KR20220129944A - 배터리의 이상징후 검출 방법 - Google Patents

배터리의 이상징후 검출 방법 Download PDF

Info

Publication number
KR20220129944A
KR20220129944A KR1020210034897A KR20210034897A KR20220129944A KR 20220129944 A KR20220129944 A KR 20220129944A KR 1020210034897 A KR1020210034897 A KR 1020210034897A KR 20210034897 A KR20210034897 A KR 20210034897A KR 20220129944 A KR20220129944 A KR 20220129944A
Authority
KR
South Korea
Prior art keywords
battery
state
soc
cycle
equation
Prior art date
Application number
KR1020210034897A
Other languages
English (en)
Other versions
KR102634373B1 (ko
Inventor
이석한
김아름
Original Assignee
성균관대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020210034897A priority Critical patent/KR102634373B1/ko
Publication of KR20220129944A publication Critical patent/KR20220129944A/ko
Application granted granted Critical
Publication of KR102634373B1 publication Critical patent/KR102634373B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Crystals, And After-Treatments Of Crystals (AREA)

Abstract

본 발명에 의한 배터리의 이상징후 검출방법은 배터리 측정값을 수신하고 배터리 측정값에 기초하여 배터리의 노화 상태를 추정하는 단계, 노화 상태에 기초하여 배터리의 내부저항 및 제1 및 제2 파라미터를 산출하는 단계, 제1 및 제2 파라미터들에 기초하여 정상동작에 대한 배터리 상태를 추정하는 단계, 수신된 배터리 측정값과 추정된 배터리 상태를 융합하는 융합 단계 및 융합된 데이터와 각 데이터와의 거리를 계산하여 거리값을 산출하고, 거리값에 기초하여 이상징후를 판단하는 단계를 포함한다.

