우한 이공대학의 Kang Jianqiang 팀은 리튬 배터리의 성능 경계를 재조정하여 앙상블 학습을 기반으로 한 단순화된 전기화학 모델을 제안했습니다.

2022년 7월, 나이를 알 수 없는 남자 신 지미 린이 교통사고를 당했습니다. 프로 레이싱 드라이버인 그가 운전하던 테슬라 모델 X가 주행 중에 갑자기 정해진 트랙에서 이탈하여 도로변의 격리 벨트에 충돌했습니다. 그 후 차량에 불이 붙었고, 구조차량을 견인하는 과정에서 다시 불이 붙었습니다. 결국, 차 전체가 프레임만 남고 타버렸습니다. 이 사고가 보도되자 다시 한번 "신에너지 자동차 충돌 및 화재"에 대한 사람들의 관심이 높아졌습니다.

그것은 이해된다테슬라 자동차의 배터리는 대부분 리튬 이온 배터리입니다.높은 에너지 밀도, 높은 전력 밀도, 긴 사이클 주기, 작은 메모리 효과 등의 장점을 가지고 있어 최근 몇 년 동안 전기 자동차 분야에서 널리 사용되고 있습니다. 하지만 리튬 배터리의 폭발력은 작은 폭탄과도 같습니다. 배터리의 통제되지 않은 열 폭주는 폭발과 화재를 일으킬 수 있습니다. 또한 리튬 이온은 화재 발생 후 산소와 같은 연소를 돕는 가스를 생성하므로, 이로 인해 이후 2차 연소와 반복 연소가 발생합니다. 화재가 발생하면 진화하기 어렵습니다. 그러므로,리튬 배터리의 안전한 작동을 보장하는 방법은 전기 자동차 분야에서 반드시 해결해야 할 어려운 문제입니다.

전기화학 배터리 모델은 배터리 내부의 화학적 메커니즘을 기반으로 합니다. 이를 통해 리튬 이온의 이동 과정을 효과적으로 모델링하고 전압 등의 데이터를 예측하여 배터리의 임계 상태를 파악할 수 있습니다. 이를 통해 임베디드 시스템은 배터리의 내부 상태를 실시간으로 모니터링하고, 과충전 및 과방전, 노화, 내부 저항 증가 등으로 인한 갑작스러운 열 폭주를 방지하고 배터리의 안전한 작동을 유지합니다. 그러나 전통적인 전기화학 모델은 매개변수가 많고 계산이 복잡하여 실제 배터리 관리 시스템에서 광범위하게 적용하는 데 제한이 있습니다.

이와 관련하여,우한 이공대학의 강젠창 연구팀은 통합 학습 + FIE의 단순화된 전기화학적 모델을 제안했습니다.앙상블 학습 모델은 머신 러닝을 기반으로 하며 이산 시간 실현 알고리즘(DRA), 분수 차수 Pade 근사(FOM), 3매개변수 포물선 근사(TPM)를 통합합니다. 전극 입자 내에서 리튬 이온의 이동 과정을 단순화함으로써, 전극 입자 표면의 리튬 이온 농도 변화를 정확하게 예측할 수 있다.

일정한 전류와 동적 조건에서연구진이 제안한 ELM은 단일 DRA, FOM, TPM 모델보다 더 정확한 전압 예측을 달성할 수 있으며, 계산 복잡도는 준2차원 모델(Pseudo-2D, P2D)보다 훨씬 낮습니다.

또한 연구진은 1차 관성 요소(FIE)를 사용하여 전극 용액에서 리튬 이온의 이동을 단순화하고 양극 및 음극 전류 집전체 근처 전해질의 리튬 이온 농도를 정확하게 예측했습니다.

연구 하이라이트:

• 앙상블 학습 + FIE의 단순화된 전기화학 모델이 제안되었습니다. 앙상블 학습은 DRA, FOM, TPM을 통합하며, 1C의 정전류 방전 3,500회를 0.1676초 안에 완료할 수 있습니다.
• 미래 지능형 배터리 관리 시스템(BMS) 구현을 위한 강력한 기술 지원 제공

서류 주소:
https://www.cell.com/iscience/pdf/S2589-0042(24)00907-6.pdf

배터리의 복잡한 구조를 단순화하기 위한 세 가지 실험적 가정

연구진은 전기화학 모델의 계산 속도를 높이고 기존 전기화학 모델의 구조를 단순화하기 위해 단순화된 리튬 이온 배터리 전기화학 모델(단일 입자 모델)을 제안하고 이에 대한 기본적인 가정을 세웠습니다.

