KR101965832B1 - 배터리 soc 추정 시스템 및 이를 이용한 배터리 soc 추정방법 - Google Patents
배터리 soc 추정 시스템 및 이를 이용한 배터리 soc 추정방법 Download PDFInfo
- Publication number
- KR101965832B1 KR101965832B1 KR1020170159348A KR20170159348A KR101965832B1 KR 101965832 B1 KR101965832 B1 KR 101965832B1 KR 1020170159348 A KR1020170159348 A KR 1020170159348A KR 20170159348 A KR20170159348 A KR 20170159348A KR 101965832 B1 KR101965832 B1 KR 101965832B1
- Authority
- KR
- South Korea
- Prior art keywords
- battery
- neural network
- artificial neural
- learning data
- soc
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3646—Constructional arrangements for indicating electrical conditions or variables, e.g. visual or audible indicators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Abstract
본 발명의 실시예에 따른 배터리 SOC 추정 시스템은, 배터리; MCU; 상기 배터리의 충방전 전류 측정을 위한 전류센서; 상기 배터리 터미널 전압 측정을 위한 전압센서; 정전류 방전 및 충전을 위한 부하; 정전압 공급을 위한 전원공급기 및 상기 배터리의 SOC를 추정된 값을 표시하는 디스플레이부를 포함하고, 상기 MCU는 인공신경망 구현 알고리즘이 적용되는 것을 특징으로 하는 배터리 SOC 추정 시스템을 제공할 수 있다.
Description
본 발명은 배터리 SOC 추정 시스템 및 이를 이용한 배터리 SOC 추정방법에 관한 것으로, 더욱 상세하게는 인공신경망 알고리즘을 적용하여 배터리 SOC 추정하는 배터리 SOC 추정 시스템 및 이를 이용한 배터리 SOC 추정방법에 관한 것이다.
최근 태양광 및 풍력을 포함하는 신재생 에너지 시스템은 널리 사용되고 있으며 이들 신재생에너지 시스템에 대한 광범위한 연구 또한 활발히 진행되고 있는 실정이다.
이러한 신재생에너지는 원천적인 에너지의 비예측성 및 간헐성으로 인해 생산된 에너지를 직접 사용하지 못하고 일련의 에너지 저장장치에 저장한 후, 이를 변환하여 사용하는 형태로 운영되고 있다. 이와 같이 에너지의 효율적인 운영을 위한 배터리 에너지 저장장치(Battery Energy Storage System)로 다른 에너지 저장 소자에 비해 가격이 저렴한 납축전지(Lead acid battery)가 일반적으로 사용되고 있는 실정이다.
지속적인 충방전이 수행되는 납축전지의 경우, 이에 대한 SOC(State of Charge) 및 SOH(State of Health)는 배터리의 수명을 늘리기 위한 중요한 성능지표이며 따라서 운전 중인 납축전지에 대한 SOC 및 SOH에 대한 정확한 추정이 필수적으로 요구된다.
또한, 최근 많은 연구자들은 Kalman filter, Extended Kalman filter 및 Cubture Kalman filter 등에 기반한 SOC 추정 알고리즘을 제안한 바 있으나 이들 기법 모두 정확한 배터리의 내부 파라미터(내부 저항 및 커패시터)의 측정을 요구하고 있어 정확한 파리미터의 측정이 어려운 경우나 경년화로 인해 발생되는 배터리 파라미터의 비선형성으로 인해 효율적인 배터리의 SOC의 추정이 힘들다는 문제점을 갖고 있다.
상기와 같은 문제를 해결하고자 창안된 본 발명은 배터리의 정확한 내부 파라미터 값의 알아야 하는 기존의 추정 방법을 개선한 인공신경망 알고리즘이 적용된 배터리 SOC 추정 시스템 및 이를 이용한 배터리 SOC 추정방법을 제공하는 데 있다.
상기와 같은 문제를 해결하기 위해서, 본 발명의 실시예에 따른 배터리 SOC 추정 시스템은, 배터리; MCU; 상기 배터리의 충방전 전류 측정을 위한 전류센서; 상기 배터리 터미널 전압 측정을 위한 전압센서; 정전류 방전 및 충전을 위한 부하; 정전압 공급을 위한 전원공급기 및 상기 배터리의 SOC를 추정된 값을 표시하는 디스플레이부를 포함하고, 상기 MCU는 인공신경망 구현 알고리즘이 적용되는 것을 특징으로 한다.
