KR102633335B1 - 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 - Google Patents
리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 Download PDFInfo
- Publication number
- KR102633335B1 KR102633335B1 KR1020210072261A KR20210072261A KR102633335B1 KR 102633335 B1 KR102633335 B1 KR 102633335B1 KR 1020210072261 A KR1020210072261 A KR 1020210072261A KR 20210072261 A KR20210072261 A KR 20210072261A KR 102633335 B1 KR102633335 B1 KR 102633335B1
- Authority
- KR
- South Korea
- Prior art keywords
- value
- battery pack
- battery
- threshold
- soh
- Prior art date
Links
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 51
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012806 monitoring device Methods 0.000 claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000006866 deterioration Effects 0.000 claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000036541 health Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004880 explosion Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/10—Measuring sum, difference or ratio
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
- G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
- G01R19/16542—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies for batteries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
-
- 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
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
본 발명은 배터리셀의 전기화학적 특성과 환경 요인에 따른 성능 변화와 관련된 다수의 파라미터별 임계값을 이용하여 리튬이온 배터리팩 내에서 이상동작을 하는 배터리셀을 검출함과 더불어, 보다 정확한 SOH(State of Health) 예측값을 제공하는 기술에 관한 것이다.
본 발명에 따른 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법은, 배터리 상태 감시장치에서 리튬이온 배터리팩과 해당 리튬이온 배터리팩 내의 각 배터리셀에 대한 전압, 캐패시티, 온도, 습도 의 4개 파라미터에 대한 실측값을 획득하는 제1 단계와, 배터리 상태 감시장치에서 리튬이온 배터리팩과 해당 리튬이온 배터리팩 내의 각 배터리셀에 대한 전압, 캐패시티, 온도, 습도 실측값을 배터리셀 위치정보와 함께 각 파라미터별 학습모델에 입력하여 각 파라미터별 임계값을 산출하되, 상기 학습모델은 배터리셀 위치에 따라 서로 다른 열화특성이 적용된 임계값을 출력하는 제2 단계, 배터리 상태 감시장치에서 배터리팩의 임계값과 실측값간의 차이가 기 설정된 기준값 이상인 경우 해당 배터리팩내의 모든 배터리셀별 상태 검출동작을 수행하되, 배터리셀별 실측값과 임계값간의 차이를 기반으로 각 배터리셀의 이상 상태 여부를 판단하는 제3 단계 및, 배터리 상태 감시장치에서 배터리팩 및 각 배터리셀별 전압 임계값과 캐패시티 임계값을 근거로 전기화학적 요소에 대한 제1 가중치를 산출하고, 온도 임계값과 습도 임계값을 근거로 외부환경 요소에 대한 제2 가중치를 산출하여 이전 SOH 예측값에 각각 컨볼루션 연산한 값의 합을 해당 배터리팩 및 각 배터리셀별 SOH예측값으로 각각 산출하는 제4 단계를 포함하여 구성되는 것을 특징으로 한다.
본 발명에 따른 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법은, 배터리 상태 감시장치에서 리튬이온 배터리팩과 해당 리튬이온 배터리팩 내의 각 배터리셀에 대한 전압, 캐패시티, 온도, 습도 의 4개 파라미터에 대한 실측값을 획득하는 제1 단계와, 배터리 상태 감시장치에서 리튬이온 배터리팩과 해당 리튬이온 배터리팩 내의 각 배터리셀에 대한 전압, 캐패시티, 온도, 습도 실측값을 배터리셀 위치정보와 함께 각 파라미터별 학습모델에 입력하여 각 파라미터별 임계값을 산출하되, 상기 학습모델은 배터리셀 위치에 따라 서로 다른 열화특성이 적용된 임계값을 출력하는 제2 단계, 배터리 상태 감시장치에서 배터리팩의 임계값과 실측값간의 차이가 기 설정된 기준값 이상인 경우 해당 배터리팩내의 모든 배터리셀별 상태 검출동작을 수행하되, 배터리셀별 실측값과 임계값간의 차이를 기반으로 각 배터리셀의 이상 상태 여부를 판단하는 제3 단계 및, 배터리 상태 감시장치에서 배터리팩 및 각 배터리셀별 전압 임계값과 캐패시티 임계값을 근거로 전기화학적 요소에 대한 제1 가중치를 산출하고, 온도 임계값과 습도 임계값을 근거로 외부환경 요소에 대한 제2 가중치를 산출하여 이전 SOH 예측값에 각각 컨볼루션 연산한 값의 합을 해당 배터리팩 및 각 배터리셀별 SOH예측값으로 각각 산출하는 제4 단계를 포함하여 구성되는 것을 특징으로 한다.
Description
본 발명은 배터리셀의 전기화학적 특성과 환경 요인에 따른 성능 변화와 관련된 다수의 파라미터별 임계값을 이용하여 리튬이온 배터리팩 내에서 이상동작을 하는 배터리셀을 검출함과 더불어, 보다 정확한 SOH(State of Health) 예측값을 제공하는 기술에 관한 것이다.
오늘날 산업 전반에 걸쳐 가장 많이 사용되고 있는 2차전지 중 하나로 리튬이온 배터리를 꼽을 수 있다.
리튬이온 배터리는 기전력이 3.6V이며, 매우 가벼운 특성으로 타 배터리보다 무게 대비 높은 에너지 밀도와 자가방전에 의한 전력손실이 매우 적다는 탁월한 장점을 지녀 스마트폰 등 소형 모바일 기기에서 전기자동차까지 전력원으로 쓰이고 있다.
이러한 리튬이온 배터리는 일정 이상의 용량이 필요한 경우, 충전 및 방전이 가능한 하나 이상의 전기화학 셀로 구성되는 배터리팩 형태로 주로 사용된다.
최근 신차 판매의 25%가 전기 엔진을 탑재한 차량들이며, 환경 오염이나 기후 변화에 대한 대응으로 전기자동차 운용이 적극 장려되는 등 수요가 급증하고 있다.
그러나 이러한 전기 자동차 등의 주 전원으로 사용되는 리튬이온 배터리는 온도에 민감한 특성으로 인해 온도가 높은 환경일수록 노화가 빨리 진행됨과 동시에 폭발 위험성도 증가하는 단점을 갖는다.
