KR101655583B1

KR101655583B1 - 배터리 상태 추정 장치 및 방법

Info

Publication number: KR101655583B1
Application number: KR1020140166612A
Authority: KR
Inventors: 성우석
Original assignee: 현대자동차주식회사
Priority date: 2014-11-26
Filing date: 2014-11-26
Publication date: 2016-09-07
Also published as: KR20160063070A

Abstract

본 발명은 배터리 상태 추정 장치 및 방법에 관한 것으로, 특히 충전 전압의 커브 형태 변화를 이용하여 전기 자동차의 배터리 잔존 용량을 추정할 수 있도록 하는 기술이다. 이러한 본 발명은 배터리의 충전시 시간에 대응하는 전압 커브 형태의 변화에서 특징을 추출하여 특징 벡터를 설정하는 특징 추출부, 특징 추출부에서 추출된 특징 벡터가 속하는 부류를 사후 확률을 통해 분류하는 분류부 및 분류부의 출력에 대응하여 배터리의 잔존용량에 대한 추정치를 산출하고, 추정치를 기 검출된 측정치와 비교하여 배터리의 상태를 추정하는 배터리 상태 추정부를 포함하는 것을 특징으로 한다.

Description

배터리 상태 추정 장치 및 방법{Apparatus and method for estimating battery state}

본 발명은 배터리 상태 추정 장치 및 방법에 관한 것으로, 특히 충전 전압의 커브 형태 변화를 이용하여 전기 자동차의 배터리 잔존 용량을 추정할 수 있도록 하는 기술이다.

오늘날 고유가와 이산화탄소 규제 등으로 인해 기존의 내연기관 자동차를 대체할 수 있는 친환경자동차의 개발이 활발히 진행되고 있다. 최근, 전기모터를 구동시켜 주행하는 순수 전기자동차나 내연기관과 전기모터를 구동원으로 함께 사용하는 하이브리드 자동차가 자동차 제조사에 따라 이미 상용화되어 출시되고 있거나 상용화를 앞두고 있는 상황이다.

전기자동차나 하이브리드 자동차는 구동원이 되는 전기모터(Traction Motor)에 전력을 공급하기 위한 주 동력원으로 고전압 배터리(메인 배터리)를 탑재하고 있다. 더불어 배터리 충전을 위한 충전장치, 전기모터를 구동시키기 위한 인버터 등을 구비하고 있다.

또한, 배터리의 상태를 감시하는 배터리 제어기(Battery Management System, BMS)가 탑재된다. 이 배터리 제어기는 배터리의 온도, 전압, 충/방전 전류, 배터리 SOC(State Of Charge) 등에 관한 배터리 상태 정보를 수집한다. 그리고, 배터리 제어기는 수집되는 배터리 상태 정보를 차량 제어에 이용될 수 있도록 차량 내 타 제어기에 제공한다.

특히, 배터리 제어기는 배터리 상태를 확인하여 배터리 상태가 일정한 수준 이상을 유지하도록 관리하며, 배터리 내구성 저하에 따른 수명 단축을 방지한다. 그리고, 배터리 제어기는 총합제어를 수행하는 차량 제어기에 배터리 SOC 정보를 알려줌으로써 배터리 상태를 고려한 차량 주행이 이루어질 수 있도록 한다.

그런데, 이러한 종래의 차량용 배터리 팩은 대부분 배터리 용량, 전압 및 온도 등을 이용하여 배터리 열화도를 추정하게 된다. 이에 따라, 배터리 팩의 열화도를 정확하게 추정할 수 없게 된다.

또한, 종래의 차량용 배터리 팩은 충방전 반복에 따른 배터리 용량 감소를 BMS가 직접 인지하지 못한다. 즉, SOC 추정을 위한 분극 전압 계산시 용량 변화를 간접적으로 반영하게 된다.

이에 따라, 파워 제한, 잔존주행 가능거리 예측 등을 정확하게 파악할 수 없다. 이러한 경우 전기 자동차용 배터리의 장기 사용시 용량 기반으로 설계된 BMS 기능에 대한 신뢰성이 하락하게 된다.

본 발명은 배터리의 충전시 시간에 대비되는 전압 커브의 형태 변화를 이용하여 배터리의 열화도(용량 감소)를 정확하게 추정할 수 있도록 하는 특징을 갖는다.