또한, 본 발명의 배터리 SOC 추정 시스템을 이용한 배터리 SOC 추정방법에 있어서, 학습데이터를 취득하는 단계; 상기에서 취득한 학습데이터를 이용해 인공신경망 학습을 진행하여 배터리 SOC 추정 하는 단계 및 추정된 배터리 SOC를 제공하는 단계를 포함할 수 있다.
또한, 상기 학습데이터를 취득하는 단계는, (a) 상기 배터리에 주기적으로 ON/OFF되는 정전류 충방전을 수행함과 동시에 충전, 방전과 같이 배터리의 단자전압을 실시간으로 측정하여 충방전 시 온 상태의 단자전압 , 오프 상태의 일정값으로 수렴된 전압 및 이 때의 충방전 전류를 측정하는 단계 및 (b) 상기 충방전 전류를 사용전류 범위에서 변화시키면서 상기 (a)단계를 반복 수행하여 다양한 크기의 충방전 전류에 대한 및 를 측정한 후 학습데이터로 사용될 두개의 테이블을 생성하여 최종적으로 취득하는 단계를 포함하고, 상기 두개의 테이블은 각각 충전용 학습데이터, 방전용 학습데이터인 것을 특징으로 한다.
또한, 상기 인공신경망 학습을 진행하여 배터리 SOC를 추정 하는 단계는, 상기 충전용 학습데이터를 인공신경망 알고리즘에 입력하여 충전시의 를 추정하는 학습을 진행하는 단계 및 상기 방전용 학습데이터를 인공신경망 알고리즘에 입력하여 방전시의 를 추정하는 학습을 진행하는 단계를 포함하되, 상기 인공신경망 알고리즘은 오류 역전파 알고리즘이 적용되는 것을 특징으로 한다.
또한, 상기 추정된 배터리 SOC를 제공하는 단계는, 상기 인공신경망 알고리즘에 의해 학습이 완료되어 추정된 배터리의 값을 이용해 특성 곡선을 생성하여 상기 디스플레이부를 통해 표시하는 것을 특징으로 한다.
본 발명의 실시예에 배터리 SOC 추정 시스템 및 이를 이용한 배터리 SOC 추정방법은, 배터리의 정확한 내부 파라미터 값을 알 필요가 없어 합리적으로 시간을 소비할 수 있다.
또한, 비선형 보간이 가능한 인공신경망 알고리즘을 사용하여 배터리의 SOC를 추정할 수 있다.
또한, 보다 정확한 추정을 할 수 있다.
도 1은 본 발명의 실시예에 따른 배터리 SOC 추정 시스템의 구성을 도시한 구성도이다.
도 2는 본 발명의 실시예에 따른 배터리 SOC 추정 방법의 흐름을 도시한 흐름도이다.
도 3은 ON/OFF 되는 정전류 충전 전류의 그래프를 도시한 실험예시도이다.
도 4는 ON/OFF 되는 정전류 충전시의 및 측정 그래프를 도시한 실험예시도이다.
도 5는 ON/OFF 되는 정전류 방전시의 및 측정 그래프를 도시한 실험예시도이다.
도 6은 충(방)전 전류변화에 대한 인공신경망 학습 데이터이다.
도 7은 충전시의 추정을 위한 인공신경망을 나타낸 도면이다.
도 8은 방전시의 추정을 위한 인공신경망을 나타낸 도면이다.
도 9는 ON/OFF 정전류 방전 신호 파형도이다.
도 10은 ON/OFF 정전류 방전시의 단자 전압 파형도이다.
도 11은 ON/OFF 정전류 충전시의 단자 전압 파형도이다.
도 12는 본 발명의 실시예에 따른 배터리 SOC 추정 시스템에 의해 추정된 4개 배터리 특성 곡선을 도시한 도면이다.