또한, 리튬이온 배터리를 사용하면서 충방전이 반복됨에 따라 배터리셀간 전압차가 커지면서 불평형이 생기는 경향이 있다. 이러한 경우 일부의 열화 배터리셀에 의하여 전체 배터리의 수명이 단축되고, 심지어는 화재나 폭발의 위험성도 증가하게 된다.
이에 전기자동차에 쓰이는 리튬이온 배터리는 다양하고 혹독한 환경에서 안정적으로 동작하여야 하고, 정밀하게 관리되어야 하는 바, 이를 위해 최근에는 열적 불안전성 원인 규명을 포함 리튬 전지의 안정성을 위협하는 내·외부적 요인들에 대한 연구가 활발히 진행되고 있다.
일반적으로 리튬이온 배터리의 열화상태를 수치적으로 제시하는 SOH(State of Health)를 모델링하여 현재 리튬이온 배터리의 상태를 파악하는데, 기존의 방법으로는 내부 저항/임피던스, 충전용량, 누적 충방전 사이클 수 등을 이용하여 대략적인 SOH를 산출하거나 칼만필터, 퍼지 로직, 또는 연속되는 사이클 간의 SOC 변화량을 이용하여 SOH를 추정하는 기법 등이 이용되고 있다.
그러나 이러한 기법들은 SOH 추정에 이용되는 파라메터가 제한적이며, LIB 전체 성능 저하와 폭발을 유발하는 다양한 요인들에 대한 고려가 되지 않아 장기 사이클 및 다양한 환경에서 운용 시 결국 추정 및 예측 정확도가 떨어진다는 치명적인 단점을 지닌다.
또한, 배터리셀은 그 배치 위치에 따라 열화특성이 다르게 나타나며, 열화특성 뿐 아니라 다른 환경 요인에 의해서도 SOH가 변화될 수 있는 바, SOH의 추정만으로 각 배터리셀의 현재 상태를 판단하는 데에는 무리가 있다.
이에, 본 발명은 상기한 사정을 감안하여 창출된 것으로, 리튬이온 배터리팩 및 배터리셀의 충방전상태에 대응되는 다수의 파라메터를 RNN계열의 구조를 통한 딥러닝 모델에 적용하여 열화특성이 반영된 임계값을 산출하고, 각 파라미터별 임계값을 근거로 배터리셀 상태를 판단함과 더불어, 현재 SOH 예측값을 산출함으로써, 보다 정확한 배터리셀 상태 감시 및 SOH 예측값 제공이 가능하도록 해 주는 리튬이온 배터리팩의 비정상 셀 검출 방법을 제공함에 그 기술적 목적이 있다.
상기 목적을 달성하기 위한 본 발명의 일측면에 따르면, 배터리 상태 감시장치에서 다수의 배터리셀로 이루어지는 리튬이온 배터리팩으로부터 인가되는 신호를 분석하여 리튬이온 배터리팩의 현재 상태를 감시하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법에 있어서, 배터리 상태 감시장치에서 리튬이온 배터리팩과 해당 리튬이온 배터리팩 내의 각 배터리셀에 대한 전압, 캐패시티, 온도, 습도 의 4개 파라미터에 대한 실측값을 획득하는 제1 단계와, 배터리 상태 감시장치에서 리튬이온 배터리팩과 해당 리튬이온 배터리팩 내의 각 배터리셀에 대한 전압, 캐패시티, 온도, 습도 실측값을 배터리셀 위치정보와 함께 각각 전압 학습모델, 캐패시터 학습모델, 온도 학습모델 및 습도 학습모델에 입력하여 각 파라미터별 임계값을 산출하되, 각 상기 학습모델은 배터리셀 위치에 따라 서로 다른 열화특성이 적용된 임계값을 출력하는 제2 단계, 배터리 상태 감시장치에서 배터리팩의 임계값과 실측값간의 차이가 기 설정된 기준값 이상인 경우 해당 배터리팩내의 모든 배터리셀별 상태 검출동작을 수행하되, 배터리셀별 실측값과 임계값간의 차이를 기반으로 각 배터리셀의 이상 상태 여부를 판단하는 제3 단계 및, 배터리 상태 감시장치에서 배터리팩 및 각 배터리셀별 전압 임계값과 캐패시티 임계값을 근거로 전기화학적 요소에 대한 제1 가중치를 산출하고, 온도 임계값과 습도 임계값을 근거로 외부환경 요소에 대한 제2 가중치를 산출하여 이전 SOH 예측값에 각각 컨볼루션 연산한 값의 합을 해당 배터리팩 및 각 배터리셀별 SOH예측값으로 각각 산출하는 제4 단계를 포함하여 구성되는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법이 제공된다.
또한, 상기 제2 단계에서 배터리셀 위치에 따른 열화특성이 적용된 학습모델은 시그노이드 함수를 이용한 모델로서, 하기 수학식에 따라 각 파라미터별 임계값을 출력하는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법이 제공된다. 여기서, Vt, Ct, Tt, Ht 는 각각 전압 임계값, 캐패시티 임계값, 온도 임계값, 습도 임계값이고, σ는 시그모이드 함수, W는 열화 가중치, X는 입력값, B는 바이어스 값, * 는 컨볼루션 연산자이며, 상기 열화 가중치(W)는 배터리셀의 위치가 배터리팩의 중심에서 멀어질수록 보다 큰 값으로 설정됨.
또한, 상기 습도 학습모델은 배터리팩에 대한 습도 임계값만을 산출하고, 배터리 상태 감시장치는 배터리팩에 대한 습도 임계값을 해당 배터리팩 내의 모든 배터리셀의 습도 임계값으로 이용하는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법이 제공된다.
또한, 상기 제3 단계는 배터리 상태 감시장치에서 배터리팩 전압 실측값과 전압 임계값간의 제1 차이값과 배터리팩 캐패시티 실측값과 캐패시티 임계값간의 제2 차이값 중 적어도 하나가 기 설정된 기준 차이값 이상인 경우 해당 배터리팩 내의 모든 배터리셀에 대한 상태 검출 동작을 수행하는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법이 제공된다.
