노화 반영 ECM을 통한 SOH 추정 및 전압 거동 예측 = Aging-Aware Equivalent Circuit Model for State-of-Health Estimation and Voltage Response Prediction

다국어 초록 (Multilingual Abstract)

The rapid expansion of electric vehicles (EVs) and energy storage systems (ESSs) has led to a significant increase in the demand for lithium-ion batteries as well as their technological importance. In particular, in EV and ESS environments where hundreds to thousands of high-energy-density cells are combined, variations in the characteristics of individual cells can directly affect the safety and efficiency of the entire system, thereby requiring accurate state diagnosis. In such systems, a battery management system (BMS), which interprets battery states and performs protection strategies based on voltage, current, and temperature information, is essential for the stable operation of batteries at the module and pack levels. The BMS processes these measured data in real time to estimate key state variables such as the state of charge (SOC) and the state of health (SOH), and plays a central role in safety control functions including thermal management, power limitation, and fault detection.
However, SOC and SOH are difficult to directly measure, and in battery systems, the measured data are affected by variability depending on operating conditions such as applied current and ambient temperature. As a result, there may be limitations in achieving reliable state estimation of SOC and SOH under diverse operating environments. In addition, BMSs used in vehicles or ESSs must consider constraints related to hardware and software design, including limitations on real-time data storage and logging as well as real-time computation and complex algorithm processing. Therefore, it is difficult to directly apply complex physics-based models or large-scale data-driven models in practical BMS implementations. For these reasons, equivalent circuit models (ECMs), which have simple computational structures, fast execution, and relatively high accuracy, are widely used in BMSs. ECMs approximate the current–voltage response of batteries through the open-circuit voltage (OCV)–SOC relationship, series internal resistance, and one or more RC networks, thereby enabling efficient state estimation and voltage prediction.
However, many practical and conventional ECM approaches assume fixed parameters or update them only in a limited manner, and although online parameter update techniques have been actively studied, limitations still exist in the estimation of states such as SOC and SOH required for precise monitoring within BMSs.
In this study, to address these limitations, an ECM-based state estimation model that reflects aging characteristics is proposed. To extract the parameters constituting the ECM, partial discharge data with durations of 6 min, 3 min, and 1 min were obtained under a 1C nominal current condition, and third-order RC ECM parameters were extracted based on the current and voltage responses obtained at each cycle. Subsequently, a gradient boosting regressor (GBR), a machine learning technique that has the advantage of effectively learning the nonlinear and complex parameter evolution trends observed during battery aging, was employed. By learning the cycle-dependent trends of the parameters, the model was constructed such that SOH estimation and voltage behavior prediction under aged conditions are possible using only the initially extracted parameters. Through this approach, it was confirmed that battery health estimation can be achieved based on short-duration discharge data without requiring large-scale datasets.
Experimental results show that the proposed model first estimates the SOH at the cell level, and the root mean square error (RMSE) between the predicted voltage and the experimentally measured voltage at the corresponding aging states remains below 0.03 V at all aging points. Using only the initial parameters and the learned aging trend model, it was confirmed that SOH estimation reflecting the battery aging state is possible, and by applying ECM parameters corresponding to the estimated SOH, the voltage behavior at the given aging state can be accurately reproduced. Although this study was validated at the cell level, the proposed methodology can be extended as a foundational technology for the development of real-time state diagnosis and lifetime prediction algorithms for future module- and pack-level battery systems.

국문 초록 (Abstract)