도 13은 도 7 및 도 8에서 사용된 인공신경망을 상세하게 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 배터리 SOC 추정 방법의 흐름을 도시한 흐름도이다.
도 3은 ON/OFF 되는 정전류 충전 전류의 그래프를 도시한 실험예시도이다.
도 4는 ON/OFF 되는 정전류 충전시의 및 측정 그래프를 도시한 실험예시도이다.
도 5는 ON/OFF 되는 정전류 방전시의 및 측정 그래프를 도시한 실험예시도이다.
도 6은 충(방)전 전류변화에 대한 인공신경망 학습 데이터이다.
도 7은 충전시의 추정을 위한 인공신경망을 나타낸 도면이다.
도 8은 방전시의 추정을 위한 인공신경망을 나타낸 도면이다.
도 9는 ON/OFF 정전류 방전 신호 파형도이다.
도 10은 ON/OFF 정전류 방전시의 단자 전압 파형도이다.
도 11은 ON/OFF 정전류 충전시의 단자 전압 파형도이다.
도 12는 본 발명의 실시예에 따른 배터리 SOC 추정 시스템에 의해 추정된 4개 배터리 특성 곡선을 도시한 도면이다.
도 13은 도 7 및 도 8에서 사용된 인공신경망을 상세하게 나타낸 도면이다.
이하, 도면을 참조한 본 발명의 설명은 특정한 실시 형태에 대해 한정되지 않으며, 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있다. 또한, 이하에서 설명하는 내용은 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
이하의 설명에서 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용되는 용어로서, 그 자체에 의미가 한정되지 아니하며, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 명세서 전체에 걸쳐 사용되는 동일한 참조번호는 동일한 구성요소를 나타낸다.
본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 이하에서 기재되는 "포함하다", "구비하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로 해석되어야 하며, 하나 또는 그 이상의 다른 특징들이나, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 다르게 정의되지 않는 한 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
우선, 종래의 배터리 SOC 추정 방법을 이하에서 수학식 1 및 2를 이용해 간략하게 설명하면,
[수학식 1]
[수학식 2]
방전초기에는 의 값이 시간이 지남에 따라 천천히 하강하고 어느 시점부터 급격히 하강하여 단자전압이 일정전압까지 떨어질 수 있다. 이때 배터리를 저항부하와 단절시키면 단자 전압은 갑자기 증가하고 시간이 지남에 따라 어떤 전압값으로 수렴한다.
이렇게 수렴된 단자 전압은 배터리의 open circuit voltage인 에 해당한다. 이와 같은 현상은 배터리의 충전시에도 발생되며 방전시와 반대방향으로 전압의 변화가 나타나게 된다.
그러나, 상기 종래의 배터리 SOC 추정 방법은 정확한 SOC 추정을 위해서 정확한 파라미터 값을 요구한다.
종래의 배터리 SOC 추정 방법을 개선한 본 발명은 이하, 본 발명의 실시 예를 첨부한 도 1 내지 도 13을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 배터리(10) SOC 추정 시스템의 구성을 도시한 구성도이다.
도 2는 본 발명의 실시예에 따른 배터리(10) SOC 추정 방법의 흐름을 도시한 흐름도이다.
도 3은 ON/OFF 되는 정전류 충전 전류의 그래프를 도시한 실험예시도이다.
도 6은 충(방)전 전류변화에 대한 인공신경망 학습 데이터이다.
도 9는 ON/OFF 정전류 방전 신호 파형도이다.
도 10은 ON/OFF 정전류 방전시의 단자 전압 파형도이다.
도 11은 ON/OFF 정전류 충전시의 단자 전압 파형도이다.
도 13은 도 7 및 도 8에서 사용된 인공신경망을 상세하게 나타낸 도면이다.
도 1을 참조하여 본 발명의 실시예에 따른 배터리(10) SOC 추정 시스템의 구성은 배터리(10), MCU(20), 전류센서(11), 전압센서(12), 부하(30), 전원공급기(40) 및 디스플레이부(50)를 포함할 수 있다.
