혼합 CNN-BiLSTM 모델을 이용한 임피던스 분광법 기반 NMC 리튬 이온 배터리의 데이터 기반 건강 예측

정확하고 견고한 배터리 건강 예측은 전자 기기 및 전기 자동차에서 신뢰할 수 있는 배터리 관리를 위해 필수적입니다. 이전 연구에서는 전기화학적 임피던스 분광법(EIS)과 기계 학습을 결합하면 LiCoO2 동전 셀에서 정확한 건강 상태 예측이 가능하다는 것을 보여주었습니다. 그러나 이 EIS-AI 패러다임이 다양한 화학 및 산업 등급 배터리 형식에 걸쳐 적용할 수 있는지는 검증되지 않아 에너지 저장 시스템에서의 실질적인 배치에 제약이 있습니다. 여기에서는 EIS–AI 배터리 예측 프레임워크를 개발하고 LiNi1/3Mn1/3Co1/3O2 (NMC111) 원통형 셀과 LiNi0.8Mn0.1Co0.1O2 (NMC811) 파우치 셀에서 그 성능을 검증합니다. 상태 건강(SoH)을 추정하고 EIS 스펙트라에서 남은 유용 수명(RUL)을 예측하기 위해 혼합 합성곱 신경망–양방향 장단기 메모리(CNN–BiLSTM) 아키텍처를 개발합니다. 22개의 셀(8개의 NMC111 및 14개의 NMC811)에서 13,000개 이상의 임피던스 스펙트라로 구성된 내부 데이터 세트에서 훈련된 모델은 SoH 추정을 위한 평균 결정 계수(R2)가 0.92를 초과하고 다양한 배터리 및 주기 프로토콜에 대한 RUL 예측을 위한 0.90을 초과하는 견고한 성능을 달성합니다. 주요 특징 분석을 통해 열화와 관련된 화학 및 프로토콜 의존 빈도 영역이 추가로 나타납니다. 이러한 결과는 임피던스 스펙트라가 데이터 기반 배터리 예측을 위한 물리적으로 유정보 고리로 구성된다는 것을 보여주며, 실제 배터리 관리 시스템(BMS)에 EIS-AI 프레임워크를 배치하기 위한 확장 가능하고 해석 가능한 경로를 제공합니다.