2.1 배터리 모듈 구성 및 실험 조건

본 연구에서 사용된 배터리는 INR21700-41J이고, 시스템은 총 6개의 셀을 직렬로 연결한 직렬단 구조를 기본으로 하고, 이를 두 줄 병렬로 결합하여 6S2P 형태의 리튬이온 배터리 모듈을 구성하였다. 직렬단은 1번부터 6번까지 번호를 부여하였다. 실험에는 두 개의 모듈을 사용했는데, 하나는 의도적으로 1번과 6번 직렬단에 과충전 조건을 적용하였고, 다른 하나는 1번과 6번 직렬단에 과방전 조건을 부여하였다. 2번부터 5번 직렬단은 정상 운용 조건을 유지하여 정상 데이터셋으로 사용하였다. 전압 및 전류 측정은 각 직렬단 단자 전압을 개별적으로 계측하고, 모듈 전체 전류는 공용 전류 센서로 기록하였다. 데이터 수집 주기는 1초 간격으로 설정하였으며, 모든 계측 장비는 동일한 기준 클록을 사용해 시간 동기화를 유지하였다. 실험은 온도 25°C의 항온 챔버 내부에서 진행되었으며, 챔버 내부는 팬 순환 방식으로 온도 편차를 최소화하였다. 사이클 시작 전에는 30분 이상 대기하여 배터리와 챔버 내부 온도가 열평형 상태에 도달하도록 하였다. 충전과 방전은 모두 정전류(Constant current; CC) 방식으로 수행하였다. 충방전 범위는 2.5V~4.2V까지 완충, 완방으로 수행되었으며 충전 및 방전은 1C-rate로 진행되었고, 휴지 시간은 충전과 방전 사이 2시간씩 진행하며 셀의 안정적인 열화 실험을 진행하였다. 전체적인 실험 과정에 대해서는 그림 2에 나타내었다. CC 방식이란 지정한 전류값을 일정하게 유지하면서 충전 또는 방전을 진행하고, 설정된 상한 전압이나 하한 전압에 도달하면 해당 과정을 종료하는 운용 방법을 말한다. 본 연구에서는 중간 SOC 영역(약 20–80%)에서 주로 운용되는 응용 환경을 대상으로 하였으며, 해당 구간은 대부분 정전류(Constant current; CC) 제어 구간에 해당한다. 따라서 ICA 곡선은 CC 구간에서만 추출하였고, 정전압(Constant voltage; CV) 구간은 분석에서 제외하였다. ICA 곡선은 전류가 일정하게 유지될 때 용량 변화량(ΔQ)과 전압 변화량(ΔV) 간의 미분 관계를 통해 도출되므로, CV 구간처럼 전류가 급격히 감소하거나 변동하는 조건에서는 신호 잡음이 커져 안정적인 계산이 어렵다. 그러나 CV 구간을 직접 포함하지 않더라도 CC 충전 구간 및 CC 방전 구간의 ICA 곡선만으로도 배터리의 내부 반응과 열화 상태를 충분히 대변할 수 있음이 선행 연구에서도 보고되었다^[13]. 따라서 본 연구의 ICA 기반 이상 탐지 프레임워크는 CV 충전 구간이 포함된 어플리케이션에서도, 해당 구간 전후의 CC 충전/방전 데이터만을 활용하여 동일한 방식으로 적용할 수 있으며, 이는 전기차(EV) 및 에너지저장장치(ESS)와 같은 CC–CV 운용 환경에서도 실용적으로 확장 가능하다.

이 방식은 전류 변화에 따른 변수가 줄어들어 열적·전기적 스트레스의 재현성을 높이고, $\frac{dQ}{dV}$ 계산 시 전류 변동이 초래하는 잡음을 최소화할 수 있다는 장점이 있다. 한 사이클은 방전(CC) → 휴지(Rest) → 충전(CC) → 휴지(Rest)의 순서로 구성되었으며, ICA 분석에는 Rest 구간을 제외한 충전과 방전 구간의 데이터만을 사용하였다. 실험 과정에서는 배터리와 장비를 보호하기 위해 과전압, 저전압, 과전류, 과온, 저온, 셀 간 과도한 전압 불균형이 감지될 경우 즉시 운전을 중지하는 보호 로직을 적용하였다.

