전기차와 에너지저장장치(ESS)가 빠르게 보급되면서 배터리를 얼마나 오래 사용할 수 있는지 정확하게 판단하는 기술의 중요성이 커지고 있다.
스마트폰이나 노트북 배터리처럼 단순히 사용 시간이 줄어드는 정도라면 사용자가 직접 체감할 수 있지만, 전기차 배터리는 수백 개 또는 그 이상의 셀로 구성되기 때문에 내부 상태를 눈으로 확인하기 어렵다.
배터리의 현재 상태를 정확하게 파악하지 못하면 실제 사용 가능한 용량과 예상 수명 사이에 차이가 발생할 수 있다.
이 때문에 배터리 관리 시스템에서는 SOH(State of Health)라는 지표를 이용해 배터리가 새 제품과 비교해 어느 정도의 상태를 유지하고 있는지를 추정한다.
최근에는 전압과 전류, 온도 같은 기본적인 운전 데이터를 활용하는 방법뿐 아니라 EIS(Electrochemical Impedance Spectroscopy), 즉 전기화학 임피던스 분광법을 활용해 배터리 내부의 전기화학적 특성을 분석하는 방법도 연구되고 있다.
여기서 BDM(Battery Diagnosis Management 또는 Battery Diagnostic Management로 표현되는 배터리 진단 관련 시스템·알고리즘)은 이러한 다양한 데이터를 분석해 배터리의 상태를 판단하는 기술 영역으로 이해할 수 있다.
1. 배터리 SOH란 무엇인가?
SOH는 State of Health의 약자로 배터리의 현재 건강 상태를 나타내는 지표다.
배터리를 처음 사용했을 때의 상태를 100%에 가까운 기준으로 놓고, 시간이 지나면서 용량과 출력 성능 등이 얼마나 감소했는지를 나타내는 방식으로 이해할 수 있다.
예를 들어 새 배터리의 실질적인 가용 용량을 100이라고 했을 때 열화 이후 사용할 수 있는 용량이 85 수준으로 감소했다면 용량 기준 SOH를 약 85% 수준으로 표현할 수 있다.
하지만 실제 SOH는 단순히 용량 하나만으로 결정되는 개념은 아니다.
배터리의 내부저항, 출력 성능, 충전 수용 능력, 온도 특성 등 다양한 요소가 배터리 상태에 영향을 줄 수 있다.
따라서 정밀한 배터리 진단에서는 여러 데이터를 종합적으로 분석하는 것이 중요하다.
2. 배터리는 왜 시간이 지나면서 열화될까?
리튬이온 배터리는 반복적으로 충전과 방전을 수행하면서 내부 구조와 화학적 특성이 조금씩 변화한다.
대표적인 열화 요인으로는 SEI(Solid Electrolyte Interphase) 층의 변화, 활물질 손실, 리튬 재고 감소, 전극 구조 변화, 전해질 열화 등을 생각할 수 있다.
또한 높은 온도에서 장시간 사용하거나 매우 높은 충전 상태를 유지하는 조건, 높은 충전·방전 전류를 반복하는 조건 등도 배터리 열화에 영향을 줄 수 있다.
문제는 이러한 변화가 배터리 외부에서 바로 보이지 않는다는 것이다.
배터리의 전압이 정상 범위에 있다고 해서 내부의 모든 상태가 새 배터리와 동일하다고 볼 수는 없다.
그래서 내부 상태를 간접적으로 파악할 수 있는 진단 방법이 필요하다.
3. EIS는 무엇을 측정하는 기술일까?
EIS는 Electrochemical Impedance Spectroscopy, 우리말로 전기화학 임피던스 분광법이라고 한다.
쉽게 설명하면 배터리에 여러 주파수의 작은 교류 신호를 인가한 뒤 배터리가 보여주는 임피던스(Impedance)의 변화를 측정하는 방법이다.
일반적인 저항은 전류의 흐름을 방해하는 정도를 나타내지만, 교류 환경에서는 저항뿐만 아니라 커패시턴스와 같은 요소가 함께 작용한다.
이를 종합적으로 나타내는 개념이 임피던스다.
EIS에서는 주파수를 변화시키면서 배터리의 전압과 전류 응답을 측정한다.
이렇게 얻은 주파수별 응답을 분석하면 배터리 내부에서 발생하는 여러 전기화학적 현상을 간접적으로 파악할 수 있다.
4. 왜 EIS로 배터리 열화를 알 수 있을까?
배터리가 열화되면 내부의 전기화학적 특성도 변한다.
예를 들어 전극과 전해질 사이의 계면 특성이 변하거나 전하가 이동하는 과정의 특성이 달라질 수 있다.
이러한 변화는 임피던스 스펙트럼에도 영향을 준다.
