KR102632198B1 - 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법 - Google Patents

Abstract

본 발명은 배터리 열화에 따른 압력 변이와 관련된 다중 특징인자를 선정하여 비가역적 힘 및 가역적 힘을 추정하여 배터리 특성 변화를 정확하게 분석 및 예측할 수 있도록 한 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법에 관한 것으로, 배터리 팩의 압력 변이 예측 및 관리를 위한 데이터 세트를 입력하는 데이터 세트 입력부;배터리 열화에 따른 압력 변이와 관련된 특징 인자를 추출하여 상관관계를 분석하는 특징 인자 선정부;다중 특징인자를 선정하여 추계학적 회기분석법을 이용해 비가역적 힘을 추정하는 비가역적 힘 예측부;현상학적 모델링을 통해 가역적 힘을 추정하는 가역적 힘 예측부;산출한 비가역적 힘(irreversible forces)과 가역적 힘(reversible forces)의 합을 배터리에 인가되는 최종 힘(total forces)으로 추정하고, 제곱근 오차평균과 오차평균을 이용하여 결과를 분석하는 최종 예측값 출력부;를 포함하는 것이다.

Description

배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법{Apparatus and method for predicting and managing force evolution over cycle in battery packs}

본 발명은 배터리 관리에 관한 것으로, 구체적으로 배터리 열화에 따른 압력 변이와 관련된 다중 특징인자를 선정하여 비가역적 힘 및 가역적 힘을 추정하여 배터리 특성 변화를 정확하게 분석 및 예측할 수 있도록 한 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법에 관한 것이다.

일반적으로 제품군에 따른 적용 용이성이 높고, 높은 에너지 밀도 등의 전기적 특성을 가지는 배터리는 축전지 또는 2차 전지라고도 하며, 화석 연료의 사용을 감소시킬 수 있다는 일차적인 장점뿐만 아니라 에너지의 사용에 따른 부산물이 전혀 발생되지 않는다는 점에서 친환경 및 에너지 효율성 제고를 위한 새로운 에너지원으로 주목 받고 있다.

때문에, 배터리는 휴대용 기기를 비롯하여 전기적 구동원에 의하여 구동하는 전기차량(Electric Vehicle; EV) 또는 에너지 저장 시스템(Energy Storage System; ESS) 등에 보편적으로 응용되고 있으며, 보다 효율적인 배터리 관리를 위하여 배터리 관리 시스템(Battery Management System; BMS), 배터리 밸런싱 회로 및 릴레이 회로 등에 대한 연구 개발이 활발히 진행되고 있다.

특히, BMS는 배터리의 상태 정보를 이용하여 배터리의 잔존용량(State Of Charge; SOC), 잔존수명(State Of Health; SOH), 최대 입출력 전력 허용량, 출력 전압 등을 관리할 수 있고, 이 가운데 배터리의 수명을 예측하여 교체 시기를 추정하는 기술은 보다 안정적인 시스템 운영에 있어서 핵심 기술이 되고 있다.

한편 배터리의 수명을 예측하는 종래기술을 살펴보면, 배터리의 전류 적산 및 SOC 변화량의 비율을 이용하여 배터리의 SOH를 추정하고 있다.

여기서 배터리의 SOC 변화량을 계산할 경우, 배터리의 운전 환경 및 충방전 횟수에 따라 배터리 초기 및 최종 SOC 추정 값에 오차가 발생할 가능성이 있으며, 이로써 배터리 SOH 추정의 정확도가 떨어지는 문제점이 발생할 수 있다.

이와 같이 고성능 충전용 배터리는 전기차량에 동력을 공급하는데 폭넓게 사용되어 왔다. 이와 같은 배터리의 성능에 영향을 미치는 하나의 동작 특성은 배터리 어셈블리 안의 배터리 셀에 의해 겪게 되는 압력이다.

특히, 이차 전지 중에서 리튬 이온 배터리는 높은 중력/체적 에너지와 전력 밀도, 낮은 자기 방전율, 긴 사이클 수명 등 많은 뚜렷한 특징을 가지고 있다.

따라서, 리튬이온 배터리는 주로 에너지 저장 시스템(ESS)과 전기 자동차(EV)에 사용된다. 그러나 리튬 이온 배터리의 영역을 특히 대규모 적용에서 더 많이 소모하기 위해 안전성과 신뢰성 문제가 확보되어야 한다.

안전 문제 또는 잠재적 사고는 기계적, 전기적, 열적 남용에 따라 분류되는 배터리 셀 및 팩의 남용 조건과 관련이 있다. 이러한 남용 조건에는 배터리 관리 시스템(BMS)의 정확한 상태 추정 및 제어 실패에서 발생하는 과충전, 과방전 및 내부 단락 회로가 포함된다. 남용 조건이 제때 제거되지 않으면 치명적인 사고, 즉 열가동 사고가 발생할 수 있다.

