KR20220112997A - 신경망을 이용한 리튬배터리 팩의 각 셀에 대한 실시간 충전상태 추정장치 - Google Patents

Abstract

본 발명은 다수개의 셀로 구성된 배터리 팩; 상기 배터리 팩의 각 셀을 충전하는 전원공급장치 및 방전하는 부하; 상기 배터리 팩의 각 셀의 전압, 전류 및 온도 가변 데이터를 측정하는 배터리 컨트롤러; 상기 배터리 컨트롤러로부터 제공된 측정 데이터로 신경망을 통해 학습하고 학습된 데이터를 처리하여 상기 배터리 팩의 각 셀의 SOC를 추정하는 배터리 SOC 추정부;를 포함하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치를 제공한다.

Description

신경망을 이용한 리튬배터리 팩의 각 셀에 대한 실시간 충전상태 추정장치{ An apparatus for real time state of charge estimation for each cell of lithium battery pack using neural networks}

본 발명은 배터리 모니터링 기술에 관한 것으로, 더욱 상세하게는 신경망을 이용한 리튬배터리 팩의 각 셀에 대한 실시간 충전상태 추정할 수 있는 모니터링 방법 및 장치에 관한 것이다.

현대의 에너지 위기와 환경 오염이 지속적으로 발생하면서 자연적이고 효율적인 에너지 저장 장치의 개발이 필요하다. 다양한 에너지 저장 장치 중에서도 리튬 배터리는 최근 고전력 밀도, 낮은 자체 방전율, 긴 수명 주기 및 환경 친화적 인 특성과 같은 장점으로 인해 상당한 관심을 끌고 있다. 이러한 리튬 배터리는 전기 자동차, 자전거 및 스쿠터, 기타 운송 수단, 무선 전동 공구 및 진공 청소기 및 스마트 폰과 같은 다양한 응용 분야에서 널리 사용되어 왔다.한, 리튬 배터리는 기본 배터리 및 납 저장 배터리에 비해 휴대성과 우수한 내열성으로 인해 기존 배터리의 대안으로 사용되는 주요 전원이다. 나, 제대로 관리되지 않으면 성능이 저하될 수 있으며 손상될 수 있으며, 심한 경우 폭발이 발생할 수 있다. 이러한 문제는 경제, 신뢰성 및 안전과 관련이 있어, 배터리의 충전 상태(SOC)의 정확한 측정 및 추정은 신뢰성을 개선하고 사용자에게 안전한 서비스를 제공하는 데 중요하다. 이러한 SOC는 BMS(배터리 관리 시스템)의 중요한 매개 변수이며 현재 배터리의 사용 가능한 용량을 나타낸다. 다른 모든 SOC를 기반으로 정확성과 견고성을 달성해야 한다.

현재 전기자동차 분야는 리튬 배터리 개발과 배터리 SOC 추정 기술에 대한 연구가 가장 중요한 분야이다. 또한, 전기자동차의 특성상 SOC를 실시간으로 추정하는 것이 매우 중요하며, 다른 리튬 배터리 제품의 SOC를 보다 정확하고 효율적으로 추정할 수 있다. 그러나 비용과 제한된 계산 전력으로 인해 정확한 실시간 SOC를 추정하기는 어렵다.

SOC 추정을 위한 각종 방법이 최근에 제안되고 있으나, 대부분은 배터리 셀을 추정하는 SOC이다. 또한, SOC를 실시간으로 추정하는 방법에 대한 연구는 거의 없는 것으로 판단된다. 리튬 이온 배터리는 셀 기반 배터리보다 에너지 밀도가 높은 고전력 전기 제품에 더 강력한 전력을 공급할 수 있다. 따라서, 배터리 팩의 SOC를 추정하면 배터리의 효율적이고 안전한 사용이 가능하다.

이에 배경 기술로서 리튬배터리팩과 전통적인 SOC 추정방법에 대해서 보다 자세히 살펴본다.

먼저, 리튬 배터리는 높은 에너지밀도, 고전력 밀도, 긴 수명 주기 및 환경 친화적인 특성으로 인해 전기 자동차의 주요 동력원으로 널리 사용된다. 이때, 높은 에너지 밀도를 나타내는 배터리 셀은 현재 제조되어 많은 양의 에너지를 동일한 부피에 저장할 수 있다. 또한, 특정 숫자를 포함하는 배터리 모듈은 외장 충격 및 고온 및 저온 모두에서 배터리 셀을 보호한다. 또한, 배터리 팩은 배터리 모듈에 설치된 BMS 및 다양한 배터리 제어 장치로 구성되는데, 배터리 셀 용량의 감소 및 고장의 발생, 외부 충격으로 인해 여러 배터리 셀로 구성된 배터리 모듈의 고장의 원인이 될 수 있다. 또한, 배터리 모듈이 여러 개 포함된 배터리 팩은 고장도 발생할 수 있다. 이는 배터리 팩에 동일한 배터리를 사용하더라도 전기화학적 특성의 차이로 인해 배터리 셀이 지속적으로 충전되고 방전될 때 불균형이 된다. 따라서 배터리 셀의 정확한 SOC 추정을 통해 배터리 팩을 안전하게 사용할 수 있다.

도 1은 기존 배터리 셀, 모듈 및 팩 간의 관계를 보여주는 다이어그램이다.

이어 전통적인 SOC 추정방법을 살펴보면, 현재 배터리의 데이터를 사용하여 SOC 추정에 대한 몇 가지 방법이 제안되었다. 칼만 필터 방법, 개방 회로 전압(OCV) 방법, 신경망 방법과 같은 배터리 SOC 추정 방법이 있다. 리튬 배터리를 충전하고 배출할 때 데이터는 비선형 특성을 보여준다.

