ABSTRACT
With the rapid expansion of electric vehicles (EVs) and energy storage systems (ESS), ensuring the operational safety of lithium-ion batteries has become a critical technical challenge. Conventional battery management systems (BMS) primarily rely on threshold-based rule logic, which is limited in detecting coupled anomalies and early-stage degradation patterns. In this study, a deep learning-based framework for multivariate anomaly detection is proposed using BMS sensor data, including voltage, current, temperature, state of charge (SOC), and state of health (SOH). Five representative fault scenarios were defined, including thermal runaway precursors, cell voltage imbalance, SOC inconsistency, internal resistance increase, and communication delay. The proposed CNN-LSTM model was compared with conventional Rule-based methods and machine learning models, including Isolation Forest, Autoencoder, and LSTM. Experimental results show that the proposed model achieved the highest performance, with an F1-score of 0.885, an AUC of 0.94, and a detection delay of 8.1 s. In contrast, the Rule-based method exhibited a significantly higher false negative rate of 42.0%, indicating limitations in detecting complex anomaly patterns. These results demonstrate that the proposed spatiotemporal deep learning approach can significantly improve the accuracy and responsiveness of battery anomaly detection. Furthermore, the proposed method is expected to contribute to enhancing safety, reliability, and predictive diagnostics in next-generation intelligent BMS platforms.
-
KEYWORDS: Battery management system, Anomaly detection, CNN-LSTM, Lithium-ion battery, Deep learning, Predictive diagnostics
1 서 론
리튬이온 배터리는 높은 에너지 밀도와 우수한 충·방전 효율을 바탕으로 전기자동차(EV), 에너지 저장장치(ESS), 휴대용 전자기기 및 다양한 전력 응용 분야에서 핵심 에너지원으로 널리 활용되고 있다[
1,
2]. 최근 탄소중립 정책의 확대와 친환경 모빌리티 산업의 성장에 따라 리튬이온 배터리의 수요가 급격히 증가하고 있으며, 이에 따라 배터리의 성능 향상뿐만 아니라 운용 중 안전성 확보의 중요성이 더욱 강조되고 있다.
그러나 리튬이온 배터리는 과충전, 과방전, 내부 단락, 열화 등 다양한 요인에 의해 열폭주(Thermal Runaway)로 이어질 수 있으며, 이는 화재 및 폭발과 같은 치명적인 사고를 유발할 수 있다[
8,
10,
11]. 실제 ESS 화재 사례 분석에서도 SOC 과충전 상태 및 특정 셀의 열폭주 초기 조건이 주요 원인으로 보고되고 있다[
9]. 이러한 이상 현상이 적절히 제어되지 못할 경우 배터리 내부 온도의 급격한 상승과 함께 시스템 기능 상실과 같은 중대한 사고를 초래할 수 있다. 실제로 최근 전기자동차 화재 사고와 대규모 ESS 설비 사고가 지속적으로 보고됨에 따라 배터리 안전 관리 기술의 고도화 필요성이 대두되고 있다[
2].
배터리관리시스템(battery management system, BMS)은 배터리 팩의 전압, 전류, 온도, 충전상태(state of charge, SOC), 건강상태(state of health, SOH) 등을 실시간으로 계측하고 이를 기반으로 배터리의 안전성과 신뢰성을 유지하는 핵심 제어 장치이다[
1,
2].
또한 셀 밸런싱, 충·방전 제어, 보호 기능 수행 및 이상 상태 경보 등의 역할을 담당한다. 따라서 BMS의 이상 진단 성능은 배터리 시스템 전체의 안정적 운용과 직결되는 중요한 요소라 할 수 있다. 현재 상용화된 대부분의 BMS는 사전에 설정된 임계값(threshold)을 기준으로 이상 여부를 판단하는 Rule-based 방식에 기반하고 있다. 이러한 방식은 구현이 간단하고 연산 부담이 작아 실시간 제어 시스템에 적용이 용이하다는 장점을 가진다. 그러나 개별 변수 중심의 판단 구조로 인해 다수 센서 데이터 간 상호 연관성을 충분히 반영하기 어렵고, 점진적으로 진행되는 열화 현상이나 초기 이상 징후를 조기에 탐지하는 데 한계를 가진다. 또한 운전 환경 변화에 따른 비선형 특성에 유연하게 대응하기 어렵다는 문제점도 존재한다[
5]. 최근 인공지능(AI) 및 딥러닝 기술의 발전에 따라 다변량 시계열 데이터를 활용한 이상 탐지 기법이 활발히 연구되고 있다[
7].
