KR20220158271A

KR20220158271A - 배터리의 충전 상태를 결정하기 위한 방법 및 디바이스와 배터리 관리 시스템

Info

Publication number: KR20220158271A
Application number: KR1020227037040A
Authority: KR
Inventors: 쓰자 류; 톈위 펑; 린왕 덩; 샤오첸 리; 쉰 쑹
Original assignee: 비와이디 컴퍼니 리미티드
Priority date: 2020-03-31
Filing date: 2021-03-15
Publication date: 2022-11-30
Also published as: JP2023518778A; US20230152380A1; CN113466723B; WO2021197038A1; CN113466723A; EP4130769A1; EP4130769A4

Abstract

배터리의 충전 상태를 결정하기 위한 방법은: 배터리의 상태 데이터를 취득하는 단계- 상태 데이터는 전류 데이터와 전압 데이터를 포함함 -(S11); 배터리의 등가 회로 모델, 에러 정보, 배터리 특성 데이터, 및 상태 데이터에 기초하여, 재귀 최소 제공(RLS) 추정 모델을 통한 등가 회로 모델에서의 컴포넌트 파라미터 값을 결정하는 단계(S12); 및 등가 회로 모델에서의 컴포넌트 파라미터 값, 상태 데이터, 배터리 특성 데이터에 기초하여 그리고 관찰자 기술에 기초하여, 배터리의 충전 상태의 추정값을 결정하는 단계(S13)를 포함한다. 배터리의 충전 상태를 결정하기 위한 방법, 배터리의 충전 상태를 결정하기 위한 디바이스(800), 및 배터리 관리 시스템은 배터리의 충전 상태의 부정확한 추정의 문제를 해결한다.

Description

배터리의 충전 상태를 결정하기 위한 방법 및 디바이스와 배터리 관리 시스템

본 개시내용은 2020년 3월 31일자로 출원된 중국 특허 출원 제202010245899.9호에 대한 우선권을 주장하며, 이 출원은 그 전체가 본 명세서에 참고로 포함된다.

본 개시내용은 배터리 관리의 기술 분야에 관한 것으로, 더 구체적으로는 충전 상태(SOC)를 결정하기 위한 방법 및 장치와 배터리 관리 시스템(BMS)에 관한 것이다.

새로운 에너지 차량으로서, 전기 차량은 에너지 위기 및 환경 열화에 대한 중요한 해결책으로서 고려되는, 오일 소비 감소, 낮은 오염, 낮은 소음 등과 같은 장점들을 갖는다. 전기 차량의 전원으로서, 충전 상태(SOC)의 정확한 추정은 배터리 시스템의 균형 제어 효율 및 전기 차량의 에너지 관리 효율을 개선할 수 있을 뿐만 아니라, 동적 작동 조건 하에서의 전기 차량의 안전과도 관련된다.

관련 기술들에서는, SOC의 추정 동안, 샘플링 요소의 무자격 교정 및 샘플링 요소의 노화로 인해 배터리 데이터의 측정 정확도가 보장되기 어려우며, 이는 등가 회로 모델에서 에러를 쉽게 초래한다. 또한, 파라미터 식별 결과에 대한 SOC의 에러의 영향은 고려되지 않으며, 이는 요소 파라미터 값들 사이의 미스매칭으로 이어지고 SOC의 추정의 정확도를 더 감소시킨다. 이것은 차량의 효율적인 관리 및 신뢰성 있는 동작에 도움이 되지 않는다.

본 개시내용은 SOC의 부정확한 추정의 문제를 해결하기 위한, 충전 상태(SOC)를 결정하기 위한 방법 및 장치와 배터리 관리 시스템(BMS)을 제공한다.

상기 목적을 달성하기 위해, 본 개시내용의 제1 양태는 배터리의 SOC를 결정하기 위한 방법을 제공한다. 본 방법은:

배터리의 상태 데이터를 취득하는 단계- 상태 데이터는 전류 데이터와 전압 데이터를 포함함 -;

재귀 최소 제곱(RLS) 예측 모델을 사용하여 등가 회로 모델, 에러 정보, 배터리 특성 데이터, 및 상태 데이터에 기초하여 배터리의 등가 회로 모델에서의 각각의 요소 파라미터 값을 결정하는 단계; 및

관찰자의 기술에 따라 등가 회로 모델에서의 요소 파라미터 값, 상태 데이터, 및 배터리 특성 데이터에 기초하여 배터리의 SOC의 추정된 값을 결정하는 단계를 포함한다.

본 개시내용의 제2 양태는 배터리의 SOC를 결정하기 위한 장치를 제공한다. 본 장치는:

배터리의 상태 데이터를 취득하도록 구성된 취득 모듈- 상태 데이터는 전류 데이터와 전압 데이터를 포함함 -;

RLS 예측 모델을 사용하여 등가 회로 모델, 에러 정보, 배터리 특성 데이터, 및 상태 데이터에 기초하여 배터리의 등가 회로 모델에서의 각각의 요소 파라미터 값을 결정하도록 구성된 제1 결정 모듈; 및

관찰자의 기술에 따라 등가 회로 모델에서의 요소 파라미터 값, 상태 데이터, 및 배터리 특성 데이터에 기초하여 배터리의 SOC의 추정된 값을 결정하도록 구성된 제2 결정 모듈을 포함한다.

본 개시내용의 제3 양태는 컴퓨터 프로그램이 저장되어 있는 컴퓨터 판독가능 저장 매체를 제공한다. 프로그램이 프로세서에 의해 실행될 때, 전술한 제1 양태 중 임의의 양태에 따른 방법의 단계들이 수행된다.

본 개시내용의 제4 양태는 전자 디바이스를 제공하며, 이는:

컴퓨터 프로그램이 저장되어 있는 메모리; 및

메모리 내의 컴퓨터 프로그램을 실행하여 상기 제1 양태 중 임의의 양태에 따른 방법의 단계들을 구현하도록 구성된 프로세서를 포함한다.

본 개시내용의 제5 양태는 상기 중 임의의 것에 따른 SOC를 결정하기 위한 장치를 포함하는 BMS를 제공한다.

전술한 기술적 해결책들을 통해, 본 개시내용은 적어도 다음의 유리한 효과들을 달성할 수 있다:

등가 회로 모델에서의 각각의 요소 파라미터 값은 RLS 예측 모델을 사용하여 결정된다. 또한, 배터리의 등가 회로 모델에서의 요소 파라미터 값을 결정할 때, 적어도 전압 데이터의 샘플링 에러 인자 또는 전류 데이터의 샘플링 에러 인자를 포함하는 에러 정보 또는 전압 데이터의 샘플링 에러 인자 및 전류 데이터의 샘플링 에러 인자의 에러 정보가 추가로 고려된다. 따라서, 샘플링 에러의 영향이 감소될 수 있고, 결정된 등가 회로 모델에서의 요소 파라미터 값의 정확도가 개선될 수 있고, 최종적으로 배터리의 결정된 등가 회로 모델의 정확도가 개선될 수 있다. 또한, 배터리의 SOC 값은 관찰자의 기술에 기초하여 결정되어, 요소 파라미터 값과 관찰자의 매칭 정도를 증가시키고, SOC의 추정 정확도를 향상시킴으로써, 차량의 효율적인 관리 및 신뢰성있는 동작을 보장한다.

본 개시내용의 다른 특징들 및 이점들은 다음의 상세한 설명 부분에서 상세히 설명될 것이다.

첨부 도면들은 본 개시내용을 더 이해하기 위해 제공되며, 본 명세서의 일부를 구성한다. 첨부 도면들은, 특정 구현들과 함께, 본 개시내용을 설명하기 위해 사용되며, 본 개시내용에 대한 제한을 제기하지 않는다. 첨부 도면들에서:
도 1은 본 개시내용의 예시적인 실시예에 따른 충전 상태(SOC) 결정 방법의 흐름도이다.
도 2는 본 개시내용의 예시적인 실시예에 따른 다른 SOC 결정 방법의 흐름도이다.
도 3은 본 개시내용의 예시적인 실시예에 따른 L차 배터리의 초기 등가 회로의 개략도이다.
도 4는 본 개시내용의 예시적인 실시예에 따른 다른 SOC 결정 방법의 흐름도이다.
도 5는 본 개시내용의 예시적인 실시예에 따른 다른 SOC 결정 방법의 흐름도이다.
도 6은 관련 기술들의 예시적인 실시예에 따른 SOC 결정 방법의 효과도이다.
도 7은 본 개시내용의 예시적인 실시예에 따른 SOC 결정 방법의 효과도이다.
도 8은 본 개시내용의 예시적인 실시예에 따른 등가 회로 모델을 결정하기 위한 장치의 블록도이다.
도 9는 본 개시내용의 예시적인 실시예에 따른 등가 회로 모델을 결정하기 위한 전자 디바이스의 블록도이다.
참조 번호들:
SOC를 결정하기 위한 장치-800; 취득 모듈-810; 제1 결정 모듈-820; 제2 결정 모듈-830; 등가 회로 모델의 장치-900; 처리 어셈블리-902; 메모리-904; 멀티미디어 어셈블리-905; 전력 어셈블리-906; 입력/출력(I/O) 인터페이스-912; 센서 어셈블리-914; 통신 어셈블리-916; 프로세서-920.

다음은 첨부 도면들을 참조하여 본 개시내용의 특정 구현들을 상세히 설명한다. 여기서 설명된 특정 구현들은 본 개시내용을 설명하고 기술하기 위해 사용될 뿐이며, 본 개시내용을 제한하려는 의도는 아니라는 것을 이해해야 한다.

본 개시내용의 명세서, 청구항들, 및 첨부 도면들에서, 용어들 "제1", "제2" 등은 유사한 대상들을 구별하도록 의도되지만, 반드시 특정 순서 또는 시퀀스를 설명하는 것으로서 이해되지는 않는다는 점에 유의하여야 한다.

본 개시내용에서 제공되는 충전 상태(SOC)를 결정하기 위한 방법 및 장치, 저장 매체, 및 전자 디바이스가 설명되기 전에, 본 개시내용의 실시예들의 응용 시나리오들이 먼저 설명된다. 본 개시내용의 실시예들은 SOC를 결정하기 위해 사용될 수 있다. 배터리는, 예를 들어, 3원 리튬 배터리, 리튬 철 인산염 배터리 등일 수 있다.

전기 차량이 예로서 사용된다. 전기 차량의 전원으로서, 배터리의 충전 상태의 정확한 추정은 배터리 시스템의 균형 제어 효율 및 전기 차량의 에너지 관리 효율을 개선할 수 있을 뿐만 아니라, 동적 작동 조건 하에서의 전기 차량의 안전과도 관련된다. 관련 기술들에서, 배터리의 상태는 대응하는 등가 회로 모델을 결정함으로써 분석될 수 있다. 이들 상태는, 예를 들어, 충전 상태(줄여서 SOC), 에너지 상태(줄여서 SOE), 전력 상태(줄여서 SOP), 건강 상태(줄여서 SOH) 등일 수 있다.