따라서 새로운 배터리에서 측정한 임피던스와 일정 기간 사용한 배터리에서 측정한 임피던스를 비교하면 배터리 내부 특성이 어떻게 변화했는지를 확인할 수 있다.
여기서 중요한 것은 임피던스의 특정 값 하나만 보는 것이 아니라 주파수에 따른 전체적인 패턴을 분석하는 것이다.
EIS의 장점은 바로 이러한 주파수 영역별 정보를 얻을 수 있다는 데 있다.
5. EIS 데이터는 어떻게 표현할까?
EIS 분석에서 자주 사용되는 방법 가운데 하나가 Nyquist plot(나이퀴스트 플롯)이다.
가로축에는 임피던스의 실수 성분을, 세로축에는 허수 성분을 표시해 주파수 변화에 따른 배터리의 응답을 시각적으로 나타낸다.
배터리의 상태에 따라 그래프의 형태와 크기가 달라질 수 있기 때문에 이를 분석하면 내부저항이나 전하전달 특성 등의 변화를 추정하는 데 도움을 받을 수 있다.
또 다른 방법으로는 주파수에 따른 임피던스 크기와 위상 변화를 분석하는 방식도 있다.
즉 EIS는 단순히 “배터리의 저항이 몇 Ω이다”라고 알려주는 측정법이 아니라, 주파수에 따른 전기화학적 반응을 분석하는 방법이라고 이해하는 것이 좋다.
6. BDM 알고리즘은 EIS 데이터를 어떻게 활용할까?
EIS 장비를 이용해 데이터를 얻었다고 해서 곧바로 배터리의 SOH가 계산되는 것은 아니다.
측정된 데이터를 해석하는 과정이 필요하다.
BDM 알고리즘은 여러 방식으로 구성될 수 있지만 기본적인 흐름은 다음과 같이 생각할 수 있다.
데이터 측정 → 신호 전처리 → 특징 추출 → 열화 특성과 비교 → SOH 추정 → 잔여수명 분석
먼저 EIS를 통해 주파수별 임피던스 데이터를 확보한다.
이후 측정 과정에서 발생할 수 있는 노이즈나 이상값을 처리한다.
그다음 알고리즘이 SOH와 관련성이 높은 특징을 찾아낸다.
예를 들어 특정 주파수 영역의 임피던스 변화나 특정 그래프 구간의 특성 등을 사용할 수 있다.
이러한 특징을 실험 데이터 또는 기준 데이터와 비교해 현재 배터리의 상태를 추정하는 방식이다.
7. 머신러닝과 결합하면 어떻게 달라질까?
최근 배터리 진단 연구에서는 EIS 데이터와 머신러닝을 결합하는 접근도 활용되고 있다.
기존 방식에서는 배터리의 전기화학적 특성을 등가회로 모델로 표현하고 각각의 파라미터를 추정하는 방법을 사용할 수 있다.
반면 머신러닝 기반 접근에서는 많은 배터리 데이터를 학습시켜 임피던스 패턴과 SOH 사이의 관계를 찾아내도록 할 수 있다.
예를 들어 입력 데이터로 EIS 특성, 온도, 충전 상태, 충방전 이력 등을 제공하고 출력값으로 SOH를 예측하도록 모델을 구성할 수 있다.
이 방식의 장점은 사람이 모든 관계를 직접 수식으로 표현하지 않아도 복잡한 패턴을 학습할 수 있다는 점이다.
그러나 머신러닝 모델 역시 충분한 품질의 학습 데이터가 필요하다.
특정 배터리에서 학습한 모델이 다른 제조사나 다른 화학계열의 배터리에서도 동일한 정확도를 보인다고 단정할 수 없기 때문에 데이터의 다양성과 검증 과정이 중요하다.
8. EIS 방식의 가장 큰 과제는 측정 시간과 비용이다
EIS는 배터리 내부 특성을 자세하게 분석할 수 있다는 장점이 있지만 실제 전기차에 그대로 적용하기에는 해결해야 할 문제가 있다.
가장 큰 문제 중 하나는 측정 환경이다.
전기차 배터리는 주행 중 계속해서 상태가 변한다.
온도도 달라지고 충전 상태도 달라지며 전류 역시 계속 변화한다.
반면 정밀한 EIS 측정은 상대적으로 안정적인 조건에서 수행하는 것이 유리하다.
따라서 실제 차량에서는 실험실과 동일한 수준의 EIS 측정을 그대로 적용하기 어려울 수 있다.
또한 대형 배터리 팩에서는 수많은 셀의 상태를 개별적으로 진단해야 하기 때문에 측정 시스템과 계산량도 문제가 될 수 있다.
9. 실제 차량에서는 여러 데이터를 함께 사용하는 것이 중요하다
이 때문에 실제 배터리 진단 시스템에서는 EIS 데이터 하나에만 의존하기보다는 다양한 데이터를 결합하는 방향이 중요하다.
