KR20170138488A - 리튬 유황 배터리의 충전 상태 및 건강 상태를 결정하는 방법 및 장치 - Google Patents
리튬 유황 배터리의 충전 상태 및 건강 상태를 결정하는 방법 및 장치 Download PDFInfo
- Publication number
- KR20170138488A KR20170138488A KR1020177033100A KR20177033100A KR20170138488A KR 20170138488 A KR20170138488 A KR 20170138488A KR 1020177033100 A KR1020177033100 A KR 1020177033100A KR 20177033100 A KR20177033100 A KR 20177033100A KR 20170138488 A KR20170138488 A KR 20170138488A
- Authority
- KR
- South Korea
- Prior art keywords
- battery
- model
- state
- lithium
- charge
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 171
- 230000036541 health Effects 0.000 title claims abstract description 24
- GLNWILHOFOBOFD-UHFFFAOYSA-N lithium sulfide Chemical compound [Li+].[Li+].[S-2] GLNWILHOFOBOFD-UHFFFAOYSA-N 0.000 title claims description 8
- JDZCKJOXGCMJGS-UHFFFAOYSA-N [Li].[S] Chemical compound [Li].[S] JDZCKJOXGCMJGS-UHFFFAOYSA-N 0.000 claims abstract description 120
- 230000003446 memory effect Effects 0.000 claims abstract description 55
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims description 70
- 230000015654 memory Effects 0.000 claims description 57
- 230000014509 gene expression Effects 0.000 claims description 44
- 230000008859 change Effects 0.000 claims description 43
- 238000012360 testing method Methods 0.000 claims description 42
- 230000006399 behavior Effects 0.000 claims description 41
- 238000005259 measurement Methods 0.000 claims description 21
- 238000007599 discharging Methods 0.000 claims description 17
- 238000007726 management method Methods 0.000 claims description 17
- 239000000376 reactant Substances 0.000 claims description 15
- 238000009792 diffusion process Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 13
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 12
- 229910052717 sulfur Inorganic materials 0.000 claims description 12
- 239000011593 sulfur Substances 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000002441 reversible effect Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 claims 2
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- 238000001914 filtration Methods 0.000 abstract description 4
- 230000003862 health status Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 18
- 239000003792 electrolyte Substances 0.000 description 15
- 229920001021 polysulfide Polymers 0.000 description 12
- 239000005077 polysulfide Substances 0.000 description 12
- 150000008117 polysulfides Polymers 0.000 description 12
- 230000001351 cycling effect Effects 0.000 description 11
- 239000000463 material Substances 0.000 description 9
- 230000001186 cumulative effect Effects 0.000 description 6
- 239000011149 active material Substances 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 229910003003 Li-S Inorganic materials 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 3
- 238000004090 dissolution Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003679 aging effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000006479 redox reaction Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 239000006182 cathode active material Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005297 material degradation process Methods 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G01R31/3651—
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- G01R31/3679—
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/052—Li-accumulators
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Transportation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
리튬 유황 배터리, 모듈 또는 전지의 건강 상태(충전 상태 및 상대 연령을 포함함)를 정확하게 측정하는 시스템 및 방법. 본 발명은 충전 상태 및 건강 상태에 관련된 일련의 조건하에서 모델 매개변수들을 예측하기 위해 리튬 유황 전지 또는 배터리의 동작 모델을 사용한다. 동작 모델들에는 리튬 유황 배터리들의 건강 상태 결정을 위한 다른 방법들의 사용을 배제하는 리튬 유황 전지의 고유한 화학 작용으로 인한 메모리 효과가 포함된다. 모델 매개변수들은 실생활 애플리케이션들에서 식별되며 매개변수들은 칼만 필터링(Kalman filtering)을 채용하는 사용하는 동작 가능한 리튬 유황 모델의 매개변수들과 비교된다. 그 결과에는 건강 상태 및 기타 주요 성능 지표들의 추정치가 포함된다. 주요 성능 지표들은 예를 들면 저항의 측정값들과 비교되고 그럼으로써 정확성을 향상시키기 위해 추정 프로세스에 피드백 기능이 제공되게 한다. 상기 시스템은 한 애플리케이션에서 소프트웨어 또는 펌웨어로 구현될 수 있다.
Description
본 발명은 일반적으로 기술하면 일반적인 사용에서의 2차 전지의 동적인 사이클링으로 인한 용량 변화의 메모리 효과에 민감한 2차 전지의 충전 상태 및 건강 상태를 결정하는 방법 및 장치에 관한 것이다. 본 발명은 리튬 유황의 화학 작용을 갖는 전지들에서 특별한 효용을 알아낸 것이다. 본 발명은 또한 배터리 관리 시스템 및 에너지 시스템 제어기에서 그리고 전기 차량에서의 사용을 위한 레인지 파인딩(range-finding) 및 루트 파인딩(route-finding) 장치 및 방법에서 상기 리튬 유황 배터리의 충전 상태 및 건강 상태를 결정하는 방법 및 장치를 적용하는 것에 관한 것이다.
예를 들면, 휴대용 전자 제품 및 전기 차량 운송에서 전력 소스(power source)로서 사용하기 위한 충전 가능한 배터리를 제공하는 2차 전지의 충전 잔량을 신뢰성 있게 결정할 수 있는 능력은 차량에 대한 잔여 사용시간 및 가용 거리를 계산하기 위해 제조사 및 소비자 모두에 의해 매우 중요하게 평가되고 있다.
가솔린 차량에 관하여는, 연료 레벨이 간단히 측정될 수 있지만, 전기 및 하이브리드 차량에서 그리고 전자 기기에서는 배터리가 그들의 전력 소스로서 사용되기 때문에 배터리에 축적된 잔량 에너지를 측정하는 것이 더 어렵다. 이러한 어려움에도 다양한 기법이 개발되고 있다.
그러므로 2차 전지를 결정하는 중요한 측정기준은 충전 상태(State of charge; SOC)이며, 이는 충전이 필요할 때까지 충전 가능한 배터리에 저장되어 있는 잔량 에너지를 나타낸다. 반대로, 방전 상태는 마지막 충전 이후 충전 가능한 배터리에 의해 제공되는 에너지를 나타낸다.
특히, SOC는 전지의 충전 사이클(Qt)에서 전지에 의해 제공되는 총 용량과 비교하여 충전이 필요할 때까지 전지에 남아 있는 용량의 백분율 지표이다. SOC 0를 시간 t 0에서의 초기 SOC 백분율이라고 가정하면, 시간 t에서의 전지의 SOC 백분율은 다음과 같이 정의되고,
여기서 I는 방전에 대해 음(-)으로 정의되고 충전에 대해 양(+)으로 정의되는 전류이고, Q t는 Ah 단위인 전지의 최대 용량이다.
따라서, SOC를 추적하고 결정하기 위해서는 충전 상태의 초기값(SOCo)을 설정해야 한다. 리튬이온 및 기타 충전 가능한 배터리 타입들에서, 이는 일반적으로 전지 또는 배터리를 방전하기 전에 최대의 '개방 회로 전압(open circuit voltage; OCV)'을 참조하여 이루어지게 된다. 그러나 이하에서 설명되겠지만 특정 전지 타입들, 특히 리튬 유황 전지에 관해서는, OCV는 "누적 메모리 효과(cumulative memory effect)"라고도 알려진 매우 강력한 "메모리 효과"(즉, 히스테리시스(hysteresis))에 의해 영향을 받게 되는데, 이는 최대의 개방 회로 전압(OCV)이 전지의 최근 이력에 따라 아주 다른 SOC에서 이루어지게 될 수 있음을 의미한다.
이와 관련해서, 리튬 유황의 화학 작용은 다른 충전 가능한 배터리 타입들과 비교하여 충전 상태 추정에 대한 고유문제를 제공한다. 예를 들면, 도 1에 표시된 리튬 유황 전지의 충전 상태에 대한 OCV의 전형적인 선도에서 볼 수 있는 바와 같이 방전 곡선은 리튬이온 전지에서와같이 선형적이지 않다. 그 대신에, LiS 전지의 OCV 곡선은 100% SOC로부터, 2.15V 주변에서 일정한 OCV의 긴 용량의 하부 수평역(low plateau)(103)에 이르기까지 급격한 변화(102)가 이어지는 상당히 일정한 OCV의 짧은 용량의 상부 수평역(high plateau)(101)을 나타내고, 이는 전지가 0% SOC에 접근함에 따라 OCV가 급격하게 강하(104)할 때까지 계속된다. 상기 긴 수평역(103)은 충전 가능한 리튬 유황 배터리에 대한 신뢰성 있는 SOC 결정을 위한 OCV의 직접적인 사용을 효과적으로 배제한다.
저항 및 온도 측정치들을 사용하여 실생활 애플리케이션들에서의 정확도를 개선하는 것을 포함하여, 초기 SOC 결정의 정확도를 개선하려고 하는 다른 시도들이 이루어졌지만, 여전히 이는 효과가 없는데, 그 이유는 리튬 유황 전지의 내부 저항이 위에서 언급한 "메모리 효과(memory effect)"의 영향을 많이 받아서 다음 방전 이전에 알려진 상태로 복귀하는 것이 항상 가능하지 않기 때문이다.
시동 용량의 지식이 필요하지 않는 다른 한 공지 방법은 방전 중에 사용되거나 또는 충전 중에 저장되는 에너지의 양을 결정하기 위한 쿨롱 계수(coulomb counting)를 포함한다. 그러나 리튬 유황 전지는 충전시 기생 반응을 야기시키는데, 이는 패러데이 효율이 100%보다 현저히 낮음을 의미한다. 충전 중 전해질에 용해된 폴리설파이드들의 이러한 셔틀링(shuttling )은 과충전을 방지하지만 SOC 결정에서 쿨롱 계수의 사용을 배제하고, 그래서 쿨롱 계수는 LiS 전지에 효과가 없다.
US 7,688,075 B2는 교정된 리튬 유황 전지의 사용 및 가변 온도 및 연령에서의 표준 전지에 대한 광범위한 실험실 연구로부터 채워지는 SOC 대 저항의 내장된 룩업 테이블과의 선형 상관관계를 개시한다. 이러한 방법은 리튬이온 전지들과 달리 방전 중에 저항의 예측 가능하고 점진적인 변화를 유발한다는 점에서 리튬 유황 전지의 화학 작용의 고유한 특성을 이용한다. 이러한 방법은 테이퍼 충전에 의한 100% SOC에서 전지의 저항을 결정하고, 최대 전압으로 충전한 다음, 전류가 사전에 결정된 일정한 최소 전류와 같아질 때까지 그 전압을 유지하도록 전류를 감소시키는 것에 의존한다. 이는 잘 정의된 조건하에서 SOC의 정확한 측정을 제공한다.
본 발명자들은 상기 방법이 동적인 사용 조건하에서 활성 종이 사용 중에 일시적으로 비활성 상태가 됨으로 인해 매개변수(Q t )가 넓은 범위에서 변화하는 리튬 유황의 화학 작용의 또 다른 고유한 특징을 고려하고 있지 않음을 알아냈다.
이를 위한 메커니즘은 활성 음극 물질(유황(Sulfur))이 리튬이온 배터리와 달리 전해질에 용해된다는 것이다. 임의의 충전 사이클 동안 100% SOC 또는 방전 상태(state of discharge; SOD)에서의 최대 용량(Qt)은 음극의 활성 유황을 황화 리튬으로 전환한 것과 이전 사이클에서 전해질에 남아있는 중간체의 전환을 가산함으로써 결정된다. 이전 사이클로부터의 전해질 내 중간체의 농도는 온도, 충/방전 속도 및 이전 사이클의 충전 또는 방전 깊이(즉, 작동 조건)에 의해 결정된다.
따라서, 동적 또는 실생활 시스템에서 정밀하고 정확한 건강 상태를 얻기 위해, 본 발명자는 전지의 이력이 건강 상태 계산에 고려되어야 한다는 것을 인식하였다.
여기서, 건강 상태(state of health; SoH)는 캘린더 수명 및/또는 사이클 수명 측면에서 충전 가능한 전지에 저장된 잔여 에너지와 충전 가능한 전지의 잔여 수명과 관련된 충전 가능한 전지의 사용의 노화 효과를 조합한 성능 지수(figure of merit)이다.
특히, SoH는 전지의 총 정격 용량(QT)과 비교하여, 임의의 충전 사이클에서의 최대 사용가능 용량(Qusable)(즉, 해당 사이클에 대한 Qt, 일시적으로 비활성 상태이고 선택적으로는 영구적으로 비활성 상태인 종(species)에 대한 보상)의 백분율 지표이다.
마찬가지로, 리튬 유황 전지에 대한 관심은 휴대용 기기의 부하를 줄이고 전기 차량의 레인지를 넓히기에 유리한 에너지 밀도와 저렴한 물질로 인해 증가했다. 리튬 유황 배터리는 일반적으로 휴대용 전기 기기 및 전기 차량의 최신 기술 수준에 우수한 이론적 에너지 밀도를 제공하는 경량의 구성요소로 다양한 파우치 전지 포맷으로 제조된다. 따라서, 정상적인 사용에서의 상기 전지의 동적 사이클링으로 인한 용량 변화의 메모리 효과에 영향을 받기 쉬운 리튬 유황 전지와 같은 2차 전지의 충전 상태 및 건강 상태를 신뢰성 있게 결정하는 방법 및 장치를 제공하는 것이 바람직하다.
상기의 맥락에서 본 발명이 고안되었다.
따라서, 제1 실시형태에서 볼 때, 본 발명은 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수 있는 2차 전기 화학 전지의 충전 상태(state of charge; SOC)를 모델링하는 장치를 제공하며, 모든 충전 상태(SOC)에 대해 상기 전지의 단자 전압을 상기 전지의 동작 조건에 상관시키는 상기 전지의 내부 상태를 나타내는 모델을 기반으로 하여 사용 중인 상기 전지의 전기적 특성을 예측하도록 동작 가능한 전지 모델 모듈; 사용 중에 상기 전지의 동작 이력을 기반으로 하여, 상기 전지의 정격 용량(Qt)의 비율을 상관시키는 상기 전지 내의 활성 반응 종의 양적인 변화를 나타내는 메모리 모델을 기반으로 하는 사용 중인 상기 전지의 사용 가능한 용량, 즉 사용 가능한 용량(Qusable)을 모델링하도록 동작 가능한 메모리 효과 모델;을 포함하며, 상기 장치는 상기 전지 모델 모듈 및/또는 메모리 효과 모듈이 상기 메모리 효과 모듈에 의한 상기 전지의 사용 가능한 용량의 예측을 보상하기 위해 상기 전지의 동작 이력을 기반으로 하여 사용 중인 상기 전지 모델 모듈을 조정하도록 구성된다.
본 발명의 이러한 실시형태에 따르면, 최근 동작 이력을 기반으로 하여 상기 전지의 사용 가능한 활성 용량을 모델링하고 그에 따라 상기 전지 모델 모듈을 조정하는데 사용될 수 있는 메모리 효과 모듈의 제공은, 활성 종이 동적 사이클링으로 인해 일시적으로 및/또는 영구적으로 비활성 상태로 렌더링됨으로 인해 전지의 용량 변화를 보상할 수 있는 전지의 충전 상태를 모델링하는 장치를 초래한다. 따라서 실제 사용 사례에서 넓은 동작 범위를 이루는 상기 전지의 동작 거동을 설명할 수 있는 상기 전지의 내부 상태의 신뢰성 있는 모델이 생성될 수 있다.
상기 전기 화학 전지는 리튬 유황(Lithium Sulfur)의 화학 작용을 가질 수 있다. 대안으로, 상기 모델링된 전지는 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수 있는 소위 메모리 효과(memory effect)에 직면하게 되는 또 다른 화학 작용을 가질 수있다.
선택적으로, 상기 전지의 동작 조건은 상기 전지의 단자 전압; 상기 전지의 간주(看做) 개방 회로 전압; 상기 전지에 대한 전류 부하; 상기 전지의 온도; 상기 전지의 내부 저항; 중의 하나 이상을 포함한다.
선택적으로, 상기 전지의 내부 상태를 나타내는 모델은 다수의 모델링된 전기 요소를 포함하는 등가 회로망 모델이며, 상기 등가 회로망 모델은 상기 등가 회로망 모델의 구성요소를 이루는 전기 요소들의 속성들에 의해 매개변수 표시된다. 상기 등가 회로망 모델은 RC 쌍으로 표현된 하나 이상의 확산 저항 및 하나의 옴 저항과 직렬을 이루고 있는 전압 소스로 구성될 수 있다. 선택적으로, 상기 등가 회로망은 상기 전압 소스로 간주 되는 상기 전지의 간주 개방 회로 전압에 의해 전지 거동을 모델링하고, 상기 옴 및 확산 저항의 매개변수 표시 속성들은 소정의 충전 상태에서, 소정의 전류 부하 및 온도 하에 있는 상기 전지의 단자 전압에 이르기까지 상기 회로의 전압을 강하하도록 선택된다. ECN(Equivalent Circuit Network; 등가 회로망)은 사용 중인 상기 전지의 거동을 모델링하기 위해 매개변수 표시될 수 있는 특히 효과적인 모델이다.
ECN 대신 다른 모델을 사용할 수 있다. 선택적으로 상기 전지의 내부 상태를 나타내는 모델은 매개변수 표시된 물리-기반 전지 모델이다.
선택적으로, 상기 장치는 소정의 동작 조건에서 상기 전지의 모델링된 거동에 대한 전지 모델의 매개변수에 대한 값을 상기 전지 모델 모듈에 제공하는데 사용 가능하도록 구성되는 매개변수 값 리소스를 더 포함한다. 선택적으로 전지 모델의 매개변수 값은 상기 전지의 모델링된 충전 상태에 따라 달라진다. 선택적으로 전지 모델의 매개변수 값은 표준 전지의 테스트를 기반으로 하여 경험적 또는 반-경험적으로 획득된다. 선택적으로, 전지 모델의 매개변수 값은 매개변수 값 리소스, 선택적으로는 룩업 테이블에 저장된다.
선택적으로, 상기 전지 내의 활성 반응 종의 양적인 변화를 나타내는 메모리 모델은 상기 전지 내의 활성 반응물의 양 및/또는 상기 전지 내의 일시적으로 비활성 상태인 반응물의 양 및 선택적으로 상기 전지 내의 영구적으로 비활성 상태인 반응물의 양을 추적한다. 선택적으로, 상기 전지 내의 활성 반응 종의 양적인 변화를 나타내는 메모리 모델은 상기 전지의 반응 종의 상이한 발현, 이러한 상이한 발현에서의 반응 종의 양, 반응 종의 상기 상이한 발현이 충전 및 방전 중에 참여하는 반응, 및 그 반응의 반응 속도를 포함한다. 선택적으로, 모델링된 반응 속도는 다음 중 하나 이상에 의해 매개변수 표시된다. 상기 전지의 동작 조건; 반응 종의 상이한 발현의 모델링된 양; 상기 전지의 내부 상태; 사용 중인 상기 전지의 전기적 특성. 선택적으로 모델링된 반응 속도에 대한 매개변수 표시 값은 상기 전지에 대한 이론적 예측에 의해 획득되거나 표준 전지 테스트를 기반으로 하여 경험적 또는 반-경험적으로 적취(摘取)되거나 획득된다.
선택적으로, 상기 전지에서의 활성 반응 종의 양적인 변화를 나타내는 메모리 모델은 상기 전지의 반응 종을 고차 발현, 중차 발현 및 저차 발현을 나타내는 3개의 그룹으로 그룹화하는 단순화된 물리적 모델이고, 상기 모델은 상기 전지의 충전 및 방전 곡선들을 상부 수평역(high plateau) 및 하부 수평역(low plateau)으로 분할하고 고차-중차 발현 간의 반응이 상부 수평역을 지배하고 중차-저 발현 간의 반응이 하부 수평역을 지배하는 것으로 가정한다. 선택적으로, 메모리 모델은 상기 전지 단자 전압이 상부 수평역 및 하부 수평역 간의 경계 레벨 미만으로 강하하면 고차-중차 발현 간의 반응이 일어나지 않아서, 반응물의 고차 발현의 잔량이 일시적으로 비활성 상태로 간주 되어 상기 전지의 잔존 용량에 기여할 수 없게 된다. 그러한 단순화된 물리적 모델은 동적 사용 중인 전지의 용량 변화를 적절하게 설명할 수 있다.
선택적으로, 메모리 효과 모듈은 메모리 모델에 의해 모델링된 상기 전지의 이력을 고려하여 상기 전지 내의 활성 반응 종의 양을 기반으로 하여 소정의 동작 조건 세트에 대해 상기 전지의 사용 가능한 용량(Qusab1e)을 모델링하도록 구성된다.
선택적으로, 상기 장치는 상기 전지의 사용 가능한 용량의 손실을 보상하기 위해 매개변수 값 리소스를 조정하여 매개변수 값을 제공함으로써 상기 메모리 효과 모듈에 의한 상기 전지의 사용 가능한 용량의 예측을 기반으로 하여 사용 중인 상기 전지 모델 모듈을 조정하도록 구성된다. 선택적으로, 매개변수 값 리소스는 베이스라인 매개변수 세트로서 소정의 저 전류 충전 또는 방전 속도에 상응하는 상기 전지 모델에 대한 매개변수 값을 사용하도록 구성되며, 상기 장치는 상기 매개변수 값 리소스를 조정하여 상기 단지 전압이 경계 전압 미만으로 강하할 때, 매개변수 값 리소스가 하부 수평역에서의 동일한 단자 전압에 상응하는 동일한 옴 저항 값으로부터 계속되도록 베이스라인 매개변수 값을 스킵하고, 스킵된 용량은 일시적으로 비활성 상태인 종에 의한 용량 손실을 나타낸다.
제2 실시형태에서 볼 때, 본 발명은 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수 있는 사용 중인 2차 전기 화학 전지의 충전 상태(SOC)를 추정하는 장치를 제공하며, 상기 장치는, 사용 중인 상기 전지의 동작 상태의 측정치들을 수신하도록 구성된 전지 동작 조건 모니터 모듈; 모든 충전 상태(SOC)에 대해 상기 전지의 단자 전압을 상기 전지의 동작 조건에 상관시키는 상기 전지의 내부 상태를 나타내는 모델을 기반으로 하여 사용 중인 상기 전지의 전기적 특성을 예측하도록 동작 가능한 전지 모델 모듈; 사용 중에 상기 전지의 동작이력을 기반으로 하여, 상기 전지의 정격 용량(Qt)의 비율을 상관시키는 상기 전지 내의 활성 반응 종의 양적인 변화를 나타내는 메모리 모델을 기반으로 하는 사용 중인 상기 전지의 사용 가능한 용량, 즉 사용 가능한 용량(Qusab1e)을 모델링하도록 동작 가능한 메모리 효과 모듈 모듈;을 포함하며, 상기 장치는 상기 전지 모델 모듈 및/또는 메모리 효과 모듈이 상기 메모리 효과 모듈에 의한 상기 전지의 사용 가능한 용량의 예측을 보상하기 위해 상기 전지의 동작 이력을 기반으로 하여 사용 중인 상기 전지 모델 모듈을 조정하도록 구성되고, 상기 장치는, 상기 전지 동작 조건 모니터 모듈에 의해 사용 중에 수신된 상기 전지의 동작 조건의 측정치를 기반으로 하여 상기 전지 모델 모듈 및 상기 메모리 효과 모듈을 동작시켜 사용 중인 상기 전지의 내부 상태를 추정하도록 구성된 상태 추정기 모듈; 및 상기 추정된 상기 전지의 내부 상태를 기반으로 하여 상기 전지 모델 모듈을 동작시켜 상기 전지의 충전 상태를 추정하도록 구성된 충전 상태 추정기 모듈;을 포함한다.