본 출원인은 샘플링 요소의 무자격 교정, 샘플링 요소의 노화 등과 같은 이유들로 인해, 배터리 데이터의 측정 결과들이 대응하는 에러를 추가로 포함할 수 있다는 것을 발견하였다. 그 결과, 관련 기술들에서 식별된 등가 회로 모델은 에러가 발생하기 쉬워져서, 결국 배터리 상태의 추정에 에러가 발생한다. 이것은 차량의 안전한 동작 및 효율적인 관리에 도움이 되지 않는다. 예를 들어, 전기 차량의 사용에 의해, 배터리 관리 시스템(BMS)의 샘플링 디바이스는 계속 노화되고, BMS의 측정 바이어스가 다시 나타나서, BMS의 측정 잡음이 백색 잡음 대신에 유색 잡음이 되게 한다. 결국, 식별된 등가 회로 모델에서의 에러가 발생하고, 배터리 상태의 추정 정확도가 감소된다. 또한, 파라미터 식별 결과에 대한 SOC 에러의 영향은 고려되지 않아서, 각각의 요소 파라미터 값과 배터리의 SOC 사이의 미스매칭을 초래하고, 이는 SOC의 추정 정확도를 더 감소시킨다.

본 개시내용은 SOC를 결정하기 위한 방법을 제공한다. 도 1에 도시된 배터리의 SOC를 결정하기 위한 방법의 개략적인 흐름도를 참조하면, 본 방법은 다음의 단계들을 포함한다.

S11: 배터리의 상태 데이터가 취득되고, 여기서 상태 데이터는 전류 데이터 및 전압 데이터를 포함한다.

상태 데이터는 배터리의 온도 데이터, 용량 데이터, 개방 회로 전압(OCV)-SOC 곡선 등을 추가로 포함할 수 있다.

전기 차량이 예로서 사용된다. 특정 구현 동안, 배터리의 상태 데이터는 BMS에 의해 직접 취득될 수 있거나, 또는 BMS에 의해 간접적으로 취득될 수 있거나, 또는 BMS에 의해 직접적으로 그리고 간접적으로 취득될 수 있다. 예를 들어, BMS는 전류 센서를 사용하여 배터리의 전류 데이터를 직접적으로 취득할 수 있다. 대안적으로, BMS는 온도 센서를 사용하여 배터리의 온도 데이터를 취득할 수 있다. 일부 실시예들에서, BMS는 또한 대응하는 데이터 인터페이스를 통해 상태 데이터를 간접적으로 취득할 수 있고, 예를 들어, 데이터 인터페이스를 통해 메모리에 저장된 배터리의 OCV-SOC 곡선 정보를 취득할 수 있다.

S12: 배터리의 등가 회로 모델에서의 각각의 요소 파라미터 값은 재귀 최소 제곱(RLS) 예측 모델을 사용함으로써 등가 회로 모델, 에러 정보, 배터리 특성 데이터, 및 상태 데이터에 기초하여 결정된다.

등가 회로 모델은 배터리에 대해 수행된 오프라인 테스트에 기초하여 획득되고, 등가 회로 모델의 차수는 배터리에 대해 수행된 오프라인 테스트, 예를 들어, 1차 등가 회로 모델, 2차 등가 회로 모델 등에 기초하여 획득될 수 있다. 요소 파라미터 값은 등가 회로 모델에서의 각각의 요소의 값을 표현하기 위해 사용될 수 있다.

에러 정보는 샘플링 요소에 의해 수집된 배터리의 전압 데이터와 배터리의 참 전압 데이터(true voltage data) 사이의 차이를 기술하도록 구성된 전압 데이터의 샘플링 에러 인자를 포함할 수 있다. 예를 들어, 샘플링 요소에 의해 수집된 배터리의 전압 데이터

는

일 수 있고, 여기서 U(k)는 k번째 모멘트에서의 배터리의 전압의 진리값이고,

는 전압 데이터의 샘플링 에러 인자이다.

이러한 방식으로, 상기 기술적 해결책들에서, 배터리의 등가 회로 모델에서의 요소 파라미터 값을 결정할 때, 전압 데이터의 샘플링 에러 인자가 추가로 고려된다. 따라서, 전압 샘플링 에러의 영향이 감소될 수 있고, 결정된 등가 회로 모델에서의 요소 파라미터 값의 정확도가 개선될 수 있고, 마지막으로 결정된 등가 회로 모델의 정확도가 개선될 수 있다.

또한, 일부 실시예들에서, 에러 정보는 또한 샘플링 요소에 의해 수집된 배터리의 전류 데이터와 배터리의 참 전류 데이터 사이의 차이를 기술하도록 구성된 전류 데이터의 샘플링 에러 인자를 포함할 수 있다. 예를 들어, 샘플링 요소에 의해 수집된 배터리의 전류 데이터

는

일 수 있고, 여기서 I(k)는 k번째 모멘트에서의 배터리의 전류의 진리값이고,

는 전류 데이터의 샘플링 에러 인자이다.

이러한 방식으로, 상기 기술적 해결책들에서, 배터리의 등가 회로 모델에서의 요소 파라미터 값을 결정할 때, 전류 데이터의 샘플링 에러 인자가 추가로 고려된다. 따라서, 전류 샘플링 에러의 영향이 감소될 수 있고, 결정된 등가 회로 모델에서의 요소 파라미터 값의 정확도가 개선될 수 있고, 마지막으로 결정된 등가 회로 모델의 정확도가 개선될 수 있다.

일부 실시예들에서, 에러 정보는 또한 전압 데이터의 샘플링 에러 인자 및 전류 데이터의 샘플링 에러 인자 둘 다를 포함할 수 있다는 점에 유의해야 한다. 이 경우, 단계 S12는:

등가 회로 모델, 전압 데이터의 샘플링 에러 인자, 전류 데이터의 샘플링 에러 인자, 및 상태 데이터에 기초하여 RLS 예측 모델을 이용하여 배터리의 등가 회로 모델에서의 요소 파라미터 값을 결정하는 단계를 포함한다.

상기 기술적 해결책에 따르면, 배터리의 등가 회로 모델에서의 요소 파라미터 값을 결정할 때, 전압 데이터의 샘플링 에러 인자 및 전류 데이터의 샘플링 에러 인자가 추가로 고려된다. 따라서, 샘플링 에러의 영향이 더 감소될 수 있고, 결정된 등가 회로 모델에서의 요소 파라미터 값의 정확도가 개선될 수 있고, 마지막으로 결정된 등가 회로 모델의 정확도가 개선될 수 있다.

일부 실시예들에서, 에러 정보는 전압 데이터와 전류 데이터 사이의 샘플링 시간 차이, 및 배터리의 OCV에서의 에러를 추가로 포함할 수 있다는 점에 유의해야 한다. 즉, 특정 구현 동안, 샘플링 에러는 전압 데이터의 샘플링 에러 인자, 전류 데이터의 샘플링 에러 인자, 전압 데이터와 전류 데이터 사이의 샘플링 시간 차이, 또는 배터리의 OCV에서의 에러 중 하나 이상을 포함할 수 있으며, 이는 본 개시내용에서 제한되지 않는다.

가능한 구현에서, 도 2에 도시된 등가 회로 모델을 결정하기 위한 흐름도를 참조하면, 도면에 도시된 바와 같이, 단계 S21에서, 배터리의 초기 속성 정보가 배터리의 오프라인 테스트에 기초하여 획득되며, 여기서 초기 속성 정보는 배터리의 OCV-SOC 곡선 및 히스테리시스 전압-SOC 곡선을 포함한다.

초기 속성 정보는 배터리 용량 정보, 배터리 모델 파라미터의 초기 공분산 값 등을 추가로 포함할 수 있다. 오프라인 테스트는 용량 테스트, 펄스 테스트, 및 전형적인 작동 조건 테스트를 포함할 수 있다.

일부 실시예들에서, 용량 테스트에 대해, 일 실시예에서, 용량 테스트는 다음을 포함한다.

(1) 온도를 25℃로 조정하고, 배터리를 배터리 제조업체에 의해 권장된 용량 테스트 전류 값(예를 들어, 1C)에서 하한 전압까지 방전시키고, 배터리를 30분 동안 방치시킨다.

(2) 배터리가 배터리 제조업체에 의해 권장된 용량 테스트 전류 값(예를 들어, 1C)에서 상한 전압(예를 들어, 4.25V)까지 충전된 후에, 배터리는 정전압(정전압 값은 배터리 제조업체에 의해 제안된 값, 예를 들어, 4.25V일 수 있음)에서 충전되고, 배터리는 30분 동안 방치되게 한다.

(3) (1)과 (2)에 축적된 용량값을 카운트하고, 인접 주기 간의 용량값 차이가 0.1Ah 미만이 될 때까지 상기 (1)과 (2)를 수행하고, 이때의 용량값을 배터리 용량 Q_m로 표시한다.

본 개시내용의 일부 실시예에 따르면, 배터리 용량 Q_m이 획득된 후에, 펄스 테스트가 배터리에 대해 수행될 수 있다. 펄스 테스트는 2개의 부분: 충전 및 방전을 포함할 수 있다. 충전 부분 및 방전 부분은 각각 20개의 세트의 펄스 조합 시퀀스들을 포함한다.

예를 들어, 충전 부분에서의 처음 18개의 세트의 펄스 조합 시퀀스들에서, 각 세트의 펄스 조합 시퀀스들은 다음을 포함할 수 있다.

(1) 온도를 25℃로 조정하고, 펄스의 누적 암페어-시간(ampere-hour) 변동이 Q_m의 5% 이상일 때까지 정전류 충전 펄스를 (진폭 1C로) 인가한다.

(2) 배터리를 2시간 동안 방치되게 한다.

(3) 정전류 충전 펄스를 10초 동안 (진폭 0.5C로) 인가한다.

(4) 배터리를 40초 동안 방치되게 한다.

(5) 정전류 방전 펄스를 10초 동안 (진폭 0.1C로) 인가한다.

(6) 0.1C를 0.5C, 1C, 2C, 3C, 4C, 및 5C로 대체한 후에 (3) 내지(5)를 수행한다.

(7) 배터리를 24시간 동안 방치되게 한다.

(8) 온도를 55℃로 조정하고, 배터리를 2시간 동안 방치되게 한다.

(9) 55℃를 각각 40℃, 25℃, 10℃, 0℃, -10℃, -20℃, 및 -30℃로 대체하고, (8)을 수행한다.

(10) 온도를 25℃로 조정한다.

(11) 배터리를 24시간 동안 방치되게 한다.

충전 부분에서의 마지막 2개의 세트의 펄스 조합 시퀀스들에서, 각 세트의 펄스들은 다음을 포함한다.

(1) 펄스의 누적 암페어-시간 변동이 Q_m의 5% 이상일 때까지 정전류 및 정전압 충전 펄스가 인가된다.

(2) 배터리를 2시간 동안 방치되게 한다.

(3) 정전류 충전 펄스를 10초 동안 (진폭 0.5C로) 인가한다.

(4) 배터리를 40초 동안 방치되게 한다.

(5) 정전류 방전 펄스를 10초 동안 (진폭 0.5C로) 인가한다.

(6) (3) 내지 (5)는 0.5C를 각각 1C, 2C, 3C, 4C, 및 5C로 대체한 후에 수행된다.

(7) 배터리를 24시간 동안 방치되게 한다.

