KR101792975B1

KR101792975B1 - 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법

Info

Publication number: KR101792975B1
Application number: KR1020170053151A
Authority: KR
Inventors: 김광선; 장경민; 주강우
Original assignee: 한국기술교육대학교 산학협력단
Priority date: 2017-04-25
Filing date: 2017-04-25
Publication date: 2017-11-02
Also published as: US10254349B2; US20180306868A1; WO2018199434A1

Abstract

본 발명은 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법에 관한 것으로서, 본 발명의 실시 예에 따른 배터리의 수명 상태 예측 방법은, 배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서, 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계; 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터 및 배터리로부터 판독된 측정 데이터 간의 편차가 기설정된 범위 이내이고 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및 상기 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;를 포함한다.

Description

수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법{Method for Predicting State of Health of Battery Based on Numerical Simulation Data}

본 발명은 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법에 관한 것으로서, 더욱 상세하게는 수치적 분석 결과가 검증된 수치적 시뮬레이션 데이터베이스를 기반으로 배터리의 수명 상태를 예측할 수 있는, 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법에 관한 것이다.

사람들이 최근에 자동차 및 ESS(Energy Storage System)용 리튬이온 배터리를 사용하기 시작하고 있다. 그러면서, 긴 작동 시간을 유지하는 고 에너지 밀도가 중요한 연구로 부상하고 있다. 그들은 출력과 안정성이 검증된 하나의 팩에 다양한 셀을 삽입함으로써 문제를 해결하고 있다.

그러나 높은 에너지 밀도의 배터리를 과도하게 방전 또는 충전하는 것은 그 특성이 적절하게 확인되지 않을 때 배터리 수명에 부정적으로 영향을 미칠 수 있다. 패킹된 다중 셀들 또는 심지어 하나의 셀, 및 환경으로부터 생성된 열은 특히 전체 팩 성능의 수명을 단축시킬 수 있다. 배터리 팩의 단축된 수명 및 초기 오작동은 주로 리튬이온 배터리가 반복적으로 충전되고 방전될 때 각 셀의 물리적 특성들이 예기치 않게 변경되었기 때문에 발생한다. 팩의 성능에 대한 배터리 재질 특성의 이러한 중요한 영향 때문에, 변경된 특성에 대한 다양한 수치 시뮬레이션 연구가 있었다.

한편, 컴퓨터 시뮬레이션은 컴퓨터 시스템 내의 고속 데이터 전송 및 처리와 함께 더욱 신뢰할 수 있는 공학 수치 분석 방법으로 인해 증가되고 있다.

도 1은 동일한 공정으로 제조된 50개의 배터리 임피던스를 나타낸 도면이다. 도 2는 동일한 공정으로 제조된 50개의 배터리 용량을 나타낸 도면이다.

하이브리드 자동차 및 ESS를 위한 중형 및 대형 배터리 팩에는 BMS에 의해 관리되는 수십 또는 수백 개의 단일 셀이 있는 고용량 및 고전력 시스템이 필요하다.

도 1 및 도 2에 도시된 바와 같이, 리튬이온 배터리는 동일한 공정으로 동일한 공장에서 제조되더라도 서로 다른 내부 특성들(예컨대, 임피던스, 용량 등)을 갖는다. 이는 연결하는 배터리가 다른 특성을 가지므로 팩의 다른 충전 및 방전 속도를 생성하는 것을 의미한다. 배터리 팩은 BMS에 의해 관리된다. BMS는 다른 셀들이 여전히 충전되거나 방전될 시간이 필요할지라도 비효율적인 작동을 방지하고 과충전 또는 과방전으로부터 발생할 수 있는 사고를 방지하기 위해, 셀의 충전 및 방전 속도를 멈추게 한다.

도 3은 각 배터리의 서로 다른 충전 전압 및 방전 전압을 나타낸 도면이다.

도 3은 각 배터리의 다른 특성이 다른 세 개의 배터리에 대해 서로 다른 충전 및 방전 속도를 제공하는 것을 나타낸다. 최근 상업적으로 이용 가능한 리튬이온 배터리 팩의 BMS는 온도, 전압, 전류 및 SOC(예컨대, 충전 상태 또는 방전 상태)를 실시간으로 모니터링할 수 있다. 리튬이온 배터리 팩의 BMS는 만약 그들의 모니터링 값이 정상 예측된 값을 초과한다면, 배터리 셀 또는 팩의 전기 회로를 제어 및 관리할 수 있다.

이러한 종류의 BMS는 배터리의 자연적인 노화 또는 온도 변화와 같은 다른 효과에 대한 예측된 데이터를 실제 실험실 실험에서 얻는 것이 매우 어렵기 때문에 서로 다른 특성을 가진 각 셀의 신뢰할 수 있는 수명을 예측할 수 없다.

열적 밸런싱된 팩 디자인을 포함하여 일부 가능한 제한된 조건에서도 다른 리튬이온 배터리들에 대한 실제 실험실 실험의 다양한 경우는 매우 많은 시간과 비용이 소요된다.

대한민국 공개특허공보 10-2007-0043150(2007.04.25. 공개)

본 발명의 실시 예들은 수치 시뮬레이션 데이터를 기반으로 배터리의 수명 상태(SOH)를 신뢰성 있게 예측할 수 있는, 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법을 제공하고자 한다.

본 발명의 실시 예들은 배터리 용량(SOC) 및 배터리의 수명 상태(SOH)와 관련하여 예측된 신뢰할 수 있는 빅 데이터를 가진 수치적 표본 사례를 기반으로 SOC 및 SOH를 예측할 수 있는, 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법을 제공하고자 한다.

본 발명의 실시 예들은 허용 오차 내에서 비정상적인 작동이 일정 시간 지속되면, BMS에 경보 또는 교체 신호를 제공할 수 있는, 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법을 제공하고자 한다.

그러나 본 발명의 목적은 상기에 언급된 목적으로 제한되지 않으며, 언급되지 않았으나 아래 수단들 또는 실시예상의 구체적인 구성에 따른 다른 목적들은 그 기재로부터 이 기술 분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

본 발명의 제1 측면에 따르면, 배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서, 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계; 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터 및 배터리로부터 판독된 측정 데이터 간의 편차가 기설정된 범위 이내이고 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및 상기 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법이 제공될 수 있다.

상기 획득하는 단계는, 배터리에 대한 초기 조건을 설정하는 단계; 상기 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석을 수행하는 단계; 상기 수행된 수치적 분석 결과를 실험 결과로 검증하는 단계; 상기 검증이 완료되면 상기 수치적 분석 결과에 대한 배터리의 솔루션 데이터를 추출하는 단계; 및 상기 추출된 솔루션 데이터를 검증된 수치적 시뮬레이션 데이터베이스에 저장하고 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 획득하는 단계;를 포함할 수 있다.

상기 수치적 분석을 수행하는 단계는, 종 수송 모델(Species Transport Model), 전위 모델(Electronic Potential Model), 화학적 반응 모델(Chemical Reaction Model) 및 에너지 밸런스 모델(Energy Balance Model) 중에서 적어도 하나 이상을 이용하여 수치적 분석을 수행할 수 있다.

