KR20170093482A - 배터리의 열역학적 정보에 기반한 배터리의 최적 충전 방법 - Google Patents

Abstract

배터리의 열역학적 정보에 기반한 배터리의 최적 충전 방법이 개시된다. 배터리의 물질 구조에 관한 열역학적 정보 예컨대 배터리의 엔트로피 프로파일을 추출한다. 그 추출된 열역학적 정보를 이용하여 배터리의 물질의 상태 변화가 일어나는 경계점들을 검출하고, 그 검출된 경계점들에 의거하여 배터리의 페이즈들을 특정한다. 특정된 페이즈들 각각에 적응화된 최적 충전 패턴을 결정한다. 각 페이즈별로 정해진 최적 충전 패턴들을 조합하여 그 배터리를 충전하기 위한 충전 알고리즘을 구성한다. 이 충전 알고리즘을 그 배터리의 충전에 적용한다.

Description

배터리의 열역학적 정보에 기반한 배터리의 최적 충전 방법 {Optimized battery charging method based on thermodynamic information of a battery}

본 발명은 배터리 충전에 관한 것으로서, 보다 상세하게는 배터리의 열역학적 정보인 엔트로피 프로파일을 이용하여 배터리를 그것의 페이즈별로 최적 충전 패턴을 적용하여 충전할 수 있는 방법에 관한 것이다.

오늘날 약 13억 명의 사람들은 아직도 전기의 혜택을 받지 못하고 있으며, 이 숫자는 가까운 장래에는 거의 변화가 없을 것이다. 전 세계적으로 약 12억 명이 2030년에 전기의 혜택을 받지 못할 것으로 예상된다. 이 문제는 빠르게 발전하고 있는 아시아 및 아프리카 지역에서 특히 심하다. 이들 지역에서는 인구의 성장 및 산업의 발전으로 기존의 전기 기반시설에 대한 커다란 수요를 낳고 있다. 하지만, 배전망 기반시설 자체가 부족한 나라들에서는 주요 전기망에 연결되지 못한 또 다른 국내 소비자 제품 시장이 빠르게 성장하고 있다. 그러한 장치들은 종종 배터리, 케로신이나 디젤 발전기 등에 의해 전기를 공급받는다. 하지만 화석연료 에너지는 가까운 미래에 사라지는 것으로 되어 있고, 중국이나 인도와 같은 새로운 역할자들은 모든 오일 및 가스 생산 증가분을 흡수하고 있어, 배터리의 필요성이 앞으로 수십 년간 상당히 증가할 것이다.

선진국에서는 오프 그리드 응용(off grid applications)에 대한 요구 또한 증가하고 있다. 사람들은 랩탑 컴퓨터나 스마트 폰과 같은 휴대용 전자기기들을 점점 더 많이 사용하고 있다. 또한, 환경과 경제에 관한 관심 때문에 전기자동차(electric vehicle: EV) 및 하이브리드 전기자동차(hybrid electric vehicle: HEV) 시장이 기지개를 켜기 시작했다. 이런 나라들에서는 사물 인터넷(Internet of Things: IoT) 또한 빠르게 증가하는 추세를 보이고 있으며, 에너지 저장 수단에 관한 요구 또한 이미 성장하고 있다.

물론 때로는 작은 시스템들은 하이퍼 캐패시터(hyper-capacitors)에 의존하는 경우도 있지만, 이와 같은 장치들에서 전기를 저장하는 주요 수단은 배터리이다. 사용되는 배터리의 대다수는 리튬-기반 배터리(Li-Ion, Life-Po…)인데, 이는 더 높은 전력밀도와 고속 충전능력을 제공하기 때문이다. 또한, 리튬-기반 배터리들은 자체방전(self-discharge)이 낮고 점화에 필요한 요건을 갖고 있지 않다. 그래서 리튬 배터리들은 오늘날 모바일 폰에서 어린이 장난감, 전기자전거, 승객 운송수단 등에 이르기까지 넓은 범위의 소비자 상품에 전력을 제공하기 위해 사용되고 있다. 리튬-기반 배터리는 이미 배터리 시장에서 제일 큰 부분을 차지하고 있으며, 그에 대한 요구는 여전히 계속 증가하고 있어, 앞으로 2020년까지 시장이 거의 4배 정도 성장할 것으로 예상되고 있다.

하이퍼 캐패시터는 에너지 저장의 새로운 방식으로서 등장하고 있다. 그것은 높은 에너지 밀도를 제공하기에 주어진 무게의 배터리와 거의 같은 정도의 전기를 저장할 수 있고, 수명 또한 길다. 배터리에 비해, 하이퍼 캐패시터는 훨씬 더 빠르고 더 쉽게 충전할 수 있고, 더 안전하게 사용할 수 있으며, 훨씬 더 낮은 저항을 보이고, 우수한 저온 충방전 성능을 제공한다.

하지만, 하이퍼 캐패시터는 자체 방전율이 높고 셀 에너지가 낮으며 선형 방전 전압을 갖는다. 이런 문제들은 에너지 스펙트럼 전체를 사용하는 데 지장을 초래한다. 하이퍼 캐패시터는 이런 단점들로 인해 시장에서 지배적 위치를 차지하지 못하고 있다.

이런 점들 때문에 리튬-기반 배터리들이 여전히 시장에서의 지배적 지위를 차지하고 있으며, 이런 상황은 상당히 오랫동안 계속될 것이다. 하지만, 리튬-기반 배터리들은 몇 가지 도전에 직면해 있다. 그 리튬-기반 배터리들은 다른 몇 가지 재충전 가능한 기술들처럼 튼튼하지 않다. 그 리튬-기반 배터리들은 과충전 되는 것과 과방전 되는 것을 막을 필요가 있다. 또한, 그 리튬-기반 배터리들은 온도와, 전압 및 전류의 잘못된 사용에도 민감하다. 만약 이에 관한 적정한 조건들이 만족되지 않으면, 그 배터리들의 수명은 쉽게 저하된다.

게다가 리튬 배터리에서는 일어나는 노화 과정(aging process)은 또 다른 문제로 되고 있다. 이것은 시간의 경과에 달려있을 뿐만 아니라, 배터리가 경험한 충방전 사이클의 회수에도 달려있다. 더구나 리튬 배터리는 잠재적으로 폭발가능성을 가지고 있다. 적정한 보호 아래 놓이지 못하면 불이 날 수도 있다.

이런 문제들을 해결하기 위해, 배터리 관리 엔지니어들은 많은 노력을 기울여 왔다. 그들은 배터리 모델들에 관한 해법을 내놓고 있고, 리튬 사용의 신뢰도를 보장하고 증가하기 위한 경험적 연구들이 수행되고 있다. 이들 모델과 연구들을 통해, 엔지니어들은 배터리의 보안, 사용자 안전, 배터리 동작 조건을 다루기 위한 알고리즘과 하드웨어를 발전시켜오고 있다. 배터리 관리 시스템(battery management system: BMS)과 여러 가지 많은 조사보고서가 이 점들에 관해 여러 가지 조합의 기능들과 함께 상세하게 규정하고 있다.

수년 동안, BMS 성능은 상당히 향상되어 왔고, 리튬-기반 배터리 기술을 대중화시켰다. 그리고 여전히 새로운 실증적 연구들을 통해 BMS 기반의 새로운 모델들이 개발되고 있다.

최근에 배터리 관리에 관해 두 가지 주된 요소에 의해 시스템들이 제한을 받는다. 하나는 배터리 용량이고 다른 하나는 충전시간이다. 이 두 가지 요소는 서로 트레이드오프(tradeoff) 되는 관계를 갖는다. 이 두 요소 모두를 양보 없이 늘리기만 하면, 세 번째 변수 즉, 배터리 수명이 저하되는 문제가 생길 수 있다.

그런데, 기존에 주로 사용되고 있는 충전방법인 CC-CV 충전 알고리즘과 펄스 충전 알고리즘은 그 알고리즘에 따라 배터리를 충전할 경우 물질 스케일 차원에서 어떤 영향을 미치는지에 관해, 그리고 배터리의 전반적인 면에서 장기 효과가 어떠한지에 관한 이해가 부족하였다. 그 충전방법들은 배터리 폭발 내지 발화, 단시간 내에 배터리 용량의 급격한 감소 등의 문제와 관련이 있는 것으로 의심되고 있다.

그러므로 본 발명은 배터리에 관한 물질적 이해에 기반한 엔트로피 프로파일을 이용하여 배터리의 용량 감소를 최소화하면서도 충전 시간을 최소화할 수 있는 배터리 충전 방법을 제공하는 것을 목적으로 한다.

또한, 본 발명은 배터리의 안전을 보장하고, 배터리의 과노후화(over-aging)를 유발하지 않아 배터리 수명을 최대한 보장하면서도 신속한 충전을 가능하게 하는 배터리 충전 방법을 제공하는 것을 목적으로 한다.

본 발명은 또한, 특히 배터리를 저전압으로 충전하는 단계에서 충전 전류를 최적화하여 배터리의 성능 저하율을 증가시키지 않고 충전 시간을 줄일 수 있는 리튬-기반 배터리의 충전 방법을 제공하는 것을 목적으로 한다.

본 발명은 궁극적으로는, 배터리의 성능 저하를 유발하지 않고 충전 전류를 최대한 많이 증가시킬 수 있는 충전방법을 제공하는 것을 목적으로 한다.

위와 같은 목적을 달성하기 위한 본 발명의 일 측면에 따르면, 배터리의 열역학적 정보를 이용하여 그 배터리의 각 페이즈에 적응화된 최적의 충전 패턴을 적용하여 그 배터리를 충전할 수 있는 방법이 제공된다.

본 발명의 일 실시예에 따른 배터리 충전 방법에 따르면, 배터리의 물질 구조에 관한 열역학적 정보를 추출할 수 있다. 열역학적 정보사 추출되면, 그것을 이용하여 상기 배터리의 물질의 상태 변화가 일어나는 경계점들을 검출할 수 있다. 충전 과정에서 배터리 물질의 상태 변화 즉, 페이즈 천이가 발생할 수 있는데, 그 검출된 경계점들에 의거하여 배터리의 페이즈들을 특정할 수 있다. 그런 다음, 특정된 페이즈들 각각에 적응화된 최적 충전 패턴을 결정한다.

본 발명의 일 실시예에 따르면, 상기 배터리 충전 방법은, 정해진 최적 충전 패턴들을 조합하여 상기 배터리를 충전하기 위한 충전 알고리즘을 구성할 수 있다. 이에 의해, 본 발명의 배터리 충전 방법은 배터리의 물질의 상태별로 즉, 각 페이즈별로 최적의 충전 패턴을 적용하여 배터리를 충전할 수 있게 된다.

본 발명의 일 실시예에 따르면, 상기 충전 알고리즘은 (i) 집적 회로 시스템에 내장되는 프로그램, (ii) 범용 CPU 또는 MCU에서 구동되는 프로그램, (iii) 클라우드 시스템에서 구동되는 프로그램 형태, 그리고 (iv) 현장 프로그래머블 게이트 어레이 (field programmable gate array) 상의 로직 회로 중 적어도 어느 한 가지로 구현될 수 있다.

본 발명의 일 실시예에 따르면, 상기 열역학적 정보는 배터리의 충전상태(State of Charge: SoC)에 대한 엔트로피 프로파일 정보일 수 있다. 엔트로피 프로파일 정보를 사용하는 경우, 상기 페이즈들은 상기 엔트로피 프로파일의 그래프에서 변곡점들을 찾아서 그 변곡점들의 적어도 일부를 상기 경계점으로 하여 구분된 것인 것일 수 있다.

