Deep Learning-Based State-of-Health Estimation Approach for Mobility Batteries

Kyutae Park; Heung Soo Kim

doi:10.7734/COSEIK.2025.38.5.309

Preview

Research Paper

Journal of the Computational Structural Engineering Institute of Korea. 31 October 2025. 309-316
https://doi.org/10.7734/COSEIK.2025.38.5.309

Deep Learning-Based State-of-Health Estimation Approach for Mobility Batteries

딥러닝 기반 모빌리티 배터리의 건전성 상태 추정 방법

Kyutae Park¹

Heung Soo Kim²^*

박 규태¹

김 흥수²^*

¹Graduate Student, Department of Mechanical Engineering, Dongguk University, Seoul, 04620, Korea

²Professor, Department of Mechanical, Robotics and Energy Engineering, Dongguk University, Seoul, 04620, Korea

¹동국대학교 기계공학과 석사과정

²동국대학교 기계로봇에너지공학과 교수

^{*Corresponding Author}

License (open-access, https://creativecommons.org/licenses/by-nc/4.0/):

This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (https://creativecommons.org/licenses/by-nc/4.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

ABSTRACT

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.

Keywords

mobility battery

lithium-ion battery

state of health estimation

battery management system

mobility onboard system

deep learning

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 현재의 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, 정밀한 SOH 추정 결과를 도출하였다. 제안한 방법은 CALCE 배터리 열화 데이터를 기반으로 검증하였으며, 평가 지표인 MAE와 RMSE는 모든 배터리 셀에 대해 각각 최대 0.55 및 0.7의 일관되고 우수한 성능을 보였다.

키워드

모빌리티 배터리

리튬 이온 배터리

건전성 상태

추정

배터리 관리 시스템

모빌리티 온보드 시스템

딥러닝

MAIN

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

1. 서 론

리튬 이온 배터리(Li-Ion Battery, LIB)는 높은 에너지 밀도, 긴 수명, 낮은 자가 방전율 등의 장점을 가지며 최근 전기차, 항공기 등 다양한 모빌리티 산업에서 주요 에너지 저장 장치로 활용되고 있다(Kim et al., 2019). 이러한 모빌리티 배터리는 충·방전 과정에서 셀 내부의 비가역적 전기화학 반응으로 인해 내부 저항이 증가하고, 이는 점진적 성능 열화로 이어진다(Liu et al., 2016). SOH(State of Health)는 배터리의 가용 용량을 기반으로 건전성 상태를 나타내는 지표이며, 컷오프 전압(cut-off voltage)까지 완전 방전을 수행해야 정확한 측정이 가능하기에, 모빌리티 기기에 사용되는 배터리의 SOH는 간접적인 추정이 필요하다(Huang et al., 2018). 또한 SOH가 수명 종료 시점(End of Life, EOL) 기준인 80% 이하로 감소할 경우 성능 저하, 열폭주 등의 문제를 초래할 수 있으며, 이는 심각한 인명 피해로 이어질 수 있다(Gu et al., 2025). 따라서 모빌리티 기기에 사용되는 배터리의 SOH를 실시간으로 정확하게 추정하는 것은 매우 중요하다.

SOH 추정을 위한 방법은 모델 기반 방법과 데이터 기반 방법으로 나눌 수 있다. 모델 기반 방법은 배터리의 수학적, 물리·화학적 모델을 활용하여 내부 작동 메커니즘을 정의하는 파라미터를 측정된 상태 기반으로 추정하는 방식이다. 전기화학 모델(Electrochemical Models, EM)(Liu et al., 2022; Pi et al., 2024)과 등가 회로 모델(Equivalent Circuit Models, ECM)(Tran et al., 2021)이 모델 기반 방법에 포함되며, 이러한 물리 모델 기반 방법은 SOH 추정 과정에 대한 높은 해석 가능성을 제공한다는 장점이 있다. 하지만 복잡한 열화 과정을 반영한 물리 모델의 구축은 전문적인 도메인 지식이 요구되며, 복잡한 수학적 처리로 인해 높은 계산 비용을 수반한다는 단점이 있다.

반면, 데이터 기반 방법은 배터리의 SOH 추정에서 도메인 지식에 대한 의존도를 줄이고, 추론 단계에서 계산 비용이 매우 낮아지며, 다양한 환경 조건에 대한 유연성 또한 제공할 수 있다. 이러한 데이터 기반 방법은 배터리의 전류, 전압, 온도 등 모빌리티 기기의 배터리 관리 시스템(Battery Management System, BMS)을 통해 직접 측정 가능한 데이터를 활용한다. 이를 바탕으로 열화 메커니즘과 연관된 건전성 지표(Health Factors, HF)를 구성하고, 이 지표들과 SOH 간의 관계성을 매핑하는(mapping) 방식으로 학습하여, 열화 이력이 있는 배터리 데이터 기반의 용량 추정 모델을 구축한다(Chen et al., 2023a).