상기 카운트하는 단계는, 상기 배터리가 충전 중이고 배터리 용량이 완전 충전이면 충전된 횟수를 카운트하고 충전을 중지하고, 상기 배터리가 방전 중이고 배터리 용량이 최소 배터리 용량이면 방전된 횟수를 카운트하고 방전을 중지할 수 있다.

상기 카운트하는 단계는, 기검증된 수치적 시뮬레이션 데이터베이스로부터 기준 데이터를 판독하는 단계; 충전 또는 방전 중인 배터리로부터 측정 데이터를 판독하는 단계; 상기 판독된 기준 데이터 및 상기 판독된 측정 데이터 간의 편차를 계산하는 단계; 상기 계산된 편차가 기설정된 범위 이내인지를 확인하고, 상기 계산된 편차가 기설정된 범위 이내이면 배터리 용량을 계산하는 단계; 및 상기 계산된 배터리 용량이 완전 충전이거나 또는 최소 배터리 용량 이하이면 충전 횟수 또는 방전 횟수를 카운트하고 충전 또는 방전을 중지하는 단계;를 포함할 수 있다.

상기 예측하는 단계는, 서포트 벡터 머신(Support Vector Machine), 베이즈 분류기(Bayes Classifiers), 인공신경망(Artificial Neural Networks) 및 결정 트리(Decision Tree) 중에서 어느 하나의 머신 러닝 알고리즘을 이용하여 배터리의 수명 상태를 예측할 수 있다.

상기 수명 상태 예측 방법은, 기준 데이터 및 측정 데이터 간의 편차가 기설정된 범위를 벗어나면 세이프티 알고리즘을 통해 배터리의 충전 또는 방전을 비상 정지시키는 단계;를 더 포함할 수 있다.

상기 비상 정지시키는 단계는, 오차 데이터베이스로부터 n번째 오차값 및 n-1번째 오차값을 판독하는 단계; n번째 오차값 및 n-1번째 오차값의 편차의 오차 편차값 합계를 계산하는 단계; 기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하인지를 확인하는 단계; 기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하가 아니면, 충전 또는 방전시의 배터리 용량을 계산하는 단계; 및 기설정된 최대 오차값이 상기 계산된 오차값 합계 이하이면, 배터리의 충전 또는 방전 동작을 비상 정지시키는 단계;를 포함할 수 있다.

한편, 본 발명의 제2 측면에 따르면, 배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서, 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계; 배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고, 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및 상기 카운트된 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법이 제공될 수 있다.

상기 카운트하는 단계는, 기검증된 수치적 시뮬레이션 데이터베이스로부터 기준 데이터를 판독하는 단계; 충전 또는 방전 중인 배터리로부터 측정 데이터를 판독하는 단계; 배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하는 단계; 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내인지를 확인하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고 배터리 용량이 기설정된 조건을 만족하면 배터리 용량을 계산하는 단계; 및 상기 계산된 배터리 용량이 완전 충전 또는 최소 배터리 용량 이하이면 충전 횟수 또는 방전 횟수를 카운트하고 충전 또는 방전을 중지하는 단계;를 포함할 수 있다.

상기 수명 상태 예측 방법은, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간을 벗어나면 세이프티 알고리즘을 통해 배터리의 충전 또는 방전을 비상 정지시키는 단계;를 더 포함할 수 있다.

본 발명의 실시 예들은 수치 시뮬레이션 데이터를 기반으로 배터리의 수명 상태(SOH)를 신뢰성 있게 예측할 수 있다.

본 발명의 실시 예들은 배터리 용량(SOC) 및 배터리의 수명 상태(SOH)와 관련하여 예측된 신뢰할 수 있는 빅 데이터를 가진 수치적 표본 사례를 기반으로 SOC 및 SOH를 예측할 수 있다.

본 발명의 실시 예들은 허용 오차 내에서 비정상적인 작동이 일정 시간 지속되면, 배터리 관리 시스템에 경보 또는 교체 신호를 제공할 수 있다.

도 1은 동일한 공정으로 제조된 50개의 배터리 임피던스를 나타낸 도면이다.
도 2는 동일한 공정으로 제조된 50개의 배터리 용량을 나타낸 도면이다.
도 3은 각 배터리의 서로 다른 충전 전압 및 방전 전압을 나타낸 도면이다.
도 4는 본 발명의 실시 예에 따른 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법이 적용되는 배터리 관리 시스템의 구성을 나타낸 도면이다.
도 5는 1차원 배터리 모델과 2차원 젤리 롤 모델이 적용된 배터리의 개념도를 나타낸 도면이다.
도 6은 다양한 온도에서 리튬이온 배터리 충전 곡선을 나타낸 도면이다.
도 7은 다양한 온도에서 리튬이온 배터리 방전 곡선을 나타낸 도면이다.
도 8은 서로 다른 온도에서 충전하면서 4V에 도달하기까지의 시간(1 사이클)을 나타낸 도면이다.
도 9는 다른 온도에서 방전하면서 3.5V에 도달하기 전의 시간 (1 사이클)을 나타낸 도면이다.
도 10은 본 발명의 실시 예에 따른 수치 해석에 의해 검증된 수치 시뮬레이션 데이터베이스를 획득하기 위한 흐름도를 나타낸 도면이다.
도 11은 본 발명의 실시 예에 따른 머신 러닝 알고리즘을 사용하여 배터리의 수명 상태를 예측하는 흐름도를 나타낸 도면이다.
도 12는 본 발명의 실시 예에 따른 충전시 실시간 측정 전압을 기반으로 한 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.
도 13은 본 발명의 실시 예에 따른 방전시 실시간 측정 전압을 기반으로 한 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.
도 14는 본 발명의 실시 예에 따른 비상 정지를 위한 세이프티 알고리즘의 흐름도를 나타낸 도면이다.
도 15는 본 발명의 실시 예에 따른 충전시 최대 전압에 도달하는 시간을 기반으로 하는 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.
도 16은 본 발명의 실시 예에 따른 방전시 최대 전압에 도달하는 시간을 기반으로 하는 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.

이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 설명한다. 본 발명에 따른 동작 및 작용을 이해하는 데 필요한 부분을 중심으로 상세히 설명한다. 본 발명의 실시 예를 설명하면서, 본 발명이 속하는 기술 분야에 익히 알려졌고 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.

또한, 본 발명의 구성 요소를 설명하는 데 있어서, 동일한 명칭의 구성 요소에 대하여 도면에 따라 다른 참조부호를 부여할 수도 있으며, 서로 다른 도면임에도 동일한 참조부호를 부여할 수도 있다. 그러나 이와 같은 경우라 하더라도 해당 구성 요소가 실시 예에 따라 서로 다른 기능을 갖는다는 것을 의미하거나, 서로 다른 실시 예에서 동일한 기능을 갖는다는 것을 의미하는 것은 아니며, 각각의 구성 요소의 기능은 해당 실시 예에서의 각각의 구성 요소에 대한 설명에 기초하여 판단하여야 할 것이다.