리튬 이온 전지의 복잡하고 비선형 다중 물리적 특성(multiphysics)은 여전히 열화 현상과 SOH 추정의 이해에 큰 불확실성을 초래한다.

따라서, 복잡하고 비선형 다중 물리적 특성(multiphysics)을 갖는 배터리의 정확한 상태 추정 및 제어가 가능하도록 하여 배터리 관리의 안전성과 신뢰성을 높일 수 있도록 하는 새로운 기술의 개발이 요구되고 있다.

대한민국 공개특허 제10-2020-0053981호 대한민국 공개특허 제10-2017-0042082호 대한민국 공개특허 제10-2015-0043291호

본 발명은 종래 기술의 배터리 관리 기술의 문제점을 해결하기 위한 것으로, 배터리 열화에 따른 압력 변이와 관련된 다중 특징인자를 선정하여 비가역적 힘 및 가역적 힘을 추정하여 배터리 특성 변화를 정확하게 분석 및 예측할 수 있도록 한 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법을 제공하는데 그 목적이 있다.

본 발명은 복잡하고 비선형 다중 물리적 특성(multiphysics)을 갖는 배터리의 정확한 상태 추정 및 제어가 가능하도록 하여 배터리 관리의 안전성과 신뢰성을 높일 수 있도록 한 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법을 제공하는데 그 목적이 있다.

본 발명은 제한된 열화 데이터 특징을 고려하여 머신러닝 방법 중 높은 정확도를 보이는 추계학적 회기분석기법을 적용하고, 전압과 전류 사이의 변동 비를 다루어 배터리의 임피던스를 나타내어 효과적인 학습 입력 추출이 가능하도록 한 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법을 제공하는데 그 목적이 있다.

본 발명은 현상학적 모델링을 통해 가역적 힘을 추정하고, 현상학적 모델링에서 압력 변이를 추정하기 위해서 등가 강성을 부피 변이와 힘 변이의 열화 실험 데이터를 SOC(state of charge, 충전률)에 따라 융합하여 추정하여 강한 변이 특성을 이용할 수 있도록 한 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법을 제공하는데 그 목적이 있다.

본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 장치는 배터리 팩의 압력 변이 예측 및 관리를 위한 데이터 세트를 입력하는 데이터 세트 입력부;배터리 열화에 따른 압력 변이와 관련된 특징 인자를 추출하여 상관관계를 분석하는 특징 인자 선정부;다중 특징인자를 선정하여 추계학적 회기분석법을 이용해 비가역적 힘을 추정하는 비가역적 힘 예측부;현상학적 모델링을 통해 가역적 힘을 추정하는 가역적 힘 예측부;산출한 비가역적 힘(irreversible forces)과 가역적 힘(reversible forces)의 합을 배터리에 인가되는 최종 힘(total forces)으로 추정하고, 제곱근 오차평균과 오차평균을 이용하여 결과를 분석하는 최종 예측값 출력부;를 포함하는 것을 특징으로 한다.

여기서, 상기 특징 인자 선정부에서 선정되는 특징 인자는, HI 1: 충전 초기 전압(CIV)을 열화에 따라 추출한 인자, HI 2: 정전류 충전 모드에서 초기 전압 기울기(IVS@CC), HI 3: 정전류 충전 모드(EVS@CC) 중 종지 전압 기울기, HI 4: 정전압 충전 모드 중 초기 전류 기울기(ICS@CV), HI 5: 정전압 충전 모드(ECS@CV) 중 종지 전류 기울기, HI 6: 방전 초기 전압(DIV)을 열화에 따라 추출한 인자를 포함하는 것을 특징으로 한다.

그리고 상기 특징 인자 선정부에서의 상관관계 분석은 GRA(Grey relational analysis)을 이용하고, GRA의 경우, 두 시퀀스가 정확히 같으면 GRG는 1로 나타나고, GRG(Grey relational grade)는 머신러닝 학습을 위한 학습 입력으로 다변수 특징 인자를 결정하는 정량적 지표로 사용하여 최종 HI를 선택하여 비가역적 힘의 변이를 예측하는 것을 특징으로 한다.

그리고 비가역적 힘 예측부는, 배터리 열화의 내부 반응에서 음극에 SEI(solid electrolyte interface)가 지속적으로 형성 및 증가하여 배터리 전체 두께를 증가시고, 구속조건이 있는 경우 비가역적 힘을 증가시키는 것을 이용하여, 전기 화학적 열화를 나타내는 특징을 비가역적 힘을 예측하는 데 사용하는 것을 특징으로 한다.

그리고 SEI 형성은 이용 가능한 리튬이온의 양을 감소시킴으로 용량의 손실을 초래하여 정전류 구간에서 전압을 증가시켜, SEI의 형성과 성장이 리튬이온 배터리의 임피던스를 증가시키는 것을 이용하는 것을 특징으로 한다.