본 발명의 일 실시예에 따르면, 배터리의 충전상태(SoC)에 대한 엔트로피 프로파일 정보를 상기 열역학적 정보로서 추출하기 위하여, 기능적 상태가 동적으로 변하는 상태에 있는 배터리에 대해 상기 배터리의 온도를 측정함과 더불어 그 온도 측정 시점 근처에서 상기 배터리의 개방 전압(Open Circuit Voltage: OCV)을 추정할 수 있다. 나아가, 온도 측정값들과 OCV 추정값들에 기초하여 상기 배터리의 엔트로피 변화량을 추정할 수 있다. 더 나아가, 상기 배터리의 충전 상태(SoC)를 지속적으로 모니터링하면서 추정하여, 모니터링된 SoC 추정값이 미리 설정해둔 측정 기준값과 같은 때에, 상기 OCV를 추정하는 작업과 상기 엔트로피 변화량을 추정하는 작업을 수행하도록 제어할 수 있다.

본 발명의 일 실시예에 따른 배터리 충전 방법에 있어서, 상기 SoC 추정값은 소정의 배터리 온도와 상기 배터리의 OCV에 의거하여 상기 배터리의 잔류 전하량을 선형회귀분석으로 산출될 수 있다. 상기 SoC 추정값은 상기 배터리의 전류를 측정하고 이를 시간에 대해 적분하는 쿨롱 카운팅법으로 산출될 수도 있다. 또한, 상기 SoC 추정값은 칼만 필터링(Kalman filtering)을 이용하여 산출될 수도 있다.

본 발명의 일 실시예에 따른 배터리 충전 방법에 있어서, 상기 열역학적 정보는 상기 배터리에 관한 엔트로피, 엔탈피, 및 깁스 에너지에 관한 상태 함수들 중 어느 하나 또는 이들 3가지 상태 함수들의 임의의 조합으로부터 얻어질 수 있다.

본 발명의 일 실시예에 따른 배터리 충전 방법에 있어서, 상기 최적 충전 패턴은 각 페이즈에 관해 전압 튜닝을 통해 정해질 수 있다. 다른 실시예에 따르면, 상기 최적의 충전 패턴은 각 페이즈에 관해 전류 튜닝을 통해 정해질 수 있다.

본 발명의 일 실시예에 따른 배터리 충전 방법에 있어서, 상기 배터리는 리튬-기반 배터리일 수 있다.

본 발명의 일 실시예에 따른 상기 배터리 충전 방법은, 페이즈 천이의 발생 여부를 판단하기 위한 것으로서 측정 가능한 배터리 관련 소정의 물리량에 관한 문턱값을 각 페이즈별로 설정할 수 있다. 상기 배터리의 충전 과정에서, 상기 소정의 물리량을 주기적 또는 소정의 기준에 따라 측정하고, 상기 배터리에 관해 측정된 상기 소정의 물리량을 각 페이즈별로 설정된 문턱값과 비교하여 배터리의 현재 페이즈를 정할 수 있다. 그리고 그 정해진 현재 페이즈에 적응화된 최적 충전 패턴에 따라 상기 배터리를 충전할 수 있다.

한편, 본 발명의 다른 실시예에 따른 배터리의 최적 충전 방법이 제공된다. 그 최적 충전 방법에 따르면, 먼저 리튬-기반 배터리의 충전상태(State of Charge: SoC)에 대한 엔트로피 프로파일 정보를 추출한다. 추출된 엔트로피 프로파일 정보를 이용하여 상기 배터리의 물질의 상태 변화가 일어나는 경계점들을 검출하고, 그 검출된 경계점들에 의거하여 배터리의 페이즈들을 특정할 수 있다. 특정된 페이즈들 각각에 적응화된 최적 충전 패턴을 결정할 수 있다. 그리고 그 정해진 최적 충전 패턴들을 조합하여 상기 배터리를 충전하기 위한 충전 알고리즘을 구성할 수 있다.

상기 다른 실시예에 따른 배터리의 최적 충전 방법은, 상기 엔트로피 프로파일 정보를 추출하기 위하여, 기능적 상태가 동적으로 변하는 상태에 있는 배터리에 대해 상기 배터리의 온도를 측정함과 더불어 그 온도 측정 시점 근처에서 상기 배터리의 개방 전압(Open Circuit Voltage: OCV)을 추정할 수 있다. 온도 측정값들과 OCV 추정값들에 기초하여 상기 배터리의 엔트로피 변화량을 추정할 수 있다. 그리고 상기 배터리의 충전 상태(SoC)를 지속적으로 모니터링하면서 추정하여, 모니터링된 SoC 추정값이 미리 설정해둔 측정 기준값과 같은 때에, 상기 OCV를 추정하는 단계 및 상기 엔트로피 변화량을 추정하는 단계를 수행하도록 제어할 수 있다.

상기 다른 실시예에 따르면, 상기 최적 충전 패턴은 각 페이즈에 관해 전압 튜닝 및/또는 전류 튜닝을 통해 정해질 수 있다.

상기 다른 실시예에 따르면, 상기 페이즈들은 상기 엔트로피 프로파일의 그래프에서 변곡점들을 찾아서 그 변곡점들의 적어도 일부를 상기 경계점으로 하여 구분된 것인 것일 수 있다.

상기 다른 실시예에 따른 배터리의 최적 충전 방법은, 페이즈 천이의 발생 여부를 판단하기 위한 것으로서 측정 가능한 배터리 관련 소정의 물리량에 관한 문턱값을 각 페이즈별로 설정할 수 있다. 또한, 상기 배터리의 충전 과정에서 상기 소정의 물리량을 주기적 또는 소정의 기준에 따라 측정할 수 있다. 상기 배터리에 관해 측정된 상기 소정의 물리량을 각 페이즈별로 설정된 문턱값과 비교하여 배터리의 현재 페이즈를 정할 수 있다. 그리고 정해진 현재 페이즈에 적응화된 최적 충전 패턴에 따라 상기 배터리를 충전할 수 있다.

배터리는 그것의 충전 과정에서 내부 물질의 상태 변화(페이즈 천이)가 일어나고, 각 페이즈별로 그것에 적응화된 최적의 충전 패턴이 있다. 본 발명에 따라 정해지는 배터리 충전 알고리즘을 적용하면, 그 배터리의 페이즈 천이과정에서 각 페이즈 별로 최적의 충전 패턴으로 충전할 수 있다. 그에 따라 해당 페이즈에서 충전으로 인한 배터리 용량 감소는 최소화 할 수 있음과 동시에, 가장 빠른 속도로 충전할 수 있다. 그 배터리를 만충하기까지의 과정에서 변화되는 각 페이즈마다 이런 방식으로 충전함으로써, 배터리 충전 시간을 최대한 단축시킬 수 있고, 뿐만 아니라 배터리 용량 감소를 최소화할 수 있다. 배터리의 수명을 최대한 늘릴 수 있게 된다.

본 발명에 따른 충전 방법에 따르면, 응용예의 요구에 맞게 배터리 충전 시간의 단축과 배터리 용량 감소 간의 트레이드 오프를 최적화 할 수도 있다.

또한, 과충전에 따른 배터리의 폭발이나 발화와 같은 안전 사고 발생의 위험도 사전에 예방할 수 있다.

도 1은 CC-CV 충전 알고리즘을 나타낸 그래프이고,
도 2는 배터리의 페이즈와 CC-CV 충전 알고리즘의 상관관계를 나타내는 그래프이며,
도 3은 본 발명의 바람직한 실시예에 따른 엔트로피 프로파일 기반 배터리 충전 방법의 개략적인 절차를 개략적으로 나타낸 순서도이고,
도 4는 본 발명의 바람직한 일 실시예에 따른 배터리의 엔트로피 프로파일 추출 방법의 개략적인 절차를 개략적으로 나타낸 순서도이고,
도 5는 본 발명의 방법을 실행하기 위한 BMS의 일예를 도시하며,
도 6은 본 발명의 방법을 실행하기 위한 BMS의 다른 예를 도시하며,
도 7은 원격지의 클라우드 시스템에 하여 본 발명의 방법을 실행하기 위한 BMS의 또 다른 예를 도시하며,
도 8은 Li-Ion 배터리 셀의 데이터 쉬트에서 제공되는 배터리의 용량(Capacity)과 OCV의 관계를 나타내는 특성 곡선의 일예이고,
도 9는 서로 다른 방전 전류값 별로 배터리 전압을 배터리 SoC의 함수로서 예시적으로 나타낸 그래프이고,
도 10은 기전력을 발생시키는 전압 발생기와 내부 저항으로 구성된 형태로 모델링된 배터리의 등가회로도이고,
도 11은 배터리 충전 전류의 크기에 따른 배터리 용량 손실의 정도를 예시적으로 나타내는 그래프이고,
도 12는 본 발명의 일예에 따라서 특정 배터리의 엔트로피 프로파일에 기반하여 페이즈를 정하고, 각 페이즈별로 최적의 충전모드를 정하는 방법을 설명하기 위한 예시적인 그래프이며,
도 13은 도 12와 동일한 엔트로피 프로파일과 페이즈 세트에 대하여, 각 페이즈별로 다른 최적의 충전모드를 정하는 방법을 설명하기 위한 예시적인 그래프이다.

본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 된다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위로부터 이탈되지 않은 채 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

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 의미이다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미인 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하에서는 첨부한 도면을 참조하면서 본 발명을 용이하게 실시할 수 있도록 구체적으로 설명한다.

(1) 용어의 정의: 우선 본 발명의 구체적인 설명에 앞서, 본 발명에서 사용하는 주요 용어들의 의미를 간략하게 설명한다.

- 개로전압(open circuit voltage: OCV): 전지에 부하기 걸려 있지 않을 때, 즉 외부에 전류를 방출하고 있지 않을 때의 양과 음의 두 전극간의 전압. 개로 전압의 최대값은 이론상 그 전지의 기전력의 값과 동등해진다.

- (전기) 셀: 전기 에너지로(대개 직류 전류의 형태로) 전환될 수 있는 화학 에너지를 저장하는 장치.

- 배터리: 셀 하나 또는 셀 집단을 내포하는 전기에너지 저장 장치.

- 배터리 충전 상태(State of Charge: SoC): 충전 상태를 의미하며, 배터리의 연료 게이지와 등가적이다. 이것의 단위는 퍼센티지 포인트이다 (0% = 완전 고갈(empty); 100% = 만충(full)). SoC는 주로 사용 중인 배터리의 현재 충전 상태를 나타낼 때 사용된다.

- 배터리 건강 상태(State of health: SOH): 배터리의 이상적인 조건에 비해 배터리(또는 셀, 또는 배터리 팩)의 조건의 성능지수(figure of merit)이다. 단위는 퍼센트 포인트이다(100%=배터리의 조건들이 배터리의 사양에 부합함). 통상적으로, 배터리는 제조 시에 SOH가 100%일 것이고, 시간 경과 및 사용에 따라 SOH 값은 감소할 것이다. 그렇지만, 제조 시의 배터리의 성능은 그것의 사양을 만족시키지 못할 수도 있고, 그 경우에는 그것의 초기 SOH는 100%보다 작을 것이다.

- 배터리 안전 상태 (State of Safety: SOS): 주어진 SoC 및 SOS에서 배터리가 위험하게 행동할 즉, 갑자기 연소하고나 대개는 폭발하는 등의 행동을 할 확률을 나타낸다.

- 배터리 관리 시스템(Battery Management System: BMS): 재충전 가능 배터리(셀 또는 배터리 팩)를 관리하는 전자 시스템으로서, 배터리가 안전 운영 영역 밖에서 운영되지 않도록 보호하고, 배터리의 상태를 모니터링 하며, 2차 데이터를 계산하고, 그 데이터를 보고하며, 그것의 환경을 제어하며, 배터리를 인증 및/또는 밸런싱하는 등의 관리 작업들(이런 작업에만 국한되는 것은 아님)을 수행한다.