칼만 여과에서, SOC 추정은 확장된 칼만 필터 방법이 배터리의 비선형 특성 때문에 종종 사용되기 때문에 실시간으로 수행될 수 있다. 그러나 변수의 증가에 따라 계산 시간이 증가하는 단점이 있다..

OCV 방법에서 SOC 추정은 배터리의 나머지 용량이 에너지 사용량에 비례하여 자연스럽게 감소한다는 사실에 기초하여 수행된다. 그러나, 실시간 SOC추정은, 이 방법을 사용하는 것은 어렵고, 많은 시간이 필요하기 때문에, 배터리가 평형 상태에 있어야 하며, 단자 전압의 측정이 필요하다.

다층신경망(MNN) 및 RNN은 리튬 배터리의 선형특성이 아닌 비선형 특성을 나타내는 데이터를 얻는 데 사용된다. 이때, MNN을 사용하는 경우 데이터를 얻기 위해 결함으로 구성된 기존 신경망에 여러 개의 숨겨진 레이어를 추가해야 한다. 이를 통해 복잡한 입력과 출력 간의 관계를 결정할 수 있다. MNN은 또한 비선형 시스템의 제어 문제에 적합한 데이터에 잘 적응하는 장점이 있다. 반대로 RNN은 숨겨진 레이어의 노드에서 출력 레이어의 노드로 결과를 보낸 다음 다른 숨겨진 레이어의 노드의 계산 입력으로 다시 보낸다. 일반적으로 RNN은 MNN보다 효율적이며 더 나은 정확도를 달성하는 데 사용할 수 있습니다. 그러나, 종래의 신경망 기반 방법은 각 배터리 셀에 대해서만 SOC를 추정하며, 배터리 팩에 대한 SOC 추정 연구가 아직 미흡한 상태이다.

한국등록특허 0901252호 한국등록특허 0651573호

본 발명은 전술한 바와 같은 문제점을 해결하기 위하여 안출된 것으로, 신경망을 이용하여 리튬배터리 팩의 각 셀에 대한 실시간 충전상태를 추정할 수 있게 하여 SOC 추정 오차를 개선하고 정확도를 향상시킬 수 있는 배터리의 상태 추정 및 모니터링 장치를 제공하는 것을 목적으로 한다.

이를 위해, 본 발명은 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치에 있어서, 다수개의 셀로 구성된 배터리 팩; 상기 배터리 팩의 각 셀을 충전하는 전원공급장치 및 방전하는 부하; 상기 배터리 팩의 각 셀의 전압, 전류 및 온도 가변 데이터를 측정하는 배터리 컨트롤러; 상기 배터리 컨트롤러로부터 제공된 측정 데이터로 신경망을 통해 학습하고 학습된 데이터를 처리하여 상기 배터리 팩의 각 셀의 SOC를 추정하는 배터리 SOC 추정부;를 포함할 수 있다.

또한, 상기 측정 데이터는 전압 데이터 및 온도 가변 데이터를 포함할 수 있다.

또한, 상기 전압 데이터는 6개의 전압 데이터임을 특징으로 한다.

또한, 상기 신경망은 LSTM 방법을 이용하는 것을 특징으로 한다.

또한, 상기 배터리 팩은 4개의 셀로 구성되는 것을 특징으로 한다.

또한, 상기 다수개의 셀의 순차적인 SOC 추정을 위해 상기 배터리 컨트롤러에 상기 설치된 셀의 2배수에 해당하는 채널수의 릴레이 모듈을 더 포함할 수 있다.

또한, 상기 배터리 SOC 추정부는 신경망 모델링 정보를 이용하여 입력 수에 따른 오차율 차이를 비교하고, 사용된 온도 변수 데이터에 따른 오차율 차이를 비교하며, MNN과 LSTM의 성능 차이를 비교하여, 가장 낮은 오차율로 얻은 학습 방법의 입력 값을 사용하여 실시간으로 추정하는 것을 특징으로 한다.

본 발명은 다층 신경(MNN) 및 LSTM을 사용하여 리튬 배터리 팩의 각 셀의 실시간 SOC 추정을 가능하게 한다.

즉, 종래의 배터리 셀에 대한 SOC 추정의 한계를 극복하고 다수개의 셀로 구성된 배터리 팩의 각 셀에 대한 독립적인 SOC 추정이 가능하고 실시간 추정이 가능하여 배터리 팩 구조의 전기 자동차에서의 SOC 추정이 가능하게 할뿐만 아니라 향후 전압 확장성을 보장할 수 있다.

또한, 본 발명의 SOC 추정은 기존 칼만 필터 방법 등과 비교하여 개선된 SOC 추정 오차를 얻을 수 있고, 상온 및 고온에서 모두 기존 SOC 추정 방법과 비교하여 SOC 추정 오차를 개선하여 정확도를 향상시킬 수 있게 한다.

