WO2019050330A1 - 배터리 충전 상태 추정 장치 및 방법 - Google Patents

배터리 충전 상태 추정 장치 및 방법 Download PDF

Info

Publication number
WO2019050330A1
WO2019050330A1 PCT/KR2018/010492 KR2018010492W WO2019050330A1 WO 2019050330 A1 WO2019050330 A1 WO 2019050330A1 KR 2018010492 W KR2018010492 W KR 2018010492W WO 2019050330 A1 WO2019050330 A1 WO 2019050330A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
state
battery
processor
process noise
Prior art date
Application number
PCT/KR2018/010492
Other languages
English (en)
French (fr)
Inventor
임보미
Original Assignee
주식회사 엘지화학
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 주식회사 엘지화학 filed Critical 주식회사 엘지화학
Priority to JP2019542685A priority Critical patent/JP6830544B2/ja
Priority to US16/483,163 priority patent/US11231466B2/en
Priority to EP18854350.8A priority patent/EP3588115B1/en
Publication of WO2019050330A1 publication Critical patent/WO2019050330A1/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]
    • 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]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration
    • 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
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • 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

Definitions

  • the present invention relates to an apparatus and method for estimating a state of charge (SOC) of a battery, and more particularly, to an apparatus and method for estimating a state of charge of a battery by adjusting parameters related to an Extended Kalman Filter And an apparatus and method for adaptively estimating the state of charge of the battery.
  • SOC state of charge
  • the state of charge is a parameter representing the relative ratio of the current capacity to the maximum capacity representing the electrical energy stored in the battery when the battery is fully charged and may be expressed as 0 to 1 or 0% to 100% .
  • a current integration model and an equivalent circuit model are typically used to estimate the state of charge of the battery.
  • the current integration model measures the current flowing through the battery using a current sensor and estimates the state of charge of the battery based on the accumulated current value accumulated over time.
  • a difference arises between the estimated charging state and the actual charging state using the current integration model, and the difference becomes larger as time elapses.
  • the equivalent circuit model is designed to simulate the electrical operating characteristics of a battery.
  • the battery has a nonlinear characteristic depending on the operating state. It is very difficult to design an equivalent circuit model to perfectly simulate the nonlinear characteristics of the battery.
  • the extended Kalman filter can estimate a more accurate charging state than when using only the current integration model or the equivalent circuit model. That is, the state of charge of the battery can be estimated closer to the actual state.
  • At least one value of the process noise covariance associated with each of at least one state variable (e.g., charge state, overpotential) is required.
  • a constant is assigned as the value of the process noise covariance. Therefore, the process noise covariance does not change irrespective of the operating characteristics of the battery or the usage environment.
  • an apparatus and method for adjusting a process noise covariance value used by an extended Kalman filter according to operating characteristics of a battery is provided.
  • an object of the present invention is to provide an apparatus and a method for periodically estimating a state of charge.
  • An apparatus for estimating a state of charge of a battery includes: a sensing unit configured to measure a voltage and a current of the battery, respectively; A current integrating unit configured to calculate a current integrated value for a predetermined period based on the current that has been measured; And a processor operatively coupled to the sensing unit and the current integrating unit.
  • the processor reads from the memory a first initial value associated with the state of charge of the battery, a second initial value associated with the battery's overpotential, and a third initial value associated with the error covariance matrix of the extended Kalman filter.
  • the processor assigns each of the first initial value and the second initial value to a first state variable and a second state variable of a first state equation of an extended Kalman filter.
  • the processor predicts each of the first state variable and the second state variable based on the current integration value using the first state equation.
  • the processor determines a process noise covariance matrix of the extended Kalman filter based on the first initial value and the predicted first state variable.
  • the processor uses the second state equation of the extended Kalman filter to predict the error covariance matrix based on the third initial value and the determined process noise covariance matrix.
  • the processor determines a Kalman gain of the extended Kalman filter based on the predicted error covariance matrix.
  • the processor corrects the predicted first state variable and the predicted second state variable, respectively, based on the determined Kalman gain and the measured voltage.
  • the processor may output a notification signal indicating at least one of the corrected first state variable and the corrected second state variable to an external device.
  • the processor may set the first initial value to be equal to the corrected first state variable and set the second initial value equal to the corrected second state variable.
  • the processor can also correct the predicted error covariance matrix based on the determined Kalman gain and set the third initial value equal to the corrected error covariance matrix.
  • the sensing unit may further measure the temperature of the battery.
  • the processor can determine a plurality of circuit parameters related to the equivalent circuit model of the battery based on the measured temperature, and predict the second state variable based on the determined parameter further.
  • the processor may assign a predetermined first value and a predetermined second value to each of the first process noise and the second process noise of the process noise covariance matrix when the first initial value is within the first interval have.
  • the processor may convert the open-circuit voltage curve indicating the relationship between the charged state of the battery and the open-circuit voltage into the open-circuit voltage change rate curve indicating the relationship between the charged state of the battery and the open-circuit voltage change rate.
  • the processor sets a charge state period in which the open-circuit voltage change rate becomes equal to or greater than a threshold value as the first period based on the open-circuit voltage change rate curve, And the charge state section that is less than the threshold value can be set as the second section.
  • the processor is further configured to: assign a third value less than the first value to the first process noise when the first initial value is within the second interval; You can assign a value.
  • the processor allocates the first process noise to the first process noise when the first first initial value is within the second period, and assigns the second process noise larger than the second value to the second process noise, A fourth value can be assigned.
  • the processor may assign a fifth value smaller than the first value to the first process noise when the first initial value is within the second section, A sixth value larger than the value of 2 can be assigned.
  • the battery pack according to another aspect of the present invention includes the battery charging state estimating apparatus.
  • the value of the process noise covariance used by the extended Kalman filter is adjusted according to the operating characteristics of the battery, and the charge state of the battery is periodically . This makes it possible to more accurately estimate the state of charge of the battery as compared with a method of keeping the value of the process noise covariance at a specific constant.
  • FIG. 1 is a schematic configuration diagram of a battery charging state estimating apparatus according to an embodiment of the present invention.
  • Fig. 2 shows an exemplary equivalent circuit model used by the battery charge state estimation apparatus shown in Fig.
  • FIG 3 is a graph showing an exemplary open-circuit voltage curve showing the relationship between the state of charge of the battery and the open-circuit voltage.
  • FIG. 4 is a graph showing an exemplary open-circuit voltage change rate curve showing the relationship between the state of charge of the battery and the rate of change of the open-circuit voltage.
  • 5 is a graph showing the difference between the case where the components of the process noise covariance matrix of the extended Kalman filter are adjusted and the case where the components are not adjusted according to an embodiment of the present invention.
  • " control unit " as described in the specification means a unit for processing at least one function or operation, and may be implemented by hardware or software, or a combination of hardware and software.
  • FIG. 1 is a schematic configuration diagram of a battery charge state update apparatus according to an embodiment of the present invention
  • FIG. 2 shows an exemplary equivalent circuit model used by the battery charge state update apparatus shown in FIG.
  • the battery pack 1 may include a battery B and a battery charging state estimation apparatus 100 (hereinafter referred to as an estimation apparatus).
  • the estimating apparatus 100 includes a sensing unit 110, a current integrating unit 120, and a processor 130.
  • the sensing unit 110 is operatively coupled to the current integrating unit 120 and the processor 130. That is, the sensing unit 110 controls the current integrating unit 120 and the processor 130 so as to transmit an electrical signal to each of the current integrating unit 120 and the processor 130, or to receive electrical signals from the current integrating unit 120 and the processor 130, respectively 120 and the processor 130.
  • the sensing unit 110 repeatedly measures the voltage applied between the positive and negative electrodes of the battery B and the current flowing into or out of the battery B every first predetermined period and outputs a signal indicating the measured voltage and current May be provided to at least one of the current integrating unit 120 and the processor 130.
  • the sensing unit 110 includes a current sensor configured to measure a current of the battery B.
  • the sensing unit 110 may further include a voltage sensor configured to measure a voltage of the battery B.
  • the sensing unit 110 may further include a temperature sensor configured to measure a temperature of the battery B.
  • the current integrating unit 120 is operatively coupled to the sensing unit 110 and the processor 130.
  • the current integrating unit 120 is configured to calculate the current integrated value every second predetermined period.