Description

배터리의 이상징후 검출 방법{Method for Detecting of Battery Abnormalities}
본 발명은 배터리의 이상징후 검출방법에 관한 것으로, 배터리의 이상징후를 실환경에서 실시간으로 보다 정확하게 검출할 수 있는 방법에 관한 것이다.
배터리의 활용은 다양하며, 배터리가 이용되는 기기의 안정성을 위해서도 배터리의 이상징후를 정확하게 검출할 필요가 있다. 하지만, 배터리의 전기적-화학적 복합성 때문에 배터리의 이상징후를 검출해 내기 어려운 실정이다. 특히 지금까지 개발되어 온 이상징후 검출 기술은 배터리의 노화현상과 이상징후를 구분하지 못한다는 문제가 있다.
본 발명은 배터리 이상징후를 실시간 온라인으로 정확히 예측하는 방법에 관한 것으로 이상현상과 노화현상을 구분하지 못했던 기존 접근방법에 대비하여 배터리의 노화 현상과 이상현상을 구분하여, 보다 정확하게 배터리의 이상현상을 검출하기 위한 방법이 요구된다.
본 발명은 배터리의 이상현상을 보다 정확하게 검출하기 위한 방법을 제공하기 위한 것이다.
본 발명에 의한 배터리의 이상징후 검출방법은 배터리 측정값을 수신하고 배터리 측정값에 기초하여 배터리의 노화 상태를 추정하는 단계, 노화 상태에 기초하여 배터리의 내부저항 및 제1 및 제2 파라미터를 산출하는 단계, 제1 및 제2 파라미터들에 기초하여 정상동작에 대한 배터리 상태를 추정하는 단계, 수신된 배터리 측정값과 추정된 배터리 상태를 융합하는 융합 단계 및 융합된 데이터와 각 데이터와의 거리를 계산하여 거리값을 산출하고, 거리값에 기초하여 이상징후를 판단하는 단계를 포함한다.
본 발명은 배터리의 노화 현상을 반영한 배터리 상태에 기초하여 이상징후를 검출함으로써, 노화 현상이 아닌 이상징후를 실시간으로 보다 정확하게 검출할 수 있다.
도 1은 본 발명의 실시 예에 의한 배터리 이상징후 검출 시스템을 나타내는 도면이다.
도 2는 본 발명의 실시 예에 의한 배터리 이상징후 검출 방법을 나타내는 순서도이다.
도 3은 OCV 곡선의 일례를 나타내는 도면이다.
도 4는 SOC 곡선의 일례를 나타내는 도면이다.
도 5의 노화 상태를 기반으로 p-사이클의 OCV 곡선 및 SOC 곡선을 획득한 것을 나타내는 도면이다.
도 6은 p-사이클의 OCV 곡선과 SOC 곡선을 바탕으로 SOC-OCV 곡선을 구한 것을 나타내는 도면이다.
도 7은 노화 상태를 반영하여 p 사이클에서의 제1 및 제2 파라미터들(k,d)을 추정한 것을 나타내는 도면이다.
도 8은 리튬이온 배터리 등가회로 모델을 나타내는 도면이다.
도 9 확장된 공간에서 융합대상의 데이터를 표현한 것을 나타내는 도면이다.
도 10은 확장된 공간에서 표현된 두 데이터에 미백 변형을 적용한 결과를 나타내는 도면이다.
도 11의 제1 및 제2 파라미터들에 이상치를 추가한 것을 나타내는 도면이다.
도 12는 임의로 이상치를 추가한 데이터를 이용하여 CPF를 통해 융합된 데이터와 각 데이터와의 거리를 계산한 결과이다.
도 13은 측정된 전압값과 이 전압값을 CPF에 적용하여 융합데이터와 측정데이터와의 거리를 계산한 결과를 나타내는 도면이다.
본 명세서의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 명세서는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 명세서의 개시가 완전하도록 하며, 본 명세서가 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 명세서는 청구항의 범주에 의해 정의될 뿐이다.
본 명세서의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하고, 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시할 수도 있다.
도 1은 본 발명의 실시 예에 의한 배터리 이상징후 검출 시스템을 나타내는 도면이다.
도 1을 참조하면, 배터리 이상징후 검출 시스템(100)은 배터리 상태 방정식 설정부(110) 및 이상징후 검출부(120)를 포함한다.
배터리 상태 방정식 설정부(110)는 배터리 측정값에 기초하여, 노화 상태를 추정한다. 그리고 배터리 상태 방정식 설정부(110)는 노화 상태에 기초하여, 배터리의 내부저항 및 제1 및 제2 파라미터들(k,d)을 산출한다.
이상징후 검출부(120)는 제1 및 제2 파라미터들(k,d)에 기초하여 정상동작에 대한 배터리 상태를 추정한다. 그리고, 이상징후 검출부(120)는 배터리 상태의 추정값과 센싱값을 융합하고, 융합된 데이터와 각 데이터와의 거리를 계산하여 거리값을 산출한다. 이상징후 검출부(120)는 거리값을 바탕으로 배터리의 이상징후를 검출한다.