그리고 가역적 힘 예측부는, 현상학적 모델링을 통해 가역적 힘을 추정하고, 현상학적 모델링에서 압력 변이를 추정하기 위해서 등가 강성을 부피 변이와 힘 변이의 열화 실험 데이터를 SOC(state of charge, 충전률)에 따라 융합하여 추정하는 것을 특징으로 한다.

그리고 중간 SOC에서는 음극의 다상의 상태가 강성 k를 포함한 기계적 거동과 속성을 지배하는 반면, 하위 및 고위 SOC에는 단상이 존재하는 것을 이용하여, 가역적 힘은 하위 SOC(SOC 0%~33%), 중간 SOC(SOC 34%~66%), 상위 SOC(SOC 67%~100%)로 3개의 영역으로 나누고, 변곡점이 열화에 따라 일정한 것으로 가정하는 것을 특징으로 한다.

그리고 구속조건에서 가역적 힘()은,으로 정의되고, 여기서, , 및 는 선형 등가 강성 계수, 비선형 등가 강성 계수 및 배터리 단면의 부피 변화인 것을 특징으로 한다.

그리고 가역적 힘은 열응력과 리튬이온 삽입으로 인한 응력으로부터 생성되고, 가역적 힘은 중간 SOC에서는 약한 비선형을 보이고 열화에 따라 변이를 나타내고, 상위 SOC에서는 강한 비선형을 갖고 열화에 따른 변이는 작은 것을 특징으로 한다.

그리고 하위 SOC와 중간 SOC의 경우 선형항, 즉 만을 다루고, 선형 및 비선형 항을 모두 다루는 비선형 힘 모델()은 상위 SOC에 사용하는 것을 특징으로 한다.

그리고 최종 예측값 출력부는, 최종적으로 총 힘 을 비가역적 힘 와 가역적 힘 의 합으로 출력하고, 비가역적 힘 은 초기 예하중 과 SEI 성장()에 의한 응력의 합이고, 으로 정의되고, 초기 예하중 은 초기 변위인 것을 특징으로 한다.

다른 목적을 달성하기 위한 본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 방법은 데이터 세트가 입력되면 배터리 열화에 따른 압력 변이와 관련된 특징 인자를 추출하여 상관관계를 분석하는 단계;다중 특징인자를 선정하여 추계학적 회기분석법을 이용해 비가역적 힘을 추정하는 단계;현상학적 모델링을 통해 가역적 힘을 추정하는 단계;산출한 비가역적 힘(irreversible forces)과 가역적 힘(reversible forces)의 합을 배터리에 인가되는 최종 힘(total forces)으로 추정하고, 제곱근 오차평균과 오차평균을 이용하여 결과를 분석하여 출력하는 단계;를 포함하는 것을 특징으로 한다.

이상에서 설명한 바와 같은 본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법은 다음과 같은 효과가 있다.

첫째, 배터리 열화에 따른 압력 변이와 관련된 다중 특징인자를 선정하여 비가역적 힘 및 가역적 힘을 추정하여 배터리 특성 변화를 정확하게 분석 및 예측할 수 있도록 한 것이다.

둘째, 복잡하고 비선형 다중 물리적 특성(multiphysics)을 갖는 배터리의 정확한 상태 추정 및 제어가 가능하도록 하여 배터리 관리의 안전성과 신뢰성을 높일 수 있도록 한다.

셋째, 제한된 열화 데이터 특징을 고려하여 머신러닝 방법 중 높은 정확도를 보이는 추계학적 회기분석기법을 적용하고, 전압과 전류 사이의 변동 비를 다루어 배터리의 임피던스를 나타내어 효과적인 학습 입력 추출이 가능하도록 한다.

넷째, 현상학적 모델링을 통해 가역적 힘을 추정하고, 현상학적 모델링에서 압력 변이를 추정하기 위해서 등가 강성을 부피 변이와 힘 변이의 열화 실험 데이터를 SOC(state of charge, 충전률)에 따라 융합하여 추정하여 강한 변이 특성을 이용할 수 있도록 한다.

도 1은 본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 장치의 구성 블록도
도 2는 본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 방법을 나타낸 플로우 차트
도 3은 GPR(Gaussian process regression) 방법을 나타낸 구성도
도 4는 현상학적 모델링(Phenomenological modeling) 방법을 나타낸 구성도
도 5는 본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 특성 그래프
도 6은 배터리 열화에 따른 방전시 부피변이와 힘변이를 나타낸 그래프

이하, 본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법의 바람직한 실시 예에 관하여 상세히 설명하면 다음과 같다.

본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법의 특징 및 이점들은 이하에서의 각 실시 예에 대한 상세한 설명을 통해 명백해질 것이다.

도 1은 본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 장치의 구성 블록도이다.

본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법은 배터리 열화에 따른 압력 변이와 관련된 다중 특징인자를 선정하여 비가역적 힘 및 가역적 힘을 추정하여 배터리 특성 변화를 정확하게 분석 및 예측할 수 있도록 한 것이다.