또한, 상기 제3 단계에서 배터리셀 상태 검출 동작은, 배터리셀의 전압 실측값과 전압 임계값간의 차이값과 캐패시티 실측값과 캐패시티 임계값간의 차이값이 모두 기 설정된 기준값 미만인 제1 조건을 만족하면 해당 배터리셀을 안정상태로 판단하는 단계와, 상기 제1 조건을 만족하지 않으면서, 기 설정된 기준 사이클 대비 해당 배터리셀의 평균 온도 변화량과 평균 습도 변화량이 온도 임계값과 습도 임계값 미만인 제2 조건을 만족하면, 배터리셀의 성능 열화상태로 판단하는 단계 및, 상기 제1 조건과 제2 조건을 만족하지 않으면, 배터리셀이 비정상 상태인 것으로 판단하는 단계를 포함하여 구성되는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법이 제공된다.
또한, 상기 제4 단계에서 제1 가중치와 제2 가중치는 ReLU 함수에 의해 산출되는 것으로, 하기 수학식에 의해 산출되는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법이 제공된다. 여기서, Pt는 제1 가중치, Qt 는 제2 가중치, ReLU 은 ReLU 함수, h(t-1)은 이전 SOH 예측값이고, * 는 컨볼루션 연산자임.
또한, 상기 제4 단계에서 SOH 예측값은 하기 수학식에 의해 산출되는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법이 제공된다. 여기서, h(t)는 SOH 예측값이고, K 는 운용 가중치임.
또한, 상기 제4 단계에서 배터리 상태 감시장치는 충방전 사이클 데이터를 수집하여 해당 사이클의 유효충전시작지점, 충전 피크지점, 유효방전종료지점을 추출하는 단계와, 추출된 유효충전시작지점과 충전 피크지점을 연결하여 생성된 직선의 기울기를 충전전압 기울기로 산출하고, 충전 피크지점과 유효방전종료지점을 연결하여 생성된 직선의 기울기를 방전전압 기울기로 산출하는 단계, 해당 사이클의 충전전압 및 방전전압 기울기와 기 설정된 기준 사이클에서의 기준 충전전압 및 방전전압 기울기간의 차이가 클수록 보다 작은 값의 SOH 가중치를 산출하는 단계 및, SOH 가중치를 SOH 예측값에 곱 연산하여 SOH 예측값을 보정출력하는 단계를 추가로 포함하여 구성되는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법이 제공된다.
본 발명에 의하면, 리튬이온 배터리팩 및 배터리셀의 충방전 상태에 대응되는 전압, 캐패시티, 온도, 습도의 다양한 파라메터를 근거로 열화특성이 반영된 임계값을 산출하고, 이를 이용하여 배터리셀 상태와 현재 SOH 예측값을 동시에 산출함으로써, 보다 정확한 배터리셀 상태 및 SOH 예측값을 제공할 수 있다.
또한, 본 발명에서는 배터리셀의 전압과 캐패시티에 의한 전기화확적 특성 및 온도와 습도에 의한 외부환경적 특성을 고려한 각 파미터별 임계값을 이용하여 SOH 예측값을 산출하되, 충방전 사이클의 변화를 추가적으로 고려하여 SOH 예측값을 보정함으로써, 다양한 환경 조건들을 고려한 보다 신뢰성 있는 SOH 예측값을 제공하는 것이 가능하다.
또한, 본 발명에서는 배터리팩의 임계값이 기준값 이상인 경우에 한하여 해당 배터리팩 내의 배터리셀 상태 검출 동작을 수행함으로써, 불필요한 배터리셀 상태 검출 동작 수행으로 인한 자원의 낭비를 방지할 수 있다.
도1은 본 발명이 적용되는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 기능을 갖는 배터리 상태 감시장치의 개략적인 구성을 도시한 도면.
도2는 도1에 도시된 임계값 산출부(200)의 학습모델을 설명하기 위한 도면.
도3은 도1에 도시된 임계값 산출부(200) 및 SOH 예측부(400)의 각 학습모델에 적용된 활성화 함수 특성을 도시한 도면.
도4는 도1에 도시된 SOH 예측부(400)의 SOH 예측값 보정방법을 설명하기 위한 도면.
도5는 도1에 도시된 배터리 상태 감시장치의 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 동작을 설명하기 위한 도면.
도6은 도5에 도시된 배터리셀 상태 판단과정(ST300)을 보다 상세히 설명하기 위한 도면.
도7은 도5에 도시된 배터리 SOH 예측과정(ST400)을 보다 상세히 설명하기 위한 도면.
도2는 도1에 도시된 임계값 산출부(200)의 학습모델을 설명하기 위한 도면.
도3은 도1에 도시된 임계값 산출부(200) 및 SOH 예측부(400)의 각 학습모델에 적용된 활성화 함수 특성을 도시한 도면.
도4는 도1에 도시된 SOH 예측부(400)의 SOH 예측값 보정방법을 설명하기 위한 도면.
도5는 도1에 도시된 배터리 상태 감시장치의 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 동작을 설명하기 위한 도면.
도6은 도5에 도시된 배터리셀 상태 판단과정(ST300)을 보다 상세히 설명하기 위한 도면.
도7은 도5에 도시된 배터리 SOH 예측과정(ST400)을 보다 상세히 설명하기 위한 도면.
본 발명에 기재된 실시예 및 도면에 도시된 구성은 본 발명의 바람직한 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 표현하는 것은 아니므로, 본 발명의 권리범위는 본문에 설명된 실시예 및 도면에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도1은 본 발명이 적용되는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 기능을 갖는 배터리 상태 감시장치의 개략적인 구성을 도시한 도면이다.
도1을 참조하면, 본 발명에 적용되는 배터리 상태 감시장치는, 배터리정보 수집부(100)와 임계값 산출부(200), 배터리 상태 결정부(300) 및, SOH 예측부(400)를 포함한다. 이러한 배터리 상태 감시장치는 배터리 관리 시스템(BMS : Battery management system)내에 구비되어 운용되거나, 배터리 관리 시스템과 독립적인 장치로 될 수 있다.
또한, 본 발명에 적용되는 배터리팩(10)은 복수의 배터리셀(S)을 포함하며, 하나 이상의 배터리팩(10)이 배터리 상태 감시장치에 연결될 수 있다. 그리고, 각 배터리셀(S)은 그 위치에 따라 열화 특성이 다르게 나타나며, 배터리팩(10)내에서 외측에 배치된 배터리셀이 배터리팩(10)의 중앙 부분에 위치한 셀 보다 상대적으로 열화속도가 빠르게 진행되는 특성을 갖는다.