본 발명의 실시예에 따른 배터리 상태 추정 장치는, 배터리의 충전시 시간에 대응하는 전압 커브 형태의 변화에서 특징을 추출하여 특징 벡터를 설정하는 특징 추출부; 특징 추출부에서 추출된 특징 벡터가 속하는 부류를 사후 확률을 통해 분류하는 분류부; 및 분류부의 출력에 대응하여 배터리의 잔존용량에 대한 추정치를 산출하고, 추정치를 기 검출된 측정치와 비교하여 배터리의 상태를 추정하는 배터리 상태 추정부를 포함하는 것을 특징으로 한다.

본 발명의 실시예에 따른 배터리 상태 추정 방법은, 배터리의 충전시 특정 전압의 범위에서 시간에 대응하는 전압 커브 형태의 데이터를 검출하는 단계; 전압 커브 형태의 변화에서 특징을 추출하여 특징 벡터를 설정하는 단계; 설정된 특징 벡터가 속하는 부류를 사후 확률을 통해 분류하는 단계; 및 분류 결과에 대응하여 배터리의 잔존용량에 대한 추정치를 산출하고, 추정치를 기 검출된 측정치와 비교하여 배터리의 상태를 추정하는 단계를 포함하는 것을 특징으로 한다.

본 발명은 SOH 추정을 통해 배터리 용량이 감소되는 것을 실차상 실시간으로 인지할 수 있도록 한다.

또한, 본 발명은 용량 기반으로 설계된 배터리 제어기(BMS) 기능의 장기적인 신뢰성을 개선할 수 있도록 하는 효과를 제공한다.

아울러 본 발명의 실시예는 예시를 위한 것으로, 당업자라면 첨부된 특허청구범위의 기술적 사상과 범위를 통해 다양한 수정, 변경, 대체 및 부가가 가능할 것이며, 이러한 수정 변경 등은 이하의 특허청구범위에 속하는 것으로 보아야 할 것이다.

도 1은 본 발명의 실시예에 따른 배터리 상태 추정 장치의 구성도.
도 2는 본 발명의 실시예에서 충전전압 커브를 설명하기 위한 그래프.
도 3은 본 발명의 실시예에서 배터리 잔존용량을 설명하기 위한 그래프.
도 4는 본 발명의 실시예에서 배터리의 충전시 전압 변화 곡선을 설명하기 위한 그래프.
도 5는 본 발명의 실시예에서 배터리의 충전시 전압 변화 커브 형태들을 설명하기 위한 그래프.
도 6 내지 도 10은 도 1의 분류부 및 배터리 상태 추정부에 관한 동작을 설명하기 위한 도면.
도 11은 본 발명의 실시예에 따른 효과를 설명하기 위한 도면.

이하, 첨부한 도면을 참조하여 본 발명의 실시예에 대해 상세히 설명하고자 한다.

도 1은 본 발명의 실시예에 따른 배터리 상태 추정 장치의 구성도이다.

본 발명의 실시예는 특징 추출부(100), 분류부(200) 및 배터리 상태 추정부(300)를 포함한다.

먼저, 특징 추출부(100)는 배터리의 충전시 시간에 대응하는 전압 커브 형태의 변화에서 특징을 추출한다.

본 발명의 실시예에 따른 배터리 상태 추정 장치는 배터리의 충전 및 방전의 반복에 따라 배터리의 용량 변화가 나타난다.

예를 들어, 특징 추출부(100)는 정전류 충전 중 특정 전압 구간, 3.6~4V 구간에서 전압 커브의 특징을 추출하게 된다. 그리고, 특정 전압 레벨(예를 들면, 전압 0.1V)의 변화에 따른 시간 소요(Δt/ΔV=0.1)를 특징 벡터(x)로 설정한다.

그리고, 분류부(200)는 특징 추출부(100)에서 추출된 특징 벡터(x)가 속할 부류(ω)를 사후 확률을 통해 분류한다. 즉, 특징 벡터 x가 특정 부류ωi(1≤in≤n)에 속할 확률 P(ωi│x)을 구한다.

예를 들어, ω1은 0~5%, ω2는 5~10%,..., ω6은 25~30%가 된다.

이때, 용량 열화도는 5% 단위로 설정할 수 있으며, 가장 큰 확률을 가진 부류로 분류하게 된다.