(10) 온도를 25℃로 조정한다.

(11) 배터리를 24시간 동안 방치되게 한다.

또한, 방전 부분의 경우, 방전 부분의 20개의 세트의 펄스 조합 시퀀스들에서, 각 세트의 펄스들은 다음을 포함할 수 있다.

(1) 펄스의 누적 암페어-시간 변동이 Q_m의 5% 이상일 때까지 정전류 방전 펄스를 (진폭 1C로) 인가한다.

(2) 배터리를 2시간 동안 방치되게 한다.

(3) 정전류 방전 펄스를 10초 동안 (진폭 0.5C로) 인가한다.

(4) 배터리를 40초 동안 방치되게 한다.

(5) 정전류 충전 펄스를 10초 동안 (진폭 0.5C로) 인가한다.

(7) 배터리를 24시간 동안 방치되게 한다.

(10) 온도를 25℃로 조정한다.

(11) 배터리를 24시간 동안 방치되게 한다.

이러한 방식으로, 상기 펄스 테스트를 통해, 배터리의 상이한 SOC들 및 상이한 온도 조건들 하에서 배터리의 SOC에 의한 배터리 충전 OCV의 변동 곡선이 충전 부분에서의 각 세트의 펄스들에서 단계 (8)에서 2시간 동안 방치된 후의 배터리의 전압에 따라 획득될 수 있다. 유사하게, 배터리의 상이한 SOC들 및 상이한 온도 조건들 하에서 배터리의 SOC에 의한 배터리 방전 OCV의 변동 곡선은 방전 부분에서의 각 세트의 펄스둘에서 단계 (8)에서 2시간 동안 방치된 후의 배터리의 전압에 따라 획득될 수 있다. 동일한 SOC의 조건 하에서, 배터리 충전 OCV와 방전 OCV의 평균값은 배터리의 OCV이며, 충전 OCV와 방전 OCV의 차이의 1/2를 히스테리시스 전압으로 표시한다. 배터리의 SOC 및 온도에 따른 배터리의 OCV의 변동 곡선은 배터리의 OCV-SOC 곡선이고, 배터리의 SOC 및 온도에 따른 히스테리시스 전압의 변동 곡선은 히스테리시스 전압-SOC 곡선이다.

이러한 방식으로, 단계 S22에서, 상이한 차수들의 다수의 초기 등가 회로 모델들이 초기 속성 정보에 따라 확립될 수 있다.

예를 들어, 초기 속성 정보에 따라 확립된 L차 초기 등가 회로 모델이 도 3에 도시된다. U_OCV와 U_hys는 배터리의 OCV 및 배터리 히스테리시스 전압을 각각 나타내고, I와 U는 배터리 전류(방전 동안 포지티브임) 및 배터리 전압을 각각 나타내고, R₀는 배터리 회로 모델에서의 옴 저항이고, R₁~R_L은 RC 네트워크들 1-L에 대응하는 분극 저항들이고, R₁~R_L은 RC 네트워크들 1-L에 대응하는 분극 커패시턴스들이고,

는 에너지 저장 요소의 단자 전압들이다.

특정 구현 동안, 각각의 차수의 초기 등가 회로 모델에 대해, 차수의 초기 등가 회로 모델에서의 각각의 요소 파라미터의 값은 다중-목적 최적화 알고리즘을 사용하여 결정된다. 입자 집단 알고리즘(particle swarm algorithm)이 예로서 사용된다. 각각의 요소 파라미터의 값은 랜덤하게 초기화될 수 있고, 전형적인 작동 조건 하에서의 차수의 등가 회로 모델의 전압 예측 잔차 루트 평균 제곱이 적응 값으로서 사용된다. 연속적인 반복 최적화를 통해, 차수의 등가 회로 모델의 요소의 초기 파라미터 값(최적화 조건은 전형적인 작동 조건 하에서의 차수의 등가 회로 모델의 전압 예측 잔차 루트 평균 제곱이 미리 설정된 임계값보다 작거나, 반복 횟수가 임계값에 도달하는 것 등일 수 있음)이 선택되고, 다양한 차수들의 초기 등가 회로 모델들이 최종적으로 획득된다. 또한, 일부 실시예들에서, 모델의 복잡성을 감소시키기 위해, 등가 회로 모델의 차수가 추가로 제한될 수 있다. 예를 들어, 등가 회로 모델의 차수 L은 L≤3으로 제한될 수 있고, 여기서 L은 양의 정수이다.

단계 S23에서, 각각의 차수의 초기 등가 회로 모델에 대해, 타깃 작동 조건 하에서의 초기 등가 회로 모델의 계산 에러 정보 및 계산 시간 정보가 테스트된다.

이전 실시예에 이어서, 차수들의 초기 등가 회로 모델들 후에, 전형적인 작동 조건 하에서 각각의 차수의 초기 등가 회로 모델의 계산 에러 정보 및 계산 시간 정보가 각각 테스트될 수 있다.

이러한 방식으로, 단계 S24에서, 각각의 대응하는 초기 등가 회로 모델의 파라미터들의 수, 계산 에러 정보, 및 계산 시간 정보에 따라 초기 등가 회로 모델들 각각의 매칭 정도가 계산될 수 있다. 단계 S25에서, 최적의 매칭 정도를 갖는 초기 등가 회로 모델이 배터리의 등가 회로 모델로서 결정된다.

상기 기술적 해결책을 채택함으로써, 배터리의 초기 속성 정보는 배터리에 대해 오프라인 테스트를 수행함으로써 획득된다. 본 개시내용의 일부 실시예들에 따르면, 상이한 차수들의 초기 등가 회로 모델들의 매칭 정도가 초기 속성 정보에 따라 확립되고 계산됨으로써, 등가 회로 모델의 정확도를 향상시킨다.

본 개시내용의 일부 실시예들에 따르면, 등가 회로 모델은 RC 회로 모델이다. 단계 S11은:

BMS에 의해 수집된 상태 데이터를 취득하는 단계- 상태 데이터는 배터리의 온도 데이터 및 배터리의 SOC 데이터를 추가로 포함함 -를 포함한다.

예를 들어, BMS는 전류 센서를 사용하여 배터리의 전류 데이터를 직접적으로 취득할 수 있다. 대안적으로, BMS는 온도 센서를 사용하여 배터리의 온도 데이터를 취득할 수 있다. 일부 실시예들에서, BMS는 또한 대응하는 데이터 인터페이스를 통해 상태 데이터를 간접적으로 취득할 수 있다. 예를 들어, 메모리에 저장된 배터리의 OCV-SOC 곡선 정보 및 히스테리시스 전압-SOC 곡선 정보가 데이터 인터페이스를 통해 취득된다.

단계 S12는:

SOC 데이터에 따라, 온도 데이터에 대응하는 배터리의 OCV-SOC 곡선 및 히스테리시스 전압-SOC 곡선으로부터 타깃 OCV 및 타깃 히스테리시스 전압을 결정하는 단계를 포함한다.

상이한 온도들 하에서의 배터리의 OCV-SOC 곡선 및 히스테리시스 전압-SOC 곡선이 오프라인 테스트를 통해 취득된 후에, 현재 모멘트에서의 타깃 OCV 및 타깃 히스테리시스 전압은 배터리의 현재 SOC 정보, OCV-SOC 곡선, 및 BMS에 의해 취득된 히스테리시스 전압-SOC 곡선에 따라 결정될 수 있다는 점이 이해되어야 한다.

단계 S12에서, RLS 예측 모델을 사용하여 등가 회로 모델, 에러 정보, 전류 데이터, 전압 데이터, 타깃 OCV, 및 타깃 히스테리시스 전압에 기초하여 배터리의 등가 회로 모델의 요소 파라미터 값이 결정될 수 있다. 이러한 방식으로, 배터리의 배터리 모델 파라미터 값의 온라인 식별의 효과가 달성된다. 또한, BMS의 샘플링 디바이스의 샘플링 에러가 또한 식별 동안 고려되기 때문에, 결정된 등가 회로 모델에서의 요소 파라미터 값의 정확도가 더 개선될 수 있고, 등가 회로 모델의 정확도가 더 개선될 수 있다.

에러 정보는 전압 데이터의 샘플링 에러 인자, 전류 데이터의 샘플링 에러 인자, 전압 데이터와 전류 데이터 사이의 샘플링 시간 차이, 또는 배터리의 OCV에서의 에러 중 적어도 하나를 포함한다.

본 개시내용의 일부 실시예들에 따르면, 에러 정보는 전압 데이터의 샘플링 에러 인자 및 전류 데이터의 샘플링 에러 인자를 포함하고, RLS 예측 모델의 식별 형태는 다음과 같고:

여기서,

는 k번째 모멘트에서의 RLS 예측 모델의 출력 신호의 측정된 값이고, U_OCV(k)와 U_hys(k)는 각각 k번째 모멘트에서의 배터리의 타깃 OCV 및 타깃 히스테리시스 전압을 나타내고,

는 k번째 모멘트에서 BMS에 의해 수집된 배터리 전압 값이고,

는 k번째 모멘트에서의 RLS 예측 모델의 입력 신호이고,

는 k번째 모멘트에서 BMS에 의해 수집된 배터리 전류 값이고,

는 k번째 모멘트에서의 RLS 예측 모델의 파라미터 행렬이고, a₁~a_L, a₀, b₀~b_L은 파라미터 행렬 내의 파라미터들이고, L은 초기 등가 회로 모델의 차수이고, T는 BMS의 샘플링 주기이다.

, 여기서 U(k)는 k번째 모멘트에서의 배터리의 전압의 진리값이고,

은 전압 데이터의 샘플링 에러 인자이다.

, 여기서 I(k)는 k번째 모멘트에서의 배터리의 전류의 진리값이고,

는 전류 데이터의 샘플링 에러 인자이다.

도 3은 설명을 위한 예로서 사용된다. 라플라스 공간에서 L차 배터리의 초기 등가 회로의 일반적인 표현은 도 3에 도시된 L차 초기 등가 회로 모델에 따라 획득될 수 있다:

(1)

여기서, U_s는 BMS에 의해 수집된 배터리 전압 데이터이고, I_s는 전압과 동기하여 샘플링된 배터리 전류의 진리값이고, U_OCV는 배터리의 OCV이고, U_hys는 배터리의 히스테리시스 전압이고, R₀는 등가 회로 모델의 옴 저항을 나타내고, R₁~R_L은 RC 네트워크들 1-L에 대응하는 분극 저항들이고, C₁~C_L은 RC 네트워크들 1-L에 대응하는 분극 커패시턴스들이다.

에 대해서는 이중선형 변환이 수행된다.

를 통해 다음을 획득한다:

(2)

여기서 T는 BMS의 샘플링 주기이다.

정의는 다음과 같다:

(3).

수학식 (2)는 수학식 (4)와 같이 더 단순화될 수 있다:

(4)

여기서, b_i 및 a_j는 단순화된 계수들(i=0~L, j=1~L_i)이고, 수학식 (5) 내지 수학식 (7)에 나타낸 바와 같이, 표현식은 배터리의 모델 차수 L에 의해 결정된다.

L=1일 때, 수학식 (5)에 표현식이 나타난다:

(5)

L=2인 경우, 수학식 (6)에 표현식이 나타난다:

(6)

L=3일 때, 수학식 (7)에 표현식이 나타난다:

(7)

등가 회로 모델의 이산화된 표현 형태는 수학식 (8)에 나타낸 바와 같이, 수학식 (4)로부터 획득될 수 있다:

(8)

또한, 일부 실시예들에서, 온보드 BMS 측정 에러가 유색 잡음(colored noise)이기 때문에, 다음의 2가지 타입의 에러가 추가로 고려될 수 있다:

(1) 전압 데이터의 측정 에러:

(9)

(2) 전류 데이터의 측정 에러:

(10)

여기서,

와

는 각각 BMS에 의해 기록된 배터리 전압 측정 및 배터리 전류 측정을 나타내고,

은 전압 데이터의 샘플링 에러 인자이고,

는 전류 데이터의 샘플링 에러 인자이다.

수학식 (9) 및 수학식 (10)에 따르면,

은 온보드 환경 하에서 획득된다. 배터리의 SOC를 알 때, U_OCV(k)와 U_hys(k)는 각각 OCV-SOC 곡선 및 히스테리시스 전압-SOC 곡선에 따라 획득되고, 이는 또한 알려진 양들로서 사용될 수 있다는 점이 이해되어야 한다. 그 후, 수학식 (8)과 결합하여, 이하의 수학식이 획득될 수 있다:

(11)

정의는:

이고, 본 개시내용에서의 RLS 예측 모델의 식별 형태는 다음과 같다:

(12)

그 후

이고, 그 후 파라미터

는 RLS 방법을 사용하여 추정될 수 있다. 수학식 (13)에 나타낸 바와 같이, P(k)는 RLS를 사용하여 계산된 k번째 모멘트에서의 공분산을 나타내고,

는 망각 인자(forgetting factor)이고, 망각 인자의 값은 0.95 내지 1의 범위일 수 있고,

는 출력 Y(k)의 측정된 값이다.

(13)

그 후, 수학식 (3) 및 수학식 (5)-(7)을 다변량 수학식을 푸는 방법을 사용하여 역으로 푸는 것에 의해 배터리의 요소 파라미터 값

를 획득한다. 예를 들어, 동시에 수학식 (12) 및 (13)을 풀어서

를 획득할 수 있다.

가 알려진 경우, (배터리 모델의 차수에 따라 결정된) 수학식 3 및 수학식 5-7을 역으로 풀어서 배터리의 요소 파라미터 값

를 획득할 수 있고, 그 후 배터리의 등가 회로 모델은 요소 파라미터 값을 배터리 모델 파라미터에 대입함으로써 결정될 수 있다.

출원인은, 일부 시나리오들에서, 에러 정보가 전압 데이터의 샘플링 에러 인자, 전류 데이터의 샘플링 에러 인자, 전압 데이터와 전류 데이터 사이의 샘플링 시간 차이, 및 배터리의 OCV에서의 에러를 포함한다는 것을 발견하였다. RLS 예측 모델의 식별 형태는 다음과 같다:

여기서,

는 k번째 모멘트에서 BMS에 의해 수집된 배터리 전압 값이고,

는 k번째 모멘트에서의 RLS 예측 모델의 입력 신호이고,

는 k번째 모멘트에서 BMS에 의해 수집된 배터리 전류 값이고,

는 k번째 모멘트에서의 RLS 예측 모델의 파라미터 행렬이고,

는 파라미터 행렬 내의 파라미터들이고, L은 초기 등가 회로 모델의 차수이고, T는 BMS의 샘플링 주기이다.

은 전압 데이터의 샘플링 에러 인자이다.

, 여기서, I는 전압과 동기적으로 샘플링된 배터리 전류이고,

는 전류 데이터의 샘플링 에러 인자이고,

는 전류 데이터와 전압 데이터 사이의 샘플링 시간 차이이다.

, 여기서,

와

는 각각 배터리의 SOC에 에러가 존재할 때 배터리의 OCV 값에서의 에러 및 배터리의 대응하는 OCV에서의 에러를 나타낸다.

설명을 위한 이전 실시예의 수학식 (10)에 이어서, 일부 시나리어들에서, 다음 에러가 추가로 고려될 수 있다:

(3) 전류 데이터와 전압 데이터 사이의 샘플링 시간 차이, 즉,

(14)

여기서,

, I는 전압과 동기적으로 샘플링된 배터리 전류이고,

는 전류 데이터와 전압 데이터 사이의 샘플링 시간 차이이다. 수학식 (10)을 참조하면, I(k) 및

의 정의는 본 개시내용에서 상세히 설명되지 않는다.

이러한 방식으로, 수학식 (14)에 대해 테일러 전개식을 수행하여 수학식 (15):

(15)를 획득한다.

이면, 수학식 (15)는

(16)으로 변환될 수 있다.

또한, 등가 회로 모델의 파라미터 값 추정 프로세스와 배터리의 SOC의 추정 프로세스가 서로 분리되므로, 배터리의 SOC 에러의 영향이 파라미터 값 추정 프로세스에서 추가로 고려될 수 있다. 즉, 배터리의 SOC에 에러가 존재할 때, 배터리의 OCV의 에러는 파라미터 추정을 위해 고려될 필요가 있다:

(17)

여기서,

와

상이한 BMS 시스템들에 대해, 전압 데이터의 샘플링 에러 인자, 전류 데이터의 샘플링 에러 인자, 및 전압 데이터와 전류 데이터 사이의 샘플링 시간 차이의 값에 또한 차이가 있을 수 있다는 점에 유의해야 한다. 전압 데이터와 전류 데이터 사이의 샘플링 시간 차이의 값이 무시될 수 없는 경우에, 수학식 (9), (10), 및 (14)-(17)이 고려되고,

는 온보드 환경 하에서 획득된다. 수학식 (8)에 나타낸 배터리 모델의 이산화된 표현 형태와 결합하여, 다음의 수학식이 획득될 수 있다:

(18)

또한,

,

, 및

이 정의된다.

이 경우, 본 개시내용에서의 RLS 예측 모델의 식별 형태는 다음과 같다:

(19)

상기 기술적 해결책을 채택함으로써, RLS 예측 모델을 사용하여 배터리 모델 파라미터를 역으로 풀어서, 등가 회로 모델에서의 요소 파라미터 값을 결정할 수 있다. 또한, RLS 예측 모델은 BMS의 샘플링 디바이스에 의해 취득된 모든 종류의 데이터에서의 에러들을 추가로 고려한다. 이러한 방식으로, BMS의 샘플링 디바이스에 의해 취득된 모든 종류의 데이터에서의 에러들(예를 들어, BMS의 샘플링 디바이스의 연속적인 노화에 의해 야기되는 유색 측정 잡음, BMS 측정 동안 전류 측정 프로세스와 전압 측정 프로세스 사이의 비동기화에 의해 야기되는 등가 회로 모델의 파라미터 값에서의 추정 에러 등)이 등가 회로 모델의 파라미터 값의 추정에 미치는 영향이 복잡한 온보드 조건 하에서 감소될 수 있고, 그에 의해 후속 배터리 상태의 추정의 정확도 감소의 문제를 해결한다.

상기 방법은, 예로서, 전압 데이터의 샘플링 에러 인자, 전류 데이터의 샘플링 에러 인자, 전압 데이터와 전류 데이터 사이의 샘플링 시간 차이, 및 배터리의 OCV에서의 에러를 포함하는 에러 정보를 사용하여 설명된다는 점에 유의해야 한다. 그러나, 본 기술분야의 통상의 기술자라면, 특정 구현 동안에, 에러 정보는 또한 전압 데이터의 샘플링 에러 인자, 전류 데이터의 샘플링 에러 인자, 전압 데이터와 전류 데이터 사이의 샘플링 시간 차이, 또는 배터리의 OCV에서의 에러 중 하나 이상을 포함할 수 있다는 것을 이해해야 한다. 불필요한 반복을 피하기 위해, 다양한 잠재적 조합들은 본 개시내용에서 다시 설명되지 않는다.

S13: 관찰자의 기술에 따라 등가 회로 모델에서의 요소 파라미터 값, 상태 데이터, 및 배터리 특성 데이터에 기초하여 배터리의 SOC의 추정된 값이 결정된다.

특정 구현 동안, 전기 차량이 파워 온될 때, 관찰자는 초기 값에 대한 다양한 조건들에 따라 초기화될 수 있다. 예를 들어, 배터리의 상태 벡터가 초기화된다.

단계 S13에서, 가능한 구현은 상태 데이터가 온도 데이터를 추가로 포함하고, 관찰자는 적응형 무향 칼만 필터(AUKF) 관찰자이다. 따라서, 등가 회로 모델에서의 요소 파라미터 값, 상태 데이터, 및 배터리 특성 데이터에 기초하여 관찰자의 기술에 따라 배터리의 SOC의 추정된 값을 결정하는 단계는 다음의 단계들을 포함한다.

S131: 상태 벡터 특징점 세트, 제1 가중 계수, 및 제2 가중 계수가 이전 모멘트에서의 배터리의 상태 벡터들의 추정된 값들 및 상태 벡터들의 공분산에 따라 생성된다.

이전 모멘트에서의 상태 벡터들의 공분산은 프로세스 잡음 분산에 따라 계산된다.

본 개시내용의 일부 실시예에 따르면, 전기 차량이 파워 온된 후에, AUKF 관찰자는 배터리 오프라인 테스트 결과에 기초하여 초기화된다. 이 경우, 배터리의 상태 벡터들의 추정된 값들과 상태 벡터들의 공분산은 초기화를 통해 획득되고, 배터리의 상태 벡터들의 추정된 값들과 다른 모멘트들에서의 상태 벡터들의 공분산은 이전 모멘트에서의 배터리의 SOC의 추정된 값에 기초하여 계산된다.

S132: 배터리의 상태 공간 수학식의 제1 상태 수학식을 사용하여 요소 파라미터 값, 상태 벡터 특징점 세트, 및 전류 데이터에 기초하여 제1 상태 벡터의 선험적 값이 계산된다.

S133: 측정 보정 행렬은 제1 상태 벡터의 선험적 값, 측정 잡음 분산, 온도 데이터, 전류 데이터, 제1 가중 계수, 제2 가중 계수, 및 배터리의 상태 공간 수학식의 제2 출력 수학식에 따라 결정된다.

S134: 측정 보정 행렬, 제1 상태 벡터의 선험적 값, 및 전압 데이터에 기초하여 제2 상태 벡터의 사후 값이 계산된다.

S135: 배터리의 SOC의 추정된 값은 제2 상태 벡터의 사후 값과 배터리의 상태 공간 수학식에 따라 결정된다.

일부 실시예들에서, 초기 값에 대한 다양한 조건들에 따라 관찰자를 초기화하는 단계는 배터리의 상태 벡터들의 공분산, 프로세스 잡음 분산, 및 측정 잡음 분산을 초기화하는 단계를 추가로 포함한다. 또한, 다음 수학식에 나타낸 바와 같이, 시퀀스 길이가 설정된다:

(20)

여기서, X_joint(0)은 배터리의 상태 벡터의 추정된 값이고, P_joint(0)은 상태 벡터들의 공분산이고, X_state(0)은 이전 모멘트에서의 배터리의 상태 벡터의 추정된 값이고, PX_state(0)은 이전 모멘트에서의 상태 벡터들의 공분산이고, T는 샘플링 간격이고, P_parameter0은 요소 파라미터 값이고, Q(0)은 초기화된 프로세스 잡음 분산이고, R(0)는 초기화된 측정 잡음 분산이고, QS와 RS는 각각 프로세스 잡음 및 측정 잡음이고, M_AUKF는 시퀀스 길이이다.

