1. 서 론

최근 EU에서 2035년 신차 탄소배출 감축 목표를 기존 100%에서 90%로 하향 조정하면서 전기차 전환 속도가 저하되고 있는 정책적인 변화 속에서 내연기관차 대비 전기차 경쟁력 확보가 요구되고 있다. 특히 사용자의 수용성 제고를 위해서는 배터리 팩의 성능, 안전, 효율 등을 개선하여 내연기관차 대비 동등하거나 더 나은 차량의 신뢰성을 확보하기 위해 완성차 업체 중심으로 주행 중인 전기차 배터리 팩에 대한 정확한 상태 진단 및 잔존 수명 평가가 중요한 기술로 여겨지고 있다. 일반적으로 일정한 온도, 단순한 충방전 패턴 등과 같은 실험실의 통제된 환경에서의 소형 리튬이온 배터리에 대한 평가는 비교적 쉽고 정확하게 가능하지만, 일반 전기차에 주로 사용되는 60~100kWh 이상의 대용량 리튬이온 배터리 팩을 대상으로 혹독한 환경 변화와 다양한 출력 성능이 요구되는 실제 주행 중인 전기차 배터리 팩에 대한 건강 상태를 정확하게 진단하기에는 기술적인 난제가 존재한다.

일반적으로 배터리 평가는 탈거된 배터리를 대상으로 충방전 테스트를 통해 이루어져야 정확한 배터리 팩의 SOH(State of Health) 평가가 가능하다. 그러나 주행 중인 전기차를 대상으로 탈거 테스트는 많은 비용과 긴 실험 시간 등이 요구되므로 모든 차량에 적용하기에는 현실적인 제약이 크다. 또한 휴지시간 등을 고려하면 실제로 약 3일 정도의 장시간 테스트 시간이 필요하고 대용량 배터리 팩을 충방전하기 위한 대형 충방전기와 대형 환경 챔버 등이 필요한 관계로 실제 전기차 배터리 팩을 대상으로 하는 실험은 쉽지 않다. 또한 전기차 배터리 팩의 타입과 용량에 따라 실험조건 및 방법이 맞춰져야 하므로 범용적인 평가기술이 개발하는 데에도 한계가 존재한다.

2. 관련 연구

전기차용 리튬이온 배터리 진단은 크게 3가지 접근방법으로 구성되어 있다. 첫 번째는 모델 기반으로 ECM(Equivalent Circuit Model) 혹은 열 모델 등을 구성하여 측정값과 모델 예측값의 차이를 기준으로 하여 배터리 이상을 진단하는 것으로 칼만 필터 방식을 사용하여 RLS(Recursive Least Squares), 저항 및 용량 등의 주요 파라미터를 추적하여 상태를 진단하는 방법이다. 이것은 모델의 정확도에 따라 진단 성능이 결정되는 것으로 실제상황에서 발생하는 다양한 고장 상태를 충분히 반영하지 못할 가능성이 있다. 두 번째로는 데이터 기반 진단으로 실차에서 측정되는 전류, 전압, 온도 등의 데이터를 활용한다. 전압과의 상관계수, 증분용량(Incremental Capacity), 엔트로피 등의 주요 인자를 추출하여 내부 단락, 온도 이상 등의 고장 증상을 조기에 감지하는 것을 목적한다. 다만 이를 위해서 대규모 실차 데이터 확보가 선행되어야하며, 다양한 고급 분석 기법을 통해 진단 성능을 향상시킬 수 있다. 특정 모델에 한정되는 것이 아니므로 충분한 실주행 데이터 확보가 가능하다면 현실적으로 가장 효과적인 배터리 진단 방법이다. 마지막으로는 지식 기반 진단으로 룰 기반 혹은 전문가 판단에 의존하는 진단 방법이다. 대용량 전기차 배터리 팩에 대한 진단모델 개발이 충분하지 않아 안전 온도 계수, 안전 전류/전압 기준값을 사전에 설정하고, 해당 한계를 초과하는 순간 이상 또는 고장으로 판단하는 방법이다. 실제 전기차 제어에 사용되는 방법으로 다양한 로직과 fault tree를 기반으로 완성차 업체별로 각자의 노하우를 통해 구현되는 경우가 대부분이어서 수많은 차종에 대한 범용적 적용이 어렵고, 새로운 전기차가 출시될 때마다 반복적인 보완이 필요하다는 한계가 있다[3].

