BattVAE-GP: Generative Modeling of Long-Horizon Battery Degradation with Uncertainty Quantification

Long-horizon physics-based simulations of battery degradation provide mechanistic insight but remain computationally expensive, limiting their use for dense exploration of operating conditions over extended cycle life. Here, we propose a hybrid physics-probabilistic learning framework for surrogate modeling of lithium-ion battery degradation trajectories at unseen charging rates. Cycle-resolved degradation data generated with a DFN/P2D electrochemical model in PyBaMM are first transformed into capacity-aligned voltage and derivative features and encoded using a Variational Autoencoder (VAE). The resulting two-dimensional latent space organizes degradation trajectories according to both cycle progression and charging protocol. A sparse multitask Gaussian process (GP) is then trained in this latent space using cycle number and C-rate as input variables, providing continuous interpolation of latent degradation dynamics together with posterior uncertainty estimates. Under protocol-level holdout evaluation, the latent-space GP accurately recovers unseen C-rate trajectories and exhibits uncertainty behavior consistent with the support of the training data. When queried at unseen interior C-rates, the model generates latent trajectories that remain coherently positioned between neighboring simulated protocols. Decoding the GP-predicted latent states through the frozen VAE decoder yields smooth voltage-capacity evolution, while Monte Carlo propagation of the GP latent posterior through an auxiliary latent to State of Health (SOH) predictor provides uncertainty-aware SOH estimates. The proposed BattVAE-GP framework therefore offers a computationally efficient and uncertainty-aware surrogate for long-horizon degradation modeling, providing a structured basis for extending battery health prediction toward richer operating conditions and future simulation-experiment fusion.

한 줄 요약

BattVAE-GP는 VAE와 GP를 결합한 확률적 프레임워크로, 다양한 충전률에서 배터리 수명 퇴화를 효율적으로 예측하고 불확실성을 정량화한다.

핵심 기여도

PyBaMM에서 생성된 DFN/P2D 모델 기반 배터리 퇴화 시뮬레이션 데이터를 활용한 VAE 기반 잠재 공간 학습.
C-rate와 cycle number를 입력으로 사용한 다중 작업 GP 모델로, 잠재 공간에서 퇴화 동역학을 연속적으로 보간.
GP의 잠재 후erior를 VAE 디코더와 Monte Carlo 기법을 통해 전압-용량 곡선 및 SOH 추정으로 변환.
5000 사이클까지의 장기 퇴화 예측 가능하며, 학습 데이터가 희소한 영역에서 불확실성이 증가하는 현상을 정확히 반영.

핵심 아이디어

BattVAE-GP는 물리 기반 시뮬레이션과 확률적 학습을 결합한 하이브리드 프레임워크로, 배터리 퇴화 예측의 계산 비용을 줄이고 불확실성을 정량화하는 데 중점을 둔다. 기존 물리 기반 시뮬레이션은 정확하지만 계산 비용이 높아, 다양한 충전 조건을 탐색하기 어렵다. 이를 해결하기 위해, DFN/P2D 모델로 생성된 퇴화 데이터를 VAE를 통해 2차원 잠재 공간으로 압축하고, GP를 사용해 C-rate와 사이클 수에 따라 연속적으로 보간한다. 이는 물리적 의미를 유지하면서도, 새로운 충전률에서의 퇴화 경로를 예측할 수 있게 한다. 특히, GP는 후erior 불확실성을 제공하여, 학습 데이터가 희소한 영역에서는 예측 신뢰도가 낮아지는 현상을 반영한다.

기술적 접근법

**데이터 생성**: PyBaMM에서 DFN/P2D 모델을 사용해 NMC811-Graphite 기반 배터리의 5000 사이클 퇴화 시뮬레이션 데이터 생성.
**특징 변환**: 사이클별 전압 및 도함수 특징을 용량 정렬(capacity-aligned) 형태로 변환.
**잠재 공간 학습**: VAE를 사용해 2차원 잠재 공간으로 압축. 잠재 공간은 사이클 진행과 충전 프로토콜에 따라 퇴화 경로를 구조화.
**GP 모델링**: C-rate와 사이클 수를 입력으로, 다중 작업 GP를 잠재 공간에서 학습.
**결과 해석**: GP 예측 잠재 상태를 VAE 디코더로 복원해 전압-용량 곡선 생성. Monte Carlo 기법으로 GP 후erior를 SOH 예측 모델에 전파해 불확실성 포함 SOH 추정.

주요 결과

**C-rate 보간 성능**: 학습되지 않은 C-rate에서의 퇴화 경로를 정확히 재구성.
**불확실성 반영**: 학습 데이터가 희소한 내부 C-rate에서는 GP의 불확실성이 증가.
**SOH 추정**: Monte Carlo 기법을 통해 GP 후erior를 SOH 예측 모델에 전파, 불확실성을 포함한 SOH 추정 가능.
**전압-용량 곡선 복원**: GP 예측 잠재 상태를 VAE 디코더로 복원해 매끄러운 전압-용량 진화를 재현.

의의 및 한계

BattVAE-GP는 물리 기반 시뮬레이션의 계산 비용 문제를 해결하면서도, 물리적 해석성을 유지하고 불확실성을 정량화하는 데 성공했다. 특히, GP 기반 잠재 공간 보간은 새로운 충전 조건에서의 퇴화 예측을 가능하게 하며, Monte Carlo 기법을 통한 SOH 추정은 실제 배터리 관리 시스템에서 유용할 수 있다. 그러나, 본 연구는 PyBaMM에서 생성된 시뮬레이션 데이터에만 기반하며, 실제 실험 데이터와의 융합 가능성은 아직 검증되지 않았다. 또한, GP는 학습 데이터가 희소한 영역에서 예측 신뢰도가 낮아지는 한계가 있으므로, 이에 대한 보완 전략이 필요하다.

실용적 활용

BattVAE-GP는 배터리 제조 및 관리 분야에서 다양한 충전 조건에서의 수명 예측에 활용될 수 있다. 특히, 고속 충전 조건에서의 퇴화 경로를 예측하고, 불확실성을 정량화함으로써, 배터리 설계 및 운영 전략을 최적화하는 데 기여할 수 있다. 또한, 시뮬레이션-실험 융합을 위한 구조적 기반을 제공하여, 실제 배터리 테스트 전에 다양한 조건을 탐색하는 데 유용하다.