박병철
(Byung-Chul Park)
†iD
Copyright © The Korean Institute of Electrical Engineers
Key Words
Electrochemical Impedance Spectroscopy, Variable Switching Discharge, AI-Based State Classification
1. 서 론
리튬 이온 배터리는 전기차(EV)와 신재생 에너지의 효율적 운용을 위한 에너지저장시스템(ESS)의 핵심부품으로 최근 세계적으로 배터리 수요가 확대되고
있다. 그러나 배터리의 열폭주로 인한 대형 화재 사고가 빈번하게 발생함에 따라, 시스템의 안전성과 신뢰성을 선제적으로 확보하기 위한 고도화된 상태
진단 및 예후 관리 기술의 중요성이 그 어느 때보다 강조되고 있다[1].
전기화학 임피던스 분광법(EIS, Electrochemical Impedance Spectroscopy)은 광범위한 주파수 대역에서 내부 임피던스
특성을 분석함으로써 배터리 건전성(SOH, State of Health) 및 내부 전기화학적 반응을 정량적으로 평가할 수 있는 가장 정밀하고 대표적인
진단 기법이다[2]. 그러나 기존의 상용 EIS 측정 장비는 고가이며 부피가 크고, 주로 실험실 환경에서 분리된 단품 셀의 특성을 정밀 시험하기 위해 설계되었다. 이에
따라 실제 운영 중인 현장 배터리 시스템에 상시 부착되어 실시간으로 임피던스 자료를 수집하고 진단에 활용하기에는 물리적·운용적 측면에서 상당한 제약이
따른다[3].
다수의 배터리 EIS 데이터를 AI 학습으로 분류하고 상태를 판단하는 연구 논문이 국내외에 논문지에 다수 소개되었고 신경망 알고리즘부터 앙상블 모델까지
다양한 학습 모델이 제시되어 EIS 분석 기반 배터리 SOH 평가가 국제적으로 연구되는 방법임을 확인할 수 있다[4-6].
선행 연구 논문의 EIS 데이터는 상용 측정 장비로 상태 정보를 알고 있는 배터리에 대해 반복 측정으로 데이터 취득하여 학습을 위한 입력데이터로 활용하였고
장비 특징상 검출용 신호를 인가하는 방식으로 데이터를 취득하였으며 한 배터리에 학습을 위한 데이터를 얻기 위하여 장시간의 시험이 필요했을 것으로 사료된다.
본 연구는 이러한 한계를 극복하기 위해 배터리 관리 시스템(BMS)과 통합되어 운영 중에도 온라인으로 EIS 데이터를 반복 취득할 수 있는 경제적
측정 방법론을 제안한다. 이를 실제 하드웨어 장치로 구현하여 데이터 수집의 안정성을 확보하였으며, 실험결과에서 기존 정밀 장비와의 비교분석으로 제안된
방식의 EIS 측정 타당성을 검증하였다.
나아가, 본 연구는 취득된 방대한 EIS 프로파일을 배터리 상태 분류 및 고장 진단에 효과적으로 활용할 수 있도록 인공지능(AI) 기반의 학습 모델을
제시하였다. 실제 측정된 EIS 데이터를 입력 변수로 사용하여 학습된 모델이 배터리의 현재 상태를 정밀하게 분류하고 평가할 수 있음을 입증하였으며,
이는 향후 실시간 EIS 기반의 지능형 배터리 진단 시스템 구축을 위한 기술적 근거를 제공하고자 한다.
2. 배터리 EIS 측정
2.1 배터리 EIS 선행 연구
배터리 내부 저항을 측정하는 직류(DC) 시험과 달리, EIS는 미세한 교류 신호를 가하여 저항성(R), 용량성(C), 유도성(L) 성분을 분리해
낼 수 있고 각 성분에 대한 특징을 연구하여 보다 많은 정보를 얻을 수 있다[4-6]. 고주파 대역(kHz)의 오믹 저항(전해질/접촉 저항)을 반영하고, 중주파 대역(수백 Hz) 성분으로 전극 계면의 전하 전달성을 확인할 수 있다.