도 2는 본 발명의 실시 예에 의한 배터리 이상징후 검출 방법을 나타내는 순서도이다.
도 1 및 도 2를 참조하면, 본 발명의 실시 예에 의한 배터리 이상징후 검출 방법은 제1 단계(S210)에서, 배터리 상태 방정식 설정부(110)는 배터리 충방전 사이클에 따른 배터리 측정값에 기초하여, 노화 상태(SOH)를 추정한다. 배터리 측정값은 배터리의 전압값 및 전류값을 포함한다.
배터리의 노화 상태(SOH)는 충/방전 사이클에 의해서 결정되며, 다음의 [수학식 1]과 같이 산출될 수 있다.
[수학식 1]
Figure pat00001
이때, 'Crated'는 초기 규격상 최대 사용 가능한 정전용량을 의미하고, 'Cmax'는 현재 충/방전 사이클에서 최대 사용 가능한 배터리의 정전용량이다.
제2 단계(S220)에서, 배터리 상태 방정식 설정부(110)는 노화 상태에 기초하여, 배터리의 내부저항(Ri) 및 제1 및 제2 파라미터들(k,d)을 산출한다. k는 배터리 SOC-OCV 곡선에서 해당 SOC에서의 접선의 기울기를 나타내고 d는 해당 SOC에서의 접선의 y절편을 나타낸다. 즉, 제1 및 제2 파라미터들(k,d)은 현재 사이클에서의 배터리 SOC와 OCV의 관계를 실시간으로 결정한다.
배터리의 내부저항(Ri)은 배터리의 노화 상태(SOH)를 바탕으로 산출될 수 있다. 배터리의 내부저항(Ri)과 노화 상태(SOH)는 선형적인 관계에 있기 때문에, 내부저항(Ri)은 다음의 [수학식 2]와 같이 노화 상태(SOH)에 대해서 선형 최소 제곱 회귀 분석에 의해서 산출될 수 있다.
[수학식 2]
Figure pat00002
제1 및 제2 파라미터들(k,d)은 SOC-OCV 곡선에 기초하여 획득된다.
SOC-OCV 곡선은 노화 상태(SOH)에 기초하여 구해지며, 즉 기준 "개방전압(Open Circuit Voltage; 이하, OCV)" 곡선과 기준 "충전상태(State of Charge; 이하, SOC)" 곡선을 바탕으로 추정된다. 기준 SOC 곡선 및 기준 OCV 곡선은 초기에 배터리로부터 실제 측정된 것이다. 본 명세서에 의한 SOC 곡선 및 OCV 곡선은 초기에 실제 측정된 기준 SOC 곡선 및 기준 OCV 곡선로부터 추정되기 때문에, 매 사이클마다 실시간으로 SOC 곡선 및 OCV 곡선을 획득할 필요가 없다.
도 3은 OCV 곡선의 일례를 나타내는 도면이다.
도 3을 참조하면, OCV 곡선은 시간에 따른 개방전압을 나타내며, 일정시간마다 배터리의 단자전압을 측정하여 획득될 수 있다.
도 4는 SOC 곡선의 일례를 나타내는 도면이다.
도 4를 참조하면, SOC 곡선은 초기 규격상 최대 사용가능한 정전용량에 대비한 현재 사용가능한 정전용량를 나타낸다. 초기 배터리의 경우 규격상 정의된 최대 정전용량까지 사용가능하기 때문에 배터리가 완전히 충전되었을 때 SOC는 100%이며, 완전히 방전된 상태에서는 0%가 된다. 그러나 배터리가 노화됨에 따라 최대 사용가능한 정전용량이 감소하게 되기 때문에 배터리가 완전히 충전되었을 때도 SOC는 100%보다 낮아지게 된다.
기준 SOC는 기준 OCV 곡선을 구하기 위해서 인가한 낮은 충방전 전류를 동일하게 인가함으로써, [수학식 3]에서와 같이, 시간에 따른 정전용량의 변화를 측정하여 구해질 수 있다.
[수학식 3]
Figure pat00003
SOC 곡선은 p 사이클의 기준 SOC 곡선을 기준으로 추정된 노화 상태를 활용하여 추정된다. 이상징후 검출의 경우 매 사이클 마다 이루어 지며 p 사이클은 이상징후 검출을 시도하는 현재 사이클을 의미한다. p 사이클의 OCV 곡선은 다음의 [수학식 4]에서와 같이,
Figure pat00004
시점에서의 OCV를
Figure pat00005
시점에서의 기준 OCV와 동일하게 설정하여 구해질 수 있다.
[수학식 4]
Figure pat00006
이때,
Figure pat00007
은 p-사이클에서 최대로 사용 가능한 정전용량를 지칭하고, Qr은 배터리의 규격상 초기 최대 사용 가능한 정전용량를 지칭한다.
도 5의 (a)는 노화 상태를 기반으로 p-사이클의 OCV 곡선을 획득한 것을 나타내는 도면이고, 도 5의 (b)는 노화 상태를 기반으로 p-사이클의 SOC 곡선을 획득한 것을 나타내는 도면이다.
도 5의 (b)에서와 같이, p-사이클에서의 OCV 곡선은 기준 OCV 곡선을 노화 상태만큼 압축시켜서 구할 수 있다. p-사이클에서의 SOC 곡선은 노화상태의 p-사이클의 최대 충전 정전용량에서 도 5의 (b)에서와 같이 기준 SOC 곡선과 동일한 기울기를 가진 그래프를 구함으로써 얻을 수 있다.