도 1은 기존 배터리 셀, 모듈 및 팩 간의 관계를 보여주는 다이어그램,
도 2는 본 발명의 바람직한 실시예에 따른 신경망을 이용한 리튬 배터리 팩에 대한 제안된 상태(SOC) 추정 방법의 회로도,
도 3은 본 발명의 바람직한 실시예에 따른 MNN의 모델 구성을 나타낸 도면,
도 4는 본 발명의 바람직한 실시예에 따른 LSTM의 기본 구조를 나타낸 도면,
도 5는 리튬 배터리 팩의 실시간 추정의 실험적 구성을 제시한 도면,
도 6은 본 발명의 바람직한 실시예에 따른 실시간 SOC 추정 시뮬레이션 결과를 나타낸 도면,
도 7은 본 발명의 바람직한 실시예에 따른 리튬 배터리 팩의 SOC 추정 시뮬레이션을 위한 실험 환경을 나타낸 도면,
도 8은 상온 및 고온에서 입력 값으로 6개 전압만을 활용하는 Cell 4의 MNN을 사용할 때 SOC 추정 결과의 그래프,
도 9는 상온 및 고온 모두에서 입력 값으로 6개 전압만을 활용하는 셀 4의 LSTM을 사용할 때 SOC 추정 결과의 그래프,
도 10은 상온 및 고온에서 입력 값으로 6개의 전압 및 온도 변수 데이터를 활용하는 Cell 4의 MNN을 사용할 때 SOC 추정 결과의 그래프,
도 11은 상온 및 고온에서 입력 값으로 6개의 전압 및 온도 변수 데이터를 활용하는 Cell 4의 LSTM을 사용할 때 SOC 추정 결과의 그래프,
도 12는 고온에서 입력값으로 6개의 전압 및 온도 변수 데이터를 활용하는 Cell 4의 MNN 및 LSTM을 이용한 결과의 그래프이다.

이하에서 첨부된 도면을 참조하여, 본 발명의 바람직한 실시예에 따른 신경망을 이용한 리튬 배터리 팩의 각 셀에 대한 실시간 충전 상태 추정장치 및 방법에 대하여 상세하게 설명한다.

<SOC 추정방법>

1.1. 리튬 배터리 SOC 추정 알고리즘

도 2는 본 발명의 바람직한 실시예에 따른 신경망을 이용한 리튬 배터리 팩에 대한 제안된 상태(SOC) 추정 방법의 회로도이다.

도 2를 참조하면, 본 발명에 따른 SCO 추정장치는, 전원공급장치(110) 및 전자 부하(120)는 리튬 배터리를 충전하고 방전하는 데 사용된다. 이때, 스위치(115)는 전원공급장치(110) 연결을 통해 리튬 배터리를 충전하거나 전자부하(120) 연결을 통해 리튬 배터리를 방전할 수 있다.

배터리 팩(130)은 4개의 셀로 구성되며, 1개의 셀은 1300mAh 리튬 배터리로 구성된다. 배터리 컨트롤러(140)는 전압 센서, 전류 센서, 온도 센서, 마이크로 컨트롤러 및 8채널 릴레이 모듈로 구성된다. 또한, 배터리 컨트롤러(140)는 배터리의 전압, 전류 및 온도 가변 데이터를 측정하는 데 사용된다. 이어서, 측정된 데이터는 제어부인 개인용 컴퓨터(PC)(141)에 입력되고, 제어부(141)는 입력된 측정 데이터를 제1 내지 제4 신경망(151, 152, 153, 154)을 통해 학습하게 하고 학습된 데이터를 통해 리튬 배터리의 SOC 추정을 가능하게 한다.

배터리의 SOC 추정부(160)는 상기 신경망 모델링 정보를 이용하여 배터리의 SOC 상태를 추정할 수 있다. 이때, 신경망 모델링 정보를 이용하여 입력 수에 따른 오차율 차이를 비교하고, 사용된 온도 변수 데이터에 따른 오차율 차이를 비교하고, MNN과 LSTM의 성능 차이를 비교하여, 가장 낮은 오차율로 얻은 학습 방법의 입력 값을 사용하여 실시간으로 추정한다.

이어서, 배터리 SOC 추정값을 제공받아 메모리부에 저장하거나 디스플레이 등 출력장치를 통해 출력하여 사용자에게 안내한다. 이로서 사용자는 배터리의 각 셀에서 SOC를 모니터링할 수 있게 한다.

1.2. 다층 신경망

본 발명에서는 전압과 SOC 간의 관계를 모델링하기 위해 도 3에 도시된 바와 같이, MNN 모델이 생성되었다.

상기 MNN은 다층 학습에서 가장 기본적인 모델로, 도 3은 MNN 모델의 개략적 구성을 나타낸 도면이다.

도 3을 참조하면, 상기 MNN은 하나의 입력 레이어와 두개의 히든 레이어(Hidden layer), 그리고 하나의 출력 레이어로 구성된다. 여기서, MNN 모델의 출력 값을 계산하는 피드 포워드 모델(feed-forward model) 방정식은 히든 레이어 및 출력 레이어에서 입력/출력 관계 형식으로 구성된다. 또한, MNN 학습은 백 전파 방법(back-propagation method)을 사용하여 가중치를 변경하면서 수행된다.

도 3에서, MNN 모델은 입력 레이어의 입력 값으로서 두 가지 유형의 데이터집합을 사용한다. 가령, 데이터 집합 중 하나에는 전압 데이터 및 2, 6 및 8 입력 매개 변수를 가진다. 다른 데이터 집합에는 전압 및 온도 데이터가 있다. 이 데이터 집합은 3 및 7 입력으로 구성된다.

두개의 히든 레이어가 있다. 첫번째 히든 레이어(Hidden layer 1)에서, 노드의 수는 128이고, ReLU(rectified linear unit) 함수는 활성화 함수로 사용된다. 두번째 히든 레이어(Hidden layer 2)에서 노드의 수는 64이며, ReLU 함수는 마찬가지로 활성화 함수로서 사용된다.

또한, 출력 레이어가 하나 있으며, Adam(Adaptive Moment Estimation)은 학습 방법으로 사용되었다.

ReLU 함수는 계산 과정에서 기하급수적 계산을 사용하지 않으므로 대신 간단한 계산을 사용할 수 있다. 또한, 불포화 형태와 선형성으로 인해 음수 값을 0으로 변경한다. 따라서, 이 함수를 사용하면 빠른 수렴이 가능하며, ReLU 함수의 방정식은 다음 수학식 1과 같다.