특히 합성곱 신경망(convolutional neural network, CNN)은 입력 데이터의 국부적 특징(local feature)을 효과적으로 추출할 수 있으며, 장단기 메모리(long short-term memory, LSTM)는 시계열 데이터의 장기 의존성(long-term dependency)을 학습하는 데 우수한 성능을 나타낸다. CNN과 LSTM을 결합한 CNN-LSTM 구조는 센서 데이터의 공간적 특징과 시간적 변화를 동시에 반영할 수 있어, 배터리 상태 진단과 이상 탐지 분야에 적합한 모델로 평가된다[
4,
5].
이에 본 연구에서는 BMS에서 수집되는 다변량 센서 데이터를 활용하여 CNN-LSTM 기반 이상 패턴 탐지 알고리즘을 제안하고자 한다. 또한 기존 Rule-based 방식, 머신러닝 기반 기법 및 단일 딥러닝 모델과의 성능 비교를 통해 제안 모델의 유효성을 검증하고자 한다. 본 연구 결과는 전기자동차 및 ESS용 차세대 지능형 BMS 구현과 배터리 예방 진단 기술의 고도화에 기여할 것으로 기대된다.
2 이론적 배경
2.1 BMS 데이터 특성
배터리 관리 시스템(battery management system, BMS)에서 수집되는 데이터는 배터리의 전기적 상태와 열적 상태를 동시에 반영하는 대표적인 다변량 시계열(multivariate time-series) 데이터로 분류된다. 이러한 데이터는 배터리 팩의 운전 상태를 실시간으로 모니터링하고 이상 여부를 판단하는 핵심 정보로 활용된다[
1,
2].
BMS의 주요 측정 항목은 다음과 같다.
첫째, 셀 전압(Cell Voltage)은 각 배터리 셀의 전기적 상태를 나타내는 기본 변수로서, 과충전, 과방전, 셀 불균형 등의 이상 상태를 판단하는 중요한 지표이다. 직렬 연결된 배터리 팩에서는 개별 셀 간 전압 편차가 배터리 성능 저하 및 수명 감소의 원인이 될 수 있으므로 지속적인 감시가 요구된다.
둘째, 팩 전류(Pack Current)는 충전 및 방전 과정에서 배터리 팩 전체에 흐르는 전류를 의미하며, 충·방전 상태 판단과 에너지 사용량 계산에 활용된다. 또한 과전류 발생 여부를 감시하여 시스템 보호 기능 수행에 중요한 역할을 한다.
셋째, 온도(Temperature)는 배터리 안전성과 직접적으로 연관되는 핵심 변수이다. 배터리 내부 또는 표면 온도의 비정상적 상승은 내부 단락, 열화 진행 또는 열폭주의 전조 현상일 수 있으므로 다수 지점의 온도 감시가 필요하다.
넷째, 충전상태(state of charge, SOC)는 현재 배터리에 저장된 전하량을 백분율로 나타낸 값으로, 주행 가능 거리 예측 및 충전 제어의 기준이 된다. SOC 추정 정확도는 사용자 편의성과 시스템 운용 효율에 직접적인 영향을 미친다[
5].
다섯째, 건강상태(state of health, SOH)는 초기 성능 대비 현재 배터리의 성능 수준을 나타내는 지표로서, 일반적으로 용량 감소율이나 내부저항 증가율을 기반으로 산정된다. SOH는 배터리 교체 시점 예측 및 수명 관리에 활용된다[
5,
6].
이와 같은 BMS 데이터는 각각 독립적으로 변화하는 것이 아니라 충·방전 조건, 주변 환경 온도, 사용 이력 및 열화 상태 등에 따라 상호 연관성을 가지며 시간에 따라 동적으로 변화한다. 예를 들어 고전류 방전 시에는 전압 강하와 온도 상승이 동시에 발생할 수 있으며, 배터리 열화가 진행될수록 동일 운전 조건에서도 전압 응답 특성과 온도 분포가 달라질 수 있다.
따라서 배터리의 이상 상태를 정확히 탐지하기 위해서는 단일 변수의 임계값 판단보다는 다수 센서 데이터 간 상관관계와 시간적 변화 특성을 동시에 고려하는 다변량 시계열 분석 기법이 필요하다[
1,
2,
7].