예를 들어, 상태 벡터 특징점 세트는 다음의 식별 형태로 나타낸 바와 같이 대칭 샘플링에 의해 생성된다:

(21)

여기서,

는 상태 벡터 특징점 세트이고,

는 (k-1)번째 모멘트에서의 상태 벡터들의 공분산이고, N과

는 각각 상태 벡터의 길이 인자 및 스케일링 인자이다.

그 후, 수학식 (22)에 나타낸 바와 같이, 제1 상태 벡터의 선험적 값

을 획득하기 위해, 배터리의 상태 공간 수학식에서의 제1 상태 수학식을 사용하여 상태 벡터 특징점 세트에 대해 시간 업데이트가 수행된다:

(22)

여기서,

는 j번째 특징점에 대해 시간 업데이트가 수행된 후에 설정된 상태 벡터 특징점이고, I(k)는 k번째 모멘트에서의 배터리의 전류 데이터이다.

다른 예에서, 제1 가중 계수

와 제2 가중 계수

는 다음의 수학식을 사용하여 계산될 수 있다:

그 후, 제1 기대값

는 다음 식별 형태로 나타낸 바와 같이, 제1 가중 계수

와 제1 상태 벡터의 선험적 값

에 기초하여 계산된다:

제1 상태 벡터의 선험적 값과 제1 기대값 사이의 차이

는 다음을 사용하여 계산된다:

예를 들어, 측정 보정 행렬의 결정은 다음의 식별 형태일 수 있다.

우선, 상태 벡터 특징점 세트

, 요소 파라미터 값, 전류 데이터, 및 온도 데이터를 사용하여, 측정 및 업데이트된 후의 j번째 특징점의 제1 출력의 추정된 값

을 계산한다. 그 후, 특징점 세트에 의해 출력되는 제2 기대값

이 계산되는 제1 가중 계수

와 제1 출력의 추정된 값

을 사용하여 계산된다. 마지막으로, j번째 특징점의 제1 출력의 추정된 값과 제2 기대값

사이의 차이가 계산된다. 배터리의 상태 공간 수학식의 제2 출력 수학식의 제1 계산 수학식은 다음과 같이 표현될 수 있다:

(24)

그 후, 측정 보정 행렬은 제1 출력의 추정된 값과 j번째 특징점의 제2 기대값 간의 계산된 차이

, 제1 상태 벡터의 선험적 값과 제1 기대값 간의 차이

, 및 제2 가중 계수

에 따라 계산된다. 배터리의 상태 공간 수학식의 제2 출력 수학식의 제2 계산 수학식은 다음과 같이 표현될 수 있다:

(25)

여기서,

와

는 k번째 모멘트에서 설정된 특징점의 상태와 출력 간의 공분산과 출력의 분산을 각각 나타낸다.

본 명세서에서 수학식 (24) 및 (25)는 배터리의 상태 공간 수학식의 제2 출력 수학식들이다.

그 후, 상태 벡터의 사후 값은 배터리의 SOC의 추정된 값을 결정하기 위해 사용되는 다음의 수학식을 사용함으로써 제1 상태 벡터의 선험적 값

, 전압 데이터 U(k), 및 예상된 값

에 따라 측정 보정 행렬에 기초하여 계산된다.

마지막으로, 배터리의 SOC의 추정된 값은 상태 벡터의 사후 값 및 배터리의 공간 상태 수학식에 따라 계산된다.

본 개시내용의 일부 실시예들에 따르면, 이전 모멘트에서의 상태 벡터들의 공분산은 다음을 포함하는 프로세스 잡음 분산에 따라 계산된다:

제1 가중 계수와 제1 상태 벡터의 선험적 값에 기초하여 제1 기대값을 계산하는 단계;

제2 가중 계수, 제1 상태 벡터의 선험적 값과 제1 기대값 사이의 차이, 및 프로세스 잡음 분산에 기초하여 상태 벡터들의 공분산의 선험적 값을 획득하는 단계;

전류 데이터, 온도 데이터, 측정 잡음 분산, 요소 파라미터 값, 및 제1 상태 벡터의 선험적 값에 따라 제1 출력의 추정된 값을 결정하는 단계;

제1 가중 계수 및 제1 출력의 추정된 값에 기초하여 제2 기대값을 계산하는 단계; 및

측정 보정 행렬, 상태 벡터들의 공분산의 선험적 값, 및 제1 출력의 추정된 값과 제2 기대값 사이의 차이에 기초하여 이전 모멘트에서 상태 벡터들의 공분산을 계산하는 단계.

예를 들어, 상태 벡터들의 공분산의 제1 기대값

와 선험적 값

는 다음의 수학식을 사용하여 계산될 수 있다:

여기서, Q(k)는 프로세스 잡음 분산이다.

본 개시내용의 일부 실시예들에 따르면, 상태 벡터들의 공분산의 사후 값은 다음 모멘트에서의 배터리의 SOC의 추정된 값을 결정하기 위해 사용되는, 상기 예에서 계산된 제1 출력의 추정된 값 및 측정 보정 행렬에 기초하여, 다음의 수학식을 사용하여 계산된다.

T는 샘플링 간격이다.

본 개시내용의 일부 실시예들에 따르면, 프로세스 잡음 분산과 측정 잡음 분산은:

전압 데이터 및 요소 파라미터 값에서의 전압 파라미터에 따라 출력 잔차를 결정하고;

이전 모멘트에서 계산된 배터리의 SOC의 추정된 값에서의 제1 출력 잔차 및 출력 잔차에 따라 출력 잔차 행렬을 계산하고;

출력 잔차 행렬에 따라 이론적인 프로세스 잡음 분산 및 이론적인 측정 잡음 분산을 결정하고;

이론적인 프로세스 잡음 분산 및 이론적인 측정 잡음 분산에 따라 잡음 보정 규칙에 기초하여 프로세스 잡음 분산 및 상기 측정 잡음 분산을 결정함으로써 결정된다.

예를 들어, 현재 모멘트에서의 모델의 출력 잔차 U_e(k)는 수학식 (27)에 나타낸 바와 같이, 배터리 모델의 전압 출력 값에 기초하여 배터리의 전압 데이터와 결합하여 계산될 수 있다:

(27)

이전 모멘트 내의 출력 잔차와 결합하여, 출력 잔차 행렬 H(k)는 수학식 (28)을 사용하여 계산되고, 이론적인 잡음 분산 Q_id(k) 및 R_id(k)는 수학식 (29)에 따라 획득된다:

(28)

(29)

잡음 보정 규칙에 기초하여, 수학식 (30) 및 수학식 (31)에 나타낸 바와 같이, 프로세스 잡음 분산 Q(k+1)과 측정 잡음 분산 R(k+1)이 계산된다:

여기서,

는 행렬의 트레이스이고,

는 측정 잡음 분산의 미리 설정된 경계 값이다.

본 개시내용의 일부 실시예들에 따르면, 잡음 보정 규칙은:

이론적인 측정 잡음 분산의 값이 미리 설정된 임계값보다 작을 때 이전 모멘트에서의 출력 잔차를 프로세스 잡음 분산 및 측정 잡음 분산으로서 사용하는 단계를 포함한다.

본 개시내용의 일부 실시예들에 따르면, 이전 모멘트에서의 출력 잔차가 프로세스 잡음 분산 및 측정 잡음 분산으로서 사용된 후에, 관찰자는 AUKF 관찰자로부터 UKF 관찰자로 다운그레이드된다.

이론적인 측정 잡음 분산의 값이 미리 설정된 임계값보다 작지 않을 때, 프로세스 잡음 분산의 초기 값 및 이론적인 프로세스 잡음 분산의 행렬의 트레이스 중 더 큰 것이 프로세스 잡음 분산으로서 사용되고, 측정 잡음 분산의 초기 값 및 이론적인 측정 잡음 분산 중 더 큰 것이 측정 잡음 분산으로서 사용된다.

단계 S13에서, 다른 가능한 구현은 상태 데이터가 온도 데이터를 추가로 포함하고, 관찰자가 루엔버거 관찰자라는 것이다. 따라서, 등가 회로 모델에서의 요소 파라미터 값, 상태 데이터, 및 배터리 특성 데이터에 기초하여 관찰자의 기술에 따라 배터리의 SOC의 추정된 값을 결정하는 단계는 다음의 단계들을 포함한다.

S1301: 배터리의 상태 벡터들의 추정된 값들, 요소 파라미터 값, 전류 데이터, 및 배터리의 상태 공간 수학식의 제2 상태 수학식에 따라 제2 상태 벡터의 선험적 값이 결정된다.

S1302: 제2 상태 벡터의 선험적 값, 온도 데이터, 전류 데이터, 및 배터리의 상태 공간 수학식의 제2 출력 수학식에 따라 제2 출력의 추정된 값이 결정된다.

S1303: 제2 출력의 추정된 값, 전압 데이터, 및 루엔버거 관찰자의 미리 설정된 이득에 따라 제2 상태 벡터의 사후 값이 결정된다.

S1304: 제2 상태 벡터의 사후 값과 배터리의 상태 공간 수학식에 따라 배터리의 SOC의 추정된 값이 결정된다.

본 개시내용의 일부 실시예들에 따르면, 전기 차량이 파워 온된 후에, 루엔버거 관찰자는 배터리 오프라인 테스트 결과에 기초하여 초기화된다. 이 경우, 배터리의 상태 벡터들의 추정된 값들은 초기화를 통해 획득되고, 다른 모멘트들에서의 배터리의 상태 벡터들의 추정된 값들은 이전 모멘트에서의 배터리의 SOC의 추정된 값에 기초하여 계산된다.

예를 들어, 배터리의 상태 공간 수학식의 제2 상태 수학식의 표현 형태는 다음과 같다:

(32)

여기서,

는 제2 상태 벡터의 선험적 값이고,

는 (k-1)번째 모멘트에서의 배터리의 상태 벡터의 추정된 값이고, P_parameter는 요소 파라미터 값이고, I(k)는 k번째 모멘트에서의 배터리의 전류 데이터이다.

예를 들어, 배터리의 상태 공간 수학식의 제2 출력 수학식의 표현 형태는 다음과 같다:

(33)

여기서,

는 제2 출력의 추정된 값이고, T(k)는 k번째 모멘트에서의 온도 데이터이다.

예를 들어, 제2 상태 벡터의 사후 값은 다음의 수학식을 사용하여 계산될 수 있다:

(34)

KP_joint와 KI_joint는 둘 다 루엔버거 관찰자의 미리 설정된 이득들이고, U(k)는 k번째 모멘트에서의 전압 데이터이다.