Adam은 모멘텀과 RMSProp((Root Mean Sqaure Propagation)을 결합한 학습 방법의 일종이다. 이러한 아담은 확률 목적 함수(stochastic objective function) 1차 그라데이션(first-order gradient) 기반 최적화 알고리즘이다. 또한, 쉽게 구현할 수 있으며 양호한 계산 효율을 나타낼 수 있다.

계산 방법은 지금까지 계산된 슬로프(slope)의 평균과 슬로프의 제곱값의 평균을 기억하는데, Adam 방정식은 다음 수학식 2와 같다.

위의 방정식에서는 mm 및 v는 0으로 초기화되고, 학습 시작시 0에 가까운 바이어스(bias)가 예상되며, 이는 편향되지 않게 만드는 과정을 거치게 되는데, 방정식은 다음 수학식 3과 같다.

여기서, m은 첫번째 모멘트 벡터 초기화이고, v는 두번째 모멘트 벡터 초기화이고, t는 시간 단계 초기화이고, θ는 초기 파라미터(parameter) 벡터이다. 또한, β_1의 값은 0.9이고, β_2의 값은 0.999 이고, ε은 10^-88 이다.

1.3. LSTM(Long Short-Term Memory)

일반 MNN 모델과 달리, LSTM은 히든 레이어의 결과가 다시 한번 히든 레이어의 입력 값으로 사용되는 것으로 시간과 순서를 고려하는 방법이다. 또한, LSTM은 MNN 모델의 장기 종속성의 종방향 소멸(gradient vanishing) 문제를 해결하기 위해 셀 상태를 추가하여 고안되었다. 그것은 종종 타임 시리즈 데이터(time series data)를 예측하는 데 사용되며, 본 발명에 사용되는 데이터가 사용되는 경우, MNN 모델보다 더 정확한 결과를 얻을 수 있다.

본 발명에서는 LSTM을 사용하는데, 입력 레이어는 2, 6, 8 및 3 및 7이 사용되고 온도 변수 데이터를 더 추가되어 사용된다. 세 개의 히든 레이어가 있고, 모든 LSTM 레이어가 사용되었다. 첫 번째 레이어에는 150개의 노드가 사용되었고, 두 번째 레이어에서 100개의 노드가 사용되었고, 세 번째 레이어에서는 50개의 노드가 사용되었다. ReLU 함수는 세 개의 LSTM 레이어의 활성화 함수로 사용되었다. 출력 레이어에서 101개의 노드가 있었고 Softmax 함수는 활성화 함수로 사용되었다. Adam은 학습 방법으로 사용되었다.

LSTM은 기본 RNN의 경사 값(slope)를 계산할 수 있는 RNN의 유용한 유형 중 하나이다.

도 4는 본 발명의 바람직한 실시예에 따른 LSTM의 기본 구조를 나타낸 도면이다.

도 4를 참조하면, LSTM은 배터리 용량감소를 타임 시리즈(time series)로 간주하기 때문에 SOC 추정에 적합한 방법이며, LSTM의 방정식은 다음 수학식 4 내지 7과 같다..

먼저, 1단계로서 포겟 게이트(Forget gate):

이어, 2단계로서 입력 게이트:

이어, 3단계로서 업데이트(셀 상태):

이어, 4단계로서 출력 게이트(히든 상태):

여기서, W는 가중치, h는 히든 상태(hidden state), X는 입력, b는 각 게이트 및 상태(state)의 바이어스(bias), f는 포겟 게이트, i는 입력 게이트, S는 셀 상태(cell state), O는 출력 게이트를 나타낸다.

Softmax는 출력 값과 관련하여 클래스(class) 분류의 마지막 단계에서 출력 값을 정규화하는 활성화 함수이며, Softmax 함수의 결과 값의 합계는 항상 1이다.

Softmax 방정식은 다음 수학식 8과 같다.

여기서 xi는 i번째 출력이며, N은 클래스수와 동일한 차원(dimension) 수이다.

1.4. LSTM에 의한 온라인 SOC 추정

실시간 SOC 추정치는 6개 전압 데이터와 후술하는 실험결과에서 가장 낮은 에러율 결과를 결합하여 리튬 배터리 팩의 SOC의 실시간 추정치를 기반으로 하였다.

도 5는 리튬 배터리 팩의 실시간 추정의 실험적 구성을 제시한다. 리튬 배터리의 실시간 SOC 추정은 4개의 셀(전지)이 모두 완전히 충전되는 상태에서, 즉, 100% SOC에서 수행되었다. 4개의 셀의 순차적인 SOC 추정을 달성하기 위해 배터리 컨트롤러에 8채널 릴레이 모듈을 추가하였다. 현재 SOC의 실시간 추정에 대한 연구는 거의 없다. 따라서, 본 발명에서 연구 및 테스트된 실시간 SOC 추정 방법은 SOC 추정의 새로운 방향으로 간주될 것으로 예상하고 연구 및 실험을 수행하였다.

실험 과정은 다음과 같다. 4개의 셀은 전자 하중을 사용하여 4.2V 및 1300 mA의 일정한 전류로 완전히 충전되었다. 이어서, 전압 및 온도 변수 데이터는 배터리 컨트롤러를 통해 PC로 전송되었다.

리튬 배터리의 SOC는 입력 값 및 온도 변수 데이터로 6개 전압만을 활용하는 LSTM 방법을 사용하여 실시간으로 추정되었다. 실시간 추정은 도 6에 도시된 것과 같다.