이를 위하여, 본 발명은 제한된 열화 데이터 특징을 고려하여 머신러닝 방법 중 높은 정확도를 보이는 추계학적 회기분석기법을 적용하고, 전압과 전류 사이의 변동 비를 다루어 배터리의 임피던스를 나타내어 효과적인 학습 입력 추출이 가능하도록 하는 구성을 포함할 수 있다.

본 발명은 현상학적 모델링을 통해 가역적 힘을 추정하고, 현상학적 모델링에서 압력 변이를 추정하기 위해서 등가 강성을 부피 변이와 힘 변이의 열화 실험 데이터를 SOC(state of charge, 충전률)에 따라 융합하여 추정하여 강한 변이 특성을 이용할 수 있도록 하는 구성을 포함할 수 있다.

본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 장치는 도 1에서와 같이, 배터리 팩의 압력 변이 예측 및 관리를 위한 데이터 세트를 입력하는 데이터 세트 입력부(10)와, 배터리 열화에 따른 압력 변이와 관련된 특징 인자를 추출하여 상관관계를 분석하는 특징 인자 선정부(20)와, 다중 특징인자를 선정하여 추계학적 회기분석법을 이용해 비가역적 힘을 추정하는 비가역적 힘 예측부(30)와, 현상학적 모델링을 통해 가역적 힘을 추정하는 가역적 힘 예측부(40)와, 산출한 비가역적 힘(irreversible forces)과 가역적 힘(reversible forces)의 합을 배터리에 인가되는 최종 힘(total forces)으로 추정하고, 제곱근 오차평균과 오차평균을 이용하여 결과를 분석하는 최종 예측값 출력부(50)를 포함한다.

여기서, 특징 인자 선정부(20)에서 선정되는 특징 인자는 HI 1: 충전 초기 전압(CIV)을 열화에 따라 추출한 인자, HI 2: 정전류 충전 모드에서 초기 전압 기울기(IVS@CC), HI 3: 정전류 충전 모드(EVS@CC) 중 종지 전압 기울기, HI 4: 정전압 충전 모드 중 초기 전류 기울기(ICS@CV), HI 5: 정전압 충전 모드(ECS@CV) 중 종지 전류 기울기, HI 6: 방전 초기 전압(DIV)을 열화에 따라 추출한 인자를 포함할 수 있다.

도 2는 본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 방법을 나타낸 플로우 차트이다.

그리고 도 3은 GPR(Gaussian process regression) 방법을 나타낸 구성도이고, 도 4는 현상학적 모델링(Phenomenological modeling) 방법을 나타낸 구성도이다.

본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 방법은 크게 다음과 같은 단계로 이루어진다.

배터리 팩의 압력 변이 예측 및 관리를 위한 데이터 세트가 입력되면(S201), 첫번째 단계에서는 배터리 열화에 따른 압력 변이와 관련된 특징 인자를 추출하여 상관관계를 분석한다.(S202)

두번째 단계에서는 다중 특징인자를 선정하여 추계학적 회기분석법을 이용해 비가역적 힘을 추정한다.(S203)

세번째 단계에서는 현상학적 모델링을 통해 가역적 힘을 추정한다.(204)

이때 현상학적 모델링에서 압력 변이를 추정하기 위해서 등가 강성이 필요하다. 등가 강성은 부피 변이와 힘 변이의 열화 실험 데이터를 SOC(state of charge, 충전률)에 따라 융합하여 추정한다.

충전률에 의존적으로 최소제곱법 또는 추계학적 회기분석법을 사용했는데, 이는 높은 충전율에서는 등가 강성이 비선형성을 보이지만 적은 변이를 보이고 반면에 낮거나 중간 충전율에서는 선형성을 보이지만 강한 변이 특성을 보이기 때문이다.

최종적으로 두번째 단계에서 산출한 비가역적 힘과 세번째 단계에서 산출한 가역적 힘의 합을 배터리에 인가되는 최종 힘으로 추정하고, 제곱근 오차평균과 오차평균을 이용하여 결과를 분석한다.(S205)

비가역적 힘의 진화(Evolution of irreversible force)에 관하여 구체적으로 설명하면 다음과 같다.

리튬이온 배터리의 수명은 크게 두가지 요인인 열응력과 리튬이온 삽입으로 인한 응력으로부터 영향을 받는다.

본 발명의 일 실시 예에서는 배터리 환경 온도 변화를 0.5℃이내로 제어하여 25℃로 유지하였고, 과충전 또는 과방전 없이 0.5C 충전율을 유지하여 사이클 실험을 진행한다.

따라서, 배터리의 열응력은 무시 가능하고, 내부 화학 반응이 배터리 열화에 주요 요인이 된다.

배터리 열화의 내부 반응에서 주요 메커니즘은 음극에 SEI(solid electrolyte interface)가 지속적으로 형성 및 증가하는 것이다.