본 발명의 SOC 추정 시스템은 배터리(10)를 일정시간 간격으로 정전류 충전(또는 정전류 방전) 동작을 수행하면서 충(방)전 전류, 배터리(10)의 단자 전압 (terminal voltage) 및 (open circuit voltage)를 측정하고, 측정된 전류, , 를 비선형 보간이 가능한 인공신경망을 사용하여 배터리(10)의 SOC를 측정할 수 있다.
도 1을 참조하면, 배터리(10) SOC 추정 시스템은, 배터리(10), MCU(20)(micro controller unit), 전류센서(11), 전압센서(12), 부하(30), 전원공급기(40) 및 디스플레이부(50)를 포함할 수 있다.
본 발명의 배터리(10)는 납축전지 일 수 있으며, 4개가 직렬 연결(12V, 100Ah)될 수 있으나 이는 도면을 참고하여 설명하기 위한 예시로써, 이에 한정하지 않는다.
납축전지는 크게 산업용과 자동차용으로 분류할 수 있으며, 산업용은 주로 태양 전지의 전력 저장 시스템, 전자 기기 및 통신 설비의 무정전 전원 장치의 예비 전원용, 자동차용은 물론 자동차나 모터사이클, 골프카, 선박 및 전기 자동차의 시동용 또는 전력용으로 주로 사용된다.
MCU(20)는 배터리(10) SOC 추정 시스템에서 두뇌와 같은 역할을 수행하는 것으로, 상용화된 MCU(20)에 인공신경망 알고리즘이 적용될 수 있다.
정전류 방전 및 충전을 위해 부하(30)가 형성될 수 있다.
전원공급기(40)는 배터리(10)에 정전압을 공급하는 역할을 수행할 수 있으며, 일반적으로 상용화된 파워서플라이가 적용될 수 있다.
디스플레이부(50)는 본 발명에서 배터리(10) SOC가 추정되면, 이를 사용자가 시각적으로 확인할 수 있도록 하기 위해 구비되는 것으로, 디스플레이부(50)는 사용자의 모바일 기기, PC일 수 있다.
즉, 서버를 통해 배터리(10) SOC가 실시간으로 그래프, 데이터 등으로 전송될 수 있다.
다음으로, 도 2를 참조하여, 본 발명의 실시예에 따른 배터리(10) SOC 추정 방법은, 학습데이터를 취득하는 단계(S110), 인공신경망 학습을 진행하여 배터리(10) SOC 추정 하는 단계(S120) 및 추정된 배터리(10) SOC를 제공하는 단계(S130)를 포함할 수 있다.
도 3 내지 도 6을 참조하면, S110단계를 예시적으로 도시한 도 3은 배터리(10)에 10분 동안 4(A)의 정전류로 충전을 수행하고 이후 10분간은 충전을 중지하는 방식으로 배터리(10)가 완충될 때까지 반복수행한 것으로 이를 파형으로 나타낸 도면이다.
구체적으로, S110단계는 배터리(10)에 주기적으로 ON/OFF되는 정전류 충방전을 수행함과 동시에 충전, 방전과 같이 배터리(10)의 단자전압을 실시간으로 측정하여 충방전 시 온 상태의 단자전압 , 오프 상태의 일정값으로 수렴된 전압 및 이 때의 충방전 전류를 측정하는 단계(S111) 및 상기 충방전 전류를 사용전류 범위에서 변화시키면서 상기 S111단계를 반복 수행하여 다양한 크기의 충방전 전류에 대한 및 를 측정한 후 학습데이터로 사용될 두개의 테이블을 생성하여 최종적으로 취득하는 단계(S112)를 포함할 수 있다.
이때, 도 6에 도시된 학습데이터는 각각 충전용 학습데이터, 방전용 학습데이터일 수 있다.
다음으로, 도 7 및 도 8을 참조하여 S120단계를 구체적으로 설명하면, 상기 충전용 학습데이터를 인공신경망 알고리즘에 입력하여 충전시의 를 추정하는 학습을 진행하는 단계(S121) 및 상기 방전용 학습데이터를 인공신경망 알고리즘에 입력하여 방전시의 를 추정하는 학습을 진행하는 단계(S122)를 포함할 수 있다.
이때, 인공신경망 알고리즘은 각각 충전용, 방전용으로 두개가 사용될 수 있다.
