EntroLnn: 엔트로피 기반 액체 신경망을 이용한 배터리 용량 감소 추세의 실시간 개선

EntroLnn: Entropy-Guided Liquid Neural Networks for Operando Refinement of Battery Capacity Fade Trajectories

배터리 용량 감소 예측은 배터리 건강 분석 분야에서 오랫동안 중요한 주제였으며, 대부분의 연구는 배터리 상태(SoH) 추정 및 수명 종료(EoL) 예측에 집중되어 왔습니다. 본 연구는 엔트로피 기반의 변환 가능한 액체 신경망(LNN)을 기반으로 하는 프레임워크인 EntroLnn을 통해 배터리 용량 감소 추세(CFT) 전체의 실시간 개선으로 연구 범위를 확장합니다. EntroLnn은 점별 SoH 및 EoL 예측이라는 두 가지 독립적인 작업이 아닌, CFT 개선을 통합적인 프로세스로 다룹니다. 본 연구에서는 배터리 분석 분야에서 처음으로 온라인 온도 데이터를 기반으로 한 엔트로피 기반 특징을 도입하고, 이를 시간적으로 배터리 동역학을 효과적으로 모델링하는 맞춤형 LNN과 결합했습니다. 이 프레임워크는 LNN의 정적 및 동적 적응성을 향상시키고, 다양한 배터리 및 작동 조건에서 견고하고 일반화 가능한 CFT 개선을 달성합니다. 이 방법은 가벼운 계산으로 높은 정확도의 배터리 건강 모델을 제공하며, CFT 예측의 평균 절대 오차는 0.004577, EoL 예측은 18 사이클에 불과합니다. 본 연구는 배터리 분석 분야에서 엔트로피 기반 학습의 기반을 마련하고, 실제 배터리 관리 시스템에서 자체 적응적이고 가벼우며 해석 가능한 배터리 건강 예측을 가능하게 합니다.

Battery capacity degradation prediction has long been a central topic in battery health analytics, and most studies focus on state of health (SoH) estimation and end of life (EoL) prediction. This study extends the scope to online refinement of the entire capacity fade trajectory (CFT) through EntroLnn, a framework based on entropy-guided transformable liquid neural networks (LNNs). EntroLnn treats CFT refinement as an integrated process rather than two independent tasks for pointwise SoH and EoL. We introduce entropy-based features derived from online temperature fields, applied for the first time in battery analytics, and combine them with customized LNNs that model temporal battery dynamics effectively. The framework enhances both static and dynamic adaptability of LNNs and achieves robust and generalizable CFT refinement across different batteries and operating conditions. The approach provides a high fidelity battery health model with lightweight computation, achieving mean absolute errors of only 0.004577 for CFT and 18 cycles for EoL prediction. This work establishes a foundation for entropy-informed learning in battery analytics and enables self-adaptive, lightweight, and interpretable battery health prediction in practical battery management systems.