Deng 등(2019)은 충전 과정에서 동일 충전 전압 차이의 시간 간격, 동일 충전 전류 차이의 시간 간격, 정전류(Constant Current, CC) 및 정전압(Constant Voltage, CV) 구간의 충전 용량과 같은 직접 측정 파라미터를 SOH 지표로 식별했다. Huang 등(2022)은 지역 주파수(regional frequency)와 지역 전압(regional voltage)을 건전성 지표로 제안하고, 확률 밀도 함수 프레임워크 내에 도입하여 SOH를 추정하였다. 이러한 수작업 특징 추출을 이용한 방법은 추정에 좋은 성능을 보여주었으나, 연산의 복잡성으로 인해 BMS 시스템에 피처 엔지니어링을 적용하는 것은 어려움이 존재한다.

이러한 문제를 해결하기 위해 딥러닝 기반의 자동 특징 추출(automatic feature extraction)을 활용한 SOH 추정 연구가 시도되고 있다. Chen 등(2023b)은 부분 CV 충전 데이터와 CNN(Convolutional Neural Network) 모델을 기반으로 자동 건전성 특징 추출을 활용해 배터리의 SOH를 추정하였다. Nguyen Van과 Quang(2023)은 LSTM(Long Short-Term Memory) 기반 이중 네트워크 구조를 통해 배터리의 SOH와 내부 저항을 높은 정확도로 추정하였다. 다만 CNN은 국소적 특징에 주목하며 글로벌 특징 추출이 어렵고 노이즈에 취약하다. LSTM은 시계열의 시간 정보를 반영하지만, 네트워크의 복잡도 및 연산량 증가로 인해 학습시간이 길어지고 학습 데이터가 부족할 경우 과적합 가능성이 존재한다.

이러한 배경을 바탕으로 본 연구는 TCN(Temporal Convolutional Network)과 GRU(Gated Recurrent Unit)를 결합한 하이브리드 딥러닝 신경망 기반의 배터리 SOH 추정 모델을 제안한다. 제안한 모델은 계산 자원이 제한되는 모빌리티 온보드(onboard) 시스템의 특성을 고려하여, 수작업 특징 추출 없이 원시 데이터를 리샘플링 한 후 이를 딥러닝 모델의 입력으로 활용하였다. TCN과 GRU는 각각 시계열 데이터 처리에 강점을 지닌 LSTM의 구조적 장점을 계승하며, 높은 연산 효율성과 병렬 처리 기능을 제공한다(Bai et al., 2018; Chung et al., 2014). 이 접근법을 통해 배터리의 열화에 따른 용량 감소 현상뿐만 아니라, 충·방전 프로토콜 사이에 간헐적으로 발생하는 비정상적인 국소 용량 회복 현상까지 효과적으로 반영함으로써 SOH를 정밀하게 추정할 수 있었다.

2. 데이터

2.1 데이터 정보

본 연구는 University of Maryland의 CALCE(Center for Advanced Life Cycle Engineering)에서 공개한 리튬 이온 배터리 열화 데이터 기반으로 수행되었다(He et al., 2011). 이 데이터는 정격 용량이 1.1Ah인 $L i C o O_{2}$ 배터리 4종(CS2_35, CS2_36, CS2_37, CS2_38)에 대해 반복적으로 수행된 충·방전 실험 결과를 포함한다. 배터리의 충·방전 열화 실험은 정전류 및 정전압 충전 단계와 정전류 방전 단계로 구성된다. 구체적으로 배터리는 0.5C의 정전류로 충전되며, 배터리의 전압이 4.2V에 도달하면 정전압 충전으로 전환된다. 정전압 단계에서는 4.2V를 유지하며, 전류가 0.05A에 도달하면 충전이 종료된다. 방전 단계에서는 1C의 정전류로 배터리 전압이 2.7V에 도달할 때까지 수행된다. Table 1은 배터리와 충·방전 프로토콜의 세부 정보를 제시하며, Fig. 1은 해당 프로토콜에 따라 수집된 데이터 일부를 시각화한 것이다.

Table 1.