그림 2. 전기적 특성 실험 셋업 및 전압 전류 데이터

Fig. 2. Electrical Characterization Experimental Setup and Voltage-Current Data

2.1.1 과충전과 과방전 조건의 정의 및 적용 방식

과충전은 셀의 제조사에서 명시한 정격 상한 전압을 초과하는 상태를 말한다. 이 상태에서는 전극 내에서 바람직하지 않은 부반응이 발생할 수 있고, 고체 전해질 계면층(Solid electrolyte interphase; SEI)의 비정상적인 성장이나 분리막의 열화와 같은 문제가 유발될 수 있다. 본 연구에서는 1번과 6번 직렬단이 충전 CC 구간에서 상한 전압을 배터리의 상한 전압 인 4.2V를 초과하는 4.5~5.0V까지 늘려가면서 충전 전류를 제어하여 상대적으로 높은 스트레스를 부여하였다. 이를 통해 상한 전압 인근에서 $\frac{dQ}{dV}$ 피크가 평탄해지거나 위치가 이동하는 현상, 그리고 장기적으로 내부 저항이 증가하는 양상을 관찰할 수 있었다. 과방전은 반대로 셀의 정격 하한 전압 아래로 전압이 내려가는 상태를 의미하며, 이 경우 구리 집전체에서 금속 용출이 발생하거나 전해질이 분해되는 등 비가역적인 손상이 생길 수 있다. 본 실험에서는 1번과 6번 직렬단을 방전 CC 구간에서 하한 전압을 2.0~1.5V까지 떨어트리면서 방전하여 스트레스를 주었다. 그 결과, 하한 전압 부근에서 $\frac{dQ}{dV}$ 피크가 소실되거나 분리되는 현상, 회복 충전 시 전압 상승이 지연되는 분극 증가 현상을 확인할 수 있었다.

2.2 ICA 정상/비정상 셀 정의 및 데이터셋 구성

비지도 학습 기반 AE 모델의 학습을 위해, 본 연구에서는 정상 직렬단 데이터만을 이용하여 모델을 학습시키고, 이후 비정상 데이터가 입력되었을 때 복원 오차가 크게 증가하는 특성을 이용해 이상 여부를 판단하였다. 정상 데이터셋은 2번부터 5번 직렬단에서 얻은 ICA 곡선으로 총 800개의 곡선을 확보하였으며, 비정상 데이터는 총 400개의 곡선을 확보하였다. 검증 데이터셋은 1번과 6번 직렬단의 과충전 또는 과방전 조건에서 얻은 ICA 곡선과 정상 직렬단에서 일부 추출한 ICA 곡선을 혼합하여 구성하였다. 총 학습에 사용된 ICA Curve는 과충전 모듈, 과방전 모듈의 각각 2~5번 부터의 직렬단의 데이터를 사용하여 총 640Cycle을 사용하였다. 셀별 추출한 충방전 구간의 ICA Curve를 그림 3에 나타내었다. 이상 탐지 평가는 네 가지 경우로 나누어 진행하였다. 첫째는 과충전 모듈의 충전 구간, 둘째는 과충전 모듈의 방전 구간, 셋째는 과방전 모듈의 충전 구간, 마지막으로 과방전 모듈의 방전 구간이다. 이렇게 나눈 이유는 충전과 방전 구간에서 ICA 패턴이 다르게 나타날 수 있기 때문이다.