또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의하여 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다.

또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

도 4는 본 발명의 실시 예에 따른 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법이 적용되는 배터리 관리 시스템의 구성을 나타낸 도면이다.

도 4에 도시된 바와 같이, 본 발명의 실시 예에 따른 배터리 관리 시스템(100)은 제어부(110), 데이터 입출력부(120), 수치적 시뮬레이션 데이터베이스(130) 및 오차 데이터베이스(140)를 포함한다.

배터리 관리 시스템(110, BMS)은, 배터리 셀 또는 배터리 팩(10)의 노화도(SOH : State of Health, 또는 현재 배터리의 수명 상태) 및 충전 상태(SOC : State of Charge, 또는 현재 배터리의 충방전 상태)의 모니터링과 관리를 위해서 배터리 셀(또는 배터리 팩)의 전압(V), 전류(I), 온도(T)등을 모니터링한다.

배터리 팩(10)은 부하(11)와 연결되고, 저장된 에너지를 부하(11)에 제공한다.

본 발명의 실시 예에 따른 배터리 관리 시스템(BMS)은 현재 배터리 사용 환경에서 측정된 측정 데이터와 수치적 시뮬레이션 데이터베이스로부터 기준 데이터를 이용하여 배터리의 수명 상태(SOH, 또는 노화도)를 보다 정확하게 예측할 수 있도록 함으로써, 사용자가 배터리 교체시기를 사전에 알고 적절하게 관리할 수 있도록 한다.

이하, 도 1의 배터리 관리 시스템의 각 구성요소들의 구체적인 구성 및 동작을 설명한다.

제어부(110)는 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득한다.

그리고 제어부(110)는 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터 및 배터리로부터 판독된 측정 데이터 간의 편차가 기설정된 범위 이내이고 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 충전시 또는 방전시 SOH 예측 알고리즘(SOH Prediction Algorithm)을 수행한다.

이후, 제어부(110)는 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 머신 러닝 알고리즘(Machine Learning Algorithm)을 수행한다.

한편, 제어부(110)는 기준 데이터 및 측정 데이터 간의 편차가 기설정된 범위를 벗어나면 세이프티 알고리즘(Safety Algorithm)을 통해 배터리의 충전 또는 방전을 비상 정지시킨다.

데이터 입출력부(120)는 배터리의 수명 상태 예측시 필요한 데이터를 입력받는다. 또한, 데이터 입출력부(120)는 예측된 배터리의 수명 상태나 배터리와 관련하여 계산된 데이터를 출력할 수 있다.

수치적 시뮬레이션 데이터베이스(130)는 전기적-화학적 분석을 통해 추출된 배터리에 대한 솔루션 데이터를 저장한다.

오차 데이터베이스(140)는 제어부(110)에서 계산된 오차값을 저장한다.

도 5는 1차원 배터리 모델과 2차원 젤리 롤 모델이 적용된 배터리의 개념도를 나타낸 도면이다.

도 5는 애노드(anode), 분리막(separator) 및 캐소드(cathode)로 구성된 리튬이온 배터리의 개념도를 나타낸다. 각각의 전극은 활성 물질, 충전제, 고분자 바인더 및 전해질을 포함한다. 그래파이트 MCMB2528 및 LiMn₂O₄는 양극 및 음극의 주요 활성 물질이다. 전해질은 프로필렌 카보네이트(PC, 10% vol), 에틸렌 카보네이트(EC, 27% vol) 및 디-메틸 카보네이트(DMC, 63% vol)의 혼합물이다. 한편, 다공성 분리막은 액체 전해질과 p(VdF-HFP)로 구성된다.

리튬이온 배터리의 물리적 현상은 [수학식 1] 내지 [수학식 7]에 의해 나타날 수 있다. 이들은 전해질 및 고체 상태 하에서의 전압 및 물질 수송(농도)에 대한 물리적 지배적인 현상, 배터리 내부의 전류 밸런싱 및 열역학적 이론에 기초한 에너지 균형을 나타낸다.

a) 전해액에서의 전위(Potential in the electrolyte)

b) 고체에서의 전위(Potential in solid)

c) 전해액에서의 운반(Transport in the electrolyte)

d) 고체에서의 운반(Transport in solid)

e) 반응 속도(Reaction rate)

f) 현재 밸런스(Current balance)

g) 에너지 밸런스(Energy balance)

여기서, a는 전극 부피당 활물질의 표면적, c는 전해질의 염 농도, cs는 고체 삽입 전극에서의 리튬 농도, Cp는 열용량, D는 염 확산 계수, Ds는 삽입 전극에서 리튬의 확산 계수, f_ ±는 전해질의 평균 몰 활성 계수, F는 패러데이 상수, in는 활성 물질의 표면에 수직으로 전류를 전달, i₀는 교환 전류 밀도, i₂는 전해질 내의 전류 밀도 (표면적), I는 전지의 총 전류 밀도, j는 반응에 의한 총 플럭스 (활물질의), n은 반 반응에 관여하는 전자의 수, Q는: 열 발생율, R은 일반적인 기체 상수, s는 화학량 론적 계수, 양극 반응물에 양성, Time은 시간, t_i^0는 용매 속도에 대한 종 'i'의 전이 수, T는 온도 및 K, v는 속도, zi는 이온 i의 전하를 나타낸다.

또한, α는 전달 계수, ε는 부피 분율(달리 명시되지 않는 한 전해질의), κ는 유효 이온 전도도, ν는 1몰의 전해질이 해리되는 이온(ions)의 몰수, σ는 다공성 전극의 유효 전자 전도성, Φ는 전위를 나타낸다. a는 양극, c는 음극, i는 종 i, +는 양극, -는 음극을 나타낸다.

상기의 수학식들은 리튬이온 배터리의 기본 이론에서 파생된 편미분 방정식이다. 상업용 다중 물리 패키지 프로그램은 내부 전기 화학 반응을 고려한 배터리 셀의 지배 편미분 방정식인 [수학식 1] 내지 [수학식 7]을 풀기 위해 사용된다. 현재 수치 모델의 컴솔의 계산 신뢰도는 배터리의 충전 및 방전과 표면 온도에 대한 실험 결과와 비교함으로써 이전 보고서에서 검증되었다. 실험 결과와 시뮬레이션 모델의 편차는 온도 및 전압에 대해 허용 오차 내에서 고려되었다.

도 6은 다양한 온도에서 리튬이온 배터리 충전 곡선을 나타낸 도면이다. 도 7은 다양한 온도에서 리튬이온 배터리 방전 곡선을 나타낸 도면이다.

예측된 시뮬레이션 데이터를 신뢰성 있는 수치적 방법으로 획득하려면 배터리 팩의 수치 모델이 최적으로 설계되어야 한다. 이는 표면 온도에서 균등하게 밸런싱된 셀을 가져야 한다. 따라서 본 발명의 실시 예는 서로 다른 환경 온도에서 배터리 셀의 내부 성능의 SOC 및 SOH에 관한 시뮬레이션 데이터를 예측할 수 있다.