  • a couloumb counter may be used as the current integrating unit 120.
  • the unit of the current integrated value may be 'Ah (ampere hour)'.
  • the second predetermined period may be equal to or longer than the first predetermined period.
  • the second predetermined period may be an integer multiple of the first predetermined period.
  • the current integrating unit 120 calculates the current integrated value for the second predetermined period based on the current measured by the sensing unit 110, and outputs a signal indicating the calculated current integrated value to the processor 130 ) May be repeated every second predetermined cycle.
  • the current integrated value and the charging state can be defined as in Equation 1 below.
  • Equation 1 k used as a subscript is a time index, which is a value incremented by 1 every second predetermined period. Also, SOC represents the state of charge, ⁇ t represents the time length of the second predetermined period, and Q max represents the maximum capacity of the battery (B).
  • the processor 130 is operably coupled to the sensing unit 110 and the current integrating unit 120.
  • the processor 130 uses the extended Kalman filter to calculate the charged state of the battery B based on the operating state of the battery B indicated by the signals from the sensing unit 110 and the current integrating unit 120 . Since the current integrating unit 120 calculates the charge computed value every second predetermined period, the processor 130 can also estimate the charged state of the battery B every second predetermined period.
  • the processor 130 may transmit a message indicating the estimated charging state to an external device (e.g., ECU, display, etc. of the vehicle) through the communication terminal COM.
  • an external device e.g., ECU, display, etc. of the vehicle
  • the processor 130 may optionally include application-specific integrated circuits (ASICs), other chipsets, logic circuits, registers, communication modems, data processing devices, etc., known in the art for executing various control logic. At least one of the various control logic executable by the processor 130 may be combined and the combined control logic may be written in a computer-readable code system and stored in a computer-readable recording medium.
  • the recording medium is not particularly limited as long as it can be accessed by the processor 130 included in the computer.
  • the recording medium includes at least one selected from the group including ROM, RAM, register, CD-ROM, magnetic tape, hard disk, floppy disk and optical data recording device.
  • code system may be modulated with a carrier signal and included in a communication carrier at a particular point in time, and distributed and stored in a networked computer.
  • functional programs, code, and code segments for implementing the combined control logic may be easily inferred by programmers skilled in the art to which the present invention pertains.
  • the processor 130 may include a memory 131 therein.
  • the type of the memory 131 is not particularly limited as long as it is a known information storage means known to be capable of recording, erasing, updating, and reading data.
  • the memory may be a DRAM, an SDRAM, a flash memory, a ROM, an EEPROM, a register, or the like.
  • the memory 131 may store program codes in which processes executable by the processor 130 are defined.
  • the memory 131 defines a first state equation, a second state equation, a first observation equation, a second observation equation, a third observation equation, and an equivalent circuit model required to execute the extended Kalman filter Data is stored in advance.
  • the processor 130 calculates a first state equation, a second state equation, a first observation equation, a second observation equation, a third observation equation, and a second state equation based on the signals from the sensing section 110 and the current integrating section 120,
  • the charging state of the battery B can be estimated repeatedly with respect to time by determining the value of the variable related to at least one of the equivalent circuit models.
  • the first state equation is used to predict the state of charge and the over potential of the battery B.
  • the second state equation is used to predict the error covariance matrix.
  • the first observation equation is used to determine the Kalman gain.
  • the second observation equation is used to correct each of the predicted overcharged state and the predicted overpotential through the first state equation, based on the Kalman gain determined through the first observation equation.
  • the third observation equation is used to correct the error covariance matrix predicted through the second state equation based on the Kalman gain determined through the first observation equation.
  • the equivalent circuit model 200 includes an open-circuit voltage source 210, an internal resistor 220, and an RC circuit 230. As shown, the open voltage source 210, the internal resistor 220, and the RC circuit 230 may be connected in series with each other.
  • the open-circuit voltage formed by the open-circuit voltage source 210 may be predefined for various charge states and temperatures through a preliminary experiment.
  • the change of the open-circuit voltage according to the state of charge of the battery B is measured, and data representing the relationship between the state of charge of the battery B and the open- 131 in advance. For example, if the temperature value used in the preliminary experiment is m, a lookup table representing m OCV-SOC curves may be pre-stored in memory.
  • the internal resistance 220 simulates the IR drop of the battery B.
  • the IR drop means a voltage drop which is an instantaneous change in the voltage across the battery B when the battery B is charged or discharged.
  • the voltage measured at the time when the charging to the battery B in the no-load state is started is larger than the open-circuit voltage.
  • the voltage measured at the time when the discharge to the battery B in the no-load state is started is smaller than the open-circuit voltage.
  • the resistance R 0 of the internal resistance 220 may also be set differently for each of a plurality of predetermined temperatures through a preliminary experiment.
  • the RC circuit 230 simulates an over potential induced by an electric double layer of the battery B and includes a resistor 231 and a capacitor 232 connected in parallel with each other.
  • R 1 is the resistance of the resistor 231
  • C 1 is the capacitance of the capacitor 232.
  • the overpotential may be referred to as a " polarization voltage ".
  • Each of R 1 and C 1 can be set differently for each of a plurality of predetermined temperatures through a preliminary experiment.
  • the overpotential can be defined as Equation 2 below.
  • Equation (2) a symbol k used as a subscript is a time index, which is a value incremented by 1 every second predetermined period.
  • Vop is an overpotential
  • I is a current measured by the sensing unit 110
  • T is a time length of a second predetermined period
  • R 1 is a resistance value of the resistor 231
  • C 1 is a capacitance of the capacitor 232 .
  • the processor 130 refers to the data stored in the memory 131 on the basis of the estimated charging state and the temperature of the battery B measured by the sensing unit 110 every second predetermined period Which may be one of the parameters associated with the circuit model 200.
  • the processor 130 refers to the data stored in the memory on the basis of the temperature of the battery B measured by the sensing unit 110 at every second predetermined cycle to obtain another plurality
  • the first state equation can be derived from a combination of the current integration model and the equivalent circuit model 200 and can be expressed as Equation 3 below.
  • a and B are each a different system matrix of an extended Kalman filter, each of which may have only fixed components.
  • the symbol k used as a subscript is a time index, which is incremented by 1 every second predetermined period.
  • A is a first state variable
  • b is a second state variable
  • I is a current measured by the sensing unit 110
  • R 1 is a resistance of the resistor 231
  • C 1 is a capacitance of the capacitor 232
  • ? T is the time length of the second predetermined cycle
  • Q max is the maximum capacity of the battery (B).
  • the processor 130 reads a first initial value related to the charged state of the battery B from the memory 131 and a second initial value related to the overpotential of the battery B. [ The processor 130 assigns a first initial value to a first state variable a and a second initial value to a second state variable b.
  • the first initial value represents a previous charging state that is an estimated charging state when the time index is k-1.
  • the second initial value represents the previous overpotential, which is the estimated overpotential when the time index is k-1.
  • the symbol ⁇ marked with superscript denotes a value predicted by the extended Kalman filter, and the symbol " - &quot ; marked with superscript denotes a value before correction by the extended Kalman filter.
  • the processor 130 using the first equation of state, based on the current integrated value ⁇ t ⁇ I k, the first state variable and the second state variable with the respective predicted value Can be calculated. That is, it is possible to predict the charging state and the over-potential when the time index is k from the estimated charging state and the over-potential at the time index k-1, respectively.
  • Equation 4 The second state equation can be expressed as Equation 4 below.
  • Equation (4) the symbol k used as a subscript is a time index, which is a value incremented by 1 every second predetermined period.
  • P is an error covariance matrix (error corvariance matrix)
  • Q is the process noise covariance matrix
  • M k 2 is the covariance of the process noise associated with the state of charge
  • N k 2 is the covariance of the process noise associated with the over-potential
  • T is the transposed matrix Operator. That is, A T is the transposed matrix of A.
  • Processor 130 may read a third initial value associated with the error covariance matrix of the extended Kalman filter from memory.
  • a third initial value indicates a previous error covariance matrix is P k-1 corrected based on the time index k-1.
  • the processor 130 can predict the error covariance matrix based on the previous error covariance matrix P k-1 and the process noise covariance matrix Q k using the second state equation. That is, the error covariance matrix P - k when the time index is k is calculated on the basis of the error-corrected error covariance matrix P k-1 at time index k-1 and the process noise covariance matrix Q k determined when the time index is k Can be predicted.