셀1에서 셀4의 실시간 SOC 추정 결과는 도 6에 도시된다. 도 6을 참조하면, 실험 결과 배터리 팩의 SOC 추정 추세(trend)가 SOC 추정 시뮬레이션 실험과 유사하다는 것을 확인했다.

< 결과 및 토론>

2.1. 실험 과정

본 발명에서 사용되는 리튬 배터리 팩은 4개의 셀로 구성된다. 첫째, 4개의 리튬 배터리로 구성된 배터리 팩은 전원 공급 장치를 사용하여 4.2V의 일정한 전압으로 완전히 충전되었다. 이 상태는 100% SOC로 정의됩니다. 충전 완료 후 1h의 안정화 기간이 있습니다. 이어서, 전자 하중을 이용한 1,300mA의 일정한 전류에서 방전 완료를 나타내는 0% SOC의 상태는 1사이클로 정의되었다. 전압 및 온도 변수 데이터는 배터리 컨트롤러를 사용하여 얻어졌다. 이전 충전, 안정화 기간 및 방전은 총 5사이클동안 데이터를 수집하기 위해 반복되었다. 이어서, 수집된 데이터를 이용하여, 각 셀의 SOC는 4MNN 및 LSTM을 사용하여 추정되었다. 파이썬, 텐서플로우, 케라스 패키지는 프로그램 쓰기 및 학습에 사용되었다.

리튬 배터리 팩의 SOC 추정 시뮬레이션을 위한 실험 환경은 도 7에 도시된 바와 같다.

도 7에서, 도면부호 각각 ① 및 ②는 배터리를 충전하고 방전하는 데 사용되는 전원공급장치와 전자부하를 표시한다. 또한, 도 7에서, 도면부호 ③은 4개의 리튬 배터리를 나타낸다. 이 실험은 폭발 및 안전 사고에 대비하여 안전실에 넣어주는 상태에서 수행되었다. 온도 제어 기능을 사용하여 고온 가변 데이터를 수신할 수 있다. 도 7에서, 도면부호④는 전압 센서, 전류 센서, 온도 센서 및 마이크로 컨트롤러로 구성된 배터리 컨트롤러를 보여준다. 실시간 SOC 추정은 실시간 데이터 측정을 달성하기 위해 배터리 컨트롤러에 8채널 릴레이 모듈을 추가하여 수행되었다. 이어서, 측정된 데이터가 활용되었고, 도 7에서, 측정된 데이터는 도면부호 ⑤로 표시된 PC로 전송되었다. 더욱이, 각 셀의 SOC는 MNN 및 LSTM을 사용하여 추정되었다. 리튬 배터리 팩의 각 셀에 대한 SOC 추정 절차는 다음과 같다.

a) 4개의 셀로 구성된 각 리튬 배터리 팩은 4.2V의 일정한 전압으로 완전히 충전되었다. 이 상태는 100% SOC로 정의된다.

b) 충전이 완료된 후 팩은 1시간 동안 휴식하였다.

c) 이어서, 리튬 배터리 팩은 1,300mA의 일정한 전류로 완전히 방전되었다. 이 상태는 0% SOC로 정의된다.

d) 방전하는 동안, 전압 및 전류는 배터리 컨트롤러를 통해 측정되었다.

e) 단계 a) 내지 d)는 각 반복 중에 수집된 데이터로 5회 반복하였다. (*고온 측정의 경우, 고온에서 충전, 휴식 및 방전 단계를 수행하였다.)

f) 측정된 데이터가 PC로 전송되었다.

g) 데이터는 MNN 모델 및 LSTM 방법을 사용하여 학습되었다.

h) 실제 SOC 추정 결과와 학습된 SOC 추정 결과를 비교하였다.

i) 평균 절대 오차(mean absolute error)가 에러율을 계산하는 데 사용되었다.

2.2. MNN 및 LSTM의 SOC 추정

2.2.1. 입력 수에 따른 SOC 추정 성능 비교

본 발명에서 리튬 배터리 팩의 SOC 에러율은 입력 값으로 2개, 6개 및 8개 전압을 사용하는 입력 수의 차이에 따라 비교되었다. 비교를 위해 순수 전압 데이터만 활용되었다. 상온(room temperature)과 고온 모두에서 충전 및 방전 후, 수집된 데이터는 MNN 및 LSTM을 사용하여 각 셀의 SOC를 추정하였다. 표 1 및 2는 각각 상온 및 고온에서 2개, 6개 및 8개 전압에 대한 MNN 및 LSTM을 사용하여 셀 1 내지 셀 4의 에러율을 비교한다. 각 에러율은 MAE(Mean Absolute Error)를 사용하여 계산되었다. MAE를 얻기위한 방정식은 다음 수학식 9와 같다.

여기서 n은 숫자, y는 실제 SOC 값, y^는 추정 SOC 값을 나타낸다.

표 1은 입력수의 차이에 따른 MNN을 이용한 SOC 추정의 결과를 나타낸 것이다.

입력 수	셀1	셀2	셀3	셀4
2(상온)	7.2%	7.5%	4.4%	2.2%
2(고온)	1.4%	2.9%	1.4%	1.5%
6(상온)	4.8%	6.9%	3.8%	2.2%
6(고온)	3.1%	3.4%	3.1%	1.3%
8(상온)	5.0%	7.2%	4.2%	2.8%
8(고온)	2.8%	3.1%	3.4%	1.1%

표 2는 입력수의 차이에 따른 LSTM을 이용한 SOC 추정의 결과를 나타낸 것이다.