본 발명의 이러한 실시형태에 따르면, 상기 전지의 충전 상태를 모델링하는 장치는 사용 중인 전지의 충전 상태를 신뢰성 있게 추정하기 위해 적용될 수 있으며, 여기서 상기 전지 모델 모듈에 의한 상기 전지의 내부 상태의 추정은 상기 메모리 효과 모듈이 그의 최근 동작 이력을 기반으로 하여 상기 전지의 사용 가능한 용량을 추적한 결과로서 상기 전지의 동적 사이클링으로 인한 용량 변화의 메모리 효과를 보상하도록 조정된다.
상기 전기 화학 전지는 리튬 유황(Lithium Sulfur)의 화학 작용을 가질 수 있다. 대안으로, 모델링된 전지는 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수 있는 소위 메모리 효과(memory effect)에 직면하게 되는 또 다른 화학 작용을 가질 수 있다.
선택적으로, 충전 상태 추정기 모듈은 상기 전지의 모델링된 사용 가능한 용량(Qusable)과 상기 전지의 정격 용량(Qt)의 비율로서 상기 전지의 건강 상태의 추정치를 제공하도록 더 구성된다.
선택적으로, 상기 상태 추정기 모듈은 반복 피드백 루프로서 동작함으로써 각각의 시간 간격에서 추정된 상태를 세분화(refine)하도록 구성되며, 여기서 반복 피드백 루프는 전지 모델 투영을 기반으로 하는 상기 전지의 내부 상태의 예측이 이전 시간 간격에서 추정된 상기 전지의 내부 상태를 현재 시간 간격으로 포워드함으로써 상기 전지의 현재 내부 상태의 추정을 업데이트하도록 상기 전지의 측정된 동작 조건을 기반으로 하여 정정된다. 선택적으로, 상기 상태 추정기 모듈은 칼만-타입 필터, 선택적으로 칼만 필터, 확장 칼만 필터, 무향(unscented) 칼만 필터, 입자 필터 또는 루엔버거(Luenberger) 상태 추정기로서 구성된다. 선택적으로, 상기 상태 추정기 모듈은 예측 오차 최소화 기법을 운영하여 사용 중인 상기 전지의 내부 상태를 나타내는 상기 전지 모델의 매개변수들의 추정치를 식별하도록 구성된다. 선택적으로, 상기 상태 추정기 모듈은 퍼지 로직 규칙 세트를 풀어내어 사용 중인 상기 전지의 내부 상태를 나타내는 전지 모델의 매개변수의 추정치를 식별하도록 구성된다. 칼만-타입 필터의 사용은 피드백을 제공하는 정정-추정 루프에 의해 개선되고, 경험적으로 또는 이론적으로 획득된 매개변수 값들을 전부 저장하는 룩업 테이블에 대한 필요성을 회피할 수 있는, 상기 전지의 충전 상태를 유연하고 정확하게 추정하는데 특히 효과적일 수 있다.
선택적으로, 사용 중인 상기 전지 동작 상태 모니터 모듈에 의해 수신된 상기 전지의 동작 조건들의 측정치들은 상기 전지의 단자 전압; 상기 전지에 대한 전류 부하; 및 선택적으로 상기 전지의 온도; 및 선택적으로 상기 전지의 내부 저항을 포함한다.
선택적으로, 상기 전지 모델 모듈 및 상기 메모리 효과 모듈은 본 발명의 제1 실시형태에 따른 상기 기재들 중 어느 하나에 따른 장치에 의해 제공된다.
선택적으로, 상기 장치는 단자 전압 감지 회로; 및 전류 부하 감지 회로; 및 선택적으로 밸런싱 저항기를 포함하는 스위칭 회로를 포함하는 전지 내부 저항 감지 회로; 및 온도 센서를 포함하는 전지 동작 조건 측정 수단을 더 포함한다.
선택적으로, 상기 장치는 하나 이상의 프로세서들 및 상기 하나 이상의 프로세서들에 의해 실행될 때 상기 프로세서 또는 프로세서로 하여금 본 발명의 상기 기재들 중 어느 하나에 따른 장치를 구현하게 하는 명령어을 저장하는 컴퓨터 판독가능 매체를 더 포함한다.
선택적으로, 상기 전지의 내부 상태를 나타내는 전지 모델에 대한 매개변수 값들은 예측 오차 최소화 기법에 의해, 모델의 사용시 또는 테스트 전지 데이터로부터의 매개변수 값들의 경험적 획득시 식별된다. 선택적으로, 상기 예측 오차 최소화 기법은 스칼라(scalar) 적합도 함수를 정의한다.
제3 실시형태에서 볼 때, 본 발명은 복수 개의 전지들을 포함하는 배터리 관리 시스템 또는 복수 개의 전지들에 커플링하기 위한 에너지 시스템 제어기를 제공하며, 상기 배터리 관리 시스템 또는 에너지 시스템 제어기는, 사용 중인 상기 복수 개의 전지들의 충전 상태(state of charge; SOC), 및 선택적으로는 건강 상태(state of health; SoH)를 추정하도록 구성된 본 발명의 상기 기재들 중 어느 하나에 따른 장치를 포함한다. 전지의 충전 상태를 모델링하거나 추정하기 위한 장치의 사용은 배터리 팩을 제공하는 복수 개의 전지들에서 잔존 충전 또는 용량의 출력 지표를 제공하는 전지 관리 시스템 및 에너지 시스템 제어기에서 특별한 유용성을 발견한다.
제4 실시형태에서 볼 때, 본 발명은 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수 있는 차량에 전력을 제공하도록 구성된 복수 개의 2차 전기 화학 전지들을 포함하는 전기 차량의 레인지(range)를 추정하기 위한 장치를 제공하며, 상기 장치는 사용 중인 상기 전지들의 충전 상태 및 잔존 용량을 추정하기 위해 동작하도록 구성되는 본 발명의 제2 또는 제3 실시형태에 따른 상기 기재들 중 어느 하나에 따른 장치; 및 상기 전기 차량에서의 사용 중인 상기 전지들의 예측된 동작 조건들 및 사용 중인 상기 전지들의 충전 상태 및 잔존 용량의 추정을 기반으로 하여 전기 차량의 레인지를 추정하도록 구성된 거리 추정 모듈을 포함한다. 이러한 실시형태에 따르면, 전지의 충전 상태를 추정하기 위한 상기 장치의 사용은 전기 차량의 레인지의 신뢰성 있는 추정을 허용한다.
제5 실시형태에서 볼 때, 본 발명은 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수있는 전기 차량에 전력을 제공하도록 구성된 복수개의 2차 전기 화학 전지들을 포함하는 전기 차량에 대한 루트(route)를 계획하는 장치를 제공하며, 상기 장치는 본 발명의 제4 실시형태의 상기 기재에 따른 전기 차량의 레인지 추정 장치; 및 상기 루트를 따르는 상기 전지들의 상기 예측된 동작 조건들을 기반으로 하여 상기 레인지 추정 모듈에 의해 생성된 상기 전기 차량의 추정 레인지를 적어도 부분적으로 기반으로 하여 원하는 목적지를 향한 루트를 계획하도록 구성된 루트 계획 모듈;을 포함한다. 이러한 실시형태에 따라, 전기 차량에 대한 신뢰성 있는 레인지 추정의 사용은 루트 계획을 용이하게 할 수 있다.
선택적으로, 상기 장치는 상기 루트 계획 모듈에 의해 계획된 복수 개의 루트들로부터 목적지를 향한 최적의 루트를 선택하기 위한 루트 최적화 모듈을 더 포함한다.
제6 실시형태에서 볼 때, 본 발명은 하나 이상의 프로세서에 의해 실행될 때 프로세서 또는 프로세서들로 하여금 본 발명의 상기 기재들 중 어느 하나에 따른 장치를 구현하게 하는 명령어들을 포함하는 컴퓨터 판독가능 매체를 제공한다.
제7 실시형태에서 볼 때, 본 발명은 활성 반응 종이 사용 중에 불활성 상태가 됨으로 인해 용량이 손실될 수 있는 2차 전기 화학 전지의 모델을 생성하는 방법을 제공하며, 상기 모델은 모든 충전 상태(SOC)에 대해 상기 전지의 단자 전압을 상기 전지의 동작 조건에 상관시키는 상기 전지의 내부 상태를 나타내는 모델을 기반으로 하여 사용 중인 상기 전지의 전기적 특성을 예측하도록 동작 가능하며, 상기 전지의 내부 상태를 나타내는 모델은 다수의 모델링된 전기 요소들을 포함하는 등가 회로망 모델이고, 상기 등가 회로망 모델은 상기 등가 회로망 모델의 구성 요소를 이루는 전기 요소들의 속성들에 의해 매개변수 표시되고, 상기 방법은, 모든 충전 상태(SOC)에 대해 사용 중인 상기 전지의 동작 조건의 범위에 걸쳐 사용 중인 상기 전지의 거동을 나타내는 데이터를 생성하는 단계; 사용 중인 상기 전지의 거동을 나타내는 상기 생성된 데이터를 기반으로 하여, 등가 회로로 하여금 사용 중인 상기 전지의 거동을 나타내는 상기 생성된 데이터에 상응하는 등가 회로 모델의 거동을 생성하는 전기적 특성을 갖게 하는 충전 상태의 함수로서 상기 등가 회로 모델의 매개변수들을 식별하는 단계;를 포함한다.
본 발명의 전술한 실시형태가 상기 전지에 대한 ECN 모델의 사용과 관련하여 상기 방법을 제시하지만, 이는 제한적이지 않으며 본 발명의 본질적인 특징이 아니라는 것을 이해해야 한다. ECN 모델에서와같이 사용 중인 상기 전지의 거동을 모델링하는데 사용되고 매개변수 표시될 수 있는 물리-기반 전지 모델 및 고충실도 모델을 포함하는 대체 전지 모델이 사용될 수 있다.
상기 전기 화학 전지는 리튬 유황(Lithium Sulfur)의 화학 작용을 가질 수 있다. 대안으로, 모델링된 전지는 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수 있는 소위 메모리 효과(memory effect)에 직면하게 되는 또 다른 화학 작용을 가질 수 있다.
선택적으로, 상기 등가 회로망 모델은 RC 쌍으로 표현된 하나 이상의 확산 저항 및 하나의 옴 저항과 직렬을 이루고 있는 전압 소스로 구성되며, 여기서 상기 전압 소스의 전압, 및 상기 옴 저항 및 RC 쌍의 저항 및 커패시턴스는 등가 회로 모델을 매개변수 표시한다.
선택적으로, 상기 전지의 동작 조건은 상기 전지의 단자 전압; 상기 전지의 간주 개방 회로 전압; 상기 전지에 대한 전류 부하; 상기 전지의 온도; 상기 전지의 내부 저항; 중의 하나 이상을 포함한다.
선택적으로, 모든 충전 상태(SOC)에 대해 상기 전지의 동작 조건의 범위에 걸쳐 사용 중인 상기 전지의 거동을 나타내는 데이터를 생성하는 단계는, 상기 전지의 고충실도의 물리적 모델을 사용하여 상이한 동작 상태에 대해 상기 전지의 상이한 충전 상태에서의 상기 전지의 단자 전압 거동을 예측하는 단계를 포함한다.
선택적으로, 모든 충전 상태(SOC)에 대해 상기 전지의 동작 조건의 범위에 걸쳐 사용 중인 상기 전지의 거동을 나타내는 데이터를 생성하는 단계는, 상이한 동작 조건의 범위하에서 모델링된 전지의 설계에 대한 표준 셀의 거동을 제어 상태로 테스트하는 단계를 포함하며, 상이한 동작 조건의 범위하에서 모델링된 전지의 설계에 대한 표준 셀의 거동을 제어 상태로 테스트하는 단계는, 상이한 충전/방전 속도 및 온도 및 충전 상태에서 상기 전지의 단자 전압의 측정치를 수신하는 단계; 및 선택적으로 상이한 충전/방전 속도 및 온도 및 충전 상태에서 상기 전지의 내부 저항의 측정치를 수신하는 단계;를 포함한다. 선택적으로, 상이한 동작 조건의 범위하에서 모델링된 전지의 설계에 대한 표준 전지의 거동을 제어 상태로 테스트하는 단계는, 설정된 방전 속도로 상기 전지에 전류 펄스들을 인가하고, 상기 전지의 단자 전압이 개방 회로 전압으로 되돌아갈 수 있게 하는 상기 펄스들 간의 이완 시간을 남겨 두는 단계;를 포함한다. 선택적으로, 상기 모델링된 전지의 설계에 대한 표준 셀의 거동을 제어 상태로 테스트하는 단계는, 테스트 전지의 간주된 완전 충전 상태로부터 시작하여 상기 전지의 단자 전압이 테스트 전지에 대한 완전 방전 상태를 교정하는데 사용되는 사전에 결정된 레벨 미만으로 강하할 때까지 전류 방전 펄스를 인가하는 단계를 더 포함한다. 선택적으로, 사용 중인 상기 전지의 거동을 나타내는 데이터를 생성하는 단계는, 각각의 펄스 간의 이완 단계 마지막에서의 상기 전지의 단자 전압을 상기 충전 상태에서의 상기 전지의 개방 회로 전압으로 취하는 단계를 더 포함한다.
선택적으로, 상기 등가 회로 모델의 상기 매개변수들을 상기 충전 상태의 함수로서 식별하는 단계는, 상기 충전 상태에서 상기 전지의 개방 회로 전압을 사용하여 상기 충전 상태에서 상기 등가 회로망 모델의 전압 소스에 대한 매개변수 값을 식별하는 단계;를 포함한다. 선택적으로, 상기 등가 회로 모델의 상기 매개변수들을 상기 충전 상태의 함수로서 식별하는 단계는, 전류 펄스의 시작에서의 상기 전지의 단자 전압의 순간적인 강하를 사용하여 상기 충전 상태에서 상기 등가 회로망 모델의 옴 저항 성분에 대한 매개변수 값을 식별하는 단계;를 포함한다. 선택적으로, 상기 등가 회로 모델의 상기 매개변수들을 상기 충전 상태의 함수로서 식별하는 단계는, 상기 순간적인 전압 강하로부터 계속되는 상기 전지의 단자 전압의 점진적 강하를 사용하여 등가 회로망 모델의 확산 저항 성분에 기여하는 충전 상태에 대한 상기 RC 쌍의 저항 및 커패시턴스의 매개변수 값들을 식별하는 단계;를 포함한다.
선택적으로, 상기 방법은 예측 오차 최소화 기법을 사용하여 사용중인 상기 전지의 거동을 나타내는 상기 생성된 데이터를 기반으로 하여 식별된 사용 중인 상기 전지의 내부 상태를 나타내는 상기 전지 모델의 상기 매개변수 값들을 세분화하는 단계;를 더 포함한다.
선택적으로, 상기 방법은 상기 전지의 동작 조건의 범위에 걸쳐 모든 충전 상태에서의 상기 전지의 거동을 모델링하기 위해 상기 등가 회로망 모델에 대한 상기 식별된 매개변수 값들을 매개변수 값 리소스에 저장하는 단계;를 더 포함하며, 상기 매개변수 값 리소스는 선택적으로는 룩업 테이블이다.
선택적으로, 상기 방법은 상기 전지 모델에 대한 상기 식별된 매개변수 값들을 상기 충전 상태에 의존하는 함수들에 적취하는 단계;를 더 포함한다. 선택적으로, 매개변수 값들은 충전 상태의 함수로서 매개변수 값 리소스에 저장된다.
제8 실시형태에서 볼 때, 본 발명은 활성 반응 종이 사용 중에 불활성화 상태가 됨으로 인해 용량이 손실될 수 있는 2차 전기 화학 전지의 메모리 모델을 생성하는 방법을 제공하며, 상기 모델은 상기 전지 내의 활성 반응물의 양 및/또는 상기 전지 내의 일시적으로 비활성 상태인 반응물의 양 및 선택적으로는 상기 전지의 영구적으로 비활성 상태인 반응물의 양을 사용 중에 추적하도록 동작 가능하며, 상기 방법은, 상기 전지의 반응 종의 상이한 발현, 상기 상이한 발현에서의 반응 종의 양, 상기 반응 종의 상기 상이한 발현이 충전 및 방전 중에 참여하는 반응, 및 상기 반응의 반응속도에 관한 일련의 규칙들을 확립하는 단계; 상기 전지의 동작 조건; 상기 반응 종의 상이한 발현의 모델화된 양; 상기 전지의 내부 상태; 사용 중인 상기 전지의 전기적 특성; 중의 하나 이상에 의해 상기 모델화된 반응 속도를 매개변수 표시하는 단계; 및 고충실도의 물리적 모델을 기반으로 하는 상기 전지에 대한 이론적 예측들; 또는 표준 전지의 테스트를 기반으로 하는 경험적 또는 반-경험적인 상기 매개변수 값들의 적취 또는 획득에 의해 상기 모델화된 반응 속도에 대한 상기 매개변수 표시 값들을 식별하는 단계;를 포함한다.
선택적으로, 상기 전지에서의 활성 반응 종의 양적인 변화를 나타내는 상기 메모리 모델은 상기 전지의 반응 종을 고차 발현, 중차 발현 및 저차 발현을 나타내는 3개의 그룹으로 그룹화하는 단순화된 물리적 모델이며, 상기 모델은 상기 전지의 충전 및 방전 곡선들을 상부 수평역(high plateau) 및 하부 수평역(low plateau)으로 분할하고 고차-중차 발현 간의 반응이 상기 상부 수평역을 지배하며 중차-저차 발현 간의 반응이 하부 수평역을 지배하는 것으로 가정한다. 선택적으로, 상기 메모리 모델은 상기 전지 단자 전압이 상기 상부 수평역 및 상기 하부 수평역 간의 경계 레벨 미만으로 강하할 때, 상기 고차-중차 발현 간의 반응이 일어나지 않아서, 반응물의 고차 발현의 잔량이 일시적으로 비활성 상태로 간주 되어 상기 전지의 잔존 용량에 기여할 수 없게 된다.
본 발명의 제9 실시형태에서 볼 때, 본 발명은 활성 반응 종이 사용 중에 비활성 상태로 됨으로 인해 용량이 손실될 수 있는 사용 중인 2차 전지의 충전 상태(SOC)를 추정하는 방법을 제공하며, 상기 방법은, 사용 중인 상기 전지의 동작 조건들의 측정치들을 수신하는 단계; 및 모든 충전 상태(SOC)에 대해 상기 전지의 단자 전압을 상기 전지의 동작 조건과 상관시키는 상기 전지의 내부 상태를 나타내는 모델을 기반으로 하여 사용 중인 상기 전지의 전기적 특성을 추정하는 전지 모델 모듈을 사용하여 상기 전지를 모델링하는 단계; 사용 중에 상기 전지의 동작 이력을 기반으로 하여, 상기 전지의 정격 용량(Qt)의 비율을 상관시키는 상기 전지 내의 활성 반응 종의 양적인 변화를 나타내는 메모리 모델을 기반으로 하는 사용 중인 상기 전지의 사용 가능한 용량, 즉 사용 가능한 용량(Qusable)을 예측하는 단계; 상기 전지의 동작 이력을 기반으로 하여 사용 중인 상기 전지 모델 모듈을 조정하여 메모리 효과 모듈에 의한 상기 전지의 사용 가능한 용량의 예측을 보상하는 단계; 상기 전지의 동작 조건들의 수신된 측정치들에 적취되는 상기 전지 모델의 내부 상태 구성을 추정하는 단계; 및
상기 전지의 모델링된 내부 상태 구성을 기반으로 하여 상기 전지의 충전 상태(SOC)를 추정하는 단계에 의해 사용중인 전지의 내부 상태를 추정하는 단계;를 포함한다.
선택적으로, 상기 방법은 상기 전지의 모델링된 사용 가능한 용량(Qusab1e)과 상기 전지의 정격 용량(Qt)의 비율로서 상기 전지의 건강 상태를 추정하는 단계를 더 포함한다.
선택적으로, 상기 방법은, 반복 피드백 루프로서 동작함으로써 각각의 시간 간격에서 상기 전지의 추정된 내부 상태를 세분화하는 단계로서, 상기 반복 피드백 루프에서는 전지 모델 투영을 기반으로 하는 상기 전지의 내부 상태의 예측이 이전 시간 간격에서 추정된 상기 전지의 내부 상태를 현재 시간 간격으로 포워드함으로써 상기 전지의 현재 내부 상태의 추정을 업데이트하도록 상기 전지의 측정된 동작 조건들을 기반으로 하여 정정되게 하는, 단계;를 더 포함한다.
선택적으로, 상기 방법은, 칼만-타입 필터, 선택적으로는 칼만 필터, 확장 칼만 필터, 무향(unscented) 칼만 필터, 입자 필터 또는 루엔버거(Luenberger) 상태 추정기를 사용하여 각각의 시간 간격에서 상기 전지의 내부 상태를 추정하는 단계;를 더 포함한다.
선택적으로, 상기 방법은, 상기 예측 오차 최소화 기법을 사용하여, 사용 중인 상기 전지의 내부 상태를 나타내는 상기 전지 모델의 매개변수들의 추정치들을 식별하는 단계;를 더 포함한다.
선택적으로, 상기 방법은, 퍼지 로직 규칙 세트를 풀어내어 사용중인 상기 전지의 내부 상태를 나타내는 상기 전지 모델의 매개변수들의 추정치들을 식별하는 단계;를 더 포함한다.
선택적으로, 사용 중인 전지의 동작 조건 모니터 모듈에 의해 수신된 상기 전지의 동작 조건들의 측정치들은 상기 전지의 단자 전압; 상기 전지에 대한 전류 부하; 및 선택적으로는 상기 전지의 온도; 및 선택적으로는 상기 전지의 내부 저항;을 포함한다.
선택적으로, 상기 방법은, 복수 개의 전지들을 포함하는 배터리 관리 시스템 또는 상기 복수 개의 전지들에 커플링하기 위한 에너지 시스템 제어기에서 동작한다.
