Early Cycle Charge Trajectory Generative Prediction and Full Life Cycle Health Management of Iron-Chromium Flow Batteries Based on FlowBD-E1

Long-duration stationary energy storage requires batteries whose degradation can be detected before substantial capacity loss has accumulated. Iron-chromium redox flow batteries are attractive for this role because they use abundant and low-cost active species, yet their operation is shaped by slow chromium kinetics, hydrogen evolution, membrane crossover and electrolyte imbalance. These coupled processes gradually reshape the full charge voltage/current (V/I) trajectory, but most battery prognostic studies either focus on lithium-ion cells or compress ageing into scalar capacity and state-of-health (SOH) labels. Here we study an industrial 33 kW Fe-Cr redox flow battery and introduce FlowBD-E1, an early-cycle generative forecasting framework that predicts complete future charge V/I trajectories from only the first few cycles. The model combines a multi-scale convolutional encoder, a lifecycle Transformer and an age-aware FiLM decoder, and we compare three deployment strategies: single-step latent extrapolation (SLE), recursive latent forecasting (RLF) and teacher-forced updating (TFU). Using the first 9 of 289 cycles, RLF achieved a joint V/I mean absolute percentage error (MAPE) of 0.731% over the remaining lifecycle and produced SOH estimates below 1% MAPE. Ablation and independent-sequence tests showed that the age-aware generative architecture outperformed LSTM and TCN baselines and retained sub-percent errors under industrial validation. These results suggest that early-cycle trajectory generation can turn a short commissioning record into a long-horizon diagnostic signal for flow-battery management.

한 줄 요약

FlowBD-E1은 철-크롬 흐름전지의 초기 사이클 데이터만으로 전체 충전 전압/전류 궤적을 0.731% 이하의 오차로 예측하는 생성 모델이다.

핵심 기여도

FlowBD-E1이라는 새로운 생성 예측 프레임워크를 제안하여, Fe-Cr 흐름전지의 초기 9 사이클 데이터로 전체 289 사이클의 충전 V/I 궤적을 예측함.
RLF 전략을 사용하여, 0.731%의 조인트 V/I MAPE를 달성함.
SOH 추정 오차는 1% 이하의 MAPE를 기록함.
LSTM 및 TCN 기반 모델 대비 FlowBD-E1이 더 안정적인 성능을 보임.

핵심 아이디어

기존 연구는 주로 리튬이온 배터리에 초점을 맞추거나, 퇴화를 단일 스칼라 값(SOH, RUL)으로 압축하여 흐름전지의 복잡한 전압/전류 궤적 정보를 활용하지 못하였다. 본 연구는 Fe-Cr 흐름전지의 전체 충전 V/I 궤적이 시간에 따라 변화하는 건강 지표라는 통찰을 바탕으로, 생성 모델을 통해 궤적 자체를 예측하는 새로운 접근법을 제안한다. FlowBD-E1은 초기 사이클 데이터를 다중 스케일 컨볼루션 인코더로 처리하고, 라이프사이클 Transformer를 통해 장기 의존성을 모델링한 후, FiLM 디코더를 통해 연령에 민감한 궤적을 생성한다. 이는 단순한 시계열 예측을 넘어, 퇴화 과정에 따른 궤적 변화를 정확히 재현하는 데 기여한다.

기술적 접근법

**모델 구성**: FlowBD-E1은 Multi-scale Convolutional Encoder, Lifecycle Transformer, Age-aware FiLM Decoder로 구성됨.
**예측 전략 비교**: SLE, RLF, TFU 세 가지 전략을 비교함. RLF가 0.731%의 조인트 V/I MAPE를 달성함.
**데이터**: 33 kW급 산업용 Fe-Cr 흐름전지의 289 사이클 데이터 중, 처음 9 사이클만 사용하여 나머지 280 사이클을 예측함.
**하이퍼파라미터**: MAPE, RMSE, R²를 평가 지표로 사용함.

주요 결과

RLF 전략으로 FlowBD-E1은 289 사이클 중 9개의 초기 사이클만을 기반으로 전체 충전 V/I 궤적을 예측함.
조인트 V/I MAPE는 0.731%로, SOH 추정 오차는 1% 이하의 MAPE를 기록함.
LSTM 및 TCN 대비 FlowBD-E1이 더 낮은 평균 및 최악 오차를 보임.
독립 시퀀스 테스트에서도 FlowBD-E1이 sub-percent 수준의 오차를 유지함.

의의 및 한계

FlowBD-E1은 흐름전지 관리에서 초기 데이터만으로 장기 진단을 가능하게 하여, 유지보수 비용을 절감하고 수명 예측 정확도를 높이는 데 기여한다. 특히, 생성 모델을 통해 궤적의 형태를 재현함으로써, 단순한 SOH 추정을 넘어 퇴화 메커니즘을 분석할 수 있는 기반을 제공한다. 그러나 본 연구는 단일 Fe-Cr 시스템에 국한된 것이므로, 다른 화학계, 운전 프로토콜, 현장 환경에서의 일반화 가능성은 추가 검증이 필요하다. 또한, 실제 산업 적용 시 데이터 수집 및 모델 업데이트 전략에 대한 고려도 필요하다.

실용적 활용

FlowBD-E1은 산업용 흐름전지의 초기 운전 데이터만으로 장기 진단 및 수명 예측을 가능하게 하므로, 에너지 저장 시스템(ESS)의 예방적 유지보수 및 최적화에 활용될 수 있다. 특히, Fe-Cr 흐름전지가 대규모 정전력 저장에 적합한 만큼, 재생에너지 통합 및 그리드 안정화에 기여할 수 있다.