음극과 분리막 사이에서의 SEI 형성 및 진화는 배터리 전체 두께를 증가시킴으로 구속조건이 있는 경우 비가역적 힘을 증가시킨다. 따라서 이러한 기계적 반응이 배터리의 전기화학 특성과 높은 상관관계를 갖는다는 것을 시사한다.

즉, 전기 화학적 열화를 나타내는 특징은 비가역적 힘을 예측하는 데 사용될 수 있다.

구체적으로, SEI의 형성과 성장은 리튬이온 배터리의 임피던스를 증가시킨다. 왜냐하면 SEI 형성은 이용 가능한 리튬이온의 양을 감소시킴으로 용량의 손실을 초래하기 때문이다. 이 현상은 또한 정전류 구간에서 전압을 증가시킨다.

본 발명에서는 이러한 열화에 내포된 다중물리적 현상을 이용하여 배터리 전기 화학적 특성을 머신러닝 학습의 다변수 입력으로 하여 민감하고 효과적인 인자로 사용한다.

도 5는 본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 특성 그래프이다.

본 발명에서는 분해 메커니즘에 대한 물리적 이해에 기초하여 충방전 곡선으로부터 여러 특징 인자(health indicators;HI)를 선정한다.

구체적으로 HI 1과 HI 6는 충전 초기 전압(CIV)과 방전 초기 전압(DIV)을 열화에 따라 추출한 특징 인자이다.

열화에 따라 임피던스 증가로 인해 초기 전하 및 방전 전압이 증가함으로 선정되었다. 이 두 인자는 정전류 충전 및 방전 시 V=RI에서 I는 일정하기 때문에 임피던스와 동일하다.

이 외에도 HI 2, HI 3, HI 4, HI 5는 각각 정전류 충전 모드에서 초기 전압 기울기(IVS@CC), 정전류 충전 모드(EVS@CC) 중 종지 전압 기울기, 정전압 충전 모드 중 초기 전류 기울기(ICS@CV), 정전압 충전 모드(ECS@CV) 중 종지 전류 기울기를 특징 인자로 선정하였다.

정전류 충전 모드에서 옴의 법칙에 따라 이고, 정전압 모드에서는 이기 때문에 기울기로 임피던스를 나타낼 수 있다.

이를 통해 서로 다른 두 충전 모드에서 측정된 전압과 전류의 기울기가 배터리의 임피던스를 나타내며, 효과적으로 리튬이온 배터리의 열화를 나타내는 HI가 된다는 것을 알 수 있다.

더욱이 이러한 특징 인자들은 측정 기간이 짧은 충전 곡선을 통해 쉽게 얻을 수 있어 실제 BMS에 쉽게 구현할 수 있도록 한다.

예를 들어, PHEV 배터리 팩은 일반적으로 차고에서 하룻밤 동안 충전된다.

충전 중 측정된 데이터를 사용하여 이러한 특징을 쉽게 추출할 수 있다.

도 5에서와 같이, HI 2에서 HI 5까지의 경사는 측정 기간에 따라 달라진다.

따라서, HI 2 ~ HI 5는 여러 기간 동안 추출되었다. HI 4와 HI 5의 슬로프도 정전압 충전 모드의 성능 저하에 따라 충전 용량이 달라지기 때문에 일정한 충전 용량을 위해 추출한다.

HI의 경우 더 긴 기간이 안정적이고 뚜렷한 추세를 보이는 반면, 짧은 기간이 더 실용적이다. 이러한 측정 기간의 장점과 단점을 고려하여, 최단 시간 측정뿐만 아니라 임피던스의 분해 대비 뚜렷한 진화 특성을 보이는 것을 목표로 하여 기간과 용량 충전량을 결정한다.

다음으로 선정된 특징 인자와 압력 변이간 상관관계를 분석하는 과정을 구체적으로 설명하면 다음과 같다.

상관관계 분석은 GRA(Grey relational analysis), Pearson correlation coefficient, spearman correlation coefficient 등 다양한 방법을 이용하여 분석 가능하다.

GRA의 경우, 두 시퀀스가 정확히 같으면 GRG는 1로 나타난다.

GRG(Grey relational grade)는 머신러닝 학습을 위한 학습 입력으로 다변수 특징 인자를 결정하는 정량적 지표가 될 수 있다.

따라서 GRG를 기반으로 최종 HI를 선택하여 비가역적 힘의 변이를 예측한다.

머신러닝이나 딥러닝을 통해 배터리 건전성 예측에 관한 최근 연구에서는 전류 또는 전압 데이터를 후처리 없이 입력하고 있다. 이러한 전처리 과정이 없이 심층신경망을 사용하는 경우 높은 상관관계가 있는 특징 인자를 가공할 수 없기 때문에 심층신경망에 학습한다 할지라도 높은 정확도로 SOH 추정할 수 없다.

본 발명에서는 많은 데이터가 필요한 딥러닝 방법 대신 제한된 데이터 특징을 고려하여 머신러닝 방법 중 높은 정확도를 보이는 추계학적 회기분석기법을 선택한다.