도 6 및 도 7은 원통형 리튬이온 배터리 케이스의 상이한 온도에 대한 충전 및 방전 속도의 변화를 도시한다. 각 시뮬레이션은 배터리 셀의 환경 온도가 처음부터 일정한 상태로 유지되었다고 가정한다. 실험 결과는 환경 온도가 낮을수록 충전 및 방전 속도가 빨라진다는 것을 의미한다. 온도가 낮아지면 반응 속도도 배터리 내부에 떨어지며, 이는 구형 배터리의 용량 감소의 경우와 유사하다.

도 8은 서로 다른 온도에서 충전하면서 4V에 도달하기까지의 시간(1 사이클)을 나타낸 도면이다. 도 9는 다른 온도에서 방전하면서 3.5V에 도달하기 전의 시간 (1 사이클)을 나타낸 도면이다.

도 8 및 도 9는 온도의 영향에 대한 정량적 분석을 위해 다양한 환경 온도에서 목표 충전 및 방전 전압에 도달하는 데 필요한 시간을 보여준다. 목표 전압은 일반적으로 사용되는 리튬이온 배터리의 상단 및 하단 전압인 4V 및 3.6V에서 결정된다. 두 수치는 서로 다른 환경 온도에 따라 충전 및 방전 속도가 거의 선형으로 올라가거나 떨어지는 것을 보여준다. 선형 회귀 분석에 의해 작성된 공식과 값이 각 도면에 삽입된다. 도 8과 도 9의 온도 값과 공식은 섭씨 10도에서 80도 사이의 온도 범위에서 유도된다.

이와 같이, 도 6 내지 도 9의 네 가지 도면은 SOC의 예측된 전압 변화와 서로 다른 셀의 표면 온도에서 목표 전압에 도달하는 충전 또는 방전 시간을 보여준다.

본 발명의 실시 예에 따른 배터리의 수명 상태 예측 방법은 SOC 및 SOH와 관련하여 예측된 신뢰할 수 있는 빅 데이터를 가진 수치적 표본 사례를 기반으로 SOC 및 SOH 예측을 위한 새로운 알고리즘을 제공하고자 한다.

한편, 서로 다른 온도에서 배터리 셀의 SOH를 예측하는 방법은 두 가지가 있다. 하나의 방법은 작동 시간을 확인하거나 주기적인 작동 횟수를 계산하여 정상적인 충전 및 방전 조건에서 배터리 셀의 잔여 수명을 파악하는 것이다. 다른 하나의 방법은 허용 오차 내에서 비정상적인 작동이 일정 시간 지속되면, BMS에 경보 또는 교체 신호를 제공하는 것이다. 본 발명의 실시 예는 다양한 신뢰성 있는 수치 해석을 통해 얻어진 정상 데이터에 기반한 SOH 예측 알고리즘을 도출하기 위해, 두 번째 접근법에보다 중점을 둔다. 따라서 SOC는 정상적인 온도 범위에서 검증된 수치 모델에 의해 얻어진다. 검증된 수치 모델은 또한 일반적으로 요구되는 전압에 대한 충분한 데이터베이스를 제공한다.

도 10은 본 발명의 실시 예에 따른 수치 해석에 의해 검증된 수치 시뮬레이션 데이터베이스를 획득하기 위한 흐름도를 나타낸 도면이다.

도 10은 배터리의 SOH 예측 알고리즘에 사용될 신뢰할 수 있는 기준 데이터베이스를 얻기 위한 수치 시뮬레이션 흐름도를 보여준다. SOH 예측 알고리즘은 배터리 관리 시스템의 제어부(110)에 코딩되어야 한다. 제어부(110)는 배터리가 서로 다른 온도에서 충전 및 방전될 때 전압의 정상적인 데이터베이스에서 벗어나는 비정상적인 상태를 감지한다.

계산될 전압 변화 외에도, 상이한 온도에서 요구되는 전압에 도달하는 시간에 대한 데이터베이스는 SOH 예측 알고리즘을 적용하기 위해 정상 상태를 제공한다. 따라서 알람은 배터리 관리 시스템(100)에서의 실시간 측정 데이터가 제안된 정상 표준 데이터베이스에서 벗어나면 미리 비정상 상태를 알린다. 리튬이온 배터리 팩에서 반복되고 누적된 데이터는 인공 지능(AI) 알고리즘을 통해 데이터베이스 및 오차 감지 조건을 향상시킴으로써, SOH 예측을 더욱 빠르고 정확하게 제공할 수 있다. 기존 데이터 및 인공 지능 알고리즘으로부터 생성된 데이터는 새로운 수치 시뮬레이션 데이터와 반복적으로 결합된다. 이를 통해, 새로 생성된 데이터를 분류, 추출 및 조작하여 리튬이온 배터리 셀의 SOH를 예측한다.

도 10에 도시된 바와 같이, 배터리 관리 시스템(100)은 초기 조건들(Initial Conditions)을 설정한다(S101).

예를 들면, 배터리 관리 시스템(100)은 경계 조건(Boundary Condition), 재료 특성들(Material Properties)을 설정할 수 있다.

배터리 관리 시스템(100)은 수치적 분석(Numerical Analysis)을 수행한다(S102). 구체적으로 살펴보면, 배터리 관리 시스템(100)은 전기-화학적 분석(Electro-chemical Analysis)을 수행한다. 예를 들면, 종 수송 모델(Species Transport Model), 전위 모델(Electronic Potential Model), 화학적 반응 모델(Chemical Reaction Model), 에너지 밸런스 모델(Energy Balance Model)에 따라 전기-화학적 분석이 수행될 수 있다.

배터리 관리 시스템(100)은 통합되어 있는지를 확인한다(S103).

상기 확인 결과(S103), 통합되어 있지 않으면, 배터리 관리 시스템(100)은 메쉬 퀄러티(Mesh Quality) 및 물리적 모델(Physical Model)을 체크한다(S104).

상기 확인 결과(S103), 통합되어 있으면, 배터리 관리 시스템(100)은 실험 결과(Experimental Results)로 검증한다(S105).

배터리 관리 시스템(100)은 신뢰성이 있는지를 확인한다(S106).

상기 확인 결과(S106), 신뢰성이 없으면, 배터리 관리 시스템(100)은 메쉬 퀄러티(Mesh Quality) 및 물리적 모델(Physical Model)을 체크하는 S104 과정을 수행한다.

상기 확인 결과(S106), 신뢰성이 있으면, 솔루션 데이터(Solution Data)를 추출한다(S107).

배터리 관리 시스템(100)은 추출된 솔루션 데이터를 검증된 수치적 시뮬레이션 데이터베이스(Verified Numerical Simulation Database)에 저장한다.

도 11은 본 발명의 실시 예에 따른 머신 러닝 알고리즘을 사용하여 배터리의 수명 상태를 예측하는 흐름도를 나타낸 도면이다.

도 11은 검증된 수치 시뮬레이션 데이터를 기반으로 하는 인공 지능(AI) 알고리즘에 대한 흐름도를 보여준다.