CALCE battery dataset information

Type	Information
Battery type	Lithium cobalt oxide battery
Nominal capacity	1.1Ah
Battery ID	CS2_(35, 36, 37, 38)
Temperature	297.15K
Discharge current	1.1A
Voltage cut-off	2.7V / 4.2V

https://cdn.apub.kr/journalsite/sites/jcoseik/2025-038-05/N0040380503/images/Figure_jcoseik_38_05_03_F1.jpg

Fig. 1.

Voltage and current profiles samples

2.2 데이터 전처리

본 연구는 배터리 충전 구간에서 수집된 전류, 전압, 시간 데이터를 딥러닝 기반 SOH 추정 모델의 입력 지표로 활용하였다. 이때, 기록되는 데이터의 샘플 수는 사이클마다 상이하며, 샘플링 주파수(sampling rate)가 높을수록 계산 비용이 증가하는 문제가 존재한다. 이에 따라, 모든 사이클의 입력 데이터를 128개의 일정한 시계열 포인트로 리샘플링(resampling) 함으로써 데이터의 일관성과 모델의 효율성을 확보하였다. Fig. 2는 리샘플링한 입력 데이터를 시각화한 결과이며, 해당 데이터는 식 (1)의 최대-최소 정규화(Min-Max Normalization)를 거쳐 딥러닝 모델의 입력으로 사용되었다.

(1)

X_{normalization} = \frac{X - X_{\min}}{X_{\max} - X_{\min}}

여기서, $X_{\min}$ 은 해당 변수의 최소값, $X_{\max}$ 는 최댓값을 의미한다. 정규화 과정을 통해 입력 변수 간의 스케일(scale) 차이로 인한 학습 편향을 줄이고, 모델의 학습 안정성을 향상시킬 수 있다.

https://cdn.apub.kr/journalsite/sites/jcoseik/2025-038-05/N0040380503/images/Figure_jcoseik_38_05_03_F2.jpg

Fig. 2.

Resampling of charge data

본 연구에서 추정하고자 하는 배터리의 건전성 상태 정량화 지표인 SOH는 용량 기반의 식 (2)를 통해 계산하였다.

(2)

S O H = \frac{Q_{current}}{Q_{nominal}} \times 100 %

여기서, $Q_{nominal}$ 은 배터리의 정격 용량, $Q_{current}$ 는 특정 시점에서 측정한 방전 용량의 최댓값이다. Fig. 3은 본 연구에서 사용한 배터리들의 사이클 열화에 따른 SOH 변화 곡선을 나타낸다.

https://cdn.apub.kr/journalsite/sites/jcoseik/2025-038-05/N0040380503/images/Figure_jcoseik_38_05_03_F3.jpg

Fig. 3.

SOH visualization of CALCE CS2 battery

3. SOH 추정 딥러닝 모델

3.1 Temporal Convolutional Network

TCN은 시계열 데이터의 시간 의존성과 국소 영역의 세부 정보를 효율적으로 포착하고 처리하기 위해 제안된 1차원 합성곱 모델이다. 일반적인 합성곱 신경망(CNN)과 비교했을 때, TCN은 다음과 같은 구조적 차별성 및 특징을 가진다.

첫 번째, TCN은 출력 시점 이전의 입력 데이터만을 반영하는 인과적 합성곱(causal convolution)을 적용함으로써, 시간 순서를 준수하고 미래 데이터의 반영을 방지한다(Lu et al., 2025). 즉, 과거 및 현재 데이터만을 기반으로 학습이 이루어지기 때문에 모빌리티 시스템의 실시간 SOH 추정에 있어 결과에 대한 신뢰도를 확보할 수 있다. TCN의 인과적 합성곱 연산은 식 (3)과 Fig. 4를 통해 나타낼 수 있다(Lea et al., 2017).

(3)

y_{t} = f (x_{t - k + 1}, x_{t - k + 2}, . . ., x_{t})

여기서, $x_{t}$ 는 현재 시점 $t$ 에서의 입력 데이터, $k$ 는 필터(kernel)의 크기, $y_{t}$ 는 출력값이다.

https://cdn.apub.kr/journalsite/sites/jcoseik/2025-038-05/N0040380503/images/Figure_jcoseik_38_05_03_F4.jpg

Fig. 4.

Causal convolution mechanism

두 번째, TCN에 도입된 확장 합성곱(dilated convolution)은 인과적 합성곱의 작은 수용 영역(receptive field) 한계를 해결하기 위해 수용 영역을 지수적으로 확장함으로써 장기 의존성 포착에 적합한 넓은 범위의 입력 시퀀스를 효과적으로 처리할 수 있다(Wei and Wang, 2024). 이는 입력 전체에 대한 넓은 수용 영역을 갖는 RNN(Recurrent Neural Network)의 장기 의존성 학습 능력과, 짧은 그래디언트 전파 거리 및 계층적 특징 추출 특성을 갖는 CNN의 장점을 모두 반영한 중간 형태의 구조로 볼 수 있다(Bai et al., 2018). 확장 합성곱 연산은 식 (4)를 통해 수식적으로 표현될 수 있다(Wei and Wang, 2024).