가정 1:배터리 전극은 단일 구형 입자로 간주되며, 구형 중심에서 같은 반경에서의 전기적 퍼텐셜은 동일합니다.
가정 2:고체상 확산은 반경 방향으로만 고려됩니다.
가정 3:전극 입자 내에서 리튬 이온 기공 벽 플럭스(Ji)는 균일합니다.

Vcell은 셀 단자 전압입니다. Uocv는 개방 회로 전압입니다. η는 과전압입니다. 롬은 전체 오믹 저항입니다. 나는 전류이다. ⍬ave는 평균 고체상 화학양론입니다.

단일 입자 모델에서는 배터리 단자 전압이 개방 회로 전압과 반응 과전압에만 관련이 있다고 간주되므로 모델의 계산 복잡도가 크게 줄어듭니다.

통합 학습 + FIE를 통한 고체 전극 및 전해질 내 리튬 이온 농도 예측

연구자들은 통합 학습 + FIE 모델을 제안했습니다.그 중 통합학습을 이용하면 양극 및 음극 고체 입자 내의 리튬 이온 농도를 예측할 수 있으며, FIE를 이용하면 전해질 상의 리튬 이온 농도를 예측할 수 있습니다.

앙상블 학습: 고체상 전극의 리튬 이온 농도를 보다 정확하게 예측하기 위한 세 가지 모델 통합

전형적인 머신 러닝 기법인 앙상블 학습 모델(ELM)은 여러 모델을 결합하여 단일 모델보다 더 나은 예측 성능을 달성할 수 있습니다.이전 문헌에서는 이산 시간 실현 알고리즘(DRA), 분수 차수 Pade 근사(FOM), 3매개변수 포물선 근사(TPM)가 전극 입자 표면의 리튬 이온 농도를 예측하는 데 어느 정도 정확도가 있는 것으로 나타났습니다.

전극 입자 내 리튬 이온 농도의 예측 정확도를 더욱 향상시키기 위해 연구진은 가중 평균법을 사용하여 DRA, FOM 및 TPM을 통합하고 ELM 모델을 제안했습니다. ELM 모델의 출력 방정식은 다음과 같습니다.

*ELM 출력 방정식; k1, k2는 앙상블 학습 모델의 가중치 계수입니다.

실험 1: 음극 고체상 전극 입자 표면의 리튬 이온 농도 예측

P2D 모델을 기준 대조군으로 삼아, DRA, FOM, TPM, ELM, P2D의 다섯 가지 모델을 비교하여 음극 입자 표면의 리튬 이온 농도 변화를 예측했습니다.

ELM 곡선이 P2D 모델 곡선에 더 가까운 것을 볼 수 있습니다.즉, ELM이 가장 높은 예측 정확도를 달성했습니다.

손실 함수는 ELM 모델의 출력과 입자 표면 △cs,n~surf의 실제 값 사이의 평균 제곱근 오차(RMSE)로 정의됩니다. 그것은 볼 수 있습니다ELM은 RMSE가 가장 낮아 11.51 mol/ m3에 불과합니다.

실험 2: 양극 고체 전극 입자 표면의 리튬 이온 농도 예측

P2D 모델을 기준 대조군으로 삼아, DRA, FOM, TPM, ELM, P2D의 다섯 가지 모델을 비교하여 양극 입자 표면의 리튬 이온 농도 변화를 예측했습니다.

그것은 볼 수 있습니다ELM의 곡선은 P2D 모델의 곡선에 더 가깝습니다.가장 좋은 △cs,p~surf 예측 성능을 보인다.

위의 표에서 볼 수 있듯이,ELM은 예측 오류가 가장 작습니다.RMSE는 단지 0.6 mol/m3이고, MAPE는 단지 1.66%입니다.