입력 수	셀1	셀2	셀3	셀4
2(상온)	3.4%	9.2%	7.3%	4.8%
2(고온)	4.9%	1.6%	1.3%	2.0%
6(상온)	2.9%	6.1%	3.9%	3.1%
6(고온)	2.7%	2.6%	3.5%	1.8%
8(상온)	1.2%	1.8%	4.9%	4.2%
8(고온)	1.9%	1.4%	4.2%	1.9%

실험의 결과로, MNN 모델의 경우, 2개 또는 8개 전압 데이터를 사용할 때보다 6개 전압 데이터를 입력값으로 사용할 때 에러율이 낮았다는 것을 확인하였다. LSTM 모델을 사용하면 6개 및 8개 전압 데이터를 입력 값으로 사용했을 때 2개 전압 데이터를 입력 값으로 사용할 때보다 오차율이 낮았다. 6개 및 8개 입력을 사용할 때 에러율에 약간의 차이가 있었다. 그러나, 6개 전압 데이터를 입력값으로 사용하는 것이 더 효율적이라는 것을 유추할 수 있는데, 이는 데이터가 많을수록 계산 시간이 더 많고 학습 효율이 감소하기 때문이다.

2.2.2. 온도 변수 데이터의 사용/미사용 비교

본 발명에서, 25℃ ~ 26℃의 상온 범위와 39℃ ~ 42℃의 고온 범위에서 리튬 배터리 팩에 대한 각 셀 전지의 SOC를 추정하기 위한 실험을 수행하였다. 온도가변 데이터 없이 상온 및 고온에서 단지 전압 데이터만을 사용하는 입력값과 온도 가변 데이터가 추가된 상온 및 고온에서 입력값을 비교했다.

도 8은 상온 및 고온에서 입력 값으로 6개 전압만을 활용하는 Cell 4의 MNN을 사용할 때 SOC 추정 결과의 그래프를 나타낸것고, 도 9는 상온 및 고온 모두에서 입력 값으로 6개 전압만을 활용하는 셀 4의 LSTM을 사용할 때 SOC 추정 결과의 그래프를 나타낸다.

먼저, 도 8(a)에서 상온에서 입력값으로 6개 전압만을 활용하는 MMN 사용한 SOC 추정결과를 확인할 수 있고, 도 8(b)에서 고온에서 입력값으로 6개 전압만을 활용하는 MNN 사용한 SOC 추정 결과를 확인할 수 있다.

도 9(a)에서 상온에서 입력값으로 6개 전압만을 활용하는 LSTM 사용한 SOC 추정결과를 확인할 수 있고, 도 9(b)에서 고온에서 입력값으로 6개 전압만을 활용하는 LSTM 사용한 SOC 추정 결과를 확인할 수 있다..

도 8 내지 도 11에서 "origin" 라벨은 실제 백분율 SOC 값을 나타내며 다음과 수학식 10과 같이 계산할 수 있다.

여기서, SOC는 배터리의 남은 잔류 용량을 나타내며 배터리를 모니터링할 때 고려해야 할 중요한 매개변수이다.

상기 SOC는 수학식 10에 나타낸 바와 같이, 배터리의 정격 용량에서 현재 릴리서블 용량의 백분율로 나타낸 것이다.

상기 수학식 10에서, Crate는 배터리의 정격 용량이고 Creleasable은 현재 배터리의 릴리서블 용량을 나타낸다.

본 발명에서 상기 방정식은 리튬 배터리 팩의 SOC 추정 및 SOC 오리진(origin)에 대한 시간을 계산하는 데 사용된다.

도 10은 상온 및 고온에서 입력값으로 6개 전압 및 온도 변수 데이터를 활용하는 Cell 4의 MNN을 사용할 때 SOC 추정 결과의 그래프를 나타낸다.

도 11은 상온 및 고온에서 입력 값으로 6개 전압 및 온도 변수 데이터를 활용하는 Cell 4의 LSTM을 사용할 때 SOC 추정 결과의 그래프를 나타낸다.

도 10(a)에서 상온에서 입력값으로 6개 전압 및 온도 변수 데이터를 활용하는 MMN 사용한 SOC 추정 결과를 확인할 수 있고, 도 10(b)에서 고온에서 입력값으로 6개 전압 및 온도 변수 데이터를 활용하는 MNN 사용한 SOC 추정 결과를 확인할 수 있다.

도 11(a)에서 상온에서 입력값으로 6개 전압 및 온도 변수 데이터를 활용하는 LSTM 사용한 SOC 추정 결과를 확인할 수 있고, 도 11(b)에서 고온에서 입력값으로 6개 전압 및 온도 변수 데이터를 활용하는 LSTM 사용한 SOC 추정 결과를 확인할 수 있다.

표 3 및 표 4는 표시된 Cell 1 부터 Cell 4 까지에서 입력값으로 6개 전압과 온도 변수 데이터를 활용하는 MMN 및 LSTM을 사용할 때 비교 결과를 나타낸 ㄱ것이다.

온도 가변 사용/미사용	셀1	셀2	셀3	셀4
미사용(상온)	4.8%	6.9%	3.8%	2.2%
사용(상온)	3.6%	3.4%	4.9%	0.8%
미사용(고온)	3.1%	5.1%	3.1%	1.3%
사용(고온)	2.8%	0.8%	1.4%	1.0%

온도 가변 사용/미사용	셀1	셀2	셀3	셀4
미사용(상온)	2.9%	6.1%	3.9%	3.1%
사용(상온)	2.7%	3.3%	3.9%	1.8%
미사용(고온)	1.9%	2.6%	3.5%	1.3%
사용(고온)	1.3%	0.7%	1.5%	0.6%

실험의 결과로 6개 전압 데이터를 입력 값으로 사용하는 것과 비교하여 6개 전압 데이터와 1개의 온도 변수 데이터가 입력 값으로 사용되는 경우 MNN 모델을 사용하면 에러율이 감소한다. 또한, LSTM 방법을 사용하면 MNN 모델과 마찬가지로 전압 및 온도 가변 데이터를 함께 사용할 때 에러율도 감소하는 경향이 있다.