배터리 관리 시스템(100)은 존재하는 실험적 데이터 및 수치적 데이터가 포함된 학습 데이터(Training Data)를 획득한다(S201).

배터리 관리 시스템(100)은 머신 러닝 알고리즘(Machine Learning Algorithm)에 따라 학습 데이터를 이용하여 머신 러닝 과정을 수행한다(S201). 예를 들면, 머신 러닝 알고리즘에는 서포트 벡터 머신(Support Vector Machine), 베이즈 분류기(Bayes Classifiers), 인공신경망(Artificial Neural Networks), 결정 트리(Decision Tree) 등이 포함될 수 있다.

이후, 배터리 관리 시스템(100)은 배터리 수명 상태(SOH)의 예측 알고리즘으로부터 새로운 데이터를 수신받는다(S203). 도 12 내지 도 16에 각각 도시된 각각의 알고리즘으로부터 새로운 데이터를 수신받는다.

배터리 관리 시스템(100)의 분류기(Classifier)는 학습된 머신 러닝 알고리즘을 기초로 하여 수신된 새로운 데이터를 분류한다(S204).

배터리 관리 시스템(100)은 배터리의 수명 상태를 예측(Prediction)하는 과정을 수행한다(S205).

한편, 시뮬레이션된 전압에 기반한 SOH 예측 알고리즘에 대해서 살펴보기로 한다.

도 6 및 도 7은 리튬이온 배터리의 특성이 환경 온도에 의존함을 보여준다. 수치 시뮬레이션을 통해 계산된 신뢰할 수 있는 데이터베이스는 다른 온도에서 측정된 전압에서 벗어난 양을 확인하기 위한 표준 기준 데이터로 사용될 수 있다. 측정된 데이터가 허용 오차 내에서 특정 온도에서 제안된 전압 변화를 따르지 않으면, 작동 배터리 셀이 양호한 수명 상태가 아닐 수 있다고 판단될 수 있다.

SOH를 예측하기 위한 논리적인 흐름도는 충전 및 방전의 경우에 대해 도 12 및 도 13에 도시되어 있다. V_n은 특정 온도에서 신뢰할 수 있는 수치 시뮬레이션에 의해 누적된 기준 전압의 기준 데이터이며, V_r은 배터리 셀의 실시간 측정 전압에 대한 측정 데이터를 나타낸다. V_n과 V_r의 두 값의 편차는 배터리 관리 시스템(100)에만 알람이 전송되거나, 즉시 배터리 셀을 정지할지 여부를 결정하는데 이용될 수 있다. 알람의 경우에만 배터리 관리 시스템(100)의 세이프티 알고리즘이 선택되고 작동되어야 한다.

어떤 알람에 대해서도 배터리 셀을 멈추게 할 수 없으므로 최종 결정을 내리는 알고리즘이 필요하고, 이러한 세이프티 알고리즘은 도 14에 도시되어 있다. 최종 결정을 위한 알고리즘은 누적된 오차 데이터를 특정 수의 사이클과 함께 점검하고 이 값이 최대 오차값(ERRmax)을 초과하면 긴급 중단이 실행되어야 한다.

도 12는 본 발명의 실시 예에 따른 충전시 실시간 측정 전압을 기반으로 한 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.

배터리 관리 시스템(100)은 검증된 수치적 시뮬레이션 데이터베이스(130)로부터 기준 전압(V_n), 최대 허용 시간(t_max), 최소 허용 시간(t_min), 기준 온도(T_n), 기준 전류(I_n), …, 등을 판독(Read)한다(S301).

배터리는 충전(Charging)을 시작한다(S302).

배터리 관리 시스템(100)은 충전 중인 배터리로부터 측정된 측정 전압(V_r), 측정 시간(t_r), 측정 온도(T_r), 측정 전류(I_r), …, 등을 판독한다(S303).

배터리 관리 시스템(100)은 하기의 [수학식 8]에 따라 n번째 오차값(ERR_n)을 계산한다(S304). 배터리 관리 시스템(100)은 계산된 ERR_n을 오차 데이터베이스(140)에 저장한다.

여기서, ERR_n는 n번째 오차값, V_n은 특정 온도에서 신뢰할 수 있는 수치 시뮬레이션에 의해 누적된 기준 전압의 기준 데이터이며, V_r은 배터리 셀의 실시간 측정 전압에 대한 측정 데이터를 나타낸다.

배터리 관리 시스템(100)은 ERR_n이 기설정된 범위 이내인지를 확인한다(S305).

상기 확인 결과(S305), ERR_n이 기설정된 범위 이내가 아니면, 배터리 관리 시스템(100)은 ERR_n이 기설정된 범위가 아닌 경우가 연속적인 이벤트인지를 확인한다(S306).

상기 확인 결과(S306), ERR_n이 기설정된 범위가 아닌 경우가 연속적인 이벤트이면, 배터리 관리 시스템(100)은 알람(Alarm)을 수행한다(S307).

배터리 관리 시스템(100)은 세이프티 알고리즘으로 이동하여 세이프티 알고리즘을 수행한다(S307). 세이프티 알고리즘은 도 14에 도시되어 있다.

상기 확인 결과(S305), ERR_n이 기설정된 범위가 아닌 경우가 연속적인 이벤트가 아니면, 배터리 관리 시스템(100)은 배터리 용량(SOC)을 계산한다(S309).

한편, 상기 확인 결과, ERR_n이 기설정된 범위 이내이면, 배터리 관리 시스템(100)은 배터리 용량(SOC)을 계산하는 S309 과정을 수행한다.

배터리 관리 시스템(100)은 계산된 배터리 용량이 100%인지를 확인한다(S310).

상기 확인 결과(S310), 계산된 배터리 용량이 100%가 아니면, 배터리 관리 시스템(100)은 배터리에서 V_r, t_r, T_r, I_r, …, 등을 판독하는 S303 과정으로 이동하여 수행한다.

상기 확인 결과, 계산된 배터리 용량이 100%이면, 배터리 관리 시스템(100)은 충전된 횟수를 카운트한다(S311).

배터리 관리 시스템(100)은 충전을 중단한다(S312).

배터리 관리 시스템(100)은 모든 데이터를 머신 러닝 알고리즘에 전송한다(S313). 머신 러닝 알고리즘은 도 10에 도시되어 있다.

배터리 관리 시스템(100)은 방전시 SOH 예측 알고리즘으로 이동하여 방전시 SOH 예측 알고리즘을 수행한다(S314). 방전시 SOH 예측 알고리즘은 도 12에 도시되어 있다.

도 13은 본 발명의 실시 예에 따른 방전시 실시간 측정 전압을 기반으로 한 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.

배터리 관리 시스템(100)은 검증된 수치적 시뮬레이션 데이터베이스(130)로부터 V_n, t_max, t_min, T_n, I_n, SOC_min, 등을 판독한다(S401).

배터리는 방전(Discharging)을 시작한다(S402).