그림 3. 셀 별 ICA Curve (a) 충전 구간 (b) 방전구간

Fig. 3. ICA Curve by cell (a) Charging section (b) Discharging section

2.3 ICA 곡선 추출 방법

ICA 곡선은 각 사이클의 전류 신호를 분석하여 충전 구간과 방전 구간을 구분한 뒤, Rest 구간을 제외하고 남은 구간에서 전류를 적분하여 누적 용량 $Q(t)$를 계산하고, 이를 전압 $V(t)$와 매칭하여 얻는다. 충전 구간은 전류가 양수인 연속 구간, 방전 구간은 전류가 음수인 연속 구간으로 정의하였다. 필요한 경우 공통 전압 격자에 맞춰 보간하여 각 사이클의 데이터가 동일한 샘플 구조를 갖도록 하였다. $\frac{dQ}{dV}$ 계산은 Savitzky–Golay 필터를 이용한 수치 미분 방식으로 수행하였다. 이 필터는 데이터의 국소 구간에서 다항 회귀를 적용하여 스무딩과 미분을 동시에 수행하므로, 단순 차분보다 잡음에 덜 민감하다. 정규화 과정에서는 직렬단 간 크기 차이를 줄이기 위해 $z-score$나 $min-max$ 방법을 적용하였으며, 피크 정렬이 필요한 경우 첫 번째 피크를 기준으로 위치를 맞추었다. 이렇게 정제된 데이터는 세 가지 방식으로 변환하였다. 첫째, 공통 전압 격자에 맞춘 $\frac{dQ}{dV}$ 값을 벡터 형태로 사용하는 방법이다. 둘째, $\frac{dQ}{dV}-V$ 곡선을 256×256 크기의 흑백 이미지로 렌더링하여 시각적 패턴을 보존하는 방법이다. 이때 축의 비율, 선 두께, 안티앨리어싱 처리를 표준화하여 이미지의 일관성을 유지하였다.

3.1 오토인코더(Autoencoder) 기반 이상 탐지 개요

본 연구에서 이상 탐지는 정상 운용 데이터만으로 학습된 AE가 보이는 복원 편향을 활용하는 방식으로 구현하였다^[14]. AE는 입력을 저차원의 잠재 공간으로 압축한 뒤, 동일한 차원의 출력으로 재구성하도록 학습된다. 정상 패턴으로만 학습된 모델은 정상 입력에 대해서는 손실을 최소화하는 방향으로 파라미터가 최적화되지만, 훈련 분포에서 벗어난 비정상 입력이 들어오면 잠재 표현이 정상 분포와 일치하지 못해 재구성 오차가 유의미하게 증가한다. 우리는 이 재구성 오차를 이상 점수로 사용하고, 통계적 임계값을 적용하여 이상 여부를 최종 판정하였다. 데이터는 오직 정상 직렬단(2~5번)으로 학습하며, 평가 시에는 비정상이 포함된 1번과 6번 직렬단을 주입하여 오차 증가를 관찰하였다. 모든 절차는 과충전 모듈과 과방전 모듈 각각에 대해, 충전 구간과 방전 구간을 구분한 네 가지 경우에 동일하게 적용하였다.

3.2 모델 아키텍처와 학습 파이프라인

모델은 입력 형식에 따라 1차원 벡터용 AE와 2차원 이미지용 Convolutional AE 두 가지로 설계하였다. 두 모델 모두 인코더(Encoder)와 디코더(Decoder)로 구성되며, Encoder는 점진적으로 공간 해상도를 줄이며 채널(또는 뉴런 수)을 증가시켜 잠재 표현 z를 얻는다. Decoder는 이를 반대로 확장하여 원 입력과 동일한 형상으로 복원한다. 손실 함수는 평균제곱오차(MSE)로 정의하였고, 최적화는 Adam(학습률 1e−3, β1=0.9, β2=0.999)을 사용하였다. Batch size는 16, Epochs는 30을 기본으로 하였다.