(4)

F (x_{t}) = \sum_{i = 0}^{k - 1} f (i) \cdot x_{t - d \cdot i}

여기서, $f (i)$ 는 필터의 가중치(weight), $k$ 는 필터의 크기, $d$ 는 지수적으로 확장하는 팽창 계수(dilation factor)이다. 이 수식의 입력 인덱스는 $d$ 에 따라 $t$ 부터 $t - (k - 1) \cdot d$ 까지 일정 간격으로 감소하며 계산된다. Fig. 5는 확장 합성곱과 인과적 합성곱이 적용된 TCN의 구체적인 네트워크 구조를 나타낸다.

https://cdn.apub.kr/journalsite/sites/jcoseik/2025-038-05/N0040380503/images/Figure_jcoseik_38_05_03_F5.jpg

Fig. 5.

TCN model operating mechanism

세 번째, TCN은 입력 시퀀스(sequence)와 출력 시퀀스의 길이가 동일한 1차원 완전 합성곱 네트워크(1D Fully Convolutional Network, FCN) 형태로 설계된다(Long et al., 2015).

이 구조는 확장 합성곱과 인과적 합성곱의 특성을 동시에 만족하기 위해 식 (5)에 따라 과거 입력 데이터에 대해 제로 패딩(zero padding)을 추가하는 형태로 구현된다(Lu et al., 2025).

(5)

p = d \cdot (k - 1)

여기서, $p$ 는 제로 패딩의 크기, $d$ 는 팽창 계수, $k$ 는 필터의 크기이다.

네 번째, TCN은 네트워크의 깊이에 따라 확장된 수용 영역을 기반으로 특징 추출(feature extraction)을 수행한다. 본 연구는 신경망의 성능 저하 문제 완화 및 학습 안정성 향상을 위해 신경망 계층 간에 식 (6)의 잔차 연결(Residual connection)을 적용하였다(Bai et al., 2018; Bockrath et al., 2023).

(6)

Y ` = x + F (x)

여기서, $x$ 는 입력 신호, $F (x)$ 는 합성곱 연산을 포함한 결과이며, 두 신호 간에는 요소별(element-wise) 덧셈을 수행한다. Fig. 6은 이러한 잔차 연결의 구체적인 형태를 시각적으로 나타낸다.

https://cdn.apub.kr/journalsite/sites/jcoseik/2025-038-05/N0040380503/images/Figure_jcoseik_38_05_03_F6.jpg

Fig. 6.

Residual connection in TCN

3.2 Gated Recurrent Unit

GRU는 순환 신경망(RNN)의 일종으로, LSTM의 모델 복잡성에 따른 계산 비용 증가 문제를 효과적으로 완화할 수 있다. GRU는 LSTM의 망각 게이트(forget gate), 입력 게이트(input gate), 업데이트 게이트(update gate)를 통합한 구조로 파라미터 수가 단순화되며 높은 학습 효율을 제공한다(Cho et al., 2014). 추가적으로 리셋 게이트(reset gate)는 과거 정보의 유지, 소멸 정도를 조정한다(Chung et al., 2014). 식 (7), (8), (9), (10)은 GRU의 주요 게이트 계산 과정을 수식적으로 나타낸다(Chung et al., 2014).

(7)

z_{t} = σ (W_{z} \cdot [h_{t - 1}, x_{t}] + b_{z})

(8)

r_{t} = σ (W_{r} \cdot [h_{t - 1}, x_{t}] + b_{r})

(9)

{\tilde{h}}_{t} = \tanh (W_{h} \cdot [r_{t}^{*} h_{t - 1}, x_{t}] + b_{h})

(10)

h_{t} = (1 - z_{t}) * h_{t - 1} + z_{t} * \tilde{h_{t}}

여기서, $x_{t}$ 는 현재 시점 t의 입력 벡터, $z_{t}$ 는 업데이트 게이트, $r_{t}$ 는 리셋 게이트이다. $h_{t}$ 는 이전 은닉 상태 정보 $h_{t - 1}$ 과 후보 은닉 상태 정보 ${\tilde{h}}_{t}$ 사이의 선형 보간으로 정의된다. 또한 $W$ 와 $b$ 는 각각 가중치 행렬과 편향 벡터를 나타낸다.