- 엔탈피(Enthalpy): 시스템의 전체 열량과 등가적인 양으로서, 그 시스템의 내부 에너지와, 압력과 부피의 곱을 합한 값과 같다. 시스템의 엔탈피 변화는 특정 화학적 프로세스와 연관되어 있다.

- 엔트로피: 기계적인 일로 전환하는 데 유용하지 않은 시스템의 열에너지를 나타내는 열역학적 양(상태 함수)으로서, 종종 그 시스템의 무질서도 또는 임의성의 정도로 해석된다.

- 배터리 사이클: 방전과 충전으로 이루어지는 배터리 생명의 일부분

- 리튬-기반 배터리(Li-based battery): 두 개의 산화 환원 커플(RedOx couples) 중 하나가 리튬-기반 배터리로 여겨지므로, 모든 화학적 특성이 리튬에 의존하는 모든 종류의 배터리. 예로는 Li-Ion, Li-Po, Li-Mn, Li-Al 등의 배터리를 생각해볼 수 있을 것이다.

- (물질) 페이즈((Material) Phase): 물리학에서, 페이즈는 공간(열역학계)의 한 영역으로서, 그 공간의 도처에서 물질의 모든 물리적 특성들은 본질적으로 균일하다. 물리적 특성의 예로는 밀도, 굴절률, 자화 및 화학 성분을 들 수 있다. 그렇지만, 용어 '페이즈'는 본 발명에서는 페이즈 다이어그램상의 페이즈 경계에 의해 압력 및 온도와 같은 상태 변수들의 경계가 나뉘어지는 평형 상태 집합을 가리킨다. 페이즈 경계들은, 액체에서 고체로의 변화 또는 하나의 결정 구조에서 다른 결정 구조로의 더 미묘한 변화와 같이, 물질의 조직(organization of matter)의 변화에 관련된 것이기 때문에, 이런 의미로서의 사용은 "페이즈"를 물질의 상태에 관한 동의어로서 사용하는 것과 비슷하다.

(2) 충전 시간

오늘날 배터리 산업의 주된 트렌드 중 하나는 어떤 비용을 들여서라도 배터리의 충전 시간을 줄이는 것이다. 충전기들은 배터리를 더 빨리 충전하기 위해 더 많은 전류를 제공한다. 급속 충전을 위한 새로운 표준도 만들어졌다. 그렇지만, 리튬-이온 배터리들은 과전류에 매우 민감하고, 특히 충전 과정에서는 과전류에 민감하다. 그러므로 그런 배터리들은 매우 조심스럽게 다룰 필요가 있다. 그렇지 않으면, 그 배터리들은 위험하게 작동할 수도 있고, 시간이 흐름에 따라 충전 용량이 줄어들 수도 있다.

리튬-기반 배터리를 충전하기 위해 현재까지 제안된 주요 충전 알고리즘들은 정전류(constant current: CC)-정전압(constant voltage: CV) 충전 알고리즘과 펄스 충전 알고리즘에 기반을 두고 있다. 도 1에는 CC-CV 충전 알고리즘을 SoC와 전류값의 관계로 나타낸 그래프이다. CC-CV 충전 알고리즘은, 배터리가 충전 전하를 방전하여 비었을 때는 정전류(CC)로 충전하고, 이에 의해 배터리 충전전압이 최대 충전전압까지 상승하면 그 때부터는 만충될 때까지 정전압(CV)으로 충전하는 방식이다. 즉, 리튬 배터리가 거의 방전되어 있을 때에는 '정전류(CC)'를 흘려 충전시킨다. 이 때, 충전 전류는 배터리가 수용할 수 있는 최대 충전전류보다 낮아야 한다. CC 충전을 통해 배터리 전압은 서서히 상승하며, 배터리 전압이 최대 충전 전압에 도달하였을 때, 충전 전압은 '정전압(CV)'으로 고정하여 충전하고, 배터리가 만충되었을 때 충전이 중단된다. 펄스 충전 알고리즘은 펄스 형태의 충전전류를 배터리에 인가하여 충전하는 방식이다. 단위 시간(예: 1초)당 펄스들의 폭을 가변시킴으로써 충전 속도를 정확하게 제어할 수 있다. 충전 과정에서, 펄스와 펄스 간의 예컨대 20-30 밀리 초의 짧은 휴지기간(rest periods) 동안에 일어나 충전을 다시 시작하기 전에 전극을 통해 반응을 평형화하여 배터리 안에서 화학적 행동들이 안정적이게 한다.

그런데, CC-CV 충전 알고리즘과 펄스 충전 알고리즘은 기존의 지배적인 기술들인 Ni-Cd 배터리 기술 및 Ni-MH 배터리 기술을 위해 개발되어 왔었고, 리튬 기반 배터리에 적합하도록 수정되긴 하였지만, 기본적으로는 리튬 기반 배터리 기술들을 적절하게 다루는 방법을 알지 못했다. 이 점에 관한 주된 이슈는 물질 스케일 차원에서 그 충전 방법이 어떤 영향을 미치는지에 관한 이해, 그리고 배터리의 전반적인 면에서 장기 효과가 어떠한지에 관한 이해가 부족하다는 것이다. 이는, 극단적인 경우에 배터리가 폭발하거나 또는 발화하는 경향성, 또는 배터리 용량이 짧은 시간 동안에 상당한 손실이 발생하는 등의 문제들이 여전히 해결되지 못하고 있는 것과 관련되어 있다.

그러므로 사용자 안전과 배터리 수명 모두를 최대한 보호할 수 있는 가장 빠른 충전 프로세서를 제공하기 위하여, 배터리에 관한 물질적 이해에 기초한 충전 방법이 요구된다.

(3) 배터리 용량

배터리 용량은 배터리 셀 또는 팩이 만충 상태에서 완전 방전 상태까지 가는 동안에 그 배터리 셀 또는 팩으로부터 얻어낼 수 있는 에너지 량이다. 배터리 용량은 보통 밀리-암페어-아우어(milli-ampere-hour (mA.h), 암페어-아우어(ampere-hour (A.h) 또는 킬로-왓트-아우어(kilo-watt-hour) 등으로 표시된다. mA.h는 1시간 동안 mA의 전류를 이송하는 배터리의 능력을 나타낸다. 따라서 XmA.h 용량은 배터리가 만충 상태에서 완전 방전 상태로 가면서 1시간 동안 XmA의 전류를 흐르게 할 수 있는 능력을 말한다. 이와 비슷하게, watt.hour는 1시간 동안 1W의 파워를 나르는 배터리의 용량이다. 그 변환은 평형 방정식 'Wh=mAh×V1000'을 통하면 꽤 간단하게 처리될 수 있다.

배터리 용량은 통상적으로는 배터리의 성능 저하(degradation) 내지 파괴가 일어나는 경계점을 규정하는 OCV의 두 극단 값(extreme values) 사이에서 계산된다. 그렇지만 CC-CV 알고리즘의 저전류 충전 방식(low current charging scheme) 때문에, SoC의 초기 10%가 충전되기 위해서는 꼬박 1시간 이상을 필요로 한다.

이런 이유로 소비자 가전제품 회사들 대부분은 최소 전압을 예컨대 3V (이전의 2.7-2.8V를 대신하여)까지 높였고, 이를 통해 배터리 용량은 10% 내지 20% 정도 줄어들었다. 배터리 전압의 상승은 배터리 방전 전류의 감소로 연결되고, 방전 전류의 감소에 의해 배터리 용량도 감소한다. 하지만, 배터리 전압의 상승에 의해, 저전류 충전 단계(LC charging phase)를 피할 수 있고 따라서 충전 시간을 줄일 수 있었다.

이 같은 상황은, 사용자 경험을 개선하고자 하는 회사들의 바램에서 유래된 것이지만, 배터리 용량 및 배터리 수명의 감소로 귀결되었고, 그로 인해 배터리에 연결된 기기들의 자율성(autonomy, 전원독립성)의 감소를 초래하였다. 따라서 배터리의 체적이 피크(peak)ic에 도달하였고 안정화된 것으로 보임에 따라, 많은 회사들은 더 높은 밀도를 갖는 배터리를 찾고 있는 중이다. 대부분의 경우 이 체적은 기기들의 화면 사이즈에 의해 규정된다. 그러므로 어떤 해법이 배터리 셀 체적에 영향을 주지 않으면서, 리튬-기반 배터리의 최초 10-20%를 더 빨리 충전할 수 있게 해주는 것이라면, 그 해법은 그 배터리 셀의 가용 용량을 증가시킬 것이다. 예컨대 스마트폰 등 배터리 구동 휴대용 전자기기 제조사들은 리튬-기반 배터리의 방전이 SoC의 10-20%수준 이하로 내려가는 것을 허용하지 않는다. 왜냐하면 SoC의 10-20% 이하로 방전된 배터리는 저전류(Low Current: LC) 모드로 충전해야 하고, 이로 인해 다시 그 10-20% 이상의 SoC 수준으로 끌어올려 CC 충전 모드로 진입하는 데 드는 충전 시간이 너무 많이 걸리기 때문이다. 사용자들은 자신의 전자기기를 많이 기다리지 않고 빨리 충전하여 사용할 수 있기를 원한다. 이런 사용자 요구 때문에, 대부분의 배터리 구동 휴대용 전자기기들은 배터리 용량의 감소에도 불구하고 LC 모드부터가 아닌 CC 모드부터 충전을 시작하도록 설계되어 있다. 그러므로 LC 모드 충전 시간을 줄일 수 있는 기술이 있다면, 배터리의 용량 전체를 사용할 수 있게 되므로 배터리 그 자체를 변경하지 않아도 배터리의 가용용량을 증가시킬 수 있다. 이는 원격의 인프라 구조의 지원 없이 자체 파워로 기능할 수 있는 오프-그리드 시스템(off-grid systems)에 대해서는 엄청난 이익이 될 수 있다.

(4) 배터리 수명

배터리 수명을 논의하기 위해서는, 배터리 용량 손실을 먼저 정의할 필요가 있다. 어떤 배터리도 계속된 사용에 따라 그리고 시간 경과에 따라 그것의 성능이 떨어지는 것을 경험하게 된다. 이 성능 저하는 대개 배터리의 만충 용량에 영향을 주어, 시간이 지남에 따라 만충 용량은 감소한다. 그 성능 저하는 여러 가지 다른 방식으로 표현될 수 있는데, 그 중 한 가지는 SoH이고, 다른 한 가지는 예를 들면 용량 손실이다. 그 두 가지 경우에 있어서 성능 저하의 정도는 원래의 최대 용량과 실제의 최대 용량 간의 비교로 표현된다. 그와 같은 접근법에 따르면, 그 비교를 위해 원래의 용량에서 손실이 발생된 양 내지 비율, 또는 남은 양 내지 비율, 또는 그들 간의 차이의 크기를 계산할 수도 있다.

배터리 수명을 정의하는 것은 까다로운 일로서, 배터리 수명은 배터리 그 자체에 관한 것뿐만 아니라, 배터리가 전기를 공급하고 있는 애플리케이션이나 시스템에 따라 상대적일 수 있다. 예를 들어 스마트폰의 경우, 사용자는 통상적으로 배터리 용량이 최초 용량에 비해 75% 이하로 떨어지면 배터리를 교체할 것이지만, 랩탑 컴퓨터의 경우 일부 사용자들은 배터리 용량이 최초 용량에 비해 80% 이상 감소된 배터리를 계속 사용하는 사례도 있다. 어떤 경우이든, 배터리 수명은 배터리가 더 이상 시스템 사양을 만족하지 못하는 것으로 판단될 때까지의 예상되는 충방전 회수 또는 동작 기간에 의해 결정된다. 그러므로 수명은 배터리 성능 저하율(battery degradation rate)과 시스템 요구사항들의 함수로 볼 수 있다.