제10 실시형태에서 볼 때, 본 발명은 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수 있는, 전기 차량에 전력을 공급하도록 구성된 복수 개의 2차 전기 화학 전지들을 포함하는 전기 차량의 레인지(range)를 추정하는 방법을 제공하며, 상기 방법은, 본 발명의 제9 실시형태의 상기 기재에 따른 방법을 수행하여 사용 중인 상기 전지의 충전 상태 및 잔존 용량을 추정하는 단계; 사용 중인 상기 전지의 충전 상태 및 잔존 용량의 추정 및 상기 전기 차량에서의 사용 중인 상기 전지의 예측된 동작 조건들을 기반으로 하여 상기 전기 차량의 레인지를 추정하는 단계;를 포함한다.
본 발명의 제11 실시형태에서 볼 때, 본 발명은 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수 있는, 전기 차량에 전력을 공급하도록 구성된 복수 개의 2차 전기 화학 전지들을 포함하는 전기 차량의 루트(route)를 계획하는 방법을 제공하며, 상기 방법은, 본 발명의 제10 실시형태의 상기 기재에 따른 방법을 수행하여 전기 자동차의 레인지를 추정하는 단계; 및 상기 루트를 따르는 상기 전지들의 예측된 동작 조건들을 기반으로 하여 레인지 추정 모듈에 의해 생성된 전기 차량의 추정된 레인지를 적어도 부분적으로 기반으로 하여 원하는 목적지를 향하는 루트를 계획하는 단계;를 포함한다.
본 발명의 실시형태들의 몇몇 바람직한 실시 예들이 지금부터 단지 예로써만 첨부도면들을 참조하여 설명될 것이다.
도 1은 충전 상태에 대해 OCV를 플로팅하는 대표적인 리튬 유황 전지에 대한 전형적인 방전 곡선을 보여주는 도면이다.
도 2는 방전율 및 온도의 함수로서 방전도(즉, 1-SOC)에 대한 대표적인 리튬 유황 전지의 옴 저항의 점진적인 변화를 나타내는 그래프를 보여주는 도면이다.
도 3은 본 발명의 대표적인 실시 예에 따른 SOC 및 SOH를 추정하는 장치의 개략도이다.
도 4는 전지 동작 조건 측정 수단 및 내부 저항 감지 회로의 동작을 간략하게 보여주는 회로도이다.
도 5는 제어기 및 메모리가 더 상세하게 도시된, 본 발명의 대표적인 실시 예에 따른 SOC 및 SOH를 추정하는 장치의 개략도이다.
도 6a는 전압 대 시간 플롯을 보여주는 도면이고, 도 6b는 테스트 LiS 전지를 사용하는 ECN 모델 매개변수 표시 실험으로부터 대표적인 실험적 테스트 결과들을 보여주는 전류 부하 대 시간 플롯을 보여주는 도면이다.
도 7a 및 도 7b는 LiS 전지의 거동에 대한 간단한 등가 회로 네트워크 모델들을 보여주는 도면들이다.
도 8a 및 도 8b는 도 6에 도시된 전류 펄스에 관련된, 시간에 대한 전류 부하 및 시간에 대한 테스트 LiS 전지의 단자 전압을 각각 구체적으로 보여주는 도면들이다.
도 9a 및 도 9b는 각각 10℃에서의 SOC 및 0.1C의 전류 방전 속도의 함수로서의 R1 및 R2의 매개변수 표시 값들을 보여주는 도면들이다.
도 10은 0.1C 정전류 방전율에 대한 ECN-예측 및 실험 방전 곡선들, 및 0.2C 정전류 방전율에 대한 방전 곡선의 표준 실험 데이터를 보여주는 도면이다.
도 11a는 사전-펄싱, 펄싱 및 사후-펄싱 사이클들에 관련된 시간에 대한 전지 전압을 보여주는 도 11b에 도시된 바와 같이, 동적 사이클링을에 직면하는 동일한 전지의 용량 변화를 보여주는 도면이다.
도 12a는 0.1C 및 O.5C 방전율에 대한 간단한 메모리 모델에 의해 지시된 바와 같이 Ro에 대한 룩업 테이블을 판독하는 것을 보여주는 도면이다.
도 12b는 간단한 메모리 모델에 의해 조정된 ECN에 대한 모델링된 방전 곡선들을 보여주는 도면이다.
도 13은 서로 다른 전류 방전율들을 갖는 Qt의 변화를 예측하기 위해 단순화된 메모리 모델에 의해 조정된 ECN 전지 모델에 의해 예측된 방전 곡선들을 보여주는 도면이다.
도 14는 서로 다른 방전율들에 대해 0.1C에 대한 Ro 값들의 판독을 조정한 것으로부터 상대적인 Ro 값들을 보여주는 도면이다.
도 15는 리튬 유황 전지의 등가 회로 모델의 일반적인 형태를 보여주는 도면이다.
도 16a 내지 도 16d는 식별된 매개변수 값들과 함께 예측 오차 최소화 방법에서 서로 다른 충전 레벨들에서 전지 전압에 대해 평가된 RMSE 값들을 보여주는 ㄷ도면들이다.
도 17은 본 발명의 한 실시 예에 따른 충전 상태/건강 상태 추정의 대표적인 방법을 보여주는 도면이다.
도 18은 동작 등가 회로 모델 및 칼만 필터링을 이용한 실시간 SOC/SOH 추정을 개략적으로 보여주는 도면이다.
도 19는 상태 추정기로서 간단한 칼만 필터를 사용한 매개변수 추정 및 해석을 위한 대표적인 시스템 아키텍처를 보여주는 도면이다.
도 20은 상태 추정기로서 비-선형 칼만 필터를 사용한 매개변수 추정 및 해석을 위한 대표적인 시스템 아키텍처를 보여주는 도면이다.
도 21은 상태 추정기로서 다중 가설 필터들을 사용한 매개변수 추정 및 해석을 위한 대표적인 시스템 아키텍처를 보여주는 도면이다.
도 22는 상기 추정기로서 퍼지 로직(Fuzzy Logic)을 사용한 매개변수 추정 및 해석을 위한 대표적인 시스템 아키텍처를 보여주는 도면이다.
도 23은 단순화된 등가 회로를 사용한 0.5 내지 2%의 SOC 증분들을 통한 다양한 예측 호라이즌(prediction horizon)들에 대한 예측 결과들을 보여주는 도면이다.
도 24는 본 발명의 실시형태들 중 한 실시 예에 따른 전기 자동차의 레인지를 추정하고 그 전기 자동차의 경로를 계획하는 방법을 보여주는 흐름도이다.
도 2는 방전율 및 온도의 함수로서 방전도(즉, 1-SOC)에 대한 대표적인 리튬 유황 전지의 옴 저항의 점진적인 변화를 나타내는 그래프를 보여주는 도면이다.
도 3은 본 발명의 대표적인 실시 예에 따른 SOC 및 SOH를 추정하는 장치의 개략도이다.
도 4는 전지 동작 조건 측정 수단 및 내부 저항 감지 회로의 동작을 간략하게 보여주는 회로도이다.
도 5는 제어기 및 메모리가 더 상세하게 도시된, 본 발명의 대표적인 실시 예에 따른 SOC 및 SOH를 추정하는 장치의 개략도이다.
도 6a는 전압 대 시간 플롯을 보여주는 도면이고, 도 6b는 테스트 LiS 전지를 사용하는 ECN 모델 매개변수 표시 실험으로부터 대표적인 실험적 테스트 결과들을 보여주는 전류 부하 대 시간 플롯을 보여주는 도면이다.
도 7a 및 도 7b는 LiS 전지의 거동에 대한 간단한 등가 회로 네트워크 모델들을 보여주는 도면들이다.
도 8a 및 도 8b는 도 6에 도시된 전류 펄스에 관련된, 시간에 대한 전류 부하 및 시간에 대한 테스트 LiS 전지의 단자 전압을 각각 구체적으로 보여주는 도면들이다.
도 9a 및 도 9b는 각각 10℃에서의 SOC 및 0.1C의 전류 방전 속도의 함수로서의 R1 및 R2의 매개변수 표시 값들을 보여주는 도면들이다.
도 10은 0.1C 정전류 방전율에 대한 ECN-예측 및 실험 방전 곡선들, 및 0.2C 정전류 방전율에 대한 방전 곡선의 표준 실험 데이터를 보여주는 도면이다.
도 11a는 사전-펄싱, 펄싱 및 사후-펄싱 사이클들에 관련된 시간에 대한 전지 전압을 보여주는 도 11b에 도시된 바와 같이, 동적 사이클링을에 직면하는 동일한 전지의 용량 변화를 보여주는 도면이다.
도 12a는 0.1C 및 O.5C 방전율에 대한 간단한 메모리 모델에 의해 지시된 바와 같이 Ro에 대한 룩업 테이블을 판독하는 것을 보여주는 도면이다.
도 12b는 간단한 메모리 모델에 의해 조정된 ECN에 대한 모델링된 방전 곡선들을 보여주는 도면이다.
도 13은 서로 다른 전류 방전율들을 갖는 Qt의 변화를 예측하기 위해 단순화된 메모리 모델에 의해 조정된 ECN 전지 모델에 의해 예측된 방전 곡선들을 보여주는 도면이다.
도 14는 서로 다른 방전율들에 대해 0.1C에 대한 Ro 값들의 판독을 조정한 것으로부터 상대적인 Ro 값들을 보여주는 도면이다.
도 15는 리튬 유황 전지의 등가 회로 모델의 일반적인 형태를 보여주는 도면이다.
도 16a 내지 도 16d는 식별된 매개변수 값들과 함께 예측 오차 최소화 방법에서 서로 다른 충전 레벨들에서 전지 전압에 대해 평가된 RMSE 값들을 보여주는 ㄷ도면들이다.
도 17은 본 발명의 한 실시 예에 따른 충전 상태/건강 상태 추정의 대표적인 방법을 보여주는 도면이다.
도 18은 동작 등가 회로 모델 및 칼만 필터링을 이용한 실시간 SOC/SOH 추정을 개략적으로 보여주는 도면이다.
도 19는 상태 추정기로서 간단한 칼만 필터를 사용한 매개변수 추정 및 해석을 위한 대표적인 시스템 아키텍처를 보여주는 도면이다.
도 20은 상태 추정기로서 비-선형 칼만 필터를 사용한 매개변수 추정 및 해석을 위한 대표적인 시스템 아키텍처를 보여주는 도면이다.
도 21은 상태 추정기로서 다중 가설 필터들을 사용한 매개변수 추정 및 해석을 위한 대표적인 시스템 아키텍처를 보여주는 도면이다.
도 22는 상기 추정기로서 퍼지 로직(Fuzzy Logic)을 사용한 매개변수 추정 및 해석을 위한 대표적인 시스템 아키텍처를 보여주는 도면이다.
도 23은 단순화된 등가 회로를 사용한 0.5 내지 2%의 SOC 증분들을 통한 다양한 예측 호라이즌(prediction horizon)들에 대한 예측 결과들을 보여주는 도면이다.
도 24는 본 발명의 실시형태들 중 한 실시 예에 따른 전기 자동차의 레인지를 추정하고 그 전기 자동차의 경로를 계획하는 방법을 보여주는 흐름도이다.
이하의 설명은 특히 리튬 유황 전지와 관련하여 본 발명의 실시 예들을 나타내고 있지만, 본 발명은 다른 전지의 화학 작용, 특히 활성 종이 동적 부하들 및 사이클링(즉 한 사이클 동안 가변 전류, 가변 온도 및 충전 및 방전의 다양한 깊이)을 통해 일시적으로 비활성 상태로 렌더링됨으로 인해 상기 전지의 사용 가능한 용량이 사용 중에 가변적인 다른 전지의 화학 작용에 유용함을 알 수 있다. 리튬 유황 전지가 이러한 기억 효과를 나타내기 때문에, 본 발명은 정상 사용 조건에서 리튬 유황 전지의 충전 상태 및 건강 상태를 신뢰성 있게 모델링하고 추정하는데 특히 유용하다.
다른 일반 배터리 시스템과는 달리 리튬 유황 전지의 활성 물질은 방전 중에 음극에서 전해질로 용해되어 다양한 전기 화학적 활성 및 안정성을 갖는 여러 중간 종으로 복잡한 상호변환을 거치게 되며, 상기 과정은 충전시 역으로 이루어진다. 도 2에 도시된 바와 같이, 전해질 조성에서의 변화는 공고된 미국 특허 US7,688,0782에 기재되어 있는 바와 같은 안정 상태의 교정 시스템에서 SOC를 나타 내는데 사용될 수 있는 저항의 점진적 변화를 일으킨다. 그러나 중간 종의 가역 용해는 100% 효율이 아니며 충전 또는 방전 말기에 전해질에 잔존하는 중간 종의 농도는(다음 충전/방전 사이클이 시작되기 전에) 충전/방전 속도, 온도 및 방전 또는 충전 깊이에 따라 변한다. 이러한 종은 가변적인 내부 저항을 만들어내므로 내부 저항만으로는 리튬 유황 전지의 SOC에 대한 신뢰성 있는 예측 인자가 될 수 없다.
임의의 충전 또는 방전에 대해, 그 사이클(즉, Qusab1e)에 대한 최대 가용 용량(Qt)은 음극에서 이용 가능한 유황을 리튬 유황으로 전환한 것과 전기 화학 반응에 참여하는 전해질 중 중간 종의 농도 변화를 가산한 것으로 이루어진다. 전해질 중 중간 종의 농도 변화는 양성 및 음성 양자 모두일 수 있으며 전지 물질, 확산 속도 및 활성 물질 분해 속도와 같은 다른 인자들의 영향을 받기 때문에 상대적인 충전 상태는 이전 사이클의 누적 이력에 따라 달라진다. 리튬 유황 전지는 동적 부하하에서 메모리 효과에 직면하게 된다. 급변하는 온도, 방전 속도 및 충전 속도뿐만 아니라 다양한 충전 및 방전 깊이에 직면하게 될 수 있는 실생활 동적 시스템에서, SOC 추정기의 사전 교정만으로는 전지 저항에 대한 '100% SOC/SOD' 조건에서 Qt의 양호한 추정치를 제공할 수 없는데, 그 이유는 상기 '100% SOC/SOD' 상태가 사용 중에 상기 전지가 직면하게 된 실제 환경 및 동작 조건들에 따라 달라지며, 이는 다시 전해질에 용해된 중간 종의 레벨을 좌우하기 때문이다.
이를 달성하기 위해, 본 발명은 "메모리 효과 인식(memory effect aware)"인 상기 전지의 SOC 및 SOH를 모델링하고 추정하기 위한 장치를 제공한다. 상기 모델은 모델 예측을 기반으로 하여 전지 또는 배터리의 현재 상태를 식별하기 위해 상기 전지 또는 배터리의 고유 환경 이력을 사용한다.
SOC 메모리 효과의 사이클링을 위해 사이클을 오버레이하는 것은 반응에 사용할 수 있는 활성 유황 종의 양을 비가역적으로 감소시키고 그리고/또는 전지 물질을 분해하여 사용 가능한 활성 유황의 이용을 감소시키는, 시간과 사이클 수로 획득되는 프로세스들이다. SOH는 실험에서 획득된 시간 및 사이클 수의 함수로서 이용 가능한 활성 물질을 감소시킴으로써 설명된다.
리튬 유황 배터리의 충전 상태 및 건강 상태를 결정하기 위해 동적 부하하에서 동작하는 리튬 유황 전지에 대해 수집된 모델 및 누적 이력 데이터를 이용하여 상이한 조건하에서 리튬 유황 전지의 단자 전압을 추정하는 장치 및 방법이 사용된다.
도 3을 참조하면, 전지의 건강 상태를 추정하기 위한 장치(300)는 사용 중인 전지가 제어기(302)에 노출되어 제어기(302)에 제공된 누적 동작 조건들을 저장하는 메모리(301)를 포함한다. 상기 장치(300)는 사용 중인(도시되지 않은) 리튬 유황 전지에 커플링되며 그의 SOC 및 SOH를 추정하도록 구성된다. 이러한 실시 예에서, 상기 장치는 단자 전압 감지 회로(303); 및 전류 부하 감지 회로(304); 밸런싱 저항기를 포함하는 스위칭 회로를 포함하는 전지 내부 저항 감지 회로(305); 및 온도 센서(306);를 포함하는 전지 동작 조건 측정 수단을 더 포함한다. 이들은 상기 전지에 대한 전류 부하, 상기 전지 상의 단자 전압, 상기 전지의 내부 저항의 측정치 및/또는 상기 전지의 온도 및/또는 주변 온도를 측정하거나 계산하여 상기 제어기(302)에 입력하도록 구성된다.
도 4를 참조하면, 전지 동작 조건 측정 수단(400)이 더 상세히 도시된다. 여기서, 사용 중인 전지(403)의 측정된 내부 저항의 직접적인 피드백을 상기 장치에 제공하기 위해(스위치(401)를 사용하여) 밸런싱 저항기(402)를 스위칭함으로써 인가된 전류 펄스로부터의 계산에 의해 사용 중인 전지의 내부 저항이 주기적으로 실시간 측정된다. 여러 실시 예에서, 상기 제어기(302)는 전지의 내부 상태의 추정치를 기반으로 하여 사용 중인 전지의 내부 저항의 추정치를 제공할 수 있다. 이를 상기 전지 내부 저항 검출 회로(305)를 이용하여 획득된 내부 저항의 측정치와 비교함으로써, 전지의 내부 상태에 대한 제어기의 모델이 포지티브 피드백을 사용하여 조정될 수 있다.
본 발명의 여러 실시형태에 따르면, 도 5에 도시된 바와 같이, 상기 제어기(302)는 전지(예컨대, LiS 전지)의 충전 상태 및 건강 상태를 모델링하기 위한 장치(즉, 본 실시 예에서 SOC 모델(531))를 구현한다. 구체적으로, 상기 제어기(302)는 컴퓨터 판독가능 명령어들을 수행하는 프로세서(521)(이는 하나 이상의 프로세서들로 제공될 수 있음), 및 RAM(522)을 포함한다.
상기 메모리(301)는 상기 제어기(302)(특히 프로세서(521))에 의해 실행될 때 상기 제어기(302)로 하여금 본 발명의 실시형태들에 따라 상기 전지의 SOC/SOH를 모델링하고 추정하기 위한 장치를 구현하게 하는 프로그램 로직(511)을 저장한다.
특히, 상기 프로세서(521)는 전지(403)의 동작 거동을 동작 범위에서 모델링함으로써 상기 전지(403)의 충전 상태 및 건강 상태를 모델링하기 위해 SOC 모델(531)을 RAM(522)에서 인스턴스화한다.
이는 SOC 모델(531)에 의해 달성되고, 상기 SOC 모델(521)은 모든 충전 상태(SOC)에 대해 상기 전지의 단자 전압을 상기 전지의 동작 조건에 상관시키는 상기 전지의 내부 상태를 나타내는(등가 회로망(equivalent circuit network; ECN) 또는 물리-기반 전지 모델과 같은) 모델을 기반으로 하여 사용 중인 전지의 전기적 특성을 예측하도록 동작 가능한 전지 모델 모듈(532)을 포함한다. 전지 모델은 ECN 모델의 예에서 등가 회로망 모델의 구성요소를 이루는 전기 요소들의 속성들에 의해 매개변수 표시된다. 상기 ECN에 대한 매개변수 값은, 메모리(301)에 저장된 매개변수 값 리소스(512)로부터 전지 모델 모듈(532)로 제공되며, 상기 매개변수 값 리소스(512)는 소정의 동작 조건들에서 상기 전지의 모델링된 거동에 대한 ECN 전지 모델의 매개변수들의 값들을 상기 전지 모델 모듈에 제공하기에 유용하도록 구성된다. 따라서, 소정의 동작 조건 세트 및 SOC에 대해, 상기 ECN에 대한 매개변수 값이 획득될 수 있다. 상기 매개변수 값들을 생성하여 전지(403)에 대한 전지 모델을 만들기 위해, 상기 전지 모델에 대한 매개변수 값은 표준 전지의 테스트를 기반으로 하여 경험적으로 또는 반-경험적으로 획득된다. 전지 모델의 매개변수 값은 모델링된 상기 전지의 충전 상태에 따라 달라진다. 매개변수 값 리소스(512)는 선택적으로 룩업 테이블이다.
SOC 모델(531)은 또한 전지의 정격 용량(Qt)의 비율을 상관시키는, 상기 전지 내의 활성 반응 종의 양적인 변화를 나타내는 메모리 모델을 기반으로 하는 사용 중인 상기 전지의 사용 가능한 용량(Qusab1e)을 사용 중에 메모리(301)에 저장된 상기 전지의 동작 이력(513)을 기반으로 하여 모델링하도록 동작 가능한 메모리 효과 모듈을 포함한다. 메모리 모델은 상기 전지 내의 활성 반응물의 양 및/또는(상기 전지의 동적 사용 및 부하로 인한 일시적인 용량 변화를 나타내는) 상기 전지 내의 일시적으로 비활성 상태인 반응물의 양 및 선택적으로는 상기 전지의 영구적인 용량 손실을 나타내는) 상기 전지 내의 영구적으로 비활성 상태인 반응물의 양을 추적한다. 메모리 모델은 상기 전지의 반응 종의 상이한 발현, 상기 상이한 발현에서의 반응 종의 양, 상기 반응 종의 상이한 발현이 충전 및 방전 중에 참여하는 반응, 및 상기 반응의 반응 속도와 관련된 일련의 규칙들을 포함한다. 모델링된 반응 속도는 다음 중 하나 이상에 의해 매개변수 표시된다. 상기 전지의 동작 조건들; 반응 종의 상이한 발현의 모델링된 양; 상기 전지의 내부 상태; 사용 중인 상기 전지의 전기적 특성. 상기 모델링된 반응 속도에 대한 매개변수 표시 값은 상기 전지에 대한 이론적 예측에 의해 획득되거나 표준 전지의 테스트를 기반으로 하여 경험적으로 또는 반-경험적으로 적취(摘取)되거나 획득된다.
사용 중인 전지의 용량 변화에 대한 메모리 효과를 설명하기 위해, SOC 모델(531)은 상기 메모리 효과 모듈에 의한 상기 전지의 사용 가능한 용량의 예측을 보상하기 위해 상기 전지의 동작 이력을 기반으로 하여 사용 중인 전지 모델 모듈(532)을 조정하도록 구성된다. 이러한 조정은 상기 전지 모델 모듈(532) 및/또는 메모리 효과 모듈(533)에 의해 수행될 수 있다.
이 때문에, 상기 SOC 모델(531)은 일단 생성되면 상기 메모리 효과를 고려하더라도 동작 범위에서 상기 전지의 내부 상태 및 동작 거동을 모델링하는데 사용될 수 있다.
그러나 사용 중에 상기 SOC 모델(531)은 다음과 같은 방식으로 상기 전지의 SOC를 추정하는데 사용될 수 있다.