배터리 관리 시스템(100)은 방전 중인 배터리로부터 V_r, t_r, T_r, I_r, …, 등을 판독한다(S403).

배터리 관리 시스템(100)은 상기의 [수학식 8]에 따라 ERR_n을 계산한다(S404). 배터리 관리 시스템(100)은 계산된 ERR_n을 오차 데이터베이스(140)에 저장한다.

배터리 관리 시스템(100)은 ERR_n이 기설정된 범위 이내인지를 확인한다(S405).

상기 확인 결과(S405), ERR_n이 기설정된 범위 이내가 아니면, 배터리 관리 시스템(100)은 ERR_n이 기설정된 범위가 아닌 경우가 연속적인 이벤트인지를 확인한다(S406).

상기 확인 결과(S406), ERR_n이 기설정된 범위가 아닌 경우가 연속적인 이벤트이면, 배터리 관리 시스템(100)은 알람(Alarm)을 수행한다(S407).

배터리 관리 시스템(100)은 세이프티 알고리즘으로 이동하여 세이프티 알고리즘을 수행한다. 세이프티 알고리즘은 도 13에 도시되어 있다(S408).

상기 확인 결과(S406), ERR_n이 기설정된 범위가 아닌 경우가 연속적인 이벤트가 아니면, 배터리 관리 시스템(100)은 배터리 용량(SOC)을 계산한다(S409).

한편, 상기 확인 결과, ERR_n이 기설정된 범위 이내이면, 배터리 관리 시스템(100)은 배터리 용량(SOC)을 계산하는 S409 과정을 수행한다.

배터리 관리 시스템(100)은 계산된 배터리 용량이 SOC_min 이하인지를 확인한다(S410).

상기 확인 결과(S410)., 계산된 배터리 용량이 SOC_min를 초과하면, 배터리 관리 시스템(100)은 배터리에서 V_r, t_r, T_r, I_r, …, 등을 판독하는 S403 과정으로 이동하여 수행한다.

상기 확인 결과(S410)., 계산된 배터리 용량이 SOC_min 이하이면, 배터리 관리 시스템(100)은 방전된 횟수를 카운트한다(S411).

배터리 관리 시스템(100)은 방전을 중단한다(S412).

배터리 관리 시스템(100)은 모든 데이터를 머신 러닝 알고리즘에 전송한다(S413). 머신 러닝 알고리즘은 도 10에 도시되어 있다.

배터리 관리 시스템(100)은 방전시 SOH 예측 알고리즘으로 이동하여 방전시 SOH 예측 알고리즘을 수행한다(S414). 방전시 SOH 예측 알고리즘은 도 12에 도시되어 있다.

도 14는 본 발명의 실시 예에 따른 비상 정지를 위한 세이프티 알고리즘의 흐름도를 나타낸 도면이다.

배터리 관리 시스템(100)은 오차 데이터베이스로부터 n번째 ERR_n 및 n-1번째 ERR_n-1을 판독한다(S501).

배터리 관리 시스템(100)은 n번째 ERR_n 및 n-1번째 ERR_n _-1의 편차의 합계 DEV_n을 하기의 [수학식 9]에 따라 계산한다(S502).

배터리 관리 시스템(100)은 최대 오차 ERR_max 가 1 내지 k번째까지의 DEV_n의 합계 이하인지를 확인한다(S503).

상기 확인 결과(S503)., 최대 오차 ERR_max 가 1 내지 k번째까지의 DEV_n의 합계를 초과하면, 배터리 관리 시스템(100)은 도 11 및 도 12에 도시된 충전 및 방전시의 배터리 용량(SOC) 계산 블럭으로 이동하여 수행한다(S504).

상기 확인 결과(S503), 최대 오차 ERR_max 가 1 내지 k번째까지의 DEV_n의 합계 이하이면, 배터리 관리 시스템(100)은 도 10에 도시된 머신 러닝 알고리즘에 모든 데이터를 전송한다(S505).

배터리 관리 시스템(100)은 비상 정지(Emergency Stop)를 수행한다(S506).

한편, 충전 및 방전 시간에 따른 SOH 예측 알고리즘에 대해서 살펴보기로 한다. 도 11 및 도 12에서는 SOH가 측정 데이터와 기준 데이터 간의 편차가 있는 전압 데이터를 기반으로 예측될 수 있는 SOH 예측 알고리즘이 나타나 있다. SOH를 평가하기 위한 전압 데이터 이외에, 노화되고 오작동되는 배터리 셀에 대해 충전 및 방전 속도를 측정할 시간이 있다. 배터리 셀이 수명이 다하거나 수명이 다해 가면서, 충전 시간 또는 상한 또는 하한 전압 레벨로 충전되는 시간이 단축되고 있다.

도 15 및 도 16은 시간에 기초하여 충전 및 방전되는 경우의 SOH를 예측하기 위한 논리 흐름도를 도시한다. t_max 및 t_min은 충전 및 방전된 목표 전압에 도달할 수 있는 최대 및 최소 허용 시간입니다. 이러한 최대 및 최소 허용 목표치를 초과하는 값은 배터리 셀의 상태가 비정상적인 상태가 되고 이러한 제한을 제어하는 알고리즘도 구현되어야 함을 의미한다.

도 15는 본 발명의 실시 예에 따른 충전시 최대 전압에 도달하는 시간을 기반으로 하는 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.

배터리 관리 시스템(100)은 검증된 수치적 시뮬레이션 데이터베이스(Verified Numerical Simulation Database)로부터 V_n, t_max, t_min, T_n, I_n, …, 등을 판독(Read)한다(S601).

배터리 관리 시스템(100)은 배터리는 충전(Charging)을 시작한다(S602).

배터리 관리 시스템(100)은 충전 중인 배터리로부터 V_r, t_r, T_r, I_r, …, 등을 판독한다(S603).

배터리 관리 시스템(100)은 V_r이 V_n 이하인지를 확인한다(S604).

상기 확인 결과(S604), V_r이 V_n 이하이면, 배터리 관리 시스템(100)은 t가 t_max 이하인지를 확인한다(S605).

상기 확인 결과(S605), t가 t_max 이하이면, 배터리 관리 시스템(100)은 V_r, t_r, T_r, I_r, …, 등을 판독하는 S603 과정으로 이동하여 수행한다.

한편, 상기 확인 결과(S604), V_r이 V_n 이하가 아니면, 배터리 관리 시스템(100)은 t가 t_min 이하인지를 확인한다(S606).

상기 확인 결과(S606), t가 t_min 이하이면, 배터리 관리 시스템(100)은 연속적인 이벤트인지를 확인한다(S607).

한편, 상기 확인 결과(S605), t가 t_max 이하가 아니면, 배터리 관리 시스템(100)은 연속적인 이벤트인지를 확인하는 S607 과정을 수행한다.

상기 확인 결과(S607), 연속적인 이벤트가 아니면, 배터리 관리 시스템(100)은 V_r, t_r, T_r, I_r, …, 등을 판독하는 S603 과정으로 이동하여 수행한다.

반면, 상기 확인 결과(S607), 연속적인 이벤트이면, 배터리 관리 시스템(100)은 알람(Alarm)을 수행한다(S608).

