초록 

최근  전기자동차  보급이  증대함에  따라  배터리와  연관된  안전사고가  급증하는  추세이다.  배터리 는  전기자동차의  동력원을  제공하는  주요  부품이지만  운행  환경,  수명  감소,  충격에  취약하기  때문에  안 전성  확보가 필수적으로  요구된다.  따라서,  배터리  관리  시스템(Battery  Management  System,  BMS)  내에서 배터리의  열화를  정확하게  예측할  수  있는  알고리즘이  탑재되어야 한다.

기존  BMS  내  열화  예측  알고리즘은  일반적으로 전류,  전압  등의  전기적  데이터를  기반으로  한다.  전기 적  데이터는  배터리의  입력과  출력을  즉각적으로  확인할  수  있는  특성들로  배터리의  열화  상태를  간접적으로  관찰할  수  있다.  하지만,  전기자동차  배터리는  다중  셀로  구성되기  때문에  기계적  특성을  통해 셀  간  상호작용을  동시에  관찰할  수  있는  방법이  요구된다.  이를  위해,  면압의  활용성이  대두되고  있다. 면압은  배터리의  스웰링과  외부구조  및  다른  셀  간의  상호작용으로  발생하며,  배터리의  내부에서의  응답을  계측하는  전기적  데이터와는  달리  외부의  현상학적  응답을  계측하는  기계적  특성이다.

따라서,  본  연구에서는  기존의  전기적  데이터와  면압으로  대표되는  기계적  데이터의  상관성을  관찰하여  배터리  열화예측의  성능을  높이고자  한다.  이러한  전기-기계적  상관성  기반의  특성은  기존의  열화  예측의  정확도를  높일  수  있으며,  배터리의  새로운  물리적  특성을  지속적으로  관찰한다는  점에서  장점이 있다.  또한,  상관성  특성을  상태  열화모델에  인가하기  위해  딥러닝  모델을  사용하였다.  딥러닝  모델은 데이터를  기반으로  학습되기  때문에  다량의  데이터가  구축된  환경에서  높은  성능을  보이지만,  해석성이 떨어지는  단점이  있다.  상관성  특성을  딥러닝  모델과  결합할  시,  전기-기계적  정보를  융합하여  제공하여 데이터  부족  현상을  보완할  수  있으며  상관성을  통해  해석성  문제도 해결할  수  있다.

본  연구를  통해  전기-기계적  상관성  특성을  구축하는  기법을  새롭게  제안하였으며,  딥러닝  모델과  결합 했을  때  기존  BMS  알고리즘보다  높은  정확도로  열화를  예측하는  것을  정량적으로  검증하였다.  향후  연 구로  열화예측  뿐만  아닌  충전상태  추정  및  열폭주  감지로  상태  모니터링  적용성을  확장할  것이다.