마지막으로 저주파 대역(1 Hz 이하) 성분(워버그 임피던스)은 전극 내부의 물질 확산(Diffusion) 특성 알 수 있다[4-6].
그림 1. 배터리 등가회로 및 나이퀴스트 선도
Fig. 1. Battery Equivalent Circuit & Nyquist Plot
2.2 측정 전압 인가 방식
EIS 측정은 배터리에 미세한 정현파형(sinusoidal) AC 전류 또는 전압을 가한 뒤, 주파수에 따른 응답 반응을 측정한다. 고주파(kHz)에서
저주파(mHz) 대역까지 스캔하여 임피던스(저항+j리액턴스) 측정하고 이를 주파수 대역별로 나이퀴스트 선도(Nyquist plot)에 표시하여 모양(크기,
위상)으로 배터리 상태를 진단한다[7].
배터리 EIS 측정을 위한 전압 신호 인가는 PWM 인버터 방식이나 DAC(Digital to Analog Converter) → 선형 앰프 방식을
사용한다[8].
그림 2. EIS PWM 전압 소스 (a: PSFB, b: Buck/boost)
Fig. 2. EIS PWM voltage source (a: PSFB, b: Buck/boost)
EIS 측정 전압을 생성하여 배터리에 직접 인가하는 방식은 측정 전압의 주파수와 크기 제어가 용이하지만, 출력 범위와 소스 임피던스가 결정되면 측정
가능 배터리 정격이 결정되는 한계도 있다[8].
특히 배터리 내부 임피던스와 인가전압 소스 임피던스 간의 차이가 클 경우 EIS 측정을 위한 배터리 단자전압(Vtb)이 적어서 측정 감도(정밀도)를 얻기 어려울 수 있다[8].
그림 3. 측정 전원과 배터리 임피던스 간 분압
Fig. 3. Voltage division between the measurement power source and battery impedance
2.3 가변 스위칭 방전 방식 개념
배터리 EIS 측정을 위한 전압 신호 인가 대신 외부에 부하 변화를 유도하여 배터리 임피던스를 측정하는 방법이 가능한데, 배터리 내부 임피던스 측정에
적합한 외부 부하를 선택하면 되기 때문에 소스 임피던스를 설계하는 것에 비하여 쉽고 직관적이다. 이 방식은 배터리가 전원이므로 전압원 테브난 등가회로에
외부 저항을 투입하여 등가 임피던스(소스 임피던스)를 측정하는 원리이다.
그림 4. 부하 및 무부하에 대한 배터리 출력 변화
Fig. 4. Changes in battery output for load and no-load states
2.4 가변 스위칭 방전 방식 EIS 측정 구성
방전회로 EIS 측정 방식은 외부 방전저항(약 0.1 C 수준의 부하)을 주파수 1~1000 Hz 범위에서 주기적으로 개폐하여, 각 주파수에 따른
배터리 단자전압 변동(△V)과 전류 변동(△I)을 측정함으로써 내부 임피던스를 산출하는 원리로 동작한다. 이러한 구조는 별도의 전원 인가 회로 없이
방전 전류만을 이용하므로 시스템 구성이 간단하며, 배터리가 실제 사용 중일 때도 실시간 측정이 가능하다. 셀 단위뿐 아니라 모듈 및 팩 단위로 확장이
용이하다. 반면, 방전 기반의 측정 방식 특성상 배터리의 전기에너지를 사용하게 되어 상대적으로 전력 소모가 크다는 단점이 있다.
그림 5. 가변 스위칭 방전 방식 EIS 측정 구성
Fig. 5. Configuration for EIS measurement using variable switching discharge method
2.5 EIS 측정 PSpice 시뮬레이션
가변 스위칭 방전 방식의 EIS 측정 타당성을 검증하기 위해 PSpice 시뮬레이션을 수행하였다.