열화실험의 한 데이터 세트를 취득하는데 9개월이 걸리며, 이는 열화 데이터 세트가 아직까지 제한적인 개수로 존재한다는 것을 의미한다. 이러한 한계를 극복하기 위해, 본 발명에서는 전압과 전류 사이의 변동 비를 다루어 배터리의 임피던스를 나타내어 HI가 될 수 있도록 하고, 효과적인 학습 입력 추출하는데 초점을 맞추고 있다.

가역적 힘의 진화(Evolution of reversible force)에 관하여 구체적으로 설명하면 다음과 같다.

도 6은 배터리 열화에 따른 방전시 부피변이와 힘변이를 나타낸 그래프이다.

도 6은 배터리 열화에 따른 방전시 부피변이와 힘변이를 도시한 것으로, 변곡점은 노란색으로 표시됐다.

한 사이클에서 두 변곡점은 음극과 양극의 상변이에 의해서 초래되는 것이다.

그러나 변곡점이 모두 음극에서 발생하는 상변이인 IIa단계와 III단계와 매우 가깝기 때문에 동특성 변화는 음극이 양극보다 크게 기여한다.

중간 SOC에서는 음극의 다상의 상태가 강성 k를 포함한 기계적 거동과 속성을 지배하는 반면, 하위 및 고위 SOC에는 단상이 존재한다고 유추할 수 있다.

가역적 힘은 하위 SOC(SOC 0%~33%), 중간 SOC(SOC 34%~66%), 상위 SOC(SOC 67%~100%)로 3개의 영역으로 나눠야 한다는 것을 알 수 있다.

각 영역의 변곡점(SOC 33%, 66%)은 배터리 열화에 따라 SEI 형성은 내부 구조의 변화를 일으켜 상변이와 변곡점의 변화를 초래한다.

그러나 실제 적용시 SOH에 따른 변곡점 변이를 묘사하는 것은 전체 SOH 영역에 걸쳐 완충 및 완방 중 기계적 응답을 취득해야 하는 비현실성을 내포하기 때문에 거의 불가능하다. 게다가 이 변이에 따른 RMSE는 SOC 33%의 경우 0.423 N이고 SOC 66%의 경우 3.467 N임으로 매우 작다. 따라서, 변곡점이 열화에 따라 일정한 것으로 가정하는 것이 필요하다.

구속조건에서 가역적 힘()은 수학식 1에서와 같이 정의된다.

여기서, , 및 는 선형 등가 강성 계수, 비선형 등가 강성 계수 및 배터리 단면의 부피 변화를 나타낸다.

가역적 힘은 열응력과 리튬이온 삽입으로 인한 응력으로부터 생성된다. 온도 변화가 미미하기 때문에 순수하게 두 전극의 리튬이온의 이동으로 인한 상변이로부터 발생한다.

더욱이 가역적 힘은 많은 실험에서 비선형적인 경향을 나타낸다.

가역적 힘은 중간 SOC에서는 약한 비선형을 보이지만 열화에 따라 변이를 나타내는 반면, 상위 SOC에서는 강한 비선형을 갖지만 열화에 따른 변이는 거의 없었다.

이러한 상위 SOC에서의 강한 비선형성은 분리막이 압축됨에 따라 기공률이 변화하여 발생되었을 수 있다. 이러한 실험 현상을 설명하기 위해, 본 발명에서는 하위 SOC와 중간 SOC의 경우 선형항, 즉 만을 다루었고, 선형 및 비선형 항을 모두 다루는 비선형 힘 모델(예: )은 상위 SOC에 사용한다.

또한, 하위 및 중간 SOC 영역의 등가 강성은 배터리가 열화를 겪는 동안 변이하는 반면 상위 SOC 영역의 경우 일정하다고 가정한다.

따라서, 추계학적 회기분석법은 하위 및 중간 SOC 영역에 대한 등가 강성의 변이를 추정하기 위해 사용되었다.

SOH 100%에서 SOH 95%까지 추출한 동일한 다중 특징인자를 입력으로 본 발명에서 제시하는 추계학적 회기분석기법에 넣었으며, 이를 입증하기 위해 다른 데이터 세트에 동일하게 적용한다.

반면, 상위 SOC 영역에 대한 등가 강성은 비선형 최소 제곱 근사법을 사용하여 동일한 SOH 영역에서 힘 및 부피 변화 측정 실험데이터로 추정한다.

배터리의 전체 SOH 구간에서 영역-III에서 등가 강성의 변이가 약하다는 점을 고려하여 SOH 99, 91 및 81%의 세 가지 열화 데이터 세트가 사용되었다.

본 발명에서는 정확성을 검증하기 위해 1% 간격의 서로 다른 18개 데이터세트를 사용했다.

구속조건에서 배터리의 수명은 구속조건이 없는 조건에서의 수명보다 길다.

따라서 힘 및 부피변화 데이터 집합에 대한 동기화는 SOH 관점에서 수행되었다.