전기자동차(Electric Vehicle, EV)와 에너지저장장치(Energy Storage System, ESS)의 보급이 빠르게 확대되면서 리튬이온 배터리의 수요와 기술적 중요성이 크게 증가하고 있다. 특히 고에너지 밀도 셀을 수백~수천 개 조합해 사용하는 EV 와 ESS 환경에서는, 단일 셀의 특성 변화가 시스템 전체의 안전성과 효율에 직접적인 영향을 미치기 때문에 정밀한 상태 진단이 요구된다. 이러한 시스템에서 배터리를 모듈 및 팩 단위로 안정적으로 운용하기 위해서는 전압·전류·온도 정보를 기반으로 상태를 해석하고 보호 전략을 수행하는 배터리관리시스템(Battery Management System, BMS)이 필수적이다. BMS는 이러한 측정 데이터를 실시간으로 처리하여 충전 상태(State of Charge, SOC), 건강 상태(State of Health, SOH) 등 핵심 상태 변수를 추정하며, 열관리·출력 제한·이상 감지 등 안전 제어의 중심 역할을 담당한다.
그러나 SOC와 SOH는 직접적인 측정을 통한 확인이 어렵고, 배터리 시스템의 경우 인가 전류·환경 온도 등 운용 조건에 따라 측정되는 데이터의 변동성에 영향을 미치기 때문에 다양한 운용 환경에서의 신뢰도 높은 SOC, SOH와 같은 상태 추정에 한계가 있을 수 있다. 또한 차량이나 ESS에서 사용되는 BMS의 경우 하드웨어 및 소프트웨어 측면에서의 설계 제한요소 등을 통해 실시간 데이터 저장 및 로깅과 실시간 연산 및 복잡한 알고리즘 처리에 대한 제약을 고려해야 하므로 복잡한 물리 기반 모델이나 대규모 데이터 기반 모델을 직접 적용하기 어렵다. 이러한 이유로 BMS에서는 계산 구조가 단순하고 빠르게 동작하며 비교적 높은 정확도를 제공하는 등가회로모델(Equivalent Circuit Model, ECM)이 널리 활용되고 있다. ECM은 개방회로전압(Open-Circuit Voltage, OCV)–SOC 관계, 직렬 내부저항, 그리고 하나 이상의 RC 네트워크를 통해 배터리의 전류–전압 응답을 근사하여 상태 변수 추정과 전압 예측을 효율적으로 수행한다.
하지만 많은 실무 및 기본 ECM 접근법에서는 파라미터를 고정하거나 제한적으로만 갱신하는 가정을 사용하며, 온라인 파라미터 업데이트 기법 또한 활발히 연구되고 있음에도 불구하고 BMS 내에서의 정밀한 모니터링에 필요한 SOC, SOH 등과 같은 상태 추정에 대해서 한계가 존재한다.
본 연구에서는 이러한 한계를 해결하기 위해 노화 특성을 반영한 ECM 기반 상태 추정 모델을 제안하였다. ECM의 구성 요소인 파라미터를 추출하기 위해 1C 정격 전류 조건에서 6분, 3분, 1분의 부분 방전 데이터를 확보하고, 각 사이클에서 얻은 전류·전압 응답을 바탕으로 3차 RC ECM 파라미터를 추출하였다. 이후 머신러닝 기법인 배터리 열화 과정에서 나타나는 비선형적이고 복합적인 파라미터 변화 추세를 효과적으로 학습할 수 있다는 장점을 가진 그래디언트 부스팅 회귀 모델(Gradient Boosting Regressor, GBR)을 활용했다. 파라미터의 사이클 변화 추세를 학습함으로써, 초기 파라미터만 확보하면 노화가 진행된 상태에서의 SOH 추정과 전압 거동 예측이 가능하도록 모델을 구성하였다. 이를 통해 대규모 데이터 없이도 짧은 방전 데이터를 기반으로 건강 상태 추정이 가능함을 확인하였다.
실험 결과, 제안된 모델은 셀 단위에서 먼저 SOH를 추정하고 그 노화 시점의 예측 전압과 실험 전압 간 평균제곱근오차(Root Mean Square Error, RMSE)는 모든 노화 시점에서 0.03V 이하 수준으로 나타났다. 초기 파라미터 및 학습된 노화 추세 모델만으로, 배터리의 노화 상태를 반영한 SOH 추정이 가능함을 확인하였으며, 추정된 SOH에 대응하는 ECM 파라미터를 적용함으로써 해당 노화 상태에서의 전압 거동을 정밀하게 모사할 수 있음을 검증하였다. 본 연구는 셀 단위에서 검증되었으나, 제안된 방법론은 향후 모듈 및 팩 단위 배터리 시스템의 실시간 상태 진단 및 수명 예측 알고리즘 개발에 활용될 수 있는 기반 기술로 확장할 수 있다.

목차 (Table of Contents)

• 제 1장 서론 1
• 1.1. 연구 배경 및 필요성 1
• 1.2. 연구 내용 및 목표 2
• 1.3. 논문의 구성 3
• 제 2장 리튬이온 배터리 5
• 2.1. 기본 구조 및 작동 원리 5
• 2.1.1. 양극재 6
• 2.1.2. 음극재 6
• 2.1.3. 전해질 7
• 2.1.4. 분리막 7
• 2.2. 리튬이온 배터리 특성 및 열화 메커니즘 8
• 2.3. SOC 추정 방법 9
• 2.3.1. 전류 적산법 기반 SOC 추정 9
• 2.3.2. OCV 기반 SOC 추정 10
• 2.3.3. 모델 기반 SOC 추정 11
• 2.3.4. 데이터 기반 SOC 추정 12
• 2.4. SOH 추정 방법 13
• 2.4.1. 최대 가용 용량 기반 SOH 추정 14
• 2.4.2. 모델 기반 SOH 추정 14
• 2.4.3. 데이터 기반 SOH 추정 14
• 제 3장 등가회로모델(ECM) 16
• 3.1. ECM 모델의 주요 형태 16
• 3.1.1. Rint Model 16
• 3.1.2. Thevenin(1차 RC Model) 16
• 3.1.3. 확장 Thevenin(2차 이상 RC Model) 17
• 3.1.4. PNGV(Partnership for a New Generation of Vehicles) Model 17
• 3.1.5. GNL(General Nonlinear Lumped) Model 18
• 3.2. 파라미터 추출 및 검증 방법 18
• 3.2.1. 부분 방전 18
• 3.2.2. HPPC 20
• 제 4장 머신러닝 22
• 4.1. 개요 22
• 4.2. GBR 기반 파라미터 추세 학습의 필요성 23
• 제 5장 실험 사양 및 실험 방법 24
• 5.1. 실험 장비 24
• 5.2. 실험 시료 25
• 5.3. 머신러닝 구동 환경 26
• 5.4. 실험 스케줄 26
• 제 6장 파라미터 추출 및 열화 특성 분석 29
• 6.1. 파라미터 추출 29
• 6.1.1. OCV 및 직렬 저항  추출 29
• 6.1.2. 시정수 및 분극 저항 추출 30
• 6.1.3. 파라미터 추출 구간의 한계 35
• 6.2. 파라미터 검증 35
• 6.2.1 1C-rate 6min 파라미터 검증 36
• 6.2.2 1C-rate 3min 파라미터 검증 37
• 6.2.3 1C-rate 1min 파라미터 검증 38
• 제 7장 결과 39
• 7.1. 실험 조건에 따른 파라미터 변화 추세 비교 39
• 7.1.1. 1C-rate 6min 파라미터 추세 셀 별 비교 39
• 7.1.2. 1C-rate 3min 파라미터 추세 셀 별 비교 47
• 7.1.3. 1C-rate 1min 파라미터 추세 셀 별 비교 55
• 7.2. 노화에 따른 파라미터 추세 비교 63
• 7.3. 추세 기반 상태 추정 및 검증 결과 66
• 제 8장 결론 및 고찰 87
• 참고 문헌 89
• Abstract 92