프로그램 로직(511)은 또한 프로세서(521)로 하여금, 사용 중인 상기 전지의 내부 상태를 추정하도록 상기 전지 동작 조건 모니터 모듈(400)에 의해 사용 중에 수신된 상기 전지의 동작 조건들의 측정치들을 기반으로 하여 상기 전지 모델 모듈(532) 및 상기 메모리 효과 모듈(533)을 동작시키도록 구성된 전지 상태 추정기(534)를 RAM(522)에서 인스턴스화하게 한다. 일단 상기 전지 상태 추정기(534)가 SOC 모델(531)을 사용하여 상기 전지(403)의 내부 상태를 추정하면, 상기 전지 상태 추정기 모듈(534)의 하위 구성요소일 수도 있고 아닐 수도 있는 SOC 추정기 모듈(535)은 상기 전지의 추정된 내부 상태를 기반으로 하여 상기 전지 모델 모듈(532)을 동작시켜 상기 전지의 충전 상태를 추정하도록 구성된다. 이는 상기 ECN 모델에 대해 추정된 매개변수들을 사용해 상기 매개변수 값 리소스(512)를 참조하여 SOC를 결정함으로써 달성된다.
상기 예가 메모리(301)에 저장된 프로그램 로직을 기반으로 하는 CPU 코어와 같은 보다 범용인 프로세서(521)에 의한 본 발명의 구성요소들의 소프트웨어-구동 구현을 나타내고 있지만, 대안적인 실시 예에서는 본 발명의 몇몇 구성요소들이 예를 들면 임베디드 소프트웨어 및 펌웨어에 의해 부분적으로 구성될 수 있는, ASIC(application-specific integrated circuits) 또는 FPGA(field-programmable gate arrays)를 사용하여 사전 구성된 전자 시스템으로서 부분적으로 임베드될 수도 있고 프로그램 가능한 로직 기기로서 임베드된 임베디드 제어기 및 회로일 수도 있다.
전지의 SOC를 모델링하고 추정하기 위한 SOC 모델(531) 및 전지 상태 추정기(534)를 생성하기 위한 장치(300)의 특정 구현 예들이 이하에서 더 상세히 설명될 것이다. 다양한 구현 예에서, 본 발명은 리튬 유황 배터리, 모듈 또는 전지의 충전 상태 및 건강 상태의 정밀하고 정확한 결정을 위한 장치 및 방법을 제공한다. 실시 예들에서, 상기 장치(300)는 복수 개의 전지들을 포함하는 배터리 관리 시스템 또는 복수 개의 전지들에 커플링하기 위한 에너지 시스템 제어기의 일부로서 제공된다.
전지 모델 모듈의 생성 - 등가 회로 예
전지의 각각의 SOC(즉, 100% 내지 0%)에 대한 전류 및 온도의 함수로서 단자 전압(V)을 상관시키는 등가 회로 모델이 먼저 전지에 대해 생성된다. 이는 표준 배터리 테스트 장비를 사용하여 차후에 분석되거나 LiS 전지의 고충실도의 물리적 모델로 예측되는 동일한 타입의 표준 전지로부터 테스트 데이터를 생성함으로써 달성된다. 출력은 상기 등가 회로 모델을 매개변수 표시하는 데 사용되며 매개변수 값은 SOC에 따라 다르다. 매개변수 값 및 모델은 복수 개의 전지들을 포함하는 배터리 관리 시스템 또는 에너지 시스템 제어기에 내장된다.
실험적 테스트가 수행되는 경우, 이는 충전 또는 방전 속도(즉, 정격 용량(소정의 타임프레임 단위) 및 온도를 제공하는 방전/충전 전류와 비교되는 방전/충전 전류의 비율)과 같은 다양한 동작 조건하에서 전지의 거동을 관찰하기 위한 것이다. 각각의 테스트 데이터는 시간, 인가된 전류, 배터리 단자 전압 및 온도를 포함한다. 전형적인 테스트 방법에서 시간에 대한 전지에 인가된 전류 부하를 보여주는 도 6b에 도시된 바와 같이, 일정한 진폭을 갖는 연속 방전 전류 펄스 전류 펄스가 전지에 인가되고 전지의 단자 전압이 측정된다. 여기서 볼 수 있는 바와 같이, 대표적인 테스트에서는, 1C의 방전 속도를 갖는 86개의 연속 전류 방전 펄스가 인가되었고, 각각 600초의 휴지(rest)가 이어졌다.
시간에 대한 LiS 전지의 단자 전압을 보여주는 도 6a에서 볼 수 있는 바와 같이 테스트 전지는 2.8-2.1V의 최대 충전에서 시작하여 전지의 단자 전압이 0.5 내지 2.1V의 사전에 정의된 차단 전압 미만으로 강하할 때까지 계속 이어진다. 샘플링 속도는 0.1초에서 12시간에 이르기까지 다양하다.
실험적 테스트 데이터의 수집에서, 각각의 전류 펄스 다음에 배터리 단자 전압이 개방 회로 전압(Voe) 및/또는 정상 상태로 복귀하기에 충분한 이완 시간(1초 내지 100시간)이 이어진다.
등가 회로망에 대하여는 그 후 실험 데이터에 적합한 유연성을 제공하여 계산 복잡도와 적합도의 밸런스를 맞추는 모델 구조가 선택된다. LiS 전지의 거동에 대한 대표적인 간단한 모델이 도 7a에 도시되어 있으며, 도 7a에서는 단자 전압(Vt)이 옴 저항(Ro), 및 저항(Rp) 및 커패시턴스(Cp)를 갖는 하나 이상의 RC 쌍(들)과 직렬을 이루어, 개방 회로 전압(Vocv)을 제공하는 전지에 의해 생성된다. 도 7b에 도시된 이 등가물은 옴 저항(Ro) 및 RC 쌍(Rn, Cn)에 의해 제공된 확산 저항과 직렬을 이루는 전압 소스로서 개방 회로 전압을 취한다.
LiS 전지의 등가 회로망 모델은 그 후 상기 등가 회로망 모델의 구성요소를 이루는 전기 요소들 - 즉, 개방 회로 전압 및 옴 및 확산 저항의 속성들에 의해 매개변수 표시된다. 매개변수 표시는 예컨대, 테스트 데이터에서 관찰된 거동을 사용하여 수행된다.
모델 매개변수 표시의 한 대표적인 방법은 전류, 즉 정의된 모델 입력에 의해 결정되는 상기 SOC에 의해 정의된 값을 갖는 전위 소스로서 개방 회로 전압(Vocv)을 취한다. 모델 구조에서의 RC 쌍의 수는 상기 모델 및 상기 실험 데이터 간의 일치를 개선하기 위해 증가 될 수 있다. 상기 모델의 의도는 특정 온도에서 특정 입력 전류가 주어지면 시간의 함수로서 회로 양단 간의 전체 전압 강하를 예측하는 것이다. 이는 개방 회로 전압, Rn 및 Cn을 구비하여 계산될 수 있다. 리튬 유황 전지의 개방 회로 전압은 2.15V +/- 0.1V와 같은 실제 OCV가 아니므로, 상기 모델의 목적을 위해 각각 이완 단계의 마지막에 있는 전지 전위(Em)가 OCV로 간주 된다.
지금부터, 도 6에 도시된 전류 펄스에 대한, 시간에 대한 전류 부하 및 시간에 대한 테스트 LiS 전지의 단자 전압의 세부사항들을 각각 보여주는 도 8a 및 도 8b를 참조하기로 한다. 도 8b에서, 직렬 옴 저항(Ro)은 전류 펄스의 인가시 즉각적인 전압 강하, 또는 전류 펄스의 방출시 즉각적인 전압 상승을 측정함으로써 실험 데이터로부터 직접 계산 또는 매개변수 표시될 수 있다. 즉각적인 전압의 변화는 등가 회로 모델의 옴 저항 성분의 결과로 가정하고, 이를 계산하는 데 사용된다.
도 8b에 도시된 전지 전압의 만곡된 변화로 이어지는 지연된 저항을 야기하는 것으로 가정되는 확산 저항 성분의 나머지 Rn 및 Cn 값은 알고 있는 것이 아니다. 전류 펄스가 끝난 후 이완 단계 곡선의 데이터를 사용하는 이하의 매개변수 표시 프로세스는 등가 회로망 모델을 출력 실험 데이터에 적취하여 이를 결정하는데 사용된다.
수학적으로 등가 회로망 양단 간의 전위차는 이하의 수학식
와 같이 개방 회로 전압에서 IRo 옴 저항 및 RC 쌍 확산 저항(2개의 RC 쌍일 경우 V1 및 V2)에 걸린 전위 강하를 뺀 것과 같다.
RC 쌍 각각에 걸린 전위 강하는 이하의 관계
에 의해 지배된다.
그래서 펄싱(pulsing) 동안 전지 전압은 이하의 수학식
으로 주어진다.
여기서 Vn(O)는 RC 쌍에 걸린 초기 전압이며, 이는 각각의 펄스의 시작에서 0으로 가정된 것이다. 이완 중에 전압은 이하의 수학식
으로 주어진다.
여기서 Vn(O) = IRn은 커패시터가 완전히 충전된 것으로 가정하여 계산될 수 있는 이전 펄스의 마지막에서의 전위이다.
알고 있지 않은 Rn, Cn 매개변수에 대한 적취(fitting) 절차는 이하의 수학식
와 같이 비선형 최소 제곱 기법 또는 적합한 대안을 사용하여 상기 모델과 실험 간의 오차의 제곱의 모든 데이터 요소들에 대한 합을 최소화하는 것이다.
여기서 i는 방전 곡선의 모든 데이터 요소들을 포괄한다. 상기 값은 신뢰-영역 반사 알고리즘 또는 적합한 대안을 사용하여 최소화된다.
실험적 테스트 데이터를 사용하여 ECN 모델에 대한 모든 매개변수들을 추정한 후, RC 분기 저항 및 커패시턴스에 대한 룩업 테이블들이 각각의 SOC에 대해 생성되고, 데이터는, 0.1C의 전류 방전 속도 및 10℃에서의 SOC의 함수로서 R1 및 R2의 매개변수 표시 값들을 각각 보여주는 도 9a 및 9b에 도시된 바와 같이 최적합 곡선 적취를 사용하여 평활화된다. x 표시들은 매개변수 추정 결과들을 나타낸 것이고 선(line)은 최적합 곡선인 것이다.
룩업 테이블들은 본 발명에 따른 동작 SOC/SOH 추정기에 매개변수 값 리소스(512)로서 저장될 수 있는 것으로, 임의의 메모리 손실 효과를 고려하지 않고 표준 테스트 LiS 전지의 거동의 모델을 생성하는데 사용된다.
상기 곡선들에 대해 적취된 매개변수들 및 수학식들은 예를 들면 이하의 적취된 다항식들
에 따라 생성된다.
적취된 곡선의 형태에 따라, 2개 이상의 다항식은 상기 곡선의 다른 부분들을 적취하는데 사용될 수 있다. 이는 단지 하나의 다항식만으로 상기 곡선들을 적취하는 것이 실현 가능하지 않는 경우에 유용하며, 그래서 2개 이상의 다항식의 조합이 사용될 수 있다.
여기서 룩업 테이블들이 SOC에 대한 수학식들의 매개변수들을 유지한다. 매개변수 표시 후, 실험 및 예측된 정전류 방전 곡선들은 상기 모델을 검증하도록 (0.1C 방전 속도에 대한 ECN-예측 및 실험 방전 곡선들, 및 0.2C 방전 속도에 대한 방전 곡선에 대한 표준 실험 데이터를 보여주는) 도 10에 도시된 바와 같이, 플로팅될 수 있다.
모델 수학식들을 풀어내기 위해, 특정 솔루션 시간 스텝에서 매개변수 값을 결정하기 위해 쿨롱 계수(coulomb counting)가 사용되며, 룩업 테이블들에서 필요한 중간 값들을 결정하기 위해 보간(interpolation)이 사용된다. 상기 수학식들을 풀어서 그러한 시간에서의 전체 전위 강하를 결정하게 된다.
메모리 효과 모델의 생성
등가 회로망 모델에 의해 생성된 룩업 테이블들은 그 후 전지의 이전 이력 및 특정 사이클 동안의 가능한 환경 조건을 기반으로 하여 Qt를 조정하기 위해 리튬 유황 메모리 효과의 모델에 의해 수정된다. 이전의 충전/방전 이벤트들 및 그들의 조건들(온도 및 전류 크기)은 전해질에 용해된 종(species)의 농도에 영향을 미치고 그럼으로써 Qt의 변화가 관측될 수 있고, 전지 용량 사전-펄싱 실험이 Ca 2.5Ah이며 펄싱 실험 후 첫 번째 사이클에서 용량이 Ca 2Ah로 감소하지만 후속 사이클에서 용량이 Ca 2.8Ah로 복귀하는 도 11에서 볼 수 있는 바와 같이 전지의 순간적인 직렬 저항 변화가 표시될 수 있다. 구체적으로는, 도 11a는 사전-펄싱, 펄싱, 및 사후-펄싱 사이클들에 대한 시간에 대한 전지 전압을 보여주는 도 11b에 도시된 바와 같이, 동적 사이클링에 직면하게 되는 동일한 전지의 용량 변화를 보여준다. 동일한 온도 및 전류에서의 동일한 전지 사이클링이 2.5Ah의 용량을 제공한다. 그 후 시뮬레이션된 동적 방전 및 충전이 수행된다. 다음 2개의 후속 사이클은 2Ah의 첫 번째의 낮은 용량 다음에 2.8Ah의 더 큰 용량이 이어짐을 나타내며 동적 부하하에서의 가역 용량 변화로 전류 변화에 대한 복잡한 응답이 있음을 를 보여 준다.
동적 사이클링 후 Qt의 이러한 변화는 메모리 효과의 발현(manifestation)이다.
이러한 메모리 효과 및 충전 상태 추정에 대한 그의 영향을 파악하기 위해, 전지 모델을 제공하는 등가 회로 모델에 추가되는 모델이 사용되지만 이와 관련하여, 이는 상기 메모리 효과 모듈(533)에서 구현되는 메모리 모델이다.
메모리 모델은 전지의 상이한 발현에 존재하는 유황 물질의 양, 즉 현재 활성 상태인 반응물 및 생성물, 및 일시적으로 비활성 상태인 종을 추적하여, 메모리 효과로 인해 전지의 사용 가능한 용량의 일시적인 변화가 SOC의 예측시 모니터링 및 보상되는 것을 허용한다.
상기 모델은 또한 부가적인 발현을 포함함으로써 야기되는 활성 물질의 손실 - SOH를 설명하기 위해 영구적으로 비활성 상태로 렌더링되는 폴리설파이드 물질의 손실로 인한 성능저하를 포함하도록 확장되어, 반응물의 회복 불가능한 손실로 인한 전지의 사용 가능한 용량의 영구적인 감소가 SOC의 예측시 모니터링 및 보상되는 것을 허용하게 된다.
따라서, 상기 메모리 모델은 본 발명에 따른 SOC 추정 장치 및 방법이 얼마나 많은 활성 종(Qusab1e)이 존재하고 여전히 Qt에 유용하게 기여할 수 있는지를 기반으로 하여 SOC를 제공하는 것을 허용한다. 건강 상태는 Qusab1e/Qt=0에 의해 결정되며, 여기서 Qt=0은 전지의 시작 용량이다.
상기 메모리 모델은 임의의 주어진 전류 부하에 대해 전지 수명에 걸쳐 상기 상이한 발현에서 유황의 양을 모니터링함으로써 배터리의 충전 상태를 효과적으로 추적한다. 이는 등가 회로 모델 또는 침전/용해, 산화 환원 반응 및 전해질을 통한 확산의 동특성(dynamics)을 캡처하는 임의 타임의 모델과 함께 시너지 효과를 발휘한다.
주어진 전지에 대해 LiS 모델을 생성하고 동작시키기 위해, 우선 LiS 전지에 인가된 충분히 낮은 전류의 경우는 비록 전지의 사용에 대해 전형적이지 않더라도 기준 충전/방전 성능으로 간주 될 수 있다. 이 경우, 상기 메모리 모델은 임의의 실현 가능한 전류 부하하에서 전지의 충전 상태를 예측/모니터링하는데 이러한 기준 정보가 사용되는 방식을 나타낸다.
한 세트의 유황 종들은 상기 유황 종들이 참여하는 반응들과 함께 충전 및/또는 방전을 위한 일련의 규칙(수학식)들로 주어진다. 상기 반응들은 전기 화학적일 수도 있고 화학적일 수도 있다. 전지의 전압은 각각의 허용된 반응에 대한 네른스트 수학식(nernst equation)을 통한 예로서, 부수적으로 모든 전기 화학 반응들의 평형 전압으로서 계산된다. 유황 물질이 한 발현으로부터 다른 발현들로 전환되는 속도는 다른 반응의 속도뿐만 아니라 관통된 전류의 양, 온도 및 반응물의 양 대 생성물의 양에 의해 주어진다. 반응 속도들은 예측, 적취 또는 실험적으로 획득된다. 수학적으로, 이러한 효과는 버틀러-볼머 수학식(Butler-Volmer equation) 등등을 풀어내어 전지 내의 총 이온 전류에 대한 각각의 종의 영향을 추출함으로써 설명될 수 있다. 결과적으로, 각각의 발현의 순간적인 물질의 양은 전지의 이력에 따라 달라지며 전지 전압과 직렬 저항을 그에 따라 달라지게 한다.
상기 메모리 모델의 한 가지 단순화된 버전에서, 상기 활성 물질은 3가지 가능한 발현, 즉 고차(high order), 중차(medium order) 저차(low order) 폴리설파이드들로 나타난다. 고차-중차 반응은 높은 동작 전압을 지배하여 고차 수평역을 야기지만, 중차-저차 반응은 저차 수평역을 결정한다. 방전 동안, 전지가 하부 수평역 전압에 있을 때 고차 폴리설파이드들이 여전히 존재한다면, 이들은 반응하지 않으며(또는 반응하지 않을 것으로 가정되며), 그럼으로써 일시적으로 비활성 상태가 된다.
저 전류 펄스 방전에 대한 직렬 저항은 전해질에 용해된 중차 폴리설파이드의 양에 비례하는 것으로 고려된다. 상기 간단한 메모리 모델에 대해, 오직 3가지의 유황 발현만이 존재한다. 결과적으로, 하부 수평역에서는 중차 폴리설파이드인 활성 물질의 비율이 전지의 잔존 용량을 좌우하는 반면에, 상부 수평역에서는 고차 및 중차 폴리설파이드 양자 모두가 될 것이다.
상기 단순화된 메모리 모델을 고려하여, 상기 메모리 모델에 의해 일시적으로 비활성 상태로 모델링되는 활성 종들의 렌더링을 위한 전지 모델을 보상하기 위해 매개변수 값 리소스(512)(즉, 룩업 테이블)로부터 매개변수 값들을 검색함에 있어서 전지 모델의 동작을 조정하기 위한 가능한 메커니즘이 지금부터 설명될 것이다.
위와 같이, 전지 전압은 ECN 모델에서 전압 소스(Em, 개방 회로 전압(open circuit voltage))에서 회로의 RC 구성요소들에 걸리는 전압 강하를 뺀 값으로서 구해진다. 예를 들면:
이러한 수법의 결과로서, 전류 부하하에서 전지 전압(Vce11)은 상부 수평역 전압에 상응하는 Em에도 불구하고 하부 수평역 영역에 상응하는 값에 이르게 된다. Vce11 및 Em의 차는 전류 부하에 따라 증가한다. Vce11이 사전에 정의된 경계(Vb)(상부 수평역 및 하부 수평역 간의 경계 전압)에 이르게 되는 즉시, 반응하지 않은 고차 폴리설파이드는 비활성 또는 휴면 상태로 저장되고, 중차 폴리설파이드드는 하부 수평역에서의 지배적인 반응에 따라 저차 폴리설파이드에 대해 반응하기 시작한다.
이에 대한 보상은 Ro에 대한 등가 회로 모델의 룩업 테이블이 사용 중에 판독되게 하는 방식에 의해 달성된다. 사용 중에 전지 전압이 상부 수평역 및 하부 수평역 간의 경계 전압보다 작아지면(다시 말하면, Vce11≤Vb이면), Ro 플로트의 위치는, 도 12a의 점선 화살표로 표시된 바과 같이 저차 수평면에서 동일한 Ro 값(용해된 중차 폴리설파이드의 동일한 양)에 상응하게 된다. 상기 메모리 모델을 기반으로 하여 보상할 때 모델링된 용량에서의 이러한 조정의 효과는, 상기 메모리 모델에 의해 조정된 ECN에 대해 모델링된 방전 곡선들을 플로팅하는 도 12b에 도시되어 있다. 구체적으로는, 도 12a는 0.1C 및 0.5C 방전 속도에 대한 간단한 메모리 모델에 의해 지시된 바와 같은 Ro에 대한 룩업 테이블을 판독하는 것을 보여준다. 0.1C 방전 곡선에 대하여는, 기준 룩업 테이블이 사용된다(그 이유는 이러한 것이 충분히 낮은 전류에 상응하기 때문이다). 그러나, 여기서 볼 수 있는 바와 같이, 전지 전압이 상부 수평역 및 하부 수평역 간의 경계 전압 미만으로 강하하는 O.5C에서, 룩업 테이블을 사용하여 점선 화살표로 표시된 바와 같이 높은 전류에서의 방전 효과를 고려하는 메커니즘(다시 말하면, 상기 플로트로부터 Ro 값을 판독하는 것이 Ro 플로트의 하향 기울기 상의 상응하는 Ro 값으로 스킵함)이 필요하다. 도 12b에서 볼 수 있는 바와 같이, 결과적으로, 0.5C에서는, 0.1C에서 방전하는 것에 비해 일시적인 용량 손실이 약 1.3Ah가 된다.
점선 화살표로 표시된 용량 축 상의 점프의 값은 고차 폴리설파이드의 불활성화를 통한 일시적인 손실 용량으로 간주 된다.
서로 다른 방전 속도들(O.5C 및 1C)에 대해 0.1C의 ECN 전지 모델로부터의 Ro 값의 판독을 조정하는 것으로부터의 상대적인 Ro 플로트들을 보여주는 도 14에 도시된 바와 같이, 전류가 높을수록 더 많은 용량이 일시적으로 손실된다.
단순화된 메모리 모델은 낮은 전류, 정전류 방전으로부터 추정될 수 있는, 상부 수평역 및 하부 수평역 간의 경계인 Vb를 적취함으로써 매개변수 표시된다. 도 13에 도시된 바와 같이, 상기 단순화된 메모리 모델은 전류에 따른 Qt의 변화를 예측하기 위해 전지 모델을 조정하는 데 사용될 수 있다.
