화성공정 데이터 기반 리튬이온전지의 SOC별 내부저항 예측 = SOC-wise Internal Resistance Prediction for Lithium-Ion Batteries Using Formation Data

국문 초록 (Abstract)

본 연구에서는 리튬이온 배터리 제조 공정 중 화성공정에서 수집된 시계열 데이터를 기반으로, 에이징 이후 Hybrid Pulse Power Characterization(HPPC) 시험을 통해 측정되는 State of Charge(SOC)별 내부저항을 예측하는 다중출력 회귀 모델을 제안한다. 입력 데이터는 화성공정에서 측정된 전압, 전류, 충·방전 용량의 시계열이며, 출력은 SOC 5 %부터 100%까지의 내부저항값으로 구성된다. 제안된 XGBoost와 Random Forest 기반 회귀 모델은 별도의 펄스 진단 없이도 전 SOC 구간에서 1 mΩ이하의 낮은 평균 오차와 0.99이상의 높은 결정계수를 달성하였다. 특히 수명과의 상관성이 높은 SOC 5%지점의 내부저항에 대해서도 평균 상대오차 3%내외의 정밀도로 예측함으로써, 화성공정 단계의 충·방전 데이터만으로도 조기 수명 관련 정보를 확보할 수 있는 가능성을 실증하였다. 본 연구는 HPPC 시험을 가상화 할 수 있는 데이터 기반진단 접근법을 제시함으로써, 배터리 내부저항 특성을 비침습적으로 추정하고 수명 예측, 품질선별, 제조 공정 최적화 등 다양한 응용에 활용될 수 있는 기술적 가능성을 제공한다.

다국어 초록 (Multilingual Abstract)

This study proposes a multi-output regression model for predicting the internal resistance of lithium-ion batteries across various states of charge(SOC), based on time-series data collected during the formation stage of the manufacturing process. The target resistance values were measured after aging using the Hybrid Pulse Power Characterization(HPPC) test. The input data consist of time-series measurements of voltage, current, and charge/discharge capacity recorded during formation, while the outputs correspond to internal resistance values at 24 SOC points ranging from 5% to 100%. The proposed regression models, based on XGBoost and Random Forest, achieved low mean errors of less than 1 mΩ and high coefficients of determination(R2 ≈ 0.99) across the entire SOC range without the need for additional pulse diagnostics.
In particular, the model precisely predicted the internal resistance at 5% SOC—strongly correlated with battery lifespan—with a mean absolute percentage error of around 3%, demonstrating the feasibility of extracting early-life indicators using only charge/discharge data from the formation stage. By presenting a data-driven diagnostic approach that virtualizes the HPPC test, this work enables non-invasive estimation of internal resistance characteristics and offers practical applicability for battery lifespan prediction, quality screening, and process optimization.