  • the processor 130 may determine the process noise covariance matrix Q k based on either the first initial value and the first state variable predicted through the first state equation.
  • determining the process noise covariance matrix may mean determining M k 2 and N k 2 .
  • the operation in which the processor 130 determines M k 2 and N k 2 will be described separately below with reference to FIG.
  • Equation 5 The first observation equation can be expressed as Equation 5 below.
  • Equation 5 H is a system matrix different from A and B, and has only fixed components.
  • K is the Kalman gain, and R is the measurement noise covariance matrix.
  • the processor 130 uses the first observation equation to determine the Kalman gain based on the error covariance matrix predicted through the second state equation.
  • Equation 6 The second observation equation can be expressed as Equation 6 below.
  • Equation 6 z k is the voltage of the battery B measured by the sensing unit 110. May be a predicted value of the voltage of the battery B.
  • the processor 130 may correct the first and second state variables predicted through the first state equation, respectively, based on the Kalman gain determined via the first observation equation and the voltage measured by the sensing section 110 have.
  • the estimation of the state of charge at the kth cycle can be completed. That is, the first state variable corrected at the time index k may be set as the estimated value of the state of charge.
  • the processor 130 may set the first initial value previously stored in the memory 131 to be equal to the corrected first state variable.
  • the processor 130 may also set the second initial value pre-stored in the memory to be the same as the corrected second state variable. That is, the processor 130 may update each of the first and second initial values to a new value.
  • the processor 130 may output a notification signal indicating at least one of the first and second state variables corrected through the second observation equation to an external device (e.g., a display, an MCU of an electric vehicle) through a communication channel have.
  • the communication channel supports wired or wireless communication.
  • the wired communication may be, for example, a CAN (contoller area network) communication
  • the wireless communication may be, for example, ZigBee or Bluetooth communication.
  • Equation (7) The third observation equation can be expressed as Equation (7) below.
  • Equation (7) E represents a unit matrix.
  • the prediction error covariance matrix P - - processor 130 a second state equation for the prediction error covariance matrix P over can be corrected k.
  • Processor 130 may set P k-1 previously stored in the memory to be equal to P k . That is, the processor 130, it is possible to update the initial value 3 from the P k-1 to P k.
  • FIG. 3 is a graph showing an exemplary open-circuit voltage curve 300 showing the relationship between the charged state of the battery B and the open-circuit voltage
  • Fig. 4 is a graph showing an example of the relationship between the state of charge of the battery B and the rate of change of the open- A graph 400 showing the open-circuit voltage change rate curve 400 is shown.
  • the open-circuit voltage curve 300 of FIG. 3 in an environment in which the temperature of the battery B is maintained at a specific value (for example, 30 DEG C) You can see the change.
  • a specific value for example, 30 DEG C
  • an open-circuit voltage change rate curve 400 related to the open-circuit voltage curve 300 of FIG. 3 can be identified.
  • the processor 130 may convert the open-circuit voltage curve 300 shown in Fig. 3 into the open-circuit voltage change rate curve 400 shown in Fig.
  • Processor 130 calculates the open-circuit voltage change rate (i.e.,? OCV /? SOC) indicating the increase amount? OCV of the open-circuit voltage as the charge state changes from 0% to 100% by a predetermined ratio? SOC It is possible to obtain the open-circuit voltage change rate curve 400 from the open-circuit voltage curve 300. [
  • the processor 130 may set the first and second intervals within the charge state of 0% to 100%, respectively, based on the open-circuit voltage change rate curve 400.
  • the first section is a charging state section in which the open-circuit voltage change rate becomes equal to or greater than the threshold value TH.
  • 0% to S1% and S2% to 100% can be set as the first section.
  • the second section is a charge state section in which the open-circuit voltage change rate is less than the threshold value TH, unlike the first section.
  • S1% to S2% may be set as the second section. That is, the first section and the second section do not overlap with each other.
  • the processor 130 determines a first process noise covariance and a second process noise covariance, which are two components of a process noise covariance matrix, if the first initial value a is within the first interval, (E.g., 0.1) and a predetermined second value (e.g., 0.001).
  • the first value and the second value may be predetermined constants through preliminary experiments.
  • the processor 130 may replace at least one of the first value and the second value with another value. For example, the processor 130 may assign a third value (0.01) less than the first value to the first process noise covariance and assign a second value to the second process noise covariance. As another example, the processor 130 may assign a first value to the first process noise covariance and a fourth value (0.005) that is greater than the second value to the second process noise covariance. As another example, the processor 130 may assign a fifth value (0.05) less than the first value to the first process noise covariance, and assign a sixth value (0.01) greater than the second value to the second process noise covariance can do.
  • the difference between the first value and the third value and the difference between the first value and the fifth value may be proportional to the difference between the threshold value and the open-circuit voltage change rate.
  • the difference between the second value and the fourth value and the difference between the second value and the sixth value may also be proportional to the difference between the threshold value and the open-circuit voltage change rate.
  • the processor 130 determines whether or not the first initial value a is within the second interval, the second process noise covariance for the first process noise covariance Increase the ratio. As a result, in estimating the state of charge of the battery B, the reliability of the equivalent circuit model 200 becomes relatively low, and the reliability of the cumulative cumulative model becomes relatively high.
  • 5 is a graph showing the difference between the case where the components of the process noise covariance matrix of the extended Kalman filter are adjusted and the case where the components are not adjusted according to an embodiment of the present invention.
  • a battery B having a charged state of 100% is discharged at a constant rate to a charged state of 0%, and an error of the charged state estimated by the extended Kalman filter with respect to the actual charged state is recorded with respect to time.
  • the first curve 501 represents the estimated charge state using an extended Kalman filter whose two components of the process noise covariance matrix are adjusted according to a first initial value updated each time the time index k is increased by one The error is recorded over time.
  • the second curve 502 is a time-based recording of the error of the estimated charge state using the extended Kalman filter whose two components of the process noise covariance matrix are fixed to the first value and the second value, respectively.
  • t0 is the time when the actual charge state is 100%
  • t1 is the time when the actual charge state becomes S1%
  • t2 is the time when the actual charge state becomes S2%
  • t3 is the actual charge state is 0% Time.
  • the first curve and the second curve coincide with each other. Also, from t1 to t2, the first curve is located below the second curve. From t2 to t3, the first curve and the second curve coincide with each other. This is because during the period from t1 to t2 when the open-circuit voltage change rate is kept below the threshold, as at least one of the two components of the process noise covariance matrix of the extended Kalman filter is adjusted, the error of the estimated charge state Is reduced.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

본 발명은 배터리의 충전 상태를 추정하는 장치 및 방법에 관한 것이다. 본 발명의 일 실시예에 따른 장치는, 상기 배터리의 전압 및 전류를 각각 측정하도록 구성된 센싱부, 상기 측전된 전류를 기초로, 소정 주기동안의 전류 적산값을 산출하도록 구성된 전류 적산부 및 상기 센싱부 및 상기 전류 적산부와 동작 가능하게 결합된 프로세서를 포함한다. 상기 프로세서는, 상기 배터리의 동작 특성에 따라, 확장 칼만 필터에 의해 이용되는 프로세스 노이즈 공분산의 값을 조절하고, 조절된 프로세스 노이즈 공분산의 값을 기초로 배터리의 충전 상태를 추정한다.

Description

배터리 충전 상태 추정 장치 및 방법
본 발명은 배터리의 충전 상태(SOC: state of charge)를 추정하는 장치 및 방법에 관한 것으로서, 보다 상세하게는, 배터리의 동작 상태에 따라 확장 칼만 필터(Extended Kalmann Filter)와 관련된 파라미터를 조절함으로써, 배터리의 충전 상태를 적응적으로 추정하는 장치 및 방법에 관한 것이다.
본 출원은 2017년 9월 7일자로 출원된 한국 특허출원 번호 제10-2017-0114601호에 대한 우선권주장출원으로서, 해당 출원의 명세서 및 도면에 개시된 모든 내용은 인용에 의해 본 출원에 원용된다.