그림 4. Autoencoder 학습 flow chart

Fig. 4. Autoencoder learning flow chart

3.3 입력 포맷별 전처리 및 구성

3.3.4 Recurrence plot (RP) 입력

Recurrence plot(RP)은 시계열 데이터의 두 시점 $i, j$에서 상태 유사도를 행렬 형태로 시각화하는 기법이다. 일반적으로 시계열 $x$는 먼저 정규화 과정을 거쳐 스케일 차이를 제거하는데, 본 연구에서는 $\frac{dQ}{dV}$ 시퀀스를 평균과 표준편차로 정규화하여 새로운 변수 $z_k$를 식(1)을 기반으로 생성하였다. 정규화된 시계열의 각 시점 쌍에 대해서는 유클리드 거리를 계산하였으며, 이는 두 시점 간 상태 차이를 수치적으로 식(2),(3)을 기반으로 나타낸다. 이렇게 계산된 거리 행렬을 기반으로 임계값 $\epsilon$을 적용하면, 두 시점이 유사한 상태인지 여부를 이진적으로 판별할 수 있으며, 이를 통해 RP 행렬이 식 (2), 식 (6)으로 정의된다. 또한 RP의 전역적 특성을 파악하기 위해, 전체 행렬에서 재귀가 발생하는 비율을 나타내는 Recurrence rate(RR)을 식(4)와 같이 정의하였다. 이는 RP 내에서 반복 패턴이 차지하는 밀도를 정량적으로 나타내는 지표로 사용된다. 거리 행렬은 0~255 범위로 해상도를 역방향으로 복구하고, 마지막 계층에서 Sigmoid를 사용해 [0,1] 범위의 이미지를 재구성한다. 이미지 입력은 곡선의 윤곽, 피크의 폭, 미세한 기울기 변화를 공간 패턴으로 학습할 수 있어, 벡터 입력 대비 구조적 차이에 더 민감하게 반응하는 장점이 있다. 이미지 매핑과 구조적 감도. 위와 같이 얻은 거리 행렬은 0–255 범위로 정규화되어 픽셀로 매핑되며 식(5)에 따라 연속 톤 RP를 생성한다. 이때 이진 RP는 임계값 ε로 정의된다. 마지막으로, 임계값 $\epsilon$에 따라 RP를 이진화하면 반복 패턴의 존재 여부가 직관적으로 드러나게 되며, 이러한 방식으로 RP는 정상 셀과 비정상 셀 간 반복성 붕괴, 전이 구간의 왜곡 등을 효과적으로 시각화할 수 있다.과충전, 정상, 과방전 셀의 RP 이미지 변환 결과를 그림 5에 초기 1Cycle과 50Cycle, 100Cycle에 걸쳐 나타내었다. 정상 데이터 RP 이미지와 비정상 데이터의 차이를 확인 가능하다.

(1)

$ z_k = \frac{x_k - \mu_x}{\sigma_x}, k = 1, \cdots, N. $

(2)

$ R_{ij}(\epsilon) = \Theta(\epsilon - \|x_i - x_j\|), i, j = 1, \dots, N $

(3)

$ D_{ij} = \|y_i - y_j\|^2 = \sqrt{\sum_k (x_{ik} - x_{jk})^2} $

(4)

$ RR(\epsilon) = \frac{1}{N^2} \sum_{i,j} \Theta(\epsilon - D_{ij}) $

(5)

$ I_{ij} = \partial(\frac{D_{ij} - \min(D)}{\max(D) - \min(D)} \times 255) $

(6)

$ R_{ij} = \Theta(\epsilon - D_{ij}) = \begin{cases} 1, & D_{ij} \le \epsilon, \\ 0, & D_{ij} > \epsilon, \end{cases} $

그림 5. 과충전, 정상, 비정상 배터리 별 열화에 따른 RP 이미지 변화

Fig. 5. Changes in RP image due to overcharge, normal, and abnormal battery aging

