LFP 배터리의 배터리 잔량 표시가 왜 부정확하게 나타날까?

LFP 배터리에 전압계를 연결하면 13.3 V가 표시됩니다. 게이지는 62%를 나타냅니다. 다음 날 같은 전압을 읽지만 게이지는 41%를 나타냅니다. 둘 다 고장 난 것이 아닙니다. 이것은 인산철리튬 화학의 작동 원리가 만들어내는 자연스러운 결과입니다. 그렇다면 배터리 관리 시스템은 이 모호성을 어떻게 극복하고, 실험실 기반 방법인 임피던스 측정은 어떻게 차량에 도입되었을까요?
이 페이지에서는 LFP 배터리에서 백분율 게이지가 왜 잘못 표시되는지, 문제의 화학적 물리적 근원, 그리고 배터리 관리 시스템(BMS)이 전압 플래토를 극복하기 위해 사용하는 방법을 측정 가능한 데이터와 함께 다룹니다.
LFP 배터리에서 백분율 게이지가 잘못 표시되는 이유: 문제의 본질
충전 백분율(SOC, State of Charge) 추정의 가장 기본적인 방법은 개방 회로 전압(OCV)을 측정하고 이 값을 알려진 전압-백분율 곡선에 대입하는 것입니다. NMC와 NCA 같은 니켈 기반 화학에서는 이 곡선이 기울어져 있습니다. 전압이 떨어지면 백분율도 예측 가능하게 낮아집니다. LFP에서는 상황이 근본적으로 다릅니다. SOC 27%에서 94% 구간 전체에서 총 전압 변화는 단지 0.07 V에 불과합니다. 실제로 20-80% 범위에서 전압은 거의 완전히 평평하게 유지됩니다.
48 V LFP 팩에서 20%에서 90%에 이르는 엄청난 범위는 전압계에서 약 52 V에서 53.6 V 사이의 차이만 만들어냅니다. 기기는 만, 반 또는 빈 상태라고 말할 수 있지만 정확한 백분율은 제공할 수 없습니다. 실제 환경의 측정 노이즈, 온도 영향 및 케이블 저항은 이 이미 아주 작은 신호를 완전히 묻어 버립니다. 동일한 전압에서 서로 다른 SOC 값을 보게 되는 이유가 바로 이것입니다. 전압과 충전 상태 사이의 상관관계는 곡선의 중간에서 실제로 0에 가까워집니다.
주요 내용
- LFP 셀에서 SOC 27%-94% 범위의 전압 변화는 단지 0.07 V
- 화학적 원인: 올리빈 구조의 이상 반응 이 넓은 플래토를 만들어냅니다
- 팽창 힘 방법을 통한 추정 오차가 0.54%-1% 범위로 감소
- 단일 주파수 EIS 측정은 데이터 수집 시간을 약 85% 단축 (729.94 s 대신 110.96 s)
화학의 범인: 올리빈 구조와 이상 반응

평평한 플래토는 설계 오류가 아니라 인산철리튬의 올리빈 결정 구조가 만들어내는 직접적인 결과입니다. LFP 셀에서 리튬 이온이 양극에 위치하고 분리되는 과정은 이상 반응을 통해 이루어집니다. 특정 충전 수준에서 이 두 상은 평형 상태에 있으며, 평형 전위는 상의 비율과 거의 무관하게 일정하게 유지됩니다. 셀 SOC의 대부분 구간에서 이 평형 영역에서 작동하기 때문에 전압은 거의 움직이지 않습니다.
이 동일한 구조는 LFP에 안정적인 전압 공급 및 과방전에 대한 내성과 같은 실제 이점도 제공합니다. 즉, 플래토는 축복이자 고통입니다. 전력 전자공학은 좋아하지만 측정 알고리즘은 어려움을 겪습니다. 사용자 측에서 이를 가장 많이 겪는 분야는 RV, 해양, 태양광 에너지 및 모바일 애플리케이션입니다. 차량 측에서도 게이지 변동과 예상치 못한 급변동으로 나타납니다.