이후에, 배터리 상태 추정부(300)는 분류부(200)의 출력에 대응하여 전압 커브의 형태만으로 배터리 잔존용량 SOC(State Of Charge)를 추정하게 된다.

즉, 배터리 건강상태(State of Health, SOH)의 추정 오차 요건에 따라 분류부(200)에서 분류된 부류를 전체적으로 세분화시킨다. 여기서, SOH의 추정 오차 요건은 2% 이하로 설정될 수 있다.

예를 들어, ω1은 0~2%, ω2는 2~4%, ω3은 4~6%,..., ω15은 28~30%가 된다. 이때, 용량 열화도는 2% 단위로 설정할 수 있다.

그리고, 배터리 상태 추정부(300)는 위의 부류를 부분적으로 세분화시킨다. 즉, 전영역(용량 열화도 0~30%)에서 SOH 추정 정확도를 확보하기 위해 추정오차 요건을 차등적으로 부여하게 된다.

예를 들어, ω1은 0~2%,..., ω5는 8~10%, ω6은 10~15%,...가 된다.

이러한 구성을 갖는 본 발명의 실시예에 따른 배터리 상태 추정 방법의 동작 과정을 도 2 내지 도 4를 참조하여 설명하면 다음과 같다.

도 2의 그래프에서와 같이, 배터리의 충전 중 시간의 변화에 따라 전압의 커브 형태가 변화된다. 이때, 전압의 커브 형태는 충방전 사이클(Cycle) 수에 따라 다르게 나타날 수 있다.

그리고, 도 3의 그래프에서와 같이, 사이클의 변화에 따라 배터리의 잔존용량(Capacity)이 감소하게 된다. 이러한 전압 커브 형태와 배터리의 잔존용량 감소 특성은 열화도 특성 시험(Bench test)에 의해 획득할 수 있다.

그리고, 열화도 추정 대상 배터리(Test cell)를 충전하게 된다. 배터리는 도 4의 그래프에서와 같이 시간의 변화에 따라 전압이 충전되어 전압 커브 형태가 나타나게 된다.

이와 같이, 열화도 특성 시험에 따라 사이클 변화에 대응하는 부류 ωi의 각 값을 아래의 [표 1]과 같이 얻을 수 있다.

부류	ω1	ω2	ω3	ω4	ω5	ω6
Cycle	0	400	800	1200	1600	2000
capacity[Ah]	38.35	36.66	35.42	34.15	32.87	31.20
capacity[norm]	100	95.6	92.4	89	65.7	81.4

그리고, 도 5의 그래프에서와 같이, 배터리의 충전 중 사이클의 변화에 따라 각 사이클 구간에서 전압의 커브 형태가 변화되는 것을 알 수 있다. 이러한 전압 커브의 형태 변화를 각 부류 ω1~ω6에 따라 나타내면 아래의 [표 2]와 같다.

부류/Cycle/전압범위(V)	ω1	ω2	ω3	ω4	ω5	ω6
부류/Cycle/전압범위(V)	0	400	800	1200	1600	2000
3.6~3.7	230	210	190	170	150	130
3.7~3.8	290	250	240	230	220	200
3.8~3.9	190	180	170	160	150	160
3.9~4.0	190	190	180	170	170	150

위의 [표 2]에서와 같이 열화도 특성 시험을 통해서 얻은 기존 전압 커브들에 대해서도 미리 특징을 추출할 수 있다.

이후에, 특징 추출부(100)는 추정 대상 배터리의 충전 중 시간에 대응하는 전압 커브 형태의 변화에서 특징을 추출한다.

즉, 정전류의 충전 중 전압 3.6V~4.0V 구간에서 전압 커브의 특징을 추출한다. 이때, 특정 전압 레벨(예를 들면, 전압 0.1V)의 변화에 따른 시간 소요(Δt/ΔV=0.1)를 특징 벡터(x)로 설정한다. 각각의 전압 범위에서 벡터 x=(180, 230, 170, 170) 구간으로 세분화될 수 있다.

다음에, 분류부(200)는 특징 추출부(100)에서 추출된 특징을 가장 큰 확률을 가진 부류로 분류하게 된다. 이때, 분류부(200)는 도 6과 같이 특징 벡터 x를 분류하여 확률이 가장 높은 부류를 검출하게 된다.