최근에는 배터리 분야에서는 과충전, 단락, 센서 오류 등으로 인한 화재 및 열폭주 위험을 방지하기 위한 다양한 방법이 요구되고 있으며, 실주행 차량의 주행데이터를 기반으로 학습하는 데이터 기반이 가장 중요하게 인식되고 있다[11]. 배터리의 방전 즉 주행과 관련된 부분은 워낙 다양한 출력 프로파일이 존재하고 부하가 아주 크지 않은 관계로 주로 충전 중에 주요한 인자를 찾으려는 노력이 이어져 왔다. 실제 전기차 운행 데이터 중에서 충전 구간의 증분용량(Incremental capacity)을 계산하고 이를 통해 실사용 전기차 배터리 팩의 건강 상태인 SOH를 정밀하게 추정하는 연구가 많이 이루어졌다. R Li는 약 50Ah의 중간 용량 수준의 소형 배터리 팩을 대상으로 배터리 팩의 셀 연결 이상을 전압 데이터로 조기에 진단 가능함을 보였다. 하지만 해당 연구는 리튬망간산화물(LMO) 배터리에 한정되어 있고 실제 전기차가 아닌 이유로 대용량 리튬이온 배터리 팩으로 연구 결과를 확대하기에는 무리가 있다[7]. 다른 연구에서는 전기차 배터리 팩의 전압 신호를 이산 웨이블렛 변환(DWT)으로 필터링하여 노이즈를 제거하여 셀간 전압(VD) 차이를 핵심 고장 지표를 사용하여 VD만 사용시 78%의 고장 진단률, 전체 특징 사용시 99.7%의 진단 정확도를 보여주었다. 하지만 실제 차량이 아닌 소형 직렬팩(5ea)를 활용한 스케일 다운된 형태이므로 실제 전기차에 적용하기에 한계점을 가지고 있다[13]. 정확한 배터리 SOH를 기반으로 잔여수명 예측이 가능하여 CC-CV 충전 프로토콜에서 CV 구간의 특징을 추출하여 노화 정보를 추정하고 이를 통해 배터리 잔여 용량 즉 수명을 판단하는 연구 결과를 보였다[9]. 하지만 실제 전기차에 적용되지는 않아 실차 적용에는 여전히 한계가 존재한다. 또한 배터리 건강 상태 추정을 위한 실험방법으로는 직접 실험방법과 간접 분석 방법으로 분류되고, 그중에서 직접 실험방법에는 AH 카운팅, EIS, pulsed discharge method 등이 대표적이다. 간접 분석 방법으로는 모델 및 데이터 기반의 접근방법으로 특히 충·방전 중에 획득한 정보를 활용하여 건강 인자를 추출하는 방식으로 이루어진다[2]. 기존의 배터리 진단과 관련된 많은 연구들도 직접 실험보다는 간접적으로 측정된 데이터에서 유의미한 건강 관련 인자를 도출하여 상태를 진단하는 방식을 채택하고 있다.

위와 같이 실주행 중인 대용량 리튬이온 배터리 전기차의 건강 상태 진단 연구는 아직 충분히 이루어지지 않은 실정이며, 실제 주행 차량 데이터의 확보가 가장 큰 제약 요인으로 작용한다. 이에 본 연구에서는 전기차 100대의 실주행 데이터를 기반으로 3개월 이상의 장기 데이터를 확보하였으며, 증분용량 분석을 통해 배터리 팩의 성능 저하 및 노화를 정량적으로 추정할 수 있는 핵심 인자를 도출하였다.

3. 실주행 데이터 전처리

3.1 전기차 데이터

본 연구에서는 기 구축된 전기차 실주행 데이터 세트를 활용하여 전기차 100대에 대해 약 3개월간의 장기 데이터를 사용하였다. 대상 차종으로는 코나 EV와 아이오닉5 전기차로 데이터 샘플링은 0.2 Hz, 누적 데이터 용량은 약 4.3 TB이고, 추정 결과 차량별 연간 2만~2.5만 km의 주행거리를 가질 것으로 예상된다.

<Figure 1>과 같이 실험용 전기차에 개별적으로 설치된 OBD-II 로거를 통해 차량 운행 데이터가 클라우드 서버로 실시간 전송되며, 이후 중앙 서버에 저장되는 데이터 수집 시스템이 구축되어 있다. 해당 시스템은 클라우드와 중앙 서버 간 이중 저장 구조를 통해 데이터 안정성과 보안성을 확보하고 있다. 수집된 데이터는 전기차 빅데이터 분석에 활용되며, 배터리 및 모터와 같은 주요 부품 데이터를 기반으로 개별 및 통합 부품의 성능 평가, 열화 원인 규명, 이상 감지 기술 개발 등에 적용되고 있다.