최종적으로 총 힘 은 비가역적 힘 와 가역적 힘 의 합이며 비가역적 힘 은 초기 예하중 과 SEI 성장()에 의한 응력의 합이다.

초기 예하중 은 초기 변위, 즉 시험 벤치의 볼트를 조일 때 초기 예하중에 의한 배터리의 초기 부피 변화에서 비롯된다.

이 구속조건은 실제 배터리 팩에 의한 예하중을 모사하였다. 더 나아가, 비가역적인 힘 는 SEI 계층의 지속적인 균열, 새로운 SEI 형성 및 SEI 계층의 성장으로 인해 사이클에 걸쳐 증가한다.

이상에서 설명한 본 발명에 따른 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법은 배터리 열화에 따른 압력 변이와 관련된 다중 특징인자를 선정하여 비가역적 힘 및 가역적 힘을 추정하여 배터리 특성 변화를 정확하게 분석 및 예측할 수 있도록 한 것이다.

본 발명은 제한된 열화 데이터 특징을 고려하여 머신러닝 방법 중 높은 정확도를 보이는 추계학적 회기분석기법을 적용하고, 전압과 전류 사이의 변동 비를 다루어 배터리의 임피던스를 나타내어 효과적인 학습 입력 추출이 가능하도록 한다.

본 발명은 현상학적 모델링을 통해 가역적 힘을 추정하고, 현상학적 모델링에서 압력 변이를 추정하기 위해서 등가 강성을 부피 변이와 힘 변이의 열화 실험 데이터를 SOC(state of charge, 충전률)에 따라 융합하여 추정하여 강한 변이 특성을 이용할 수 있도록 한 것이다.

이상에서의 설명에서와 같이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명이 구현되어 있음을 이해할 수 있을 것이다.

그러므로 명시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 본 발명의 범위는 전술한 설명이 아니라 특허청구 범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

10. 데이터 세트 입력부
20. 특징 인자 선정부
30. 비가역적 힘 예측부
40. 가역적 힘 예측부
50. 최종 예측값 출력부

Claims (13)

