▲ 배터리 구성에 영향을 받지 않아 재학습이 필요 없는 배터리 건강 상태 진단 모델 / 개발된 모델은 특징 추출, 어텐션 가중치 분석, 핵심 지표 선별의 세 단계로 구성된다. 먼저 단일 셀과 7P 모듈의 충·방전 데이터에서 전압, 전류, 용량 변화 등을 바탕으로 다수의 특징을 추출한 후 이 특징들을 배터리 건강 상태(SoH)를 예측하는 트랜스포머와 배터리 구성 단위(셀·모듈)를 구분하는 트랜스포머에 각각 입력해, 어텐션 메커니즘을 통해 각 특징이 결과에 미치는 중요도를 계산했다. 두 모델의 어텐션 가중치를 비교·분석해 수명 예측에는 중요하지만 구성 구분에는 거의 영향을 미치지 않는 특징만을 선별했고, 이를 통해 배터리 연결 방식에 관계없이 적용 가능한 범용적인 상태 진단 모델을 만들었다.(그림 및 설명=UNIST)   © 특허뉴스

배터리 폭발 위험과 잔존 수명을 연결 구조와 무관하게 정확히 진단하는 인공지능(AI) 기술이 등장했다. 급증하는 전기차와 에너지저장장치(ESS) 시장에서 배터리 팩의 직·병렬 구성은 제각각이지만, 기존 AI는 구조가 바뀔 때마다 데이터 재수집·재학습이 필요해 현장 적용에 한계가 있었다. UNIST 연구진이 이 문제를 정면으로 해결하며 배터리 안전·운영 효율을 동시에 끌어올릴 해법을 제시했다.

UNIST 에너지화학공학과 김동혁, 최윤석 교수팀은 배터리 연결 구조가 달라도 별도의 재학습 없이 적용 가능한 AI 기반 건강 진단 모델을 개발했다고 밝혔다. 이 모델은 배터리의 건강 상태(State of Health, SOH) 초기 용량 대비 현재 사용 가능한 용량 비율를 정확히 산출해 잔존 수명 예측과 폭발 위험 등 안전성 판단을 가능하게 한다.

핵심은 AI가 스스로 ‘연결 방식과 무관한 진짜 건강 신호’만 골라내도록 설계됐다는 점이다. 연구팀은 충·방전 데이터에서 추출한 62개 패턴 중, 직·병렬 연결에는 영향을 받지 않으면서 수명 예측에는 민감한 5개 핵심 지표(Health Indicators)를 AI가 자동 선별하도록 했다. 그 결과 단일 셀(Cell) 데이터만으로 학습해도 여러 셀이 연결된 모듈·팩의 건강 상태를 정확히 진단할 수 있다.

성능 검증에서도 차별성이 뚜렷했다. 단일 셀 데이터로 학습한 AI가 7셀 병렬 모듈의 수명을 정확히 예측했으며, 예측 오차(RMSE)는 1.90×10⁻²로 기존 모델(6.31×10⁻²) 대비 약 3분의 1 수준으로 감소했다. 기존 AI가 연결 변화에 따른 내부 저항·전압 불균형의 미세한 차이에 흔들렸던 것과 달리, 새 모델은 구조 차이를 배제한 핵심 신호에만 집중한다.

이 비결은 트랜스포머(Transformer)의 어텐션 알고리즘이다. 챗GPT 등 최신 생성형 AI의 기반 기술로 알려진 어텐션을 적용해, 수명 예측에 중요한 패턴에는 높은 중요도를, 배터리 형태 구분에는 낮은 중요도를 부여한다. 두 영역의 교집합만을 선택함으로써 구성 불변(invariant) 진단을 구현했다.

김동혁 교수는 “연결 방식과 무관한 본질적 건강 신호만을 AI가 스스로 추려내도록 설계했다”며 “하나의 모델로 전기차 배터리 관리 시스템(BMS), 대규모 ESS, 사용 후 배터리 성능 평가·재활용까지 폭넓게 적용할 수 있을 것”이라고 밝혔다.

이번 성과는 화학공학 분야 국제 학술지 Chemical Engineering Journal에 1월 15일 온라인 게재됐으며,배터리 안전성과 운영 효율을 동시에 끌어올리는 이번 기술은 현장 도입 장벽을 낮추며 차세대 배터리 관리의 표준으로 자리 잡을 가능성을 높이고 있다.

논문명은 Transformer-based framework for configuration-agnostic Li-ion battery SoH estimation by exploring novel health indicators이다.