상기 메모리 모델의 또 다른 더 복잡한 변형 예에서는, 전자 전류의 존재와는 독립적으로 발생하는 표 1에 보인 반응들이 폴리설파이드 종의 다른 환원 단계에서 활성 및 비활성 물질을 나타내는 필요 충분한 추가 상태 세트와 함께 상기 모델에 추가된다. 상기 모델에 포함된 종들의 수는 리튬-유황 전지의 성능을 적절히 설명하기 위한 최소 개수로 선택되지만 일반적으로는 산화 환원 반응, 평형 상태에서의 분자, 이온 및 반응기 그리고 이들의 조합의 결합 및 해리와 같은 화학적 상호-전환을 포함한다.
한 세트의 수학식들은 위의 절차에 따라 구성된다. 이러한 모델의 매개변수 표시는 "Assary et al, J Phys. Chem C 118 (2014)"에서 입수 가능한 것들과 같은, 고려된 반응들 및 종들에 대한 전기 화학적 매개변수들을 필요로 하며 그렇지 않으면 매개변수들이 실험 데이터로 예측되거나 적취될 수 있다.
예측 오차 최소화(Prediction Error
Minimization;PEM
)에 의한 매개변수표시
위에서 설명한 방법들보다 계산 비용이 적게 들며 결과적으로는 예컨대 애플리케이션들 내에서 실시간으로 모델 매개변수들을 식별하는데(이와 아울러 전지 모델 생성을 위해 실험 테스트 데이터의 매개변수들을 식별하는데) 사용될 수 있는 전지 및 메모리 모델 생성 및 매개변수 표시의 대체 방법은 예측 오류 최소화이다.
전지 모델에 대한 매개변수 값들을 식별하기 위해, (매개변수 값 리소스(512)에 대한) 전지 모델의 매개변수들은 예를 들면 예측 오차 최소화(PEM)(또는 적합한 대안)에 의해 애플리케이션(다시 말하면, 전지 동작 조건 측정 수단(400))으로부터 공급된 입력들로부터 식별된다.
PEM에 의한 식별 절차에는 3가지 주요 부분, 즉 1) 모델 구조 선택; 2) 모델에 대한 매개변수들의 적취; 3) 식별 오차 최소화;가 있다. 이러한 부분들이 지금부터 차례로 설명될 것이다.
1) 모델 구조 선택
첫째, 직렬 또는 병렬로 이루어진 커패시터들 및 저항기들의 조합을 사용한 등가 회로가 선택된다. 도 15는 리튬 유황 배터리의 등가 회로 모델의 일반적인 형태를 보여주는 도면이다. 여기서 볼 수 있는 바와 같이, 상기 일반적인 모델은 실험적 테스트 데이터로부터 공급되거나 위에서 설명한 바와 같은 노화(aging) 효과, 및 셔틀 효과를 고려한 Li-S 전지의 고충실도의 물리적 모델로부터 시뮬레이트된 전압 소스로서 적절한 개방 회로 전압(1501)을 포함한다. 개방 회로 전압은 메모리 효과(1502) 및 Li-S 배터리에 고유한 자체 방전(1503)을 포함하도록 직렬 및/또는 병렬로 이루어진 저항기들 및 커패시터들의 추가 등가 회로들에 의해 부가적으로 변경될 수 있다. 직렬 RC 회로는 그 후 전류 부하(I) 및 온도(T)의 함수로서 충전 및 방전의 일반적인 경향에 대한 전압 소스를 조정한다. 상기 모델 구조는 정확도 및 계산 복잡도의 밸런스를 맞추기 위해 선택되어야 한다. 그리고 나서, 상기 모델은 전지의 SOC, SOH, 내부 저항(R), 및 단자 전압(Vi)의 예측을 출력한다. 도 7은 가장 기본적인 예를 보여준다.
2) 모델에 매개변수들의 적취
적합도 기준은 상기 모델의 매개변수들(다시 말하면, 전압 소스, 옴 저항 및 확산 저항 성분 값들)을 적취하도록 선택된다. 한 대표적인 수법은 식별 절차이다. 전지 모델 매개변수들은 (실험 또는 애플리케이션 데이터로부터) 측정된 단자 전압과 전지 모델 출력 간의 최소 차가 달성되도록 결정된다. 모델 매개변수 벡터(θ)는 이하 수학식
와 같이 정의된 예측 오차(E)가 최소화되도록 결정되고,
여기서 
는 시간 k에서의 전지의 출력이고, 
는 매개변수들(θ)을 사용하여 시간 k에서의 출력의 예측된 값이다. 예측 오차는 매개변수 벡터에 따라 다르므로 반복 최소화 절차가 적용되어야 한다. 결과적으로 스칼라 적합도 함수는 이하의 수학식
와 같이 최소화된다.
3) 식별 오류 최소화
식별 오차 최소화 알고리즘이 선택되는데, 한 대표적인 수법은 전지의 단자 전압 추정의 평균 오차가 이하에 정의된 평균 제곱근 오차(Root Mean Square Error; RMSE)
기준을 사용하여 계산되는 경우이며,
여기서, 
는 측정된 전지 단자 전압이고, 
는 전지 모델 출력이며, N은 초 단위의
의 길이이다. 도 16d는 도 16a, 도 16b 및 도 16c 각각의 Ro, Rp 및 Cp의 식별된 ECN 모델 매개변수 값들과 함께 상이한 충전 레벨들에서의 RMSE 값들을 보여준다.
칼만(
Kalman
)-타입 필터를 사용한 실시간 충전 상태 추정 방법
도 17을 참조하면, 이는 본 발명의 한 실시 예에 따른 충전 상태 추정의 대표적인 방법(1700)을 보여준다.
먼저, 단계 1701에서, 동적 부하 동안 전지 동작 조건 측정 수단(400)을 사용하여 사용 중에 전류, 전압 및 온도가 측정되고, 단계 1702에서, 이들은 메모리에 저장되고, 메모리(513) 내의 전지의 동작 이력을 반영하는 상태 벡터를 업데이트하는데 사용된다. 단계 1701에서의 측정된 동작 조건들은 그 후 표들에 저장되거나 동작 이력(513) 내의 상태 벡터로서 저장된 이전의 사이클링 조건들(예를 들면, 충전-방전 속도 및 온도)의 누적 이력과 함께 단계 1703에서 내장된 등가 회로 모델에 입력된다. 상기 모델 매개변수들은 예를 들면 PEM 방법에 의해 단계(1703)에서 (전지 모델 모듈(532)을 사용하여) 예측된다.
그리고 나서, 단계 1704에서 리튬 유황 전지의 동작 모델로부터 실험적으로 획득된 또는 예측된 룩업 테이블을 기반으로 하여, 건강 상태가 단계 1706에서 출력되는, 전압, 온도 및 저항과 같은 시스템의 측정 가능한 매개변수들과 함께 (메모리 효과 모듈(533)을 사용하여) 추정된다. 단계 1706에서, 이러한 추정된 출력들은 추정된 데이터와 실제 측정된 데이터의 비교에 의한 피드백 루프에서 사용되어 단계 1707에서 실시간으로 매개변수 추정의 정확도를 증가시킬 수 있게 한다.
리튬 유황에 대한 일반 배터리 타입들의 유사한 시스템들과는 달리, 등가 회로 모델은 온도 및 충전 및 방전 속도들의 누적 효과들에 따라 충전 또는 방전시 최대 용량(Qt)을 변화시키는 리튬 유황 전지의 독특한 메모리 효과를 추가로 고려한다.
메모리 인식 모델은 애플리케이션의 소프트웨어 또는 펌웨어에 배치되고 그럼으로써 충전 상태 및 건강 상태 추정이 표준 전지들의 광범위한 교정 또는 광범위한 대용량 테스트 데이터에 의존하지 않는다.
실제로, 본 발명의 다른 한 실시 예에 의하면, 동적 부하하에서의 메모리 효과를 포함하는 리튬 유황의 화학 작용의 독특한 특성에 특정한 모델이 실험 데이터로부터 생성된다. 등가 회로 모델(또는 임의의 물리 기반 전지 모델, 반-경험적 또는 완전-경험적 모델과 같은 임의의 대체 모델)은 소프트웨어 또는 펌웨어로 애플리케이션 내의 실시간 임베디드 시스템의 일부로 구현된다. 현재의 등가 회로망 모델 매개변수들은 확장 칼만 필터, 무향(unscented) 칼만 필터, 입자 필터, 루엔버거(Luenberger) 상태 추정기(관측기) 또는 다른 어떤 상태 관측기 또는 상태 추정기 변형과 같은 칼만 타입 필터링 및 매개변수 식별에 대한 동일 수법을 사용하여 전지 상태 추정기(534)를 제공하도록 실시간으로 연속해서 식별된다. 알고리즘 업데이트 속도 및 수치 정밀도는 애플리케이션 요구가 좌우하기 때문에 프로세서 비용과 상충(trade off)된다.
상태 추정기로서 칼만- 타입 필터를 사용하는 그러한 구현 예가 도 18에 도시되어 있으며, 도 18은 동작 칼만 필터링 및 동작 등가 회로 모델을 사용하여 실시간 SOC/SOH 추정을 개략적으로 보여주는 도면이다. 여기서, 1801에서, 동적 부하 동안 전지 동작 조건 측정 수단(400)으로부터 현재의 부하(I), 온도(T) 및 단자 전압(V)의 측정값들이 수신된다. 이전과 마찬가지로, 이들은 1802에서 예컨대 전지의 이력 동작 조건들을 나타내는 상태 벡터를 업데이트하는데 사용되는 메모리에 전달되며, 그리고 나서 계속해서 1803에서 ECN 상태 추정기 모듈(534)에 전달된다. 상기 칼만 필터의 예측 단계에서, 이러한 상태 추정기(534)는 현재 상태, SOC 모델(531) 및 현재의 동작 조건들을 기반으로 하여 미래의 주어진 시간 스텝에서 내부 전지 상태를 예측하는데 사용된다. 그리고 나서, 전지 동작 조건 측정 수단(400)으로부터 수신된 그러한 미래의 시간 스텝에서의 측정은 칼만 필터의 보정 단계에서 사용된다. 먼저, 1803에서 예측된 ECN 상태를 조정하는 ECN 관측 모델에 의해 1804에서 예상된 측정값이 산출된다. 그리고 나서, 1805에서 이는 ECN에 대한통계적 적응 모델에서 실제 측정된 동작 조건들과 비교되며, 상기 통계적 적응 모델은 칼만 이득을 사용해 1806에서 사후-프로세싱에 사용되는 통계적 적응 값을 결정하여 상기 관측된 전지 거동을 기반으로 하여 상기 ECN 모델로부터의 현재 전지 상태의 예측들을 보정하며, 상기 통계적 적응 값은 1807에서 차후에 상기 메모리로 피드백되어 반복적으로 상기 ECN 모델을 조정 및 개선하게 한다. 알고리즘 아키텍처는 여러 가지 방식으로 구현될 수 있다. 대표적인 배치 아키텍처는 도 19 내지 도 22에 도시되어 있다.
도 19에 도시된 가장 간단한 것은 칼만 타입 필터를 사용하여 등가 회로망 모델의 현재 매개변수들을 추정하거나 식별하며, 매개변수 추정치들은 리튬 유황 전지 모델로부터 생성된 매개변수 룩업 테이블에 대해 해석되어 현재의 건강 상태(SoH) 및 충전 상태(SOC)를 추정하게 한다.
도 20에 도시된 더 복잡한 형태에서, 비-선형 칼만 필터는 등가 회로 모델 및 그에 연관된 메모리 효과의 비-선형 상태 추정을 위해 사용될 수 있다. 다른 단순화들에는 비교적 단순한 상태 추정기를 사용하고 그리고 나서 도 21의 아키텍처에 도시된 바와 같이 예측 오차들을 기반으로 하여 가장 확률이 높은 SOC 또는 SoH를 선택하는 다수의 가설 필터가 포함된다. 도 22에 도시된 바와 같이 퍼지 로직을 사용하는 아키텍처는 또한 상태 추정에 채용되어 메모리 효과의 이해를 통합하는 Li-S 모델에 의해 훈련될 수 있다.
이 경우 어떠한 데이터베이스도 필요하지 않으며 상기 모델의 매개변수들이 연속해서 미세조정된다. 전지 동작 조건 측정 수단(400)으로부터의 예를 들면 전압, 전류 및 온도의 실시간 입력들을 고려해 볼 때, 전지 모델은 전지의 단자 전압을 예측하는데 사용될 수 있다.
예측 모델의 정확도는 온-라인 모델 식별을 위한 계산 노력과 밸런스를 이룬다. 온-라인 예측을 위해, 상기 모델은 원하는 예측 호라이즌(prediction horizon)에 대해 일정한 간격으로 업데이트되어야 한다. 예측 호라이즌이 낮을수록 정확도는 높아진다. 어떠한 업데이트 지연도 없으면 RMSE는 위의 식별 모델과 동일하게 된다. 도 23은 단순화된 등가 회로를 사용하여 0.5% SOC에서부터 2% SOC에 이르기까지 증분하는 다양한 예측 호라이즌에 대한 예측 결과들을 보여준다. 본 예에서 예측 호라이즌을 1% SOC로부터 2%로 증가시키면 평균 RMSE가 13mV로부터 24mV로 증가하는 반면에 계산량이 50% 감소하게 된다. 예측 호라이즌은 업데이트 속도가 차량의 전력 수요 속도에 비례하도록 되도록 SOC를 기반으로 하여 선택된다.
본 발명의 한 실시 예에 의하면, 리튬 유황 특정 룩업 테이블 또는 알고리즘은 소프트웨어 또는 펌웨어로서 배터리 시스템에 저장되거나 애플리케이션 시스템 내에 또는 배터리 관리 시스템에 일체화된 에너지 시스템 제어기에 저장된다. 룩업 테이블은 실험 데이터로부터 매개변수 표시된 동적 부하하에서의 메모리 효과를 포함하는 리튬 유황의 화학 작용의 고유한 특성에 특정한 소프트웨어 모델을 사용하여 정착된다. 모델의 사용은 등가 회로 모델(또는 임의의 물리 기반 전지 모델, 반-경험적 또는 완전-경험적 모델과 같은 임의의 대안 모델)을 의미한다. 이러한 룩업 테이블들은 단자 전압이 사전에 결정된 차단 전압에 이르게 될 때 결정되는 Qt(100% SOC 또는 100% SOD)에 대한 다양한 온도 및 전류에서 전지 저항 및 전압을 상관시킨다. '100% SOC/SOD' 상태에서의 Qt는 현재의 충전 또는 방전 사이클에 대한 최대 충전 또는 방전 용량을 정확하게 예측하기 위해 전지, 모듈 또는 배터리의 이전 충전/방전 속도, 충전/방전 깊이 및 온도 프로파일의 저장된 누적 이력으로부터 획득된 전지에 존재하는 예측된 이용 가능한 활성 물질로부터 결정된다. 피드백은 전지 밸런싱 저항기들을 사용하여 전류, 전압 및 계산된 저항을 측정함으로써 제공된다. 전지 임피던스는 밸런싱 저항기의 스위칭을 통해 측정된다. 연속 전류 펄스들은 전지 밸런싱 저항기를 스위치 인 및 스위치 아웃함으로써 전지에 인가되며 전지의 단자 전압이 측정된다. 애플리케이션이 유휴 상태일 때 임의의 충전 상태에서 테스트가 수행될 수 있다. 샘플링 속도는 0.1초에서부터 60분에 이르기까지 다양하다. 각각의 전류 펄스 다음에 배터리 단자 전압이 개방 회로 전압(Voc) 및/또는 정상 상태로 복귀하기에 충분한 이완 시간(1초 내지 60초)이 이어진다. 이러한 방식으로 상태 추정은 광범위한 교정을 필요로 하지 않으며 동적 부하를 받는 동안 캡처된 데이터를 기반으로 하여 실시간으로 업데이트될 수 있다.
본 발명의 다른 한 실시 예에 의하면, 이러한 모델은 실시간 배터리 관리 시스템 또는 에너지 시스템 제어기에 배치된다. 이러한 모델의 전형적인 형태는 SOC, 전류 진폭, 온도를 필요로 하는 다수의 입력 및 모든 조건에 대해 필요한 대량의 테스트 데이터를 기반으로 하여 모델 매개변수들을 복귀시키는 룩업 테이블일 수 있다.
SOH 추정을 위한 단자 전압 예측에 대한 이러한 수법은 일반적으로 방전/충전 특성에서 유사한 경향을 보이는 다중 전지 타입들에 적용 가능하다. 이러한 수법은 임의의 전지의 화학 작용 및 설계에 사용될 수 있다. 이는 또한 리튬 유황 전지의 모든 복잡한 기능을 포함하는 물리적 모델의 고충실도 예측을, 감소된 계산량이 필요함으로 인한 애플리케이션의 에너지 시스템 제어기 또는 배터리 관리 시스템 내에서 실시간으로 식별될 수 있는 매개변수들을 갖는 더 간단한 엠베디드 모델들에 결부시키는 방법이다. 고충실도 예측 모델들은 외부 자극에 노출된 리튬 유황 전지의 성능을 설명하기 위한 기본 물리 이론의 첫 번째 원칙으로부터 개발될 수 있다. 이러한 모델들은 화학 작용, 물질, 전지 구축, 전지 설계 및 동작 조건들의 영향을 예측한다. 리튬 유황 전지의 고충실도의 물리적 모델의 출력은 SOH 추정을 개선하기 위해 셔틀 및 성능저하 메커니즘과 같은 특징들을 고려한다. 이러한 방식으로 고충실도 모델들은 건강 상태, 저항, 전압 및 결과적인 온도를 예측하기 위해 적용된 전류 및 온도와 함께 일련의 실험 조건들에 대해 더 간단한 임베디드 모델들을 매개변수 표시하는데 사용될 수 있다. 임베디드 모델은 전지의 동작 이력(예를 들면 전류 및 온도 프로파일)이 실시간으로 또는 장외에서 주어지면 직접 또는 가상 상태로 측정될 수 없는 내부 상태들(SOH 및 SOC)을 예측하는 데 사용된다.
위의 내용으로 알 수 있는 바와 같이, 본 발명에 의하면, 기기 내장형 등가 회로 모델(또는 물리 기반 모델 또는 완전-경험적 전지 모델을 포함하는 반-경험적 물리의 영향을 받은 모델들과 같은 다른 모델 타입들)에서 전해질 내의 중간 종의 용해에 의해 초래된 메모리 효과를 자체 방전, 셔틀 및 리튬 유황 배터리 특유의 노화 메커니즘 및 전류, 온도, 내부 저항을 검출하여 피드백을 제공하는 효과와 함께 포함시킴으로써, 시스템의 SOH가 동적 사이클링 조건하에서 실시간으로 검출될 수 있다. 이러한 소프트웨어/ 펌웨어 솔루션은 상태 추정을 위해 부가적인 독립형 기기들을 배터리 관리 시스템에 추가하지 않고 구현될 수 있다.
이하에서 알 수 있는 바와 같이, 메모리 효과에 직면하게 되는 LiS 전지와 같은 전지의 충전 상태 및 건강 상태를 신뢰성 있게 추정하는 위의 장치 및 방법을 상기 전지에 의해 적어도 부분적으로 전력을 공급받는 전기 차량(EV)의 배터리 관리 시스템 또는 에너지 시스템에 제공함으로써 개선된 레인지 추정 및 루트 계획이 상기 전기 차량의 사용과 관련하여 수행될 수 있다. 이는 도 23을 참조하여 예시된 것이며, 이에 대한 참조가 지금부터 이루어질 것이다.
한 대표적인 실시 예에서, 전기 차량의 레인지(range)를 추정하고 전기 차량의 루트(route)를 계획하는 방법(2300)은 결과적으로는 단계 2301에서 사용 중인 전지의 충전 상태 및 잔존 용량을 추정하는 위에서 설명한 방법을 수행하는 단계를 포함한다.
그리고 나서, 단계 2302에서, 상기 방법은 사용 중인 전지의 충전 상태 및 잔존 용량의 추정을 기반으로 하여 전기 차량의 레인지를 추정하는 단계를 더 포함한다.
그리고 나서, 단계 2303에서, 상기 방법은 원하는 목적지를 향하는 루트(route)를 따르는 전지의 예측된 동작 조건들을 기반으로 하여 레인지 추정 모듈에 의해 생성된 전기 차량의 추정된 레인지를 적어도 부분적으로 기반으로 하여 원하는 목적지를 향하는 루트를 계획하는 단계를 더 포함한다. 이는 루트 계획 알고리즘을 사용하여 수행되며, 상기 루트 계획 알고리즘은 단계 2304에서 루트 계획 모듈에 의해 계획된 복수 개의 루트들을 따른 전기 차량의 추정된 레인지, 및 선택적으로는 루트 계획 모듈에 의해 계획된 복수 개의 루트들을 따른 충전 또는 배터리-교환 지점들과 같은 다른 정보를 기반으로 하여 루트 계획 모듈에 의해 계획된 복수 개의 루트들로부터 목적지를 향하는 루트를 최적화하는데 적합하다. 그 외에도, 잔존 용량의 추정은, 예를 들면 주어진 예측된 루트에 걸쳐, 상기 루트에 대한 운전자의 주어진 운전 스타일에 대해, 상기 루트에 대한 주어진 환경 조건 등등에 대해 상기 차량에서 사용 중인 전지의 예측된 동작 조건들을 기반으로 하여 이루어질 수 있기 때문에, 레인지 추정 및 루트 계획 알고리즘은 주어진 목적지에 이르기 위해 운전자가 따라가는 최적의 루트를 추천하는 문제를 예컨대 이러한 인자들을 통해 반복적으로 해결할 수 있다. 전형적으로, 루트 선택은 주어진 주행을 완료하는 데 필요한 보존 용량에 따라 최적화되지만, 변형적으로는 여정 완료 속도 또는 다른 기준을 최적화하는데 더 큰 가중치가 부여될 수 있다.
지금까지 본 발명이 가장 실용적이고 바람직한 실시 예들로 간주 되는 것으로서 설명되었지만, 여기서 이해할 점은 본 발명이 개시된 실시 예 및 도면에 한정되는 것이 아니라 그 반대로 첨부된 청구항들의 사상 및 범위 내에서 다양한 변형 및 변경을 포함하는 것으로 의도된 점이다. 다양한 타입의 회로와 기기는 본 발명에 따라 설명한 측정 시스템을 구현하는데 사용될 수 있다. 통상의 기술자라면 이러한 것이 예시적인 것이고 본 발명의 사상 및 범위를 벗어나지 않고 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음을 이해할 것이다. 본 발명은 이하의 청구항들에 의해서만 한정된다.