CNN-LSTM은 합성곱 신경망(convolutional neural network, CNN)과 장단기 메모리(long short-term memory, LSTM)를 결합한 하이브리드 딥러닝 구조로서, 입력 데이터의 공간적 특징과 시간적 특성을 동시에 학습할 수 있는 모델이다. 최근 복합 센서 데이터 및 시계열 데이터 분석 분야에서 높은 성능을 나타내어 다양한 산업 응용 분야에 활용되고 있다[
4,
5].
먼저 CNN은 입력 데이터로부터 지역적 패턴(Local Feature)을 효과적으로 추출하는 데 강점을 가진다. 합성곱 연산(convolution operation)을 통해 인접한 데이터 간의 상관관계를 분석하고, 중요한 특징을 자동으로 추출할 수 있다. 일반적으로 이미지 처리 분야에서 널리 사용되지만, 최근에는 1차원 합성곱(1D-CNN)을 활용하여 시계열 센서 데이터 분석에도 활발히 적용되고 있다. BMS 데이터의 경우 다수의 센서 채널이 동시에 측정되므로, CNN은 전압·전류·온도 데이터 간 국부적 패턴과 상호 연관성을 효과적으로 추출할 수 있다[
4].
한편, LSTM은 순환신경망(recurrent neural network, RNN)의 구조적 한계를 개선한 모델로서, 시계열 데이터의 장기 의존성(Long-term Dependency)을 학습하는 데 효과적이다[
3].
기존 RNN은 입력 시퀀스가 길어질수록 기울기 소실(Vanishing Gradient) 문제가 발생하여 장기 정보 학습이 어려웠으나, LSTM은 입력 게이트(input gate), 망각 게이트(forget gate), 출력 게이트(output gate) 및 셀 상태(cell state)를 통해 장기간의 정보를 안정적으로 유지할 수 있다. 따라서 시간에 따라 변화하는 배터리 충·방전 패턴, 온도 상승 추세, 열화 진행 특성 등을 효과적으로 학습할 수 있다.
CNN-LSTM 구조는 일반적으로 CNN 계층이 선행하여 입력 데이터로부터 특징 벡터를 추출하고, 이후 LSTM 계층이 해당 특징 벡터의 시간적 변화 패턴을 학습하는 방식으로 구성된다. 즉, CNN은 센서 데이터 간 공간적 특성을 담당하고, LSTM은 시간 축 방향의 연속적 특성을 담당함으로써 상호보완적인 역할을 수행한다. 배터리관리시스템(BMS) 데이터는 다채널 센서 정보가 시간에 따라 연속적으로 변화하는 대표적인 시공간 데이터(spatiotemporal data)이다. 예를 들어 특정 셀의 전압 강하와 인접 센서의 온도 상승이 동시에 발생하면서, 이러한 변화가 일정 시간 동안 지속될 경우 이상 상태로 판단할 수 있다. CNN-LSTM은 이러한 복합 패턴을 동시에 학습할 수 있으므로 기존 단일 모델 대비 이상 탐지 정확도와 조기 진단 성능이 우수한 것으로 알려져 있다.
따라서 본 연구에서는 BMS 다변량 시계열 데이터의 특성을 효과적으로 반영하기 위하여
Fig. 1에서 보이는 것처럼 CNN-LSTM 구조를 적용하였으며, 이를 통해 배터리 이상 패턴 탐지 성능 향상을 도모하고자 하였다.
3 시스템 구성 및 실험 방법
3.1 시스템 구성
본 연구에서는 KS R-6100 규격을 기반으로 하는 교환형 배터리 팩 시스템을 대상으로 이상 탐지 알고리즘의 적용 가능성을 검토하였다. KS R-6100은 전기 이륜차 및 소형 모빌리티용 교환형 배터리 시스템의 구조, 안전성 및 운용 기준을 제시하는 국내 표준으로서, 최근 배터리 교환형 플랫폼 확산에 따라 산업적 활용성이 높아지고 있다. 대상 배터리 팩은 공칭 전압 48 V 30 Ah급 리튬이온 배터리 시스템으로 구성하였으며, 다수의 셀(cell)을 직렬 연결하여 요구 전압을 만족하도록 설계하였다. 직렬 연결 구조는 출력 전압 확보에 유리하나, 개별 셀 간 전압 편차 및 열 분포 불균형이 발생할 가능성이 높아 정밀한 상태 감시가 요구된다. 배터리 팩 내부에는 각 셀의 전압 측정을 위한 셀 모니터링 회로와 팩 전류 검출 회로가 포함되며, 다수 지점의 온도센서를 배치하여 배터리 내부 및 표면 온도를 실시간으로 계측하도록 구성하였다. 수집된 센서 데이터는 BMS 제어기에 전달되며, 이를 기반으로 충·방전 제어, 보호 동작, 셀 밸런싱 및 이상 진단 기능이 수행된다.