FIE: 전해질 상의 리튬 이온 농도를 더욱 정확하게 예측

양극 및 음극 전류 수집기 근처 전해질의 리튬 이온 농도는 배터리 전압에 직접적인 영향을 미치며, 이는 다시 배터리 상태에 영향을 미칩니다. 그러므로,연구진은 양극 및 음극 전류 집전체 근처 전해질의 리튬 이온 농도 변화에 맞추기 위해 FIE를 제안했습니다.P2D 모델은 FIE가 예측한 양극 및 음극 전해질 상의 리튬 이온 농도 변화와 비교하기 위한 기준 대조군으로 사용되었습니다.

실험 1: 음극 전류 집전체 근처 전해액의 리튬 이온 농도 변화 예측

위 그림은 두 곡선이 가깝다는 것을 보여줍니다. P2D 모델에서는 전극의 두께 방향을 따라 전극 입자 표면에서 리튬 이온의 흐름이 불균일하기 때문에 완화 시간 이후에 △ce,n 곡선이 변동합니다. 연구진은 이전에 전극 입자 표면을 가로지르는 리튬 이온의 흐름이 일정한 전류 하에서 일정하다고 가정했습니다. 따라서, △ce,n은 이완 시간 이후에도 일정하게 유지됩니다.

*휴식 시간은 배터리의 회복 용량을 측정하는 방법으로, 배터리가 분극 상태에서 평형 상태로 회복하는 능력을 나타냅니다.

실험 2: 양극 전류 집전체 근처 전해질의 리튬 이온 농도 변화 예측

위 그림에서 보듯이 P2D 모델에서는 양극 입자 표면의 리튬 이온 플럭스가 음극 입자 표면의 리튬 이온 플럭스보다 더 불균일하게 분포되어 있기 때문에, △ce,p의 변동 진폭이 △ce,n의 변동 진폭보다 크다. P2D 모델과 비교했을 때 FIE는 39.136 mol/m3의 RMSE로 △ce,p를 정확하게 예측합니다.

요약하자면,연구진이 제안한 통합 학습은 단일 모델보다 더 나은 예측 능력으로 고체 전극의 리튬 이온 농도를 정확하게 예측할 수 있습니다. FIE 모델은 전해질 상의 리튬 이온 농도도 정확하게 예측할 수 있습니다.

앙상블 학습은 전압을 더 정확하게 예측합니다.

실험 1: 다양한 모델에 따른 전압 예측 비교

연구진은 LiMn2O4/탄소 배터리에 대해 0.5C, 1C 및 2C 속도에서 정전류 방전 시뮬레이션을 수행했으며, ELM, DRA, FOM, TPM 및 P2D의 5가지 모델을 사용하여 전압 예측 결과와 오차를 비교했습니다.

위 그림에 따르면, 0.5C 방전율에서 DRA, FOM, TPM, P2D 모델의 전압 곡선은 P2D 모델과 매우 가깝습니다. 1C 및 2C 배출율에서ELM 전압 곡선은 P2D 전압 곡선에 더 가깝습니다.

위의 표에서 볼 수 있듯이, ELM 모델은 RMSE와 MAPE가 가장 작고 전압 오차도 가장 낮습니다. 방전 속도가 증가함에 따라 이 네 가지 유형의 전압 오차도 증가합니다. 요약하자면,제안된 ELM은 더 넓은 전류 범위에서 더 나은 전압 예측을 달성합니다.

실험 2: 다양한 모델의 계산 복잡도 비교

연구진은 1C 속도에서 일정한 전류로 방전 시뮬레이션을 수행하고 다양한 모델의 계산 시간을 비교했습니다. DRA와 FOM은 모두 2차 상태 공간 방정식이 2개만 있으므로 계산 속도가 더 빠릅니다. FOM은 약간 느리고, ELM은 1C의 정전류 방전을 3,500초 완료하는 데 0.1676초만 필요하며, P2D 모델의 계산 속도는 다른 모델보다 훨씬 느립니다.
방전 시험은 배터리 성능을 평가하는 중요한 수단이다.

실험 3: 동적 조건에서 ELM 모델의 효과성 검증

연구진은 동적 조건에서 ELM 모델의 효과를 검증하기 위해 다양한 모델에 대한 FUDS 동적 시뮬레이션을 수행했습니다. 결과에 따르면 DRA, FOM, TPM 및 ELM의 전압 곡선은 FUDS 동역학에서 대부분의 시간 동안 전류 변화율이 작기 때문에 P2D 모델에 가깝습니다.