또한, 배터리팩(10) 내부 또는 외부에는 해당 배터리팩(10)에 구비된 각 배터리셀(S)의 충방전 사이클정보를 수집하여 출력하는 배터리 컨트롤러가 구비되어, 이를 통해 배터리정보 수집부(100)와 통신할 수 있다.
배터리정보 수집부(100)는 각 배터리셀(S)로부터 배터리팩 충/방전 사이클 데이터를 수집하고, 충/방전 데이터로부터 전압, 캐패시티(capacity), 온도, 습도의 4개 파라미터를 추출한다. 배터리정보 수집부(100)는 배터리셀(S)별 전압, 캐패시티, 온도 정보를 포함하는 셀 상태정보와, 배터리팩별 전압, 캐패시티, 온도 및 습도 정보를 포함하는 팩 상태정보를 추출한다. 이때, 배터리팩의 전압, 캐패시티, 온도 정보는 해당 배터리팩을 구성하는 모든 배터리셀(S)의 각 파라미터별 평균값으로 산출된다. 그리고, 습도정보는 배티리 팩 별로 수집되거나, 각 배터리셀 별로 수집된 셀별 습도값의 평균값으로 산출될 수 있다.
임계값 산출부(200)는 학습 모델을 이용하여 배터리정보 수집부(100)에서 획득한 배터리 상태값에 대응되는 각 파라미터별 임계값을 산출한다.
학습 모델은 도2에 도시된 바와 같이, 배터리 상태 파라미터별로 각각 구비되는 바, 전압 학습모델과, 캐패시티 학습모델, 온도 학습모델 및 습도 학습모델을 포함한다.
이때, 전압 학습모델과 캐패시티 학습모델 및 온도 학습모델은 배터리팩 상태값과 배터리셀 상태값을 하나의 학습 모델내에서 병렬로 학습시켜 배터리셀별 임계값과 배터리팩의 임계값을 각각 출력한다. 그리고, 셀별 임계값을 출력하는 학습 모델은 셀 위치에 따라 서로 다른 열화특성이 적용된 임계값을 출력하도록 구성된다. 즉, 상기한 학습 모델은 배터리셀 위치값을 입력값으로 사용하여 동일 상태값에 대해 배티러팩(10)의 가운데에 배치된 셀보다 양 끝단에 배치된 셀이 상대적으로 낮은 임계값을 출력하도록 구성된다.
또한, 습도 학습모델은 배터리팩 전체의 습도와 팩 내부 셀별 습도의 변화 양상이 거의 동일한 특성을 갖는다는 실험 결과에 기반하여 연산량을 감소시키기 위해 배터리팩에 대한 단일 파라미터로 학습시킨다. 즉, 습도 학습모델은 배터리팩에 대한 습도 임계값만을 산출하고, 배터리팩에 대한 습도 임계값을 해당 배터리팩 내의 모든 배터리셀의 습도 임계값으로 이용하도록 한다.
상기한 각 학습 모델은 RNN 구조의 시그모이드(Sigmoide) 함수를 이용하여 일정 시간 단위로 각 파라미터별 임계값을 산출한다. 시그모이드 함수는 도3 (A)에 도시된 바와 같이 입력값에 대해 "0 ~ 1" 값을 출력하는 특성을 갖는다. 즉, 각 파라미터별 임계값은 하기 수학식1으로 산출된다.
여기서, Vt, Ct, Tt, Ht 는 각각 전압 임계값, 캐패시티 임계값, 온도 임계값, 습도 임계값이고, σ는 시그모이드 함수, W는 열화 가중치, X는 입력값, B는 바이어스 값이며, * 는 컨볼루션 연산자이다. 여기서, 각 파라미터별 열화 가중치(W)와 바이어스 값(B)은 미리 설정되고, 셀별 열화 가중치(W)는 해당 셀의 위치에 따라 다르게 설정되는 것으로, 배터리팩(10)의 중심에서 멀어질수록 보다 큰 값으로 설정된다.
즉, 각 파라미터별 임계값(Vt, Ct, Tt, Ht)은 입력값에 기 설정된 가중치를 컨볼루션 연산하고, 그 결과에 기 설정된 바이어스 값을 합 연산한 값을 시그모이드 함수에 적용하여 산출된다.
임계값 산출부(200)는 배터리팩별 전압 임계값과, 캐패시티 임계값, 온도 임계값 및 습도 임계값을 출력함과 더불어, 각 배터리팩(10)의 모든 배터리셀별 전압 임계값과 캐패시티 임계값, 온도 임계값을 출력한다.
배터리 상태 결정부(300)는 배터리정보 수집부(100)에서 수집된 각 파라미터별 실측값과 상기 임계값 산출부(200)에서 산출된 임계값간의 차이에 기반하여 배터리셀의 현재 상태를 판단한다. 이때, 배터리 상태 결정부(300)는 배터리팩(10)의 임계값과 실측값간의 차이가 기 설정된 기준값 이상인 경우 해당 배터리팩(10) 내의 모든 배터리셀별 상태 검출동작을 수행하되, 배터리셀별 실측값과 임계값간의 차이를 기반으로 각 배터리셀의 이상 상태 여부를 판단한다.
SOH 예측부(400)는 상기 임계값 산출부(200)에서 산출된 각 파라미터별 임계값을 ReLU(Rectified Linear Unit)함수에 기반한 학습모델에 적용하여 배터리팩 및 배터리셀에 대한 SOH 예측값을 산출한다.
ReLU 함수는 도3 (B)에 도시된 바와 같이 "0"보다 작은 값이 나온 경우 "0"을 반환하고, "0"보다 큰 값이 나온 경우 해당 출력값을 그대로 출력하는 특성을 갖는다. 즉, 배터리팩 및 각 배터리셀의 SOH 예측값은 하기 수학식2에 의해 산출된다.
여기서, Pt는 전기화학적 요소에 기반한 제1 가중치이고, Qt 는 외부환경 요소에 기반한 제2 가중치, ReLU 은 ReLU 함수, h 는 출력값(SOH 예측값), K는 운용 가중치이다. 여기서, K 는 배터리팩 운용 환경을 고려한 가중치이다.
즉, SOH 예측부(400)는 배터리팩 및 각 배터리셀별 전압 임계값과 캐패시티 임계값을 근거로 전기화학적 요소에 대한 제1 가중치를 산출하고, 온도 임계값과 습도 임계값을 근거로 외부환경 요소에 대한 제2 가중치를 산출하여 이전 SOH 예측값에 각각 컨볼루션 연산한 값의 합을 해당 배터리팩 및 각 배터리셀별 SOH예측값으로 각각 산출한다.
결과적으로 본 발명에서 SOH 예측부(400)는 배터리셀 위치별 열화 가중치를 반영하여 산출된 임계값을 근거로 전기화학적 요인과 외부환경 요인에 기반한 SOH 값을 출력하게 되는 바, 보다 정확한 SOH 값을 예측하는 것이 가능하다.
또한, SOH 예측부(400)는 기 설정된 기준 사이클을 시작으로 각 사이클마다의 특징 포인트(specific point)를 각각 추출하고, 추출된 특징 포인트를 연결하여 해당 사이클에서의 충전전압 기울기와 방전전압 기울기를 각각 산출하며, 충전전압 기울기와 방전전압 기울기를 근거로 SOH 출력값에 가중치를 추가 적용하여 최종 SOH 값을 출력할 수 있다.
이때, SOH 예측부(400)는 도4에 도시된 바와 같이 하나의 충방전 사이클에서 유효충전시작지점(P1)과, 충전 피크지점(P2), 유효방전종료지점(P3)을 특징 포인트로 추출하고, 수학적 알고리즘을 이용하여 유효충전시작지점(P1)과 충전 피크지점(P2)을 연결하는 직선의 기울기를 충전 전압 기울기로 산출함과 더불어, 충전 피크지점(P2)과 유효방전종료지점(P3)을 연결하는 직선의 기울기를 방전 전압 기울기로 산출한다. 도4에는 기준 사이클, 예컨대 세번째 사이클에 대한 충방전 전압 기울기와, 현재 사이클(n번째 사이클)에 대한 충방전 전압 기울기가 예시되어 있다.
SOH 예측부(400)는 기준 사이클에서의 기준 충전 전압 기울기와 현재 사이클의 충전 전압 기울기간의 차이값과 기준 방전 전압 기울기 절대값과 현재 사이클의 방전 전압 기울기 절대값간의 차이값이 클수록, 기준 충전 전압 기울기 대비 현재 사이클의 충전 전압 기울기 비율과 기준 방전 전압 기울기 절대값 대비 현재 사이클의 방전 전압 기울기 절대값 비율이 작을수록 보다 작은값의 가중치를 SOH 예측값에 적용하여 보다 작은 SOH 예측값이 최종적으로 출력되도록 구성될 수 있다.
이어, 상기한 구성으로 된 배터리 상태 감시장치의 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 동작을 도5 내지 도7에 도시된 흐름도를 참조하여 설명한다.
도5를 참조하면, 배터리 상태 감시장치는 배터리팩(10)으로부터 인가되는 충방전 사이클에서 각 배터리셀(S)별 전압, 캐패시티, 온도 및 습도의 4개 파라미터에 대한 상태값을 획득하고, 각 파라미터에 대한 배터리셀(S)별 상태값의 평균값을 해당 배터리팩에 대한 각 파라미터별 상태값으로 산출하여 배터리 상태값을 획득한다(ST100). 이때, 충방전 사이클은 특징 포인트가 모두 포함된 온전한 하나의 사이클을 이루는 데이터로 이루어지며, 현재 사이클의 충방전이 진행중이라면, 이전 사이클의 전체 데이터를 이용하여 전압, 캐패시티, 온도 및 습도의 4개 파라미터에 대한 상태값을 획득할 수 있다.
이어, 배터리 상태 감시장치는 배터리 상태값을 미리 학습된 학습모델을 이용하여 각 파라미터별 임계값을 산출한다(ST200). 이때, 학습모델은 배터리셀 위치별 열화특성이 반영된 모델로서, 수학식1의 알고리즘에 따라 배터리팩에 대한 전압 임계값(Vt)과 캐패시티 임계값(Ct), 온도 임계값(Tt) 및 습도 임계값(Ht)을 출력하고, 각 배터리셀별 전압 임계값(Vt)과 캐패시티 임계값(Ct), 온도 임계값(Tt)을 출력한다.
이후, 배터리 상태 감시장치는 상기 ST200 단계에서 산출된 각 파라미터별 임계값을 근거로 해당 배터리팩내 배터리셀별 임계값에 기반한 배터리셀 상태 검출 동작을 수행하여 배터리셀 상태를 판단한다(ST300).
또한, 배터리 상태 감시장치는 서로 다른 임계값을 이용하여 제1 및 제2 가중치를 산출하고, 이를 이전 시간의 SOH 예측값에 적용하여 현재 SOH 예측값을 산출한다(ST400).
이어 도6을 참조하여 도5에 도시된 배터리셀 상태 판단과정(ST300)을 보다 상세히 설명한다.
도6을 참조하면, 배터리 상태 감시장치는 배터리팩(10)의 전압 실측값과 전압 임계값간의 제1 차이값과 캐패시티 실측값과 캐패시티 임계값간의 제2 차이값을 각각 산출한다(ST310). 이때, 전압 실측값과 캐패시티 실측값은 배터리팩(10)으로부터 인가된 신호에서 획득한 값이고, 전압 임계값과 캐패시티 임계값은 도5의 ST200 단계에서 학습모델에 의해 출력된 값이다.
배터리 상태 감시장치는 상기 ST310 단계에서 제1 및 제2 차이값 모두가 기 설정된 기준 차이값 미만인지를 판단한다(ST320). 이때, 기준값은 셀의 개수와 운용 환경 변수를 고려한 에러값으로 설정되며, "0.001 ~ 0.01" 범위의 값으로 설정된다.
상기 ST320 단계에서 전압과 캐패시티의 실측값과 임계값간의 차이값이 모두 기준값 미만인 경우, 배터리 상태 감시장치는 해당 배터리팩(10)을 안정적인 운용상태로 판단한다(ST330).
한편, 상기 ST320 단계에서 제1 또는 제2 차이값 중 적어도 하나의 차이값이 기준 차이값 이상인 경우, 배터리 상태 감시장치는 해당 배터리팩(10)에 구비된 모든 배터리셀에 대한 상태 검출동작을 순차적으로 수행한다.