Claims (77)
- 활성 반응 종이 사용 중에 일시적으로 비활성 상태가 됨으로 인해 용량이 손실될 수 있는 리튬 유황의 화학 작용을 야기하는 2차 전기 화학 전지의 충전 상태(state of charge; SOC)를 모델링하는 장치로서,
상기 장치는,
모든 충전 상태(SOC)에 대해 사용 중인 리튬 유황 전지의 단자 전압을 상기 사용 중인 리튬 유황 전지의 동작 조건에 상관시키는 상기 사용 중인 리튬 유황 전지의 내부 상태를 나타내는 모델을 기반으로 하여 상기 사용 중인 리튬 유황 전지의 전기적 특성을 예측하도록 동작 가능한 전지 모델 모듈;
상기 사용 중인 리튬 유황 전지의 정격 용량(Qt)의 비율을 예측하는, 상기 사용 중에 일시적으로 비활성 상태가 되는 상기 활성 반응 종의 양적인 변화로 인해 상기 사용 중인 리튬 유황 전지에서의 상기 활성 반응 종의 양적인 변화를 나타내는 메모리 모델을 기반으로 하는 상기 사용 중인 리튬 유황 전지의 사용 가능한 용량, 즉 사용 가능한 용량(Qusable)을 사용 중에 상기 사용 중인 리튬 유황 전지의 동작 이력을 기반으로 하여 모델링하도록 동작 가능한 메모리 효과 모듈로서, 메모리 효과 모듈은 상기 사용 중에 일시적으로 비활성 상태가 되는 활성 반응 종으로 인한 상기 사용 중인 리튬 유황 전지의 사용 가능한 용량의 가역 변화를 설명하는, 메모리 효과 모듈;
을 포함하며,
상기 장치는 상기 전지 모델 모듈 및/또는 메모리 효과 모듈이 상기 사용 중인 리튬 유황 전지의 동작 이력을 기반으로 하여 사용 중에 상기 전지 모델 모듈을 조정하여 상기 메모리 효과 모듈에 의한 상기 사용 중인 리튬 유황 전지의 사용 가능한 용량의 예측을 보상하도록 구성되는, 충전 상태를 모델링하는 장치. - 제1항에 있어서,
상기 사용 중인 리튬 유황 전지의 동작 조건은 상기 사용 중인 리튬 유황 전지의 간주(看做) 개방 회로 전압, 상기 사용 중인 리튬 유황 전지에 대한 전류 부하; 상기 사용 중인 리튬 유황 전지의 온도; 상기 사용 중인 리튬 유황 전지의 내부 저항; 중의 하나 이상을 포함하는, 충전 상태를 모델링하는 장치. - 제1항 또는 제2항에 있어서,
상기 사용 중인 리튬 유황 전지의 내부 상태를 나타내는 모델은 다수의 모델링된 전기 요소를 포함하는 등가 회로망 모델이고, 상기 등가 회로망 모델은 상기 등가 회로망 모델의 구성을 이루는 상기 전기 요소들의 속성들에 의해 매개변수 표시되는, 충전 상태를 모델링하는 장치. - 제3항에 있어서,
상기 등가 회로망 모델은 RC 쌍들로서 표현된 하나 이상의 확산 저항들 및 하나의 옴 저항과 직렬로 이루어진 전압 소스로 구성되는, 충전 상태를 모델링하는 장치. - 제4항에 있어서,
상기 등가 회로망은 상기 전압 소스로서 간주하게 되는 상기 사용 중인 리튬 유황 전지의 간주 개방 회로 전압에 의해 상기 사용 중인 리튬 유황 전지의 거동을 모델링하고, 상기 옴 저항 및 확산 저항들의 매개변수 표시 속성들은 소정의 충전 상태에서, 소정의 전류 부하 및 온도 하에서 상기 사용 중인 리튬 유황 전지의 단자 전압에 이르기까지 상기 간주 개방 회로 전압을 강하하도록 선택되는, 충전 상태를 모델링하는 장치. - 제1항 또는 제2항에 있어서,
상기 사용 중인 리튬 유황 전지의 내부 상태를 나타내는 상기 모델은 매개변수 표시된 물리-기반 전지 모델인, 충전 상태를 모델링하는 장치. - 제3항 내지 제6항 중 어느 한 항에 있어서,
상기 장치는,
매개변수 값 리소스;
를 더 포함하며, 상기 매개변수 값 리소스는 상기 소정의 동작 조건에서 상기 사용 중인 리튬 유황 전지의 모델링된 거동에 대한 전지 모델의 매개변수들에 대한 값들을 상기 전지 모델 모듈에 제공하는데 사용 가능하도록 구성되는, 충전 상태를 모델링하는 장치. - 제7항에 있어서,
상기 전지 모델에 대한 상기 매개변수 값은 상기 사용 중인 리튬 유황 전지의 모델링된 충전 상태에 의존하는, 충전 상태를 모델링하는 장치. - 제7항 또는 제8항에 있어서,
상기 전지 모델에 대한 매개변수 값은 표준 전지들의 테스트들을 기반으로 하여 경험적으로 또는 반-경험적으로 획득되는, 충전 상태를 모델링하는 장치. - 제7항 내지 제9항 중 어느 한 항에 있어서,
상기 전지 모델에 대한 매개변수 값은 매개변수 값 리소스, 선택적으로는 룩업 테이블에 저장되는, 충전 상태를 모델링하는 장치. - 제1항 내지 제10항 중 어느 한 항에 있어서,
상기 사용 중인 리튬 유황 전지 내의 활성 반응 종의 양적인 변화를 나타내는 상기 메모리 모델은 상기 사용 중인 리튬 유황 전지 내의 활성 반응물의 양 및/또는 상기 사용 중인 리튬 유황 전지 내의 일시적으로 비활성 상태인 반응물의 양 및 선택적으로는 상기 사용 중인 리튬 유황 전지의 영구적으로 비활성 상태인 반응물의 양을 추적하는, 충전 상태를 모델링하는 장치. - 제11항에 있어서,
상기 사용 중인 리튬 유황 전지 내의 활성 반응 종의 양적인 변화를 나타내는 상기 메모리 모델은 상기 사용 중인 리튬 유황 전지의 반응 종의 상이한 발현,상기 상이한 발현에서의 반응 종의 양, 상기 반응 종의 상기 상이한 발현이 충전 및 방전 중에 참여하는 반응, 및 상기 반응의 반응속도에 관한 일련의 규칙들을 포함하는, 충전 상태를 모델링하는 장치. - 제12항에 있어서,
상기 모델링된 반응속도는 상기 사용 중인 리튬 유황 전지의 동작 조건, 상기 반응 종의 상이한 발현의 모델화된 양; 상기 사용 중인 리튬 유황 전지의 내부 상태. 상기 사용 중인 리튬 유황 전지의 전기적 특성; 중의 하나 이상에 의해 매개변수 표시되는, 충전 상태를 모델링하는 장치. - 제12항 또는 제13항에 있어서,
상기 모델링된 반응속도에 대한 매개변수 표시 값은 상기 사용 중인 리튬 유황 전지에 대한 이론적 예측에 의해 획득되거나, 표준 전지들의 테스트들을 기반으로 하여 경험적으로 또는 반-경험적으로 적취(摘取) 또는 획득되는, 충전 상태를 모델링하는 장치. - 제12항, 제13항 또는 제14항 중 어느 한 항에 있어서,
상기 사용 중인 리튬 유황 전지 내의 활성 반응 종의 양적인 변화를 나타내는 상기 메모리 모델은 상기 사용 중인 리튬 유황 전지의 반응 종을 고차(高次) 발현, 중차 발현 및 저차 발현을 나타내는 3개의 그룹으로 그룹화하는 단순화된 물리적 모델이며, 상기 모델은 상기 사용 중인 리튬 유황 전지의 충전 및 방전 곡선들을 상부 수평역(high plateau) 및 하부 수평역(low plateau)으로 분할하고 고차-중차 발현 간의 반응이 상기 상부 수평역을 지배하며 중차-저차 발현 간의 반응이 하부 수평역을 지배하는 것으로 가정하는, 충전 상태를 모델링하는 장치. - 제1항에 있어서,
상기 메모리 모델은 상기 전지 단자 전압이 상기 상부 수평역 및 상기 하부 수평역 간의 경계 레벨 미만으로 강하할 때, 상기 고차-중차 발현 간의 반응이 일어나지 않아서, 반응물의 고차 발현의 잔량이 일시적으로 비활성 상태로 간주 되어 상기 사용 중인 리튬 유황 전지의 잔존 용량에 기여할 수 없게 되는, 충전 상태를 모델링하는 장치. - 제11항 내지 제16항 중 어느 한 항에 있어서,
상기 메모리 효과 모듈은 상기 메모리 모델에 의해 모델링되는 상기 사용 중인 리튬 유황 전지의 이력을 고려해 볼 때 상기 사용 중인 리튬 유황 전지 내의 활성 반응 종의 양을 기반으로 하여 소정의 동작 조건 세트에 대해 상기 사용 중인 리튬 유황 전지의 사용 가능한 용량(Qusab1e)을 모델링하도록 구성되는, 충전 상태를 모델링하는 장치. - 제8항 내지 제11항 중 어느 한 항을 인용할 경우 제11항 내지 제17항 중 어느 한 항에 있어서,
상기 장치는 매개변수 값들을 제공하도록 상기 매개변수 값 리소스를 조정하여 상기 사용 중인 리튬 유황 전지의 사용 가능한 용량의 손실을 보상하기 위해 상기 사용 중인 리튬 유황 전지의 사용 가능한 용량의 예측을 기반으로 하여 사용 중에 상기 전지 모델 모듈을 조정하도록 구성되는, 충전 상태를 모델링하는 장치. - 제4항 및 제16항을 인용할 경우 제18항에 있어서,
상기 매개변수 값 리소스는 베이스라인 매개변수 세트로서 소정의 저 전류 충전 또는 방전율에 상응하는 전지 모델에 대한 매개변수 값들을 사용하도록 구성되며, 상기 장치는 상기 매개변수 값 리소스를 조정하여 상기 단자 전압이 상기 경계 전압 미만으로 강하할 때, 상기 매개변수 값 리소스가 상기 베이스라인 매개변수 값들을 스킵하여 상기 하부 수평역에서 동일한 단자 전압에 사응하는 동일한 옴 저항 값으로부터 계속되게 하도록 구성되고, 스킵 용량은 일시적으로 비활성 종으로 인한 용량 손실을 나타내는, 충전 상태를 모델링하는 장치. - 활성 반응 종이 사용 중에 일시적으로 비활성 상태가 됨으로 인해 용량이 손실될 수 있는 리튬 유황의 화학 작용을 야기하는 2차 전기 화학 전지의 사용 중에 충전 상태(state of charge; SOC)를 추정하는 장치로서,
상기 장치는,
사용 중인 리튬 유황 전지의 동작 조건의 측정치를 수신하도록 구성된 전지 동작 조건 모니터 모듈;
모든 충전 상태(SOC)에 대해 상기 사용 중인 리튬 유황 전지의 단자 전압을 상기 사용 중인 리튬 유황 전지의 동작 조건에 상관시키는 상기 사용 중인 리튬 유황 전지의 내부 상태를 나타내는 모델을 기반으로 하여 상기 사용 중인 리튬 유황 전지의 전기적 특성을 예측하도록 동작 가능한 전지 모델 모듈;
상기 사용 중인 리튬 유황 전지의 정격 용량(Qt)의 비율을 상관시키는, 상기 사용 중에 일시적으로 비활성 상태가 되는 상기 활성 반응 종의 양적인 변화로 인해 상기 사용 중인 리튬 유황 전지에서의 상기 활성 반응 종의 양적인 변화를 나타내는 메모리 모델을 기반으로 하는 상기 사용 중인 리튬 유황 전지의 사용 가능한 용량, 즉 사용 가능한 용량(Qusable)을 사용 중에 상기 사용 중인 리튬 유황 전지의 동작 이력을 기반으로 하여 모델링하도록 동작 가능한 메모리 효과 모듈로서, 메모리 효과 모듈은 상기 사용 중에 일시적으로 비활성 상태가 되는 활성 반응 종으로 인한 상기 사용 중인 리튬 유황 전지의 사용 가능한 용량의 가역 변화를 설명하는, 메모리 효과 모듈;
을 포함하며,
상기 장치는 상기 전지 모델 모듈 및/또는 메모리 효과 모듈이 상기 사용 중인 리튬 유황 전지의 동작 이력을 기반으로 하여 사용 중에 상기 전지 모델 모듈을 조정하여 상기 메모리 효과 모듈에 의한 상기 사용 중인 리튬 유황 전지의 사용 가능한 용량의 예측을 보상하도록 구성되고,
상기 장치는,
상기 전지 동작 조건 모니터 모듈에 의한 사용 중에 수신되는 상기 사용 중인 리튬 유황 전지의 동작 조건의 측정치를 기반으로 하여 상기 전지 모델 모듈 및 상기 메모리 효과 모듈을 동작시켜 상기 사용 중인 리튬 유황 전지의 내부 상태를 추정하도록 구성된 상태 추정기 모듈; 및
상기 사용 중인 리튬 유황 전지의 추정된 내부 상태를 기반으로 하여 상기 전지 모델 모듈을 동작시켜 상기 사용 중인 리튬 유황 전지의 충전 상태를 추정하도록 구성된 충전 상태 추정기 모듈;
을 포함하는, 충전 상태를 추정하는 장치. - 제20항에 있어서,
상기 충전 상태 추정기 모듈은 상기 사용 중인 리튬 유황 전지의 상기 모델링된 사용 가능한 용량(Qusable)과 상기 사용 중인 리튬 유황 전지의 정격 용량(Qt)과의 비율로서 상기 사용 중인 리튬 유황 전지의 건강 상태의 추정치를 제공하도록 더 구성되는, 충전 상태를 추정하는 장치. - 제20항 또는 제21항에 있어서,
상기 상태 추정기 모듈은 반복 피드백 루프로서 동작함으로써 각각의 시간 간격에서 상기 추정된 상태를 세분화하도록 구성되며, 상기 반복 피드백 루프에서는 전지 모델 투영을 기반으로 하는 상기 사용 중인 리튬 유황 전지의 내부 상태의 예측이 이전 시간 간격에서 추정된 상기 사용 중인 리튬 유황 전지의 내부 상태를 현재 시간 간격으로 포워드함으로써 상기 사용 중인 리튬 유황 전지의 현재 내부 상태의 추정을 업데이트하도록 상기 사용 중인 리튬 유황 전지의 측정된 동작 조건을 기반으로 하여 정정되는, 충전 상태를 추정하는 장치. - 제22항에 있어서,
상기 상태 추정기 모듈은 칼만-타입 필터로서, 선택적으로는 칼만 필터, 확장 칼만 필터, 무향(unscented) 칼만 필터, 입자 필터 또는 루엔버거(Luenberger) 상태 추정기로서 구성되는, 충전 상태를 추정하는 장치. - 제20항 또는 제21항에 있어서,
상기 상태 추정기 모듈은 예측 오차 최소화 기법을 운영하여 상기 사용 중인 리튬 유황 전지의 내부 상태를 나타내는 상기 전지 모델의 매개변수들의 추정치들을 식별하도록 구성되는, 충전 상태를 추정하는 장치. - 제20항 또는 제21항에 있어서,
상기 상태 추정기 모듈은 퍼지 로직 규칙 세트를 풀어내어 상기 사용 중인 리튬 유황 전지의 내부 상태를 나타내는 상기 전지 모델의 매개변수들의 추정치들을 식별하도록 구성되는, 충전 상태를 추정하는 장치. - 제20항 내지 제25항 중 어느 한 항에 있어서,
상기 전지 동작 조건 모니터 모듈에 의해 수신되는 상기 사용 중인 리튬 유황 전지의 동작 조건의 측정치는 상기 사용 중인 리튬 유황 전지의 단자 전압; 상기 사용 중인 리튬 유황 전지에 대한 전류 부하; 및 선택적으로는 상기 사용 중인 리튬 유황 전지의 온도; 및 선택적으로는 상기 사용 중인 리튬 유황 전지의 내부 저항;을 포함하는, 충전 상태를 추정하는 장치. - 제20항 내지 제26항 중 어느 한 항에 있어서,
상기 전지 모델 모듈 및 상기 메모리 효과 모듈은 제1항 내지 제19항 중 어느 한 항에 따른 장치에 의해 제공되는, 충전 상태를 추정하는 장치. - 제20항 내지 제27항 중 어느 한 항에 있어서,
상기 장치는,
전지 동작 조건 측정 수단;
을 더 포함하고,
상기 전지 동작 조건 측정 수단은,
단자 전압 감지 회로;
전류 부하 감지 회로;
및 선택적으로는:
밸런싱 저항기를 구비한 스위칭 회로를 포함하는 전지 내부 저항 감지 회로; 및
온도 센서;
를 포함하는, 충전 상태를 추정하는 장치. - 제1항 내지 제28항 중 어느 한 항에 있어서,
상기 장치는,
하나 이상의 프로세서들; 및
하나 이상의 프로세서들에 의해 실행될 때, 상기 프로세서 또는 프로세서들로 하여금 제1항 내지 제28항 중 어느 한 항에 기재된 장치를 구현하게 하는 명령어들을 저장하는 컴퓨터 판독가능 매체;
를 더 포함하는, 장치. - 제3항을 인용할 경우 제1항 내지 제29항 중 어느 한 항에 있어서,
상기 사용 중인 리튬 유황 전지의 내부 상태를 나타내는 전지 모델에 대한 매개변수 값은 예측 오차 최소화 기법에 의해, 상기 모델의 사용시에 또는 테스트 전지 데이터로부터의 매개변수 값의 경험적 획득시에 식별되는, 장치. - 제30항에 있어서,
상기 예측 오차 최소화 기법은 스칼라(scalar) 적합도 함수를 정의하는, 장치. - 복수 개의 전지들을 포함하는 배터리 관리 시스템 또는 상기 복수 개의 전지들에 커플링하기 위한 에너지 시스템 제어기에 있어서,
상기 배터리 관리 시스템 또는 에너지 시스템 제어기는,
사용 중인 상기 복수 개의 전지들의 충전 상태(state of charge; SOC), 및 선택적으로는 건강 상태(state of health; SoH)를 추정하도록 구성된 제1항 내지 제31항 중 어느 한 항에 기재된 장치;
를 포함하는 배터리 관리 시스템 또는 에너지 시스템 제어기. - 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수 있는, 전기 차량에 전력을 공급하도록 구성된 복수 개의 2차 전기 화학 전지들을 포함하는 전기 차량의 레인지(range)를 추정하는 장치에 있어서,
상기 장치는,
사용 중인 상기 전지들의 충전 상태 및 잔존 용량을 추정하기 위해 동작하도록 구성되는 제20항 내지 제31항 중 어느 한 항에 기재된 장치;
상기 전기 차량에서의 사용 중인 상기 전지들의 예측 동작 조건 및 사용 중인 상기 전지들의 충전 상태 및 잔존 용량의 추정을 기반으로 하여 상기 전기 차량의 레인지를 추정하도록 구성된 레인지 추정 모듈;
을 포함하는, 전기 차량의 레인지 추정 장치. - 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수 있는, 전기 차량에 전력을 공급하도록 구성된 복수 개의 2차 전기 화학 전지들을 포함하는 전기 차량에 대한 루트(route)를 계획하는 장치에 있어서,
상기 장치는,
전기 차량의 레인지를 추정하는 제33항에 기재된 장치; 및
루트를 따르는 상기 전지들의 예측 동작 조건을 기반으로 하여 상기 레인지 추정 모듈에 의해 생성되는 상기 전기 차량의 추정 레인지를 적어도 부분적으로 기반으로 하여 원하는 목적지를 향한 루트를 계획하도록 구성된 루트 계획 모듈;
을 포함하는, 전기 차량에 대한 루트 계획 장치. - 제34항에 있어서,
상기 장치는,
상기 루트 계획 모듈에 의해 계획된 복수 개의 루트들로부터 목적지를 향하는 최적의 루트를 선택하는 루트 최적화 모듈;
을 더 포함하는, 전기 차량에 대한 루트 계획 장치. - 하나 이상의 프로세서들에 의해 실행될 때, 상기 프로세서 또는 프로세서들로 하여금 제1항 내지 제35항 중 어느 한 항에 기재된 장치를 구현하게 하는 명령어들을 포함하는, 컴퓨터 판독가능 매체.
- 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수 있는 2차 전기 화학 전지의 모델을 생성하는 방법에 있어서, 상기 모델은 모든 충전 상태(SOC)에 대해 사용 중인 상기 전지의 단자 전압을 사용 중인 상기 전지의 동작 조건에 상관시키는 사용 중인 상기 전지의 내부 상태를 나타내는 모델을 기반으로 하여 사용 중인 상기 전지의 전기적 특성을 예측하도록 동작 가능하며, 사용 중인 상기 전지의 내부 상태를 나타내는 모델은 다수의 모델링된 전기 요소를 포함하는 등가 회로망 모델이고, 상기 등가 회로망 모델은 상기 등가 회로망 모델의 구성요소를 이루는 전기 요소들의 속성들에 의해 매개변수 표시되고, 상기 방법은,
모든 충전 상태(soc)에 대해 사용 중인 상기 전지의 동작 조건의 범위에 걸쳐 사용 중인 상기 전지의 거동을 나타내는 데이터를 생성하는 단계;
사용 중인 상기 전지의 거동을 나타내는 상기 생성된 데이터를 기반으로 하여, 등가 회로로 하여금 사용 중인 상기 전지의 거동을 나타내는 상기 생성된 데이터에 상응하는 등가 회로 모델의 거동을 생성하는 전기적 특성을 갖게 하는 충전 상태의 함수로서 상기 등가 회로 모델의 매개변수들을 식별하는 단계;
를 포함하는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제37항에 있어서,
상기 전기 화학 전지는 리튬 유황(Lithium Sulfur) 화학 작용을 유발하는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제37항 또는 제38항에 있어서, 상기 등가 회로망 모델은 RC 쌍들로서 표현된 하나 이상의 확산 저항들 및 하나의 옴 저항과 직렬로 이루어진 전압 소스로 구성되며, 상기 옴 저항 및 RC 쌍들의 저항들 및 커패시턴스들, 그리고 상기 전압 소스의 전압은 상기 등가 회로 모델을 매개변수 표시하는, 2차 전기 화학 전지의 모델을 생성하는 방법.