쿨롱 카운터가 단독으로 부족한 이유
BMS는 전압 경로가 닫혀 있다고 판단하면 두 번째 고전적인 방법인 쿨롱 카운터(전류 적산계)로 눈을 돌립니다: 시간에 따라 들어오고 나가는 전하를 합산하여 백분율을 추적합니다. 이 방법은 원리적으로는 탄탄하지만 두 가지 약점이 있습니다. 첫째, 카운터가 정확하게 시작하려면 신뢰할 수 있는 초기 SOC 값이 필요합니다; LFP에서 전압이 이 값을 제공하지 못하면 카운터는 거의 맹목적으로 시작합니다.
둘째는 더 교활합니다: 전류 센서의 측정 오차가 시간이 지나며 누적됩니다. 작은 편차가 매 사이클마다 겹쳐지고, 게이지는 실제 상태에서 점점 멀어집니다. 이 누적 편차, 문헌에서 부르는 이름으로 SOC 드리프트는 LFP 배터리에서 백분율이 잘못 표시되는 가장 흔한 원인입니다. 특히 셀이 오랫동안 50% 근처의 평탄 구간에 유지될 때 - 예를 들어 하이브리드 차량 배터리와 같이 - 보정 기회가 줄어들고 오차는 커집니다.
BMS는 오늘날 편차를 어떻게 보정하는가
기존 시스템은 실용적인 전략으로 이 문제를 관리합니다: 배터리가 완충에 도달하면 쿨롱 카운터는 100%로, 완전 방전 시 0%로 초기화됩니다. 극한 지점에서는 전압 곡선이 가팔라지므로 이곳의 감지는 신뢰할 수 있습니다. 자주 완충되는 시스템에서는 편차가 정기적으로 지워집니다; 중간 완충 구간에서 작동하는 시스템에서는 보정이 드물게 이루어지며, 두 보정 사이에서 오차가 자유롭게 커집니다.
더 발전된 아키텍처는 쿨롱 카운터를 OCV 보정과 결합하고, 추정 관측자 필터, 일반적으로 확장 칼만 필터(EKF)로 부드럽게 다듬습니다. LFP에서는 전압-이력 효과(히스테리시스) 때문에 단일 곡선으로는 충분하지 않으므로, 스위칭 모델과 구간별 히스테리시스 파라미터가 사용됩니다; 입자 필터와 같은 변형도 제안되었습니다. 스탠퍼드에서 개발된 시너지 접근법은 쿨롱 카운터 초기화를 머신 러닝과 결합하여 LFP 고유의 평탄 구간 문제를 겨냥합니다. 피셔 정보 기반 적응형 추정도 평탄 구간의 불확실성을 줄이기 위해 제안된 최신 접근법 중 하나입니다. 이 모든 것은 동일한 물리적 사실을 중심으로 돌아갑니다: 전압이 담고 있던 정보를 잃으면, 시스템은 다른 신호를 찾아야 합니다.
팽창력: 전압이 평평할 때도 정확하게 말해주는 신호
연구자들은 전압 외에 실제로 SOC에 민감한 물리적 양을 찾았습니다. 가장 흥미로운 후보 중 하나는 셀의 팽창력입니다. 전압이 셀 표면의 리튬-이온 농도에 의존하는 반면, 팽창력은 셀 본체의 전체 리튬 농도를 반영합니다. 물리적 근거는 음극의 흑연이 LiC₁₂에서 LiC₆로 상전이하는 것입니다. 결과: 전압이 평평하게 유지되는 동안에도 팽창력은 SOC에 강력하고 동적 전류에 영향받지 않는 방식으로 민감합니다.
LSSVM이라는 머신 러닝 모델과 적응형 unscented 칼만 필터(AUKF)를 함께 사용하는 이 접근법은 25-45 °C 온도 범위, NEDC 및 DST 주행 사이클, 15-30 kg 사전 하중 조건에서 0.54%에서 1% 사이의 예측 오차 를 달성했습니다. 이 방법에도 자체적인 한계가 있습니다: 팽창력은 SOC에 따라 단조롭게 증가하지 않으므로, 머신러닝은 불가피합니다; 또한 전방 하중이 변하면 절대 힘도 변하므로 모델은 캘리브레이션 없이 다른 전방 하중으로 이식할 수 없습니다. 즉, 강력한 신호이지만 설정 의존적입니다.