또한 배터리 팩의 충전상태(state of charge, SOC) 및 건강상태(state of health, SOH)는 전압, 전류, 온도 및 사용 이력을 기반으로 추정되며, 배터리 운용 효율과 수명 예측을 위한 핵심 변수로 활용된다. 본 연구에서는 실제 운용 환경을 모사하기 위하여 4개의 배터리 모듈이 직렬 또는 병렬 조합으로 구성된 팩 구조를 가정하였으며, 각 모듈에서 발생하는 전압 불균형, 온도 상승, 내부저항 변화 등의 이상 현상을 분석 대상으로 설정하였다. 이와 같은 시스템 구성은 전기 이륜차, 소형 전기차 및 ESS 모듈형 배터리 시스템에 적용 가능한 현실적인 구조라 할 수 있다.
Fig. 3은 본 연구에서 적용한 4-배터리 팩 구조의 개략도를 나타낸 것이다. 각 배터리 모듈은 개별 센서와 보호 회로를 포함하며, 중앙 BMS 제어기를 통해 통합 관리된다. 배터리 시스템 구성 및 센서 기반 상태 추정 구조는 기존 BMS 연구에서 일반적으로 사용되는 구조를 따른다[
1,
2].
3.2 데이터셋 구성
본 연구에서는 배터리관리시스템(BMS) 이상 탐지 알고리즘의 학습 및 성능 평가를 위하여 총 30,000개의 실측 시계열 데이터 샘플을 수집하였다. 실측 데이터는 KS R-6100 규격 기반의 48 V 30 Ah급 교환형 배터리 팩 시스템을 대상으로, 실제 충·방전 운전 환경에서 BMS 제어기를 통해 수집된 전압, 전류, 온도, SOC 및 SOH 센서 로그 데이터로 구성된다. 데이터 수집 기간 및 운전 조건은 정상 운전 상태와 관제 기록 상 이상 발생 이력이 확인된 구간을 포함하며, 각 이상 시나리오에 해당하는 구간은 전문가 검토를 통해 레이블링 하였다. 열폭주 전조 및 이상 상태는 기존 연구에서 보고된 배터리 고장 유형을 기반으로 구성하였다[
10,
11].
또한 실제 BMS 로그 기반 이상 탐지 연구에서도 유사한 시 나리오가 활용된 바 있다[
7]. 데이터셋 설계는 정상상태(normal condition)와 이상상태(abnormal condition)를 포함하도록 하였으며, 딥러닝 기반 이상 탐지 연구에서 모델 학습 시 이상 샘플의 충분한 확보가 탐지 성능에 중요한 영향을 미친다는 점을 고려하여[
7], 정상 데이터와 이상 데이터의 비율을 80:20으로 설정하였다. 본 비율은 합성 데이터 기반 이상 탐지 연구에서 일반적으로 적용되는 범위로서[
7], 지나치게 낮은 이상 데이터 비율로 인한 모델 학습 불균형 문제를 방지하기 위한 설계 결정이다. 실제 현장 데이터 기반 연구에서는 이상 발생 빈도에 맞게 비율을 재조정할 필요가 있다. 정상 데이터는 일반적인 충·방전 운전 조건, 안정적인 온도 분포, 균형 잡힌 셀 전압 상태 및 정상적인 통신 상태를 반영하도록 구성하였다. 반면 이상 데이터는 실제 배터리 시스템에서 발생 가능성이 높은 대표적 고장 및 열화 상황을 기반으로 생성하였다. 본 연구에서 적용한 이상 시나리오는 다음과 같다.
첫째, 열폭주 전조(Thermal Runaway Precursor)는 특정 셀 또는 모듈에서 비정상적인 온도 상승이 점진적으로 발생하는 상태를 의미한다. 이는 화재 및 폭발 사고로 이어질 수 있는 위험 상태이므로 조기 탐지가 중요하다.