일반적으로, 배터리가 빠르게 충전될 때, 또는 과충전 될 때(예를 들어 4.3V 삼성 배터리), 용량 손실률은 증가한다. 그러므로 배터리를 빠르게 충전하는 (그리고 때로는 높은 전압까지) 충전 방법은 배터리 성능 저하를 증가시킬 것이고, 따라서 이미 줄어든 배터리 용량을 감소시킨다. 그러므로 우수한 충전 방법은 배터리의 과노후화(over-aging)를 유발하지 않으면서 신속한 충전을 제공하여야 한다.

(5) 본 발명이 제안하는 해법

본 발명이 추구하는 것 중의 하나는 배터리의 성능 저하율을 증가시키지 않고 충전 시간을 줄일 수 있는 배터리 충전방법을 제안하는 것이다. 특히, 배터리를 저전압으로 충전하는 단계에서 충전 전류를 최적화하여 충전 시간을 줄일 수 있는 리튬-기반 배터리의 충전 방법을 제공하는 것을 목적으로 한다. 궁극적으로는, 배터리의 잘못된 충전 방법에 따른 성능 저하 또는 안전사고를 유발하지 않고 충전 전류를 최대한 많이 증가시킬 수 있는 충전방법을 제공하는 것을 목적으로 한다.

이는 단순히 셀 전압과 온도를 측정하는 것에 의한 것이 아니라, 물질의 상태와 그 물질의 조직화 정도(즉, 엔트로피)를 고려하는 것에 의해 가능하다.

본 발명은 특히 충전 알고리즘에 있어서 저전압(2.9V에서 3.15V 이하)으로 충전하는 LC 모드 충전에 의미가 있다.

먼저, 본 발명의 기본 원리를 설명한다.

현재의 CC-CV 충전 알고리즘들에 있어서, 최대 충전 전류는 정전류 충전 단계(CC phase) 동안 배터리 SoC의 10%부터 70-90% 사이에서 정의된다( 소스, 제조사, 그리고 기술 등에 따라 달라진다). 그 최대 충전 전류는 배터리의 수명이 현저하게 저하될 때까지 그 배터리를 충전하기 위해 사용할 수 있는 전류의 최대값으로 정의된다. 이 값은 배터리 제조사가 충전 속도, 배터리 수명, 제품 보증(guarantee) 및 배터리 시장 등간에 균형을 잡아주는 식에 따라 정의된다. 따라서 그것은 충분히 과학적으로 정의되는 값이 아니다. 하지만, 그것은 일반적으로는 1C에서 정의된다.

배터리에서의 전류 효과는, 물질 레벨에서, 다음 두 가지 요소를 고려함으로써 대부분 이해될 수 있다. 한 가지는 물질 파괴전압 값(material breakdown voltage value)이고, 다른 한 가지는 배터리 노후화 과정에 대한 온도 효과이다.

이 두 가지 값은 물질 레벨에서 물질의 조성에 의해 그리고 그 물질의 분자/원자 구조에 의해 정해진다. 그러므로 배터리가 외부와 화학적 교환 없는 닫힌 계(a closed system)인 점을 고려하면, 배터리의 화학적 조성은 반응식들에 의해 정의된다. 마찬가지로, 열역학적 조건들은 이들 구성 성분들의 물질 구조를 정의할 것이다.

배터리에서 온도 상승은 다음 3가지 효과에 의해 야기된다. 외부와의 열교환 (예를 들어 스마트폰의 경우, 이 효과는 어떤 경우에는 지배적인 효과일 수 있음), 반응의 엔트로피, 그리고 내부 저항에 의한 주울 효과가 바로 그것이다. 외부와의 열 교환은 배터리를 사용하는 시스템의 설계자들이 해결해야 하는 과제이므로, 본 발명에서는 다루지 않는다. 비슷하게, 반응의 엔트로피는 반응의 본질에 관계된 파라미터이고, 충전 알고리즘에 의해 영향을 받을 수 없으므로, 이것 또한 본 발명이 해결해야 할 목표는 아니다.

여러 가지 연구에 따르면, 배터리 온도에 영향을 주는 주율 효과를 나타내는 결정체의 저항값은 그 결정체의 구조에 달려있고, 리튬 기반 배터리에서는 충/방전 과정 동안 진화하는(evolved) 리튬의 구조에 달려있다는 점이 입증되었다. 여기서는 SoC에 따라 함께 변동하는 배터리 저항에 관한 설명은 생략한다. 어떤 임의의 순간에 리튬의 현재의 결정 구조를 앎으로써, 배터리의 온도 상승에 영향을 주는 주울 효과를 알 수 있고, 그에 따라 충전 시간을 줄이기 위해 충전 전류를 가능한 한 높게 유지하면서 그 충전 전류가 파괴 전압과 과열 프로세스 사이에서 최적점에 이르도록 적절히 조절할 수 있을 것이다.

미국특허번호 USP 8,446,127 B2, 미국 특허출원공개번호 US2013/0322488 A1에 따르면, 배터리 내의 리튬의 결정 구조를 결정하는 비파괴적인 방법이 개시되어 있다. 이들 선행 특허자료에 기술되어 있는 비파괴적인 결정 구조 결정 방법은 본 발명의 일부로서 포함하고자 한다.

배터리의 엔트로피와 엔탈피의 열역학적 측정에 의해, 리튬-기반 배터리에서 충전 또는 방전 과정을 따라가면서 일어나는 페이즈 천이(phase transitions)를 결정할 수 있다. 결과적으로, 배터리에 관한 그간의 연구에 의해, 페이즈 그 자체(phases themselves)를 결정할 수 있다.

도 2는 CC-CV 충전 알고리즘과 페이즈들 간의 상관관계를 예시적으로 보여준다. 즉, 엔트로피 및 엔탈피와 SoC 간의 관계를 나타내는 그래프로서, 엔트로피-엔탈피 커플에 대한 페이즈 천이를 보여준다. 도 2에 도시된 것처럼, 페이즈 천이들(transitions of phases)과 페이즈들의 문턱값들(thresholds of phases) 간의 매칭에 주목하는 것은 정말로 흥미롭다. 이 페이즈 천이들은 OCV를 통해 관찰될 수 있다. 도 2의 그래프에서, A1, A2는 배터리의 음극 측에서 일어나는 페이즈 천이를 나타내고, C1-C5는 배터리의 양극 측에서 일어나는 페이즈 천이를 나타낸다. 이 페이즈 천이들은 충전 알고리즘 천이들이 왜 이와 같은 OCV의 값들에서 일어나는지에 관한 이유라고 쉽게 판단할 수 있을 것이다. 그렇지만 분명히 많은 다른 페이즈들은 젖혀두고 있는바, 이는 다른 페이즈 천이들은 무시되고 있음을 의미한다.

종래에는, OCV로부터 3가지 페이즈를 알 수 있었고, 그러므로 각 페이즈에 대응하여 LC 충전 알고리즘, CC 충전 알고리즘, 그리고 CV 충전 알고리즘을 각각 적용하였다. 다른 페이즈 천이는 무시되었다. 왜냐하면 엔트로피 프로파일이 측정되기 전에는 그 페이즈 천이들을 알 수 없기 때문이다. 그러나 배터리의 엔트로피로부터는 7가지의 페이즈를 알 수 있으므로, 그에 적합한 새로운 충전 방법이 제시될 필요가 있다. CC-CV 충전 알고리즘에서 그 문턱값을 정확하게 결정하는 임계치를 정할 수 있다. 따라서 다른 페이즈 천이들을 무시하거나 고려하는 것에 의해 배터리 수명에 관한 비슷한 영향을 예상할 수 있다. 이전의 연구와 보고된 사고에 관한 공학적 분석으로부터, LC에서 CC로의 페이즈 천이와 CC에서 CV로의 페이즈 천이가 일어나는 지점을 놓치는 것은 배터리 수명을 매우 강하게 떨어뜨릴 수 있으며, 경우에 따라서는 직접적으로 폭발로 이어질 수도 있다. 그러므로 다른 페이즈들도 중요하며 그 다른 페이즈들을 고려하는 것은 배터리의 수명을 상당히 연장시키고 폭발의 가능성은 크게 낮출 수 있는 것으로 추정할 수 있다.

따라서 본 발명은 열역학에 기반한 새로운 충전 알고리즘에 따른 방법을 제안하고자 한다. 배터리의 열역학적 엔트로피 프로파일에 의거하여 배터리의 주요 페이즈를 특정하고, 각 페이즈별로 가장 적합한 충전 알고리즘을 찾아내어 각 페이즈별로 최적화된 충전 모드를 적용한다. 각 페이즈별 최적화된 충전 모드는 충전 속도, 배터리 용량 감소 방지, 배터리 안전 등에 관한 요구 조건에 따라, 그리고 각 요구 조건의 정도에 따라 다르게 정해질 수도 있다.

본 발명은 또한, 배터리의 열역학적 엔트로피 프로파일에 기반하여 배터리의 주요 페이즈들을 특정하고, 각 페이즈별로 배터리를 가장 빠르게 그리고 충전에 따른 배터리 손상을 최소화하면서 가장 안전하게 충전할 수 있는 최적의 충전 방법을 제안하다.

이는 배터리의 엔트로피/엔탈피/깁스 에너지의 열역학적 프로파일에 의거하여 (페이즈 천이) 배터리의 주요한 페이즈(또는 상태)들이 특정되고, 문턱값들의 개수 및 각 문턱값에 연관된 전류값을 결정하는 것을 통해 최적의 충전 방법을 도출할 수 있다.

도 3에는 본 발명에 따른 배터리의 열역학적 프로파일에 기반한 최적 충전 방법을 도출하기 위한 절차가 도시되어 있다. 본 발명에 따른 배터리의 최적 충전 방법은 구체적으로 다음과 같은 단계들을 적용하는 것을 통해 얻어질 수 있다.

(A) 단계 1: 배터리의 열역학적 엔트로피 프로파일의 추출(S10 단계)

먼저, 배터리의 물질 구조에 관한 열역학적 정보를 열역학적 측정을 통해 추출한다. 그 열역학적 정보는 배터리에 관한 엔트로피, 엔탈피, 및 깁스 에너지에 관한 상태 함수들 중 어느 하나 또는 이들 3가지 상태 함수들의 임의의 조합으로부터 얻을 수 있다. 그 열역학적 정보의 대표적인 예는 배터리의 충전상태(State of Charge: SoC)에 대한 엔트로피 프로파일 정보일 수 있다.