차량 내 임피던스 측정: EIS 솔루션
가장 최신의 해답은 수십 년간 실험실에서 사용되어 온 전기화학적 임피던스 분광법(EIS)을 차량 내 모니터링에 적용하는 것입니다. 이 방법의 논리는 간단합니다: 셀에 작은 AC 신호를 인가하고 셀의 주파수 의존적 응답, 즉 AC 저항을 측정합니다. 셀은 충전 상태에 따라 서로 다른 임피던스 서명을 보이며; 플래토 영역에서 전압이 침묵할 때에도 임피던스는 여전히 말을 합니다.
2026년에 발표된 한 연구는 LFP 셀에서 10 kHz부터 0.01 Hz까지, 0%부터 100%까지 5% 단위로 EIS 측정을 수행했습니다. 얻어진 스펙트럼은 먼저 Random Forest로 특성 선택을 거친 후, Elastic Net 정규화를 적용한 합성곱 신경망(CNN-EN)을 통과했습니다. 결과는 놀랍습니다: 평균 절대 오차 0.02753, R² 값 0.9820.
진정한 실용적 돌파구는 시간에 있습니다: 전체 스펙트럼 스캔에는 약 729.94초가 걸리며, 이는 주행 중인 차량에는 사용할 수 없을 만큼 깁니다. 연구는 단일 주파수 포인트인 - 0.0125 Hz이 - 전체 스펙트럼과 비교 가능한 성능을 보인다는 것을 입증했습니다. 단일 포인트 측정은 110.96초에 완료됩니다: 데이터 수집 시간이 약 85% 감소하는 동시에 학습 시간도 6% 낮아졌습니다. 이는 EIS의 실시간 BMS 통합 앞의 가장 큰 장벽을 상당히 줄여줍니다.
간단한 답변: 게이지가 잘못되는 이유와 언제 수정되는지
문제를 한 문장으로 요약하면 다음과 같습니다: LFP 배터리에서 백분율 게이지는 셀이 넓은 충전 범위에서 거의 일정한 전압을 생성하기 때문에 잘못 읽습니다; 전압 기반 추정은 이 플래토에서 정보의 대부분을 잃고, 쿨롱 카운터의 누적 오류는 배터리가 완충 또는 완방에 도달하여 카운터가 리셋될 때까지 수정되지 않습니다.
사용자에게 실용적인 결과도 명확합니다. 배터리가 완전한 전압을 보이는 동안 백분율이 낮게 보이는 것은 정상입니다; 둘은 서로 다른 양을 측정하며 LFP의 평탄한 곡선이 그것들을 분리시킵니다. LFP는 니켈 기반 화학 물질보다 정기적인 100% 충전에 더 관대합니다; NMC는 20%-80% 범위를 선호하는 반면 LFP를 끝까지 충전하는 것은 BMS가 리셋 기회를 얻는다는 의미이기도 합니다. 주기적 완충은 셀 건강뿐만 아니라 게이지의 자체 수정을 위해서도 기능합니다.
앞으로의 기술 방향은 다음과 같습니다: 팽창력 감지, 셀 임피던스를 BMS에 통합하는 모델 업데이트 전략, 그리고 단일 주파수 고속 EIS 측정은 플래토 측정 문제를 영구적으로 해결할 길의 디딤돌입니다. 화학은 장점을 유지하는 동안, 측정 측면은 이제 전압보다 더 말이 많은 신호로 이동하고 있습니다.
참고 자료
- Addressing the OCV-SOC Flat Region in LFP Cells for SOC Estimations Using EIS Measurements - Journal of The Electrochemical Society
- LiFePO4 SOC Flat Voltage Curve Estimation: Expansion Force Method - IEST
- LFP의 평평한 전압 구간: SoC 추정에 축복인가 저주인가 - Patsnap Eureka
- BMS SOC 추정: OCV vs 전류 적산 vs 칼만 필터 - Sunlith Energy
- SOC 정확도 및 BMS 설계 최적화 - Monolithic Power Systems
- LiFePO4 배터리 전압은 만전인데 잔량이 낮은 경우 - Epoch Batteries
- 48V LiFePO4 전압 차트 - Savolture
- LFP 배터리를 위한 향상된 SOC 추정 - Stanford Techfinder
- 피셔 정보 기반의 적응형 추정 방법 - ScienceDirect
- 전기화학 임피던스 분광법을 활용한 차세대 배터리 모니터링 - Texas Instruments