p-사이클의 SOC-OCV 곡선은 동일한 시점에서 SOC 값과 OCV 값을 매칭함으로써 획득될 수 있다.
도 6은 p-사이클의 OCV 곡선과 SOC 곡선을 바탕으로 SOC-OCV 곡선을 구한 것을 나타내는 도면이다.
제1 및 제2 파라미터들(k,d)은 [수학식 5]에서와 같이, SOC-OCV 곡선에 기초하여 획득된다.
[수학식 5]
Figure pat00008
[수학식 5]에서 알 수 있듯이, 제1 파라미터(k)는 p 타이밍의 SOC-OCV 곡선에서 해당 SOC의 접선 기울기에 해당하고, 제2 파라미터(d)는 p 타이밍의 SOC-OCV 곡선에서 해당 SOC의 접선의 y절편에 해당한다.
배터리가 노화됨에 따라 SOC-OCV 곡선은 변화하기 때문에, 배터리 상태 방정식 설정부(110)는 p-사이클의 SOC-OCV 곡선을 기준으로 제1 및 제2 파라미터들(k,d)을 다시 산출하여 상태 방정식에 반영한다.
도 7은 노화 상태를 반영하여 p 사이클에서의 제1 및 제2 파라미터들(k,d)을 추정한 것을 나타내는 도면이다.
결국, 제1 단계(S210) 및 제2 단계(S220)는 정상 동작에 대한 배터리 상태를 계산하는 과정에서 노화에 따른 영향을 반영하기 위해서 상태 방정식의 제1 및 제2 파라미터값들에 노화 상태를 반영하는 절차를 의미한다.
제3 단계(S230)는 배터리의 내부저항과 제1 및 제2 상태 파라미터들에 기초하여, 정상동작에 대한 배터리 상태를 추정한다.
상태방정식은 모델의 상태변수와 입력변수의 관계를 표현한 식으로 상태변수는 "
Figure pat00009
"로 정의하고 입력변수는 "u(t)=I"로 정의하였다. 제 1 및 제 2 상태 파라미터를 활용하여 상태변수와 입력변수의 상태방정식을 수립하였고 이를 통해 정상동작에 대한 현재 배터리 상태 변수를 추정한다.
제3 단계(S230)는 배터리 상태를 추정하기 이전에, 제1 및 제2 파라미터들(k,d)을 업데이트하는 과정을 포함한다.
배터리의 이상징후를 감지하기 위해서 먼저 정상 동작 배터리 상태를 확인할 수 있다. 정상 동작 배터리 상태는 배터리 등가회로로부터 상태방정식을 도출하여 구할 수 있다.
도 8은 리튬이온 배터리 등가회로 모델을 나타내는 도면이고, [수학식 6]은 등가회로 모델로부터 도출한 전기적 모델식이다.
[수학식 6]
Figure pat00010
[수학식 6]을 상태 방정식 매트릭스 형태로 표현하면, [수학식 7]과 같이 표현된다. 이때, "SOC"는 (현재 사용가능한 정전용량) / (초기 규격상 최대로 사용가능한 정전용량)이고, "I"는 배터리에 로드(load)되는 전류이며, "k"는 SOC-OCV에서 현재 SOC값의 접선의 기울기값이고, "Ccb"는 배터리 벌크 커패시터(Bulk Capacitor)의 용량(Capacitance)이다. "Vcs"는 표면 커패시터(Surface Capacitor)에 로드되는 전압이고, "Ccs"는 표면 커패시터(Surface Capacitor)의 용량(Capacitance)이다. "Rt"는 분극저항(polarization resistance)의 저항값이고, "Vo"는 배터리의 단자전압이다. "Ri"는 내부저항(internal resistance)의 저항값이다.
[수학식 7]
Figure pat00011
상태변수를 나타내는
Figure pat00012
를
Figure pat00013
로 정의하고 입력을 "u(t)=I", 출력을
Figure pat00014
로 정의하면 [수학식 7]은 [수학식 8]과 같이 표현된다. [수학식 8]에서 w와 v는 외란 벡터를 나타낸다.
[수학식 8]
Figure pat00015
이때, "x"는 상태방정식의 상태변수로써
Figure pat00016
로 정의된다. "u"는 상태방정식의 입력변수 u=I로 정의되고, "w"는: 상태방정식의 외란 벡터이다. "y"는 상태방정식의 출력벡터로써 y=Vo로 정의되고, "v"는 상태방적식의 외란 벡터이다.
상태 방적식을 샘플링 시간(T)에 대해서 이산 시간 확률 모델(discrete-time stochastic model)로 표현하고, 공분산에 대한 예측 모델을 추가하면 다음의 [수학식 9]와 같이 표현된다.
[수학식 9]
Figure pat00017
이때, "xk"는 k 사이클에서의 상태변수값이고, "xk-1"는 k-1 사이클에서의 상태변수값이다. "uk"는 k 사이클에서의 입력변수값이고, "uk-1"는 k-1 사이클에서의 입력변수값이다. "Pk"는 k 사이클에서의 공분산 행렬이고, "Pk-1"는 k-1 사이클에서의 공분산 행렬이다. "Q"는 시스템 잡음 공분산 행렬이다.