예를 들어, 분류부(200)는 특징 벡터 x가 특정 부류에 속할 확률 P(ωi│x)을 구하고, 확률이 가장 큰 두 개의 부류 P(ω3│x), P(ω4│x)를 구한다. 여기서, 분류부(200)는 베이지안 분류기를 적용하여 특정 벡터 x를 분류하게 된다.

이때, 분류부(200)는 부류 P(ω1│x) > P(ω2│x)이면 벡터 x를 ω1로 분류한다. 그리고, 분류부(200)는 부류 P(ω1│x) < P(ω2│x)이면 벡터 x를 ω2로 분류한다.

그리고, 분류부(200)는 사후 확률 P(ωi│x)을 베이스 정리를 이용하여 계산할 수 있다. 사후 확률 P(ωi│x)을 구하는 방식은 아래의 [수학식 1]과 같다.

위의 [수학식 1]에서 우도 p(x│ωi)는 부류가 주어진 조건 하의 조건부 확률(Likelihood=class-conditional probability)를 나타낸다.

이때, 우도가 정규분포를 따른다고 가정하면 도 7에서와 같이 1차원 정규 분포와 2차원 정규 분포로 나타낼 수 있으며, 우도 p(x│ωi)는 아래의 [수학식 2]와 같이 나타낼 수 있다.

그리고, 사전확률 P(ωi)는 훈련 집합에 있는 샘플 중에 ωi에 속하는 개수를 ni라 하면, 사전확률 P(ωi)는 ni/N로 추정이 가능하다. 이때, N이 충분히 크면 이값은 실제 확률 값에 아주 가깝게 된다. 그리고, 분류 문제에서 p(x)는 계산이 불필요하다.

그리고, 분류 문제에서는 사후 확률 P(ωi│x) 값 자체가 아니라, 두 사후 확률 값을 비교하는 과정이 필요하다. 이에 따라, 사후 확률 p(x│ω1)P(ω1)>p(x│ω2)P(ω2)이면 벡터 x를 ω1로 분류한다. 그리고, 분류부(200)는 사후 확률 p(x│ω1)P(ω1)<p(x│ω2)P(ω2)이면 벡터 x를 ω2로 분류한다.

이를 최소 오류 베이지안 분류기라 하고 도 8과 같이 나타낼 수 있다. 분류기(200)는 이진 분류를 M 분류로 확장하여 벡터를 분류한다. 즉, 벡터 x를 k=argmax P(ω1│x)로 하여 벡터 x를 ωk로 분류하거나, 벡터 x를 k=argmax P(x│ωi)P(ωi)로 하여 벡터 x를 ωk로 분류하게 된다. 여기서, P(x│ωi)P(ωi)는 분별 함수를 나타낸다.

즉, 분류부(200)는 부류 P(ωi)=0.5로 설정하여 사전 확률이 동일하다는 가정을 한다. 그리고, 분류부(200)는 도 9에서와 같이, 특정 벡터 x에 대응하여 확률밀도함수(PDF; Proprobability density function)를 구한다. 여기서, 연속확률변수가 주어진 어떤 구간 내에 포함될 확률을 확률밀도라고 하며, 이를 함수 형태로 나타낸 것이 확률밀도함수이다.

이후에, 배터리 상태 추정부(300)는 분류부(200)에서 측정된 두 부류 값 P(ω3│x)=0.54, P(ω4│x)=0.46에 따라 배터리의 SOH를 추정한다.

예를 들어, SOH는 아래의 [수학식 3]와 같이 계산될 수 있다.

다음에, 배터리 상태 추정부(300)는 위의 [수학식 3]에서 계산된 추정치를 용량 측정치와 비교하여 검증하게 된다. 여기서, [수학식 3]에서 계산된 추정치는 34.83[Ah] 이고, 실제 용량 측정치는 34.81[Ah]가 된다.

이어서, 배터리 상태 추정부(300)는 미리 측정된 측정치와 위에서 계산된 추정치를 비교하여 검증 데이터를 생성한다. 이때, 배터리 상태 추정부(300)에서 생성된 검증 데이터는 도 10의 그래프와 같이 표현될 수 있다.

배터리 상태 추정부(300)에서 측정치와 추정치를 통해 생성된 검증 데이터는 아래의 [표 3]과 같다.