실제로 이러한 전기차 모니터링 환경은 중국에서 대규모로 운영되고 있고, 대용량 실차 데이터 세트를 기반으로 전기차 동력 성능 평가, 배터리 안전도 평가, 모터 및 전기·전자 장치의 효율 개선과 같은 다양한 연구를 주로 수행하고 있다. 하지만 중국의 경우 대부분 LFP 계열 전기차를 대상으로 한 실험 표본으로 구성되어 있어 국내의 주요 차종과는 거리가 있다[14, 15].

<Figure 2>에서 인버터 입력전압, 보조배터리 전압, 현재 구동 모터 속도 등의 배터리 외에도 차량 주행과 관련된 데이터가 실시간으로 수집되는 것을 보여주고, 적정 계수 계산, 누락 정보 및 데이터 연산을 통해 필요한 데이터를 재산출한다.

3.2 데이터 전처리

OBD-II를 통해 측정된 연속 데이터에 대해 충전/방전 구간별로 분류가 필요하고 충전 구간 선정 오류시 해당 데이터를 제외하거나 시작 및 종료 시점의 조정이 필요하다. 또한 외부 노이즈 유입에 따른 데이터의 과도한 변동이 있을 수 있고, 통신 두절로 인한 충전데이터 누락 등의 에러 현상이 빈번히 발생하여 이에 대한 조치가 필요하다. 또한 너무 짧은 충전 시간은 분석에 도움이 되지 않기 때문에 일정 시간 충전이 되지 않은 짧은 데이터는 제한된 정보량으로 인해 분석에서 제외할 필요가 있다. <Figure 3>에서는 한 주기인 1회 방전 동안 차량 속도, 모터 속도 및 모터 토크의 변화와 SOC, SOH의 상태를 보여주고 있다.

원시 데이터에서 발생하는 에러를 <Figure 4>에서 나타낸다. 계측 센서 이상으로 인한 이상치 발생, 데이터 통신 오류로 인한 충전데이터 계측 누락, 충전 시점 기록 오류 및 충전 중 일시적인 데이터 수집 중단 구간 발생 등의 오류 현상이 실제 전기차 데이터 수집 중에 자주 발생되는 대표적인 오류 유형이다. 해당 데이터들은 사전에 보정되거나 분석에서 제외하는 작업이 필요하다.

<Figure 5>에서는 이러한 오류들을 보정한 전처리 전후의 결과를 보여주고 있다. 옅은 노란색으로 처리된 통신 오류 및 충전 중단 등의 이상 구간이 삭제되어 기존 데이터보다 매끄러워진 팩 전압 및 SOC 그래프를 나타낸다.

본 연구에서 사용된 모든 데이터는 이러한 전처리 과정을 거친 정제된 데이터만을 사용하였다.

4. 배터리 팩 건강상태 진단모델 개발

4.1 전기차 충전 패턴 분석

본 연구에서 사용된 전기 택시는 총 100대로 '24년 1월 19일부터 4월 29일까지 약 3개월간 데이터에 대해 집중적으로 분석하였다. 대부분의 전기 택시는 1회 충전 시 순 충전량은 약 43%이고, 아래 <Figure 6>와 같이 SOC 55.5%에서 충전을 시작하였으며, 약 99.5%까지 충전을 하는 경향을 보였다. 아래 그림과 같이 충전 시작 시점(녹색)과 충전 종료 시점(빨간색)을 통해 순 충전량이 SOC 약 50%~98% 영역이 가장 빈번하게 충전되는 구간임을 나타낸다.

일반적인 충·방전 테스트에서는 완전 충전 및 완전 방전을 기본 실험 조건으로 설정하나, 이러한 실험실 기반의 통제 환경은 실제 차량 운행 조건에 직접 적용하기에는 한계가 있음을 확인하였다. 또한 대부분의 사용자가 심리적인 마지노선을 SOC 50%를 정하여 가능하면 50% 이상으로 충전량을 유지하는 경향을 보였다.

대부분의 전기차는 완속 충전시 인가 전압은 약 8.2 A~10.2 A이고 충전 시 팩 전압은 약 620 ~750 V로 측정되었다. 정격전압은 약 697 V이다. <Figure 7>에서 보이듯 차량의 연간 평균 예상 주행거리는 1.4만 km이고, 활동성이 높은 차량의 경우 약 4~5만 km의 주행거리도 예상되었다. 1회 충전당 주행거리는 약 200~250 km로 나타났다. 이것은 데이터 수집 기간의 특성 및 전기 택시라는 주행목적의 특수성을 고려하여 해석되어야 한다.