정상동작에 대한 배터리 상태를 계산하는 단계는 [수학식 9]을 통해서 획득된 과거 값을 기준으로 현재의 정상 상태를 추정할 수 있다. 이때, [수학식 9]는 y는 CPF를 통해서 융합되는 센서 측정값으로써, 정상동작에 대한 배터리 상태는 [수학식 8]의 'xk' 및 'Pk"를 산출하는 식을 통해서 계산될 수 있다.
제4 단계(S240)에서, 이상징후 검출부(120)는 배터리 상태의 추정값과 센싱값을 융합한다.
이상징후 검출부(120)는 공분산 투영 필터(Covariance Projection Filter; 이하, CPF)에 기반하여 배터리 상태의 추정값과 센서 관측값을 융합할 수 있다.
CPF는 데이터 소스 융합을 위한 프레임워크로써 로컬 추정값과 센서 관측값 간의 상관관계 및 불확실성을 처리할 수 있다.
예를 들어, 추정값과 센서 관측값이 각각
Figure pat00018
,
Figure pat00019
이고, 각 데이터의 공분산이 각각
Figure pat00020
,
Figure pat00021
일 때, 각 센서가
Figure pat00022
공간에서 수집되었다면 CFP는 데이터 융합을 위해 이를
Figure pat00023
의 공간으로 확장하여 표현한다. 이때 확장된 공간에서 데이터와 공분산은 다음과 같은 [수학식 10]으로 표현된다.
[수학식 10]
Figure pat00024
도 9는 [수학식 10]에서와 같이 확장된 공간에서 융합대상의 데이터를 표현한 것을 나타내는 도면이다.
이어서, 데이터 융합을 위해서 확장하여 표현된 추정값 및 센서 관측값)을 복수 제약(Constraint manifold)에 투영한다. 복수 제약은 실제 상태와 측정값 사이에 충족되어야 할 제약을 의미하며, 데이터 융합을 위해서 복수 제약은 X1=X2인 평면, 즉
Figure pat00025
로 지정한다.
복수 제약에 투영을 위해서 추정값 및 센서 관측값은 미백 변형(Whitening Transform)이 적용된다.
[수학식 11]은 데이터들과 공분산 행렬, 복수 제약에 미백 변형을 적용한 결과를 표현하는 것이다.
[수학식 11]
Figure pat00026
그리고, 도 10은 확장된 공간에서 표현된 두 데이터에 미백 변형을 적용한 결과를 나타내는 도면이다.
[수학식 12]은 복수 제약에 의해서 변형된 상태에서 미백 변형을 적용하고
Figure pat00027
를 투영한 결과를 표현하는 식이다.
[수학식 12]
Figure pat00028
[수학식 13]는 [수학식 12]의 결과를 원래 공간에서 융합된 결과를 얻기 위해 인버스 미백 변형(Inverse Whitening Transform)을 적용한 것을 나타내는 식이다.
[수학식 13]
Figure pat00029
데이터 융합을 위한 추정치와 센서 측정치를 확장된 공간에서 표현하면 [수학식 14]와 같다.
[수학식 14]
Figure pat00030
R은 센서 측정에 대한 공분산, 즉 오차율을 의미한다.
제5 단계(S250)에서, 이상징후 검출부(120)는 융합된 데이터와 배터리 측정값 간의 차이를 산출한다. 본 명세서에서 융합된 데이터와 배터리 측정값 간의 차이는 데이터 간의 거리로 지칭된다.
이상징후 검출부(120)는 [수학식 13]을 통해서 융합된 데이터를 획득하고, 다음과 같은 [수학식 15]를 이용하여 획득된 융합된 데이터로부터 각 데이터와의 거리를 계산한다. 각 데이터와의 거리를 계산하고 이에 기초하여 이상 값을 식별하고 제거한다. 이 때 이상치를 결정하기 위해 카이 제곱(Chi-square) 검정 방식을 사용하여 계산한 데이터의 거리값이 특정 신뢰거리보다 클 경우 이상 값으로 식별하여 제거한다.
[수학식 15]
Figure pat00031
제6 단계(S260)에서, 이상징후 검출부(120)는 융합된 데이터와 배터리 측정값 간의 차이값에 기초하여, 이상징후 판단한다.
이를 위해서, 이상징후 검출부(120)는 융합된 데이터와 각 데이터 간의 거리를 미리 설정된 임계치와 비교한다. 임계치는 카이 제곱(Chi-square) 검정을 활용하여 특정 신뢰도를 만족하는 값으로 설정된다. 카이 제곱(Chi-square) 분포란 v개의 서로 독립적인 표준 정규 확률변수를 각각 제곱한 뒤 합해서 얻어지는 분포이다. 여기서 v는 자유도를 나타내며,
Figure pat00032
가 표준 정규분포를 따를 때,
Figure pat00033
의 분포는 자유도가 v인 카이 제곱(Chi-square) 분포를 따른다고 정의하고
Figure pat00034