- 제37항, 제38항 또는 제39항 중 어느 한 항에 있어서,
상기 전지의 동작 조건은, 상기 전지의 단자 전압, 상기 전지의 간주(看做) 개방 회로 전압, 상기 전지에 대한 전류 부하; 상기 전지의 온도; 상기 전지의 내부 저항; 중의 하나 이상을 포함하는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제37항 내지 제40항 중 어느 한 항에 있어서,
모든 충전 상태(SOC)에 대해 상기 전지의 동작 조건의 범위에 걸쳐 사용 중인 상기 전지의 거동을 나타내는 데이터를 생성하는 단계는, 상기 전지의 고충실도의 물리적 모델을 사용하여 상이한 동작 조건에 대해 상기 전지의 상이한 충전 상태에서의 상기 전지의 단자 전압 거동을 예측하는 단계를 포함하는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제37항 내지 제41항 중 어느 한 항에 있어서,
모든 충전 상태(SOC)에 대해 상기 전지의 동작 조건의 범위에 걸쳐 사용 중인 상기 전지의 거동을 나타내는 데이터를 생성하는 단계는,
상이한 동작 조건의 범위하에서 모델링된 전지의 설계에 대한 표준 전지의 거동을 제어 상태로 테스트하는 단계를 포함하며,
상이한 동작 조건의 범위하에서 모델링된 전지의 설계에 대한 표준 전지의 거동을 제어 상태로 테스트하는 단계는,
상이한 충전/방전 속도 및 온도 및 충전 상태에서 상기 전지의 단자 전압의 측정치를 수신하는 단계; 및
선택적으로 상이한 충전/방전 속도 및 온도 및 충전 상태에서 상기 전지의 내부 저항의 측정치를 수신하는 단계;
를 포함하는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제42항에 있어서,
상이한 동작 조건의 범위하에서 상기 모델링된 전지의 설계에 대한 표준 전지의 거동을 제어 상태로 테스트하는 단계는,
설정된 방전 속도로 상기 전지에 전류 펄스들을 인가하고, 상기 전지의 단자 전압이 개방 회로 전압으로 되돌아갈 수 있게 하는 상기 펄스들 간의 이완 시간을 남겨 두는 단계;
를 포함하는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제43항에 있어서,
상기 모델링된 전지의 설계에 대한 표준 전지의 거동을 제어 상태로 테스트하는 단계는,
테스트 전지의 간주된 완전 충전 상태로부터 시작하여 상기 전지의 단자 전압이 테스트 전지에 대한 완전 방전 상태를 교정하는데 사용되는 사전에 결정된 레벨 미만으로 강하할 때까지 전류 방전 펄스를 인가하는 단계를 더 포함하는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제43항 또는 제44항에 있어서,
상기 방법은,
각각의 펄스 간의 이완 단계 마지막에서의 상기 전지의 단자 전압을 상기 충전 상태에서의 상기 전지의 개방 회로 전압으로 취하는 단계;
를 더 포함하는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제39항을 인용할 경우 제45항에 있어서,
상기 등가 회로 모델의 상기 매개변수들을 상기 충전 상태의 함수로서 식별하는 단계는,
상기 충전 상태에서 상기 전지의 개방 회로 전압을 사용하여 상기 충전 상태에서 상기 등가 회로망 모델의 전압 소스에 대한 매개변수 값을 식별하는 단계;
를 포함하는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제39항을 인용할 경우 제43항 내지 제46항 중 어느 한 항에 있어서,
상기 등가 회로 모델의 상기 매개변수들을 상기 충전 상태의 함수로서 식별하는 단계는,
전류 펄스의 시작에서의 상기 전지의 단자 전압의 순간적인 강하를 사용하여 상기 충전 상태에서 상기 등가 회로망 모델의 옴 저항 성분에 대한 매개변수 값을 식별하는 단계;
를 포함하는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제39항을 인용할 경우 제43항 내지 제47항 중 어느 한 항에 있어서,
상기 등가 회로 모델의 상기 매개변수들을 상기 충전 상태의 함수로서 식별하는 단계는,
상기 순간적인 전압 강하로부터 계속되는 상기 전지의 단자 전압의 점진적 강하를 사용하여 등가 회로망 모델의 확산 저항 성분에 기여하는 충전 상태에 대한 상기 RC 쌍의 저항 및 커패시턴스의 매개변수 값들을 식별하는 단계;
를 포함하는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제37항 내지 제48항 중 어느 한 항에 있어서,
상기 방법은,
상기 예측 오차 최소화 기법을 사용하여, 사용 중인 상기 전지의 거동을 나타내는 상기 생성된 데이터를 기반으로 하여 식별된 사용 중인 상기 전지의 내부 상태를 나타내는 상기 전지 모델의 상기 매개변수 값들을 세분화하는 단계;
를 더 포함하는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제37항 내지 제49항 중 어느 한 항에 있어서,
상기 방법은,
상기 전지의 동작 조건의 범위에 걸쳐 모든 충전 상태에서의 상기 전지의 거동을 모델링하기 위해 상기 등가 회로망 모델에 대한 상기 식별된 매개변수 값들을 매개변수 값 리소스에 저장하는 단계;
를 더 포함하며, 상기 매개변수 값 리소스는 선택적으로는 룩업 테이블인, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제37항 내지 제50항 중 어느 한 항에 있어서,
상기 방법은,
상기 전지 모델에 대한 상기 식별된 매개변수 값들을 상기 충전 상태에 의존하는 함수들에 적취하는 단계;
를 더 포함하는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 제51항에 있어서,
상기 매개변수 값들은 충전 상태의 함수로서 매개변수 값 리소스에 저장되는, 2차 전기 화학 전지의 모델을 생성하는 방법. - 활성 반응 종이 사용 중에 일시적으로 비활성 상태가 됨으로 인해 용량이 손실될 수 있는 리튬 유황의 화학 작용을 야기하는 2차 전기 화학 전지의 메모리 모델을 생성하는 방법으로서, 상기 메모리 모델은 상기 전지 내의 활성 반응물의 양 및/또는 상기 전지 내의 일시적으로 비활성 상태인 반응물의 양 및 선택적으로는 상기 전지의 영구적으로 비활성 상태인 반응물의 양을 사용 중에 추적하도록 동작 가능하며, 상기 방법은,
리튬 유황 전지의 화학 작용의 반응 종의 상이한 발현, 상기 상이한 발현에서의 반응 종의 양, 상기 반응 종의 상기 상이한 발현이 충전 및 방전 중에 참여하는 반응, 및 상기 반응의 반응속도에 관한 일련의 규칙들을 확립하는 단계;
상기 전지의 동작 조건; 상기 반응 종의 상이한 발현의 모델화된 양; 상기 전지의 내부 상태; 사용 중인 상기 전지의 전기적 특성; 중의 하나 이상에 의해 상기 모델화된 반응 속도를 매개변수 표시하는 단계; 및
고충실도의 물리적 모델을 기반으로 하는 상기 전지에 대한 이론적 예측들; 또는 표준 전지의 테스트를 기반으로 하는 경험적 또는 반-경험적인 상기 매개변수 값들의 적취 또는 획득에 의해 상기 모델화된 반응 속도에 대한 상기 매개변수 표시 값들을 식별하는 단계;
를 포함하는, 2차 전기 화학 전지의 메모리 모델을 생성하는 방법. - 제53항에 있어서,
상기 전지에서의 활성 반응 종의 양적인 변화를 나타내는 상기 메모리 모델은 상기 전지의 반응 종을 고차 발현, 중차 발현 및 저차 발현을 나타내는 3개의 그룹으로 그룹화하는 단순화된 물리적 모델이며, 상기 모델은 상기 전지의 충전 및 방전 곡선들을 상부 수평역(high plateau) 및 하부 수평역(low plateau)으로 분할하고 고차-중차 발현 간의 반응이 상기 상부 수평역을 지배하며 중차-저차 발현 간의 반응이 하부 수평역을 지배하는 것으로 가정하는, 2차 전기 화학 전지의 메모리 모델을 생성하는 방법. - 제54항에 있어서,
상기 메모리 모델은 상기 전지 단자 전압이 상기 상부 수평역 및 상기 하부 수평역 간의 경계 레벨 미만으로 강하할 때, 상기 고차-중차 발현 간의 반응이 일어나지 않아서, 반응물의 고차 발현의 잔량이 일시적으로 비활성 상태로 간주 되어 상기 전지의 잔존 용량에 기여할 수 없게 되는, 2차 전기 화학 전지의 메모리 모델을 생성하는 방법. - 활성 반응 종이 사용 중에 일시적으로 비활성 상태가 됨으로 인해 용량이 손실될 수 있는 리튬 유황의 화학 작용을 야기하는 2차 전지의 충전 상태(state of charge; SOC)를 추정하는 방법으로서,
상기 방법은
사용 중인 상기 전지의 동작 조건들의 측정치들을 수신하는 단계; 및
모든 충전 상태(SOC)에 대해 상기 전지의 단자 전압을 상기 전지의 동작 조건과 상관시키는 상기 전지의 내부 상태를 나타내는 모델을 기반으로 하여 사용 중인 상기 전지의 전기적 특성을 추정하는 전지 모델 모듈을 사용하여 상기 전지를 모델링하는 단계;
상기 전지의 정격 용량(Qt)의 비율을 상관시키는, 사용 중에 일시적으로 비활성 상태가 되는 활성 반응 종의 양적인 변화로 인한 상기 전지 내의 활성 반응 종의 양적인 변화를 나타내는 메모리 모델을 기반으로 하는 사용 중인 상기 전지의 사용 가능한 용량, 즉 사용 가능한 용량(Qusable)을 사용 중에 상기 전지의 동작 이력을 기반으로 하여 예측하고, 그럼으로써 사용 중에 일시적으로 비활성 상태가 되는 활성 반응 종으로 인한 상기 전지의 사용 가능한 용량의 가역 변화를 설명하는, 단계;
상기 전지의 동작 이력을 기반으로 하여 사용 중인 상기 전지 모델 모듈을 조정하여 메모리 효과 모듈에 의한 상기 전지의 사용 가능한 용량의 예측을 보상하는 단계;
상기 전지의 동작 조건들의 수신된 측정치들에 적취되는 상기 전지 모델의 내부 상태 구성을 추정하는 단계; 및
상기 전지의 모델링된 내부 상태 구성을 기반으로 하여 상기 전지의 충전 상태(SOC)를 추정하는 단계에 의해 사용 중인 전지의 내부 상태를 추정하는 단계;
를 포함하는, 2차 전지의 충전 상태를 추정하는 방법. - 제56항에 있어서,
상기 방법은,
상기 전지의 모델링된 사용 가능한 용량(Qusable)과 상기 전지의 정격 용량(Qt)의 비율로서 상기 전지의 건강 상태를 추정하는 단계;
를 더 포함하는, 2차 전지의 충전 상태를 추정하는 방법. - 제56항 또는 제57항에 있어서,
상기 방법은,
반복 피드백 루프로서 동작함으로써 각각의 시간 간격에서 상기 전지의 추정된 내부 상태를 세분화하는 단계로서, 상기 반복 피드백 루프에서는 전지 모델 투영을 기반으로 하는 상기 전지의 내부 상태의 예측이 이전 시간 간격에서 추정된 상기 전지의 내부 상태를 현재 시간 간격으로 포워드함으로써 상기 전지의 현재 내부 상태의 추정을 업데이트하도록 상기 전지의 측정된 동작 조건들을 기반으로 하여 정정되게 하는, 단계;
를 더 포함하는, 2차 전지의 충전 상태를 추정하는 방법. - 제58항에 있어서,
상기 방법은,
칼만-타입 필터, 선택적으로는 칼만 필터, 확장 칼만 필터, 무향(unscented) 칼만 필터, 입자 필터 또는 루엔버거(Luenberger) 상태 추정기를 사용하여 각각의 시간 간격에서 상기 전지의 내부 상태를 추정하는 단계;
를 더 포함하는, 2차 전지의 충전 상태를 추정하는 방법. - 제56항 또는 제57항에 있어서,
상기 방법은,
상기 예측 오차 최소화 기법을 사용하여, 사용 중인 상기 전지의 내부 상태를 나타내는 상기 전지 모델의 매개변수들의 추정치들을 식별하는 단계;
를 더 포함하는, 2차 전지의 충전 상태를 추정하는 방법. - 제56항 또는 제57항에 있어서,
상기 방법은,
퍼지 로직 규칙 세트를 풀어내어 상기 사용 중인 상기 전지의 내부 상태를 나타내는 상기 전지 모델의 매개변수들의 추정치들을 식별하는 단계;
를 더 포함하는, 2차 전지의 충전 상태를 추정하는 방법. - 제56항 내지 제61항 중 어느 한 항에 있어서,
사용 중인 전지의 동작 조건 모니터 모듈에 의해 수신된 상기 전지의 동작 조건들의 측정치들은 상기 전지의 단자 전압; 상기 전지에 대한 전류 부하; 및 선택적으로는 상기 전지의 온도; 및 선택적으로는 상기 전지의 내부 저항;을 포함하는, 2차 전지의 충전 상태를 추정하는 방법. - 제56항 내지 제62항 중 어느 한 항에 있어서,
상기 방법은,
복수 개의 전지들을 포함하는 배터리 관리 시스템 또는 상기 복수 개의 전지들에 커플링하기 위한 에너지 시스템 제어기에서 동작하는, 2차 전지의 충전 상태를 추정하는 방법. - 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수 있는, 전기 차량에 전력을 공급하도록 구성된 복수 개의 2차 전기 화학 전지들을 포함하는 전기 차량의 레인지(range)를 추정하는 방법에 있어서,
상기 방법은,
제56항 내지 제63항 중 어느 한 항에 따른 방법을 수행하여 사용 중인 상기 전지의 충전 상태 및 잔존 용량을 추정하는 단계;
사용 중인 상기 전지의 충전 상태 및 잔존 용량의 추정 및 상기 전기 차량에서의 사용 중인 상기 전지의 예측된 동작 조건들을 기반으로 하여 상기 전기 차량의 레인지를 추정하는 단계;
를 포함하는, 전기 차량의 레인지를 추정하는 방법. - 활성 반응 종이 사용 중에 비활성 상태가 됨으로 인해 용량이 손실될 수 있는, 전기 차량에 전력을 공급하도록 구성된 복수 개의 2차 전기 화학 전지들을 포함하는 전기 차량의 루트(route)를 계획하는 방법에 있어서,
상기 방법은,
제64항에 따른 방법을 수행하여 전기 자동차의 레인지를 추정하는 단계; 및
상기 루트를 따르는 상기 전지들의 예측된 동작 조건들을 기반으로 하여 레인지 추정 모듈에 의해 생성된 전기 차량의 추정된 레인지를 적어도 부분적으로 기반으로 하여 원하는 목적지를 향하는 루트를 계획하는 단계;
를 포함하는, 전기 차량의 루트를 계획하는 방법. - 제65항에 있어서,
상기 방법은,
상기 루트 계획 모듈에 의해 계획된 복수 개의 루트들로부터 목적지를 향하는 최적의 루트를 선택하는 단계;
를 더 포함하는, 전기 차량의 루트를 계획하는 방법. - 첨부 도면을 참조하여 실질적으로 앞서 상세한 설명에 기재된 바와 같은 2차 전기 화학 전지의 충전 상태(SOC)를 모델링하는 장치.
- 첨부 도면을 참조하여 실질적으로 앞서 상세한 설명에 기재된 바와 같은 사용 중인 2차 전기 화학 전지의 충전 상태(SOC)를 추정하는 장치.
- 첨부 도면을 참조하여 실질적으로 앞서 상세한 설명에 기재된 바와 같은 배터리 관리 시스템.
- 첨부 도면을 참조하여 실질적으로 앞서 상세한 설명에 기재된 바와 같은 에너지 시스템 제어기.
- 첨부된 도면을 참조하여 실질적으로 앞서 상세한 설명에 기재된 바와 같은 전기 차량의 레인지를 추정하는 장치.
- 첨부된 도면을 참조하여 실질적으로 앞서 상세한 설명에 기재된 바와 같은 전기 차량에 대한 루트를 계획하는 장치.
- 첨부 도면을 참조하여 실질적으로 앞서 상세한 설명에 기재된 바와 같은 컴퓨터 판독가능 매체.
- 첨부 도면을 참조하여 실질적으로 앞서 상세한 설명에 기재된 바와 같은 2차 전기 화학 전지의 모델을 생성하는 방법.
- 첨부 도면을 참조하여 실질적으로 앞서 상세한 설명에 기재된 바와 같은 2차 전기 화학 전지의 메모리 모델을 생성하는 방법.
- 첨부 도면을 참조하여 실질적으로 앞서 상세한 설명에 기재된 바와 같은 사용 중인 2차 전지의 충전 상태(SOC)를 추정하는 방법.
- 첨부 도면을 참조하여 실질적으로 앞서 상세한 설명에 기재된 바와 같은 전기 차량의 레인지를 추정하는 방법. 첨부 도면을 참조하여 실질적으로 앞서 상세한 설명에 기재된 바와 같은 전기 차량에 대한 루트를 계획하는 방법.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GB1506497.5 | 2015-04-16 | ||
| GB1506497.5A GB2537406B (en) | 2015-04-16 | 2015-04-16 | Method and apparatus for determining the state of health and state of charge of lithium sulfur batteries |
| PCT/GB2016/051066 WO2016166555A1 (en) | 2015-04-16 | 2016-04-18 | Method and apparatus for determining the state of health and state of charge of lithium sulfur batteries |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20170138488A true KR20170138488A (ko) | 2017-12-15 |
| KR102652848B1 KR102652848B1 (ko) | 2024-04-01 |
Family
ID=53298708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020177033100A KR102652848B1 (ko) | 2015-04-16 | 2016-04-18 | 리튬 유황 배터리의 충전 상태 및 건강 상태를 결정하는 방법 및 장치 |
Country Status (10)
| Country | Link |
|---|---|
| US (2) | US11125827B2 (ko) |
| EP (2) | EP3283893B1 (ko) |
| JP (1) | JP6789240B2 (ko) |
| KR (1) | KR102652848B1 (ko) |
| CN (1) | CN107690585B (ko) |
| BR (1) | BR112017022114B8 (ko) |
| ES (1) | ES2917177T3 (ko) |
| GB (1) | GB2537406B (ko) |
| TW (1) | TWI708068B (ko) |
| WO (1) | WO2016166555A1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109307844A (zh) * | 2018-08-17 | 2019-02-05 | 福建云众动力科技有限公司 | 一种锂电池soc的估算方法及装置 |
| KR20190075623A (ko) * | 2017-12-21 | 2019-07-01 | 주식회사 엘지화학 | 배터리의 충전 상태를 캘리브레이션하기 위한 방법 및 배터리 관리 시스템 |
| KR102225270B1 (ko) | 2020-09-04 | 2021-03-10 | 주식회사 패러다임 | 배터리 셀의 무손실 밸런싱 제어 장치 |
| US11209491B2 (en) * | 2018-12-06 | 2021-12-28 | Stl Technology Co., Ltd. | Estimation method for state of charge of battery |
| WO2022086175A1 (ko) * | 2020-10-21 | 2022-04-28 | 주식회사 엘지에너지솔루션 | 리튬-황 전지의 잔여용량을 판별하는 방법 및 상기 방법을 구현하는 전지 팩 |
| KR20230064265A (ko) * | 2021-11-03 | 2023-05-10 | 엘지전자 주식회사 | 에너지 저장장치 및 그 동작방법 |
Families Citing this family (95)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10345385B2 (en) * | 2014-05-12 | 2019-07-09 | Gm Global Technology Operations Llc. | Battery state estimation systems and methods using a nonlinear resistance element |
| US9696782B2 (en) | 2015-02-09 | 2017-07-04 | Microsoft Technology Licensing, Llc | Battery parameter-based power management for suppressing power spikes |
| US10158148B2 (en) | 2015-02-18 | 2018-12-18 | Microsoft Technology Licensing, Llc | Dynamically changing internal state of a battery |
| US9748765B2 (en) | 2015-02-26 | 2017-08-29 | Microsoft Technology Licensing, Llc | Load allocation for multi-battery devices |
| EP3182552B1 (en) | 2015-12-18 | 2018-11-14 | Oxis Energy Limited | Lithium-sulfur battery management system |
| JP6845928B2 (ja) * | 2016-10-20 | 2021-03-24 | ワイ ソフト コーポレーション アー エスＹ Ｓｏｆｔ Ｃｏｒｐｏｒａｔｉｏｎ，Ａ．Ｓ． | 組み込みシステムの汎用自動試験 |
| US11614490B2 (en) | 2016-12-06 | 2023-03-28 | Volvo Truck Corporation | Method of estimating a charge state for a battery cell |
| EP4094978A1 (en) * | 2016-12-12 | 2022-11-30 | Honeywell International Inc. | Adaptive balancing for battery management |
| CN110392956B (zh) | 2017-01-09 | 2023-06-23 | 米沃奇电动工具公司 | 电池组 |
| GB201707354D0 (en) * | 2017-05-08 | 2017-06-21 | Oxis Energy Ltd | Battery management |
| CN107271906B (zh) * | 2017-05-31 | 2019-10-18 | 宁德时代新能源科技股份有限公司 | 电池包健康度估算方法和装置 |
| CN107356879B (zh) * | 2017-07-05 | 2019-09-24 | 中国科学院青岛生物能源与过程研究所 | 一种基于多物理场的电池健康状态检测与评估方法及装备系统 |
| US11280840B2 (en) | 2017-07-10 | 2022-03-22 | 3M Innovative Properties Company | State of health of partially discharged cells |
| GB2569140B (en) * | 2017-12-06 | 2020-06-03 | Oxis Energy Ltd | Battery management |
| CN109901061B (zh) * | 2017-12-11 | 2021-09-03 | 品全技术集团有限公司 | 一种电池信息采集监测系统 |
| CN108594125A (zh) * | 2018-04-11 | 2018-09-28 | 芜湖职业技术学院 | 锂电池模型参数辨识装置 |
| GB2574593B (en) * | 2018-06-07 | 2021-01-13 | Oxis Energy Ltd | Battery Management |
| EP3579007B1 (en) * | 2018-06-07 | 2022-08-17 | Rolls-Royce Deutschland Ltd & Co KG | Method and apparatus for estimating a state of charge of a battery |
| CN111602308A (zh) * | 2018-06-25 | 2020-08-28 | 谷歌有限责任公司 | 电池状态估计 |
| JP7214993B2 (ja) * | 2018-06-29 | 2023-01-31 | 株式会社リコー | 蓄電システム |
| CN112384814A (zh) * | 2018-07-10 | 2021-02-19 | 住友电气工业株式会社 | 二次电池参数估计装置、二次电池参数估计方法和程序 |
| DE102018212545A1 (de) * | 2018-07-27 | 2020-01-30 | Audi Ag | Verfahren zum Überwachen eines Zustands einer Batterie, Überwachungseinrichtung und Kraftfahrzeug |
| EP3829948A4 (en) * | 2018-12-14 | 2022-04-20 | Cummins, Inc. | TERMINATION OF OPERATION OF A VEHICLE SYSTEM DUE TO STATE OF CHARGE (SOC) |
| FR3090117B1 (fr) * | 2018-12-17 | 2021-03-19 | Accumulateurs Fixes | Estimation du soh et estimation du soc d’un element electrochimique |
| CN109596986B (zh) * | 2018-12-29 | 2020-09-18 | 蜂巢能源科技有限公司 | 动力电池包内阻在线估算方法及电池管理系统 |
| CN109975716A (zh) * | 2019-03-07 | 2019-07-05 | 天津力神电池股份有限公司 | 一种锂离子电池内阻波动的检测方法 |
| DE102019109622A1 (de) * | 2019-04-11 | 2020-10-15 | Bundesrepublik Deutschland, Vertreten Durch Das Bundesministerium Für Wirtschaft Und Energie, Dieses Vertreten Durch Den Präsidenten Der Physikalisch-Technischen Bundesanstalt | Verfahren zum Bestimmen eines Alterungsparameters, eines Ladezustandsparameters und einer Temperatur eines Akkumulators, insbesondere eines Lithium-Akkumulators |
| US10727545B1 (en) * | 2019-04-12 | 2020-07-28 | Ses Holdings Pte. Ltd. | Methods of charging secondary lithium metal batteries to reactive dead lithium with redox shuttling additives and battery control systems incorporating the same |
| CN110988702B (zh) | 2019-04-25 | 2021-04-02 | 宁德时代新能源科技股份有限公司 | 电池可用容量确定方法、装置、管理系统以及存储介质 |
| CN110988701B (zh) | 2019-04-25 | 2021-04-30 | 宁德时代新能源科技股份有限公司 | 电池可用能量确定方法、装置、管理系统以及存储介质 |
| CN110133525B (zh) * | 2019-05-13 | 2021-05-28 | 哈尔滨工业大学 | 一种应用于电池管理系统的锂离子电池健康状态估计方法 |
| CN110376536B (zh) * | 2019-08-05 | 2021-11-05 | 桑顿新能源科技(长沙)有限公司 | 电池系统soh检测方法、装置、计算机设备和存储介质 |
| US11150305B2 (en) * | 2019-09-04 | 2021-10-19 | Karma Automotive Llc | Method of estimating residual energy for a battery |
| US11515587B2 (en) * | 2019-10-10 | 2022-11-29 | Robert Bosch Gmbh | Physics-based control of battery temperature |
| CN111497669B (zh) * | 2019-10-14 | 2022-01-11 | 北京嘀嘀无限科技发展有限公司 | 安全充电方法、存储介质、电子设备及系统 |
| DE102019127828B4 (de) * | 2019-10-15 | 2021-05-20 | Hochschule Offenburg | Verfahren und Vorrichtung zur Bestimmung des Ladezustandes und des Gesundheitszustandes einer aufladbaren Batterie |
| CN111239611B (zh) * | 2019-10-21 | 2021-12-10 | 浙江零跑科技股份有限公司 | 一种基于单体电池容量校准packsoc的计算方法 |
| KR102682497B1 (ko) * | 2019-11-26 | 2024-07-08 | 현대자동차주식회사 | 차량 및 차량의 제어 방법 |
| TWI718783B (zh) * | 2019-11-28 | 2021-02-11 | 新普科技股份有限公司 | 以視覺化圖像建立電池狀態模型的方法 |
| CN111123138B (zh) * | 2019-12-24 | 2022-03-08 | 中创新航科技股份有限公司 | 一种电池组的soh的估算方法 |
| CN111079349B (zh) * | 2019-12-28 | 2023-04-07 | 绍兴市上虞区理工高等研究院 | 一种锂电池与超级电容复合电源系统能量实时优化方法 |
| CN111208431B (zh) * | 2020-01-07 | 2022-05-10 | 天津市捷威动力工业有限公司 | 一种电动汽车用锂离子电池全气候日历寿命预测方法 |