최근, 노트북, 비디오 카메라, 휴대용 전화기 등과 같은 휴대용 전자 제품의 수요가 급격하게 증대되고, 전기 자동차, 에너지 저장용 축전지, 로봇, 위성 등의 개발이 본격화됨에 따라, 반복적인 충방전이 가능한 배터리에 대한 연구가 활발히 진행되고 있다.
현재 상용화된 배터리로는 니켈 카드뮴 전지, 니켈 수소 전지, 니켈 아연 전지, 리튬 배터리 등이 있는데, 이 중에서 리튬 배터리는 니켈 계열의 배터리에 비해 메모리 효과가 거의 일어나지 않아 충방전이 자유롭고, 자가 방전율이 매우 낮으며 에너지 밀도가 높은 장점으로 각광을 받고 있다.
배터리를 사용 및 관리함에 있어서 중요한 파라미터들 중 하나는 충전 상태이다. 충전 상태는, 배터리가 완전히 충전된 때에 배터리에 저장된 전기 에너지를 나타내는 최대 용량(maximum capacity)에 대한 현재의 용량의 상대적 비율을 나타내는 파라미터로서, 0~1 또는 0%~100%로 표현될 수 있다.
배터리의 충전 상태를 추정하는 데에는 전류 적산 모델과 등가 회로 모델이 대표적으로 이용되고 있다.
전류 적산 모델은, 전류 센서를 이용하여 배터리를 통해 흐르를 전류를 측정하고, 측정된 전류를 시간에 대해 누적한 전류 적산값을 기초로, 배터리의 충전 상태를 추정한다. 그러나, 전류 센서의 측정 오차로 인해, 전류 적산 모델을 이용하여 추정된 충전 상태와 실제의 충전 상태 간의 차이가 발생하며, 그 차이는 시간이 경과할수록 커진다는 문제가 있다.
등가 회로 모델은, 배터리의 전기적인 동작 특성을 모사하도록 설계된 것이다. 다만, 배터리는 동작 상태에 따라 비선형적인 특성을 가지는데, 배터리의 비선형적인 특성을 완벽하게 모사하도록 등가 회로 모델을 설계하는 것은 매우 어려운 일이다.
전술한 전류 적산 모델과 등가 회로 모델 각각의 단점을 해결하기 위해, 확장 칼만 필터를 이용하여 배터리의 충전 상태를 추정하는 기술이 존재한다. 확장 칼만 필터는, 전류 적산 모델과 등가 회로 모델을 조합함으로써, 전류 적산 모델 및 등가 회로 모델 중 어느 하나만을 이용할 때보다 정확한 충전 상태를 추정할 수 있다. 즉, 배터리의 충전 상태를 실제에 보다 근접하게 추정할 수 있다.
확장 칼만 필터를 이용하여 배터리의 충전 상태를 추정하기 위해서는, 적어도 하나의 상태 변수(예, 충전 상태, 오버포텐셜) 각각과 관련된 적어도 하나의 프로세스 노이즈 공분산의 값이 요구된다. 그런데, 종래에는, 프로세스 노이즈 공분산의 값으로서 상수가 할당되었다. 따라서, 배터리의 동작 특성이나 사용 환경과는 무관하게, 프로세스 노이즈 공분산은 변하지 않는다.
본 발명은, 상기와 같은 문제점을 해결하기 위해 안출된 것으로서, 배터리의 동작 특성에 따라 확장 칼만 필터에 의해 이용되는 프로세스 노이즈 공분산의 값을 조절하고, 조절된 프로세스 노이즈 공분산의 값을 기초로 배터리의 충전 상태를 주기적으로 추정하는 장치 및 방법을 제공하는 것을 목적으로 한다.
본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구범위에 나타난 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상기 목적을 달성하기 위한 본 발명의 다양한 실시예는 다음과 같다.
본 발명의 일 측면에 따른 배터리의 충전 상태를 추정하는 장치는, 상기 배터리의 전압 및 전류를 각각 측정하도록 구성된 센싱부; 상기 측전된 전류를 기초로, 소정 주기동안의 전류 적산값을 산출하도록 구성된 전류 적산부; 및 상기 센싱부 및 상기 전류 적산부와 동작 가능하게 결합된 프로세서;를 포함한다. 상기 프로세서는, 메모리로부터 상기 배터리의 충전 상태와 관련된 제1 초기값, 상기 배터리의 오버포텐셜과 관련된 제2 초기값 및 확장 칼만 필터의 오차 공분산 행렬과 관련된 제3 초기값을 독출한다. 상기 프로세서는, 상기 제1 초기값 및 상기 제2 초기값 각각을 확장 칼만 필터의 제1 상태 방정식의 제1 상태 변수 및 제2 상태 변수에 할당한다. 상기 프로세서는, 상기 제1 상태 방정식을 이용하여, 상기 전류 적산값을 기초로 상기 제1 상태 변수 및 상기 제2 상태 변수 각각을 예측한다. 상기 프로세서는, 상기 제1 초기값 및 상기 예측된 제1 상태 변수 중 어느 하나를 기초로, 상기 확장 칼만 필터의 프로세스 노이즈 공분산 행렬을 결정한다. 상기 프로세서는, 상기 확장 칼만 필터의 제2 상태 방정식을 이용하여, 상기 제3 초기값 및 상기 결정된 프로세스 노이즈 공분산 행렬을 기초로, 상기 오차 공분산 행렬을 예측한다. 상기 프로세서는, 상기 예측된 오차 공분산 행렬을 기초로, 상기 확장 칼만 필터의 칼만 게인을 결정한다. 상기 프로세서는, 상기 결정된 칼만 게인 및 상기 측정된 전압을 기초로, 상기 예측된 제1 상태 변수 및 상기 예측된 제2 상태 변수를 각각 보정한다.
또한, 상기 프로세서는, 상기 보정된 제1 상태 변수 및 상기 보정된 제2 상태 변수 중 적어도 하나를 나타내는 통지 신호를 외부 장치에게 출력할 수 있다.
또한, 상기 프로세서는, 상기 제1 초기값을 상기 보정된 제1 상태 변수의 값과 동일하게 설정하고, 상기 제2 초기값을 상기 보정된 제2 상태 변수의 값과 동일하게 설정할 수 있다.
또한, 상기 프로세서는, 상기 결정된 칼만 게인을 기초로, 상기 예측된 오차 공분산 행렬을 보정하고, 상기 제3 초기값을 상기 보정된 오차 공분산 행렬과 동일하게 설정할 수 있다.
또한, 상기 센싱부는, 상기 배터리의 온도를 더 측정할 수 있다. 이 경우, 상기 프로세서는, 상기 측정된 온도를 기초로, 상기 배터리의 등가 회로 모델에 관련된 복수의 회로 파라미터를 결정하고, 상기 결정된 파라미터를 더 기초로, 상기 제2 상태 변수를 예측할 수 있다.
또한, 상기 프로세서는, 상기 제1 초기값이 제1 구간 내인 경우, 상기 프로세스 노이즈 공분산 행렬의 제1 프로세스 노이즈 및 제2 프로세스 노이즈 각각에 미리 정해진 제1 값 및 미리 정해진 제2 값을 할당할 수 있다.
또한, 상기 프로세서는, 상기 배터리의 충전 상태와 개방 전압 간의 관계를 나타내는 개방 전압 커브를 상기 배터리의 충전 상태와 개방 전압 변화율 간의 관계를 나타내는 개방 전압 변화율 커브로 변환할 수 있다. 상기 프로세서는, 상기 개방 전압 변화율 커브를 기초로, 상기 개방 전압 변화율이 임계값 이상이 되는 충전 상태 구간을 상기 제1 구간으로 설정하고, 상기 개방 전압 변화율 커브를 기초로, 상기 개방 전압 변화율이 상기 임계값 미만이 되는 충전 상태 구간을 제2 구간으로 설정할 수 있다.
일 구현예에서, 상기 프로세서는, 상기 제1 초기값이 상기 제2 구간 내인 경우, 상기 제1 프로세스 노이즈에 상기 제1 값보다 작은 제3 값을 할당하고, 상기 제2 프로세스 노이즈에 상기 제2 값을 할당할 수 있다.
다른 구현예에서, 상기 프로세서는, 상기 제1 제1 초기값이 상기 제2 구간 내인 경우, 상기 제1 프로세스 노이즈에 상기 제1 값을 할당하고, 상기 제2 프로세스 노이즈에 상기 제2 값보다 큰 제4 값을 할당할 수 있다.
