 및 상관성 분석 29
• 3.3 모델 데이터 구성 36
• IV. 연구결과 39
• 4.1 예측 모델 성능 평가지표 39
• 4.2 모델별 예측 결과 40
• 4.3 모델별 학습 성능 46
• V. 결론 48