그림 6. 가변 스위칭 방전 방식 EIS 측정 PSpice 모의
Fig. 6. PSpice simulation model for EIS measurement with variable switching discharge
모의는 6.8 Ω 부하 저항(R18)을 스위치(S2)로 주파수 1~ 1,000 Hz 주기로 개폐하도록 설계하였다. 배터리 모델은 내부 직렬 저항(R19)과
분극 임피던스(C5, R27)로 구성하여 실제 전지의 동적 특성을 반영하였다.
방전 스위칭 시 배터리 단자의 전압 변동(△V)과 전류 변동(△I) 모의 결과 데이터(각 샘플링 값)를 CSV 형식으로 변환하고 이산 퓨리에 변환(discrete
Fourier transform, DFT)를 적용하여 주파수별 △V, △I의 복소 값을 얻고 주파수별 임피던스를 연산하여 EIS Nyquist 궤적을
축출하였다.
그림 7. 배터리 전압, 전류 변화에 대한 내부 임피던스 연산
Fig. 7. Internal impedance estimation using battery voltage and current variations
표 1. 방전 주파수 별 내부 임피던스 결과
Table 1. Internal impedance results according to discharge frequency
|
|
R(Ω)
|
X(Ω)
|
|
1 Hz
|
0.02001
|
0.00077
|
|
20 Hz
|
0.01839
|
-0.00318
|
|
40 Hz
|
0.01548
|
-0.00446
|
|
250 Hz
|
0.01120
|
-0.00280
|
|
1000 Hz
|
0.01001
|
-0.00044
|
그림 8. 주파수 임피던스 나이퀴스트 선도(시뮬레이션)
Fig. 8. Impedance Nyquist plot(Simulation)
측정 전압 인가 방식의 EIS 나이퀴스트와 리액턴스 부호가 반대인 것은 방전 방식 특징상 전류 방향이 반대임을 의미한다.
3. 배터리 EIS 측정
3.1 가변 스위칭 방전 방식 EIS 측정 하드웨어 개발
매우 낮은 임피던스를 계측하므로 아날로그 회로부와 디지털 회로부를 절연하여 측정 과정에서 디지털 노이즈가 아날로그 회로로 유입되는 것은 차단하였고
부하 개폐용 반도체 스위치(MOSFET)는 턴온 저항(Ron)이 1.2 mΩ 이하로 낮은 부품으로 설계하였다. 특히 아날로그 신호를 디지털로 변환하는
아날로그 디지털 변환기(Analog to Digital Converter, ADC)는 유효 분해능(Effective Number of Bits, ENOB)이
18bit 이상인 고성능 부품을 사용하였다. 시스템 제어와 연산, 판단을 위하여 32bit MCU(+DSP)를 적용하여 하드웨어를 제작하였다.
그림 9. 가변 스위칭 방전 방식 EIS 측정 하드웨어 시스템
Fig. 9. Hardware system for EIS measurement using variable switching discharge method
그림 10. EIS 측정 시제품 및 아날로그 회도로
Fig. 10. Prototype and analog circuit diagram for EIS measurement
시스템 동작 과정은 2.5절의 PSpice 시뮬레이션 신호처리 과정과 유사하도록 설계하였고 각 스위칭 주파수마다 △V, △I를 측정하고 주파수 분석하여
해당 주파수의 임피던스를 측정, 저장하며 최종적으로 계산된 각 주파수 성분별 EIS 데이터를 매니저 프로그램에서 통신으로 읽어 표시하도록 하였다.
그림 11. EIS 측정 시제품 기능 흐름도
Fig. 11. Functional Flowchart of the EIS Measurement Prototype
3.2 EIS 측정 하드웨어의 검증
제안된 시스템의 성능 검증을 위하여 실제 배터리팩과 EIS 실험용 하드웨어, 운용 프로그램(매니저)을 아래와 같이 구성하고 실험을 진행하였다. 실험에
사용한 리튬 배터리는 17.5 Ah, 3.65 V 각형 4 직렬 팩(14.6 V) 이다.