또 다른 구현예에서, 상기 프로세서는, 상기 제1 초기값이 상기 제2 구간 내인 경우, 상기 제1 프로세스 노이즈에 상기 제1 값보다 작은 제5 값을 할당하고, 상기 제2 프로세스 노이즈에 상기 제2 값보다 큰 제6 값을 할당할 수 있다.
본 발명의 다른 측면에 따른 배터리 팩은, 상기 배터리 충전 상태 추정 장치를 포함한다.
본 발명의 실시예들 중 적어도 하나에 의하면, 배터리의 동작 특성에 따라 확장 칼만 필터에 의해 이용되는 프로세스 노이즈 공분산의 값을 조절하고, 조절된 프로세스 노이즈 공분산의 값을 기초로 배터리의 충전 상태를 주기적으로 추정할 수 있다. 이에 따라, 프로세스 노이즈 공분산의 값을 특정 상수로 유지하는 방식에 비하여, 배터리의 충전 상태를 보다 정확하게 추정할 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 후술되는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일 실시예에 따른 배터리 충전 상태 추정 장치의 개략적인 구성도이다.
도 2는 도 1에 도시된 배터리 충전 상태 추정 장치에 의해 이용되는 예시적인 등가 회로 모델을 보여준다.
도 3은 배터리의 충전 상태와 개방 전압 간의 관계를 나타내는 예시적인 개방 전압 커브를 보여주는 그래프이다.
도 4는 배터리의 충전 상태와 개방 전압의 변화율 간의 관계를 나타내는 예시적인 개방 전압 변화율 커브를 보여주는 그래프이다.
도 5는 본 발명의 일 실시예에 따라 확장 칼만 필터의 프로세스 노이즈 공분산 행렬의 성분들을 조절한 경우와 조절하지 않은 경우의 차이를 보여주는 그래프이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 한다.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
또한, 본 발명을 설명함에 있어 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
제1, 제2 등과 같이 서수를 포함하는 용어들은, 다양한 구성요소들 중 어느 하나를 나머지와 구별하는 목적으로 사용되는 것이고, 그러한 용어들에 의해 구성요소들을 한정하기 위해 사용되는 것은 아니다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 또한, 명세서에 기재된 <제어 유닛>과 같은 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다.
도 1은 본 발명의 일 실시예에 따른 배터리 충전 상태 업데이트 장치의 개략적인 구성도이고, 도 2는 도 1에 도시된 배터리 충전 상태 업데이트 장치에 의해 이용되는 예시적인 등가 회로 모델을 보여준다.
도 1을 참조하면, 배터리팩(1)은 배터리(B) 및 배터리 충전 상태 추정 장치(100)(이하, '추정 장치'라고 함)를 포함할 수 있다. 추정 장치(100)는, 센싱부(110), 전류 적산부(120) 및 프로세서(130)를 포함한다.
센싱부(110)는, 전류 적산부(120) 및 프로세서(130)와 동작 가능하게 결합된다. 즉, 센싱부(110)는, 전류 적산부(120) 및 프로세서(130) 각각에게 전기적 신호를 전송하거나 전류 적산부(120) 및 프로세서(130) 각각으로부터 전기적 신호를 수신 가능하도록 전류 적산부(120) 및 프로세서(130)에 접속될 수 있다.
센싱부(110)는, 제1 소정 주기마다 배터리(B)의 양극과 음극 사이에 인가되는 전압과 배터리(B)로 흘러 들어가거나 흘러 나오는 전류를 반복 측정하고, 측정된 전압과 전류를 나타내는 신호를 전류 적산부(120) 및 프로세서(130) 중 적어도 하나에게 제공할 수 있다.
센싱부(110)는, 배터리(B)의 전류를 측정하도록 구성된 전류 센서를 포함한다. 또한, 센싱부(110)는, 배터리(B)의 전압을 측정하도록 구성된 전압 센서를 더 포함할 수 있다. 또한, 센싱부(110)는, 배터리(B)의 온도를 측정하도록 구성된 온도 센서를 더 포함할 수 있다.
전류 적산부(120)는, 센싱부(110) 및 프로세서(130)와 동작 가능하게 결합된다. 전류 적산부(120)는, 제2 소정 주기마다 전류 적산값을 산출하도록 구성된다. 이때, 쿨롬 카운터(couloumb counter)가 전류 적산부(120)로 이용될 수 있다. 전류 적산값의 단위는 'Ah(ampere hour)'일 수 있다. 또한, 제2 소정 주기는 제1 소정 주기와 같거나 더 긴 시간일 수 있다 예컨대, 제2 소정 주기는, 제1 소정 주기의 정수배일 수 있다. 이하에서는, 설명의 편의를 위해, 제1 소정 주기와 제2 소정 주기가 서로 같은 것으로 가정한다.
구체적으로, 전류 적산부(120)는, 센싱부(110)에 의해 측정된 전류를 기초로, 제2 소정 주기동안의 전류 적산값을 산출하고, 산출된 전류 적산값을 나타내는 신호를 프로세서(130)에게 전송하는 과정을 제2 소정 주기마다 반복할 수 있다.
전류 적산 모델에서, 전류 적산값과 충전 상태는 아래의 수식 1과 같이 정의될 수 있다.
<수식1>
Figure PCTKR2018010492-appb-I000001
수식 1에서, 아래 첨자로 사용된 k는 시간 인덱스로서, 제2 소정 주기마다 1씩 증가하는 값이다. 또한, SOC는 충전 상태, Δt는 제2 소정 주기의 시간 길이, Qmax는 배터리(B)의 최대 용량(maximum capacity)을 나타낸다.
프로세서(130)는, 센싱부(110) 및 전류 적산부(120)와 동작 가능하게 결합된다. 프로세서(130)는, 확장 칼만 필터를 이용하여, 센싱부(110) 및 전류 적산부(120) 각각으로부터의 신호가 나타내는 배터리(B)의 동작 상태를 기초로, 배터리(B)의 충전 상태를 추정한다. 전류 적산부(120)는 제2 소정 주기마다 적류 전산값을 산출하므로, 프로세서(130) 역시 제2 소정 주기마다 배터리(B)의 충전 상태를 추정할 수 있다. 프로세서(130)는, 추정된 충전 상태를 나타내는 메시지를 통신 단자(COM)를 통해 외부 장치(예, 차량의 ECU, 디스플레이 등)로 전송할 수 있다.
프로세서(130)는, 다양한 제어 로직들을 실행하기 위해 당업계에 알려진 ASIC(application-specific integrated circuit), 다른 칩셋, 논리 회로, 레지스터, 통신 모뎀, 데이터 처리 장치 등을 선택적으로 포함할 수 있다. 프로세서(130)에 의해 실행될 수 있는 다양한 제어 로직들은 적어도 하나 이상이 조합되고, 조합된 제어 로직들은 컴퓨터가 읽을 수 있는 코드 체계로 작성되어 컴퓨터가 읽을 수 있는 기록매체에 수록될 수 있다. 기록매체는 컴퓨터에 포함된 프로세서(130)에 의해 접근이 가능한 것이라면 그 종류에 특별한 제한이 없다. 일 예시로서, 기록매체는 ROM, RAM, 레지스터, CD-ROM, 자기 테이프, 하드 디스크, 플로피디스크 및 광 데이터 기록장치를 포함하는 군에서 선택된 적어도 하나 이상을 포함한다. 또한, 코드 체계는 캐리어 신호로 변조되어 특정한 시점에 통신 캐리어에 포함될 수 있고, 네트워크로 연결된 컴퓨터에 분산되어 저장되고 실행될 수 있다. 또한, 조합된 제어 로직들을 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
프로세서(130)에는 메모리(131)가 내장될 수 있다. 메모리(131)는 데이터를 기록, 소거, 갱신 및 독출할 수 있다고 알려진 공지의 정보 저장 수단이라면 그 종류에 특별한 제한이 없다. 일 예시로서, 메모리는 DRAM, SDRAM, 플래쉬 메모리, ROM, EEPROM, 레지스터 등일 수 있다. 메모리(131)는 프로세서(130)에 의해 실행 가능한 프로세스들이 정의된 프로그램 코드들을 저장할 수 있다. 특히, 메모리(131)에는, 확장 칼만 필터를 실행하는 데에 요구되는 제1 상태 방정식, 제2 상태 방정식, 제1 관측 방정식, 제2 관측 방정식, 제3 관측 방정식 및 등가 회로 모델 각각을 정의하는 데이터가 미리 저장된다.
프로세서(130)는, 센싱부(110) 및 전류 적산부(120)로부터의 신호를 기초로, 제1 상태 방정식, 제2 상태 방정식, 제1 관측 방정식, 제2 관측 방정식, 제3 관측 방정식 및 등가 회로 모델 중 적어도 하나에 관련된 변수의 값을 결정함으로써, 배터리(B)의 충전 상태를 시간에 대해 반복적으로 추정해나갈 수 있다.
이때, 제1 상태 방정식은, 배터리(B)의 충전 상태와 오버 포텐셜을 예측하는 데에 이용된다. 제2 상태 방정식은, 오차 공분산 행렬을 예측하는 데에 이용된다. 제1 관측 방정식은, 칼만 게인을 결정하는 데에 이용된다. 제2 관측 방정식은, 제1 관측 방정식을 통해 결정된 칼만 게인을 기초로, 제1 상태 방정식을 통해 예측된 충전 상태와 예측된 오버 포텐셜 각각을 보정하는 데에 이용된다. 제3 관측 방정식은, 제1 관측 방정식을 통해 결정된 칼만 게인을 기초로, 제2 상태 방정식을 통해 예측된 오차 공분산 행렬을 보정하는 데에 이용된다.
도 2를 참조하면, 등가 회로 모델(200)은, 개방 전압원(210), 내부 저항(220) 및 RC 회로(230)를 포함한다. 도시된 바와 같이, 개방 전압원(210), 내부 저항(220) 및 RC 회로(230)은 서로 직렬로 연결될 수 있다.
개방 전압원(210)은, 전기화학적으로 장시간 동안(즉, 충분히) 안정화된 배터리(B)의 양극과 음극 사이의 전압인 개방 전압을 모사하는 것으로서, 배터리(B)의 충전 상태와 비선형적인 함수 관계를 가진다. 즉, OCV = f1(SOC)이고, SOC = f2(OCV)로서, f1과 f2는 서로 다른 함수를 나타낸다.
개방 전압원(210)에 의해 형성되는 개방 전압은, 사전 실험을 통해 다양한 충전 상태와 온도별로 미리 정의될 수 있다.
즉, 미리 정해진 복수의 온도 각각마다, 배터리(B)의 충전 상태에 따른 개방 전압의 변화를 측정하고, 배터리(B)의 충전 상태와 개방 전압 간의 관계를 나타내는 데이터를 룩업 테이블의 형태로 메모리(131)에 미리 저장할 수 있다. 예컨대, 사전 실험에 사용된 온도값이 m개인 경우, m개의 OCV-SOC 커브를 나타내는 룩업 테이블이 메모리에 미리 저장될 수 있다.
내부 저항(220)은 배터리(B)의 IR 드롭(drop)을 모사하는 것이다. IR 드롭은, 배터리(B)의 충전이나 방전될 때 배터리(B)의 양단 전압의 순간적인 변화인 전압 드롭을 의미한다. IR 드롭에 의해, 무부하 상태의 배터리(B)에 대한 충전이 개시되는 시점에 측정되는 전압은 개방 전압보다 크다. 반대로, 무부하 상태의 배터리(B)에 대한 방전이 개시되는 시점에 측정되는 전압은 개방 전압보다 작다. 내부 저항(220)의 저항값(resistance)(R0) 역시 사전 실험을 통해 미리 정해진 복수의 온도 각각마다 상이하게 설정될 수 있다.
RC 회로(230)는 배터리(B)의 전기 이중층(electric double layer) 등에 의해 유도되는 오버 포텐셜을 모사하는 것으로서, 서로 병렬 연결된 저항(231)과 커패시터(232)를 포함한다. R1은 저항(231)의 저항값, C1은 커패시터(232)의 커패시턴스이다. 오버 포텐셜은 '분극 전압'이라고 칭할 수도 있다. R1과 C1 각각은, 사전 실험을 통해 미리 정해진 복수의 온도 각각마다 상이하게 설정될 수 있다.
등가 회로 모델(200)에서, 오버 포텐셜은 아래의 수식 2과 같이 정의될 수 있다.
<수식2>
Figure PCTKR2018010492-appb-I000002
수식 2에서, 아래 첨자로 사용된 기호 k는 시간 인덱스로서, 제2 소정 주기마다 1씩 증가하는 값이다. 또한, Vop는 오버 포텐셜, I는 센싱부(110)에 의해 측정된 전류, Δt는 제2 소정 주기의 시간 길이, R1은 저항(231)의 저항값, C1은 커패시터(232)의 커패시턴스를 나타낸다.
프로세서(130)는, 제2 소정 주기마다, 기 추정된 충전 상태 및 센싱부(110)에 의해 측정된 배터리(B)의 온도를 기초로, 메모리(131)에 기 저장된 데이터를 참조하여, 등가 회로 모델(200)과 관련된 파라미터들 중 하나인 개방 전압을 결정할 수 있다.
프로세서(130)는, 제2 소정 주기마다, 센싱부(110)에 의해 측정된 배터리(B)의 온도를 기초로, 메모리에 기 저장된 데이터를 참조하여, 등가 회로 모델(200)과 관련된 다른 복수의 회로 파라미터인 내부 저항(220)의 저항값 R0, 저항(231)의 저항값(R1) 및 커패시터(232)의 커패시턴스(C1)를 결정할 수 있다.
제1 상태 방정식은, 전류 적산 모델과 등가 회로 모델(200)의 조합으로부터 유도될 수 있으며, 아래의 수식 3과 같이 표현될 수 있다.
<수식 3>
Figure PCTKR2018010492-appb-I000003
수식 3에서, A와 B 각각은 확장 칼만 필터의 서로 다른 시스템 행렬로서, 각각은 고정된 성분들만을 가질 수 있다. 또한, 아래 첨자로 사용된 기호 k는 시간 인덱스로서, 제2 소정 주기마다 1씩 증가하는 값이다. 또한, a는 제1 상태 변수, b는 제2 상태 변수, I는 센싱부(110)에 의해 측정된 전류, R1은 저항(231)의 저항값, C1은 커패시터(232)의 커패시턴스, Δt는 제2 소정 주기의 시간 길이, Qmax는 배터리(B)의 최대 용량을 나타낸다.
프로세서(130)는, 메모리(131)로부터 배터리(B)의 충전 상태와 관련된 제1 초기값 및 배터리(B)의 오버 포텐셜과 관련된 제2 초기값을 독출한다. 프로세서(130)는, 제1 초기값을 제1 상태 변수 a에 할당하고, 제2 초기값을 제2 상태 변수 b에 할당한다. 여기서, 제1 초기값은, 시간 인덱스가 k-1일 때 추정된 충전 상태인 이전 충전 상태를 나타낸다. 또한, 제2 초기값은, 시간 인덱스가 k-1일 때 추정된 오버 포텐셜인 이전 오버 포텐셜을 나타낸다. 또한, 윗첨자로 표시된 기호 ^은 확장 칼만 필터에 의해 예측된 값임을 나타내는 기호이고, 윗첨자로 표시된 기호 -은 확장 칼만 필터에 의해 보정되기 전의 값임을 나타내는 기호이다.
k-1=0일 때, 미리 정해진 두 값이 제1 상태 변수 a와 제2 상태 변수 b에 각각 입력될 수 있다.
수식 3을 통해 확인할 수 있듯이, 프로세서(130)는 제1 상태 방정식을 이용하여, 전류 적산값 Δt×Ik을 기초로, 제1 상태 변수 및 제2 상태 변수 각각의 예측값을 포함하는
Figure PCTKR2018010492-appb-I000004
을 산출할 수 있다. 즉, 시간 인덱스 k-1에서 기 추정된 충전 상태와 오버 포텐셜로부터 시간 인덱스가 k일 때의 충전 상태와 오버 포텐셜을 각각 예측할 수 있다.
제2 상태 방정식은, 아래의 수식 4와 같이 표현될 수 있다.