위의 표에서 보여지는 바와 같이,ELM은 이러한 모델 중에서 가장 정확한 전압 예측을 달성합니다.RMSE는 4.48 mV에 불과하고 MAPE는 0.097%입니다.

AI, 그린 전환 속 리튬 배터리 안전성 보장

"탄소 중립, 탄소 정점"의 전반적인 추세에 따라 각국은 에너지 시스템의 전환에 주목하기 시작했으며, 각계각층이 저탄소 지속 가능한 발전을 향해 적극적으로 전환하고 있습니다. 친환경 배터리의 첫 번째 선택인 리튬 배터리는 에너지 저장 전력 시스템, 전기 자전거, 전기 자동차, 군사 장비, 항공 우주 및 기타 분야에서 널리 사용됩니다.

리튬 배터리는 높은 에너지 밀도와 긴 수명 등의 장점으로 인해 널리 선택되고 있지만, 부적절하게 사용하거나 품질 문제가 발생할 경우 대중의 생명과 안전에 심각한 위협이 될 수 있습니다. 예를 들어, 2023년 6월에는 뉴욕 맨해튼 차이나타운의 전기 자동차 매장에서 화재가 발생하여 4명이 사망하고 3명이 부상을 입었습니다. 원인은 리튬 배터리 충전 중 열 폭주 폭발이었습니다.리튬 배터리의 안전성에 주의를 기울이는 것이 시급합니다.

또한, 리튬 배터리의 성능 저하는 주변 온도, 충전 및 방전 조건 등 여러 요인에 의해 영향을 받습니다. 기존의 물리적 모델은 제한된 전기화학 법칙에 기반을 두고 있어 배터리의 내부 상태를 효과적으로 평가하기 어렵습니다. 이러한 맥락에서 AI 기술은 강력한 데이터 처리 및 기능 추출 기능을 갖추고 있어 두각을 나타냅니다.중국에서는 이미 AI+리튬 배터리 안전성에 대한 관련 연구를 수행한 사람들이 있습니다.

2023년, 난징대학교와 리튬 배터리 제조업체인 Durapower는 리튬 배터리의 안전성을 강화하고 서비스 수명을 연장하는 데 도움이 되는 화재 및 폭발 관리 시스템(FXMS)을 개발했습니다. 이 시스템은 디지털 트윈 기술을 사용하여 실제 배터리를 복제하고 가상 모델을 사용하여 배터리 성능을 모니터링하며, 이를 통해 향후 5년 동안의 배터리 상태를 예측할 수 있습니다.최대 95%의 예측 정확도로 직원이 배터리를 언제 교체해야 하는지 판단하는 데 도움이 됩니다.

디지털 트윈의 주요 기능은 실제 세계에서 실시간 데이터를 수집하고, 머신 러닝 및 분석 기술을 사용하여 데이터를 처리하고, 실제 세계에서 객체가 생성할 수 있는 반응과 상황을 시뮬레이션하고 예측한 다음, 그 성능을 연구하는 것입니다.

2024년 3월, 상하이 교통대학교 푸위안 미래기술원의 완지아위 부교수 팀은 부분 베이지안 공동 학습(PBCT)이라는 반지도 학습 기술을 제안했습니다. 이 기술은 리튬 배터리의 수명 주기 동안 생성되는 저렴하고 풍부한 비표시 데이터를 최대한 활용합니다. 데이터에서 숨겨진 정보를 추출함으로써 기본 데이터 패턴을 더 깊이 이해할 수 있습니다. 기존 방식과 비교했을 때,PBCT는 수명 예측 정확도를 최대 20%까지 향상시켰습니다.추가적인 데이터 수집 비용은 거의 들지 않습니다. (자세한 내용은 여기를 클릭하세요: 20%로 리튬 배터리 수명 예측 정확도 향상! 상하이 교통대학교 연구팀은 레이블이 지정되지 않은 데이터에서 숨겨진 정보를 추출하는 반지도 학습 방법인 PBCT를 발표했습니다.)

디지털 트윈부터 반지도 학습까지, 기술의 발전으로 더욱 혁신적인 솔루션이 탄생했고, 에너지 부문의 미래 개발을 위한 새로운 가능성이 열렸습니다.

참고문헌:
https://www.zaobao.com/news/singapore/story20231108-1448759
https://m.163.com/dy/article/J3