4.2 진단 모델

ICA 분석을 위해 충전 데이터를 선별하였으며, 전체 충전량이 50% 이상이고 최대 충전 SOC가 최소 98% 이상인 경우만을 분석 대상으로 한정하였다. 이러한 기준을 적용한 결과, 실제 해석에 활용 가능한 데이터는 제한적이었다. 예를 들어 6번 차량의 경우 전체 충전 데이터 55건 중 조건을 만족하는 데이터는 19건으로, 데이터 사용률은 약 34.5%로 나타났다. <Figure 8>은 선별된 데이터와 제외된 데이터를 비교하여 제시한다. 조건을 만족하는 데이터는 파란색으로, 제외된 데이터는 회색으로 구분하였다.

차량별 SOC 구간별 데이터 필터링을 통해 분석 대상 IC 커브 (SOC 55%~99% 구간)를 추출하였다. 개별 IC 커브에 동적 전압 왜곡법(Dynamic Voltage Warping, DVW)을 적용하여 충전데이터의 불완전성을 보완하였다. DVW의 경우 주행 중 발생되는 전압 파형의 국부적인 왜곡이나 짧은 충전 구간을 시간 축상에서 보정하므로 모든 IC 커브들이 동일한 구간에서 일관된 패턴을 형성하도록 하는 데 활용되었다.

증분 용량 (Incremental Capacity, IC) 커브는 배터리 SOH 평가에 주로 사용되는 비파괴 검사로써 국소 전압 변화에 따른 용량 변화률(dQ/dV)로 정의되고, 이산데이터의 경우, 아래 식의 오른쪽 항과 같이 구간별 용량과 전압을 이용하여 수치적으로 계산한다. IC 커브는 배터리 열화가 진행됨에 따라 피크 이동, 진폭 변화 또는 특정 구간의 증폭 현상을 보이므로, 배터리 팩의 열화 특성 분석에 효과적으로 활용된다[1, 8, 10].

동적 전압 왜곡은 두 시계열의 시간 축이 부분적으로 압축되더라도 형태적 유사성을 보존한 상태에서 정렬 및 비교가 가능하도록 하는 기법이다. 각 시계열의 점 간 거리 d ( i , j )를 정의하고, 이를 기반으로 누적 비용 행렬 D ( i , j )를 구성한다. 이후 동적 계획법을 적용하여 시간 축을 비선형적으로 정렬했을 때의 최소 누적 비용 경로를 탐색한다. 이 과정은 아래 식과 같이 정의된다[6].

<Figure 9>에 나타난 바와 같이, 본 기법은 두 시계열을 시간 축에 고정하여 비교하는 유클리디안 방식과는 달리 파형의 형태적 유사성을 기준으로 비선형 정렬을 수행한다. 따라서 실험시 발생가능한 국부적인 시간 왜곡, 노이즈 및 계측 오류의 영향을 완화하여 보다 안정적인 유사도 평가가 가능하게 한다[4, 5].

이러한 특성을 기반으로 실제 측정된 IC 커브에 DVW를 적용한 결과를 <Figure 10>에 제시하였다. <Figure 10>-(a)에서 각 IC 커브는 상이한 시작 및 종료 시점을 갖는 반면, <Figure 10>-(b) 시작 시점과 종료 시점이 일치하게 일관된 비교가 가능함을 확인하였다. 비선형 정렬을 통해 데이터가 정형화된 이후, 고전압 충전 영역(55%~99%)의 면적을 건강 인자(Health Index, HI)로 선정하였다.

정의된 건강 인자(HI)를 기반으로 모든 시험 차량의 누적 주행거리에 따른 건강상태 변화 경향을 분석하였으며, 전체 데이터 절차는 <Figure 11>에 나타내었다.

5. 진단 결과

ICA를 이용한 전기차 배터리 팩의 건강 상태 진단 결과를 <Figure 12>에 제시하였다. 각 차량의 주행 거리별 건강 인자(HI)를 종합하여 3만 km에서부터 25만 km까지의 해당 차종에 대한 종합적인 노후화 경향성을 분석하였다. 3만 km의 짧은 주행거리 차량의 HI는 약 2,600이고 26만 km의 긴 주행거리 차량의 HI는 약 3,100으로 주행거리가 증가함에 따라 HI는 우상향하는 연속적인 추세를 보여주고 있으며, 이를 통해 주행거리 증가에 따라 배터리 팩의 노후 정도가 심화됨을 추정할 수 있다.