<수식 4>
Figure PCTKR2018010492-appb-I000005
수식 4에서, 아래 첨자로 사용된 기호 k는 시간 인덱스로서, 제2 소정 주기마다 1씩 증가하는 값이다. 또한, P는 오차 공분산 행렬(error corvariance matrix), Q는 프로세스 노이즈 공분산 행렬, Mk 2는 충전 상태와 관련된 프로세스 노이즈의 공분산, Nk 2는 오버 포텐셜과 관련된 프로세스 노이즈의 공분산, T는 전치 행렬 연산자를 나타낸다. 즉, AT 는 A의 전치 행렬이다. 기호 -은 확장 칼만 필터에 의해 보정기 전의 값임을 나타내는 기호이다. k-1=0일 때, 미리 정해진 값이 Pk-1에 입력될 수 있다.
프로세서(130)는, 메모리로부터 확장 칼만 필터의 오차 공분산 행렬과 관련된 제3 초기값을 독출할 수 있다. 제3 초기값은, 시간 인덱스 k-1에서 기 보정된 이전 오차 공분산 행렬인 Pk-1를 나타낸다.
수식 4를 통해 확인할 수 있듯이, 프로세서(130)는 제2 상태 방정식을 이용하여, 이전 오차 공분산 행렬 Pk-1 및 프로세스 노이즈 공분산 행렬 Qk을 기초로, 오차 공분산 행렬을 예측할 수 있다. 즉, 시간 인덱스 k-1에서 기 보정된 오차 공분산 행렬 Pk-1 및 시간 인덱스가 k일 때 결정된 프로세스 노이즈 공분산 행렬 Qk을 기초로, 시간 인덱스가 k일 때의 오차 공분산 행렬 P- k을 예측할 수 있다.
이를 위해, 프로세서(130)는, 제1 초기값 및 제1 상태 방정식을 통해 예측된 제1 상태 변수 중 어느 하나를 기초로, 프로세스 노이즈 공분산 행렬 Qk을 결정할 수 있다. 여기서, 프로세스 노이즈 공분산 행렬을 결정한다는 것은, Mk 2과 Nk 2을 결정한다는 것을 의미할 수 있다. 프로세서(130)가 Mk 2과 Nk 2을 결정하는 동작은, 도 4를 참조하여 이하에서 별도로 설명하기로 한다.
제1 관측 방정식은, 아래의 수식 5와 같이 표현될 수 있다.
<수식 5>
Figure PCTKR2018010492-appb-I000006
수식 5에서, H는 A 및 B와는 다른 시스템 행렬로서, 고정된 성분들만을 가진다. 또한, K는 칼만 게인, R은 측정 노이즈 공분산 행렬(measurement noise covariance matrix)을 나타낸다. 프로세서(130)는, 제1 관측 방정식을 이용하여, 제2 상태 방정식을 통해 예측된 오차 공분산 행렬을 기초로, 칼만 게인을 결정한다.
제2 관측 방정식은, 아래의 수식 6과 같이 표현될 수 있다.
<수식 6>
Figure PCTKR2018010492-appb-I000007
수식 6에서, zk는 센싱부(110)에 의해 측정된 배터리(B)의 전압이다.
Figure PCTKR2018010492-appb-I000008
는, 배터리(B)의 전압의 예측값일 수 있다. 프로세서(130)는, 제1 관측 방정식을 통해 결정된 칼만 게인 및 센싱부(110)에 의해 측정된 전압을 기초로, 제1 상태 방정식을 통해 예측된 제1 및 제2 상태 변수를 각각 보정할 수 있다.
수식 6에 대해 보다 상세히 설명하면, zk와
Figure PCTKR2018010492-appb-I000009
의 차이에 Kk을 곱한 값을 예측된 제1 및 제2 상태 변수를 포함하는 행렬
Figure PCTKR2018010492-appb-I000010
에 합함으로써, 보정된 제1 및 제2 상태 변수를 포함하는 행렬
Figure PCTKR2018010492-appb-I000011
이 산출될 수 있다.
보정된 제1 및 제2 상태 변수가 산출됨으로써, k번째 주기에서의 충전 상태의 추정이 완료될 수 있다. 즉, 시간 인덱스 k에서 보정된 제1 상태 변수가 충전 상태의 추정값으로 설정될 수 있다. 프로세서(130)는, 메모리(131)에 기 저장된 제1 초기값을 보정된 제1 상태 변수의 값과 동일하게 설정할 수 있다. 또한, 프로세서(130)는, 메모리에 기 저장된 제2 초기값을 보정된 제2 상태 변수의 값과 동일하게 설정할 수 있다. 즉, 프로세서(130)는, 제1 및 제2 초기값 각각을 새로운 값으로 갱신할 수 있다.
한편, 프로세서(130)는, 제2 관측 방정식을 통해 보정된 제1 및 제2 상태 변수 중 적어도 하나를 나타내는 통지 신호를 통신 채널을 통해 외부 장치(예, 디스플레이, 전기차의 MCU)에게 출력할 수 있다. 통신 채널은 유선 또는 무선 통신을 지원한다. 유선 통신은 예컨대 캔(CAN: contoller area network) 통신일 수 있고, 무선 통신은 예컨대 지그비나 블루투스 통신일 수 있다.
제3 관측 방정식은, 아래의 수식 7과 같이 표현될 수 있다.
<수식 7>
Figure PCTKR2018010492-appb-I000012
수식 7에서, E는 단위 행렬을 나타낸다. 프로세서(130)는, 제2 상태 방정식을 통해 예측된 오차 공분산 행렬 P- k 및 제1 관측 방정식을 통해 결정된 칼만 게인 Kk을 기초로, 예측된 오차 공분산 행렬 P- k을 보정할 수 있다. 프로세서(130)는, 메모리에 기 저장된 Pk-1을 Pk과 동일하게 설정할 수 있다. 즉, 프로세서(130)는, 제3 초기값을 Pk-1에서 Pk로 갱신할 수 있다.
도 3은 배터리(B)의 충전 상태와 개방 전압 간의 관계를 나타내는 예시적인 개방 전압 커브(300)를 보여주는 그래프이고, 도 4는 배터리(B)의 충전 상태와 개방 전압의 변화율 간의 관계를 나타내는 예시적인 개방 전압 변화율 커브(400)를 보여주는 그래프이다.
먼저 도 3의 개방 전압 커브(300)를 참조하면, 배터리(B)의 온도가 특정값(예, 30℃)으로 유지되는 환경에서, 충전 상태 0%~100%의 범위에서 기록된 개방 전압의 변화를 확인할 수 있다. 쉽게 이해할 수 있듯이, 충전 상태가 0%에서 100%를 향해 증가하면서, 개방 전압은 비선형적으로 증가한다. 반대로, 충전 상태가 100%에서 0%를 향해 감소하면서, 개방 전압은 비선형적으로 감소한다.
다음으로, 도 4를 참조하면, 도 3의 개방 전압 커브(300)에 관련된 개방 전압 변화율 커브(400)를 확인할 수 있다. 프로세서(130)는, 도 3에 도시된 개방 전압 커브(300)를 도 4에 도시된 개방 전압 변화율 커브(400)로 변환할 수 있다. 프로세서(130)는, 충전 상태가 0%에서 100%까지 소정 비율 ΔSOC(예, 1%)만큼씩 변화됨에 따른 개방 전압의 증가량 ΔOCV을 나타내는 개방 전압 변화율(즉, ΔOCV/ ΔSOC)을 산출하는 과정을 반복함으로써, 개방 전압 커브(300)로부터 개방 전압 변화율 커브(400)를 획득할 수 있다.
개방 전압 변화율 커브(400)가 획득되면, 프로세서(130)는 개방 전압 변화율 커브(400)를 기초로, 충전 상태 0%~100% 내의 제1 구간과 제2 구간을 각각 설정할 수 있다. 제1 구간은, 개방 전압 변화율이 임계값(TH) 이상이 되는 충전 상태 구간이다. 도 4에서는, 0%~S1%와 S2%~100%가 제1 구간으로 설정될 수 있다. 제2 구간은, 제1 구간과는 다르게 개방 전압 변화율이 임계값(TH) 미만이 되는 충전 상태 구간이다. 도 4에서는, S1%~S2%가 제2 구간으로 설정될 수 있다. 즉, 제1 구간과 제2 구간은 서로 중첩되지 않는다.