본 발명의 배터리(10) SOC 추정 방법에 인공신경망 알고리즘을 통해서 학습이 진행되면, 비선형 보간이 가능하여 일반적인 배터리(10) SOC 추정 알고리즘의 단점인 정확한 파라미터 값을 알아야 한다는 점이 개선되어 정확한 SOC 추정이 가능하다.
또한, 저성능의 제어기로도 효율적인 SOC 추정이 가능하다.
도 13을 참조하면, 상기의 인공신경망 알고리즘은 오차 역전파 알고리즘을 이용할 수 있는데, 일반적인 인공신경망은 입력층, 은닉층(Hidden layer) 및 출력층으로 구성된다.
본 발명에서 사용하고자 하는 인공신경망 알고리즘은 지도학습(학습하고자 하는 입력 및 해당입력에 대한 출력 데이터를 인공신경망의 입력층에 인가하여 단순한 계산을 수행하여 출력단에서의 값을 계산하고 계산된 출력값과 학습에 사용된 출력값 간의 오차를 구한 후, 이들 오차가 최소화되도록 입력층과 은닉층간의 결합강도와 은닉층과 출력층간의 결합강도를 반복하여 조절하여 최종적으로 해당 입력이 입력되었을 경우, 연산에 의해 구해지는 출력값이 학습시 사용된 출력값이 되도록 한다.
상기 내용을 충전용 학습데이터 학습 시를 예를 들어 단계적으로 설명하면, 입력값 , Ic 출력값 이라하면, 인공신경망의 입력층에 학습에 사용되는 입력데이터(, Ic)를 인가하는 단계(Step 1), 입력 데이터와 입력-은닉층간 결합강도간의 곱셈/덧셈 수행 및 활성화함수를 이용한 은닉층 출력을 계산하는 단계(Step 2), 은닉층 출력과 은닉-출력층 간의 결합강도를 이용한 곱셈/덧셈 수행 및 활성화함수를 이용한 출력층 출력을 계산하는 단계(Step 3), 상기 과정을 통해 구한 출력층의 출력과 학습에 사용되는 출력값() 값의 비교를 통한 오차를 계산하는 단계(Step 4, 5), 학습 입력에 대한 오차를 기반으로 역방향으로 은닉-출력층간의 결합강도를 조절하는 단계(Step 6), 입력-은닉층간의 결합강도를 조절하는 단계(Step 7)를 포함할 수 있다.
방전용 학습데이터 학습 시에도 상기의 Step 1 내지 Step 7을 반복적으로 수행하여 학습시킬 수 있다.
이러한 오차 역전파 알고리즘을 통해 도 6과 같은 학습 데이터를 효율적으로 학습 시킬 수 있다.
다음으로, 도 9 내지 도 12를 참조하면, S130단계는 추정된 배터리(10) SOC를 제공하는 단계로서, S120단계에서 인공신경망에 의해 학습이 완료되어 추정된 배터리(10)의 값을 이용해 특성 곡선을 생성하여 상기 디스플레이부(50)를 통해 표시할 수 있다.
구체적으로, 도 9 내지 11은 충방전 저류를 2(A)에서 6(A)까지 변경시켜주면서 학습데이터를 취득하는 실험을 진행하여 얻은 결과파형들이다.
도 9는 방전 시 사용된 전류 ON/OFF 신호 파형을 도시한 도면이다.
도 10 및 도 11은 각각 4(A)의 ON/OFF 정전류 방전 시의 배터리(10) 단자 전압 파형 및 4(A)의 ON/OFF 정전류 충전 시의 배터리(10) 단자 전압 파형을 나타낸다.
이상에서 설명한 본 발명의 실시예는 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
10 : 배터리
11 : 전류센서
12 : 전압센서
20 : MCU
30 : 부하
40 : 전원공급기
50 : 디스플레이부
11 : 전류센서
12 : 전압센서
20 : MCU
30 : 부하
40 : 전원공급기
50 : 디스플레이부
Claims (5)
- 배터리;
MCU;
상기 MCU와 연동되며, 상기 배터리의 충방전 전류 측정을 위한 전류센서;
상기 MCU와 연동되며, 상기 배터리 터미널 전압 측정을 위한 전압센서;
상기 배터리 정전류 방전에 사용되는 부하;
상기 배터리로 정전압 공급을 위한 전원공급기 및
상기 MCU와 연동되며, 상기 배터리의 SOC를 추정된 값을 표시하는 디스플레이부를 포함하고,
상기 MCU는 비선형 보간이 가능한 인공신경망 구현 알고리즘이 적용되어 배터리의 SOC를 추정하기위한 학습데이터를 취득하는 것을 특징으로 하는 배터리 SOC 추정 시스템.