로 표현한다. 본 명세서에 의한 실시 예에서, N차원 데이터에 대한 데이터 소스의 거리는 N의 자유도(DOF)를 갖는 카이 제곱(Chi-Square) 분포를 따른다. 배터리 모델의 경우 배터리 상태가
Figure pat00035
에 속하고 측정값은
Figure pat00036
에 속하기 때문에 이를 확장한 영역인 N은 3이 된다. 즉 융합된 데이터와 측정 및 계산된 데이터와의 거리 d는
Figure pat00037
를 만족한다. 거리 d가 카이 제고(Chi-square) 분포를 따르기 때문에
Figure pat00038
을 만족하는
Figure pat00039
에 대해서
Figure pat00040
은 다음의 [수학식 16]과 같은 확률로 표현할 수 있다.
[수학식 16]
Figure pat00041
(16)
이 때
Figure pat00042
에 따라
Figure pat00043
%가 신뢰도가 된다. 예를 들어 신뢰도를 95%로 정의하면
Figure pat00044
=0.05가 된다. 아래의 [표 1]은 카이 제곱(Chi-square) 검정표를 나타내며,
Figure pat00045
=0.05일 때 제안하는 모델의 자유도는 3이기 때문에 카이 제곱(Chi-square) 검정표에서 해당 값을 확인하면 임계치는 7.815가 된다.
[표 1]
Figure pat00046
이상징후 검출부(120)는 거리값의 확인을 바탕으로 이상징후를 검출하되, 계산된 거리가 임계치 이상일 경우에 이상 징후로 판단할 수 있다.
본 명세서에 의한 배터리 이상징후 검출 기술을 통한 검출 성능 평가를 위해 시뮬레이션을 통한 이상징후 생성 및 검출 실험과 실제 배터리에 이상징후를 추가하여 이상징후를 검출한 실험결과는 다음과 같다. 시뮬레이션에서 사용된 배터리모델은 INR-18650으로 해당 모델에 대한 스펙 과 등가회로에 해당하는 파라미터 값은 아래의 [표 1]와 같다.
아이템 스펙
Rated Capacity 3250 mAh
Charging Voltage 4.2V
Discharging Cut-off Voltage 2.65V
Figure pat00047
 90
Figure pat00048
 12240
Figure pat00049
 0.06
Figure pat00050
 0.17-(0.0357xSOH)
k 0.19~6.6
d 2.8~3.9
시뮬레이션은 도 11에서와 같이, k Cycle의 정상 제1 및 제2 파라미터들(k, d)에 임의의 이상치를 추가하여 이상치를 추가한 구간에 대해 이상징후가 검출되는지 확인하였다. 도 11의 (a)는 5000~7500 구간의 제1 및 제2 파라미터들(k, d)에 1씩 더해줌으로써 이상치를 추가한 것을 나타내고, 도 11의 (b)는 5000~10000 구간의 제1 및 제2 파라미터들(k, d)에 0~1사이의 임의의 랜덤 값을 더해줌으로써 이상치를 추가한 것을 나타낸다.
도 12는 임의로 이상치를 추가한 데이터를 이용하여 CPF를 통해 융합된 데이터와 각 데이터와의 거리를 계산한 결과이다. Chi-square 검정 방법으로 신뢰도를 95%로 설정했을 때, [표 1]에 의해 임계치는 7.815가 되게 된다. 두 경우 모두 이상치를 추가한 구간에서 측정된 값과 융합된 데이터와의 거리가 임계치가 7.815보다 크게 계산되어 이상징후로 검출되었다. 이를 통해 이 거리값이 특정 임계치보다 높을 때 이상징후로 검출해 낸다면 제안하는 방법이 노화에 따른 영향을 배제한 실제 이상치를 검출해 낼 수 있다는 것을 확인할 수 있다.
도 13은 0.65A의 일정한 전류를 로드해준 상태에서 5분 뒤 5ohm의 저항을 추가해주고 다시 5분 뒤 5 ohm의 저항을 제거한 경우, 측정된 전압값과 이 전압값을 CPF에 적용하여 융합데이터와 측정데이터와의 거리를 계산한 결과이다. 도 13의 오른쪽 그래프는 융합데이터와 측정데이터의 거리를 계산한 결과로 이상징후를 추가했을 때 Chi-square 검정에 따른 임계치에 해당하는 7.815 보다 거리값이 커져서 이상징후로 검출되게 된다. 이와 유사한 방법으로 방전 전류와 저항을 달리하여 27개의 이상징후 데이터를 수집하였고 이 중 25개의 데이터에 대해 이상징후를 검출해냄으로써 검출 성공률 92%를 달성하였다. 이를 통해 실제 배터리에 대해서도 제안하는 방법이 이상징후를 잘 검출해 낼 수 있음을 알 수 있다.
이상 설명한 내용을 통해 당업자라면 본 명세서의 기술사상을 일탈하지 아니하는 범위에서 다양한 변경 및 수정이 가능함을 알 수 있을 것이다. 따라서, 본 명세서의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허 청구의 범위에 의해 정하여져야만 할 것이다.