배터리들은 종류에 따라 최적의 충전 패턴이 다를 수 있다. 같은 종류의 배터리들이라 하더라도 그것들의 사용에 따른 에이징 상태가 다를 수 있고, 그에 가장 적합한 충전 패턴도 다를 수 있다. 본 발명은 고려하는 특정 배터리에 가장 적합한 충전 패턴을 정하기 위해, 우선 그 배터리 셀(들)의 열역학적 엔트로피 프로파일을 추출해낸다. 엔트로피 프로파일은 그 특정 배터리로부터 직접 추출될 수 있다. 추출된 엔트로피 프로파일들로부터, 페이즈들을 특정하고 그 특정된 페이즈들 각각에 대하여 가장 적합한 충전 패턴을 찾아내는 것을 통해 그 특정 배터리의 최적의 충전 방법을 알아낸다.(이에 관한 자세한 사항은 후술함)

배터리의 엔트로피 프로파일은 열역학적 방법을 이용하여 추출할 수 있다. 이용할 수 있는 열역학적 방법은 예컨대 전기화학적 열역학적 측정(electrochemical thermodynamics measurements: ETMs)에 기반한 방법이거나 또는 다른 열역학적 방법일 수 있다. 예컨대, 야자미 등에 의해 허여된 미국 특허번호 제 8,446,127 B2 또는 미국 특허출원 공개번호 제2013/0322488 A1는 배터리의 엔트로피 프로파일을 열역학적인 방법으로 추출하는 것을 개시하고 있다. 이 야자미 특허에서 개시된 엔트로피 프로파일 추출 방법들의 개념은 본 발명의 일부로서 사용될 수 있다. 이들 특허 문헌을 참조하는 것을 통해 그 특허 문헌에 기재된 엔트로피 프로파일 추출 방법 관련 사항을 본 발명의 일부로서 본 명세서에 통합하고자 한다. 야자미가 제안하는 방법은 비파괴적으로 배터리의 엔트로피 프로파일을 추출할 수 있는 기본 개념을 제공하는 측면에서는 참고할 만하다. 야자미 특허는 배터리의 충전과정에서, '배터리 온도의 측정과 그 온도에서의 SoC 및 OCV의 산출(단계 1) --> SoC의 설정값(예컨대 5%의 SoC)만큼 충전되면 배터리 내부에서 화학적 이완(chemical relaxation)에 도달할 때까지 대기(단계 2) 후 다시 단계 1을 수행'하는 것을, 배터리가 만충될 때까지 반복하는 정적인 측정방법이다. 그런데, 이 방법은 배터리를 한 번 만충하는 데 적어도 20-40시간 정도를 필요로 하는 단점을 갖는다.

본 발명자는 이의 개선책으로서, 전기화학 및 열역학(electrochemical thermodynamics measurements: ETMs) 기반의 동적인 엔트로피 측정법을 제안한다. 리튬-이온 배터리를 예로 하여 이 방법을 설명하면 다음과 같다.

전기화학적 열역학적 측정에 기반하여, 리튬-이온 배터리의 내부 상태를 비파괴적인 방식으로 파악할 수 있다. 또한, 배터리의 충전 상태(SoC), 건강 상태(SOH), 그리고 안전 상태(SOS)와 같은 파라미터들을 계산하여, 배터리의 양극과 음극 물질을 분석할 수 있다. 이를 위한 방법은, SoC의 여러 가지 다른 값에서, 배터리의 개로전압(OCV)(E₀)의 점진적 변화(evolution)를 배터리 셀 온도(T)와 함께 모니터링 하는 방식이다. OCV는 Li_xC₆와 Li_1-xCoO₂ 각각에서 배터리의 양극과 음극에서의 리튬의 화학량론(stoichiometry)(x)에 대응한다. 엔트로피[ΔS(x)]와 엔탈피[ΔH(x)] 상태 함수들은 다음과 같은 일반적인 열역학 법칙들로부터 계산될 수 있다.

위 식들에서, G는 깁스 자유 에너지(Gibbs free energy)를 나타내며, n은 통상적인 기본 반응에서 전자들의 교환량을 나타내며, F는 패러데이 상수이다.

위 식들에서 엔트로피[ΔS(x)]와 엔탈피[ΔH(x)]는 배터리의 규정된 충전상태(x)에서 측정될 수 있으므로, 엔트로피[ΔS(x)]와 엔탈피[ΔH(x)]는 충전상태(x)에 대한 배터리 시스템의 전체 엔트로피의 국지적 기울기와, 그 전체 엔탈피 변화로 각각 정의될 수 있다. 따라서 엔트로피[ΔS(x)]와 엔탈피[ΔH(x)]를 정하기 위한 기준 상태의 필요성은 없다.

식 (1)로부터, 엔트로피는 두 측정 지점간의 온도 차이 및 OCV 차이와 이를 링크시켜주는 상수 계수에 따라 정해진다. 달리 말하면, 엔트로피는 주어진 SoC에 관한 고정값을 나타내며, OCV와 온도 간의 관계는 선형적이다. (이에 관한 구체적인 사항은 아래 식 (5)와 그에 관한 설명 참조)

전기화학 및 열역학 기반의 동적인 엔트로피 측정법은, 어떠한 외부에서의 냉각 제어방법에 의존하지 않고, 부하에 연결되어 작동하고 있는 배터리를 그대로 유지하면서, 엔트로피를 산출하는 방법을 제안한다. 도 4는 본 발명이 제안하는 엔트로피 추출 방법의 알고리즘을 나타내는 흐름도이다. 이 알고리즘은 배터리 관리 시스템(Battery Management System: BMS)의 기능의 일부로 구현될 수 있다.

임의의 기능적 상태에 있는 충전가능형 배터리에 대하여, BMS는 그 배터리가 안전 운용 영역(safe operation area) 밖에서 운용되는 것을 방지하고, 배터리의 상태를 모니터링 하며, 2차적인 데이터를 계산하고, 그 데이터를 보고하며, 배터리의 환경을 제어하고, 배터리의 인증 등을 수함으로써 필요한 사항을 체크하면서 관리를 해나간다.

BMS는, 예컨대 도 5에 예시되어 있듯이, 프로그램의 실행을 통해 필요한 연산 및 제어를 수행하고 데이터 등을 저장하는 마이크로콘트롤러(110)(또는 CPU 및 메모리)를, 배터리에 연결되어 필요한 신호를 획득하여 마이크로콘트롤러로 제공하는 프로브(120)와 배터리 전원으로 동작해야 하는 장비들에서 최소한의 전력으로 구동하도록 제어하는 파워 IC(130) 등과 함께 회로기판 상에 장착한 회로기판의 형태의 BMS(100)일 수 있다. 또한, 도 6에 예시되어 있는 것처럼, 마이크로콘트롤러(110)와 등가적인 기능을 갖는 로직 제어기(210) 및 메모리(220), 파워 IC(130)와 등가적인 기능을 갖는 파워 스위치(230) 및 파워 구동부(240)(이는 로직 제어기(210)의 제어에 따라 파워 스위치(230)를 구동함), 그리고 프로브(250) 등으로 구현된 집적회로 형태의 BMS(200)일 수 있다. BMS 기능은 클라우드 시스템과 연계하여 작용할 수도 있다. 즉, 이를 위한 BMS 장치는, 도 7에 예시된 것처럼, 네트워크를 통해 원격에 있는 클라우드 시스템(310)과 통신하기 위한 네트워크 인터페이스(320), 그리고 위에서 언급한 파워 스위치(330)와 파워 구동부(340), 그리고 프로브(350) 등을 포함할 수 있다.

이처럼 엔트로피 프로파일 추출을 위한 BMS의 하드웨어적 구성 형태는 다양할 수 있다. 어떤 형태의 BMS든 그것이 프로그램의 실행을 통해, 필요한 연산과 제어를 수행하고, 데이터를 저장하는 등의 작업을 수행할 수 있는 것이라면, 배터리와 연결되어, 이하에서 설명하는 기능을 수행할 수 있다.

본 발명에 따른 엔트로피 추출 방법은 배터리가 충전 중이거나 또는 방전 중인 동안에 실행될 수 있다. 배터리가 충전 또는 방전됨에 따라 SoC 값이 변하게 된다. 즉, 배터리는 동적으로 상태 변화를 하는 중일 수 있다. 배터리의 엔트로피 추출 주기를 SoC 값의 변화량을 기준으로 설정할 수 있다. 예컨대, SoC 값이 만충 상태의 SoC를 기준으로 5% 변할 때마다 이하의 온도 및 OCV 측정을 통한 엔트로피의 추정을 수행하는 루프를 실행하도록 설정할 수 있다. 이 설정값 즉, SoC 추정 주기는 시스템의 필요에 따라 다양한 값, 예컨대 1%, 3% 또는 8% 등과 같이 다른 값으로 설정될 수 있음은 물론이다.

본 발명에 따라 BMS가 배터리의 엔트로피를 추출하는 알고리즘은 다음과 같다. 배터리가 충전되거나 방전되는 과정에서 BMS는 그 배터리의 충전의 정도 즉, SoC를 계속 측정하면서 SoC의 변화를 모니터링 한다(S30 단계). SoC는 보통 직접적으로 측정하는 것이 어렵기 때문에 간접적인 방법에 의해 측정할 수 있다.

SoC 측정을 위한 한 가지 방법은 배터리의 OCV와 온도에 의거하여 선형회귀법으로 추정하는 것이다. 배터리의 전압은 온도에도 영향을 받으므로, 배터리의 전압과 온도를 함께 참조하여 SoC를 연산할 수 있다. 구체적으로, 배터리 제조자는 각 배터리별로 그 배터리의 특성을 나타내는 데이터 쉬트를 제공한다. 그 배터리 데이터 쉬트에는 배터리 특성 곡선이 제공되는데, 그 배터리 특성 곡선에 근거하여 배터리의 OCV와 온도로부터 배터리의 실제 충전 상태(SoC)를 결정할 수 있다. 도 8은 예컨대 2200mAh Li-Ion 배터리 셀의 데이터 쉬트에서 제공되는 배터리의 용량(Capacity)과 OCV의 관계를 나타내는 특성 곡선을 예시적으로 보여준다. 배터리의 전압은 배터리에 남아 있는 전하량에 따라 점진적으로 변화한다. 그러므로 OCV 값과 그에 대응하는 측정 온도값과, 배터리 특성 곡선을 이용하여 선형회귀법(a linear regression estimation)을 적용함으로써, 배터리에 남아있는 전하량을 추정할 수 있다.

배터리의 SoC를 추정하는 다른 방법으로는, 쿨롱 카운팅(Coulomb counting)을 이용하는 방법이다. 이 쿨롱 카운팅법은 OCV를 이용하는 방법과는 근본적으로 다른 방법으로서, 일명 전류적분법(Current integration method)이라고도 하는데, 배터리의 전류를 측정하고 이를 시간에 대해 적분하여 SoC를 계산하는 방법이다. 알려져 있는 배터리 용량의 포텐셜 에너지를 고려하는 것 및 그 안에네 남아 있는 전하의 퍼센티지를 정하는 대신에, 이 방법은 배터리를 연료 탱크처럼 생각한다. 그러므로 이 방법은, 배터리 충전 과정 동안에 그 배터리에 들어가는 전하의 양을 측정함으로써, 그 배터리의 최대 용량을 결정한다. 그런 다음, 배터리 밖으로 흘러나오는 전하를 카운팅한다. 이렇게 함으로써 배터리의 잔류 용량을 쉽게 산출할 수 있다. 배터리 안으로 들어가거나 또는 밖으로 나오는 전하의 양은 배터리 안으로 전류가 흘러들어가거나 밖으로 흘러나오는 전류의 시간 간격에 걸쳐서 적분함으로써 계산될 수 있다.

그 밖의 방법으로는, 위의 두 가지 방법 즉, OCV 기반 SoC 산출법과 쿨롱 카운팅 기반 SoC 산출법은 나름의 한계를 가지고 있는 점을 고려하여, 이 두 가지 OCV 추정법을 복합적으로 이용하여 추정하는 방법(하이브리드형 방법)도 가능하다. 이 하이브리드형 방법은 상기 두 가지 OCV 추정법 중 어느 하나의 방법이 나머지 하나의 방법의 오차를 줄여주는 방식으로 활용할 수 있게 해준다. 그 외에, 배터리의 전해질의 비중과 pH를 측정하여 SoC를 계산하는 화학적 방법도 있다.