둘째, 셀 전압 불균형(Cell Voltage Imbalance)은 직렬 연결된 개별 셀 간 전압 편차가 허용 범위를 초과하는 상태를 의미한다. 이러한 현상은 셀 열화 가속 및 배터리 수명 저하의 주요 원인이 된다.
셋째, SOC 불일치(SOC Inconsistency)는 실제 배터리 잔존 용량과 BMS에서 추정한 충전상태 값 사이에 오차가 발생하는 경우를 의미한다. 이는 주행 가능 거리 예측 오류 및 운용 효율 저하를 초래할 수 있다.
넷째, 내부저항 증가(Internal Resistance Increase)는 셀 열화 또는 손상으로 인해 내부저항이 비정상적으로 상승한 상태를 의미한다. 내부저항 증가는 발열 증가 및 출력 성능 저하와 직접적으로 연관된다.
다섯째, 통신 지연(Communication Delay)은 BMS와 센서 모듈 간 데이터 송수신 지연 또는 패킷 손실이 발생하는 상태를 의미한다. 이는 실시간 제어 성능 저하 및 오동작의 원인이 될 수 있다.
3.3 데이터 전처리
원시 BMS 데이터는 노이즈, 결측값 및 비정상 값(outlier)을 포함할 수 있으므로, 학습 성능 향상을 위하여 다음과 같은 전처리 과정을 수행하였다.
시계열 데이터 분석을 위한 슬라이딩 윈도우 및 정규화 기법은 기존 딥러닝 기반 배터리 분석 연구에서 일반적으로 사용되는 방법이다[
4,
5].
첫째, 시계열 패턴 학습을 위하여 30초 길이의 슬라이딩 윈도우(sliding window)를 적용하였다. 이를 통해 연속된 시간 구간의 센서 데이터를 하나의 입력 샘플로 재구성하였다.
둘째, 통신 오류 및 센서 측정 누락으로 인해 발생한 결측값은 선형 보간법(interpolation)을 이용하여 보정하였다.
셋째, 측정 오류 또는 순간 잡음에 의해 발생한 이상치는 통계적 기준을 이용하여 제거하거나 허용 범위 내 값으로 보정하였다.
넷째, 각 변수의 단위와 범위 차이를 최소화하기 위하여 Min-Max 정규화를 적용하였다. 이를 통해 모든 입력변수는 0과 1 사이의 범위로 변환되었으며, 딥러닝 모델의 수렴 안정성을 향상시켰다.
3.4 비교 모델
제안한 CNN-LSTM 모델의 성능 검증을 위하여 기존 이상 탐지 기법 및 대표적 머신러닝·딥러닝 모델과 비교 실험을 수행하였다.
첫째, Rule-based 모델은 사전에 정의된 임계값 기준으로 이상 여부를 판단하는 전통적 방식이다.
둘째, Isolation Forest는 비지도 학습 기반 이상 탐지 알고리즘으로, 정상 데이터와 다른 패턴을 가지는 샘플을 분리하여 이상 여부를 판단한다.
셋째, Autoencoder는 입력 데이터를 재구성하는 과정에서 발생하는 오차를 이용하여 이상 상태를 검출하는 딥러닝 기반 기법이다.
넷째, LSTM은 시계열 데이터의 장기 의존성을 학습하는 순환신경망 구조로서, 시간 변화 패턴 분석에 적합하다.
다섯째, CNN-LSTM은 본 연구에서 제안한 모델로서, CNN을 통한 공간적 특징 추출과 LSTM을 통한 시간적 패턴 학습을 결합한 하이브리드 구조이다.
이들 비교 모델과의 성능 평가를 통해 제안 기법의 우수성을 검증하고자 하였다.
4 실험 결과 및 고찰
4.1 성능비교
제안한 CNN-LSTM 기반 이상 탐지 모델의 성능을 검증하기 위하여 LSTM, Autoencoder, Isolation Forest 모델과 비교 실험을 수행하였다. 성능 평가는 Precision, Recall, F1-score, AUC(Area Under Curve), 그리고 탐지 지연시간(Detection Delay)을 기준으로 수행하였다. CNN-LSTM이 우수한 성능을 보인 이유는 CNN의 공간적 특징 추출 능력과 LSTM의 시간적 패턴 학습 능력이 결합되었기 때문이다[
4,
7]. 특히 딥러닝 기반 이상 탐지 모델은 기존 Rule-based 방식 대비 복합 이상 탐지 성능이 우수한 것으로 보고되고 있다[
7].
