연구성과

MCU 환경 구동 가능 TinyML 고정밀 인공지능 모델 활용 배터리 관리 기술 개발

경북대 스마트모빌리티공학과 오지민 교수와 충남대 전기공학과 김종훈 교수는 리튬이온전지의 충전상태 (State-of-Charge, SOC)를 실시간으로 고정밀 예측할 수 있는 초소형 인공지능 기반 배터리 관리 기술을 개발했다. 본 연구는 합성곱신경망(CNN)과 장단기기억 신경망(LSTM)을 결합한 CNN-LSTM 모델을 활용하여 전압, 전류, 온도 등 시계열 데이터를 정밀하게 분석하는 데 초점을 두었다. 특히 해당 모델을 고성능 서버가 아닌 저가형 마이크로컨트롤러 유닛(MCU)인 ESP32에 구현함으로써 실제 배터리관리시스템(BMS) 적용 가능성을 크게 높였다.

기존의 SOC 추정 방식은 개방회로전압(OCV), 쿨롱 카운팅, 임피던스 기반 방법 등이 주로 활용되었으나, 동적 주행 환경에서는 누적 오차, 긴 안정화 시간, 복잡한 측정 장비 요구 등의 한계가 있었다. 연구팀은 CNN의 국부적 특징 추출 능력과 LSTM의 장기 시계열 의존성 학습 능력을 결합하여 급격한 충·방전 조건에서도 안정적인 SOC 예측이 가능하도록 했다. 그 결과, 제안한 CNN-LSTM 모델은 기존 GRU, LSTM, CNN-GRU 모델보다 우수한 예측 정확도와 안정성을 보였다.

본 연구의 핵심 성과는 TinyML 기술을 활용해 고정밀 인공지능 모델을 제한된 메모리와 연산 성능을 가진 MCU 환경에 성공적으로 탑재했다는 점이다. 연구팀은 TensorFlow Lite 기반 양자화 기법과 맞춤형 TensorFlow Lite Micro 커널을 적용하여 LSTM 연산의 메모리 관리 문제를 해결했다. 이를 통해 고성능 장치에서는 약 1.91% 수준의 RMSE, 양자화된 MCU 환경에서는 약 2.05% 수준의 RMSE를 달성하여, 정확도 손실을 최소화하면서도 실시간 동작이 가능한 경량 배터리 진단 기술을 구현했다.

교신저자인 오지민 교수는 “본 개발 기술은 전기차, 전동 모빌리티, 휴대용 전자기기, 에너지저장장치 등 다양한 배터리 응용 분야에서 저비용·저전력·실시간 BMS 구현에 기여할 수 있다. 특히 ESP32의 듀얼코어 구조를 활용하여 데이터 취득과 인공지능 추론을 병렬적으로 수행함으로써 실제 운용 환경에서 요구되는 응답성과 연산 효율성을 동시에 확보했다. 향후 본 기술은 배터리 상태진단, 수명예측, 이상징후 조기탐지 기능과 결합되어 차세대 지능형 배터리관리시스템의 핵심 기반 기술로 확장될 것으로 기대된다”고 밝혔다.

이번 연구는 제1저자는 충남대 Dania Batool, 교신저자는 충남대 김종훈 교수, 경북대 오지민 교수다. 연구 결과는 에너지, 연료 분야 분야 최고 수준의 국제 학술지인 Journal of Energy Storage (인용지수=9.8, JCR 상위 14%, Q1) 4월 24일자에 온라인 출판되었다. 논문 제목은 Real-time, high-accuracy and computational efficiency state-of-charge estimation based on hybrid convolutional neural network and long short-term memory network model on microcontroller unit with Tiny machine learning 이다.

*Title of original paper: Real-time, high-accuracy and computational efficiency state-of-charge estimation based on hybrid convolutional neural network and long short-term memory network model on microcontroller unit with Tiny machine learning

*Abstract
This study introduces a novel approach for accurately estimating the state-of-charge (SOC) in lithium-ion batteries (LIBs) using a hybrid convolutional neural network (CNN) and long short-term memory (LSTM) (CNN-LSTM) model implemented on microcontroller units (MCUs) with Tiny machine learning (TinyML) principles. Through leveraging the spatial feature extraction capabilities of CNN and the temporal dependency recognition of LSTM network, the proposed model outperforms existing SOC estimation methods in both accuracy and computational efficiency. Custom TensorFlow Lite Micro (TFLM) kernels were developed to enable LSTM inference on ESP32 MCU, addressing challenges such as memory cell and temporal state management constraints. The CNN-LSTM model architecture was trained and quantized using TensorFlow Lite (TFLite) to optimize deployment on the ESP32 MCU, ensuring minimal memory usage and power consumption without significant accuracy degradation. Experimental results demonstrate the model's superiority, with a root mean square error of 1.91% on resource-rich devices and 2.05% on quantized MCUs. Additionally, the study effectively leverages the ESP32's dual-core functionality, optimizing task allocation for real-time responsiveness and computational efficiency. A comprehensive comparison of various MCU platforms for SOC estimation highlights the cost and resource efficiency of the ESP32 for portable device applications. This research highlights the potential of integrating intelligent SOC estimation models into edge devices, paving the way for cost-effective and energy-efficient battery management system (BMS) in electric vehicles (EVs) and portable electronics.

*Journal: Journal of Energy Storage
*Web Link: https://www.sciencedirect.com/science/article/pii/S2405829726002710

<사진: 오지민 교수, 충남대 김종훈 교수, 초소형 인공지능 기반 듀얼 코어 연산>