BMS에서는 이와 같은 방법들 중 어느 한 가지를 이용하여 배터리의 SoC를 주기적으로 측정하면서 그 값의 변화를 모니터링 한다. 그리고 SoC값이 산출될 때마다, 그 측정된 SoC 값이 엔트로피 추출을 위해 미리 설정해둔 값에 도달했는지 여부를 판별한다(S32 단계). 예컨대, 상기 SoC 측정 주기를 5%로 설정해둔 경우, SoC 값이 이전 측정 주기에 비해 5% 증가하거나 감소하게 되면, 이하에서 설명하는 엔트로피 추출 루프(S34~S40 단계)를 실행한다. 그 외의 경우에는, S30 단계로 다시 리턴되어 SoC 값의 변화를 계속 모니터링 한다.

BMS가 S32단계에서, 배터리의 SoC 값이 엔트로피 측정을 위한 설정값에 이른 것으로 판단되면, 곧바로 그 때의 배터리의 온도를 측정한다. 그와 동시에, 그 배터리의 OCV를 추정한다(S34 단계). OCV는 배터리의 개방전압이므로, 이의 동적 변화는 직접 측정하는 것은 이치에 맞지 않고, 현실적으로도 불가능에 가깝다. 그러므로 OCV는 간접적으로 측정 즉, 추정한다. 배터리 온도는 예컨대 섭씨 단위로 측정할 수 있고, OCV는 예컨대 볼트 단위로 측정할 수 있다.

S34 단계에서, 배터리의 OCV를 추정하는 방법에는 여러 가지 방법이 사용될 수 있다. OCV를 추정할 수 있는 예시적인 한 가지 방법은, SoC의 추정에 관한 설명에서도 언급하였듯이, 해당 배터리의 특성 곡선을 이용하여 추정하는 방법이다.

배터리를 구입할 때, 배터리 제조사로부터 해당 배터리의 데이터 쉬트를 구할 수 있다. 배터리 데이터 쉬트는 배터리의 기술적인 사양 (예컨대, 동작 범위, 안전 사용 한계치, 패키지의 사이즈 등)을 제공한다. 대부분의 배터리 데이터 쉬트에는 배터리 전압(OCV)과 방전용량(SoC) 간의 관계를 나타내는 특성 곡선에 관한 정보가 포함되어 있다. 그 특성 곡선은 예컨대 서로 다른 방전 전류값 별로 배터리 전압을 배터리 SoC의 함수로서 그린 것이다. 도 9는 이의 예시적인 그래프를 나타낸다. 이 특성 곡선을 이용하여 OCV를 추정하기 위해서, 배터리의 단자에서 전압과 전류 모두를 측정한다. 그런 다음, 그 측정된 전류를 표현하는 전류를 방전하는 두 개의 곡선을 선택한다. 그리고 그 선택된 두 개의 곡선을 이용하여 선형 회귀법(linear regression)으로 OCV의 값을 추정할 수 있다.

OCV를 추정하는 다른 방법은, 배터리들이 저주파수 충전 (방전) 변화(variations)에 노출되어 있고, 그 드레인 (충전) 전류가 지나치게 높지 않은 경우 (대개는 정격 전류의 20% 이하), 단순화 된 모델로 배터리를 나타낼 수 있다. 예컨대 도 10에 도시된 것처럼, 부하(R)에 연결된 배터리는 기전력(ε)을 발생시키는 전압 발생기와 내부 저항(r)으로 구성된 형태로 모델링 될 수 있다. 오옴의 방정식으로부터, 내부 저항(r)에 흐르는 전류의 효과로서 배터리 내부에서 발생하는 전압강하를 결정할 수 있다.

기전력 (ε)은 OCV에 해당하고, 전류(I)가 흐르지 않을 때에는 배터리의 양단에 나타나는 전압은 기전력 (ε) 즉, OCV와 같다. 또한, 전류가 흐르는 경우에는 배터리 양 단자(A, B)에 나타나는 전압은 기전력 (ε)과 내부저항(r)에서의 전압강하의 합과 같다. 이를 식으로 정리하면 다음과 같다.

OCV = ε ......(4-1)

V_batt_{I =0} = OCV ......(4-2)

V_batt_{I ≠0} = ε+ r·I ......(4-3)

그렇다면, 이의 반대 과정을 따라서, 내부 저항값을 알고 있는 상태에서, 부하에 전류가 흐를 때 배터리의 전압과 전류를 측정하면, 위 식을 이용하여 OCV를 추정할 수 있다.

OCV를 추정하는 또 다른 방법으로, 칼만 필터링(Kalman filtering)을 이용한 OCV 추정도 가능하다. 칼만 필터링은, 상태 변수 값을 정확하게 추정해야 하지만 그것의 효과나 파생 신호들을 측정할 수 있을 뿐인 상황일 때, 여러 영역에서 사용되는 반복 대수연산법(an algebraic iterative method)이다. 이 방법은 개념적으로는 꽤 간단하지만, 알고리즘으로서 적용하기는 만만하지 않을 수 있다. 이 방법의 개념은 다음과 같다: (i) 시스템은 변수의 이전의 추정 상태값들로 채워져 있음; (ii) 측정과, 이전의 추정 상태, 그리고 그 시스템의 사용자 지정 모델(a custom model)로부터, 다음 상태를 추정함. 그런 다음, 그 상태로부터 측정 가능한 파라미터 값에 대한 추정이 이루어짐; (iii) 그 파라미터가 측정되고, 추정 오차(측정과 추정 간)가 계산됨; (iv) 그 추정 오차로부터 그 추정 상태가 보정되고, 보정된 값은 그 시스템의 다음 단계의 입력으로 투입하는 데 사용됨. 이 방법은 단계적 처리 과정에 따른다. 이 방법의 정확성은 그것이 의존하는 모델과, 감시 하에 있는 그 시스템의 변화 속도에 비교되는 추정의 시간적 단계에 달려있다.

위에서 언급한 방법들 중 어느 한 가지를 프로그램으로 구현한 OCV 추정모듈을 BMS에서 실행되도록 하는 것에 의해, 현재 상태에서의 OCV를 추정할 수 있다. 배터리의 엔트로피 산출을 위해서는 OCV 외에, 배터리의 온도값도 필요하다. 그러므로 OCV 추정 시 배터리 온도도 함께 측정한다(S34 단계). 배터리의 온도는 온도 센서를 이용하여 실시간으로 직접 측정을 할 수 있다. 경우에 따라서는, 간접적으로 측정하거나, 배터리가 존재하는 실내온도 또는 기상정보에 근거하여 근사 온도값을 입력할 수도 있을 것이다.

SOH와 SOS를 정하기 위해서는 SoC의 전 영역에 걸쳐서 엔트로피를 측정하는 것이 필요하다. 그러므로 단계 S32에서, 배터리의 온도와 OCV를 측정하는 기준점으로 삼는 SoC 설정값의 간격(resolution)은 이런 점을 고려하여 정할 필요가 있다. 그리고 특성 SoC 값에서 배터리의 온도와 OCV의 측정은 수 사이클에 걸쳐 수행된다. 측정 주기의 횟수는 예상되는 정확도 및 시스템의 평상시 엔트로피의 점진적인 변화율(entropy usual evolution rate)을 고려하여 정할 수 있을 것이다. 예컨대 측정 주기의 횟수와 사용자 희망 횟수 사이에서 가변적일 수 있다.

연속적인 2회 이상의 충방전 주기에 걸쳐서, 온도가 똑같이 유지될 가능성은 매우 낮다. 그래서 똑같은 SoC 및 다른 온도에서, OCV를 주기적으로(from cycle to cycle) 측정할 수 있다. 엔트로피의 점진적 진전이 현저하지 않다고 가정하면, 그리고 식 (1)에 의해 기술된 관계에 따르면, 그 엔트로피 값은 몇 주기 동안에 걸쳐서 정해질 수 있다(에러 정정을 위해).

S34단계에서 측정한 온도값과 추정된 OCV 값은 BMS내 저장수단의 데이터베이스에 저장한다(S36 단계).

그런 다음, 이렇게 측정한 값들에 기초하여, 배터리의 엔트로피를 구하기 위한 연산을 수행한다(S38 단계). 엔트로피 연산은 아래 식을 이용하여 수행한다.

......(5)

즉, 특정 SoC 값에서 새롭게 측정되는 엔트로피의 변화량(ΔS_신규: 직전 주기의 엔트로피 추정값과 현재 주기의 엔트로피 추정값 간의 차이)은 OCV 추정값의 변화량(ΔOCV_추정: 직전 주기의 OCV 추정값과 현재 주기의 OCV 추정값 간의 차이)을 온도 측정값의 변화량(ΔT_측정: 직전 주기의 온도 값과 현재 주기의 온도 값 간의 차이)으로 나눈 값에 비례한다. 여기서, k는 일정한 비례상수이다.

위와 같은 엔트로피 산출식이 얻어지는 근거를 설명하면 다음과 같다. 깁스 에너지(Gibbs energy)는 어떤 화학 시스템에서 '사용가능한' 에너지의 양을 나타낸다. 배터리의 경우, 이 에너지는 전기로 바뀔 수 있다. 그러므로 깁스 에너지는 어떤 지정된 순간에서 배터리 내에 존재하는 전하의 주율 양과 바로 그 순간에서 배터리의 전압을 곱한 것이다. 즉, 배터리의 경우 깁스 에너지는 다음 관계식으로 정해진다.

ΔG(x) = -nFE₀(x) ......(6)

그것은 배터리 관찰 시점에서 그 배터리의 상태에 의해 정해진다. 그리고 배터리 계에서는 초기 에너지 E₀(x)는 OCV이므로 식(6)은 다음과 같이 고쳐 쓸 수 있다.

ΔG(x) = -nF·OCV ......(7)

여기서, x는 행해진 화학 반응의 퍼센티지를 나타내고, n은 통상적인 기본 반응에서 전자들의 교환량을 나타내며, F는 패러데이 상수이다.

또한, 열역학 제2 법칙에 따르면 깁스 에너지는 다음 식으로 표시된다.

ΔG(x) = ΔH - TΔS ......(8)

여기서, 엔탈피 H는 계 내의 에너지 총량 즉, 사용가능한 에너지와 사용이 불가능한 에너지의 합(포텐셜 에너지, 있다면 운동 에너지까지 포함)을 나타낸다. 배터리의 경우, 외부의 힘은 존재하지 않으므로 그 계는 열-화학적 분석(thermo-chemical analysis)으로 귀결될 수 있다.

위 식 (7)과 (8)로부터,

k·OCV = -ΔH + TΔS ......(9)

이고, 이를 온도 T에 대하여 미분하면 다음과 같이 된다.

......(10)

일반적인 경우, 배터리 계는 준-정적인 상태로 볼 수 있으므로, 엘링험(Ellingham)의 근사법을 통해 x의 고정값에서 엔트로피(ΔS)나 엔탈피(ΔH)는 그 어느 것도 온도의 함수가 아닌 것으로 추정할 수 있다. 그러므로 위 식 (10)에서 우변의 첫 번째 항과 세 번째 항은 영이 되어, 다음과 같이 간략하게 정리된다.

......(11)

따라서 엔트로피 변화량 ΔS는 식(5)와 같이 OCV의 배터리 온도 T에 대한 미분값으로부터 추출할 수 있음을 알 수 있다. 이처럼, 매 측정 주기마다 배터리의 엔트로피 변화량을 추출하면 그 배터리가 충전되기까지의 전 과정에서의 엔트로피 프로파일을 얻을 수 있다.

