울산과학기술원(UNIST)은 배터리 연결 방식에 관계없이 배터리 건강 상태를 정확히 진단하는 인공지능(AI) 기술을 개발했다고 4일 밝혔다.

ESS와 전기차 수요가 급증하면서 다양한 용량의 배터리 팩이 출시되고 있지만, 기존 기술은 배터리 연결 형태가 바뀔 때마다 데이터를 새로 모으고 재학습해야 하는 한계가 있었다.

김동혁·최윤석 에너지화학공학과 교수팀이 개발한 AI 모델은 배터리 연결 구조가 달라져도 추가 학습 없이 곧바로 적용할 수 있다.

배터리 건강 상태(State of Health)는 초기 용량 대비 현재 사용 가능한 용량 비율로, 잔존 수명과 폭발 위험 등 안전성을 가늠하는 지표다. AI를 활용하면 복잡한 계산 없이 배터리 작동 시 측정된 전압, 전류, 온도 등의 값만으로 건강 상태를 파악할 수 있다.

이 AI 모델은 배터리 충·방전 데이터에서 뽑아낸 62개 데이터 패턴 가운데 배터리의 직·병렬 연결 방식과 무관하면서 잔존 수명 예측에 민감한 5개 지표(Health Indicators)를 자동으로 골라낸다. 단일 셀(Cell) 데이터만으로 학습해도 여러 셀이 연결된 모듈의 건강 상태까지 정밀하게 진단할 수 있다.

실험 결과, 연구팀의 AI는 단일 셀 데이터만으로 학습했지만 7개 셀이 병렬 연결된 모듈의 수명을 정확히 예측했다. 기존 AI 모델이 배터리 구성 변화에 대응하지 못해 6.31×10?² 수준의 예측 오차(RMSE)를 나타낸 반면, 개발된 모델은 기존 대비 3분의 1 수준인 1.90×10?²의 예측 오차를 기록했다.

기존 AI 진단 기술은 배터리 셀 1개를 진단하는 모델을 개발해도 수십~수백개를 연결한 모듈이나 팩에는 직접 적용이 불가능했다. 배터리가 병렬이나 직렬로 연결되면 내부 저항 변화나 전압 불균형이 생겨 데이터 패턴이 미세하게 달라지기 때문이다.

연구팀은 챗GPT, 제미나이의 기반인 트랜스포머의 어텐션 알고리즘을 활용해 이 모델을 만들었다고 설명했다. 어텐션 알고리즘은 방대한 데이터 중 핵심 정보에만 집중할 수 있는 기능이다.

개발된 모델은 어텐션 알고리즘으로 배터리 수명 예측에는 높은 중요도, 배터리 형태 구분에는 낮은 중요도를 보이는 데이터 패턴만을 교집합으로 추출한다.

김동혁 교수는 "AI가 배터리 연결 방식과 무관한 '진짜 건강 신호'만을 스스로 선별하도록 설계해 하나의 AI 모델로 다양한 배터리 시스템을 진단하는 해법을 마련했다"며 "전기차 배터리 관리 시스템, 대규모 에너지 저장 장치, 사용 후 배터리 성능 평가 및 재활용 분야 등으로 확대 적용될 수 있을 것"이라고 말했다.

이번 연구는 화학공학 분야 국제 학술지 화학공학저널(Chemical Engineering Journal)에 1월 15일 온라인 게재됐으며 한국연구재단 지원으로 진행됐다.