3.3.5 RGB-based Multi-channel (GAF + MTF) 입력

본 연구에서 사용한 AE는 RGB 기반 GAF+MTF 이미지(256×256×3)를 입력으로 받아, Encoder와 Decoder를 거쳐 동일 크기의 이미지를 복원하는 구조를 가진다^[15]. 입력 데이터의 세 채널은 각각 Gramian angular field(GAF), Markov transition field(MTF), 그리고 (GAF+MTF)/2 또는 0으로 구성되며, 본 실험에서는 정상 셀(2~5번 직렬단)의 ICA 기반 이미지를 활용하였다. GAF 이미지 변환기법의 경우 시계열 데이터는 먼저 [−1,1] 구간으로 식 (7)을 기반으로 정규화한 뒤, 각 시점을 식 (8) 기반으로 극좌표로 변환하였다. 이렇게 변환된 각도 $\phi_i$와 반경 $r_i$를 이용하면, 시점 간 위상 결합 관계를 2차원 행렬로 표현할 수 있으며 이를 Gramain 행렬을 통해 GAF라 하며 식 (9)와 같이 나타낼 수 있다. GAF는 시계열의 전역적 위상 구조와 대칭성을 강조하여, 곡선의 패턴과 위상 왜곡을 효과적으로 시각화하며, 곡선의 형태 왜곡도 시각적으로 포착 가능하다. 한편, MTF의 경우 먼저 동일 시계열을 [0, 1] 로 정규화한 뒤, 값을 Q개 상태로 양자화한다. 본 연구에서의 $Q$값은 8이다. 등간격 또는 분위 기반 가능하며, 경계값 1.0은 작은 ε만큼 하향 보정을 진행한다. 인접 시점 간 상태 전이를 집계하여 행합이 1인 전이확률 행렬 T(마르코프 1차)를 추정하고, 모든 시점쌍 (i, j)에 대해 MTF_ij = T_{s_i, s_j}로 매핑하여 N×N 확률 필드를 얻는다. MTF는 일반적으로 비대칭이며, 시계열의 상태 전이 방향성과 분포를 시간–시간 평면에 펼쳐 보여준다. 즉, “낮은 상태→높은 상태” 전이가 빈번하면 해당 전이 확률 요소와 그에 대응하는 픽셀 집합이 밝아진다. 이는 시점 $i, j$에서 해당 샘플이 속한 구간 인덱스 $b(x_i), b(x_j)$에 대해 전이 확률을 매트릭스로 매핑한 것으로 식 (10)을 기반으로 나타냈고, 시계열의 상태 전이 방향성과 확률 분포를 이미지 형태로 표현한다. 최종적으로, GAF와 MTF는 RGB 채널에 각각 매핑되어 합성 입력으로 구성되었으며, 두 표현의 수치 범위가 다르므로 채널별 스케일을 고정하여 합성을 진행하였다. R 채널의 경우에는 GAF의 데이터를 [0,1] 사이의 값으로 리사이즈하여 진행하였고, G 채널은 MTF의 값을 사용하여 진행하였다. 마지막 B 채널은 GAF와 MTF의 값을 더한 후 2로 나누어 즉, (GAF+MTF)/2로 진행하였다. 이 과정을 통해 추출한 RGB GAF-MTF 이미지를 그림 6에 정상 데이터와 비정상 데이터를 열화된 정도에 따라 나타내었다. 두 표현의 상보적 정보를 융합하여 전역 구조 + 국소 전이를 동시에 반영이 가능한 입력을 만들어 낼 수 있고, AE는 이를 통해 전압–용량 곡선의 전역적 구조와 국소적 패턴을 동시에 학습할 수 있다. Encoder는 3×3 합성곱 계층과 ReLU 활성화를 반복적으로 적용하여 특징을 추출하고 점차 공간 해상도를 축소하였고, Decoder는 2D-ConvTranspose 계층을 사용해 원래 해상도로 복원하였다. 학습 과정에서는 평균제곱오차(Mean squared error; MSE)를 손실 함수로 사용하고, 최적화 알고리즘은 Adam을 채택하였다. 배치 크기는 16, 학습 epoch 수는 30으로 설정하였고, 모든 입력 이미지는 채널별 평균 0.5, 표준편차 0.5로 정규화하여 학습 안정성을 확보하였다. 최종적으로, 복원된 이미지와 입력 이미지 간의 MSE를 계산하여 이상 여부를 판정하였다.

