초록

본 연구에서는 물리정보 신경망(PINN)에 전기적 정보를 결합하여 리튬이온 배터리 상태 추정 프레임워크를 제안하며, 이를 통해 높은 적용 가능성과 물리적 해석성을 확보하고자 한다. 기존 전기화학 모델 기반 PINN 은 배터리 열화 및 환경적 변화를 반영하는 데 한계를 갖고 있다. 이를 해결하기 위해, 전이학습 기반 물리정보 신경망(TL-PINN)을 구성하여, 물리 모델을 학습한 신경망이 전압 정보를 바탕 으로 추가적인 학습을 수행하도록 설계하였다. 이러한 구조는 전압 데이터가 포함하는 실제 배터리 거 동을 반영하여 열화 특성을 보다 정확하게 학습할 수 있도록 한다. TL-PINN 은 전극 내 리튬이온 농도를 지배하는 편미분방정식을 해결하기 위해 두 개의 독립적인 PINN 모듈을 사용하며, 리튬이온 농도로부터 도출된 계산된 전압과 측정 전압 간의 차이를 최소화하도록 추가 학습을 수행하여 모델을 미세 조정한 다. 옥스포드 배터리 열화 데이터셋을 활용한 검증 결과, TL-PINN 은 기존 물리 기반 PINN 과 비교하여 이론 전압과 실제 전압 간의 불일치를 효과적으로 줄였으며, 충전 상태(SOC) 및 건전성(SOH) 추정 정확 도를 향상시켰다.