- 제 1 항의 배터리 SOC 추정 시스템을 이용한 배터리 SOC 추정방법에 있어서,
인공신경망 구현 알고리즘을 이용해 학습데이터를 취득하는 단계;
상기에서 취득한 학습데이터를 이용해 인공신경망 학습을 진행하여 배터리 SOC 추정 하는 단계 및
추정된 배터리 SOC를 제공하는 단계를 포함하고,
상기 학습데이터를 취득하는 단계는,
(a) 상기 배터리에 주기적으로 ON/OFF되는 정전류 충방전을 수행함과 동시에 충전, 방전과 같이 배터리의 단자전압을 실시간으로 측정하여 충방전 시 온 상태의 단자전압 , 오프 상태의 일정값으로 수렴된 전압 및 이 때의 충 방전 전류를 측정하는 단계 및
(b) 상기 충방전 전류를 사용전류 범위에서 변화시키면서 상기 (a)단계를 반복 수행하여 다양한 크기의 충방전 전류에 대한 및 를 측정한 후 학습데이터로 사용될 두개의 테이블을 생성하여 최종적으로 취득하는 단계를 포함하고,
상기 두개의 테이블은 각각 충전용 학습데이터, 방전용 학습데이터이며,
상기 인공신경망 학습을 진행하여 배터리 SOC를 추정 하는 단계는,
상기 충전용 학습데이터를 인공신경망 알고리즘에 입력하여 충전시의 를 추정하는 학습을 진행하는 단계 및
상기 방전용 학습데이터를 인공신경망 알고리즘에 입력하여 방전시의 를 추정 하는 학습을 진행하는 단계를 포함하되,
상기 인공신경망 알고리즘은 오류 역전파 알고리즘이 적용되는 것을 특징으로 하는 배터리 SOC 추정방법.
- 삭제
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170159348A KR101965832B1 (ko) | 2017-11-27 | 2017-11-27 | 배터리 soc 추정 시스템 및 이를 이용한 배터리 soc 추정방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170159348A KR101965832B1 (ko) | 2017-11-27 | 2017-11-27 | 배터리 soc 추정 시스템 및 이를 이용한 배터리 soc 추정방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR101965832B1 true KR101965832B1 (ko) | 2019-04-05 |
Family
ID=66103778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170159348A KR101965832B1 (ko) | 2017-11-27 | 2017-11-27 | 배터리 soc 추정 시스템 및 이를 이용한 배터리 soc 추정방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101965832B1 (ko) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658459A (zh) * | 2019-09-12 | 2020-01-07 | 北京航空航天大学 | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
WO2021068454A1 (zh) * | 2019-10-12 | 2021-04-15 | 联合微电子中心有限责任公司 | 一种基于bp神经网络的微能源器件能量识别方法 |
KR20210062754A (ko) | 2019-11-21 | 2021-06-01 | 연세대학교 산학협력단 | 드론용 배터리 가용 용량 제공 장치 및 방법 |
WO2021201387A1 (ko) * | 2020-03-30 | 2021-10-07 | (주)아르고스다인 | 신경망 기반의 배터리 용량 추정 방법 및 장치 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050061386A (ko) * | 2003-12-18 | 2005-06-22 | 주식회사 엘지화학 | 신경망을 이용한 배터리 잔존량 추정 장치 및 방법 |
KR20060129962A (ko) * | 2005-06-13 | 2006-12-18 | 주식회사 엘지화학 | 배터리 잔존량 추정 장치 및 방법 |
JP2007240521A (ja) * | 2006-02-09 | 2007-09-20 | Denso Corp | 二次電池の状態量演算方式 |
KR20170006400A (ko) * | 2015-07-08 | 2017-01-18 | 현대모비스 주식회사 | 차량용 배터리 충전 상태(soc) 추정 장치 및 방법 |
-
2017
- 2017-11-27 KR KR1020170159348A patent/KR101965832B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050061386A (ko) * | 2003-12-18 | 2005-06-22 | 주식회사 엘지화학 | 신경망을 이용한 배터리 잔존량 추정 장치 및 방법 |
KR20060129962A (ko) * | 2005-06-13 | 2006-12-18 | 주식회사 엘지화학 | 배터리 잔존량 추정 장치 및 방법 |
JP2007240521A (ja) * | 2006-02-09 | 2007-09-20 | Denso Corp | 二次電池の状態量演算方式 |