본 개시내용의 일부 실시예들에 따르면, 배터리의 상태 공간 수학식은 다음과 같다:

는 요소 파라미터 값의 열 벡터이고; R₀는 등가 회로 모델의 옴 저항이고, R₁~R_L은 등가 회로 모델의 분극 저항들이고, C₁~C_L은 등가 회로 모델의 분극 커패시턴스들이고, U(k)와 I(k)는 각각 k번째 모멘트에서의 전압 데이터 및 전류 데이터이고, Temp(k)는 k번째 모멘트에서의 온도 데이터이고,

는 프로세스 잡음이고,

는 측정 잡음이고, 프로세스 잡음의 분산과 측정 잡음의 분산은 각각 프로세스 잡음 분산과 측정 잡음 분산이고,

와

은 둘 다 비선형 함수들이다.

L차 RC 회로들은 다음의 수학식으로 나타난다:

(35)

여기서 T는 샘플링 간격이고, C_M은 배터리의 가용 용량이다.

동적 작동 조건 하에 특정 제조업체에 의해 제조된 3원 리튬-이온 배터리의 SOC의 추정의 문제가 예로서 사용된다. 도 6은 관련 기술들의 예시적인 실시예에 따른 SOC 결정 방법의 효과도이다. SOC에서의 에러들의 최대 값은 16%보다 크고, 이는 BMS 표준에 의해 요구되는 5%의 정확도를 충족시키기 어렵다는 것을 알 수 있다. 도 7은 본 개시내용의 예시적인 실시예에 따른 SOC 결정 방법의 효과도이다. 동일한 동적 작동 조건 하에서, 본 개시내용은 추정을 위해 개선된 RLS 및 AUKF를 채택한다. SOC에서의 에러들은 모두 5% 미만이라는 것을 알 수 있는데, 이는 본 개시내용의 정확도가 BMS 표준에서의 SOC의 정확도에 대한 요건을 충족시킬 수 있다는 것을 나타낸다.

상기 기술적 해결책에서, 등가 회로 모델에서의 요소 파라미터 값은 RLS 예측 모델을 사용하여 결정된다. 또한, 배터리의 등가 회로 모델에서의 요소 파라미터 값을 결정할 때, 적어도 전압 데이터의 샘플링 에러 인자 또는 전류 데이터의 샘플링 에러 인자를 포함하는 에러 정보 또는 전압 데이터의 샘플링 에러 인자 및 전류 데이터의 샘플링 에러 인자의 에러 정보가 추가로 고려된다. 따라서, 샘플링 에러의 영향이 감소될 수 있고, 결정된 등가 회로 모델에서의 요소 파라미터 값의 정확도가 개선될 수 있고, 최종적으로 배터리의 결정된 등가 회로 모델의 정확도가 개선될 수 있다. 본 개시내용의 일부 실시예에 따르면, 배터리의 SOC 값은 관찰자의 기술에 기초하여 결정되어, 요소 파라미터 값과 관찰자의 매칭 정도를 증가시키고, SOC의 추정 정확도를 향상시킴으로써, 차량의 효율적인 관리 및 신뢰성 있는 동작을 보장한다.

본 개시내용은 배터리의 SOC를 결정하기 위한 장치를 추가로 제공한다. 도 8에 도시된 등가 회로 모델을 결정하기 위한 장치의 블록도를 참조하면, 장치(800)는:

배터리의 상태 데이터를 취득하도록 구성된 취득 모듈(810)- 상태 데이터는 전류 데이터와 전압 데이터를 포함함 -;

RLS 예측 모델을 사용하여 등가 회로 모델, 에러 정보, 배터리 특성 데이터, 및 상태 데이터에 기초하여 배터리의 등가 회로 모델에서의 각각의 요소 파라미터 값을 결정하도록 구성된 제1 결정 모듈(820); 및

관찰자의 기술에 따라 등가 회로 모델에서의 요소 파라미터 값, 상태 데이터, 및 배터리 특성 데이터에 기초하여 배터리의 SOC의 추정된 값을 결정하도록 구성된 제2 결정 모듈(830)을 포함한다.

본 개시내용의 일부 실시예들에 따르면, 제3 결정 모듈은 등가 회로 모델의 차수를 결정하도록 구성된다. 제3 결정 모듈은:

배터리의 오프라인 테스트에 기초하여 배터리의 초기 속성 정보를 획득하도록 구성된 취득 서브모듈- 초기 속성 정보는 배터리의 OCV-SOC 곡선 및 히스테리시스 전압-SOC 곡선을 포함함 -;

초기 속성 정보에 따라 상이한 차수들의 다수의 초기 등가 회로 모델을 확립하도록 구성된 확립 서브모듈;

각각의 차수의 초기 등가 회로 모델에 대해, 타깃 작동 조건 하에서 초기 등가 회로 모델의 계산 에러 정보 및 계산 시간 정보를 테스트하도록 구성된 테스트 서브모듈;

각각의 대응하는 초기 등가 회로 모델의 파라미터들의 수, 계산 에러 정보, 및 계산 시간 정보에 따라 초기 등가 회로 모델들 각각의 매칭 정도를 계산하도록 구성된 계산 서브모듈; 및

배터리의 등가 회로 모델로서, 최적의 매칭 정도를 갖는 초기 등가 회로 모델을 결정하도록 구성된 결정 서브모듈을 포함한다.

본 개시내용의 일부 실시예들에 따르면, 등가 회로 모델은 RC 회로이다. 취득 모듈은 BMS에 의해 수집된 상태 데이터를 취득하도록 구성된다. 상태 데이터는 배터리의 온도 데이터와 배터리의 SOC 데이터를 추가로 포함한다.

제1 결정 모듈은:

SOC 데이터에 따라, 온도 데이터에 대응하는 배터리의 OCV-SOC 곡선 및 히스테리시스 전압-SOC 곡선으로부터 타깃 OCV 및 타깃 히스테리시스 전압을 결정하도록 구성된 제1 결정 서브모듈; 및

RLS 예측 모델을 사용하여 등가 회로 모델, 에러 정보, 전류 데이터, 전압 데이터, 타깃 OCV, 및 타깃 히스테리시스 전압에 기초하여 배터리의 등가 회로 모델의 요소 파라미터 값을 결정하도록 구성된 제2 결정 서브모듈을 포함한다.

본 개시내용의 일부 실시예들에 따르면, 에러 정보는 전압 데이터의 샘플링 에러 인자, 전류 데이터의 샘플링 에러 인자, 전압 데이터와 전류 데이터 사이의 샘플링 시간 차이, 또는 배터리의 OCV에서의 에러 중 적어도 하나를 포함한다.

본 개시내용의 일부 실시예들에 따르면, 에러 정보는 전압 데이터의 샘플링 에러 인자, 전류 데이터의 샘플링 에러 인자, 전압 데이터와 전류 데이터 사이의 샘플링 시간 차이, 및 배터리의 OCV에서의 에러를 포함한다. RLS 예측 모델의 식별 형태는 다음과 같다:

여기서,

는 k번째 모멘트에서 BMS에 의해 수집된 배터리 전압 값이고,

는 k번째 모멘트에서의 RLS 예측 모델의 입력 신호이고,

는 k번째 모멘트에서 BMS에 의해 수집된 배터리 전류 값이고,

는 k번째 모멘트에서의 RLS 예측 모델의 파라미터 행렬이고, a₁~a_L, a₀, c₁, d₀~d_L, c₂는 파라미터 행렬 내의 파라미터들이고, L은 초기 등가 회로 모델의 차수이고, T는 BMS의 샘플링 주기이다.

은 전압 데이터의 샘플링 에러 인자이다.

는 전류 데이터의 샘플링 에러 인자이고,

, 여기서,

와

본 개시내용의 일부 실시예들에 따르면, 관찰자는 AUKF 관찰자이다. 따라서, 제2 결정 모듈은:

이전 모멘트에서의 배터리의 상태 벡터들의 추정된 값들 및 상태 벡터들의 공분산에 따라 상태 벡터 특징점 세트, 제1 가중 계수, 및 제2 가중 계수를 생성하도록 구성된 생성 서브모듈- 이전 모멘트에서의 상태 벡터들의 공분산은 프로세스 잡음 분산에 따라 계산됨 -;

배터리의 상태 공간 수학식의 제1 상태 수학식을 사용하여 요소 파라미터 값, 상태 벡터 특징점 세트, 및 전류 데이터에 기초하여 제1 상태 벡터의 선험적 값을 계산하도록 구성된 제4 결정 서브모듈;

제1 상태 벡터의 선험적 값, 측정 잡음 분산, 온도 데이터, 전류 데이터, 제1 가중 계수, 제2 가중 계수, 및 배터리의 상태 공간 수학식의 제2 출력 수학식에 따라 측정 보정 행렬을 결정하도록 구성된 제5 결정 서브모듈;

측정 보정 행렬, 제1 상태 벡터의 선험적 값, 및 전압 데이터에 기초하여 제2 상태 벡터의 사후 값을 계산하도록 구성된 제6 결정 서브모듈; 및

제2 상태 벡터의 사후 값 및 배터리의 상태 공간 수학식에 따라 배터리의 SOC의 추정된 값을 결정하도록 구성된 제7 결정 서브모듈을 포함한다.

본 개시내용의 일부 실시예들에 따르면, 제2 결정 모듈은:

전압 데이터 및 요소 파라미터 값에서의 전압 파라미터에 따라 출력 잔차를 결정하도록 구성된 제1 계산 서브모듈;

이전 모멘트에서 계산된 배터리의 SOC의 추정된 값에서 제1 출력 잔차 및 출력 잔차에 따라 출력 잔차 행렬을 계산하도록 구성된 제2 계산 서브모듈;

출력 잔차 행렬에 따라 이론적인 프로세스 잡음 분산 및 이론적인 측정 잡음 분산을 결정하도록 구성된 제3 출력 서브모듈; 및

이론적인 프로세스 잡음 분산 및 이론적인 측정 잡음 분산에 따라 잡음 보정 규칙에 기초하여 프로세스 잡음 분산 및 측정 잡음 분산을 결정하도록 구성된 제4 출력 서브모듈을 추가로 포함한다.

본 개시내용의 일부 실시예들에 따르면, 제2 결정 모듈은:

이론적인 측정 잡음 분산의 값이 미리 설정된 임계값보다 작을 때 이전 모멘트에서의 출력 잔차를 프로세스 잡음 분산 및 측정 잡음 분산으로서 사용하도록 구성된 제1 판단 서브모듈; 및

이론적인 측정 잡음 분산의 값이 미리 설정된 임계값보다 작지 않을 때, 프로세스 잡음 분산의 초기 값 및 이론적인 프로세스 잡음 분산의 행렬의 트레이스 중 더 큰 것을 프로세스 잡음 분산으로서 사용하고, 측정 잡음 분산의 초기 값 및 이론적인 측정 잡음 분산 중 더 큰 것을 측정 잡음 분산으로서 사용하도록 구성된 제2 판단 서브모듈을 추가로 포함한다.