그림 12. EIS 측정 시제품 성능 검증 시스템 구성도
Fig. 12. Experimental Setup for Performance Validation of the EIS Measurement Prototype
가변 스위칭 방전 전류는 0.07 C rate(약 1.2 A) 정도가 되도록 6.8Ω 방전저항을 연결하였다.
그림 13. 대상 배터리 EIS 측정 결과
Fig. 13. EIS measurement results of the target battery
가변 스위칭 주파수(1, 2, 4, 8, 16, 31, 62, 125, 250, 500, 1 kHz)에 대해서 각각의 임피던스를 측정하여 나이퀴스트도를
출력하면 PSpice와 유사한 결과를 얻을 수 있음을 확인하였다. 실험 리튬 배터리는 1.2 A 방전전류(△I)에 42mV 전압 변동(△V)이 발생하였는데
내부 임피던스 크기는 대략 870 uΩ 수준으로 파악이 되며 이를 배터리 직류(DC) 시험으로 측정하면 유사한 수준임을 확인하였다.
그림 14. 주파수 별 △V, △I 샘플링 데이터
Fig. 14. Sampling data of △V and △I according to frequency
가변 스위칭 주파수가 올라가면 임피던스 내의 리액턴스 변화로 △V, △I의 시정수가 변하는 것을 확인할 수 있다.
3.3 EV 사용 후 배터리의 EIS 측정
매년 발생하는 EV 사용 후 배터리의 EIS 측정으로 건전도(SoH, State of Health) 평가에 제안 개발 시스템의 활용 가능성을 판단하기
위해 사용 후 배터리에 적용하여 EIS를 측정하였다. 적용 대상은 현대차 아이오닉 배터리팩으로 21.8 V, 111.2 Ah이며 사용하지 않은 새
배터리와 사용된 배터리(21만 km 운행)를 사용하여 비교 실험을 진행하였다.
그림 15. 실험 배터리팩(아이오닉 21.8 V, 111.2 Ah)
Fig. 15. Test battery pack (IONIQ 21.8 V, 111.2 Ah)
SoC 100%일 때 새 배터리와 사용된 배터리(21만 km 운행)의 EIS 측정값은 작은 차이가 있지만 유의미한 변화로 보기 어렵다.
그림 16. 새 배터리와 사용된 배터리(21만 km 운행)의 EIS (SoC: 100 %)
Fig. 16. EIS of new and used battery(210,000 km) (SoC: 100 %)
충방전기로 각 SoC를 20, 40, 60, 80, 100% 수준으로 조정하고 동일한 측정을 진행하면 차이가 발생하는 것을 확인할 수 있다. 결과적으로
본 연구 목적인 사용 후 배터리의 분류 정확도를 증진하기 위해서는 EIS를 SoC별로 측정하여 평가하는 것이 타당함을 확인할 수 있다.
그림 17. 새 배터리와 사용된 배터리(21만 km 운행)의 SoC
Fig. 17. SoC of new and used battery(210,000 km) 100 %
4. 배터리 EIS/SoC AI학습 기반 배터리 진단
연구 목적은 배터리 진단(분류)을 가변 스위칭 방전 방식 EIS 측정으로 가능한지 확인하는 것인데 새 배터리과 사용 후 배터리의 SoC별 EIS 데이터로
분류 가능성을 확인하였고 이를 AI학습으로 진단할(분류) 수 있음을 연구하였다.
4.1 측정 EIS/SoC 데이터 전처리
가변 스위칭 방전 방식 EIS 측정시스템의 자동 반복 시험 기능으로 SoC(20~100%)별 EIS 데이터를 각 500개, 총 2,500개를 생성한다.