| US11740290B2 (en) | 2020-01-14 | 2023-08-29 | Battelle Energy Alliance, Llc | Energy storage cell qualification and related systems, methods, and devices |
| KR20210099504A (ko) | 2020-02-04 | 2021-08-12 | 삼성전자주식회사 | 배터리 시스템에서 배터리의 작동 상태를 검출하는 방법 및 시스템 |
| CN111403830B (zh) * | 2020-03-23 | 2020-11-06 | 深圳市尚亿芯科技有限公司 | 锂电池安全监测系统 |
| WO2021226505A1 (en) | 2020-05-07 | 2021-11-11 | Zitara Technologies, Inc. | Battery analysis system and method |
| CN111931325B (zh) * | 2020-06-05 | 2024-09-06 | 西安理工大学 | 一种融合环境温度的车用动力电池soc估算方法 |
| CN111929581B (zh) * | 2020-06-05 | 2022-10-21 | 西安理工大学 | 一种动力锂电池内外部温度预测方法 |
| CN112310985B (zh) * | 2020-07-06 | 2022-07-12 | 长沙理工大学 | 考虑储能系统健康状态的风电功率平滑控制策略 |
| CN111890986B (zh) * | 2020-07-24 | 2022-10-11 | 重庆长安汽车股份有限公司 | 一种基于可自更新数据插值估算动力电池剩余充电时间的方法 |
| TWI751934B (zh) * | 2020-07-31 | 2022-01-01 | 財團法人工業技術研究院 | 電池管理系統的測試設備和測試方法 |
| CN114089189A (zh) | 2020-07-31 | 2022-02-25 | 财团法人工业技术研究院 | 电池管理系统的测试设备和测试方法 |
| KR102471890B1 (ko) * | 2020-08-03 | 2022-11-29 | 삼성에스디아이 주식회사 | 배터리 팩의 시뮬레이션 방법 |
| CN116113961A (zh) * | 2020-08-30 | 2023-05-12 | 惠普发展公司，有限责任合伙企业 | 使用机器学习模型的电池寿命预测 |
| CN112130087B (zh) * | 2020-09-24 | 2024-01-09 | 上海空间电源研究所 | 一种估计锂离子蓄电池健康状态的方法 |
| DE102020211988A1 (de) * | 2020-09-24 | 2022-03-24 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Ladezustandsbestimmung einer Batterie in einem elektrisch antreibbaren Kraftfahrzeug |
| JP2022054018A (ja) * | 2020-09-25 | 2022-04-06 | 株式会社Ｇｓユアサ | 推定装置、推定方法、及びコンピュータプログラム |
| CN112147514B (zh) * | 2020-09-25 | 2023-08-11 | 河南理工大学 | 基于rls的锂电池全工况自适应等效电路模型 |
| CN112213643B (zh) * | 2020-09-30 | 2023-06-23 | 蜂巢能源科技有限公司 | 电池初始容量、电池健康状态的预测方法、系统及设备 |
| WO2022075655A1 (en) * | 2020-10-06 | 2022-04-14 | Samsung Electronics Co., Ltd. | Methods and systems for detecting faulty behavior in a battery |
| CN112345940B (zh) * | 2020-10-27 | 2023-08-22 | 中北大学 | 基于soc预估的车辆复合电源系统模糊逻辑控制方法 |
| US20220137143A1 (en) * | 2020-10-30 | 2022-05-05 | Cirrus Logic International Semiconductor Ltd. | Battery model estimation based on battery terminal voltage and current transient due to load powered from the battery |
| DE102020130834A1 (de) * | 2020-11-23 | 2022-05-25 | Audi Aktiengesellschaft | Energiespeichervorrichtung zur Speicherung elektrischer Energie, Verfahren zum Betreiben einer Energiespeichervorrichtung und Kraftfahrzeug |
| KR20230124620A (ko) * | 2020-12-22 | 2023-08-25 | 에스이에스 홀딩스 피티이. 엘티디. | 역 쿨롱 효율에 기초한 이차 전기화학 유닛 이상 탐지및/또는 과충전 방지를 포함하는 방법, 장치 및 시스템 |
| CN112818507B (zh) * | 2020-12-30 | 2024-05-28 | 杭州凯歌新能源科技有限公司 | Agv智能仓储机器人bms锂电池放电过程中动态容量修正方法 |
| KR20230146558A (ko) * | 2021-02-05 | 2023-10-19 | 리줄 인코포레이티드 | 전기화학 시스템들을 위한 실시간 능동 측정 방법들 |
| CN112858929B (zh) * | 2021-03-16 | 2022-09-06 | 上海理工大学 | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 |
| CN113093040A (zh) * | 2021-03-22 | 2021-07-09 | 领翌技术(横琴)有限公司 | 电动汽车电池健康度评估方法、装置和系统 |
| TWI758136B (zh) * | 2021-03-22 | 2022-03-11 | 新普科技股份有限公司 | 狀態估計方法及電池組 |
| CN112904219B (zh) * | 2021-04-08 | 2023-03-21 | 合肥工业大学 | 一种基于大数据的动力电池健康状态的预测方法 |
| FR3123156A1 (fr) * | 2021-05-18 | 2022-11-25 | Psa Automobiles Sa | Systeme de gestion de baterie comprenant des moyens de detection de cellules limitantes, vehicule et procede sur la base d’un tel systeme |
| KR102633760B1 (ko) * | 2021-08-05 | 2024-02-05 | 삼성에스디아이 주식회사 | 배터리의 상대 충전 상태를 산출하는 방법 및 장치 |
| TWI786770B (zh) * | 2021-08-16 | 2022-12-11 | 加百裕工業股份有限公司 | 電池健康管理方法及電池健康管理裝置 |
| TWI786769B (zh) * | 2021-08-16 | 2022-12-11 | 加百裕工業股份有限公司 | 電池健康管理方法 |
| JP7266125B2 (ja) * | 2021-08-19 | 2023-04-27 | 株式会社日立製作所 | 電気車両用バッテリーの動的容量を推定するための方法とそのシステム |
| CN115848216A (zh) * | 2021-09-24 | 2023-03-28 | 北京车和家信息技术有限公司 | 充电控制方法、装置、设备及介质 |
| WO2023059652A1 (en) | 2021-10-04 | 2023-04-13 | Zitara Technologies, Inc. | System and method for battery management |
| KR102639780B1 (ko) * | 2021-10-14 | 2024-02-21 | 엘지전자 주식회사 | 에너지 저장장치 |
| CN114056096B (zh) * | 2021-10-20 | 2023-07-07 | 中国科学技术大学先进技术研究院 | 维持电动汽车总线电压稳定的方法、系统、介质及设备 |
| CN113984833B (zh) * | 2021-10-29 | 2024-03-01 | 江苏徐工工程机械研究院有限公司 | 一种环境温度等效及加速试验方法 |
| CN113960484B (zh) * | 2021-11-10 | 2023-06-27 | 北京理工大学重庆创新中心 | 一种基于单体压差的大数据电池健康诊断方法 |
| KR20230074876A (ko) * | 2021-11-22 | 2023-05-31 | 주식회사 엘지에너지솔루션 | 리튬-황 전지의 건강상태 추정 방법 |
| US11971454B2 (en) | 2021-12-09 | 2024-04-30 | Zitara Technologies, Inc. | System and method for determining a battery condition |
| US11688895B1 (en) | 2022-03-10 | 2023-06-27 | Lyten, Inc. | Battery safety system for detecting analytes |
| US20230315032A1 (en) * | 2022-03-31 | 2023-10-05 | Johnson Controls Tyco IP Holdings LLP | Building equipment control system with automated horizon selection |
| CN114611836B (zh) * | 2022-04-02 | 2024-09-10 | 傲普(上海)新能源有限公司 | 一种储能电池风险预测方法、装置、介质及设备 |
| US20230375635A1 (en) * | 2022-05-18 | 2023-11-23 | Hyliion Inc. | System and method for battery state of health characterization based on route segments |
| US20230408588A1 (en) * | 2022-06-14 | 2023-12-21 | Enphase Energy, Inc. | Storage system configured for use with an energy management system |
| CN115389965B (zh) * | 2022-10-27 | 2023-03-24 | 中安芯界控股集团有限公司 | 一种基于大数据的电池安全性能测试系统及方法 |
| CN116053536B (zh) * | 2023-01-28 | 2023-06-16 | 湖北工业大学 | 一种质子交换膜燃料电池估测方法及计算机可读介质 |
| CN116540104B (zh) * | 2023-05-22 | 2024-03-22 | 车百中汽科技(北京)有限公司 | 一种考虑温度影响的锂离子电池健康度确定方法及系统 |
| CN117110925A (zh) * | 2023-07-25 | 2023-11-24 | 广东电网有限责任公司 | 一种电池组的健康状态评估方法及系统 |
| CN117388743B (zh) * | 2023-10-31 | 2024-07-23 | 中国汽车工程研究院股份有限公司 | 基于锂离子电池机理模型的电动汽车soh快速检测方法 |
| CN117686937B (zh) * | 2024-02-02 | 2024-04-12 | 河南科技学院 | 一种用于电池系统内单体电池的健康状态估计方法 |
| CN118584339B (zh) * | 2024-08-06 | 2024-10-18 | 江苏天合清特电气有限公司 | 电池系统的soc计算方法、电池管理系统及电池系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040162683A1 (en) * | 2003-02-18 | 2004-08-19 | Verbrugge Mark W. | Method and apparatus for generalized recursive least-squares process for battery state of charge and state of health |
| US20130096858A1 (en) * | 2011-10-17 | 2013-04-18 | International Business Machines Corporation | System, method, and program for predicting state of battery |
| US20130311115A1 (en) * | 2012-05-16 | 2013-11-21 | Robert Bosch Gmbh | Battery System and Method with Parameter Estimator |
| US20140203813A1 (en) * | 2011-05-20 | 2014-07-24 | Renault S.A.S. | Method of estimating the state of charge of an electric battery |
| US20140326043A1 (en) * | 2011-09-22 | 2014-11-06 | Marcus Wegner | Energy store, system including the energy store, and method for ascertaining the state of health of an energy store |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AUPO917297A0 (en) * | 1997-09-15 | 1997-10-09 | Commonwealth Scientific And Industrial Research Organisation | Charging of batteries |
| US7072871B1 (en) * | 2001-08-22 | 2006-07-04 | Cadex Electronics Inc. | Fuzzy logic method and apparatus for battery state of health determination |
| JP4097183B2 (ja) * | 2001-12-27 | 2008-06-11 | パナソニックＥｖエナジー株式会社 | 二次電池の残存容量推定方法および装置、並びに電池パックシステム |
| US7109685B2 (en) * | 2003-09-17 | 2006-09-19 | General Motors Corporation | Method for estimating states and parameters of an electrochemical cell |
| US7019494B2 (en) * | 2004-01-06 | 2006-03-28 | Moltech Corporation | Methods of charging lithium sulfur cells |
| KR100692404B1 (ko) * | 2004-12-21 | 2007-03-09 | 현대자동차주식회사 | 메모리효과를 방지하기 위한 배터리 충전상태 계산 알고리즘 |
| US7688075B2 (en) * | 2005-04-20 | 2010-03-30 | Sion Power Corporation | Lithium sulfur rechargeable battery fuel gauge systems and methods |
| US7957921B2 (en) * | 2008-02-19 | 2011-06-07 | GM Global Technology Operations LLC | Model-based estimation of battery hysteresis |
| JP4975075B2 (ja) | 2009-09-30 | 2012-07-11 | クラリオン株式会社 | ナビゲーション装置および経路演算方法 |
| US8332342B1 (en) * | 2009-11-19 | 2012-12-11 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Model-based prognostics for batteries which estimates useful life and uses a probability density function |
| US8185302B2 (en) * | 2010-08-26 | 2012-05-22 | Ford Global Technologies, Llc | Conservational vehicle routing |
| CN102540096B (zh) * | 2012-01-17 | 2014-07-23 | 浙江大学 | 一种用于磷酸铁锂动力电池剩余容量估算自修正的方法 |
| US9176198B2 (en) | 2012-02-17 | 2015-11-03 | GM Global Technology Operations LLC | Battery state estimator with overpotential-based variable resistors |
| CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
| CN102721933A (zh) * | 2012-06-29 | 2012-10-10 | 国家电网公司 | 一种锂离子电池的soc估算方法和系统 |
| CN103176139B (zh) * | 2013-03-08 | 2015-07-29 | 桂林电子科技大学 | 动力电池非光滑迟滞特性补偿的电荷状态估算方法及系统 |
| CN103439668B (zh) * | 2013-09-05 | 2015-08-26 | 桂林电子科技大学 | 动力锂离子电池的电荷状态估算方法与系统 |
| US9983266B2 (en) * | 2015-03-30 | 2018-05-29 | Eaton Intelligent Power Limited | Apparatus and methods for battery monitoring using discharge pulse measurements |
-
2015
- 2015-04-16 GB GB1506497.5A patent/GB2537406B/en active Active
-
2016
- 2016-04-15 TW TW105111821A patent/TWI708068B/zh active
- 2016-04-18 ES ES16717448T patent/ES2917177T3/es active Active
- 2016-04-18 WO PCT/GB2016/051066 patent/WO2016166555A1/en active Application Filing
- 2016-04-18 EP EP16717448.1A patent/EP3283893B1/en active Active
- 2016-04-18 BR BR112017022114A patent/BR112017022114B8/pt active IP Right Grant
- 2016-04-18 EP EP19189248.8A patent/EP3644078A1/en active Pending
- 2016-04-18 CN CN201680030378.3A patent/CN107690585B/zh active Active
- 2016-04-18 JP JP2017554500A patent/JP6789240B2/ja active Active
- 2016-04-18 KR KR1020177033100A patent/KR102652848B1/ko active IP Right Grant
- 2016-04-18 US US15/566,661 patent/US11125827B2/en active Active
-
2021
- 2021-08-18 US US17/405,258 patent/US20220082631A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040162683A1 (en) * | 2003-02-18 | 2004-08-19 | Verbrugge Mark W. | Method and apparatus for generalized recursive least-squares process for battery state of charge and state of health |
| US20140203813A1 (en) * | 2011-05-20 | 2014-07-24 | Renault S.A.S. | Method of estimating the state of charge of an electric battery |
| US20140326043A1 (en) * | 2011-09-22 | 2014-11-06 | Marcus Wegner | Energy store, system including the energy store, and method for ascertaining the state of health of an energy store |
| US20130096858A1 (en) * | 2011-10-17 | 2013-04-18 | International Business Machines Corporation | System, method, and program for predicting state of battery |
| US20130311115A1 (en) * | 2012-05-16 | 2013-11-21 | Robert Bosch Gmbh | Battery System and Method with Parameter Estimator |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190075623A (ko) * | 2017-12-21 | 2019-07-01 | 주식회사 엘지화학 | 배터리의 충전 상태를 캘리브레이션하기 위한 방법 및 배터리 관리 시스템 |
| US11480620B2 (en) | 2017-12-21 | 2022-10-25 | Lg Energy Solution, Ltd. | Method for calibrating state of charge of battery and battery management system |
| CN109307844A (zh) * | 2018-08-17 | 2019-02-05 | 福建云众动力科技有限公司 | 一种锂电池soc的估算方法及装置 |
| CN109307844B (zh) * | 2018-08-17 | 2021-06-04 | 福建云众动力科技有限公司 | 一种锂电池soc的估算方法及装置 |
| US11209491B2 (en) * | 2018-12-06 | 2021-12-28 | Stl Technology Co., Ltd. | Estimation method for state of charge of battery |
| KR102225270B1 (ko) | 2020-09-04 | 2021-03-10 | 주식회사 패러다임 | 배터리 셀의 무손실 밸런싱 제어 장치 |
| WO2022086175A1 (ko) * | 2020-10-21 | 2022-04-28 | 주식회사 엘지에너지솔루션 | 리튬-황 전지의 잔여용량을 판별하는 방법 및 상기 방법을 구현하는 전지 팩 |
| KR20230064265A (ko) * | 2021-11-03 | 2023-05-10 | 엘지전자 주식회사 | 에너지 저장장치 및 그 동작방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| GB201506497D0 (en) | 2015-06-03 |
| EP3283893A1 (en) | 2018-02-21 |
| EP3644078A1 (en) | 2020-04-29 |
| US20220082631A1 (en) | 2022-03-17 |
| GB2537406A (en) | 2016-10-19 |
| BR112017022114B1 (pt) | 2020-04-28 |
| JP6789240B2 (ja) | 2020-11-25 |
| BR112017022114A2 (pt) | 2018-07-03 |
| KR102652848B1 (ko) | 2024-04-01 |
| US11125827B2 (en) | 2021-09-21 |
| WO2016166555A1 (en) | 2016-10-20 |
| ES2917177T3 (es) | 2022-07-07 |
| CN107690585B (zh) | 2020-03-20 |
| TW201702623A (zh) | 2017-01-16 |
| JP2018513378A (ja) | 2018-05-24 |
| BR112017022114B8 (pt) | 2023-03-07 |
| US20180095141A1 (en) | 2018-04-05 |
| CN107690585A (zh) | 2018-02-13 |
| EP3283893B1 (en) | 2022-03-09 |
| TWI708068B (zh) | 2020-10-21 |
| GB2537406B (en) | 2017-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220082631A1 (en) | Method and apparatus for determining the state of health and state of charge of lithium sulfur batteries | |
| Huang et al. | Robustness evaluation of extended and unscented Kalman filter for battery state of charge estimation | |
| Chen et al. | A new state-of-health estimation method for lithium-ion batteries through the intrinsic relationship between ohmic internal resistance and capacity | |
| Deng et al. | Online available capacity prediction and state of charge estimation based on advanced data-driven algorithms for lithium iron phosphate battery | |
| Lai et al. | A hybrid state-of-charge estimation method based on credible increment for electric vehicle applications with large sensor and model errors | |
| Campestrini et al. | Influence of change in open circuit voltage on the state of charge estimation with an extended Kalman filter | |
| 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 | |
| Sun et al. | Estimation of state-of-charge and state-of-power capability of lithium-ion battery considering varying health conditions | |
| Lin et al. | Analytic bound on accuracy of battery state and parameter estimation | |
| Chen et al. | Battery state of charge estimation based on a combined model of Extended Kalman Filter and neural networks | |
| CN109946623A (zh) | 一种锂电池的soc在线估测方法 | |
| JP6509725B2 (ja) | バッテリの充電状態の推定 | |
| KR102347014B1 (ko) | 축전지 잔량 추정 장치, 축전지 잔량 추정 방법, 및 프로그램 | |
| EP2700964A2 (en) | Battery state estimation system, battery control system, battery system, and battery state estimation method | |
| US20150369875A1 (en) | Battery state estimating device | |
| Plett | Dual and joint EKF for simultaneous SOC and SOH estimation | |
| KR100901252B1 (ko) | 슬라이딩 모드 관측기를 이용한 ２차 전지 ｓｏｃ 예측방법 및 장치 | |
| He et al. | Modeling of dynamic hysteresis characters for the lithium-ion battery | |
| CN116113837A (zh) | 用于估计电池的荷电状态的方法 | |
| Qiu et al. | Battery hysteresis modeling for state of charge estimation based on Extended Kalman Filter | |
| KR100878123B1 (ko) | 배터리 상태 및 파라미터 추정 시스템 및 방법 | |
| Rahimi-Eichi et al. | Adaptive online battery parameters/SOC/capacity co-estimation | |
| Ahmed et al. | A scaling approach for improved open circuit voltage modeling in Li-ion batteries | |
| Barsali et al. | Luenberger observer for lithium battery state-of-charge estimation | |
| WO2006057469A1 (en) | Method and system for joint battery stateand parameter estimation |
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 |