이러한 GRU는 계산 효율성이 높기 때문에 모빌리티 온보드 시스템에 적용 가능성을 제공하며, 배터리 용량 저하와 같은 시계열 정보의 정밀한 추정이 가능하다.

3.3 제안한 TCN-GRU 모델

본 연구는 모빌리티 배터리의 SOH 추정을 위한 딥러닝 신경망 기반의 체계적인 접근 방식을 적용하였다. 제안한 모델의 입력 데이터는 4단계의 TCN 계층 구조로 학습된다. 각 계층의 출력 채널 수는 [64, 128, 256, 128]의 순서로 확장 및 축소된다. 필터의 크기는 3이며, 팽창 계수는 2의 거듭제곱인 [1, 2, 4, 8]로 증가하여 넓은 시간적 수용 영역을 확보하였다. 이 과정에서 계층 간에 적용한 잔차 연결은 그래디언트 흐름과 학습 안정성을 향상시켰으며, 정보 손실을 최소화함으로써 복잡한 시계열 패턴에 대한 효과적인 학습을 가능하게 하였다.

TCN을 통해 추출된 국소적(local) 및 전역(global) 시계열 특징은 GRU 계층에서 장기 의존성을 포착하는 데 활용되었다. GRU는 총 3단계 계층 구조로 구성되며, TCN의 마지막 계층에서 출력된 128차원 특징 벡터가 GRU 모델의 입력으로 전달된다. GRU의 은닉 계층 크기는 [256, 128, 64] 순서로 구성되며, 이를 통해 시간 의존성 포착 및 특징 압축을 수행하였다. Fig. 7은 본 연구에서 제안한 TCN-GRU 하이브리드 모델의 구조를 시각화한 것이다.

https://cdn.apub.kr/journalsite/sites/jcoseik/2025-038-05/N0040380503/images/Figure_jcoseik_38_05_03_F7.jpg

Fig. 7.

TCN-GRU hybrid model architecture

4. 실험 설계 및 결과 분석

4.1 SOH 추정 모델 설계

본 연구에서 제안한 TCN-GRU 모델의 SOH 추정 성능은 CNN, LSTM 모델과의 비교로 검증하였다. CNN 모델은 [64, 128, 256, 128, 64]의 5개 계층으로, LSTM 모델은 [64, 128, 256, 128]의 4개 계층으로 설계하였고, CNN은 출력을 평탄화한 벡터를, LSTM은 마지막 시점 은닉 계층의 출력값을 완전 연결 계층의 입력값으로 사용하여 최종적인 추정값을 추출하였다. 제안한 TCN-GRU 모델의 구조는 Table 2와 Table 3을 통해 보여준다.

Table 2.

Model hyperparameters setting

Layer	Proposed Model (TCN-GRU)
Batch size	16
Dropout	0.2
Kernel	3
Learning rate	0.0005
Epoch	400

Table 3.

TCN-GRU model structure

Layer	Activation function	Output shape
Input	-	b, 128, 3
TCN1	ReLU	b, 130, 64
TCN2	ReLU	b, 134, 128
TCN3	ReLU	b, 142, 256
TCN4	ReLU	b, 158, 128
GRU1	tanh	b, 158, 256
BatchNorm	-	b, 158, 256
GRU2	tanh	b, 158, 128
BatchNorm	-	b, 158, 128
GRU3	tanh	b, 158, 64
BatchNorm	-	b, 158, 64
FC	-	b, 64
Linear	-	b, 1

4.2 평가 지표

제안한 TCN-GRU 모델의 성능을 검증하기 위해 MAE(Mean Absolute Error), RMSE(Root Mean Square Error) 두 가지 평가 지표를 사용하였다. MAE는 실제값과 추정값 사이의 오차를 기반으로 성능을 평가하며, 값이 작을수록 모델의 성능이 좋고 모든 오차에 대해 가중치를 동일하게 적용한다. RMSE는 회귀 모델에서 주로 사용하는 평가 지표로, 실제값과 추정값 사이의 오차가 클수록 더 큰 가중치를 적용한다. 다음 식(11)~식 (12)는 MAE와 RMSE의 수학적 정의를 나타낸다.

(11)

MAE = \frac{1}{n} \sum_{i = 1}^{n} |{SOH}_{i} - {\hat{SOH}}_{i}|

(12)

RMSE = \sqrt{\frac{1}{n} \sum_{i = 1}^{n} {({SOH}_{i} - {\hat{SOH}}_{i})}^{2}}

여기서, $S O H_{i}$ , ${\hat{S O H}}_{i}$ 는 각각 실험에서 측정한 실제값과 신경망의 추정값을 의미한다.