KR20170006400A (ko) * | 2015-07-08 | 2017-01-18 | 현대모비스 주식회사 | 차량용 배터리 충전 상태(soc) 추정 장치 및 방법 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658459A (zh) * | 2019-09-12 | 2020-01-07 | 北京航空航天大学 | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
CN110658459B (zh) * | 2019-09-12 | 2021-10-15 | 北京航空航天大学 | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
WO2021068454A1 (zh) * | 2019-10-12 | 2021-04-15 | 联合微电子中心有限责任公司 | 一种基于bp神经网络的微能源器件能量识别方法 |
KR20210062754A (ko) | 2019-11-21 | 2021-06-01 | 연세대학교 산학협력단 | 드론용 배터리 가용 용량 제공 장치 및 방법 |
WO2021201387A1 (ko) * | 2020-03-30 | 2021-10-07 | (주)아르고스다인 | 신경망 기반의 배터리 용량 추정 방법 및 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101965832B1 (ko) | 배터리 soc 추정 시스템 및 이를 이용한 배터리 soc 추정방법 | |
CN110573892B (zh) | 用于估计电池等效电路模型的参数的方法、装置和记录介质 | |
Gholizadeh et al. | Estimation of state of charge, unknown nonlinearities, and state of health of a lithium-ion battery based on a comprehensive unobservable model | |
Vasebi et al. | Predicting state of charge of lead-acid batteries for hybrid electric vehicles by extended Kalman filter | |
TWI411796B (zh) | 電池循環壽命估測裝置 | |
Lashway et al. | Adaptive battery management and parameter estimation through physics-based modeling and experimental verification | |
CN103907030B (zh) | 电池充电率的估计装置与电池充电率的估计方法 | |
CN104345202A (zh) | 基于瞬态阻抗效应估计电池开路电压的方法 | |
US20150219726A1 (en) | Systems and methods for battery state estimation | |
CN104849672A (zh) | 基于等效电路模型的锂电池动态阻抗参数识别方法 | |
Li et al. | A new parameter estimation algorithm for an electrical analogue battery model | |
JP6844090B2 (ja) | バッテリーのための等価回路モデルのパラメータを推定する方法及びバッテリー管理システム | |
JP2015185284A (ja) | 二次電池内部温度推定装置および二次電池内部温度推定方法 | |
Hossain et al. | A parameter extraction method for the Thevenin equivalent circuit model of Li-ion batteries | |
Tanaka et al. | Accurate and versatile simulation of transient voltage profile of lithium-ion secondary battery employing internal equivalent electric circuit | |
Göllei et al. | Modeling and optimization of electrical vehicle batteries in complex clean energy systems | |
CN107436412A (zh) | 一种基于自学习估算动力电池功率方法 | |
JP6494431B2 (ja) | 蓄電デバイスの劣化診断装置 | |
CN105301504A (zh) | 基于单位脉冲响应估计锂电池荷电状态的方法 | |
JP2018009939A (ja) | シミュレーション方法及びシミュレーション装置 | |
CN110770593B (zh) | 使电池的功率极限平滑化的方法和电池管理系统 | |
CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
Windarko et al. | Improvement of electrical modeling of NiMH battery for application of Microgrid System | |
JP2016065844A (ja) | 電池システム用制御装置および電池システムの制御方法 | |
CN108303657B (zh) | 电池开路电压与soc曲线获取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |