KR20140099372A - 배터리의 ｓｏｃ 추정 방법 및 이를 이용하는 배터리 관리 시스템 - Google Patents

Abstract

배터리의 SOC를 추정하는 방법 및 이를 이용하는 배터리 관리 시스템이 제공된다. 상기 배터리의 SOC 추정 방법에 따르면, 배터리의 단자 전압이 주기적으로 측정되어 단자 전압 데이터가 수집된다. 상기 단자 전압 데이터에 대하여 이산 웨이블릿 변환(discrete wavelet transform)의 다해상도 분석(multi-resolution analysis)을 수행하여, 저주파 성분의 전압 데이터가 추출된다. 상기 저주파 성분의 전압 데이터를 기초로 상기 배터리의 SOC(state of charge)가 추정된다.

Description

배터리의 ＳＯＣ 추정 방법 및 이를 이용하는 배터리 관리 시스템{Method for estimating the state of charge of a battery, and battery management system using the method}

본 발명은 배터리의 SOC(state of charge, 이하 'SOC') 추정 방법 및 이를 이용하는 배터리 관리 시스템에 관한 것으로서, 더욱 상세하게는 이산 웨이블릿 변환(discrete wavelet transform)을 이용하여 배터리의 SOC를 추정하는 방법 및 이를 이용한 배터리 관리 시스템에 관한 것이다.

전기 에너지를 이용하는 자동차에서는 배터리의 성능이 자동차의 성능에 직접적인 영향을 미치므로, 각 배터리 셀의 성능이 뛰어나야 할 뿐만 아니라 배터리의 온도, 셀 전압, 전체 배터리의 전압 및 전류 등을 측정하여 배터리의 충전 및 방전을 효율적으로 관리할 수 있는 배터리 관리 시스템(Battery Management System, 이하 'BMS')이 요구된다.

종래 배터리 관리 시스템에서 배터리의 SOC를 판단하기 위해서 전류 적산에 의해 SOC를 추정하는 방식이 사용되었다. 또한, 개방 전압(open circuit voltage, 이하 'OCV') 또는 방전 전압, 내부 저항, 온도, 방전 전류 등의 인자들과 SOC의 관계를 미리 파악하고, 적어도 2가지 인자를 검출하여 검출된 인자에 대응되는 SOC를 검출하는 방식이 사용되었다.

전류 적산에 의한 SOC 추정 방법의 경우, 초기값이 맞지 않거나 측정 오차가 누적되거나, 인입되는 전류가 모두 전기 에너지로 변환되지 않는 문제로 인하여 정확도가 떨어진다. 또한, OCV 등과 SOC의 관계를 파악하더라도 배터리마다 특성의 차이가 있기 때문에, 각 배터리마다 실험적으로 OCV 등과 SOC의 관계를 복잡한 실험을 통해 산출해야 하고, 산출된 값도 역시 정확하지 않다는 문제가 있다.

이러한 단점들을 개선하기 위해, 상기 2가지 방법을 동시에 이용하는 방법으로서, 배터리의 등가 회로 모델을 이용하여 확장 칼만 필터(extended Kalman filter, EKF)에 기초하여 SOC를 추정하는 적응형 방법(adaptive method)이 제안되었다. 상태 방정식(state equation)을 통해 추정된 SOC에 관련된 정보를 획득하고, 이를 측정 방정식(measurement equation)에 적용하여 OCV와 SOC의 관계에 의해 생성된 추정 전압은 실제 전압과 비교된다. 이때, 충방전 전류 프로파일에 순간적인 고 전류 또는 빠른 다이나믹이 존재할 경우 등가 회로 모델에 에러가 존재하기 때문에, 상기 등가 회로 모델에 기반한 SOC의 추정은 부정확하게 된다.

이러한 적응형 방법(Adaptive method)의 경우, 시스템의 내부 상태를 증가하여 위의 단점을 해결하고 추정 성능을 향상시킬 수 있지만, 알고리즘이 복잡해지고 비용이 증가하는 문제가 발생한다. 이러한 문제를 개선하기 위해, 상기 내부 상태를 최소로 축소하고, 노이즈 모델을 알고리즘에 추가하여 SOC 추정 성능의 저하를 억제하고자 하지만, 노이즈 모델의 추가로 인한 알고리즘 복잡도의 증가 및 비용의 증가의 문제는 여전하다. 따라서, 알고리즘의 추정 성능을 유지하면서, 알고리즘의 단순화 및 이를 통한 비용의 감소가 필요하다.

따라서, 본 발명이 해결하려는 과제는 기존의 노이즈 모델을 제거하여 간결하면서도 정확하게 배터리의 SOC를 추정할 수 있는 방법을 제공하는 것이다.

또한, 본 발명이 해결하려는 과제는 상기 배터리의 SOC 추정 방법을 이용하는 배터리 관리 시스템을 제공하는 것이다.

상기 기술적 과제를 달성하기 위한 본 발명의 일 실시예에 따른 배터리의 SOC 추정 방법에 따르면, 배터리의 단자 전압이 주기적으로 측정되어 단자 전압 데이터가 수집된다. 상기 단자 전압 데이터에 대하여 이산 웨이블릿 변환(discrete wavelet transform)의 다해상도 분석(multi-resolution analysis)을 수행하여, 저주파 성분의 전압 데이터가 추출된다. 상기 저주파 성분의 전압 데이터를 기초로 상기 배터리의 SOC(state of charge)가 추정된다.

상기 배터리의 SOC 추정 방법의 일 예에 따르면, 상기 단자 전압 데이터는 상기 이산 웨이블릿 변환의 다해상도 분석을 통해 복수 대역의 전압 데이터들로 분해될 수 있다. 상기 저주파 성분의 전압 데이터는 상기 복수 대역의 전압 데이터들 중에서 가장 낮은 주파수 대역의 전압 데이터일 수 있다.

상기 배터리의 SOC 추정 방법의 다른 예에 따르면, 상기 단자 전압 데이터에 대하여 로우 패스 필터링 및 하이 패스 필터링을 수행하여 상기 단자 전압 데이터는 제1 근사 전압 데이터 및 제1 상세 전압 데이터로 분해될 수 있다. 상기 제1 근사 전압 데이터에 대하여 상기 제1 근사 전압 데이터의 홀수 번째 데이터 또는 짝수 번째 데이터를 선택하는 다운 샘플링이 수행되어, 제1 근사 전압 샘플링 데이터가 생성될 수 있다. 상기 제1 근사 전압 샘플링 데이터에 대하여 상기 로우 패스 필터링 및 상기 하이 패스 필터링이 수행되어 상기 제1 근사 전압 샘플링 데이터는 제2 근사 전압 데이터 및 제2 상세 전압 데이터로 분해될 수 있다. 상기 다운 샘플링을 수행하는 단계, 및 상기 하이 패스 필터링 및 상기 로우 패스 필터링을 수행하는 단계가 반복되어, 상기 단자 전압 데이터는 제n 근사 전압 데이터, 및 상기 제1 내지 제n 상세 전압 데이터들로 분해될 수 있다. 상기 저주파 성분의 전압 데이터는 상기 제n 근사 전압 데이터일 수 있다.

상기 배터리의 SOC 추정 방법의 또 다른 예에 따르면, 상기 로우 패스 필터링을 수행하기 위한 로우 패스 필터의 계수들은 {0.0352, -0.0854, -0.1350, 0.4599, 0.8069, 0.3327}이고, 상기 하이 패스 필터링을 수행하기 위한 하이 패스 필터의 계수들은 {-0.3327, 0.8069, -0.4599, -0.1350, 0.0854, 0.0352}일 수 있다.

상기 배터리의 SOC 추정 방법의 또 다른 예에 따르면, 상기 배터리의 SOC(state of charge)는 확장 칼만 필터(Extended Kalman filter)를 기반으로 추정될 수 있다.

상기 기술적 과제를 달성하기 위한 본 발명의 일 실시예에 따른 배터리의 SOC 추정 방법에 따르면, 배터리의 단자 전압을 주기적으로 측정하여 단자 전압 데이터를 수집하는 수집부, 상기 단자 전압 데이터에 대하여 이산 웨이블릿 변환(discrete wavelet transform)의 다해상도 분석(multi-resolution analysis)을 수행하여, 저주파 성분의 전압 데이터를 추출하는 추출부, 및 상기 저주파 성분의 전압 데이터를 기초로 상기 배터리의 SOC(state of charge)를 추정하는 SOC 추정부를 포함한다.

본 발명의 배터리의 SOC 추정 방법에 따르면, SOC 추정을 위해 사용되는 배터리의 단자 전압으로서 배터리의 실제 단자 전압을 이산 웨이블릿 변환의 다해상도 분석(multi-resolution analysis, MRA)을 통해 분해된 저주파 전압 성분을 적용함으로써, 기존의 적응 제어형 알고리즘에서 노이즈 모델을 생략할 수 있다. 따라서, 본 발명의 배터리 SOC 추정 방법에 따르면, 간결하면서도 정확하게 배터리의 SOC를 추정할 수 있다.

도 1은 본 발명의 일 실시예에 따른 배터리, BMS 및 BMS의 주변장치를 포함하는 자동차 시스템을 개략적으로 보여주는 도면이다.
도 2는 본 발명의 다양한 실시예들에 따른 BMS의 개략적인 블록도이다.
도 3은 추출부의 개략적인 블록도이다.
도 4는 SOC 추정부의 개략적인 블록도이다.
도 5a 내지 도 5d는 추출부의 동작을 설명하기 위한 도면들이다.
도 6a는 실제 단자 전압의 전압 데이터(VT)와 전압 데이터에 대해 이산 웨이블릿 변환의 다해상도 변환을 수행하여 추출되는 제5 저주파 성분의 전압 데이터(A5)와 제1 내지 제5 고주파 성분의 전압 데이터들(D1 내지 D5)의 합의 그래프들이다.
도 7a 및 도 7b는 본 발명에 따른 SOC 추정의 정확도를 검증한 그래프이다.
도 8은 본 발명의 다양한 실시예들에 따른 배터리의 SOC 추정 방법의 흐름도이다.

이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시예들을 상세히 설명한다. 본 발명의 실시예들은 본 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이다. 아래에 제시되는 실시예들은 여러 다른 형태로 변형될 수 있고, 본 발명의 범위가 아래의 실시예들로 한정되는 것은 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

첨부된 도면들을 설명하면서 유사한 구성요소에 대해 유사한 참조 부호를 사용한다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확한 이해를 돕기 위하여 실제보다 확대하거나 축소하여 도시될 수 있다.

본 명세서에서 사용된 용어는 오로지 특정한 실시예를 설명하기 위해 사용된 것이며, 본 발명을 한정하려는 의도로 사용된 것이 아니다. 단수의 표현은 문맥상 명백히 다른 경우를 제외하고는 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 나열된 특징들의 존재를 특정하는 것이지, 하나 이상의 다른 특징들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 본 명세서에서, 용어 "및/또는"은 열거된 특징들 중 어느 하나 및 하나 이상의 모든 조합들을 포함하기 위해 사용된다. 본 명세서에서, "제1", "제2" 등의 용어가 다양한 특징들을 설명하기 위하여 하나의 특징을 다른 특징과 구별하기 위한 의도로만 사용되며, 이러한 특징들은 이들 용어에 의해 한정되지 않는다. 아래의 설명에서 하나의 요소가 다른 요소 "상에" 위치한다고 기재되는 경우, 이는 하나의 요소가 다른 요소의 바로 위에 위치하는 경우뿐만 아니라, 하나의 요소와 다른 요소 사이에 또 다른 요소가 개재되는 경우를 모두 포함한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 갖는다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

도면들에 있어서, 예를 들면, 제조 기술 및/또는 공차(tolerance)에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 발명의 실시예는 본 명세서에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면 제조상 초래되는 형상의 변화를 포함하여야 한다.

도 1은 본 발명의 다양한 실시예들에 따른 배터리, BMS 및 BMS의 주변장치를 포함하는 자동차 시스템을 개략적으로 보여주는 도면이다.

도 1을 참조하면, 자동차 시스템은 BMS (1), 배터리(2), 전류 센서(3), 냉각 팬(4), 퓨즈(5), 메인 스위치(6), ECU(engine controller unit, 7), 인버터(8) 및 모터 제너레이터(9)를 포함한다.

배터리(2)는 복수의 배터리 셀이 서로 직렬로 연결된 복수의 서브팩(2a ~ 2h), 제1 출력 단자(2_OUT1), 제2 출력 단자(2_OUT2) 및 서브팩(2d)과 서브팩(2e) 사이에 배치되는 안전 스위치(2_SW)를 포함할 수 있다. 여기서, 서브팩(2a ~ 2h)은 예시적으로 8개로 표시된다. 서브팩(2a ~ 2h)은 복수의 배터리 셀을 하나의 그룹으로 표시한 것에 불과한 것이고, 서브팩(2a ~ 2h)의 개수는 본 발명을 한정하지 않는다. 또한, 안전 스위치(2_SW)는 서브팩(2d)과 서브팩(2e) 사이에 배치되는 스위치로서 배터리를 교체하거나 배터리에 대한 작업을 수행할 때 작업자의 안전을 위하여 수동적으로 온/오프할 수 있는 스위치일 수 있다. 본 발명에 따른 일 실시예에서는 서브팩(2d)과 서브팩(2e) 사이에 배치되는 안전 스위치(2_SW)를 포함하고 있으나, 본 발명은 이에 한정되지 않는다. 제1 출력 단자(2_OUT1) 및 제2 출력 단자(2_OUT2)는 인버터(8)에 연결될 수 있다.

전류 센서(3)는 배터리(2)의 출력 전류량을 측정하여 BMS(1)의 센싱부(10)로 출력할 수 있다. 구체적으로 전류 센서(3)는 홀(Hall) 소자를 이용하여 전류를 측정하고, 측정된 전류에 대응되는 아날로그 전류 신호를 출력하는 Hall CT(Hall current transformer)일 수 있다.

냉각 팬(4)은 BMS(1)의 제어 신호에 기초하여 배터리(2)의 충전/방전에 의해 발생할 수 있는 열을 냉각하여 온도 상승으로 인한 배터리(2)의 열화 및 충방전 효율의 저하를 방지할 수 있다.

퓨즈(5)는 배터리(2)의 단선 또는 단락에 의해 과전류가 배터리(2)에 전달되는 것을 방지할 수 있다. 즉, 과전류가 발생하면 퓨즈(5)는 단선되어 과전류가 배터리(2)에 전달되는 것을 차단할 수 있다.

메인 스위치(6)는 과전압, 과전류, 고온 등과 같은 이상 현상이 발생하면 BMS(1) 또는 자동차 시스템의 ECU(7)의 제어신호에 기초하여 배터리(2)를 온/오프할 수 있다.

BMS(1)는 센싱부(10), MCU(Main control unit, 20), 내부전원 공급부(30), 셀 밸런싱부(40), 저장부(50), 통신부(60), 보호 회로부(70), 파워온 리셋부(80) 및 외부 인터페이스(90)를 포함할 수 있다. 또한, BMS(1)는 배터리(2)와 인버터(8) 사이에 배치되는 릴레이들, 예컨대, 메인 릴레이 및 보조 릴레이의 고장 또는 용착을 판단할 수 있다.

센싱부(10)는 배터리(2)의 전류(이하, '배터리 전류'), 배터리(2)의 전압(이하, '배터리 전압'), 서브팩(2a ~ 2h)의 팩 전압(이하, '팩 전압'), 서브팩(2a ~ 2h)의 배터리 셀들 각각의 셀 전압(이하, '셀 전압'), 서브팩(2a ~ 2h)의 팩 온도 및 배터리(2)의 주변 온도 등을 측정하여 MCU(20)에 전달할 수 있다. 또한, 센싱부(10)는 인버터(8)의 전압을 측정하여 MCU(20)에 전달할 수 있다.

MCU(20)는 센싱부(10)로부터 전달받은 배터리 전류, 배터리 전압, 각 배터리 셀의 셀 전압, 팩 온도 및 주변 온도에 기초하여 배터리의 SOC, 또는 배터리 내부의 저항 변화를 계산하여 SOH(state of health)를 계산하고, 배터리(2)의 상태를 알려주는 정보를 생성할 수 있다.

구체적으로, MCU(20)가 센싱부(10)로부터 배터리 전압에 대응하는 아날로그 신호를 수신할 경우, MCU(20)는 상기 아날로그 신호를 배터리 전압을 주기적으로 샘플링하여, 샘플링된 배터리 전압을 디지털 값으로 변환하여 단자 전압 데이터를 생성할 수 있다. 다른 예에 따르면, 센싱부(10)는 배터리 전압에 대응하는 단자 전압 데이터를 생성할 수 있으며, 상기 단자 전압 데이터를 MCU(20)에 제공할 수도 있다.

MCU(20)는 단자 전압 데이터에 대하여 이산 웨이블릿 변환(discrete wavelet transform)의 다해상도 분석(multi-resolution analysis)을 수행하여, 저주파 성분의 전압 데이터를 추출할 수 있다. MCU(20)는 상기 저주파 성분의 전압 데이터를 기초로 상기 배터리의 SOC(state of charge)를 추정함으로써, SCO 정보를 생성할 수 있다.

내부전원 공급부(30)는 일반적으로 보조 배터리를 이용하여 BMS(1)에 전원을 공급하는 장치일 수 있다.

셀 밸런싱부(40)는 각 배터리 셀의 SOC의 균형을 맞출 수 있다. 즉, 셀 밸런싱부(40)는 다른 배터리 셀들에 비해 SOC가 높은 배터리 셀을 방전시키고 SOC가 낮은 배터리 셀을 충전시킬 수 있다.

저장부(50)는 BMS(1)의 전원이 오프될 때, 현재의 SOC, SOH 등의 데이터들을 저장할 수 있다. 여기서, 저장부(50)는 전기적으로 쓰고 지울 수 있는 비휘발성 저장장치로서 EEPROM 또는 플래시 메모리일 수 있다.

통신부(60)는 자동차 시스템의 ECU(7)와 통신을 수행할 수 있다. 예를 들면, 통신부(60)는 BMS(1)로부터 ECU(7)로 SOC 및 SOH에 관한 정보를 전송하거나, ECU(7)로부터 자동차 상태에 관한 정보를 수신하여 MCU(20)로 전송할 수 있다.

보호 회로부(70)는 펌웨어(firm ware)를 이용하여 외부의 충격, 과전류, 저전압 등으로부터 배터리(2)를 보호하기 위한 회로일 수 있다.

파워온 리셋부(80)는 BMS(1)의 전원이 켜지면 전체 시스템을 리셋할 수 있다.

외부 인터페이스(90)는 냉각팬(4), 메인 스위치(6) 등과 같은 보조 장치들을 MCU(20)에 연결하기 위한 장치이다. 본 실시예에서는 냉각팬(4) 및 메인 스위치(6)만이 도시되었지만 그 외에 다른 구성요소들이 포함될 수 있다.

ECU(7)는 자동차의 액셀러레이터(accelerator), 브레이크(break), 자동차 속도 등의 정보에 기초하여 자동차의 운행 상태를 파악하고, 현재 요구되는 토크의 크기와 같은 정보를 결정한다. 구체적으로, 자동차의 운행 상태란, 시동을 켜는 키온(KEY ON), 시동을 끄는 키오프(KEY OFF), 등속 운행 및 가속도 운행 등을 말한다. ECU(7)는 자동차 상태에 관한 정보를 BMS(1)의 통신부(60)로 전송할 수 있다. ECU(7)는 모터 제너레이터(9)의 출력이 요구되는 토크의 크기에 맞도록 제어할 수 있다. 즉 ECU(7)는 인버터(8)의 스위칭을 제어하여 모터 제너레이터(9)의 출력이 요구되는 토크의 크기에 맞도록 제어할 수 있다.

또한, ECU(7)는 BMS(1)의 통신부(60)를 통하여 MCU(20)로부터 전달되는 배터리(2)의 SOC를 전달받을 수 있으며, 배터리(2)의 SOC가 목표 값(예컨대, 55%)이 되도록 제어할 수 있다. 예를 들면, MCU(20)로부터 전달된 SOC가 55% 이하이면 인버터(8)의 스위치를 제어하여 전력이 배터리(10) 방향으로 출력되도록 하여 배터리(2)를 충전시킬 수 있다. 이때, 배터리 전류는 '-'값으로 설정될 수 있다. 한편, SOC가 55% 이상이면 인버터(8)의 스위치를 제어하여 전력이 모터 제너레이터(9) 방향으로 출력되도록 하여 배터리(2)를 방전시킬 수 있다. 이때, 배터리 전류는 '+'값으로 설정될 수 있다.

인버터(8)는 ECU(7)의 제어신호에 기초하여 배터리(2)를 충전 또는 방전시킬 수 있다.

모터 제너레이터(9)는 배터리(2)의 전기 에너지를 이용하여 ECU(7)로부터 전달되는 요구되는 토크의 크기에 관한 정보에 기초하여 자동차를 구동할 수 있다.

ECU(7)는 SOC에 기초하여 충전 및 방전함으로써 배터리(2)가 과충전 또는 과방전되는 것을 방지할 수 있으며 배터리(2)를 효율적으로 오랫동안 사용할 수 있도록 할 수 있다. 그러나, 배터리(2)가 자동차에 장착된 후에는 배터리(2)의 실제 SOC를 직접 측정하기는 어려우므로, BMS(1)는 센싱부(10)에서 센싱한 배터리 전압, 배터리 전류 및 셀 온도 등을 이용하여 SOC를 정확하게 추정하여 ECU(7)에 전달해야 한다.

도 2는 본 발명의 다양한 실시예들에 따른 BMS의 개략적인 블록도이다.

도 2를 참조하면, BMS(1)는 수집부(110), 추출부(120) 및 SOC 추정부(130)를 포함할 수 있다.

수집부(110)는 배터리의 단자 전압(vt)을 주기적으로 측정하여 단자 전압 데이터(VT)를 수집할 수 있다. 여기서, 상기 배터리는 도 1의 배터리(2)를 지칭할 수 있다. SOC를 산출하고자 하는 배터리의 단위에 따라, 상기 배터리는 각 서브팩(2a ~ 2h)을 지칭하거나, 또는 서브팩(2a ~ 2h)의 각 배터리 셀 하나를 지칭할 수도 있다.

단자 전압(vt)은 도 1에서 제1 출력 단자(2_out1)의 전압과 제2 출력 단자(2_out2)의 전압의 차이를 지칭할 수 있다. 그러나, 서브팩(2a ~ 2h) 단위로 SOC를 산출할 경우, 단자 전압(vt)은 서브팩(2a ~ 2h) 각각의 출력 전압, 즉, 팩 전압을 지칭할 수도 있다. 또한, 배터리 셀 단위로 SOC를 산출할 경우, 단자 전압(vt)은 셀 전압을 지칭할 수 있다.

수집부(110)는 배터리의 단자 전압(vt)을 주기적으로 샘플링하여 단자 전압 데이터(VT)를 생성할 수 있다. 예컨대, 수집부(110)는 일정한 시간 간격, 예컨대, 1초, 0.1초, 0.01초 등과 같은 시간 간격으로 배터리의 단자 전압(vt)을 측정하고, 측정된 단자 전압(vt)의 크기를 디지털화하여 단자 전압 데이터(VT)를 생성할 수 있다. 이를 위해, 수집부(110)는 아날로그-디지털 변환기(ADC)(미 도시)를 포함할 수 있다.

추출부(120)는 단자 전압 데이터(VT)에 대하여 이산 웨이블릿 변환(DWT)의 다해상도 분석을 수행하여, 저주파 성분의 전압 데이터(VT')를 추출할 수 있다. 도 3은 추출부(120)의 개략적인 블록도이다. 도 3을 참조하면, 추출부(120)는 단자 전압 데이터(VT)에 대하여 이산 웨이블릿 변환(121)을 수행할 수 있다.

이산 웨이블릿 변환(121)은 단자 전압 데이터(VT)를 저주파 성분의 전압 데이터와 고주파 성분의 전압 데이터(VT')로 분해할 수 있다. 추출부(120)은 단자 전압 데이터(VT)로부터 고주파 성분의 전압 데이터를 추출하기 위한 하이 패스 필터(122)와 단자 전압 데이터(VT)로부터 저주파 성분의 전압 데이터(VT')를 추출하기 위한 로우 패스 필터(123)를 포함할 수 있다. 하이 패스 필터(122)와 로우 패스 필터(123)는 실제의 물리적 및 회로적으로 구현되는 필터가 아니라, 데이터 처리에 의해 구현될 수 있다.

단자 전압 데이터(VT)는 이산 웨이블릿 변환의 다해상도 분석을 통해 복수의 주파수 대역의 전압 데이터들로 분해될 수 있다. 예컨대, 단자 전압 데이터(VT)는 제1 주파수 대역(예컨대, f₀보다 큰 주파수 대역)의 전압 데이터, 제2 주파수 대역(예컨대, f₀보다 작고 f₀/2보다 큰 주파수 대역)의 전압 데이터, 제3 주파수 대역(예컨대, f₀/2보다 작고 f₀/4보다 큰 주파수 대역)의 전압 데이터, 제4 주파수 대역(예컨대, f₀/4보다 작고 f₀/8보다 큰 주파수 대역)의 전압 데이터, 제5 주파수 대역(예컨대, f₀/8보다 작고 f₀/16보다 큰 주파수 대역)의 전압 데이터, 제6 주파수 대역(예컨대, f₀/16보다 작은 주파수 대역)의 전압 데이터로 분해될 수 있다. 이때, 추출부(120)에 의해 추출되는 저주파 성분의 전압 데이터(VT')는 제6 주파수 대역(예컨대, f₀/16보다 작은 주파수 대역)의 전압 데이터일 수 있다.

추출부(120)에 대하여, 도 5a 내지 도 5d를 참조로 아래에서 더욱 자세히 설명한다.

SOC 추정부(130)는 저주파 성분의 전압 데이터(VT')를 기초로 배터리의 SOC를 추정할 수 있으며, 추정된 SOC는 예컨대, 도 1의 통신부(60)를 통해 ECU(7)에 제공될 수 있다.

SOC 추정부(130)는 확장 칼만 필터를 기반으로 배터리의 SOC를 추정할 수 있다. 도 4는 SOC 추정부(130)의 개략적인 블록도이다. 도 4에 도시된 바와 같이, SOC 추정부(130)는 확장 칼만 필터(131)를 포함할 수 있다.

확장 칼만 필터를 기반으로 SOC를 추정하기 위해서는 배터리 단자 전압과 입력 전류가 필요하다. 또한, 배터리의 등가 회로 모델의 파라미터 값을 이용하여 개방 전압(OCV)의 산출 수학식 및 OCV-SOC 관계가 구축되어야 한다. 본 발명에 따르면, 배터리의 단자 전압의 전압 데이터를 대신하여 추출부(120)에서 추출된 저주파 성분의 전압 데이터(VT')가 SOC 추정부(130)에 제공된다.

상술한 바와 같이, SOC 추정부(130)의 입력으로 저주파 성분의 전압 데이터(VT') 외에 전류 데이터와 같은 다른 데이터들이 입력될 수 있다. 또한, 상술한 바와 같이 SOC 추정부(130)에는 배터리의 등가 회로 모델에 따른 OCV 산출식 및 OCV-SOC 관계가 구축되어 있을 수 있다. SOC 추정부(130)에 적용한 등가 회로 모델은 노이즈 모델을 포함하지 않을 수 있다.

도 5a 내지 도 5d는 추출부(120)의 동작을 설명하기 위한 도면들이다.

도 5a를 참조하면, 입력 데이터(x(n))에 대하여 이산 웨이블릿 변환(DWT)을 수행하면, 근사 데이터(A)와 상세 데이터(D)가 생성되는 것이 도시된다. 구체적으로, 입력 데이터(x(n))에 대하여 로우 패스 필터(LPF)를 이용한 로우 패스 필터링이 수행되면, 근사 데이터(A)가 추출된다. 또한, 입력 데이터(x(n))에 대하여 하이 패스 필터(HPF)를 이용한 하이 패스 필터링이 수행되면, 상세 데이터(D)가 추출된다. 이산 웨이블릿 변환(DWT)을 수행하기 위해서는, 로우 패스 필터(LPF)와 하이 패스 필터(HPF)가 구현되어야 한다.

예컨대, 로우 패스 필터(LPF)의 계수들은 {0.0352, -0.0854, -0.1350, 0.4599, 0.8069, 0.3327}이고, 하이 패스 필터(HPF)의 계수들은 {-0.3327, 0.8069, -0.4599, -0.1350, 0.0854, 0.0352}일 수 있다.

도 5b를 참조하면, 이산 웨이블릿 변환의 다해상도 분석이 도시된다. 도 5b에서는 5번의 이산 웨이블릿 변환이 반복적으로 수행되는 것으로 도시되지만, 이산 웨이블릿 변환의 반복 횟수는 본 발명을 한정하지 않는다. 이산 웨이블릿 변환이 단 1회만 이루어질 수도 있으며, 5회를 초과한 회수로 반복될 수도 있다.

전압 데이터(VT(n))는 제1 이산 웨이블릿 변환에 의해 제1 근사 전압 데이터(A1)와 제1 상세 전압 데이터(D1)로 분해될 수 있다. 제1 근사 전압 데이터(A1)은 제2 이산 웨이블릿 변환에 의해 제2 근사 전압 데이터(A2)와 제2 상세 전압 데이터(D2)로 분해될 수 있다. 제2 근사 전압 데이터(A2)은 제3 이산 웨이블릿 변환에 의해 제3 근사 전압 데이터(A3)와 제3 상세 전압 데이터(D3)로 분해될 수 있다. 제3 근사 전압 데이터(A3)은 제4 이산 웨이블릿 변환에 의해 제4 근사 전압 데이터(A4)와 제4 상세 전압 데이터(D4)로 분해될 수 있다. 제4 근사 전압 데이터(A4)은 제5 이산 웨이블릿 변환에 의해 제5 근사 전압 데이터(A5)와 제5 상세 전압 데이터(D5)로 분해될 수 있다. 이때, 제5 근사 전압 데이터(A5)는 추출부(120)에 의해 저주파 성분의 전압 데이터(VT')로서 출력될 수 있다.

따라서, 도 5c에 도시된 바와 같이, 전압 데이터(VT(n))는 제5 근사 전압 데이터(A5) 및 제1 내지 제5 상세 전압 데이터들(D1 내지 D5)의 합으로 구성될 수 있다. 또한, 제(n-1) 근사 전압 데이터(A(n-1))는 제n 근사 전압 데이터(An)과 제n 상세 전압 데이터(Dn)의 합으로 표현될 수 있다. 따라서, 제5 근사 전압 데이터(A5) 및 제1 내지 제5 상세 전압 데이터들(D1 내지 D5)이 있을 경우, 전압 데이터(VT(n))를 복원할 수도 있다. 이러한 복원 과정은 이산 웨이블릿 역변환(IDWT)으로 지칭될 수 있다.

도 5b에 도시된 바와 같이, 이산 웨이블릿 변환이 반복되면, 데이터의 전체 양이 증가하게 된다. 전압 데이터가 근사 전압 데이터와 상세 전압 데이터로 분해되기 때문이다. 따라서, 이산 웨이블릿 변환이 수행된 후에, 다운 샘플링 수행될 수 있다. 다운 샘플링은 이전 이산 웨이블릿 변환에 의해 생성된 근사 전압 데이터의 짝수 번째 데이터 또는 홀수 번째 데이터를 선택하고, 선택되지 않은 데이터를 제거하는 것을 의미한다. 선택된 데이터는 근사 전압 샘플링 데이터로 지칭될 수 있다.

도 5d에 도시된 바와 같이, 전압 데이터(VT)는 하이 패스 필터링과 로우 패스 필터링에 의해 제1 상세 전압 데이터(D1) 및 제1 근사 전압 데이터(A1)로 분해될 수 있다. 제1 상세 전압 데이터(D1) 및 제1 근사 전압 데이터(A1)에 대하여 다운 샘플링이 수행되어 제1 상세 전압 샘플링 데이터(D1') 및 제1 근사 전압 샘플링 데이터(A1')가 생성될 수 있다. 제1 근사 전압 샘플링 데이터(A1')는 하이 패스 필터링과 로우 패스 필터링에 의해 제2 상세 전압 데이터(D2) 및 제2 근사 전압 데이터(A2)로 분해될 수 있다. 제2 상세 전압 데이터(D2) 및 제2 근사 전압 데이터(A2)에 대하여 다운 샘플링이 수행되어 제2 상세 전압 샘플링 데이터(D2') 및 제2 근사 전압 샘플링 데이터(A2')가 생성될 수 있다. 제2 근사 전압 샘플링 데이터(A2')는 하이 패스 필터링과 로우 패스 필터링에 의해 제3 상세 전압 데이터(D3) 및 제3 근사 전압 데이터(A3)로 분해될 수 있다. 제3 상세 전압 데이터(D3) 및 제3 근사 전압 데이터(A3)에 대하여 다운 샘플링이 수행되어 제3 상세 전압 샘플링 데이터(D3') 및 제3 근사 전압 샘플링 데이터(A3')가 생성될 수 있다. 제3 근사 전압 샘플링 데이터(A3')는 하이 패스 필터링과 로우 패스 필터링에 의해 제4 상세 전압 데이터(D4) 및 제4 근사 전압 데이터(A4)로 분해될 수 있다. 제4 상세 전압 데이터(D4) 및 제4 근사 전압 데이터(A4)에 대하여 다운 샘플링이 수행되어 제4 상세 전압 샘플링 데이터(D4') 및 제4 근사 전압 샘플링 데이터(A4')가 생성될 수 있다. 제4 근사 전압 샘플링 데이터(A4')는 하이 패스 필터링과 로우 패스 필터링에 의해 제5 상세 전압 데이터(D5) 및 제5 근사 전압 데이터(A5)로 분해될 수 있다. 제5 상세 전압 데이터(D5) 및 제5 근사 전압 데이터(A5)에 대하여 다운 샘플링이 수행되어 제5 상세 전압 샘플링 데이터(D5') 및 제5 근사 전압 샘플링 데이터(A5')가 생성될 수 있다. 이때, 제5 근사 전압 샘플링 데이터(A5')는 추출부(120)에 의해 출력되는 저주파 성분의 전압 데이터(VT')일 수 있다.

도 6a는 실제 단자 전압의 전압 데이터(VT)와 전압 데이터(VT)에 대해 이산 웨이블릿 변환의 다해상도 변환을 수행하여 추출되는 제5 저주파 성분의 전압 데이터(A5)와 제1 내지 제5 고주파 성분의 전압 데이터들(D1 내지 D5)의 합의 그래프들이다.

도 6b 및 도 6c는 도 6a에 도시된 전압 데이터(VT)와 제5 저주파 성분의 전압 데이터(A5)를 비교하여 도시한 확대도이다. 도 6b는 0초에서 200초 사이를 확대한 그래프이고, 도 6c는 2000초에서 2200초 사이를 확대한 그래프이다.

도 6a에 도시된 바와 같이, 제5 저주파 성분의 전압 데이터(A5)는 전압 데이터(VT)와 유사하다. 이에 반하여, 제1 내지 제5 고주파 성분의 전압 데이터들(D1 내지 D5)의 합은 전압 데이터(VT)과 다소 차이가 있다.

도 6b 및 도 6c를 참조하면, 제5 저주파 성분의 전압 데이터(A5)가 전압 데이터(VT)와 유사하다는 것이 더욱 잘 나타난다. 제5 저주파 성분의 전압 데이터(A5)와 전압 데이터(VT)의 차이는 제1 내지 제5 고주파 성분의 전압 데이터들(D1 내지 D5)의 합에 대응될 수 있다.

전압 데이터(VT)가 크게 변하지 않는 부분에서는, 제5 저주파 성분의 전압 데이터(A5)와 전압 데이터(VT)는 거의 동일하다. 즉, 고주파 전압 성분의 영향이 크지 않다면 실제 단자 전압과 최종 저주파 성분의 전압 데이터(도 5d의 예에서는 제5 저주파 성분의 전압 데이터(A5))는 대체적으로 유사하다. 종래의 확장 칼만 필터에 적용되는 노이즈 모델 중에서 급격한 전류 변화 및 빠른 다이나믹에 의한 측정 노이즈 모델은 급격한 전류 변화 또는 주파수 조건을 고려한다. 따라서, 최종 저주파 성분의 전압 데이터(A5)는 실제 단자 전압에서 급격한 전류 변화나 빠른 다이나믹에 관련된 고주파 전압 성분이 제외된 것이다.

도 6b 및 도 6c에 도시된 바와 같이, 충전 또는 방전 시간이 긴 경우 실제 단자 전압과 최종 저주파 성분의 전압 데이터(A5)의 차이는 거의 없다. 그러나, 충전과 방전을 짧은 시간 내에 빈번히 교대하는 경우, 최종 저주파 성분의 전압 데이터(A5)와 대략 실제 단자 전압의 차이는 커진다. 이러한 차이는 급격한 전류 변화 및 빠른 다이나믹에 의한 발생된 것일 수 있다.

도 7a 및 도 7b는 본 발명에 따른 SOC 추정의 정확도를 검증한 그래프이다.

도 7a 및 도 7b의 그래프에는 전류 적산법에 의해 산출된 SOC 그래프('Ampere-counting'로 표시)와 본 발명에 따라 최종 저주파 성분의 전압 데이터를 기초로 확장 칼만 필터를 이용하여 추정한 SOC의 그래프가 도시된다. 도 7a의 그래프는 초기 SOC를 0.8로 설정한 경우이고, 도 7b의 그래프는 초기 SOC를 0.2로 설정한 경우이다.

도 7a 및 도 7b에 도시된 바와 같이, 초기 SOC를 다르게 설정하더라도 확장 칼만 필터에 기초한 SOC 추정으로 인하여 전류 적산법에 의해 산출된 SOC와 동일한 결과를 갖는다. 또한, 노이즈 모델을 적용하지 않았음에도, 최종 저주파 성분의 전압 데이터(A5)를 이용함으로써 SOC 추정 성능이 떨어지지 않았음을 확인할 수 있다.

도 8은 본 발명의 다양한 실시예들에 따른 배터리의 SOC 추정 방법의 흐름도이다.

도 8을 참조하면, 단계(S81)에서, 단자 전압 데이터가 수집된다. 배터리의 단자 전압을 주기적으로 측정하고 측정한 전압 값을 디지털화하여 단자 전압 데이터가 생성될 수 있다. 단자 전압 데이터의 수집은 도 1의 센싱부(10)에 의해 수행되거나, 센싱부(10)와 MCU(20)에서 수행될 수 있다. 디지털 데이터인 단자 전압 데이터를 생성하기 위해, 아날로그-디지털 변환기가 필요할 수 있다.

단계(S82)에서, 단자 전압 데이터에 대하여 이산 웨이블릿 변환의 다해상도 분석이 수행되며, 단자 전압 데이터로부터 저주파 성분의 전압 데이터가 추출된다. 저주파 성분의 전압 데이터의 추출은 도 1의 MCU(20)에서 수행될 수 있다. MCU(20)는 이산 웨이블릿 변환을 수행할 수 있으며, 하이 패스 필터와 로우 패스 필터를 구비할 수 있다.

단계(S83)에서, 추출된 저주파 성분의 전압 데이터를 기초로 확장 칼만 필터를 이용하여 배터리의 SOC가 추정된다. 배터리의 SOC 추정은 도 1의 MCU(20)에서 수행될 수 있으며, MCU(20)는 확장 칼만 필터를 포함할 수 있다.

확장 칼만 필터에 기초한 SOC 추정 알고리즘의 추정 성능을 높이기 위해서는, 이상적으로 시스템의 내부 상태(state)가 무한대이어야 한다. 그러나, 이는 실제적으로 불가능하며, 시스템의 내부 상태를 최소로 축소하면서도, 알고리즘의 성능을 유지할 수 있는 방법이 제안되었다. 이 방법에 따르면, SOC 추정 성능의 저하를 야기하는 영역, 예컨대, SOC가 매우 높거나 낮은 영역, 전류가 매우 높은 영역, 빠른 다이나믹이 존재하는 영역을 비신뢰 영역으로 정하고, 추정 성능을 유지하기 위하여 노이즈 모델(noise model)이 사용되었다. 그러나, 노이즈 모델의 추가로 인하여, 알고리즘의 복잡도가 증가하게 되며, 그에 따라 비용도 증가하게 된다.

본 발명은 추정 성능의 우수함을 유지하면서, 종래보다 간결하고 개선된 알고리즘을 적용함으로써, 시스템 개발에 따른 시간 및 비용적인 문제를 해결할 수 있다.

구체적으로, 이산 웨이블릿 변환(DWT)을 통해 실제 단자 전압은 저주파 전압 성분과 고주파 전압 성분으로 분해될 수 있다. 상술한 바와 같은 비신뢰 영역의 전압 특성들은 대체적으로 고주파 전압 성분의 특성을 갖는다. 이산 웨이블릿 변환의 다해상도 분석을 통해 산출한 저주파 전압 성분과 실제 단자 전압은 대체적으로 유사한 특성을 갖는다. 본 발명에 따른 저주파 전압 성분은 고주파 전압 성분이 제외된 것이므로, 종래의 노이즈 모델을 생략할 수 있다. SOC 추정을 위한 알고리즘에서 배터리 단자 전압으로 상기 저주파 전압 성분을 사용하여, 확장 칼만 필터에 기초한 SOC 추정 알고리즘을 구동할 경우, 종래의 노이즈 모델을 추가한 방법에 버금가는 추정 성능을 나타내었음이 확인되었다.

즉, 본 발명에 따라 SOC 추정 알고리즘의 단자 전압으로 저주파 전압 성분을 적용할 경우, BMS의 SOC 추정 성능을 유지하면서, 알고리즘을 간결화할 수 있고, 그에 따라 비용을 감소시킬 수 있다.

본 발명의 사상은 자동차 시스템뿐만 아니라, 에너지 저장 시스템의 배터리 SOC 추정에도 적용될 수 있다. 구체적으로, 본 발명에 따라, 에너지 저장 시스템의 배터리 팩 또는 배터리 모듈의 단자 전압에 이산 웨이블릿 변환을 통해 저주파 성분을 추출하고, 이를 기초로 SOC를 추정할 수 있다.

본 명세서에서는 본 발명을 한정된 실시예를 중심으로 설명하였으나, 본 발명의 범위 내에서 다양한 실시예가 가능하다. 또한 설명되지는 않았으나, 균등한 수단도 또한 본 발명에 그대로 결합되는 것이라 할 것이다. 따라서 본 발명의 진정한 보호범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.

1: BMS
110: 수집부
120: 추출부
130: SOC 추정부

Claims (20)

1. 배터리의 단자 전압을 주기적으로 측정하여 단자 전압 데이터를 수집하는 단계;
   상기 단자 전압 데이터에 대하여 이산 웨이블릿 변환(discrete wavelet transform)의 다해상도 분석(multi-resolution analysis)을 수행하여, 저주파 성분의 전압 데이터를 추출하는 단계; 및
   상기 저주파 성분의 전압 데이터를 기초로 상기 배터리의 SOC(state of charge)를 추정하는 단계를 포함하는 배터리의 SOC를 추정하는 방법.
2. 제1 항에 있어서,
   상기 단자 전압 데이터는 상기 이산 웨이블릿 변환의 다해상도 분석을 통해 복수 대역의 전압 데이터들로 분해되는 것을 특징으로 하는 배터리의 SOC를 추정하는 방법.
3. 제2 항에 있어서,
   상기 저주파 성분의 전압 데이터는 상기 복수 대역의 전압 데이터들 중에서 가장 낮은 주파수 대역의 전압 데이터인 것을 특징으로 하는 배터리의 SOC를 추정하는 방법.
4. 제1 항에 있어서,
   상기 저주파 성분의 전압 데이터를 추출하는 단계는,
   상기 단자 전압 데이터에 대하여 로우 패스 필터링 및 하이 패스 필터링을 수행하여 제1 근사 전압 데이터 및 제1 상세 전압 데이터로 분해하는 단계를 포함하는 것을 특징으로 하는 배터리의 SOC를 추정하는 방법.
5. 제4 항에 있어서,
   상기 저주파 성분의 전압 데이터를 추출하는 단계는,
   상기 제1 근사 전압 데이터에 대하여 상기 제1 근사 전압 데이터의 홀수 번째 데이터 또는 짝수 번째 데이터를 선택하는 다운 샘플링을 수행하여, 제1 근사 전압 샘플링 데이터를 생성하는 단계를 더 포함하는 것을 특징으로 하는 배터리의 SOC를 추정하는 방법.
6. 제5 항에 있어서,
   상기 저주파 성분의 전압 데이터를 추출하는 단계는,
   상기 제1 근사 전압 샘플링 데이터에 대하여 상기 로우 패스 필터링 및 상기 하이 패스 필터링을 수행하여 제2 근사 전압 데이터 및 제2 상세 전압 데이터로 분해하는 단계를 더 포함하는 것을 특징으로 하는 배터리의 SOC를 추정하는 방법.
7. 제6 항에 있어서,
   상기 저주파 성분의 전압 데이터를 추출하는 단계는,
   상기 다운 샘플링을 수행하는 단계, 및 상기 하이 패스 필터링 및 상기 로우 패스 필터링을 수행하는 단계를 반복하여, 상기 단자 전압 데이터를 제n 근사 전압 데이터, 및 상기 제1 내지 제n 상세 전압 데이터들로 분해하는 단계를 포함하는 것을 특징으로 하는 배터리의 SOC를 추정하는 방법.
8. 제7 항에 있어서,
   상기 저주파 성분의 전압 데이터는 상기 제n 근사 전압 데이터인 것을 특징으로 하는 배터리의 SOC를 추정하는 방법.
9. 제4 항에 있어서,
   상기 로우 패스 필터링을 수행하기 위한 로우 패스 필터의 계수들은 {0.0352, -0.0854, -0.1350, 0.4599, 0.8069, 0.3327}이고,
   상기 하이 패스 필터링을 수행하기 위한 하이 패스 필터의 계수들은 {-0.3327, 0.8069, -0.4599, -0.1350, 0.0854, 0.0352}인 것을 특징으로 하는 배터리의 SOC를 추정하는 방법.
10. 제1 항에 있어서,
    상기 배터리의 SOC(state of charge)를 추정하는 단계는,
    확장 칼만 필터(Extended Kalman filter)를 기반으로 상기 배터리의 SOC(state of charge)를 추정하는 단계를 포함하는 것을 특징으로 하는 배터리의 SOC를 추정하는 방법.
11. 배터리의 단자 전압을 주기적으로 측정하여 단자 전압 데이터를 수집하는 수집부;
    상기 단자 전압 데이터에 대하여 이산 웨이블릿 변환(discrete wavelet transform)의 다해상도 분석(multi-resolution analysis)을 수행하여, 저주파 성분의 전압 데이터를 추출하는 추출부; 및
    상기 저주파 성분의 전압 데이터를 기초로 상기 배터리의 SOC(state of charge)를 추정하는 SOC 추정부를 포함하는 배터리 관리 시스템.
12. 제11 항에 있어서,
    상기 단자 전압 데이터는 상기 이산 웨이블릿 변환의 다해상도 분석을 통해 복수 대역의 전압 데이터들로 분해되는 것을 특징으로 하는 배터리 관리 시스템.
13. 제12 항에 있어서,
    상기 저주파 성분의 전압 데이터는 상기 복수 대역의 전압 데이터들 중에서 가장 낮은 주파수 대역의 전압 데이터인 것을 특징으로 하는 배터리 관리 시스템.
14. 제11 항에 있어서,
    상기 추출부는 상기 단자 전압 데이터에 대하여 로우 패스 필터링 및 하이패스 필터링을 수행하여 제1 근사 전압 데이터 및 제1 상세 전압 데이터로 분해하는 것을 특징으로 하는 배터리 관리 시스템.
15. 제14 항에 있어서,
    상기 추출부는 상기 제1 근사 전압 데이터에 대하여 상기 제1 근사 전압 데이터의 홀수 번째 데이터 또는 짝수 번째 데이터를 선택하는 다운 샘플링을 수행하여, 제1 근사 전압 샘플링 데이터를 생성하는 것을 특징으로 하는 배터리 관리 시스템.
16. 제15 항에 있어서,
    상기 추출부는 상기 제1 근사 전압 샘플링 데이터에 대하여 상기 로우 패스 필터링 및 상기 하이 패스 필터링을 수행하여 제2 근사 전압 데이터 및 제2 상세 전압 데이터로 분해하는 것을 특징으로 하는 배터리 관리 시스템.
17. 제16 항에 있어서,
    상기 추출부는 상기 다운 샘플링의 수행, 및 상기 하이 패스 필터링 및 상기 로우 패스 필터링의 수행을 반복하여, 상기 단자 전압 데이터를 제n 근사 전압 데이터, 및 상기 제1 내지 제n 상세 전압 데이터들로 분해하는 것을 특징으로 하는 배터리 관리 시스템.
18. 제17 항에 있어서,
    상기 저주파 성분의 전압 데이터는 상기 제n 근사 전압 데이터인 것을 특징으로 하는 배터리 관리 시스템.
19. 제14 항에 있어서,
    상기 추출부는 상기 로우 패스 필터링을 수행하기 위한 로우 패스 필터, 및 상기 하이 패스 필터링을 수행하기 위한 하이 패스 필터를 포함하고,
    상기 로우 패스 필터의 계수들은 {0.0352, -0.0854, -0.1350, 0.4599, 0.8069, 0.3327}이고,
    상기 하이 패스 필터의 계수들은 {-0.3327, 0.8069, -0.4599, -0.1350, 0.0854, 0.0352}인 것을 특징으로 하는 배터리 관리 시스템.
20. 제14 항에 있어서,
    상기 SOC 추정부에서 상기 배터리의 SOC(state of charge)는 확장 칼만 필터(Extended Kalman filter)를 기반으로 추정되는 것을 특징으로 하는 배터리 관리 시스템.
    

Images