본 개시내용의 일부 실시예들에 따르면, 관찰자는 루엔버거 관찰자이다. 따라서, 제2 결정 모듈은:

배터리의 상태 벡터들의 추정된 값들, 요소 파라미터 값, 전류 데이터, 및 배터리의 상태 공간 수학식의 제2 상태 수학식에 따라 제2 상태 벡터의 선험적 값을 결정하도록 구성된 제12 결정 서브모듈;

제2 상태 벡터의 선험적 값, 온도 데이터, 전류 데이터, 및 배터리의 상태 공간 수학식의 제2 출력 수학식에 따라 제2 출력의 추정된 값을 결정하도록 구성된 제13 결정 서브모듈;

제2 출력의 추정된 값, 전압 데이터, 및 루엔버거 관찰자의 미리 설정된 이득에 따라 제2 상태 벡터의 사후 값을 결정하도록 구성된 제14 결정 서브모듈; 및

제2 상태 벡터의 사후 값과 배터리의 상태 공간 수학식에 따라 배터리의 SOC의 추정된 값을 결정하도록 구성된 제15 결정 서브모듈을 포함한다.

는 프로세스 잡음이고,

와

은 둘 다 비선형 함수들이다.

전술한 실시예들에서의 장치에 대해, 각각의 모듈이 동작을 수행하는 특정 방식은 본 방법에 관련된 실시예들에서 이미 상세히 설명되었고, 세부사항들은 여기서 다시 설명되지 않는다.

또한, 설명의 편의성 및 간결성을 위해, 본 명세서에 설명되는 실시예들은 모두 바람직한 실시예들이고, 수반되는 부분들은 본 개시내용에 반드시 요구되는 것은 아니라는 점에 유의해야 한다. 예를 들어, 제1 결정 모듈과 제2 결정 모듈은 특정 구현 동안 상호 독립적인 장치들 또는 동일한 장치일 수 있으며, 이는 본 개시내용에서 제한되지 않는다.

본 개시내용은 컴퓨터 프로그램이 저장되어 있는 컴퓨터 판독가능 저장 매체를 추가로 제공한다. 프로그램은, 프로세서에 의해 실행될 때, 상기 실시예들 중 임의의 것에 따른 SOC를 결정하는 방법의 단계들을 구현한다.

본 개시내용은 전자 디바이스를 추가로 제공하며, 전자 디바이스는: 컴퓨터 프로그램이 저장되어 있는 메모리; 및

상기 실시예들 중 임의의 것에 따른 SOC를 결정하기 위한 방법의 단계들을 구현하기 위해, 메모리 내의 컴퓨터 프로그램을 실행하도록 구성된 프로세서를 포함한다.

도 9는 예시적인 실시예에 따른 등가 회로 모델을 결정하기 위한 장치(900)의 블록도이다. 도 9를 참조하면, 장치(900)는 다음의 어셈블리들: 처리 어셈블리(902), 메모리(904), 전력 어셈블리(906), 멀티미디어 어셈블리(905), 입력/출력(I/O) 인터페이스(912), 센서 어셈블리(914), 및 통신 어셈블리(916) 중 하나 이상을 포함할 수 있다.

처리 어셈블리(902)는 일반적으로 데이터의 취득, 센서 데이터의 처리, RLS 알고리즘의 해결 등과 같은 장치(900)의 전체 동작을 제어하도록 구성된다. 처리 어셈블리(902)는 SOC를 결정하기 위한 상기 방법의 단계들의 전부 또는 일부를 수행하기 위해 명령어들을 실행하는 하나 이상의 프로세서(920)를 포함할 수 있다. 또한, 처리 어셈블리(902)는 처리 어셈블리(902)와 다른 어셈블리들 사이의 상호작용을 용이하게 하기 위해 하나 이상의 모듈을 포함할 수 있다. 예를 들어, 처리 어셈블리(902)는 멀티미디어 어셈블리(905)와 처리 어셈블리(902) 사이의 상호작용을 용이하게 하기 위해 멀티미디어 모듈을 포함할 수 있다.

메모리(904)는 장치(900)에 대한 동작들을 지원하기 위해 다양한 타입들의 데이터를 저장하도록 구성된다. 이러한 데이터의 예들은 장치(900) 상에서 동작하는 임의의 애플리케이션 또는 방법에 대한 명령어들, 이력 전류 데이터, 이력 전압 데이터, 배터리의 OCV-SOC 곡선 및 히스테리시스 전압-SOC 곡선 등을 포함한다. 메모리(904)는 임의의 타입의 휘발성 또는 비휘발성 저장 디바이스들 또는 이들의 조합, 예를 들어, 정적 랜덤 액세스 메모리(static random access memory)(SRAM), 전기 소거 가능 프로그래머블 판독 전용 메모리(electrically erasable programmable read-only memory)(EEPROM), 소거 가능 프로그래머블 판독 전용 메모리(erasable programmable read-only memory)(EPROM), 프로그래머블 판독 전용 메모리(programmable read-only memory)(PROM), 판독 전용 메모리(ROM), 자기 메모리, 플래시 메모리, 자기 디스크, 또는 광 디스크에 의해 구현될 수 있다.

전력 어셈블리(906)는 장치(900)의 다양한 어셈블리들에 전력을 제공한다. 전력 어셈블리(906)는 전원 관리 시스템, 하나 이상의 전원, 및 장치(900)에 대한 전력을 생성, 관리 및 할당하는 것과 연관된 다른 어셈블리들을 포함할 수 있다.

멀티미디어 어셈블리(905)는 장치(900)와 사용자 사이에 출력 인터페이스를 제공하는 스크린을 포함한다. 일부 실시예들에서, 스크린은 액정 디스플레이(LCD) 및 터치 패널(TP)을 포함할 수 있다. 스크린이 터치 패널을 포함하는 경우, 스크린은 사용자로부터 입력 신호를 수신하기 위한 터치스크린으로서 구현될 수 있다. 터치 패널은 터치 패널 상의 터치, 슬라이딩, 및 제스처들을 감지하기 위한 하나 이상의 터치 센서들을 포함한다. 터치 센서는 터치 또는 슬라이딩 조작들의 경계를 감지할 뿐만 아니라, 터치 또는 슬라이딩 조작들에 관련된 지속 기간 및 압력을 검출할 수 있다.

I/O 인터페이스(912)는 처리 어셈블리(902)와 외부 인터페이스 모듈 사이에 인터페이스를 제공한다. 외부 인터페이스 모듈은 클릭 휠, 버튼들 등일 수 있다.

센서 어셈블리(914)는 장치(900)의 다양한 양태들의 상태 평가를 제공하도록 구성된 하나 이상의 센서를 포함한다. 예를 들어, 센서 어셈블리(914)는 배터리의 온도, 전류 등을 검출할 수 있다. 일부 실시예들에서, 센서 어셈블리(914)는, 예를 들어, 온도 센서, 속도 센서, 전류 센서 등을 포함할 수 있다.

통신 어셈블리(916)는 장치(900)와 다른 디바이스들 사이에서 유선 또는 무선 방식으로 통신을 용이하게 하도록 구성된다. 장치(900)는 Wi-Fi, 2G, 또는 3G, 또는 이들의 조합과 같은 통신 표준들에 기초하여 무선 네트워크에 액세스할 수 있다.

예시적인 실시예에서, 장치(900)는 하나 이상의 주문형 집적 회로(ASIC), 디지털 신호 프로세서(DSP), 디지털 신호 처리 디바이스(DSPD), 프로그래머블 로직 디바이스(PLD), 필드 프로그래머블 게이트 어레이(FPGA), 제어기, 마이크로-제어기, 마이크로프로세서 또는 다른 전자 요소로서 구현되어, SOC를 결정하기 위한 전술한 방법을 수행할 수 있다.

예시적인 실시예에서, 명령어들을 포함하는 비일시적 컴퓨터 판독가능 저장 매체, 예를 들어, 명령어들을 포함하는 메모리(904)가 추가로 제공되고, 전술한 명령어들은 SOC를 결정하기 위한 전술한 방법을 완료하기 위해 장치(900)의 프로세서(920)에 의해 실행될 수 있다. 예를 들어, 비일시적 컴퓨터 판독가능 저장 매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광학 데이터 저장 디바이스 등일 수 있다.

다른 예시적인 실시예에서, 컴퓨터 프로그램 제품이 추가로 제공된다. 컴퓨터 프로그램 제품은 프로그램가능 장치에 의해 실행가능한 컴퓨터 프로그램을 포함한다. 컴퓨터 프로그램은, 프로그램가능 장치에 의해 실행될 때, SOC를 결정하기 위한 상기 방법을 수행하도록 구성된 코드 부분을 갖는다.

본 개시내용은 BMS를 추가로 제공한다. BMS는 상기 중 임의의 것에 따라 SOC를 결정하기 위한 장치를 포함한다.

전술한 실시예들에서의 배터리 관리 시스템에 대해, 각각의 장치가 동작을 수행하는 특정 방식은 본 방법에 관련된 실시예들에서 이미 상세히 설명되었고, 세부사항들은 여기서 다시 설명되지 않는다.

본 개시내용의 바람직한 구현들이 첨부 도면들을 참조하여 위에서 상세히 설명되었다. 그러나, 본 개시내용은 전술한 구현들에서의 특정 세부사항들로 제한되지 않고, 본 개시내용의 기술적 개념의 범위 내에서 본 개시내용의 기술적 해결책에 대해 복수의 간단한 변형들이 이루어질 수 있고, 이러한 간단한 변형들은 본 개시내용의 보호 범위 내에 속한다.

전술한 특정 구현들에서 설명된 특정 기술적 특징들은 충돌없는 경우에 임의의 적절한 방식으로 조합될 수 있다는 점에 추가로 유의해야 한다. 불필요한 반복을 피하기 위해, 다양한 가능한 조합에 대해서는 본 개시내용에서 추가로 설명되지 않는다.

또한, 본 개시내용의 다양한 실시예들은 본 개시내용의 사상으로부터 벗어나지 않고 조합될 수 있고, 이러한 조합들은 또한 본 개시내용의 범위 내에 속할 것이다.