<Figure 12>에서 건강 인자의 평균적인 추세선을 적색으로 표기하였으며 총 주행거리 23만km 증가에 따라 건강 인자는 약 180정도 상승하여 노화율 약 6.7%를 나타낸다. 이는 초기 3만 km 주행 차량의 건강 상태를 100%로 가정할 경우, 23만 km 주행 후에는 배터리 팩의 건강 상태는 93.3% 수준으로 저하됨을 의미한다. 또한 건강 인자의 표준편차는 61.74이고 추세선 기준 잔차분산은 2121로 전체 분산의 약 56%에 해당한다. 이를 통해 주행거리가 배터리 노후화에 약 44% 수준으로 기여하는 주요 설명 변수임을 확인할 수 있다. 한편, 나머지 56%는 데이터의 변동성, 불완전한 충전 패턴, 외부 환경 요인, 활용 데이터 수의 한계 등으로부터 기인한 잔여 변동으로 해석된다. 이는 실주행 데이터 분석에서 외생 요인을 함께 고려할 필요가 있음을 시사한다.

본 연구에서 제안한 방법은 주행 중인 전기차의 OBD-II 데이터 중 전압 및 충전 시간 관련 일부 데이터를 활용하여 배터리 팩의 전반적인 상태를 즉각적으로 평가할 수 있는 간단한 방법이다. 이를 통해 차종 및 동일 배터리에 따라 주행거리 증가에 따른 통합 노후화 맵 도출이 가능함을 확인하였다. 도출된 통합 노후화 맵을 기반으로 신규 차량의 노후화 정도를 유추할 수 있게 된다. 즉 모든 차량에 생애주기 데이터 전체를 수집하지 않아도 표준화된 노후 맵을 통해 개별 차량의 일정 기간 동안의 정보를 이용해 배터리 상태를 유추할 수 있게 해주는 것으로, 이는 신체 건강 관리 방법과 유사한 접근법이다.

더 많은 차량의 열화 데이터가 축적될수록 보다 정밀한 노후화 맵 도출이 가능하고, 이를 통해 개별 전기차 배터리 팩 성능평가의 신뢰성 및 정확성을 개선할 수 있을 것으로 판단된다.

6. 결 론

본 논문은 실주행 중인 전기차의 대용량 리튬이온 배터리 팩의 건강 상태를 진단하는 기술에 관한 것이다. 실험실에서 수행되는 소형 리튬이온 배터리의 평가와는 달리 실주행 중인 전기차 배터리 팩은 완전 충전/완전 방전이 아닌 불규칙하고 불완전한 충·방전 패턴을 갖기 때문에 소형 리튬이온 배터리에서 일반적으로 사용하는 건강 상태 진단법을 직접 적용하기 어렵다.

본 연구에서는 실 주행 중인 전기차의 충전시 측정되는 OBD-II 데이터에서 배터리의 증분 용량 커브 곡선의 면적에 해당하는 건강 인자를 선정하였고, 이를 통해 주행거리가 증가함에 따라 노후화 정도가 높아지는 경향을 확인하였다. 이는 대용량 리튬이온 배터리 팩의 건강 상태 진단을 위해 OBD-II 데이터를 사용하는 방법으로 기존 차량에 즉시 적용 가능하고 탈거 과정 및 대형 충방전기를 사용하지 않고도 충분히 정확한 SOH 평가가 가능함을 보였다. 즉 추가적인 센서 혹은 별도의 장비 없이 현재 전기차에 즉시 적용 가능한 서비스 기술로 완성차 업체 혹은 대규모 차량을 관리해야 하는 렌터카 및 공유 차량 업체에서 상용화를 통해 차량 관리의 효율화에 직접 기여할 수 있을 것으로 판단된다.

전기차 배터리 팩의 노화 경향성에 대한 통계적인 접근은 실차 연구에서는 거의 이루어지지 않은 것으로 선행 연구에서도 소규모 차량에 대한 배터리 건강 추정 방법의 가능성을 제시하는 수준인 반면, 본 연구 결과는 대규모 실차에 적용하여 배터리 팩 진단에 대한 가시적인 성과를 보여준 것과 실험 조건의 제약없이 진단법을 제시한 것이 선행 연구와의 차별점으로 볼 수 있다[12].

향후 연구에서는 데이터 필터링을 통한 보다 강건한 건강 인자 추출 등의 전처리 과정의 정교화가 필요하고, 높은 불확실성을 포함하는 실주행 데이터로부터 유용한 정보를 추출하는 인공지능 기반 분석 기법을 접목하여 통해 정확한 진단과 잔존 수명 예측 기술로 확장할 수 있을 것으로 기대된다.