본 기술은 작동 환경과 종류가 서로 다른 이차전지 데이터가 순차적으로 입력될 때 기존 학습모델을 처음부터 재학습하지 않고 연속학습(Continual Learning) 기법을 적용하여, 과거 데이터의 정보를 유지하면서 새로운 데이터에 맞게 분석모델을 갱신하는 기술입니다.
기존 딥러닝 기반 배터리 수명 예측 모델은 특정 데이터셋으로 학습된 뒤 작동 환경이나 배터리 종류가 바뀌면 예측 성능이 급격히 떨어지는 문제가 있었습니다. 이를 보완하려고 전체 데이터를 다시 학습하면 계산 비용이 커지고 과거 학습 내용을 잃어버리는 파괴적 망각(Catastrophic Forgetting) 현상이 발생하는 한계가 존재했습니다.
본 기술은 EWC(Elastic Weight Consolidation), Generative Replay, Dynamic Expandable Network 등의 연속학습 방법을 도입하고, 입력된 배터리 데이터의 작동환경, 종류, 초기불량 여부가 기존 데이터와 다르거나 데이터 양이 임계치를 넘으면 분석모델을 연속학습시켜 과거 정보를 보존하면서 새 조건의 예측 정확도를 확보하도록 구성됩니다. 전기차 배터리 상태 진단 플랫폼, 사용후 배터리 잔존가치 평가 및 중고 거래 가격 산정 서비스에 적용될 수 있어 신규 셀 모델이 투입될 때마다 반복되던 대규모 재학습 비용을 절감합니다.
본 발명은 산업통상자원부의 200mA/cm2 이상 고전류밀도를 갖는 저비용 고출력 VRFB 스택 개발 지원을 통해 개발되었습니다.
N/A
