초록

리튬 이온 배터리는 전기차 및 에너지 저장 장치 등 다양한 분야에서 핵심적인 에너지 저장 장치로 활용되고 있으며, 배터리의 수명과 안전성을 확보하기 위해 배터리 상태(State of Health, SOH)의 정밀한 진단 기술이 요구된다. 임피던스 측정법(Electrochemical Impedance Spectroscopy, EIS)은 전류-전압 응답을 기반으로 배터리 내부의 전기화학적 특성을 정량적으로 분석할 수 있는 대표적인 진단 기법으로, 전류나 전압 신호만으로는 파악하기 어려운 내부 열화 메커니즘을 간접적으로 확인할 수 있다. 일반적으로 열화가 진행될수록 임피던스 데이터로 확인 가능한 전하 전달 저항 및 배터리 내 얇은 막(Solid Electrolyte Interphase, SEI)의 저항이 증가하며, 이는 SOH저하와 밀접한 관련이 있다. 
그러나 온도 변화는 리튬 이온 배터리의 내부 반응 속도와 전하 이동 특성에 영향을 주기 때문에, 동일한 SOH 상태라도 임피던스 응답이 달라질 수 있다. 이로 인해 EIS 기반의 SOH 진단 정확도는 온도 조건에 따라 크게 달라질 수 있다. 
본 연구에서는 임피던스 기반 SOH 예측의 온도 민감성 완화가 가능한지에 대한 기초연구를 진행하였다. 이를 위해 이완 시간 분포(Distribution of Relaxation Times, DRT)기반의 임피던스 데이터 분석 및 도메인 적응 딥러닝 적용 가능성을 탐색하였다. DRT는 임피던스 데이터를 시간 영역으로 변환하여, 기존의 나이퀴스트 플롯에서 중첩되어 구분이 어려웠던 내부 반응들을 개별적으로 분리할 수 있게 한다. 변환된 DRT 또한 온도에 따라 값이 달라지는 경향을 보인다. 그러나 다양한 온도 조건에서 동일한 SOH상태의 데이터를 분석한 결과, 열화와 관련된 특성 중 일부는 온도 변화에 민감하지만, 일부는 비교적 영향을 덜 받는다는 점을 확인할 수 있었다. 

본 기초 연구를 통해 DRT 변환 데이터를 활용하여, 가변 온도 조건에서 SOH 예측 가능성을 확인하였다. 향후 연구에서는 돔인 적응 기법 중 하나인 도메인 적대 신경망(Domain-Adverarial Neural Network, DANN)을 적용하여, 온도에 민감한 DRT성분은 도메인 간 경계를 모호하게 하고, 영향을 덜 받는 성분은 명확하게 구분되도록 모델을 학습시킴으로써 보다 정밀하고 온도에 강건한 열화 진단 시스템으로 확장할 계획이다.