Precision은 이상으로 판정된 데이터 중 실제 이상 데이터의 비율을 의미하며, Recall은 실제 이상 데이터 중 올바르게 탐지된 비율을 나타낸다. F1-score는 Precision과 Recall의 조화 평균으로서 전체 탐지 성능을 종합적으로 평가하는 지표이다. 또한 AUC는 분류기의 판별 성능을 나타내며, 탐지 지연 시간은 이상 발생 이후 경보까지 소요된 평균 시간을 의미한다.
Table 1은 각 모델의 성능 비교 결과를 나타낸 것이다.
실험 결과, CNN-LSTM 모델은 모든 평가 항목에서 가장 우수한 성능을 나타냈다. Precision은 0.88, Recall은 0.89로 비교 모델 대비 가장 높은 수치를 기록하였으며, F1-score 역시 0.885로 가장 우수하였다. 이는 이상 탐지 정확도와 재현율을 동시에 만족함을 의미한다. AUC 역시 0.94로 가장 높게 나타나 제안 모델이 정상 상태와 이상 상태를 효과적으로 구분함을 확인할 수 있었다.
또한 탐지 지연시간은 평균 8.1초로 비교 모델 중 가장 짧게 나타나, 실제 배터리 보호 시스템에 적용 시 조기 경보 측면에서 유리한 것으로 판단된다. LSTM 모델은 시계열 특성 학습에는 효과적이었으나 공간적 특징 반영이 제한되어 CNNLSTM 대비 다소 낮은 성능을 보였다. Autoencoder는 Precision은 높게 나타났으나 Recall이 상대적으로 낮아 일부 이상 상태를 충분히 검출하지 못하였다. Isolation Forest는 비지도 학습 기반 모델로 구현이 간단하나 전체적인 분류 성능은 가장 낮게 나타났다.
따라서 다변량 센서 데이터의 공간적 특징과 시간적 변화를 동시에 고려하는 CNN-LSTM 구조가 배터리 이상 탐지에 가장 적합한 모델임을 확인할 수 있었다.
4.2 고 찰
딥러닝 기반 접근 방식은 배터리의 복잡한 비선형 특성과 다양한 고장 메커니즘을 효과적으로 반영할 수 있으며[
7], 설명가능 인공지능(XAI)을 활용할 경우 모델 해석 가능성 또한 확보할 수 있다[
12,
13]. 실험 결과, CNN-LSTM 모델은 비교 대상 모델 가운데 가장 우수한 탐지 성능과 가장 짧은 탐지 지연시간을 나타내었다. 이는 CNN과 LSTM의 구조적 장점이 상호 보완적으로 작용한 결과로 판단된다.
먼저 CNN 계층은 다채널 센서 데이터로부터 공간적 특징(spatial feature)을 효과적으로 추출할 수 있다. 배터리관리시스템(BMS)에서 수집되는 전압, 전류, 온도, SOC 및 SOH 데이터는 서로 독립적인 값이 아니라 상호 연관성을 가지며 변화한다. 예를 들어 특정 셀의 전압 강하와 동시에 인접 셀의 온도 상승이 발생하거나, 방전 전류 증가와 함께 전압 변동 폭이 확대되는 현상이 나타날 수 있다. CNN은 이러한 국부적 패턴과 변수 간 상관관계를 자동으로 추출함으로써 이상 상태를 보다 정밀하게 식별할 수 있다. 또한 LSTM 계층은 시계열 데이터의 시간적 변화 특성을 효과적으로 반영할 수 있다. 배터리 이상 현상은 순간적으로 발생하기보다는 일정 시간 동안 점진적으로 진행되는 경우가 많다. 예를 들어 내부저항 증가는 장기간의 열화 과정을 통해 나타나며, 열폭 주 전조 역시 온도 상승 패턴이 시간에 따라 누적되는 형태로 발생한다. LSTM은 이러한 장기의존성(long-term dependency) 을 학습함으로써 단순 임계값 방식으로는 탐지하기 어려운 초기 이상 징후를 효과적으로 검출할 수 있다.