즉, 배터리 상태 감시장치는 배터리셀의 전압 실측값과 전압 임계값, 캐패시티 실측값과 캐패시티 임계값간의 차이값을 산출한다(ST340). 이때, 전압 실측값과 캐패시티 실측값은 해당 배터리셀로부터 인가된 신호에서 획득한 값이고, 전압 임계값과 캐패시티 임계값은 도5의 ST200 단계에서 학습모델에 의해 출력된 값이다.
그리고, 배터리 상태 감시장치는 상기 ST340 단계에서 산출된 전압 또는 캐패시티의 실측값과 임계값간의 차이값이 기 설정된 기준값 미만인지의 제1 조건을 만족하는지를 판단한다(ST350).
상기 ST350 단계에서 전압과 캐패시티의 실측값과 임계값간의 차이값이 모두 기준값 미만인 경우, 배터리 상태 감시장치는 해당 배터리셀을 안정적인 운용상태로 판단한다(ST330).
한편, 상기 ST350 단계에서 전압과 캐패시티 중 적어도 하나의 실측값과 임계값간의 차이값이 기준값 이상으로 제1 조건을 만족하지 않으면, 배터리 상태 감시장치는 해당 배터리셀의 기 설정된 기준 사이클 대비 평균 온도 및 습도 변화량을 산출한다(ST360). 이때, 기준 사이클은 해당 배티리 셀의 세번째 사이클로 설정되며, 세번째 사이클 동작시의 온도와 습도를 기준 온도 및 기준 습도로 설정하여 현재 사이클까지의 평균 온도 및 평균 습도와의 차이값을 산출한다.
그리고, 배터리 상태 감시장치는 상기 ST360 단계에서 산출된 기준 사이클 대비 평균 온도 및 습도 변화량이 온도 임계값과 습도 임계값 미만인지의 제2 조건을 만족하는지를 판단한다(ST370). 여기서, 온도 임계값과 습도 임계값은 해당 배터리셀에 대해 도5의 ST200 단계에서 학습모델에 의해 출력된 값이다.
상기 ST370 단계에서 기준 사이클 대비 평균 온도 및 습도 변화량이 모두 기준값 미만으로 제2 조건을 만족하는 경우, 배터리 상태 감시장치는 해당 배터리셀이 온습도는 안정하나 성능 열화된 상태로 판단한다(ST380). 이는 배터리셀은 정상적으로 운용되지만, 특정 배터리셀의 전기화학적 성능이 떨어져 있는 상태로서, 배터리관리시스템(미도시)의 셀 밸런싱 모듈 등과 연계하여 안정적으로 운용되도록 조치할 수 있다.
한편, 상기 ST370 단계에서 기준 사이클 대비 평균 온도와 습도 변화량 중 적어도 하나가 기준값 이상으로 제2 조건을 만족하지 않는 경우, 배터리 상태 감시장치는 해당 배터리셀을 비정상 상태로 판단한다(ST390). 비정상 상태는 전기화학적 성능과 외부 환경에 모두 문제가 있는 상태로서, 해당 배터리셀을 교체하는 등의 능동적인 조치를 통해 보다 안정적으로 시스템을 운용할 수 있도록 한다.
이때, 상술한 ST340 내지 ST390의 동작은 해당 배터리팩(10)에 구비된 모든 배터리셀에 대해 동일하게 수행한다.
이어, 도7을 참조하여 도5에 도시된 배터리 SOH 예측과정(ST400)을 보다 상세히 설명한다.
도7을 참조하면, 배터리 상태 감시장치는 도5의 ST200 단계에서 산출된 전압 임계값과 캐패시티 임계값을 ReLU 함수에 기반한 학습 모델에 적용하여 전기화학적 요소에 따른 제1 가중치를 산출한다(ST410). 이때, 제1 가중치는 상기 수학식2의 Pt 값으로 산출된다.
또한, 배터리 상태 감시장치는 도5의 ST200 단계에서 산출된 온도 임계값과 습도 임계값을 ReLU 함수에 기반한 학습 모델에 적용하여 외부환경 요소에 따른 제2 가중치를 산출한다(ST420). 이때, 제2 가중치는 상기 수학식2의 Qt 값으로 산출된다.
이어, 배터리 상태 감시장치는 상기 제1 및 제2 가중치를 이용하여 해당 배터리팩 또는 해당 배터리셀에 대한 SOH 예측값을 산출한다(ST430). 이때, SOH 예측값은 상기 수학식2의 h(t)값으로 산출된다.
또한, 배터리 상태 감시장치는 상기 배터리팩(10)으로부터 인가되는 충방전 사이클 데이터를 기반으로 해당 사이클의 유효충전시작지점, 충전 피크지점, 유효방전종료지점을 추출하고, 유효충전시작지점과 충전 피크지점을 연결하여 생성된 직선의 기울기를 충전전압 기울기로 산출하고, 충전 피크지점과 유효방전종료지점을 연결하여 생성된 직선의 기울기를 방전전압 기울기로 산출한다(ST440).
이어, 배터리 상태 감시장치는 충전전압/방전전압 기울기과 기 설정된 기준 사이클에서의 기준 충전전압/방전전압 기울기간의 차이에 대응되는 SOH 가중치를 산출한다(ST450). 이때, SOH 가중치는 충전전압 기울기와 방전전압 기울기를 입력으로 하여 SOH를 최적의 예측값으로 출력하기 위한 SOH 가중치를 출력하는 별도의 학습모델을 통해 결정될 수 있다. 즉, 해당 사이클의 충전전압 및 방전전압 기울기와 기 설정된 기준 사이클에서의 기준 충전전압 및 방전전압 기울기간의 차이가 클수록 보다 작은 값의 SOH 가중치가 산출된다.
그리고, 배터리 상태 감시장치는 상기 ST450 단계에서 산출된 SOH 가중치를 이용하여 상기 ST430단계에서 산출된 SOH 예측값을 보정함으로써, 최적의 SOH 예측값을 출력한다(ST460). 즉, 배터리 상태 감시장치는 SOH 가중치를 SOH 예측값에 곱 연산하여 상기 ST430 단계에서 산출된 임계값에 기반한 SOH 예측값을 충방전 사이클에 의한 가중치를 통해 추가적으로 보정하여 출력한다.
100 : 배터리 정보 수집부, 200 : 임계값 산출부,
300 : 배터리 상태 검출부, 400 : SOH 예측부,
10 : 배터리팩, S : 배터리셀.
300 : 배터리 상태 검출부, 400 : SOH 예측부,
10 : 배터리팩, S : 배터리셀.
Claims (8)
- 배터리 상태 감시장치에서 다수의 배터리셀로 이루어지는 리튬이온 배터리팩으로부터 인가되는 신호를 분석하여 리튬이온 배터리팩의 현재 상태를 감시하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법에 있어서,
배터리 상태 감시장치에서 리튬이온 배터리팩과 해당 리튬이온 배터리팩 내의 각 배터리셀에 대한 전압, 캐패시티, 온도, 습도 의 4개 파라미터에 대한 실측값을 획득하는 제1 단계와,
배터리 상태 감시장치에서 리튬이온 배터리팩과 해당 리튬이온 배터리팩 내의 각 배터리셀에 대한 전압, 캐패시티, 온도, 습도 실측값을 배터리셀 위치정보와 함께 각각 전압 학습모델, 캐패시터 학습모델, 온도 학습모델 및 습도 학습모델에 입력하여 각 파라미터별 임계값을 산출하되, 각 상기 학습모델은 배터리셀 위치에 따라 서로 다른 열화특성이 적용된 임계값을 출력하는 제2 단계,
배터리 상태 감시장치에서 배터리팩의 임계값과 실측값간의 차이가 기 설정된 기준값 이상인 경우 해당 배터리팩내의 모든 배터리셀별 상태 검출동작을 수행하되, 배터리셀별 실측값과 임계값간의 차이를 기반으로 각 배터리셀의 이상 상태 여부를 판단하는 제3 단계 및,
배터리 상태 감시장치에서 배터리팩 및 각 배터리셀별 전압 임계값과 캐패시티 임계값을 근거로 전기화학적 요소에 대한 제1 가중치를 산출하고, 온도 임계값과 습도 임계값을 근거로 외부환경 요소에 대한 제2 가중치를 산출하여 이전 SOH 예측값에 각각 컨볼루션 연산한 값의 합을 해당 배터리팩 및 각 배터리셀별 SOH예측값으로 각각 산출하는 제4 단계를 포함하여 구성되는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법.
- 제1항에 있어서,
상기 제2 단계에서 배터리셀 위치에 따른 열화특성이 적용된 학습모델은 시그노이드 함수를 이용한 모델로서, 하기 수학식에 따라 각 파라미터별 임계값을 출력하는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법.
여기서, Vt, Ct, Tt, Ht 는 각각 전압 임계값, 캐패시티 임계값, 온도 임계값, 습도 임계값이고, σ는 시그모이드 함수, W는 열화 가중치, X는 입력값, B는 바이어스 값, * 는 컨볼루션 연산자이며, 상기 열화 가중치(W)는 배터리셀의 위치가 배터리팩의 중심에서 멀어질수록 보다 큰 값으로 설정됨.
- 제1항 또는 제2항에 있어서
상기 습도 학습모델은 배터리팩에 대한 습도 임계값만을 산출하고,
배터리 상태 감시장치는 배터리팩에 대한 습도 임계값을 해당 배터리팩 내의 모든 배터리셀의 습도 임계값으로 이용하는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법.
- 제1항에 있어서,
상기 제3 단계는 배터리 상태 감시장치에서 배터리팩 전압 실측값과 전압 임계값간의 제1 차이값과 배터리팩 캐패시티 실측값과 캐패시티 임계값간의 제2 차이값 중 적어도 하나가 기 설정된 기준 차이값 이상인 경우 해당 배터리팩 내의 모든 배터리셀에 대한 상태 검출 동작을 수행하는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법.
- 제4항에 있어서,
상기 제3 단계에서 배터리셀 상태 검출 동작은,
배터리셀의 전압 실측값과 전압 임계값간의 차이값과 캐패시티 실측값과 캐패시티 임계값간의 차이값이 모두 기 설정된 기준값 미만인 제1 조건을 만족하면 해당 배터리셀을 안정상태로 판단하는 단계와,
상기 제1 조건을 만족하지 않으면서, 기 설정된 기준 사이클 대비 해당 배터리셀의 평균 온도 변화량과 평균 습도 변화량이 온도 임계값과 습도 임계값 미만인 제2 조건을 만족하면, 배터리셀의 성능 열화상태로 판단하는 단계 및,
상기 제1 조건과 제2 조건을 만족하지 않으면, 배터리셀이 비정상 상태인 것으로 판단하는 단계를 포함하여 구성되는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법.
- 제1항에 있어서,
상기 제4 단계에서 제1 가중치와 제2 가중치는 ReLU 함수에 의해 산출되는 것으로, 하기 수학식에 의해 산출되는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법.
여기서, Pt는 제1 가중치, Qt 는 제2 가중치, ReLU 은 ReLU 함수, h(t-1)은 이전 SOH 예측값이고, * 는 컨볼루션 연산자임.
- 제6항에 있어서,
상기 제4 단계에서 SOH 예측값은 하기 수학식에 의해 산출되는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법.
여기서, h(t)는 SOH 예측값이고, K 는 운용 가중치임.
- 제1항, 6항, 제7항 중 어느 한 항에 있어서,
상기 제4 단계에서 배터리 상태 감시장치는 충방전 사이클 데이터를 수집하여 해당 사이클의 유효충전시작지점, 충전 피크지점, 유효방전종료지점을 추출하는 단계와,
추출된 유효충전시작지점과 충전 피크지점을 연결하여 생성된 직선의 기울기를 충전전압 기울기로 산출하고, 충전 피크지점과 유효방전종료지점을 연결하여 생성된 직선의 기울기를 방전전압 기울기로 산출하는 단계,
해당 사이클의 충전전압 및 방전전압 기울기와 기 설정된 기준 사이클에서의 기준 충전전압 및 방전전압 기울기간의 차이가 클수록 보다 작은 값의 SOH 가중치를 산출하는 단계 및,
SOH 가중치를 SOH 예측값에 곱 연산하여 SOH 예측값을 보정출력하는 단계를 추가로 포함하여 구성되는 것을 특징으로 하는 리튬이온 배터리팩의 비정상 셀 검출 및 SOH 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210072261A KR102633335B1 (ko) | 2021-06-03 | 2021-06-03 | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210072261A KR102633335B1 (ko) | 2021-06-03 | 2021-06-03 | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220163736A KR20220163736A (ko) | 2022-12-12 |
| KR102633335B1 true KR102633335B1 (ko) | 2024-02-05 |
Family
ID=84391404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210072261A KR102633335B1 (ko) | 2021-06-03 | 2021-06-03 | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102633335B1 (ko) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102549349B1 (ko) * | 2021-09-28 | 2023-06-30 | (주)이투솔루션즈 | 배터리의 상태 정보를 획득하는 방법 및 디바이스 |
| CN116449218B (zh) * | 2023-04-26 | 2024-03-12 | 淮阴工学院 | 一种锂电池健康状态的估计方法 |
| CN116566007B (zh) * | 2023-05-16 | 2024-04-12 | 深圳三晖能源科技有限公司 | 电池充放电自动调节方法、装置和智能户外电源系统 |
| CN116593895B (zh) * | 2023-06-16 | 2024-02-23 | 中国科学技术大学 | 一种基于应变的锂离子电池组电流检测方法及系统 |
| CN117129899B (zh) * | 2023-08-31 | 2024-05-10 | 重庆跃达新能源有限公司 | 一种电池健康状态预测管理系统及方法 |
| CN117148165B (zh) * | 2023-09-15 | 2024-04-12 | 东莞市言科新能源有限公司 | 聚合物锂离子电池的测试分析方法及其系统 |
| CN117452235B (zh) * | 2023-12-22 | 2024-04-19 | 南昌大学 | 锂离子电池电解液漏液预警方法及系统 |
| CN117761541B (zh) * | 2023-12-25 | 2024-06-07 | 广州邦禾检测技术有限公司 | 一种用于电池管理系统的电池能量状态检测方法 |
| CN118024886B (zh) * | 2024-04-15 | 2024-06-25 | 昆山金鑫新能源科技股份有限公司 | 一种车用锂电池组的在线检测控制方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017098686A1 (ja) * | 2015-12-10 | 2017-06-15 | ソニー株式会社 | 電池パック、蓄電装置及び劣化検出方法 |
| JP2017192277A (ja) * | 2016-04-17 | 2017-10-19 | 新電元工業株式会社 | 電力変換装置の診断方法 |
| WO2018229597A1 (ja) * | 2017-06-16 | 2018-12-20 | 株式会社半導体エネルギー研究所 | 充電制御システム、及び充電制御方法、及び電子機器 |
| WO2019021099A1 (ja) * | 2017-07-25 | 2019-01-31 | 株式会社半導体エネルギー研究所 | 蓄電システム、電子機器及び車両、並びに推定方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102017117167A1 (de) | 2016-11-04 | 2018-05-09 | Franz Schuck Gmbh | Kugelhahn für ein Leitungssystem zur Förderung von flüssigen oder gasförmigen Medien |
| KR101952017B1 (ko) * | 2017-05-31 | 2019-04-29 | 박태성 | 배터리의 성능 회복 장치 |
| US11209962B2 (en) | 2018-09-25 | 2021-12-28 | Salesforce.Com, Inc. | System, method, and apparatus for providing insights, and taking actions thereon, for contextually relevant user-specific content integrated with a third-party Personal Information Management (PIM) application within a cloud based computing environment |
| KR102354112B1 (ko) * | 2019-03-26 | 2022-01-24 | 서강대학교산학협력단 | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 |
-
2021
- 2021-06-03 KR KR1020210072261A patent/KR102633335B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017098686A1 (ja) * | 2015-12-10 | 2017-06-15 | ソニー株式会社 | 電池パック、蓄電装置及び劣化検出方法 |
| JP2017192277A (ja) * | 2016-04-17 | 2017-10-19 | 新電元工業株式会社 | 電力変換装置の診断方法 |
| WO2018229597A1 (ja) * | 2017-06-16 | 2018-12-20 | 株式会社半導体エネルギー研究所 | 充電制御システム、及び充電制御方法、及び電子機器 |
| WO2019021099A1 (ja) * | 2017-07-25 | 2019-01-31 | 株式会社半導体エネルギー研究所 | 蓄電システム、電子機器及び車両、並びに推定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220163736A (ko) | 2022-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102633335B1 (ko) | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 | |
| Hussein | Capacity fade estimation in electric vehicle li-ion batteries using artificial neural networks | |
| EP2581754B1 (en) | Battery adaptive learning management system | |
| KR101992051B1 (ko) | 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 | |
| Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
| KR100894021B1 (ko) | 진보 셀 모델 예측 기술을 이용한 배터리 팩의 전력 용량을계산하는 방법 | |
| EP2321663B1 (en) | Apparatus and method for estimating state of health of battery based on battery voltage variation pattern | |
| US7893694B2 (en) | System, method, and article of manufacture for determining an estimated combined battery state-parameter vector | |
| JP5058814B2 (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
| US7521895B2 (en) | System and method for determining both an estimated battery state vector and an estimated battery parameter vector | |
| US20170115355A1 (en) | Maximum capacity estimator for battery state of health and state of charge determinations | |
| JP6234946B2 (ja) | 電池状態推定装置 | |
| KR20180115124A (ko) | 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법 | |
| US11815559B2 (en) | Apparatus and method for diagnosing battery cell | |
| CN113785209B (zh) | 用于检测异常电池单体的方法 | |
| US20220373609A1 (en) | State Value for Rechargeable Batteries | |
| KR102632198B1 (ko) | 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법 | |
| CN114400738A (zh) | 一种储能电站电池预警方法和系统 | |
| KR20230080112A (ko) | 배터리 현재 상태 예측을 위한 배터리 진단 장치 | |
| Wei et al. | Global sensitivity analysis for impedance spectrum identification of lithium-ion batteries using time-domain response | |
| CN114930609A (zh) | 用于估计电池单元表面温度的系统和方法 | |
| US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
| KR102599803B1 (ko) | Soc추정을 통해 배터리 상태를 진단하는 방법 및 장치 | |
| Kustiman et al. | Battery state of charge estimation based on coulomb counting combined with recursive least square and pi controller | |
| Cai | Condition monitoring and fault detection for marine battery energy storage systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |