물리 기반 신경망(PINN)과 엣지 컴퓨팅으로 만든 적응형 배터리 관리 시스템: ESP32 온디바이스 실측

핵심 메시지

• 여러 셀로 된 배터리 팩은 시간이 지나며 셀마다 노화가 달라지는데, 기존 BMS는 모든 셀을 새것처럼 똑같이 다뤄 약한 셀을 과충전한다.
• 안전 이벤트는 100밀리초 이내 반응이 필요해 클라우드로는 늦으므로, 처리를 기기 내부(엣지)에서 끝내야 한다.
• 물리 기반 신경망(PINN)은 데이터 오차뿐 아니라 물리 법칙을 손실 함수로 강제해 신뢰할 수 있는 예측을 만든다.
• 약 38KB SRAM만 쓰는 이 모델은 ESP32 전체 메모리의 7.3%에 불과해 확장 여지가 크다.
• 실측에서 상태·불균형·셀 반전 같은 위험을 실시간으로 감지해 기존 BMS가 놓치는 경고를 스스로 생성했다.

쉽게 이해하기

발표자는 미시간대학 학생 프로젝트로, ESP32 마이크로컨트롤러 위에서 동작하는 물리 기반 신경망(PINN) 기반의 적응형 배터리 관리 시스템을 소개한다. 문제의식은 단순하다. 여러 셀로 이뤄진 배터리 팩은 몇 달만 쓰면 셀마다 건강 상태가 크게 벌어져, 어떤 셀은 45%까지 떨어지고 어떤 셀은 90%를 유지한다. 그런데 전통적인 배터리 관리 시스템(BMS)은 모든 셀이 새것이고 동일하다고 가정한 채 같은 충전 규칙을 적용한다.

그 결과 약한 셀은 먼저 차서 과충전되고, 강한 셀은 약한 셀을 보호하느라 완전히 충전되지 못한다. 게다가 기존 BMS는 문제를 예측하지 못하고 위험이 이미 벌어진 뒤에야 반응한다. 결국 배터리 수명이 줄고 에너지가 낭비되며 안전 위험이 생긴다. 가장 약한 셀이 팩 전체를 제약하는데도 전통 BMS에는 이를 다룰 지능이 없다는 것이 핵심 문제다.

왜 엣지 컴퓨팅인가에 대한 답은 네 가지다. 배터리 안전 이벤트는 100밀리초 이내 반응이 필요한데 클라우드 지연은 100~500밀리초로 너무 느리고, 데이터가 기기 밖으로 나가지 않아 프라이버시가 보장되며, 지속적인 데이터 전송이 필요 없어 대역폭을 아끼고, 인터넷 없이도 완전히 동작해 차량·오지 시스템에 필수적인 신뢰성을 준다. 그래서 520KB RAM·4MB 플래시에 약 5달러인 ESP32를 택했다.

핵심은 PINN이다. 데이터만으로 학습하는 일반 신경망은 노후 배터리처럼 제한적이고 노이즈가 많은 데이터에서 물리적으로 불가능한 예측을 내놓을 수 있다. PINN은 학습에 물리 제약을 더한다. 이 시스템은 세 가지 제약, 즉 전하가 전류에 맞게 변해야 한다는 충전 상태 동역학, 단자 전압이 전압-전류 관계를 따라야 한다는 등가 회로 모델, 값이 항상 0과 1 사이여야 한다는 충전 상태 경계를 강제한다. 총 손실은 데이터 오차와 물리 오차를 합쳐, 안전이 중요한 응용에서 예측을 신뢰할 수 있게 만든다.

실측 결과 시스템은 충전 상태 43.1%, 건강 상태 약 56%(원 용량의 44%가량 영구 손실)를 추정했고, 건강한 팩이라면 20~50mV여야 할 셀 불균형을 훨씬 큰 값으로 감지했다. 평균 추론 지연은 약 50밀리초, 메모리 사용은 SRAM 38KB·플래시 320KB, CPU 사용률은 약 22%였다. 저전압으로 인한 셀 반전, 심각한 불균형, 60% 미만의 건강 상태 같은 위험을 실시간으로 잡아내 각각 방전 중단·밸런싱·충전 제한 같은 대응을 제시했는데, 이는 기존 BMS가 만들어내지 못하는 통찰이다.

주요 인사이트

• 전통 BMS가 '반응형'이라면 이 시스템은 물리 제약을 학습에 넣어 문제를 미리 예측하는 '예측·적응형'이라는 점이 대비의 핵심이다.
• 온라인 학습이 실제로 작동한다는 증거로, 예측 전압 강하가 40회 관측을 거치며 실제 배터리 거동에 수렴하는 모습을 오프라인 학습 없이 기기 위에서 보여준다.
• 물리 제약(손실 함수)을 더하는 것이 노이즈 많은 노후 배터리 데이터에서 '그럴듯하지만 불가능한' 예측을 걸러내는 역할을 한다.
• 38KB SRAM만 쓰는 경량성 덕분에 5달러짜리 마이크로컨트롤러에서도 여유 있게 돌아가며, 더 큰 규모로의 확장 여지를 남긴다.
• 발표자는 현재 2셀 프로토타입이라는 한계를 인정하며, 20셀 이상 확장·ECU 통합·증류와 8비트 양자화를 통한 모델 압축·진단을 사람이 읽을 수 있게 해줄 소형 언어모델(SLM) 연동을 향후 과제로 제시한다.

자주 묻는 질문

관련 AI 소식