4.3 추정 정확도 비교 및 평가

Fig. 8(a)~(h)는 각각 CS2_35, CS2_36, CS2_37, CS2_38 배터리의 SOH 추정 결과 및 오차를 시각화한 것이다. 각 실험에서는 평가 대상 배터리를 제외한 나머지 세 개의 배터리 데이터를 학습용으로 사용하여 모델 성능을 검증하였다.

https://cdn.apub.kr/journalsite/sites/jcoseik/2025-038-05/N0040380503/images/Figure_jcoseik_38_05_03_F8.jpg

Fig. 8.

Estimation results of (a) CS2_35, (c) CS2_36, (e) CS2_37, (g) CS2_38. Estimation errors of (b) CS2_35, (d) CS2_36, (f) CS2_37, (h) CS2_38

실험 결과, CS2_37 배터리에 대한 SOH 추정 결과는 세 가지 모델(CNN, LSTM, 제안한 TCN-GRU) 모두에서 열화 경향성을 효과적으로 학습하며 높은 추정 정확도를 보여주었다. CS2_36 배터리는 TCN-GRU와 LSTM 모델에서 우수한 추정 정확도를 보인 반면, CNN 모델은 상대적으로 낮은 정확도를 보였다.

또한, CS2_35 및 CS2_38 배터리에 대한 SOH 추정에서는 제안한 TCN-GRU 모델이 가장 우수한 추정 성능을 보였다. TCN-GRU 모델은 모든 배터리에 대해 전체 열화 구간에서 발생하는 비선형적인 특징을 효과적으로 포착하며 일관된 고정밀도 추정 성능을 달성하였다. 이는 TCN의 장기 의존성 보존 능력과 GRU의 순차적 특성 반영 능력이 결합하여, 예외적인 현상에도 시간에 따른 열화 경향성과 비정상적인 변화를 동시에 정밀하게 인식할 수 있었던 결과로 해석된다.

반면, CNN과 LSTM 기반 모델은 CS2_35 및 CS2_38 배터리에 대해 상대적으로 일반화 성능이 떨어지는 추정 결과를 보였다. CNN은 국소적인 필터로 추출한 특징을 기반으로 추정을 진행하는데, 이는 학습 가능한 시간적인 범위가 제한되며 결국 누적되는 열화에 대한 학습 민감도가 떨어진 결과로 보인다. LSTM은 순차적인 정보를 학습하는 데 강점을 갖지만, 시계열 내의 예외적인 변화에 대해 과도하게 민감한 반응을 보이며, 이에 따라 부정확한 추정 결과로 이어진 것으로 판단된다. 즉, 두 모델은 국소적 열화 패턴에 대해 과소적합(underfitting) 혹은 과적합(overfitting)이 발생하며 추정 성능에 저하가 발생했다고 해석할 수 있다.

결과적으로 CNN과 LSTM 모델에서 발생한 일부 구간에 대한 부정확한 추정은 모델의 일관성 확보 및 해석 가능성 제공 측면에서 신뢰성 저하로 이어질 수 있다. 특히, 다양한 외부 조건 및 열화 경로에 따라 더욱 복잡하게 변할 수 있는 모빌리티 환경에서는 배터리의 전역적 열화 경향성과 국소적 변화를 동시에 대응할 수 있는 구조가 필요하다. 이러한 측면에서 제안한 TCN-GRU 모델은 일관되게 요구를 충족할 수 있는 구조적 강점을 갖춘 것으로 확인할 수 있었다.

또한, 모델의 성능은 Table 4의 MAE, RMSE 평가 지표를 통해 정량적으로도 확인할 수 있다. 실험 결과, CS2_36을 제외한 모든 배터리 셀에서 제안한 TCN-GRU 모델이 가장 우수한 추정 성능을 달성하였으며, 이는 실시간 SOH 추정에 있어 지속적으로 신뢰성 있는 높은 정확도의 출력을 유지할 수 있음을 보여준다.

Table 4.

