딥러닝을 이용한 배터리 수명 예측 알고리즘

1. 프로젝트 배경 및 목적

이 프로젝트는 배터리 수명을 예측하기 위해 딥러닝 기술을 활용한 연구이다. 배터리의 남은 성능을 정확히 예측함으로써 적절한 시기에 배터리를 교체하거나 재활용할 수 있게 하기 위해서 해당 프로젝트를 시작하게 되었다. 

 

전체 코드는 아래의 깃허브에서 볼 수 있다. 

https://github.com/his0si/BatteryLifeAI?tab=readme-ov-file

GitHub - his0si/BatteryLifeAI: 딥러닝을 이용한 배터리 수명 예측

 

2. 사용한 데이터

프로젝트에서는 NASA Battery Dataset을 사용하였다. 이 데이터셋은 리튬 이온 배터리가 충전 및 방전되는 동안 전압, 전류, 온도 등을 기록한 데이터로 구성되어 있다. 배터리 수명이 종료될 때까지 실험을 진행하여 수집된 데이터는 각 배터리의 생애 주기를 추적하는데 사용하였다. 

https://www.kaggle.com/datasets/patrickfleith/nasa-battery-dataset

NASA Battery Dataset

 

3. 데이터 전처리 및 시각화

전처리 과정에서는 배터리의 상태를 나타내는 SOH(State of Health)를 계산하였다. SOH는 배터리의 현재 성능을 나타내는 지표로, 배터리의 현재 용량을 최대 용량으로 나눈 값이다. 데이터 시각화에서는 배터리 성능이 시간이 지남에 따라 어떻게 변화하는지, 그리고 특정 SOH 임계값에서 배터리 수명이 종료되는 시점을 파악하였다.

 

4. 딥러닝 모델: LSTM과 GRU

본 프로젝트에서는 LSTM(Long Short-Term Memory)과 GRU(Gated Recurrent Unit) 모델을 사용하여 배터리 수명을 예측하였다. 이 두 모델은 순환 신경망(RNN)의 변형으로, 시계열 데이터를 효과적으로 처리할 수 있다.

• LSTM(Long Short-Term Memory): LSTM은 긴 시계열 데이터를 학습할 때 발생하는 기울기 소실 문제를 해결하기 위해 고안된 모델이다. 이 모델은 셀 상태와 게이트 구조를 통해 중요한 정보는 유지하고 불필요한 정보는 걸러낸다. 입력 게이트, 출력 게이트, 망각 게이트라는 세 가지 주요 게이트를 통해 정보를 선택적으로 전달하거나 차단할 수 있다. 이를 통해 LSTM은 긴 의존성을 가진 데이터를 효과적으로 학습할 수 있으며, 배터리 수명과 같은 시간에 따라 변화하는 데이터를 예측하는 데 적합하다.

• 

• GRU(Gated Recurrent Unit): GRU는 LSTM의 단순화된 버전으로, 비슷한 성능을 제공하면서 계산 복잡성을 줄이는 모델이다. GRU는 업데이트 게이트와 리셋 게이트의 두 가지 게이트를 사용하여 상태를 업데이트한다. 이 모델은 LSTM보다 구조가 간단하여 훈련 속도가 빠르며, 적은 양의 데이터로도 효과적인 학습이 가능하다. GRU는 LSTM과 유사하게 시계열 데이터를 처리할 수 있으며, 특히 빠른 연산이 필요한 상황에서 유용하다.

• 

 

이 두 모델은 배터리의 충전/방전 사이클 데이터를 바탕으로 미래의 SOH를 예측하는 데 사용되었다.

5. 결론 및 보완점

프로젝트의 결과로, 실제 SOH 값과 모델이 예측한 SOH 값이 유사하게 나타났다. 이는 딥러닝 모델이 배터리 수명을 성공적으로 예측했음을 의미한다. 그러나 데이터 전처리의 정교함을 높이고, 모델의 예측 오차를 더욱 줄일 필요가 있다. 특히 RMSE 값이 MAE보다 높게 나타난 점을 고려할 때, 일부 포인트에서 큰 오차가 발생할 가능성이 존재한다.