따라서 CNN-LSTM 모델은 공간적 특징 추출 능력과 시간적 패턴 학습 능력을 동시에 갖추고 있어, 단일 구조 모델보다 우수한 이상 탐지 성능을 나타낸 것으로 판단된다.
반면 Rule-based 방식은 사전에 설정된 임계값을 초과하는 즉시 경보를 발생시키므로 응답 속도 측면에서는 유리하다. 그러나 복합 변수 간 상관관계를 고려하지 못하고, 임계값 이하에서 진행되는 초기 이상 징후를 탐지하기 어렵다는 근본적 한계를 가진다. 특히 실제 배터리 시스템에서는 단일 변수 이상보다 복합적인 열화 및 고장 형태가 빈번하게 발생하므로, Rule-based 방식만으로는 충분한 안전 진단 성능을 확보하기 어렵다. 한편 Autoencoder 및 Isolation Forest와 같은 비지도 학습 기반 기법은 라벨링 데이터가 부족한 환경에서 활용 가능성이 있으나, 본 연구 결과에서는 CNNLSTM 대비 정확도와 재현율 측면에서 다소 낮은 성능을 나타냈다. 이는 복잡한 시공간 패턴을 동시에 반영하는 능력에서 차이가 있기 때문으로 판단된다.
종합하면, 실제 산업 현장에서 요구되는 배터리 안전성 확보와 예방 정비(predictive maintenance) 관점에서 딥러닝 기반 진단 기법, 특히 CNN-LSTM 구조의 적용성이 높은 것으로 판단된다. 향후에는 모델 경량화, 설명가능 인공지능(XAI), 실시간 임베디드 구현 기술과의 결합을 통해 현장 적용성을 더욱 향상시킬 필요가 있다.
5 결 론
본 연구에서는 배터리 관리 시스템(battery management system, BMS)에서 수집되는 다변량 시계열 데이터를 활용하여 CNN-LSTM 기반 이상 탐지 알고리즘을 제안하였다. 기존 임계값 기반 Rule-based 방식의 한계를 개선하고자 전압, 전류, 온도, 충전상태(SOC), 건강상태(SOH) 등 복수의 센서 데이터를 통합적으로 분석할 수 있는 딥러닝 구조를 적용하였다.
이를 위하여 열폭주 전조, 셀 전압 불균형, SOC 불일치, 내부저항 증가 및 통신 지연의 5가지 대표 이상 시나리오를 구성하고, Rule-based, Isolation Forest, Autoencoder, LSTM 및 CNN-LSTM 모델 간 성능 비교를 수행하였다. 실험 결과, 제안한 CNN-LSTM 모델은 Precision 0.88, Recall 0.89, F1-score 0.885, AUC 0.94를 기록하여 비교 모델 가운데 가장 우수한 성능을 나타내었다. 또한 평균 탐지 지연시간은 8.1초로 가장 짧게 나타나 조기 이상 감지 측면에서도 우수함을 확인하였다.
본 연구 결과는 데이터 기반 딥러닝 접근 방식이 기존 물리 모델 기반 또는 Rule-based 방식 대비 배터리 안전성 향상에 효과적임을 보여준다[
7,
11]. 이러한 결과는 CNN 계층이 다 채널 센서 데이터 간 상관관계를 효과적으로 추출하고, LSTM 계층이 시간에 따른 변화 패턴과 장기 의존성을 학습함으로써 배터리 이상 상태를 정밀하게 판단할 수 있음을 의미한다. 따라서 CNN-LSTM 구조는 복합 이상 탐지 및 초기 열화 진단이 요구되는 차세대 지능형 BMS에 효과적으로 적용될 수 있을 것으로 판단된다.
본 연구에서 제안한 기법은 전기자동차(EV), 에너지저장장치 (ESS), 교환형 배터리 시스템 등 다양한 리튬이온 배터리 응용 분야에서 안전성 향상과 예방 정비 기술 고도화에 기여할 수 있다.
특히 실시간 상태 감시, 조기 경보 시스템, 배터리 수명 예측 기술과 연계될 경우 산업적 활용성이 높을 것으로 기대된다. 향후 연구에서는 실제 차량 운행 데이터 및 ESS 현장 운영 데이터를 기반으로 모델의 실증 검증을 수행할 필요가 있다[
13]. 또한 임베디드 시스템 적용을 위한 모델 경량화, 설명 가능 인공지능(Explainable AI, XAI) 기반 진단 근거 제시, 다양한 환경 조건에서의 일반화 성능 향상에 대한 추가 연구가 요구된다.