Claims (6)

  1. 배터리 충방전 사이클에 따른 배터리 측정값을 수신하고, 상기 배터리 측정값에 기초하여 배터리의 노화 상태(SOH)를 추정하는 단계;
    상기 노화 상태에 기초하여, 상기 배터리의 현사이클에서의 내부저항 및 배터리 SOC와 OCV의 관계를 실시간으로 결정하는 제1 및 제2 파라미터를 산출하는 단계;
    상기 내부저항 및 제1 및 제2 파라미터들에 기초하여, 정상동작에 대한 배터리 상태를 추정하는 단계;
    수신된 배터리 측정값과 추정된 배터리 상태를 융합하는 융합 단계; 및
    융합된 데이터와 배터리 측정값의 차이를 산출하고, 상기 차이값에 기초하여 이상징후를 판단하는 단계를 포함하는 배터리의 이상징후 검출 방법.
  2. 제 1 항에 있어서,
    상기 배터리의 노화 상태는 충/방전 사이클 특성에 기초하여 산출되는 것을 특징으로 하는 배터리의 이상징후 검출 방법.
  3. 제 1 항에 있어서,
    상기 배터리의 내부저항은 서로 선형적 관계를 갖는 상기 노화 상태의 회귀 분석에 의해서 산출되는 것을 특징으로 하는 배터리의 이상징후 검출 방법.
  4. 제 1 항에 있어서,
    상기 제1 파라미터를 획득하는 단계는
    p 사이클의 SOC-OCV 곡선을 획득하고, 상기 SOC-OCV 곡선에서 p 사이클 내의 시간 q에서의 접선 기울기에 해당하는 것을 특징으로 하는 배터리의 이상징후 검출 방법.
  5. 제 4 항에 있어서,
    상기 제2 파라미터를 획득하는 단계는
    p 사이클의 SOC-OCV 곡선을 획득하고, 상기 SOC-OCV 곡선에서 p 사이클 내의 시간 q의 접선의 y절편에 해당하는 것을 특징으로 하는 배터리의 이상징후 검출 방법.
  6. 제 1 항에 있어서,
    상기 융합 단계는
    상기 내부저항 및 제1 및 제2 파라미터에 기초하여 정상 동작에 대한 배터리 상태를 추정하고, 추정된 배터리 상태와 측정된 배터리 상태를 융합하는 공분산 투영 필터를 포함하는 융합기에 기반하여 수행되는 것을 특징으로 하는 배터리의 이상징후 검출 방법.
KR1020210034897A 2021-03-17 2021-03-17 배터리의 이상징후 검출 방법 KR102634373B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210034897A KR102634373B1 (ko) 2021-03-17 2021-03-17 배터리의 이상징후 검출 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210034897A KR102634373B1 (ko) 2021-03-17 2021-03-17 배터리의 이상징후 검출 방법