Estimation results of different models

Battery	Model	MAE	RMSE
CS2_35	TCN-GRU	0.53	0.68
	CNN	0.76	0.94
	LSTM	0.55	0.74
CS2_36	TCN-GRU	0.55	0.7
	CNN	0.57	0.75
	LSTM	0.41	0.59
CS2_37	TCN-GRU	0.40	0.54
	CNN	0.70	0.85
	LSTM	0.40	0.56
CS2_38	TCN-GRU	0.51	0.67
	CNN	1.57	2.10
	LSTM	0.78	1.05

5. 결 론

모빌리티 기기에 사용되는 리튬이온 배터리의 안정적인 운용을 위해서는 실시간으로 정확한 SOH를 추정하는 것이 중요하다. 본 논문은 리튬 이온 배터리의 SOH 추정을 위해 TCN-GRU 기반 하이브리드 신경망 접근법을 제안하였다. 제안한 모델은 원시 데이터에 대해 별도의 수작업 특징 추출 없이 리샘플링을 적용하며, 온보드 시스템에서의 적용 가능성을 높였다.

특히 배터리의 충·방전 프로토콜에서 비선형적으로 발생할 수 있는 국소적 용량 회복에 대해 일관된 성능으로 추정할 수 있는 모델임을 입증하고 열화 경향성을 학습하고 추정하는 데 있어 일반화된 성능을 제시할 수 있음을 확인하였다. 이를 통해 모빌리티 시스템에서 배터리 건전성 상태의 실시간 모니터링에 있어 데이터 기반 방법의 실효성과 적용 가능성을 높이는데 기여할 수 있었다.

한편, 본 논문은 다음의 몇 가지 한계점을 지니고 있다.

1)첫 번째로 본 논문은 동일한 조건에서 열화된 배터리 셀을 대상으로 실험을 진행하였으며, 다양한 충·방전 조건에 있는 배터리에 대한 검증이 이루어지지 않았다. 서로 다른 충전 조건에 있는 데이터에 대해서 외삽 능력의 검증이 필요하며, 향후 연구로는 다양한 환경 조건에서 견고한 성능을 보일 수 있는 모델 개발에 중점을 둘 예정이다.

2)두 번째로 물리 모델 기반 방법의 복잡성과 계산 비용 문제의 단점을 보완하는 데이터 기반 방법은 역설적으로 물리적 해석 가능성이 부족한 한계를 지닌다. 향후 연구로는 데이터 기반 방법에 물리적 해석 및 설명 가능성을 제시하며 인공지능 기반 SOH 추정 모델의 신뢰성을 높이는 방법에 관한 연구를 진행할 예정이다.

Acknowledgements

이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(RS-2024-00405691).

References

Bai, S., Kolter, J.Z., Koltun, V. (2018) An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling, arXiv preprint arXiv:1803.01271.

Bockrath, S., Lorentz, V., Pruckner, M. (2023) State of Health Estimation of Lithium-Ion Batteries with a Temporal Convolutional Neural Network using Partial Load Profiles, Appl. Energy, 329, p.120307.

10.1016/j.apenergy.2022.120307

Chen, M., Ma, G., Liu, W., Zeng, N., Luo, X. (2023a) An Overview of Data-Driven Battery Health Estimation Technology for Battery Management System, Neurocomput., 532, pp.152~169.

10.1016/j.neucom.2023.02.031

Chen, S.Z., Liang, Z., Yuan, H., Yang, L., Xu, F., Fan, Y. (2023b) A Novel State of Health Estimation Method for Lithium-Ion Batteries based on Constant-Voltage Charging Partial Data and Convolutional Neural Network, Energy, 283, p.129103.

10.1016/j.energy.2023.129103

Cho, K., Van Merriënboer, B., Bahdanau, D., Bengio, Y. (2014) On the Properties of Neural Machine Translation: Encoder-Decoder Approaches, arXiv preprint arXiv:1409.1259.

10.3115/v1/W14-4012

Chung, J., Gulcehre, C., Cho, K., Bengio, Y. (2014) Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling, arXiv 2014. arXiv preprint arXiv:1412.3555.

Deng, Y., Ying, H., Zhu, H., Wei, K., Chen, J., Zhang, F., Liao, G. (2019) Feature Parameter Extraction and Intelligent Estimation of the State-of-Health of Lithium-Ion Batteries, Energy, 176, pp.91~102.

10.1016/j.energy.2019.03.177

Gu, X., Shang, Y., Li, J., Zhu, Y., Tao, X., Geng, H., Zhang,Z., Zhang, C. (2025) Early Warning of Thermal Runaway based on State of Safety for Lithium-Ion Batteries, Commun. Eng., 4(1), p.106.

10.1038/s44172-025-00442-140494989PMC12152129

He, W., Williard, N., Osterman, M., Pecht, M. (2011) Prognostics of Lithium-Ion Batteries based on Dempster-Shafer Theory and the Bayesian Monte Carlo Method, J. Power Sources, 196(23), pp.10314~10321.