그림 6. 과충전, 정상, 비정상 배터리 별 열화에 따른 RGB GAF-MTF 이미지 변화

Fig. 6. Changes in RGB GAF-MTF image due to overcharge, normal, and abnormal battery aging

(7)

$ x_i' = \frac{x_i - \min(x)}{\max(x) - \min(x)} \times 2 - 1 $

(8)

$ \phi_i = \arccos(x_i'), r_i = \frac{t_i}{N} $

(9)

$ GAF_{ij} = \cos(\phi_i + \phi_j) $

(10)

$ P_{i,j} = \Pr(x_{t+1} \in q_j | x_t \in q_i), MTF_{kl} = P_{b(x_k), b(x_l)} $

3.5 변환 사유와 채널 결합 전략

RGB(GAF+MTF) 이미지로 변환한 목적은, 벡터 입력만으로는 포착하기 어려운 공간적 패턴과 국소 변화, 전역 구조를 2차원 형태로 노출시켜 CNN이 직접 학습하도록 함으로써 재구성 오차의 분리도와 안정성을 높이기 위함이다. 두 변환 모두 피크의 위치·폭, 구간별 경사 변화, 반복성 붕괴 같은 형태 정보가 이미지 패턴으로 보존되어 학습이 쉬워지고, 개별 이상치가 인접 픽셀로 확산되어 노이즈에 더 강하며, 동일 길이의 벡터 대비 풍부한 국소 특징을 제공해 적은 학습 샘플에서도 수렴이 빠르다. RP는 반복성·정체·급격한 전이를 대각선·블록 패턴으로 직관적으로 드러내므로 과충전 상단, 과방전 하단에서의 구조 붕괴 감지에 특히 유리하고, 전처리가 단순해 가볍고 빠른 모델을 운영하기에 적합하다. 반면 RGB GAF+MTF는 GAF가 전역 위상 결합과 대칭성 정보를, MTF가 상태 전이의 방향성과 밀도를 담아 상보적인 채널 정보를 제공하므로 미세 열화나 초기 이상에 더 민감하게 반응한다. 본 연구에서는 R=GAF, G=MTF, B=(GAF+MTF)/2로 매핑하고 채널별 스케일을 고정해 학습 안정성을 확보하였다. 실제 적용에서는 빠른 베이스라인이나 연산 제약 환경에는 RP가 적합하고, 초기 고장·미세 변동 탐지가 중요할수록 RGB GAF+MTF가 유리하다. 이미지 변환의 핵심 가치는 구조적 패턴을 CNN에 직접 제시해 재구성 오차의 분리도·안정성·설명가능성을 동시에 끌어올리는 데 있으며, RP는 단순성과 해석 용이성이, RGB GAF+MTF는 민감도와 정확도 향상이 각각 강점이다.

3.6 임계값 설정과 판정 로직

재구성 오차의 임계값은 정상 검증 세트에서 얻은 분포를 기반으로 설정하였다. 본 연구에서는 평균 $\mu$와 표준편차 $\sigma$를 이용하여 $\mu+3\sigma$를 기본 임계값으로 적용하였다^[10]. 이는 통계적으로 데이터가 정규분포를 따른다고 가정할 때, 약 99.7%의 표본이 $\mu\pm3\sigma$ 범위 내에 포함된다는 $3\sigma$ 원칙에 근거한 것으로, 정상 데이터의 대부분을 포함하면서 이상치를 효과적으로 분리할 수 있다는 장점이 있다. 다만, 데이터 분포가 비대칭적이거나 꼬리가 두꺼운 경우에는 평균과 표준편차 기반의 임계값이 적절하지 않을 수 있으므로, 이러한 상황에서는 99번째 분위를 임계값으로 사용하여 극단값의 영향을 완화하였다. 이상 판정은 각 사이클별 재구성 오차가 산출된 임계값을 초과하는 경우 이상으로 판정하는 방식으로 수행하였다.