5.2.3. 다층 신경망 및 LSTM의 SOC 추정 성능 비교

본 발명에서 MNN 및 LSTM은 리튬 배터리의 SOC를 추정하는 데 사용되었습니다.

도 12는 고온에서 입력값으로 6개 전압 데이터와 온도 변수 데이터를 활용하는 Cell 4의 MNN 및 LSTM을 이용한 결과의 그래프를 나타낸다.

표 5는 상온 및 고온 모두에서 입력값으로 6개 전압과 온도 가변 데이터를 활용한 MNN과 LSTM을 비교한다. 셀 1에서 셀 4까지도 표 5에 도시된다.

MNN/LSTM	셀1	셀2	셀3	셀4
MNN(상온)	3.6%	3.4%	4.9%	1.8%
LSTM(상온)	2.7%	3.3%	3.9%	0.8%
MNN(고온)	2.8%	0.8%	1.4%	1.8%
LSTM(고온)	1.3%	0.7%	1.5%	0.6%

표 5에서, SOC는 상온 및 고온에서 MNN 및 LSTM을 사용하는 결과를 추정합니다.

실험의 결과로, LSTM 방법을 이용한 리튬 배터리의 SOC가 학습하는 데 조금 더 걸린 것으로 확인되었지만, SOC가 MNN 모델을 사용하여 추정되었을 때보다 정확도가 높았으며, 낮은 에러율이 기록되었다.

또한, 실험의 결과 상온과 고온 모두에서 6개 전압 데이터가 입력 값으로 사용될 때 에러율이 낮아지는 경향이 있음을 밝혔다. 이렇게 하면 입력 값으로 2개 및 8개 전압을 사용할 때보다 에러율이 낮아지는 경향이 확인됩니다. 또한, LSTM을 사용할 때 MNN을 사용할 때보다 일반적으로 에러율이 낮다는 것이 입증되었습니다. 실시간 SOC 추정을 위해 6개의 전압 및 온도 가변 데이터를 입력 레이어로 활용하였고, 리튬 배터리 팩의 각 셀의 SOC는 LSTM을 사용하여 실시간으로 추정되었다.

Jiayi Luo 등에 따르면, cubature 칼만 필터 방법을 이용하여 리튬 배터리의 SOC 추정 결과는 5% 이내의 오차 성능을 보였다. 본 발명에 따른 SOC 추정 방법에서 평균 오차는 상온에서 3% 이내이고 고온(40℃)에서 1% 이하였다. 이러한 결과에서 본 발명은 칼만 필터 방법보다 오차 성능이 개선되었음을 확인할 수 있다.

Chemali 등에 따르면, 리튬 배터리의 SOC는 LSTM 모델을 사용하여 추정되었고 상온에서 1.68%의 SOC 추정 오차를 획득하고 고온(40℃)에서 평균 1.26%의 SOC 추정 오차를 얻었다. 본 발명은 상온에서 Chemali의 논문보다 더 나빠진 것으로 확인되었으나, 고온에서 본 발명에 따른 SOC 추정은 Chemali의 논문에서 제시된 것보다 오차 성능이 개선되었음을 확인할 수 있다.

또한, 전수한 2개의 논문은 단지 하나의 배터리 셀만을 사용하여 SOC를 추정하기 위해 적용되었다. 반대로, 본 발명은 4개의 셀과 관찰된 SOC 추정 성능을 구성하는 배터리 팩에 대한 배터리의 SOC를 추정하였다.

<결론>

본 발명에서는 신경망을 사용하는 리튬 배터리 팩의 각 셀에 대해 SOC 추정 방법을 제안한다. 실험은 상온과 고온에서 수행되었다. 데이터의 측정 정확도로 인해 각 셀에 대한 결과에 차이가 있었다. 제안된 방법은 리튬 배터리 팩의 SOC를 실시간으로 추정하는 데 사용되었다. 또한 리튬 배터리 팩의 SOC는 MNN 및 LSTM 방법을 사용하여 추정되었으며, 두 가지 유형의 데이터 집합, 전압 데이터 집합만을 사용하거나 전압 및 온도 데이터 집합을 함께 사용하여 추정되었습니다. 그 후, MNN 및 LSTM 방법을 가지고 결과를 비교하고 분석했습니다.

전압 데이터만으로 2개, 6개 및 8개의 전압 데이터 입력을 사용하는 경우 6개의 전압 데이터를 MNN 모델의 입력 값으로 사용할 때 전체 에러율이 낮고 LSTM 방법에 대해 6 및 8개의 전압 데이터를 기록했다.

LSTM 방법을 사용하면 6 및 8개의 전압 데이터 입력값에 대해 비슷한 수의 낮은 에러율이 기록되었다. 그러나 8개의 입력 값을 사용하면 데이터 양이 증가함에 따라 학습 시간이 증가하는 단점이 있으므로, 6개의 입력 값을 사용하는 것이 더 효율적이라는 결론을 내렸다.