배터리 관리 시스템(100)은 세이프티 알고리즘으로 이동하여 세이프티 알고리즘을 수행한다(S609). 세이프티 알고리즘은 도 13에 도시되어 있다.

상기 확인 결과(S606), t가 t_min 이하가 아니면, 배터리 관리 시스템(100)은 배터리 용량(SOC)을 계산한다(S610).

배터리 관리 시스템(100)은 계산된 배터리 용량이 100%인지를 확인한다(S611).

상기 확인 결과(S611), 계산된 배터리 용량이 100%가 아니면, 배터리 관리 시스템(100)은 배터리에서 V_r, t_r, T_r, I_r, …, 등을 판독하는 S603 과정으로 이동하여 수행한다.

상기 확인 결과(S611), 계산된 배터리 용량이 100%이면, 배터리 관리 시스템(100)은 충전을 중단한다(S612).

그리고 배터리 관리 시스템(100)은 충전된 횟수를 카운트한다(S613).

배터리 관리 시스템(100)은 모든 데이터를 머신 러닝 알고리즘에 전송한다(S614). 머신 러닝 알고리즘은 도 10에 도시되어 있다.

배터리 관리 시스템(100)은 방전시 SOH 예측 알고리즘으로 이동하여 방전시 SOH 예측 알고리즘을 수행한다(S615). 방전시 SOH 예측 알고리즘은 도 13에 도시되어 있다.

도 16은 본 발명의 실시 예에 따른 방전시 최대 전압에 도달하는 시간을 기반으로 하는 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.

배터리 관리 시스템(100)은 검증된 수치적 시뮬레이션 데이터베이스(Verified Numerical Simulation Database)로부터 V_n, t_max, t_min, T_n, I_n, SOC_min, …, 등을 판독(Read)한다(S701).

배터리 관리 시스템(100)은 배터리는 방전(Discharging)을 시작한다(S702).

배터리 관리 시스템(100)은 충전 중인 배터리로부터 V_r, t_r, T_r, I_r, …, 등을 판독한다(S703).

배터리 관리 시스템(100)은 V_n이 V_r 이하인지를 확인한다(S704).

상기 확인 결과(S704), V_n이 V_r 이하이면, 배터리 관리 시스템(100)은 t가 t_max 이하인지를 확인한다(S705).

상기 확인 결과(S705), t가 t_max 이하이면, 배터리 관리 시스템(100)은 V_r, t_r, T_r, I_r, …, 등을 판독하는 S703 과정으로 이동하여 수행한다.

한편, 상기 확인 결과(S704), V_n이 V_r 이하가 아니면, 배터리 관리 시스템(100)은 t가 t_min 이하인지를 확인한다(S706).

상기 확인 결과(S706), t가 t_min 이하이면, 배터리 관리 시스템(100)은 연속적인 이벤트인지를 확인한다(S707).

한편, 상기 확인 결과(S705), t가 t_max 이하가 아니면, 배터리 관리 시스템(100)은 연속적인 이벤트인지를 확인하는 S707 과정을 수행한다.

상기 확인 결과(S707), 연속적인 이벤트가 아니면, 배터리 관리 시스템(100)은 V_r, t_r, T_r, I_r, …, 등을 판독하는 S703 과정으로 이동하여 수행한다.

반면, 상기 확인 결과(S707), 연속적인 이벤트이면, 배터리 관리 시스템(100)은 알람(Alarm)을 수행한다(S708).

배터리 관리 시스템(100)은 세이프티 알고리즘으로 이동하여 세이프티 알고리즘을 수행한다(S709). 세이프티 알고리즘은 도 13에 도시되어 있다.

상기 확인 결과(S706), t가 t_min 이하가 아니면, 배터리 관리 시스템(100)은 배터리 용량(SOC)을 계산한다(S710).

배터리 관리 시스템(100)은 계산된 배터리 용량이 SOC_min 이하인지를 확인한다(S711).

상기 확인 결과(S711), 계산된 배터리 용량이 SOC_min 이하가 아니면, 배터리 관리 시스템(100)은 배터리에서 V_r, t_r, T_r, I_r, …, 등을 판독하는 S703 과정으로 이동하여 수행한다.

상기 확인 결과(S711), 계산된 배터리 용량이 SOC_min 이하이면, 배터리 관리 시스템(100)은 방전을 중단한다(S712).

그리고 배터리 관리 시스템(100)은 방전된 횟수를 카운트한다(S713).

배터리 관리 시스템(100)은 모든 데이터를 머신 러닝 알고리즘에 전송한다(S714). 머신 러닝 알고리즘은 도 11에 도시되어 있다.

배터리 관리 시스템(100)은 충전시 SOH 예측 알고리즘으로 이동하여 충전시 SOH 예측 알고리즘을 수행한다(S615). 충전시 SOH 예측 알고리즘은 도 13에 도시되어 있다.

이와 같이, 본 발명의 실시 예에 따른 배터리의 수명 상태 예측 방법은 수치 해석 데이터를 기반으로 리튬이온 배터리의 수명 상태(SOH)를 예측하기 위한 BMS(Battery Management System) 알고리즘에 관한 것이다. 본 발명의 실시 예에 따른 SOH 예측 방법은 실험적 실험과 비교하여 신뢰성을 검증되었다. 수치 시뮬레이션을 통해 계산된 신뢰할 수 있는 수치적 시뮬레이션 데이터베이스는 다른 온도에서 측정된 전압으로부터 벗어나는 양을 확인하기 위한 표준 기준 데이터로 사용될 수 있다. 측정된 데이터가 특정 온도에 따른 전압 변화를 따르지 않으면, 작동 배터리 셀이 양호한 수명 상태가 아닐 수 있다고 판단될 수 있다.

SOH를 평가하기 위한 전압 데이터 이외에, 노화된 및 오작동 된 배터리 셀에 대해 충전 및 방전 속도 속도를 측정할 시간이 있다. 본 발명의 실시 예는 시간에 따라 충전 및 방전되는 경우 SOH를 예측하는 논리 알고리즘을 제공할 수 있다.

SOH 예측 방법은 전압 변화와 충전 및 방전 시간을 이용하여 배터리의 수명 상태를 예측한다. 이러한 두 가지의 SOH 예측 방법은 수치적 빅 데이터를 기반으로 하는 알고리즘이 SOC 및 SOH를 예측하기 위해 다른 리튬이온 배터리 셀에도 적용될 수 있음을 나타낸다. SOH 예측 방법에서의 오차 값(ERR)은 딥 러닝과 같은 개선된 인공 지능(AI) 알고리즘을 이용하여 스스로 축적되어 보다 적합하게 개선될 수 있다.

상기 내용을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다.