검증 데이터	측정치	추정치
X12	37.39	36.2
X23	36.05	35.97
X34(=X)	34.81	34.83
X45	33.51	33.6
X56	32.1	32.15

위와 같이, 본 발명의 실시예를 구현하는 경우 도 11에서와 같이, 배터리 제어기(Battery Management System, BMS)가 SOH 정확히 추정하여 배터리 용량이 감소되는 것을 실차상 실시간으로 인지할 수 있도록 한다. 또한, 본 발명의 실시예는 용량 기반으로 설계된 배터리 제어기(BMS) 기능의 장기적인 신뢰성을 개선할 수 있도록 하는 효과를 제공한다.

이상에서 기술한 일 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합 된 형태로 실시될 수 있다.

Claims

배터리의 충전시 시간에 대응하는 전압 커브 형태의 변화에서 특징을 추출하여 특징 벡터를 설정하는 특징 추출부;
상기 특징 추출부에서 추출된 상기 특징 벡터가 속하는 부류를 사후 확률을 통해 분류하는 분류부; 및
상기 분류부의 출력에 대응하여 배터리의 잔존용량에 대한 추정치를 산출하고, 상기 추정치를 기 검출된 측정치와 비교하여 상기 배터리의 상태를 추정하는 배터리 상태 추정부를 포함하되,
상기 분류부는,
상기 배터리의 용량 열화도를 특정 단위로 설정하여 상기 특징 벡터가 특정 부류에 속할 확률을 구하는 것을 특징으로 하는 배터리 상태 추정 장치.
제 1항에 있어서, 상기 특징 추출부는
상기 배터리의 충전시 특정 전압 레벨 단위의 변화에 따른 시간 소요를 상기 특징 벡터로 설정하는 것을 특징으로 하는 배터리 상태 추정 장치.
삭제
제 1항에 있어서, 상기 배터리 상태 추정부는
SOH(State of Health, SOH)의 추정 오차 요건에 따라 상기 분류부에서 분류된 부류를 전체적으로 세분화시키고 부분적으로 세분화시키는 것을 특징으로 하는 배터리 상태 추정 장치.
배터리의 충전시 특정 전압의 범위에서 시간에 대응하는 전압 커브 형태의 데이터를 검출하는 단계;
상기 전압 커브 형태의 변화에서 특징을 추출하여 특징 벡터를 설정하는 단계;
설정된 상기 특징 벡터가 속하는 부류를 사후 확률을 통해 분류하는 단계; 및
상기 분류 결과에 대응하여 배터리의 잔존용량에 대한 추정치를 산출하고, 상기 추정치를 기 검출된 측정치와 비교하여 상기 배터리의 상태를 추정하는 단계를 포함하되,
상기 분류 단계는,
상기 배터리의 용량 열화도를 특정 단위로 설정하여 상기 특징 벡터가 특정 부류에 속할 확률을 구하는 단계를 포함하는 것을 특징으로 하는 배터리 상태 추정 방법.
제 5항에 있어서,
상기 배터리의 충전시 특정 전압 레벨 단위의 변화에 따른 시간 소요를 상기 특징 벡터로 설정하는 것을 특징으로 하는 배터리 상태 추정 방법.
삭제
제 5항에 있어서, 상기 배터리 상태 추정 단계는
SOH(State of Health, SOH)의 추정 오차 요건에 따라 상기 분류 단계에서 분류된 부류를 전체적으로 세분화시키는 단계; 및
상기 세분화된 부류를 전체 용량 열화도를 기준으로 하여 부분적으로 세분화시키는 단계를 포함하는 것을 특징으로 하는 배터리 상태 추정 방법.
제 5항에 있어서, 상기 분류 단계는
우도와, 사전 확률을 토대로 베이스 정리를 이용하여 상기 사후 확률을 게산하는 것을 특징으로 하는 배터리 상태 추정 방법.
제 5항에 있어서, 상기 분류 단계는
2개의 사후 확률 값을 비교하여 상기 특징 벡터를 특정 부류로 분류하는 것을 특징으로 하는 배터리 상태 추정 방법.
제 5항에 있어서, 상기 배터리 상태를 추정하는 단계는
상기 측정치와 상기 추정치에 대응하는 검증 데이터를 설정하는 단계를 포함하는 것을 특징으로 하는 배터리 상태 추정 방법.