Claims

배터리의 충전 상태(SOC)를 결정하기 위한 방법으로서,
상기 배터리의 상태 데이터를 취득하는 단계- 상기 상태 데이터는 전류 데이터와 전압 데이터를 포함함 -;
재귀 최소 제곱(RLS) 예측 모델을 사용하여 등가 회로 모델, 에러 정보, 배터리 특성 데이터, 및 상기 상태 데이터에 기초하여 상기 배터리의 등가 회로 모델에서의 각각의 요소 파라미터 값을 결정하는 단계; 및
관찰자의 기술에 따라 상기 등가 회로 모델에서의 상기 요소 파라미터 값, 상기 상태 데이터, 및 상기 배터리 특성 데이터에 기초하여 상기 배터리의 SOC의 추정된 값을 결정하는 단계를 포함하는 방법.
제1항에 있어서,
상기 등가 회로 모델은:
상기 배터리의 오프라인 테스트에 기초하여 상기 배터리의 초기 속성 정보를 획득하고- 상기 초기 속성 정보는 상기 배터리의 개방 회로 전압(OCV)-SOC 곡선 및 히스테리시스 전압-SOC 곡선을 포함함 -;
상기 초기 속성 정보에 따라 상이한 차수들의 복수의 초기 등가 회로 모델을 확립하고;
각각의 차수의 상기 초기 등가 회로 모델에 대해, 타깃 작동 조건 하에서 상기 초기 등가 회로 모델의 계산 에러 정보 및 계산 시간 정보를 테스트하고;
각각의 대응하는 초기 등가 회로 모델의 파라미터들의 수, 상기 계산 에러 정보, 및 상기 계산 시간 정보에 따라 상기 초기 등가 회로 모델들 각각의 매칭 정도를 계산하고;
상기 배터리의 등가 회로 모델로서, 최적의 매칭 정도를 갖는 상기 초기 등가 회로 모델을 결정함으로써 결정되는 방법.
제1항 또는 제2항에 있어서,
상기 배터리의 등가 회로 모델은 RC 회로 모델이고; 상기 배터리의 상태 데이터를 취득하는 단계는:
배터리 관리 시스템(BMS)에 의해 수집된 상태 데이터를 취득하는 단계- 상기 상태 데이터는 상기 배터리의 온도 데이터 및 상기 배터리의 SOC 데이터를 추가로 포함함 -를 포함하고;
재귀 최소 제곱(RLS) 예측 모델을 사용하여 등가 회로 모델, 에러 정보, 배터리 특성 데이터, 및 상기 상태 데이터에 기초하여 상기 배터리의 등가 회로 모델에서의 각각의 요소 파라미터 값을 결정하는 단계는:
상기 SOC 데이터에 따라, 상기 온도 데이터에 대응하는 상기 배터리의 상기 OCV-SOC 곡선 및 상기 히스테리시스 전압-SOC 곡선으로부터 타깃 OCV 및 타깃 히스테리시스 전압을 결정하는 단계; 및
상기 RLS 예측 모델을 사용하여 상기 등가 회로 모델, 상기 에러 정보, 상기 전류 데이터, 상기 전압 데이터, 상기 타깃 OCV, 및 상기 타깃 히스테리시스 전압에 기초하여 상기 배터리의 상기 등가 회로 모델의 상기 요소 파라미터 값을 결정하는 단계를 포함하는 방법.
제3항에 있어서,
상기 에러 정보는 상기 전압 데이터의 샘플링 에러 인자, 상기 전류 데이터의 샘플링 에러 인자, 상기 전압 데이터와 상기 전류 데이터 사이의 샘플링 시간 차이, 또는 상기 배터리의 OCV에서의 에러 중 적어도 하나를 포함하는 방법.
제3항에 있어서,
상기 에러 정보는 상기 전압 데이터의 샘플링 에러 인자, 상기 전류 데이터의 샘플링 에러 인자, 상기 전압 데이터와 상기 전류 데이터 사이의 샘플링 시간 차이, 또는 상기 배터리의 OCV에서의 에러를 포함하고; 상기 RLS 예측 모델의 식별 형태는 다음과 같고:

여기서,
는 k번째 모멘트에서의 상기 RLS 예측 모델의 출력 신호의 측정된 값이고; U_OCV(k)와 U_hys(k)는 각각 k번째 모멘트에서의 상기 배터리의 타깃 OCV 및 타깃 히스테리시스 전압을 나타내고;
는 k번째 모멘트에서 상기 BMS에 의해 수집된 배터리 전압 값이고;
는 k번째 모멘트에서의 상기 RLS 예측 모델의 입력 신호이고;
는 k번째 모멘트에서 상기 BMS에 의해 수집된 배터리 전류 값이고;
는 k번째 모멘트에서의 상기 RLS 예측 모델의 파라미터 행렬이고; a₁~a_L, a₀, c₁, d₀~d_L, c₂는 상기 파라미터 행렬 내의 파라미터들이고; L은 상기 초기 등가 회로 모델의 차수이고; T는 상기 BMS의 샘플링 주기이고;

; U(k)는 k번째 모멘트에서의 상기 배터리의 전압의 진리값이고;
은 상기 전압 데이터의 샘플링 에러 인자이고;
; I는 전압과 동기하여 샘플링된 배터리 전류이고,
는 상기 전류 데이터의 샘플링 에러 인자이고,
는 상기 전류 데이터와 상기 전압 데이터 사이의 샘플링 시간 차이이고;
;
와
는 상기 배터리의 SOC에 에러가 존재할 때 상기 배터리의 OCV 값에서의 에러 및 상기 배터리의 대응하는 OCV에서의 에러를 각각 나타내는 방법.
제1항 내지 제5항 중 어느 한 항에 있어서,
상기 상태 데이터는 온도 데이터를 추가로 포함하고; 상기 관찰자는 적응형 무향 칼만 필터(adptive unscented Kalman filter, AUKF) 관찰자이고; 관찰자의 기술에 따라 상기 등가 회로 모델에서의 요소 파라미터 값, 상기 상태 데이터, 및 상기 배터리 특성 데이터에 기초하여 상기 배터리의 SOC의 추정된 값을 결정하는 단계는:
이전 모멘트에서의 상기 배터리의 상태 벡터들의 추정된 값들 및 상기 상태 벡터들의 공분산에 따라 상태 벡터 특징점 세트, 제1 가중 계수, 및 제2 가중 계수를 생성하는 단계- 상기 이전 모멘트에서의 상기 상태 벡터들의 공분산은 프로세스 잡음 분산에 따라 계산됨 -;
상기 배터리의 상태 공간 수학식의 제1 상태 수학식을 사용하여 상기 요소 파라미터 값, 상기 상태 벡터 특징점 세트, 및 상기 전류 데이터에 기초하여 제1 상태 벡터의 선험적 값을 계산하는 단계;
상기 제1 상태 벡터의 선험적 값(priori value), 측정 잡음 분산, 상기 온도 데이터, 상기 전류 데이터, 상기 제1 가중 계수, 상기 제2 가중 계수, 및 상기 배터리의 상태 공간 수학식의 제2 출력 수학식에 따라 측정 보정 행렬을 결정하는 단계;
상기 측정 보정 행렬, 상기 제1 상태 벡터의 선험적 값, 및 상기 전압 데이터에 기초하여 제2 상태 벡터의 사후 값(posteriori value)을 계산하는 단계; 및
상기 제2 상태 벡터의 사후 값과 상기 배터리의 상태 공간 수학식에 따라 상기 배터리의 SOC의 추정된 값을 결정하는 단계를 포함하는 방법.
제6항에 있어서,
상기 프로세스 잡음 분산과 상기 측정 잡음 분산은:
상기 전압 데이터 및 상기 요소 파라미터 값에서의 전압 파라미터에 따라 출력 잔차를 결정하고;
상기 이전 모멘트에서 계산된 상기 배터리의 SOC의 추정된 값에서의 제1 출력 잔차 및 상기 출력 잔차에 따라 출력 잔차 행렬을 계산하고;
상기 출력 잔차 행렬에 따라 이론적인 프로세스 잡음 분산 및 이론적인 측정 잡음 분산을 결정하고;
상기 이론적인 프로세스 잡음 분산 및 상기 이론적인 측정 잡음 분산에 따라 잡음 보정 규칙에 기초하여 상기 프로세스 잡음 분산 및 상기 측정 잡음 분산을 결정함으로써 결정되는 방법.
제7항에 있어서,
상기 잡음 보정 규칙은:
상기 이론적인 측정 잡음 분산의 값이 미리 설정된 임계값보다 작을 때 상기 이전 모멘트에서의 출력 잔차를 상기 프로세스 잡음 분산 및 상기 측정 잡음 분산으로서 사용하는 단계; 및
상기 이론적인 측정 잡음 분산의 값이 상기 미리 설정된 임계값보다 작지 않을 때, 상기 프로세스 잡음 분산의 초기 값 및 상기 이론적인 프로세스 잡음 분산의 행렬의 트레이스 중 더 큰 것을 상기 프로세스 잡음 분산으로서 사용하고, 상기 측정 잡음 분산의 초기 값 및 상기 이론적인 측정 잡음 분산 중 더 큰 것을 상기 측정 잡음 분산으로서 사용하는 단계를 포함하는 방법.
제1항 내지 제8항 중 어느 한 항에 있어서,
상기 상태 데이터는 상기 온도 데이터를 추가로 포함하고; 상기 관찰자는 루엔버거(Luenberger) 관찰자이고; 관찰자의 기술에 따라 상기 등가 회로 모델에서의 요소 파라미터 값, 상기 상태 데이터, 및 상기 배터리 특성 데이터에 기초하여 상기 배터리의 SOC의 추정된 값을 결정하는 단계는:
상기 배터리의 상태 벡터들의 추정된 값들, 상기 요소 파라미터 값, 상기 전류 데이터, 및 상기 배터리의 상태 공간 수학식의 제2 상태 수학식에 따라 제2 상태 벡터의 선험적 값을 결정하는 단계;
상기 제2 상태 벡터의 선험적 값, 상기 온도 데이터, 상기 전류 데이터, 및 상기 배터리의 상태 공간 수학식의 제2 출력 수학식에 따라 제2 출력의 추정된 값을 결정하는 단계;
상기 제2 출력의 추정된 값, 상기 전압 데이터, 및 상기 루엔버거 관찰자의 미리 설정된 이득에 따라 상기 제2 상태 벡터의 사후 값을 결정하는 단계; 및
상기 제2 상태 벡터의 사후 값과 상기 배터리의 상태 공간 수학식에 따라 상기 배터리의 SOC의 추정된 값을 결정하는 단계를 포함하는 방법.
제6항 내지 제9항 중 어느 한 항에 있어서,
상기 배터리의 상태 공간 수학식은 다음과 같고:

는 상기 요소 파라미터 값의 열 벡터이고; R₀는 상기 등가 회로 모델의 옴 저항이고; R₁~R_L은 상기 등가 회로 모델의 분극 저항들이고; C₁~C_L은 상기 등가 회로 모델의 분극 커패시턴스들이고; U(k)와 I(k)는 각각 k번째 모멘트에서의 상기 전압 데이터 및 상기 전류 데이터이고; Temp(k)는 k번째 모멘트에서의 상기 온도 데이터이고;
는 상기 프로세스 잡음이고;
는 상기 측정 잡음이고; 상기 프로세스 잡음의 분산과 상기 측정 잡음의 분산은 각각 상기 프로세스 잡음 분산과 상기 측정 잡음 분산이고;
와
은 둘 다 비선형 함수들인 방법.
배터리의 충전 상태(SOC)를 결정하기 위한 장치로서,
상기 배터리의 상태 데이터를 취득하도록 구성된 취득 모듈- 상기 상태 데이터는 전류 데이터와 전압 데이터를 포함함 -;
재귀 최소 제곱(RLS) 예측 모델을 사용하여 등가 회로 모델, 에러 정보, 배터리 특성 데이터, 및 상기 상태 데이터에 기초하여 상기 배터리의 등가 회로 모델에서의 각각의 요소 파라미터 값을 결정하도록 구성된 제1 결정 모듈; 및
관찰자의 기술에 따라 상기 등가 회로 모델에서의 요소 파라미터 값, 상기 상태 데이터, 및 상기 배터리 특성 데이터에 기초하여 상기 배터리의 SOC의 추정된 값을 결정하도록 구성된 제2 결정 모듈을 포함하는 장치.
배터리 관리 시스템으로서,
제11항에 따른 충전 상태(SOC)를 결정하기 위한 장치를 포함하는 배터리 관리 시스템.