SoC 조정은 별도 충방전기와 BMS로 진행하였다. 한 배터리마다 생성된 2,500개 데이터 중 70%는 학습용으로, 30%는 결과 평가용으로 구분하였다.
학습과 평가 전에 생성된 EIS 데이터를 CSV 파일로 변환하고 이를 수월한 모델 학습을 위해서 데이터를 표준정규분포로 정규화하였다. AI 학습에
직접 연관된 변수는 모두 도움이 되므로 EIS 외에 EIS 계산 과정의 측정 데이터도 입력데이터로 활용하였다.
표 2. AI학습용 입력 필드 데이터
Table 2. Input field data for AI training
|
입력
|
SoC[%]
|
VDC[V]
|
ΔV[V]
|
ΔI[A]
|
온도[℃]
|
EIS (1~1 kHz), R+jX [Ω]
|
|
설명
|
충전률
|
배터리
전압
|
측정
전압
변화율
|
측정
전류
변화율
|
주변
온도
|
1/2/4/8/16/31/62/125/250/50
0/1000 Hz EIS
|
그림 18. AI 모델 학습을 위한 정규화 전처리
Fig. 18. Data normalization preprocessing for AI model training
정규화된 입력 (SoC, △V, △I, 1 Hz ~ 1 kHz EIS)를 AI 모델 학습을 전에 ‘0’은 신배터리, 210,000은 21만 km를
운행한 배터리로 회귀 모델을 설정하였다.
그림 19. AI 모델 학습을 위한 출력 목표 설정 전처리
Fig. 19. Output target definition as a preprocessing step for AI model training
4.2 AI 학습 모델 (XGBoost)
XGBoost 모델은 여러 개의 약한 결정 트리를 결합해 강건한 모델을 만드는 앙상블 학습 알고리즘이다. 이전 트리의 오차를 순차적으로 보정하여 예측
성능을 극대화하는 것이 특징인데 병렬 처리를 통한 속도, 과적합을 방지하는 규제(Regularization) 기능, 그리고 결측치 자동 처리 능력이
주요 장점이다[9].
그림 20. XGBoost 학습 모델 구조
Fig. 20. XGBoost Training Model Structure
개발 환경은 Python(V3.14), 데이터 전처리 도구(패키지)는 pandas (V3.0)과 Numpy(V2.1)을 사용했으며, 인공지능 모델
패키지는 XGBoost(V3.2.0)을 사용하였다.
4.3 AI 모델 학습 성능평가
전체 데이터셋의 70 % 데이터를 사용하여 학습하였고 학습 데이터셋에 포함하지 않은 30 %의 데이터를 사용하여 학습 정확도를 평가하였다. 학습하지
않은 데이터셋을 사용하여 평가한 결과 평균 절대 오차(Mean Absolute Error, MAE)는 3.1로 산출되었다. 이는 평가용 21만km
운행 배터리 EIS 데이터를 학습 모델에 입력하면 평균 210,000 km ± 3.1 km로 나타남을 의미한다. 그리고 신규 배터리(0km) 데이터를
입력하면 0 ± 3.1 km가 출력됨을 의미한다.
제안 인공지능 모델에 임의로 21만 km, 0 km 배터리 데이터를 입력할 때 각각의 주행거리(SOH)를 출력하므로 배터리 분류와 구분을 할 수 있음을
확인하였다.
그림 21. 제안 XGBoost 학습 모델 평가 결과
Fig. 21. Evaluation Results for the Proposed XGBoost Model
아래 그림은 제안 학습 모델(XGBoost)의 분류 영향도를 표시하고 있다. 표 2의 입력 데이터 중 특히 31 Hz, 4 Hz의 임피던스가 큰 영향을 주는 것으로 확인할 수 있다. 이는 중주파수 대역인데 참고 논문에서 전극 계면의
전하 전달성 변화로 연구되었다[4-6].