그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해되어야 하고, 상기 상세한 설명에서 기술된 본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허 청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 배터리 관리 시스템
10: 배터리 팩 또는 배터리 셀
11: 부하
110: 제어부
120: 데이터 입출력부
130: 수치적 시뮬레이션 데이터베이스
140: 오차 데이터베이스

Claims

배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,
배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;
상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터 및 배터리로부터 판독된 측정 데이터 간의 편차가 기설정된 범위 이내이고 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및
상기 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;
를 포함하고,
상기 획득하는 단계는,
배터리에 대한 초기 조건을 설정하는 단계;
상기 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석을 수행하는 단계;
상기 수행된 수치적 분석 결과를 실험 결과로 검증하는 단계;
상기 검증이 완료되면 상기 수치적 분석 결과에 대한 배터리의 솔루션 데이터를 추출하는 단계; 및
상기 추출된 솔루션 데이터를 검증된 수치적 시뮬레이션 데이터베이스에 저장하고 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 획득하는 단계;
를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
제1항에 있어서,
상기 수치적 분석을 수행하는 단계는,
종 수송 모델(Species Transport Model), 전위 모델(Electronic Potential Model), 화학적 반응 모델(Chemical Reaction Model) 및 에너지 밸런스 모델(Energy Balance Model) 중에서 적어도 하나 이상을 이용하여 수치적 분석을 수행하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,
배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;
상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터 및 배터리로부터 판독된 측정 데이터 간의 편차가 기설정된 범위 이내이고 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및
상기 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;
를 포함하고,
상기 카운트하는 단계는,
상기 배터리가 충전 중이고 배터리 용량이 완전 충전이면 충전된 횟수를 카운트하고 충전을 중지하고, 상기 배터리가 방전 중이고 배터리 용량이 최소 배터리 용량이면 방전된 횟수를 카운트하고 방전을 중지하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,
배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;
상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터 및 배터리로부터 판독된 측정 데이터 간의 편차가 기설정된 범위 이내이고 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및
상기 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;
를 포함하고,
상기 카운트하는 단계는,
기검증된 수치적 시뮬레이션 데이터베이스로부터 기준 데이터를 판독하는 단계;
충전 또는 방전 중인 배터리로부터 측정 데이터를 판독하는 단계;
상기 판독된 기준 데이터 및 상기 판독된 측정 데이터 간의 편차를 계산하는 단계;
상기 계산된 편차가 기설정된 범위 이내인지를 확인하고, 상기 계산된 편차가 기설정된 범위 이내이면 배터리 용량을 계산하는 단계; 및
상기 계산된 배터리 용량이 완전 충전이거나 또는 최소 배터리 용량 이하이면 충전 횟수 또는 방전 횟수를 카운트하고 충전 또는 방전을 중지하는 단계;
를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
제1항에 있어서,
상기 예측하는 단계는,
서포트 벡터 머신(Support Vector Machine), 베이즈 분류기(Bayes Classifiers), 인공신경망(Artificial Neural Networks) 및 결정 트리(Decision Tree) 중에서 어느 하나의 머신 러닝 알고리즘을 이용하여 배터리의 수명 상태를 예측하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,
배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;
상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터 및 배터리로부터 판독된 측정 데이터 간의 편차가 기설정된 범위 이내이고 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및
상기 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;
를 포함하고,
기준 데이터 및 측정 데이터 간의 편차가 기설정된 범위를 벗어나면 세이프티 알고리즘을 통해 배터리의 충전 또는 방전을 비상 정지시키는 단계;
를 더 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
제6항에 있어서,
상기 비상 정지시키는 단계는,
오차 데이터베이스로부터 n번째 오차값 및 n-1번째 오차값을 판독하는 단계;
n번째 오차값 및 n-1번째 오차값의 편차의 오차 편차값 합계를 계산하는 단계;
기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하인지를 확인하는 단계;
기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하가 아니면, 충전 또는 방전시의 배터리 용량을 계산하는 단계; 및
기설정된 최대 오차값이 상기 계산된 오차값 합계 이하이면, 배터리의 충전 또는 방전 동작을 비상 정지시키는 단계;
를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,
배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;
배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고, 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및
상기 카운트된 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;
를 포함하고,
상기 획득하는 단계는,
배터리에 대한 초기 조건을 설정하는 단계;
상기 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석을 수행하는 단계;
상기 수행된 수치적 분석 결과를 실험 결과로 검증하는 단계;
상기 검증이 완료되면 상기 수치적 분석 결과에 대한 배터리의 솔루션 데이터를 추출하는 단계; 및
상기 추출된 솔루션 데이터를 검증된 수치적 시뮬레이션 데이터베이스에 저장하고 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 획득하는 단계;
를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
제8항에 있어서,
상기 수치적 분석을 수행하는 단계는,
종 수송 모델(Species Transport Model), 전위 모델(Electronic Potential Model), 화학적 반응 모델(Chemical Reaction Model) 및 에너지 밸런스 모델(Energy Balance Model) 중에서 적어도 하나 이상을 이용하여 수치적 분석을 수행하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,
배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;
배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고, 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및
상기 카운트된 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;
를 포함하고,
상기 카운트하는 단계는,
상기 배터리가 충전 중이고 배터리 용량이 완전 충전이면 충전된 횟수를 카운트하고 충전을 중지하고, 상기 배터리가 방전 중이고 배터리 용량이 최소 배터리 용량이면 방전된 횟수를 카운트하고 방전을 중지하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,
배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;
배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고, 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및
상기 카운트된 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;
를 포함하고,
상기 카운트하는 단계는,
기검증된 수치적 시뮬레이션 데이터베이스로부터 기준 데이터를 판독하는 단계;
충전 또는 방전 중인 배터리로부터 측정 데이터를 판독하는 단계;
배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하는 단계;
충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내인지를 확인하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고 배터리 용량이 기설정된 조건을 만족하면 배터리 용량을 계산하는 단계; 및
상기 계산된 배터리 용량이 완전 충전 또는 최소 배터리 용량 이하이면 충전 횟수 또는 방전 횟수를 카운트하고 충전 또는 방전을 중지하는 단계;
를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
제8항에 있어서,
상기 예측하는 단계는,
서포트 벡터 머신(Support Vector Machine), 베이즈 분류기(Bayes Classifiers), 인공신경망(Artificial Neural Networks) 및 결정 트리(Decision Tree) 중에서 어느 하나의 머신 러닝 알고리즘을 이용하여 배터리의 수명 상태를 예측하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,
배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;
배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고, 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및
상기 카운트된 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;
를 포함하고,
충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간을 벗어나면 세이프티 알고리즘을 통해 배터리의 충전 또는 방전을 비상 정지시키는 단계;
를 더 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
제13항에 있어서,
상기 비상 정지시키는 단계는,
오차 데이터베이스로부터 n번째 오차값 및 n-1번째 오차값을 판독하는 단계;
n번째 오차값 및 n-1번째 오차값의 편차의 오차 편차값 합계를 계산하는 단계;
기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하인지를 확인하는 단계;
기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하가 아니면, 충전 또는 방전시의 배터리 용량을 계산하는 단계; 및
기설정된 최대 오차값이 상기 계산된 오차값 합계 이하이면, 배터리의 충전 또는 방전 동작을 비상 정지시키는 단계;
를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.
삭제
삭제