Publications (2)

Publication Number Publication Date
KR20220129944A true KR20220129944A (ko) 2022-09-26
KR102634373B1 KR102634373B1 (ko) 2024-02-06

Family

ID=83452550

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210034897A KR102634373B1 (ko) 2021-03-17 2021-03-17 배터리의 이상징후 검출 방법

Country Status (1)

Country Link
KR (1) KR102634373B1 (ko)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140082750A (ko) * 2011-09-30 2014-07-02 케이피아이티 테크놀로지스 엘티디. 배터리 모니터링을 위한 시스템 및 방법
JP2015052482A (ja) * 2013-09-05 2015-03-19 カルソニックカンセイ株式会社 バッテリの健全度推定装置および健全度推定方法
KR20160002309A (ko) * 2014-06-30 2016-01-07 영화테크(주) 확장칼만필터를 이용한 배터리 상태 추정 방법, 시스템 및 이를 수행하기 위한 기록매체
KR20160014940A (ko) * 2014-07-30 2016-02-12 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR20160092719A (ko) * 2015-01-28 2016-08-05 주식회사 엘지화학 배터리의 상태 추정 장치 및 방법
KR20180058057A (ko) * 2016-11-23 2018-05-31 한국전기연구원 배터리 상태 추정 방법, 그 방법을 수행하는 장치 및 컴퓨터 프로그램
CN111146514A (zh) * 2019-12-19 2020-05-12 上海派能能源科技股份有限公司 锂离子电池模组运行安全性评估预测方法、系统及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140082750A (ko) * 2011-09-30 2014-07-02 케이피아이티 테크놀로지스 엘티디. 배터리 모니터링을 위한 시스템 및 방법
JP2015052482A (ja) * 2013-09-05 2015-03-19 カルソニックカンセイ株式会社 バッテリの健全度推定装置および健全度推定方法
KR20160002309A (ko) * 2014-06-30 2016-01-07 영화테크(주) 확장칼만필터를 이용한 배터리 상태 추정 방법, 시스템 및 이를 수행하기 위한 기록매체
KR20160014940A (ko) * 2014-07-30 2016-02-12 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR20160092719A (ko) * 2015-01-28 2016-08-05 주식회사 엘지화학 배터리의 상태 추정 장치 및 방법
KR20180058057A (ko) * 2016-11-23 2018-05-31 한국전기연구원 배터리 상태 추정 방법, 그 방법을 수행하는 장치 및 컴퓨터 프로그램
CN111146514A (zh) * 2019-12-19 2020-05-12 上海派能能源科技股份有限公司 锂离子电池模组运行安全性评估预测方法、系统及电子设备

Also Published As

Publication number Publication date
KR102634373B1 (ko) 2024-02-06

Similar Documents

Publication Publication Date Title
CN108254696B (zh) 电池的健康状态评估方法及系统
EP3933422B1 (en) Diagnosis method for distinguishing micro-short-circuit fault of battery from small-capacity fault of battery
CN106461732B (zh) 用于估计电池的健康状态的方法
US9927492B2 (en) Cell monitoring apparatus, battery monitoring apparatus, integrated circuit and method of monitoring a rechargeable cell
US9720046B2 (en) Battery state estimating device and battery state estimating method
CN112838631A (zh) 动力电池的充电动态管控装置和动力电池的充电诊断方法
CN111220920B (zh) 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法
CN108205114B (zh) 电池寿命的预测方法及系统
CN111448467A (zh) 用于对电池容量进行建模和估计的方法及系统
JP7157908B2 (ja) 電池容量の推定方法および電池容量の推定装置
KR101996943B1 (ko) 배터리 용량 상태 추정 장치 및 이의 방법
CN107942261B (zh) 电池荷电状态的估计方法及系统
KR101777334B1 (ko) 배터리 ｓｏｈ 추정 장치 및 방법
CN104833917B (zh) 用于锂蓄电池中荷电状态实时估算的标称电池电阻的确定
CN110888065B (zh) 电池包荷电状态修正方法和装置
CN117136313A (zh) 电池管理装置、电力系统
Farag et al. Li-ion battery SOC estimation using non-linear estimation strategies based on equivalent circuit models
JP2018077199A (ja) 推定装置
CN115421044A (zh) 锂离子电池状态确定方法、装置、电子设备及存储介质
CN112009252B (zh) 一种动力电池系统故障诊断及容错控制方法
Li et al. SOC estimation and fault diagnosis framework of battery based on multi-model fusion modeling
CN112415412A (zh) 估算电池soc值的方法和装置及车辆、存储介质
KR102634373B1 (ko) 배터리의 이상징후 검출 방법
CN114152826B (zh) 一种锂离子电池单体内短路检测方法
CN113125965B (zh) 电池析锂检测方法、装置、设备及存储介质

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