본 기술은 배터리 데이터를 패턴화된 이미지로 변환한 뒤, Laplace 및 Student's t 혼합 분포를 사전 확률로 쓰는 베이지안 합성곱 오토인코더(BCAE)에 입력해 불확실성이 정량화된 배터리 가상 상태 지표(VHI)를 생성하는 기술입니다. 생성된 지표는 비지도 학습 클러스터링을 거쳐 이상 열화를 감지하는 데 활용됩니다.
기존의 임계값 기반 방식이나 단순 딥러닝 방식은 대규모 라벨링 데이터가 반드시 필요하다는 문제가 있었습니다. 데이터가 제한된 환경에서는 성능이 떨어지고 복잡한 열화 패턴과 데이터 불확실성을 충분히 모델링하지 못해 초기 이상 열화를 잡아내기 어려웠습니다.
본 기술은 몬테카를로 샘플링과 Gumbel-Softmax 모듈을 함께 활용하는 변형 Bayes by Backprop 알고리즘으로 베이지안 오토인코더의 네트워크 파라미터를 최적화하도록 구성됩니다. 혼합 분포로 다양한 열화 패턴을 정교하게 모델링하므로 라벨이 부족해도 VHI를 만들 수 있고, GMM, DBSCAN 등 클러스터링으로 이상 여부를 자동 판별합니다. 전기차 운행 데이터 관제 서버, 배터리 셀 출하 검사, 사용후 배터리 등급 판정 시스템에 적용될 수 있어 라벨링 비용을 들이지 않고도 결함 셀을 조기에 선별할 수 있습니다.
본 발명은 산업통상자원부의 ③ 산업단지 폐자원 에너지 전환형 마이크로그리드 플랫폼 개발 및 실증 연구 지원을 통해 개발되었습니다.
WO2026-134564A1
