아키텍처
물리 시뮬레이션 대체 학습
PyBaMM SPM
전기화학 물리 모델
DeepONet
Operator Learning 대체
초기 사이클 입력
early-cycle features
수명·열화 예측
EOL · 열화 궤적
문제 → 해결
무엇을 풀었나
문제 · 겹겹의 난제
LFP 수명은 왜 예측이 어려운가
- Knee-point. 전압이 평탄해 전압만으론 SOH를 못 읽고, 용량이 수백 사이클 유지되다 급락. 동일 사양 셀도 꺾이는 시점이 제각각.
- 전이 실패. 데이터 기반 특징은 다른 충전 프로토콜로 옮기면 붕괴(직접 전이 시 80%+ MAPE). 한 배치 안에서만 낮은 오차.
- 물리의 한계. PyBaMM은 knee를 직접 재현하지 못하고 셀당 ~5분으로 느림.
- 순환오류. 그래서 셀별로 역산해 학습데이터를 만들면 테스트 셀이 학습 분포를 오염시키는 자기참조에 빠짐.
→
해결 · 분포 경계 + 연산자 학습
외부 분포로 경계를 학습하고 궤적을 직접 예측
개별 셀 fit 대신 공개 데이터의 분포로 물리 파라미터의 유효 경계를 학습하고, 사이클→열화 연산자(DeepONet)로 용량 궤적을 직접 예측. 분포 밖 입력은 외삽하지 않고 flag(abstain)해 조용한 오탐을 차단.
문제
LFP는 저비용과 안정성으로 ESS·EV에 널리 쓰이지만, 수명(RUL) 조기 예측은 미해결 난제. 전압이 평탄해 전압만으론 상태를 읽기 어렵고, 용량이 수백 사이클 유지되다 급격히 꺾이는 knee-point의 시점이 동일 사양 셀에서도 크게 상이. 기존 데이터 기반 특징은 충전 프로토콜이 바뀌면 전이에 실패하고, 물리 시뮬레이터는 knee를 재현하지 못한 채 셀당 수 분 소요. 초기 사이클만으로 신뢰성 있게 예측하면 2차전지 재사용·보증 리스크·충전 스케줄링에 직접적 가치 존재.
접근
- 물리 + 데이터 결합. PyBaMM SPM 전기화학 모델을 기반으로 삼고, 무거운 시뮬레이션을 DeepONet(Operator Learning) 신경망으로 대체해 추론 가속.
- 초기 사이클 기반 예측. 초기 사이클의 특징만으로 수명(EOL)과 열화 궤적을 예측하도록 구성.
- 교차 데이터셋 검증. TRI, HUST, CALCE 공개 데이터셋에서 셀 분리(cell-disjoint) 방식으로 평가해 과적합 통제.
- 도구화. 실험 프로토콜 생성을 드래그앤드롭 GUI 도구로 제품화해 공개 저장소로 배포.
결과
초기 사이클만으로 셀 분리(cell-disjoint) 조건에서 수명을 예측하고, 물리 시뮬레이션 대비 추론을 대폭 가속. 공개 데이터셋(TRI·HUST·CALCE) 기준 결과는 다음과 같음.
6.45%
EOL MAPE (cell-disjoint)
1.95%
Q(n) 궤적 MAPE
552×
추론 가속 (PyBaMM 대비)
9,185
DeepONet 파라미터
용량 감소 궤적 — 예측 vs 실제
실제 용량
예측 (DeepONet)
EOL 임계
곡선은 대표 형태(illustrative). 예측이 실제 용량 궤적을 근접 추종하며, 초기 사이클 입력만으로 EOL 예측. 정량 오차는 위 지표 참고.
EOL 예측 오차 — 낮을수록 좋음
EOL MAPE, cell-disjoint 평가. 막대는 0~10% 기준.
기술
PyBaMM · DeepONet (Operator Learning) · PyTorch · Physics-Informed ML · GUI 도구 배포.
결과는 준비 중인 원고의 수치이며 공개 데이터셋(TRI·HUST·CALCE) 기준. 실험 프로토콜 생성 도구는 공개 저장소에서 확인 가능.