S38 단계에서 엔트로피 변화량 ΔS를 구하면, 부수적으로 그 값을 여러 가지로 활용할 수 있을 것이다. 예컨대 SOH 및 SOS의 추정을 위해 엔트로피 값을 업데이트하고, 엔트로피 변화량 ΔS를 이용하여 SoH와 SoS를 결정할 수 있다(S40 단계). 따라서 배터리의 상태함수 SOH와 SOS는, BMS가 계속 모니터링 할 필요 없이, 차동 엔트로피의 미적분 연산(calculus of differential entropy)을 통해, 주변의 특정 지점들에서의 측정값으로부터 계산될 수 있다.

엔트로피는 배터리가 에이징되어 가는 전체 과정에서 SoC의 전 범위에 걸쳐서 균일하게(homogeneously) 변해나가지 않는다. 실제로, 배터리의 에이징 과정에서 엔트로피의 매우 강한 변화를 보이는 SoC의 두 값이 있다. 그것은 대략 15% 이하의 영역과 대략 85% 이상의 영역이다.

이들 값에서 엔트로피의 변화량은 배터리 용량 및 자체-가열율(self-heating rate)에 거의 비례한다. 그러므로 SOH는 에이징 때문에 생기는 배터리 용량의 손실의 추정값이므로, 엔트로피 변화량은 참조식(BMS의 구현 전에 실험적으로 얻을 수 있음)을 통해 SOH를 추정하기 위한 완벽한 도구일 수 있다. 자체-가열율은 배터리의 열폭주 능력(thermal runaway capability)을 결정하는 화학적 상태 함수이다. 여기서, 그것은 안전 운용 한계 내에서 배터리가 자발적으로 발화할 가능성을 의미한다. 그러므로 그것은 SOS를 제공한다.

엔트로피를 어느 지점에서 계산할 것인지를 정확하게 정하기 위해서는, SoC의 값을 정확하게 정해야 한다는 사실을 인식하는 것이 중요하다. 엔트로피를 정하기 위해, 배터리는 플러그를 뽑을 필요도 없고 제어 가능한 온도를 가질 필요도 없다. 배터리가 어떤 일을 수행하지 못하도록 막지 않고서, 그 어떤 일을 하고 있는 배터리로부터 엔트로피를 추출하는 방법을 제공한다.

(B) 단계 2: 엔트로피 프로파일을 이용한 주요 페이즈들의 구분(S12 단계)

배터리의 엔트로피 프로파일들을 통해, 주요 페이즈들(key phases)을 특정하여야 (identified) 한다. 예컨대 엔트로피 프로파일에서 페이즈 천이가 일어난 지점들 즉, 배터리 내부 물질의 상태 변화가 일어나는 경계점들을 찾아냄으로써 페이즈들을 구분할 수 있다. 각 페이즈는 측정 가능한 문턱값들(measurable thresholds)과 연관된 것일 수 있다. 그러한 문턱값은 OCV, 저항, 임피던스, 전류 거동 등에 관한 것일 수 있다. 이와 같은 배터리 파라미터(들)의 변화와 연결하여 페이즈 천이의 문턱값을 정하고 그 문턱값들을 이용하여 페이즈들을 구분할 수 있을 것이다.

추출된 열역학적 엔트로피의 프로파일은 예컨대 어떤 곡선형 그래프로 표현될 수 있다. 예컨대 그 곡선의 변곡점으로부터 페이즈 천이들이 특정될 수 있다. 예컨대 도 2의 (b)에 예시된 엔트로피 프로파일에서, 그 프로파일 곡선에서 변곡점들은 A1, A2, C1-C5 지점들로 볼 수 있으며, 이들 변곡점에서 배터리 내부의 페이즈 천이가 일어난 것으로 추정할 수 있다. 배터리 관리가 이루어지는 동안에, 페이즈 천이들은 측정 가능한 배터리 파라미터들로부터 실시간으로 검출될 수 있다.

(C) 단계 3: 각 페이즈별로 충전 방법을 적응화 함(S14 단계)

본 발명은 배터리의 전기화학적 열역학적 엔트로피 프로파일에 의거하면, 각 페이즈마다 최적의 충전 패턴 내지 조건이 다를 수 있고, 그 최적 충전 패턴은 반복적인 실험을 통해서 찾아낼 수 있다는 아이디어에 기초한다. 엔트로피 프로파일을 이용하여 주요 페이즈들을 특정하고 나면, 각 페이즈별로 가장 적합한 충전 패턴을 정의한다. 최적의 충전 패턴은 예컨대 최단 충전 시간 내에 최소의 배터리 용량 감소를 가져오는 충전방식일 수 있다.

각 페이즈별로 최적의 충전 패턴을 찾아내기 위한 다양한 테스트와 분석을 수행할 수 있다. 즉, 각 페이즈마다 다양한 전류 및 다양한 충전 패턴으로 상당히 많은 반복 테스트를 수행하여, 각 페이즈별로 배터리를 가장 빠르게 그리고 가장 안전하게 충전할 수 있는 최상의 충전 방법을 도출한다. 이 작업은 컴퓨터를 이용하여 수행할 수 있다. 각 페이즈에 관한 최적의 충전 패턴을 정하는 작업은 각 페이즈에 관해 충전 전압 값 및/또는 충전 전류 값을 가변시켜가면서 충전하는 작업을 반복적 수행하면서 설계자가 고려하고 있는 충전 패턴의 유형에 의거하여, 최적의 전압 값 또는 전류 값을 정하는 작업이다. 즉, 전압 튜닝 및/또는 전류 튜닝을 통해 각 페이즈에 적응화된 최적의 충전 패턴을 정할 수 있다. 여기서, 최적의 충전 패턴은 배터리를 가장 빠르면서도 배터리 손상을 최소화하는 충전을 의미할 수 있다. 예컨대 모바일 폰 회사는 긴 배터리 수명보다는 짧은 충전 시간을 더 선호할 수 있는 반면, 인공위성 회사는 배터리의 긴 수명을 더 선호할 수 있다. 이처럼 용도나 응용예에 따라 서로 다른 충전 패턴이 그에 적응적으로 정해질 수 있을 것이다. 이런 점을 고려하여, 기준(criteria)을 정량화 하여, 적응화된 최적의 충전 패턴을 정할 수 있을 것이다.

각 페이즈 별 충전 알고리즘의 적응화는 예컨대 정전류/정전압 충전모드에서 펄스 충전 모드로 충전 패턴을 변화시키는 것일 수 있다. 또한, 임의의 종래의 충전 패턴이 사용될 수 있다. 예컨대 CC 충전, CV 충전, 펄스 충전, 벌프(burped) 충전, 세류(細流) 충전(trickle charge) 등과 같은 충전 패턴들이 그 예가 될 수 있다.

두 페이즈 간의 천이에서 물질의 성질들은 변하지 않으므로, 각 페이즈마다 한 가지 충전 패턴 내지 조건으로도 충분할 수도 있다. 충전 속도와 배터리 성능 저하 사이에서 설계자가 얻고자 하는 비율을 감안하여 그 충전 패턴을 선택할 수 있다. 또한, 그 충전 패턴은 배터리의 안전이 보장되는 범위 내에서 정하는 것이 바람직하다. 특정 배터리에 대하여 반복적인 테스트를 통해 위와 같은 요구를 만족시키는 충전패턴으로서, 예컨대 페이즈 1에서는 1C로 CC 충전 모드, 페이즈 2에서는 2C로 CC 충전 모드, 페이즈 3에서는 0.9C로 CC 충전 모드, 그리고 페이즈 4는 CV 충전모드, ... 등과 같이 각 페이즈별로 서로 다른 최적의 충전 패턴 내지 조건이 정해질 수 있다.

CC 테스트에 관한 예를 한 가지 설명한다. 한 세트의 배터리들을 하나의 단일 페이즈 전체에 걸쳐 고정된 온도로 충전과 방전을 한다. 각 배터리는 다른 값의 일정한 충전 전류를 가지며, 이는 분명히 다른 배터리 에이징을 유발할 것이다. 그리고 각각의 배터리는 동일한 방전 전류를 가지며, 그 크기는 에이징에 대하여 중요한 임팩트를 갖지 못하는 충분히 작은 값(예컨대 약 0.2C)이다.

에이징 과정이 기하급수적인 과정인 점을 고려하여, 더 많은 손상 전류량은 기하급수적으로 더 손상된 배티리를 만들어 낼 것이다. 예컨대 50 사이클 이상 지난 후에 배터리 용량을 측정함으로써, 특정 페이즈에 관한 다른 충전 전류값들의 충격의 정도를 결정할 수 있을 것이다.

목표하는 바는 각 페이즈 마다 최적의 충전 다이어그램을 도출하는 것이다. 페이즈별 충전 방법의 최적화는 배터리 용량 손실에 관한 배터리 충전 전류의 임팩트를 정량화하는 것이다. 참고로, 도 12 또는 13에 예시된 것은 페이즈를 6가지로 구분한 경우이다. 즉, 페이즈 천이가 일어나는 7개의 지점 A1, A2, 그리고 C1-C5 중에서 C1-C5의 5개의 페이즈 천이점을 기준으로 6개의 페이즈로 구분한 경우이다. 물론, A1과 A2까지 더 고려하여 8개의 페이즈로 구분할 수도 있을 것이다.

그리고 나서, 다양한 방법에 의해, 이 페이즈의 충전을 위한 최적의 전류값을 정할 수 있을 것이다. 충전 알고리즘의 목표와 응용분야의 기술적 요구 등에 따라서, 각 페이즈별 최적의 충전 전류 값은 다르게 정해질 수도 있을 것이다. 최적 충전 전류값을 정하는 방법은 여러 가지가 있을 수 있다. 도 11는 각 페이즈별 배터리 용량 감소 최소화를 고려하여 최적 충전 전류값을 점근식 결정법(an asymptotic determination)으로 정하는 경우를 예로서 설명하기 위한 그래프를 도시한다.

점근식 결정법은, 우선 한 세트의 배터리들에 대하여 예컨대 페이즈 N에 관하여 여러 가지 값의 충전 전류로 충전을 반복적으로 수행한다. 충분한 횟수의 충전을 반복한 후, 배터리의 에이징 과정을 측정한다. 도 11에서 곡선 그래프 상의 점들은 이 측정을 한 지점들이다. 그런 다음, 각 배터리에 대하여 충전 전류와 배터리 용량 감소(에이징) 간의 관계를 그래프로 그리면, 예컨대 도 11과 같은 그래프가 얻어질 수 있다. 도 11에서 접선은 수용할 수 있는 배터리 용량 감소의 범위내에서 충전 전류의 최적값을 정하는 방법의 일 예를 나타낸다. 시스템 설계자가 충전 시간과 배터리 용량 감소 간의 비를 정함에 따라, 시스템 설계자의 요구를 만족시키는 충전 전류의 최적값을 정하기 위해 배터리 충전전류 대 에이징 간의 선형 함수가 그 측정된 곡선에 대한 접선의 형태로 그려질 수 있다. 그것은 또한, 허용되는 최대의 배터리 용량 감소에 관한 수평선의 형태로 정해질 수도 있다. 또한, 수용할 수 있는 최대 충전 시간에 관한 수직선의 형태로 그려질 수도 있다. 통상의 기술자라면 배터리 용량 손실의 문턱값, 또는 최소 충전 시간을 이용할 수 있을 것이다. 어떤 임의의 최적값이 충전기의 최종 응용에 관하여 정해질 수 있다.

도 11의 개략적인 그래프는 단지 예시적인 것에 불과하다. 페이즈 N 이외의 다른 페이즈들은 배터리 물질들의 다른 종류를 특징화하므로, 최적 충전 값은 각 상마다 같지 않을 수 있다. 더구나 엔트로피 프로파일 다이어그램에 관해 좀 더 세밀히 주목하면, 엔트로피는 성장 페이즈들(growing phases)과 감소 페이즈들(reducing phases)을 갖는다는 것을 알 수 있을 것이다. 이것은, 배터리 물질의 성질들이 불균질적인 방식으로 변한다는 것을 의미하므로, 어떤 지점에서 배터리 물질은 더 많이 조직화되거나(즉, 낮은 엔트로피를 갖거나) 또는 덜 조직화되는(즉, 높은 엔트로피를 가짐) 것을 의미한다.