Notes
-
Conflict of Interest
The authors declare no conflict of interest.
-
Author Contributions
Keon-Sik Hong: Conceptualization, Methodology, Software, Data Curation, Formal analysis, Writing - Original Draft.
Sung-Il Seo: Supervision, Validation, Writing -Review & Editing, Project administration.
Data Availability
Data available on request from the authors. The datasets generated and analyzed during the current study are available from the corresponding author on reasonable request.
Fig. 1.Architecture of the proposed CNN-LSTM-based anomaly detection model
Fig. 2.Flowchart of BMS data acquisition and anomaly detection
Fig. 3.
Fig. 4.Sensor data and anomaly detection results under normal and abnormal conditions
Table 1.Performance comparison of anomaly detection models
Table 1.
|
Model |
Precision |
Recall |
F1-score |
AUC |
Delay (s) |
|
CNN-LSTM (Proposed) |
0.88 |
0.89 |
0.885 |
0.94 |
8.1 |
|
LSTM |
0.83 |
0.85 |
0.84 |
0.91 |
12.4 |
|
Autoencoder |
0.86 |
0.78 |
0.82 |
0.9 |
15.2 |
|
Isolation Forest |
0.75 |
0.72 |
0.735 |
0.84 |
20.6 |
References
- 1. Y. Xing, E. W. M. Ma, K. L. Tsui, and M. Pecht, Energies, 4, 1840 (2011). doi: https://doi.org/10.3390/en4111840
- 2. A. K. M. A. Habib, M. K. Hasan, M. M. Islam, M. T. Rahman, and M. A. Hannan, Batteries, 9, 152 (2023). doi: https://doi.org/10.3390/batteries9030152
- 3. S. Hochreiter and J. Schmidhuber, Neural Comput., 9, 1735 (1997). doi: https://doi.org/10.1162/neco.1997.9.8.1735
- 4. X. Song, F. Yang, D. Wang, and K. L. Tsui, IEEE Access, 7, 88894 (2019). doi: https://doi.org/10.1109/ACCESS.2019.2926517
- 5. J. Tian, R. Xiong, W. Shen, and J. Lu, Appl. Energy, 291, 116812 (2021). doi: https://doi.org/10.1016/j.apenergy.2021.116812
- 6. K. S. Ng, C. S. Moo, Y. P. Chen, and Y. C. Hsieh, Appl. Energy, 86, 1506 (2009). doi: https://doi.org/10.1016/j.apenergy.2008.11.021
- 7. J. Zhang, Y. Wang, B. Jiang, H. He, S. Huang, C. Wang, Y. Zhang, X. Han, D. Guo, G. He, and M. Ouyang, Nat. Commun., 14, 5940 (2023). doi: https://doi.org/10.1038/s41467-023-41226-5
- 8. M. Ghiji, V. Novozhilov, K. Moinuddin, P. Joseph, I. Burch, B. Suendermann, and G. Gamble, Energies, 13, 5117 (2020). doi: https://doi.org/10.3390/en13195117
- 9. Y. U. Na and J. H. Park, Fire, 6, 389 (2023). doi: https://doi.org/10.3390/fire6100389
- 10. M. C. Appleberry, J. A. Kowalski, S. A. Africk, J. Mitchell, T. C. Ferree, V. Chang, V. Parekh, Z. Xu, Z. Ye, J. F. Whitacre, and S. D. Murphy, J. Power Sources, 535, 231423 (2022). doi: https://doi.org/10.1016/j.jpowsour.2022.231423
- 11. K. Wang, D. Ouyang, X. Qian, S. Yuan, C. Chang, J. Zhang, and Y. Liu, Energies, 16, 2960 (2023). doi: https://doi.org/10.3390/en16072960
- 12. R. Suganya, L. M. I. L. Joseph, and S. Kollem, Results Eng., 24, 103047 (2024). doi: https://doi.org/10.1016/j.rineng.2024.103047
- 13. H. T. J. Chan, J. Rubeša-Zrim, F. Pichler, A. Salihi, A. Mourad, I. Šimić, K. Časni, and E. Veas, Appl. Sci., 15, 5078 (2025). doi: https://doi.org/10.3390/app15095078