그림 22. XGBoost 학습 모델 분류 영향도
Fig. 22. Feature Importance in XGBoost Classification
5. 결 론
본 연구에서는 가변 스위칭 방전 방식의 EIS 계측 시스템을 PSpice 시뮬레이션 및 하드웨어 제작을 통해 실증하였다. 제작된 시제품으로 신규 배터리와
21만 km 주행 배터리를 비교 실험한 결과, SoC 100%에서는 EIS 차이가 미미했으나 SoC별 변화를 통해 유의미한 데이터 세트를 구축할 수
있었다. 이를 XGBoost 모델로 학습시킨 결과, 사용하지 않은 새 배터리와 사용된 배터리를 효과적으로 분류하여 AI 모델의 활용 가능성을 확인하였다.
향후 연구에서는 분류 정확도 향상을 위해 온도에 따른 SoC별 EIS 데이터를 얻어 AI 학습의 고도화가 필요하고, SoC 조정 충·방전율, 휴지시간
최적화 연구와 모델의 설명 가능성(XAI)에 관한 연구가 병행된다면 본 연구의 상용화가 가능할 것으로 예상된다.
Acknowledgements
본 연구는 2025년도 기후에너지환경부의 재원으로 한국에너지기술평가원(KETEP)의 지원을 받아 수행한 연구과제입니다. (No. RS-2022-KP002814)
References
C. W. Kim, S. H. Lee, "Real-time Internal Resistance Estimation for Safety Diagnosis
of Lithium-Ion Batteries," The Transactions of the Korean Institute of Electrical
Engineers, vol. 74, no. 12, pp. 2404-2412, 2025.
N. Meddings, "Application of electrochemical impedance spectroscopy to commercial
Li-ion cells:A review," Journal of Power Sources, vol. 480, pp. 228742, 2020.
M. S. Kim, S. J. Choi, J. M. Lee, "EIS-Based SoC Estimation: A Novel Measurement Method
for Optimizing Accuracy and Measurement Time," IEEE Access, vol. 11, pp. 12345-12357,
2023.
A. Author, "Lithium-ion Battery Health Prognosis via Electrochemical Impedance Spectroscopy
using CNN-BiLSTM Model," IEEE Transactions on Transportation Electrification (or IEEE
Access), vol. 10, no. 3, pp. 4500-4512, 2024.
Y. Li, M. Maleki, S. Banitaan, M. Chen, "State of Health Estimation of Lithium-ion
Batteries Using Convolutional Neural Network with Impedance Nyquist Plots," IEEE Transactions
on Transportation Electrification, vol. 1, pp. 523-530, 2023.
H. Andersen, K. Qian, T. Ebel, K. Paasch, "Deep Learning-Driven SOH Assessment of
Batteries from EIS Data Using Domain-Adversarial Transfer Learning," pp. 523-529,
2025.
S. Wang, "Health Diagnosis of Lithium-ion Batteries Based on Electrochemical Impedance
Spectroscopy: A Review," IEEE Access, vol. 11, pp. 24864-24874, 2023.
E. Sadeghi, M. H. Zand, M. Hamzeh, M. Saif, S. M. M. Alavi, "Controllable electrochemical
impedance spectroscopy: From circuit design to control and data analysis," IEEE Transactions
on Power Electronics, vol. 35, no. 9, pp. 9933-9942, 2020.
K. N. Chaithra, Neelappa, Supriya Ray, Kavya N, "Performance of XG Boost over other
ML models for Prediction of CVD," 2024.
저자소개
He received B.S., M.S., and Ph.D. degrees in electrical engineering from Konkuk University,
Seoul, Korea, in 1996, 1998, and 2013. From 1998 to 2003, he was a researcher at Procom
System. Between 2003 and 2012, he worked at the R&D Center of LS Electric. Since 2012,
he has been with the Korea Electronics Technology Institute (KETI). His research interests
include intelligent power systems and equipment, with a focus on core components and
measurement sensors for DC power systems.
E-mail: bcpark@keti.re.kr,Tel: 062-975-7021