대표적으로 다음과 같은 데이터를 활용할 수 있다.
- 배터리 전압
- 배터리 전류
- 셀별 전압
- 배터리 온도
- 충전 상태(SOC)
- 충방전 이력
- 내부저항
- 임피던스 특성
이러한 정보를 종합하면 특정 측정값 하나만 사용하는 것보다 배터리 상태를 다양한 관점에서 분석할 수 있다.
특히 BMS와 BDM을 연계하면 차량이 실제로 운행되는 과정에서 얻은 데이터를 활용해 배터리 상태를 지속적으로 추적하는 방향으로 발전할 수 있다.
10. SOH와 RUL은 같은 개념이 아니다
배터리 진단에서 자주 혼동하는 개념이 RUL(잔여수명)이다.
SOH가 현재 배터리의 건강 상태를 나타내는 지표라면 RUL은 앞으로 얼마나 더 사용할 수 있을지를 추정하는 개념이다.
예를 들어 현재 SOH가 85%라는 사실을 알더라도 정확한 사용 조건과 열화 속도를 모르면 앞으로 몇 년 동안 사용할 수 있는지를 바로 계산할 수는 없다.
따라서 RUL을 예측하려면 현재 상태뿐만 아니라 과거의 열화 속도와 사용 패턴, 온도, 충방전 조건 등을 함께 고려해야 한다.
이 때문에 SOH 추정은 RUL 예측을 위한 중요한 기초 데이터라고 볼 수 있다.
11. 배터리 진단 기술이 중요한 이유
전기차 배터리는 차량 가격에서 상당한 비중을 차지하는 핵심 부품이다.
또한 배터리 상태는 주행거리와 충전 성능뿐 아니라 중고 전기차의 가치와 배터리 재사용 가능성에도 영향을 줄 수 있다.
정확한 진단 기술이 발전하면 사용자가 배터리 상태를 보다 객관적으로 파악하는 데 도움이 될 수 있다.
또한 배터리의 상태에 따라 적절한 관리 전략을 적용하고 이상 징후를 조기에 발견하는 데 활용할 가능성도 있다.
특히 전기차에서 배터리 수명이 끝난 이후에도 ESS 등 다른 용도로 재사용할 수 있는지 판단하려면 배터리의 현재 상태를 정확하게 평가하는 것이 중요하다.
12. 앞으로의 BDM 기술은 어떻게 발전할까?
앞으로의 배터리 진단은 하나의 센서나 하나의 알고리즘에만 의존하는 방향보다는 여러 데이터를 통합하는 방향으로 발전할 가능성이 있다.
EIS는 배터리 내부의 전기화학적 특성을 분석할 수 있는 유용한 방법이지만 차량 운행 환경에서는 측정 조건에 대한 제약이 있다.
따라서 EIS와 함께 전압, 전류, 온도, 충전 상태, 과거 운행 데이터 등을 결합하면 보다 현실적인 진단 시스템을 구축할 수 있다.
여기에 머신러닝이나 물리 기반 모델을 결합하면 배터리의 현재 상태뿐만 아니라 향후 열화 경향까지 분석하는 방향으로 확장할 수 있다.
다만 배터리마다 화학 조성, 제조 특성, 사용 환경이 다르기 때문에 어떤 알고리즘이 모든 배터리에서 동일한 정확도를 보인다고 단정하기는 어렵다.
실제 적용을 위해서는 다양한 환경에서의 검증과 데이터 품질 관리가 필수적이다.
결론: EIS는 배터리 내부 상태를 읽는 하나의 중요한 진단 도구
전기차 배터리의 수명을 정확하게 파악하기 위해서는 단순히 현재 배터리 용량만 확인하는 것보다 내부에서 일어나는 변화를 함께 살펴볼 필요가 있다.
EIS 전기화학 임피던스 분광법은 주파수에 따른 배터리의 전기화학적 응답을 측정해 내부 특성 변화를 분석할 수 있다는 점에서 중요한 배터리 진단 방법이다.
BDM 알고리즘은 이러한 EIS 데이터를 비롯해 전압, 전류, 온도, SOC 등의 정보를 분석해 배터리의 SOH를 추정하고 향후 열화 상태를 판단하는 데 활용될 수 있다.
핵심은 단순히 EIS 장비로 임피던스를 측정하는 것이 아니다.
정확한 측정 → 의미 있는 특징 추출 → 신뢰할 수 있는 알고리즘 → 다양한 환경에서의 검증이 모두 갖춰져야 실제 배터리 진단 기술로 활용할 수 있다.
전기차 시장이 확대되고 사용 후 배터리의 재사용과 재활용까지 중요해지는 만큼, 앞으로는 “배터리가 얼마나 남았는가”를 정확하게 측정하는 기술 역시 배터리 자체의 성능만큼 중요한 경쟁력이 될 가능성이 있다.