1. 배터리 팩의 압력 변이 예측 및 관리를 위한 데이터 세트를 입력하는 데이터 세트 입력부;
   입력된 데이터 세트를 기반으로 배터리 열화에 따른 압력 변이와 관련된 특징 인자를 추출하고 추출된 특징 인자와 압력 변이간 상관관계를 GRA(Grey relational analysis)를 이용하여 분석하는 특징 인자 선정부;
   특징 인자 선정부에서 추출된 특징 인자 중 GRG(Grey relational grade)를 기반으로 최종 특징인자를 선택하여 추계학적 회기분석법을 이용해 비가역적 힘을 추정하는 비가역적 힘 예측부;
   현상학적 모델링을 통해 가역적 힘을 추정하는 가역적 힘 예측부;
   산출한 비가역적 힘(irreversible forces)과 가역적 힘(reversible forces)의 합을 배터리에 인가되는 최종 힘(total forces)으로 추정하고, 제곱근오차평균과 오차평균을 이용하여 결과를 분석하는 최종 예측값 출력부;를 포함하는 것을 특징으로 하는 배터리 팩의 압력 변이 예측 및 관리를 위한 장치.
2. 제 1 항에 있어서, 상기 특징 인자 선정부에서 선정되는 특징 인자는,
   HI 1: 충전 초기 전압(CIV)을 열화에 따라 추출한 인자, HI 2: 정전류 충전 모드에서 초기 전압 기울기(IVS@CC), HI 3: 정전류 충전 모드(EVS@CC) 중 종지 전압 기울기, HI 4: 정전압 충전 모드 중 초기 전류 기울기(ICS@CV), HI 5: 정전압 충전 모드(ECS@CV) 중 종지 전류 기울기, HI 6: 방전 초기 전압(DIV)을 열화에 따라 추출한 인자를 포함하는 것을 특징으로 하는 배터리 팩의 압력 변이 예측 및 관리를 위한 장치.
3. 제 1 항에 있어서,
   GRA의 경우, 두 시퀀스가 정확히 같으면 GRG는 1로 나타나고,
   GRG(Grey relational grade)는 머신러닝 학습을 위한 학습 입력으로 다변수 특징 인자를 결정하는 정량적 지표로 사용하여 최종 HI를 선택하여 비가역적 힘의 변이를 예측하는 것을 특징으로 하는 배터리 팩의 압력 변이 예측 및 관리를 위한 장치.
4. 제 1 항에 있어서, 비가역적 힘 예측부는,
   배터리 열화의 내부 반응에서 음극에 SEI(solid electrolyte interface)가 지속적으로 형성 및 증가하여 배터리 전체 두께를 증가시고, 구속조건이 있는 경우 비가역적 힘을 증가시키는 것을 이용하여,
   전기 화학적 열화를 나타내는 특징을 비가역적 힘을 예측하는 데 사용하는 것을 특징으로 하는 배터리 팩의 압력 변이 예측 및 관리를 위한 장치.
5. 제 4 항에 있어서, SEI 형성은 이용 가능한 리튬이온의 양을 감소시킴으로 용량의 손실을 초래하여 정전류 구간에서 전압을 증가시켜,
   SEI의 형성과 성장이 리튬이온 배터리의 임피던스를 증가시키는 것을 이용하는 것을 특징으로 하는 배터리 팩의 압력 변이 예측 및 관리를 위한 장치.
6. 제 1 항에 있어서, 가역적 힘 예측부는,
   현상학적 모델링을 통해 가역적 힘을 추정하고, 현상학적 모델링에서 압력 변이를 추정하기 위해서 등가 강성을 부피 변이와 힘 변이의 열화 실험 데이터를 SOC(state of charge, 충전률)에 따라 융합하여 추정하는 것을 특징으로 하는 배터리 팩의 압력 변이 예측 및 관리를 위한 장치.
7. 제 6 항에 있어서, 중간 SOC에서는 음극의 다상의 상태가 강성 k를 포함한 기계적 거동과 속성을 지배하는 반면, 하위 및 고위 SOC에는 단상이 존재하는 것을 이용하여,
   가역적 힘은 하위 SOC(SOC 0%~33%), 중간 SOC(SOC 34%~66%), 상위 SOC(SOC 67%~100%)로 3개의 영역으로 나누고, 변곡점이 열화에 따라 일정한 것으로 가정하는 것을 특징으로 하는 배터리 팩의 압력 변이 예측 및 관리를 위한 장치.
8. 제 7 항에 있어서, 구속조건에서 가역적 힘()은,
   으로 정의되고,
   여기서, , 및 는 선형 등가 강성 계수, 비선형 등가 강성 계수 및 배터리 단면의 부피 변화인 것을 특징으로 하는 배터리 팩의 압력 변이 예측 및 관리를 위한 장치.
9. 제 8 항에 있어서, 가역적 힘은 열응력과 리튬이온 삽입으로 인한 응력으로부터 생성되고,
   가역적 힘은 중간 SOC에서는 약한 비선형을 보이고 열화에 따라 변이를 나타내고, 상위 SOC에서는 강한 비선형을 갖고 열화에 따른 변이는 작은 것을 특징으로 하는 배터리 팩의 압력 변이 예측 및 관리를 위한 장치.
10. 제 9 항에 있어서, 하위 SOC와 중간 SOC의 경우 선형항, 즉 만을 다루고, 선형 및 비선형 항을 모두 다루는 비선형 힘 모델()은 상위 SOC에 사용하는 것을 특징으로 하는 배터리 팩의 압력 변이 예측 및 관리를 위한 장치.
11. 제 1 항에 있어서, 최종 예측값 출력부는,
    최종적으로 총 힘 은 비가역적 힘 와 가역적 힘 의 합이며 비가역적 힘 은 초기 예하중 과 SEI 성장()에 의한 응력의 합이고,
    으로 정의되고,
    초기 예하중 은 초기 변위인 것을 특징으로 하는 배터리 팩의 압력 변이 예측 및 관리를 위한 장치.
12. 입력된 데이터 세트를 기반으로 배터리 열화에 따른 압력 변이와 관련된 특징 인자를 추출하고 추출된 특징 인자와 압력 변이간 상관관계를 GRA(Grey relational analysis)를 이용하여 분석하는 단계;
    특징 인자 선정부에서 추출된 특징 인자 중 GRG(Grey relational grade)를 기반으로 최종 특징인자를 선택하여 추계학적 회기분석법을 이용해 비가역적 힘을 추정하는 단계;
    현상학적 모델링을 통해 가역적 힘을 추정하는 단계;
    산출한 비가역적 힘(irreversible forces)과 가역적 힘(reversible forces)의 합을 배터리에 인가되는 최종 힘(total forces)으로 추정하고, 제곱근 오차평균과 오차평균을 이용하여 결과를 분석하여 출력하는 단계;를 포함하는 것을 특징으로 하는 배터리 팩의 압력 변이 예측 및 관리를 위한 방법.
13. 제 12 항에 있어서, 특징 인자를 추출하여 상관관계를 분석하는 단계에서 선정되는 특징 인자는,
    HI 1: 충전 초기 전압(CIV)을 열화에 따라 추출한 인자, HI 2: 정전류 충전 모드에서 초기 전압 기울기(IVS@CC), HI 3: 정전류 충전 모드(EVS@CC) 중 종지 전압 기울기, HI 4: 정전압 충전 모드 중 초기 전류 기울기(ICS@CV), HI 5: 정전압 충전 모드(ECS@CV) 중 종지 전류 기울기, HI 6: 방전 초기 전압(DIV)을 열화에 따라 추출한 인자를 포함하는 것을 특징으로 하는 배터리 팩의 압력 변이 예측 및 관리를 위한 방법.