10.1016/j.jpowsour.2011.08.040

Huang, K., Guo, Y.F., Tseng, M.L., Wu, K.J., Li, Z.G. (2018) A Novel Health Factor to Predict the Battery’s State-of-Health Using a Support Vector Machine Approach, Appl. Sci., 8(10), p.1803.

10.3390/app8101803

Huang, S., Liu, C., Sun, H., Liao, Q. (2022) State of Health Estimation of Lithium-Ion Batteries based on the Regional Frequency, J. Power Sources, 518, p.230773.

10.1016/j.jpowsour.2021.230773

Kim, T., Song, W., Son, D.Y., Ono, L.K., Qi, Y. (2019) Lithium-Ion Batteries: Outlook on Present, Future, and Hybridized Technologies, J. Mater. Chem., A, 7(7), pp.2942~2964.

10.1039/C8TA10513H

Lea, C., Flynn, M.D., Vidal, R., Reiter, A., Hager, G.D. (2017) Temporal Convolutional Networks for Action Segmentation and Detection, 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI: IEEE, pp.1003~1012.

10.1109/CVPR.2017.113

Liu, C., Neale, Z.G., Cao, G. (2016) Understanding Electrochemical Potentials of Cathode Materials in Rechargeable Batteries, Mater. Today, 19(2), pp.109~123.

10.1016/j.mattod.2015.10.009

Liu, K., Gao, Y., Zhu, C., Li, K., Fei, M., Peng, C., Zhang, X., Han, Q.L. (2022) Electrochemical Modeling and Parameterization Towards Control-Oriented Management of Lithium-Ion Batteries, Control Eng. Pract., 124, p.105176.

10.1016/j.conengprac.2022.105176

Long, J., Shelhamer, E., Darrell, T. (2015) Fully Convolutional Networks for Semantic Segmentation, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.3431~3440.

10.1109/CVPR.2015.7298965

Lu, Z., Li, B., Fu, C., Xu, L., Jiang, B., Li, Z., Wu, J., Jia, S. (2025) A Multi-Scale Cross-Dimension Interaction approach with Adaptive Dilated TCN for RUL Prediction, Sci. Rep., 15(1), p.19229.

10.1038/s41598-025-00572-840451804PMC12127457

Nguyen Van, C., Quang, D.T. (2023) Estimation of SoH and Internal Resistances of Lithium Ion Battery based on LSTM Network, Int. J. Electrochem. Sci., 18(6), p.100166.

10.1016/j.ijoes.2023.100166

Pi, J., da Silva, S.F., Ozkan, M.F., Gupta, A., Canova, M. (2024) Parameter Identification for Electrochemical Models of Lithium-Ion Batteries Using Bayesian Optimization, IFAC-PapersOnLine, 58(28), pp.180~185.

10.1016/j.ifacol.2024.12.031

Tran, M.K., Mathew, M., Janhunen, S., Panchal, S., Raahemifar, K., Fraser, R., Fowler, M. (2021) A Comprehensive Equivalent Circuit Model for Lithium-Ion Batteries, Incorporating the Effects of State of Health, State of Charge, and Temperature on Model Parameters, J. Energy Storage, 43, p.103252.

10.1016/j.est.2021.103252

Wei, X., Wang, Z. (2024) TCN-Attention-HAR: Human Activity Recognition based on Attention Mechanism Time Convolutional Network, Sci. Rep., 14(1), p.7414.

10.1038/s41598-024-57912-338548859PMC10978978

Journal of the Computational Structural Engineering Institute of Korea ISSN:1229-3059(Print) 2287-2302(Online) 한국전산구조공학회 논문집

Preview

Deep Learning-Based State-of-Health Estimation Approach for Mobility Batteries

ABSTRACT

MAIN

Table 1.

CALCE battery dataset information

Fig. 1.

Voltage and current profiles samples

(1)

Fig. 2.

Resampling of charge data

(2)

Fig. 3.

SOH visualization of CALCE CS2 battery

(3)

Fig. 4.

Causal convolution mechanism

(4)

Fig. 5.

TCN model operating mechanism

(5)

(6)

Fig. 6.

Residual connection in TCN

(7)

(8)

(9)

(10)

Fig. 7.

TCN-GRU hybrid model architecture

Table 2.

Model hyperparameters setting

Table 3.

TCN-GRU model structure

(11)

(12)

Fig. 8.

Estimation results of (a) CS2_35, (c) CS2_36, (e) CS2_37, (g) CS2_38. Estimation errors of (b) CS2_35, (d) CS2_36, (f) CS2_37, (h) CS2_38

Table 4.

Estimation results of different models

Acknowledgements

References