리튬 배터리 팩의 SOC 추정 결과는 또한 6개의 전압 데이터, 6개의 전압 데이터 및 1개의 온도 변수 데이터를 사용하여 입력 값으로 얻어졌다. MNN 모델의 경우 SOC는 전압 데이터 및 온도 가변 데이터를 사용하여 낮은 오차율을 표시하는 경향이 있으며, 상온 조건하에서 셀 3의 추정 SOC 오차 비율을 제외한 모든 셀에 대한 낮은 오차율을 보였다. SOC 추정치와 MNN 및 LSTM 방법을 비교한 결과 입력 값은 SOC를 추정하기 위해 결합된 6개 전압 데이터 및 온도 변수 데이터로 입력 파라미터를 기반으로 하고, LSTM 방법을 사용하여 추정될 때 배터리 팩의 각 셀이 더 낮은 오차율을 보였다. 따라서 LSTM 방법을 이용한 SOC 추정이 MNN 방법보다 더 나은지 확인할 수 있습니다.

결론적으로, LSTM 방법은 입력값으로 6개의 전압과 온도 변수 데이터로 사용하여 가장 낮은 에러율을 보였음을 확인하였다. 또한, 리튬 배터리 팩의 실시간 SOC는 6개의 전압 데이터와 온도 데이터를 사용한 LSTM 방법을 사용하여 추정되었으며, 이는 가장 낮은 에러율을 가짐을 확인할 수 있다. 유사한 경우에서 얻은 에러율을 비교하면 본 발명에서 평균 오차율이 약 1.5%로 도출되었다. 따라서, 본 발명에 따른 SOC 추정 방법이 매우 잘 수행되는 것을 확인할 수 있고, 표 6을 살펴보면 이를 보다 명확히 확인할 수 있습니다.

표 6은 종래의 개방 회로 전압(OCV) 방법, 칼만 필터 방법, 신경망 방법, 및 본 발명에 따른 SOC 추정 방법의 장점과 단점을 비교한 것이다.

SOC 추정 방법	장점	단점
OCV	- 초기 SOC를 추정하는 데 적합함. - 알고리즘을 구현하기 쉬움	- 정확한 전압측정이 필요하기 때문에 일반적으로 사용하기 어려움. - 전압을 평평한 상태로 측정해야 하기 때문에 실시간으로 SOC를 측정하기 어려움.
칼만 필터	- 소음 문제를 해결하는 데 강력한 특성을 나타냄. - 큰 오류 보정 기능을 가지고 있음.	-매개 변수롸 알고리즘이 복잡하기 때문에 적용하기 어려움. - 배터리 팩에 대한 SOC 추정에 칼만 필터 사용에 대한 많은 연구가 이루어져 있지 않음.
종래의 신경망 기반 방법	- 배터리의 비선형 특성을 학습하는데 유용함. - 복잡한 입력/출력 관계를 학습할 수 있음.	-각 배터리 셀에 대해서만 SOC를 추정함. - 배터리 팩에 대한 SOC 추정에서 신경망 사용에 대한 연구가 많지 않음.
본 발명에 따른 SOC 추정 방법	- 기존 배터리 셀의 SOC 뿐만아니라 배터리 팩의 SOC를 추정함. - 실시간으로 SOC를 추정할 수 있음.	- LSTM의 경우 MNN에 비해 학습시간이 상대적으로 증가함.

향후 연구에서는 SOC의 시뮬레이션 및 실시간 추정을 수행하는 데 사용할 수 있는 더 많은 배터리 데이터를 수집할 것이다. 또한, 본 발명에서 사용된 MNN 및 LSTM 방법 이외의 신경망 방법을 연구하여 에러율을 줄일 수 있을 것으로 판단된다.

상기한 바와 같은, 본 발명의 실시예들에서 설명한 기술적 사상들은 각각 독립적으로 실시될 수 있으며, 서로 조합되어 실시될 수 있다. 또한, 본 발명은 도면 및 발명의 상세한 설명에 기재된 실시예를 통하여 설명되었으나 이는 예시적인 것에 불과하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다. 따라서, 본 발명의 기술적 보호범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.

110: 전원 공급 장치
115: 스위치
120: 전자부하
130: 배터리 팩
140: 배터리 컨트롤러
150: PC
151, 152, 153, 154: 신경망
160: SOC 추정부

Claims (7)

1. 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치에 있어서,
   다수개의 셀로 구성된 배터리 팩;
   상기 배터리 팩의 각 셀을 충전하는 전원공급장치 및 방전하는 부하;
   상기 배터리 팩의 각 셀의 전압, 전류 및 온도 가변 데이터를 측정하는 배터리 컨트롤러;
   상기 배터리 컨트롤러로부터 제공된 측정 데이터로 신경망을 통해 학습하고 학습된 데이터를 처리하여 상기 배터리 팩의 각 셀의 SOC를 추정하는 배터리 SOC 추정부;를 포함하는 것을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치.
2. 제1항에 있어서,
   상기 측정 데이터는 전압 데이터 및 온도 가변 데이터를 포함하는 것을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치.
3. 제2항에 있어서,
   상기 전압 데이터는 6개의 전압 데이터임을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치.
4. 제1항에 있어서,
   상기 신경망은 LSTM 방법을 이용하는 것을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치.
5. 제1항에 있어서,
   상기 배터리 팩은 4개의 셀로 구성되는 것을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치.
6. 제1항에 있어서,
   상기 다수개의 셀의 순차적인 SOC 추정을 위해 상기 배터리 컨트롤러에 상기 설치된 셀의 2배수에 해당하는 채널수의 릴레이 모듈을 더 포함하는 것을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치.
7. 제1항에 있어서,
   상기 배터리 SOC 추정부는 신경망 모델링 정보를 이용하여 입력 수에 따른 오차율 차이를 비교하고, 사용된 온도 변수 데이터에 따른 오차율 차이를 비교하며, MNN과 LSTM의 성능 차이를 비교하여, 가장 낮은 오차율로 얻은 학습 방법의 입력 값을 사용하여 실시간으로 추정하는 것을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치.

Images