4.1 실험 시나리오 및 평가 지표

본 논문에서는 정상 데이터(2–5번 직렬단, 80사이클)를 학습으로, 비정상 데이터(1·6번 직렬단)와 잔여 정상(20사이클)을 검증으로 사용하였고, 평가는 Precision·Recall·F1 중 F1을 핵심 지표로 삼아 이상 탐지 성능을 비교·분석하였다. 먼저 식 (11)은 비정상으로 예측한 것 중 실제 비정상 비율을 뜻하며, 과도한 오탐(False Positive)을 억제하는 능력을 나타낸다. 식 (12)는 실제 비정상 중에서 놓치지 않고 검출한 비율로, 누락(False Negative) 최소화 성능을 반영한다. 두 지표는 상충(trade-off) 관계이므로, 식 (13)을 통해 두 성능의 조화를 단일 수치로 표현하였다. 그림 6에 각 Case 별 F1-score를 Confusion matrix 형태로 나타나었고, 표 1에 각 Case 별 F1-score를 정리하였다. 먼저 과충전 모듈-충전 구간(Case 1)의 결과에서 Vector 입력은 F1-score 0.637, ICA 이미지는 0.514로 상대적으로 낮았던 반면, RP는 0.806, RGB GAF‑MTF는 0.890으로 가장 높은 값을 기록하였다. 이는 충전 과정에서 나타나는 반복 패턴의 붕괴와 위상 구조의 왜곡을 RP 및 RGB GAF‑MTF 변환이 효과적으로 포착한다는 점을 시사한다. 다음으로 과충전 모듈-방전 구간에서는 Vector 0.750, ICA 0.420에 비해 RP 0.808, RGB GAF‑MTF 0.871로 확연히 높은 성능이 관찰되었는데, 특히 RGB GAF‑MTF 방식은 방전 시 전압 구간 간 전이 확률과 위상 결합 변화를 동시에 반영함으로써 가장 우수한 F1-score를 달성하였다.

그림 7. 구간 및 입력 데이터 별 이상탐지 Confusion matrix 결과 (a) 과충전 모듈 충전 구간 (b) 과충전 모듈 방전 구간 (c) 과방전 모듈 충전 구간 (d) 과방전 모듈 방전구간

Fig. 7. Abnormal detection by section and input data F1-score result (a) overcharge module charging section (b) overcharge module discharging section (c) overdischarge module charging section (d) overdischarge module discharging section

그림 8. 오토인코더 입력 데이터 및 셀 상태 별 MSE

Fig. 8. Autoencoder input data and MSE by cell status

과방전 모듈-충전 구간의 경우에도 유사한 경향이 확인되었다. Vector와 ICA 이미지는 각각 0.737과 0.521로 낮은 성능을 보였으나, RP는 0.759로 개선되었고, RGB GAF‑MTF는 0.826으로 최고 성능을 나타냈다. 이는 다채널 인코딩 구조가 충전 구간에서의 국소 패턴과 전역 구조를 동시에 학습하는 데 유리함을 보여준다. 마지막으로 과방전 모듈-방전 구간에서는 ICA image가 0.560으로 가장 낮았고, Vector가 0.568으로 ICA image 대비 다소 우세하였다. 그러나 RP는 0.737로 안정적인 성능을 유지하였고, RGB GAF‑MTF가 0.778로 최종적으로 가장 높은 F1-score를 기록하였다. 즉, 방전 구간에서도 ICA 이미지가 벡터보다 우수할 수 있으나, 전반적인 신뢰도와 일관성은 RP와 RGB GAF‑MTF 계열이 상회함을 확인하였다. 그림 8은 각 입력 데이터별 정상 셀, 과충전 셀, 비정상 셀의 AE 학습 시 재구성 오차를 MSE를 나타낸 그림이다. 이미지 변환을 통한 입력 데이터가 Vector나 ICA image보다 정상 셀과 비정상 셀 간 재구성 오차의 차이가 큰 것을 확인 할 수 있다. 이런 차이로 인해 정상과 비정상 셀을 AE가 탐지해 내는데 더 좋은 성능을 가졌다.