(D) 단계 4: 배터리에 관한 최적의 충전 알고리즘 전체의 설계 및 구현(S16 단계)

각 페이즈별로 최적의 충전 전류를 찾아낸 다음에는, 각 페이즈별 충전 패턴들 전부를 조합함으로써 그 배터리 자체의 전용 충전 알고리즘을 만든다. 여기서, 결과로 얻어질 수 있는 충전 알고리즘의 두 가지 예가 도 12와 도 13에 각각 예시되어 있다.

도 12에 예시된 충전 알고리즘의 일예는, 구해진 엔트로피 프로파일로부터 배터리의 페이즈가 총 6가지(Ph1, Ph2, …, Ph6)로 구분되고, 각 페이즈들은 모두 정전류 (constant current) 모드로 충전하되, 각 페이즈별로 충전 전류값은 서로 다른 전류값으로 충전하는 경우이다. 즉, 페이즈 1부터 페이즈 3까지는 충전 전류값이 단계적으로 상승하고, 페이즈 4로 넘어가면서 충전 전류값은 감소하여 페이즈 6까지 그 값은 단계적으로 감소하는 충전 패턴이다.

도 13에 예시된 충전 알고리즘의 다른 예는, 도 12와 동일한 페이즈들을 갖는 경우인데, 정전류 충전 방식이 아닌 다른 충전 방식이 최적의 충전 패턴으로 정해진 경우이다. 즉, 페이즈 1(Ph1)에서는 정전류 충전모드가 최상이고, 페이즈 2(Ph2)에서는 정전압 충전 모드, 페이즈 3(Ph3)에서는 펄스 충전 모드, 그런 다음 페이즈 4와 5(Ph4 & Ph5)에서는 정전류 충전 모드, 그리고 마지막으로 페이즈 6(Ph6)에서는 다시 정전압 충전 모드가 최상으로 정해진 경우이다.

이렇듯 도 12와 도 13에 예시된 것처럼, 같은 엔트로피 프로파일에 대해서는 충전 알고리즘의 목표와 응용분야의 기술적 요구 등에 따라서 최적의 충전 알고리즘은 다르게 정해질 수도 있다.

이와 같이, 본 발명에 의하면, 특정 배터리에 관한 충전 알고리즘은, 그 배터리에 관하여 열역학적 측정, 분석에 의거하여 그 배터리의 엔트로피 프로파일을 추출하고, 그로부터 주요 페이즈들을 구분한 다음, 각 페이즈별로 소정의 기준에 의거하여 그 페이즈에 적응화된 최적의 충전 패턴을 정하며, 그렇게 정해진 각 페이즈별 최적 충전 패턴들을 모두 조합하여 구성할 수 있다. 이러한 충전 알고리즘을 정하는 작업은 컴퓨터 장치, 측정 및 분석 도구, 관련 애플리케이션 프로그램 등을 활용하여 수행할 수 있다.

이렇게 얻어지는 최적의 충전 알고리즘은 다양한 형태로 구현되어 배터리의 충전에 이용될 수 있다. 예컨대 집적 회로 시스템에 내장되는 프로그램의 형태, 또는 범용 CPU 또는 MCU에서 구동되는 프로그램 형태로 구현될 수 있다. 그 프로그램은 그 배터리의 충전장치 또는 BMS 장치에 반영되어, 그와 같은 종류의 배터리에 대한 최적의 충전을 제공할 수 있을 것이다. 최근 들어 충전 가능한 이차전지가 각광받고 있는 데, 그 중 리튬 기반 배터리가 가장 많이 쓰인다. 본 발명은 이러한 리튬 기반의 배터리를 사용한 모든 디바이스에 들어가는 BMS에 적용될 수 있다. BMS에 추가 되는 블럭으로 적용될 수 있다. 그 추가 블록은 소프트웨어 및/또는 하드웨어적으로 구현될 수 있다. 그 BMS는 인터페이스를 통해 원격지에 있는 시스템의 배터리와 연계되어 본 발명의 기능을 발휘하도록 설계할 수도 있다. 또한, 클라우드 시스템에서 구동되는 프로그램 형태로 구현될 수도 있을 것이다. 또한, 예컨대 현장 프로그래머블 게이트 어레이 (field programmable gate array: FPGA) 상의 로직 회로로 구현될 수도 있을 것이다. 어떤 형태로 구현되든, 그 충전 알고리즘은 대응하는 것과 같은 종류의 배터리들의 충전에 이용될 수 있다.

본 발명에 따라 정한 최적의 충전 알고리즘이 구현된 충전기를 이용하여 배터리를 충전하는 경우를 고려하자. 그 충전 알고리즘에는, 페이즈 천이의 발생 여부를 판단하기 위한 문턱값들이 각 페이즈별로 설정되어 있을 것이다. 그 문턱값은 측정 가능한 배터리 관련 물리량에 관한 문턱값일 수 있다. OCV, 저항, 임피던스, 전류 거동 등이 그런 물리량의 예가 될 수 있을 것이다. 그 충전 알고리즘에 따라 배터리를 충전하는 과정에서, 문턱값에 관련된 물리량을 주기적 또는 소정의 기준에 따라 측정할 수 있을 것이다. 그 측정된 소정의 물리량을 각 페이즈별로 설정된 문턱값과 비교하면, 그 배터리의 현재 페이즈를 알 수 있을 것이다. 최적 충전 알고리즘에는 각 페이즈별로 적응화된 최적 충전 패턴이 미리 설정되어 있다. 그러므로, 배터리의 현재 페이즈를 알아내면 그에 맞는 최적 충전 패턴을 적용하여 그 배터리를 충전할 수 있게 된다.

상술한 바와 같이, 본 발명의 바람직한 실시예를 참조하여 설명하였지만 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

본 발명은 이차 전지의 충전방법으로 이용될 수 있다. 리튬-기반 배터리의 충전에 초점을 맞춰 설명하였지만, 다른 종류의 이차 전지의 충전에도 그것의 특성에 적응적으로 수정하여 적용될 수 있음은 물론이다. 이차 전지의 충전기, BMS (Battery Management System) 등에 적용가능하다. 웨어러블, 전기 자동차, 포터블디바이스 모두 적용가능하다.

100, 200: BMS

Claims (14)

1. 배터리의 물질 구조에 관한 열역학적 정보를 추출하는 단계;
   추출된 열역학적 정보를 이용하여 상기 배터리의 물질의 상태 변화가 일어나는 경계점들을 검출하고, 그 검출된 경계점들에 의거하여 배터리의 페이즈들을 특정하는 단계; 및
   특정된 페이즈들 각각에 적응화된 최적 충전 패턴을 결정하는 단계를 포함하는 것을 특징으로 하는 배터리의 최적 충전 방법.
2. 제1항에 있어서, 정해진 최적 충전 패턴들을 조합하여 상기 배터리를 충전하기 위한 충전 알고리즘을 구성하는 단계를 더 포함하는 것을 특징으로 하는 배터리의 최적 충전 방법.
3. 제2항에 있어서, 상기 충전 알고리즘은 (i) 집적 회로 시스템에 내장되는 프로그램, (ii) 범용 CPU 또는 MCU에서 구동되는 프로그램, (iii) 클라우드 시스템에서 구동되는 프로그램 형태, 그리고 (iv) 현장 프로그래머블 게이트 어레이 (field programmable gate array) 상의 로직 회로 중 적어도 어느 한 가지로 구현된 것을 특징으로 하는 배터리의 최적 충전 방법.
4. 제1항에 있어서, 상기 열역학적 정보는 배터리의 충전상태(State of Charge: SoC)에 대한 엔트로피 프로파일 정보인 것을 특징으로 하는 배터리의 최적 충전 방법.
5. 제4항에 있어서, 상기 페이즈들은 상기 엔트로피 프로파일의 그래프에서 변곡점들을 찾아서 그 변곡점들의 적어도 일부를 상기 경계점으로 하여 구분된 것인 것을 특징으로 하는 배터리의 최적 충전 방법.
6. 제1항에 있어서, 상기 추출하는 단계는, 배터리의 충전상태(SoC)에 대한 엔트로피 프로파일 정보를 상기 열역학적 정보로서 추출하기 위하여, 기능적 상태가 동적으로 변하는 상태에 있는 배터리에 대해 상기 배터리의 온도를 측정함과 더불어 그 온도 측정 시점 근처에서 상기 배터리의 개방 전압(Open Circuit Voltage: OCV)을 추정하는 단계; 및 온도 측정값들과 OCV 추정값들에 기초하여 상기 배터리의 엔트로피 변화량을 추정하는 단계를 포함하는 것을 특징으로 하는 배터리의 최적 충전 방법.
7. 제6항에 있어서, 상기 추출하는 단계는, 상기 배터리의 충전 상태(SoC)를 지속적으로 모니터링하면서 추정하여, 모니터링된 SoC 추정값이 미리 설정해둔 측정 기준값과 같은 때에, 상기 OCV를 추정하는 단계 및 상기 엔트로피 변화량을 추정하는 단계를 수행하도록 제어하는 단계를 더 포함하는 것을 특징으로 하는 배터리의 최적 충전 방법.
8. 제7항에 있어서, 상기 SoC 추정값은 소정의 배터리 온도와 상기 배터리의 OCV에 의거하여 상기 배터리의 잔류 전하량을 선형회귀분석으로 산출되는 것을 특징으로 하는 배터리의 최적 충전 방법.
9. 제7항에 있어서, 상기 SoC 추정값은 상기 배터리의 전류를 측정하고 이를 시간에 대해 적분하는 쿨롱 카운팅법으로 산출되는 것을 특징으로 하는 배터리의 최적 충전 방법.
10. 제7항에 있어서, 상기 SoC 추정값은 칼만 필터링(Kalman filtering)을 이용하여 산출되는 것을 특징으로 하는 배터리의 최적 충전 방법.
11. 제1항에 있어서, 상기 열역학적 정보는 상기 배터리에 관한 엔트로피, 엔탈피, 및 깁스 에너지에 관한 상태 함수들 중 어느 하나 또는 이들 3가지 상태 함수들의 임의의 조합으로부터 얻어지는 것을 특징으로 하는 배터리의 최적 충전 방법.
12. 제1항에 있어서, 상기 최적 충전 패턴은 각 페이즈에 관해 전압 튜닝 및/또는 전류 튜닝을 통해 정해지는 것을 특징으로 하는 배터리의 최적 충전 방법.
13. 제1항에 있어서, 상기 배터리는 리튬-기반 배터리인 것을 특징으로 하는 배터리의 최적 충전 방법.
14. 제1항에 있어서, 페이즈 천이의 발생 여부를 판단하기 위한 것으로서 측정 가능한 배터리 관련 소정의 물리량에 관한 문턱값을 각 페이즈별로 설정하는 단계; 상기 배터리의 충전 과정에서 상기 소정의 물리량을 주기적으로 또는 소정의 기준에 따라 측정하는 단계; 상기 배터리에 관해 측정된 상기 소정의 물리량을 각 페이즈별로 설정된 문턱값과 비교하여 배터리의 현재 페이즈를 정하는 단계; 및 정해진 현재 페이즈에 적응화된 최적 충전 패턴에 따라 상기 배터리를 충전하는 단계를 더 포함하는 것을 특징으로 하는 배터리의 최적 충전 방법.

Images