한편, 개방 전압 변화율이 작아질수록, 등가 회로 모델(200)과 관련된
Figure PCTKR2018010492-appb-I000013
의 정확도는 감소한다. 따라서, 개방 전압 변화율을 기초로, 적류 적산 모델의 신뢰도를 일시적으로 높이는 동작 및 등가 회로 모델(200)의 신뢰도를 일시적으로 낮추는 동작 중 적어도 하나를 실행할 필요가 있다.
프로세서(130)는, 제1 초기값 a이 제1 구간 내인 경우, 프로세스 노이즈 공분산 행렬(process noise covariance matrix)의 두 성분인 제1 프로세스 노이즈 공분산 및 제2 프로세스 노이즈 공분산 각각에 미리 정해진 제1 값(예, 0.1) 및 미리 정해진 제2 값(예, 0.001)을 할당할 수 있다. 제1 값과 제2 값은, 사전 실험을 통해 미리 결정된 상수일 수 있다.
반면, 프로세서(130)는, 제1 초기값 a이 제2 구간 내인 경우, 제1 값 및 제2 값 중 적어도 하나를 다른 값으로 대체할 수 있다. 예컨대, 프로세서(130)는, 제1 프로세스 노이즈 공분산에 제1 값보다 작은 제3 값(0.01)을 할당하고, 제2 프로세스 노이즈 공분산에 제2 값을 할당할 수 있다. 다른 예로, 프로세서(130)는, 제1 프로세스 노이즈 공분산에 제1 값을 할당하고, 제2 프로세스 노이즈 공분산에 제2 값보다 큰 제4 값(0.005)을 할당할 수 있다. 또 다른 예로, 프로세서(130)는, 제1 프로세스 노이즈 공분산에 제1 값보다 작은 제5 값(0.05)을 할당하고, 제2 프로세스 노이즈 공분산에 제2 값보다 큰 제6 값(0.01)을 할당할 수 있다. 이때, 제1 값과 제3 값 간의 차이 및 제1 값과 제5 값 간의 차이는, 임계값과 개방 전압 변화율 간의 차이에 비례할 수 있다. 또한, 제2 값과 제4 값 간의 차이 및 제2 값과 제6 값 간의 차이 역시 임계값과 개방 전압 변화율 간의 차이에 비례할 수 있다.
전술한 바에 따르면, 프로세서(130)는, 제1 초기값 a이 제2 구간 내인 경우, 제1 초기값 a이 제1 구간 내인 경우에 비하여, 제1 프로세스 노이즈 공분산에 대한 제2 프로세스 노이즈 공분산의 비율을 증가시킨다. 결과적으로, 배터리(B)의 충전 상태를 추정함에 있어서, 등가 회로 모델(200)의 신뢰도가 상대적으로 낮아지고, 적류 적산 모델의 신뢰도는 상대적으로 높아진다.
도 5는 본 발명의 일 실시예에 따라 확장 칼만 필터의 프로세스 노이즈 공분산 행렬의 성분들을 조절한 경우와 조절하지 않은 경우의 차이를 보여주는 그래프이다.
도 5를 참조하면, 충전 상태 100%인 배터리(B)를 일정한 속도로 충전 상태 0%까지 방전시키면서, 실제 충전 상태에 대한 확장 칼만 필터에 의해 추정된 충전 상태의 오차를 시간에 대해 기록한 결과를 확인할 수 있다. 도 5에서, 제1 커브(501)는 시간 인덱스 k가 1만큼 증가할때마다 갱신되는 제1 초기값에 따라 프로세스 노이즈 공분산 행렬의 두 성분이 조절되는 확장 칼만 필터를 이용하여 추정된 충전 상태의 오차를 시간을 따라 기록한 것이다. 또한, 제2 커브(502)는 프로세스 노이즈 공분산 행렬의 두 성분이 각각 제1 값과 제2 값으로 고정된 확장 칼만 필터를 이용하여 추정된 충전 상태의 오차를 시간을 따라 기록한 것이다.
이때, t0는 실제 충전 상태가 100%인 시점이고, t1는 실제 충전 상태가 S1%가 되는 시점이며, t2는 실제 충전 상태가 S2%가 되는 시점이고, t3는 실제 충전 상태가 0%가 되는 시점이다.
도 5를 통해 확인할 수 있듯이, t0부터 t1까지, 제1 커브와 제2 커브는 서로 일치한다. 또한, t1부터 t2까지, 제1 커브는 제2 커브의 아래에 위치한다. 또한, t2부터 t3까지, 제1 커브와 제2 커브는 서로 일치한다. 이는, 개방 전압 변화율이 임계값 미만으로 유지되는 t1부터 t2까지의 기간 동안, 확장 칼만 필터의 프로세스 노이즈 공분산 행렬의 두 성분 중 적어도 하나를 조절됨에 따라, 실제 충전 상태에 대한 추정된 충전 상태의 오차는 감소하게 된다는 것을 뒷받침한다.
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.
또한, 이상에서 설명한 본 발명은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니라, 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수 있다.
<부호의 설명>
1: 배터리팩
B: 배터리
100: 배터리 충전 상태 추정 상태
110: 센싱부
120: 전류 적산부
130: 프로세서
200: 등가 회로 모델

Claims (11)

  1. 배터리의 충전 상태를 추정하는 장치에 있어서,
    상기 배터리의 전압 및 전류를 각각 측정하도록 구성된 센싱부;
    상기 측전된 전류를 기초로, 소정 주기동안의 전류 적산값을 산출하도록 구성된 전류 적산부; 및
    상기 센싱부 및 상기 전류 적산부와 동작 가능하게 결합된 프로세서;를 포함하고,
    상기 프로세서는,
    메모리로부터 상기 배터리의 충전 상태와 관련된 제1 초기값, 상기 배터리의 오버포텐셜과 관련된 제2 초기값 및 확장 칼만 필터의 오차 공분산 행렬과 관련된 제3 초기값을 독출하고,
    상기 제1 초기값 및 상기 제2 초기값 각각을 확장 칼만 필터의 제1 상태 방정식의 제1 상태 변수 및 제2 상태 변수에 할당하며,
    상기 제1 상태 방정식을 이용하여, 상기 전류 적산값을 기초로 상기 제1 상태 변수 및 상기 제2 상태 변수 각각을 예측하고,
    상기 제1 초기값 및 상기 예측된 제1 상태 변수 중 어느 하나를 기초로, 상기 확장 칼만 필터의 프로세스 노이즈 공분산 행렬을 결정하고,
    상기 확장 칼만 필터의 제2 상태 방정식을 이용하여, 상기 제3 초기값 및 상기 결정된 프로세스 노이즈 공분산 행렬을 기초로, 상기 오차 공분산 행렬을 예측하며,
    상기 예측된 오차 공분산 행렬을 기초로, 상기 확장 칼만 필터의 칼만 게인을 결정하고,
    상기 결정된 칼만 게인 및 상기 측정된 전압을 기초로, 상기 예측된 제1 상태 변수 및 상기 예측된 제2 상태 변수를 각각 보정하는, 배터리 충전 상태 추정 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 보정된 제1 상태 변수 및 상기 보정된 제2 상태 변수 중 적어도 하나를 나타내는 통지 신호를 외부 장치에게 출력하는, 배터리 충전 상태 추정 장치.
  3. 제1항에 있어서,
    상기 프로세서는,
    상기 제1 초기값을 상기 보정된 제1 상태 변수의 값과 동일하게 설정하고,
    상기 제2 초기값을 상기 보정된 제2 상태 변수의 값과 동일하게 설정하는, 배터리 충전 상태 추정 장치.
  4. 제1항에 있어서,
    상기 프로세서는,
    상기 결정된 칼만 게인을 기초로, 상기 예측된 오차 공분산 행렬을 보정하고,
    상기 제3 초기값을 상기 보정된 오차 공분산 행렬과 동일하게 설정하는, 배터리 충전 상태 추정 장치.
  5. 제1항에 있어서,
    상기 센싱부는,
    상기 배터리의 온도를 더 측정하고,
    상기 프로세서는,
    상기 측정된 온도를 기초로, 상기 배터리의 등가 회로 모델에 관련된 복수의 회로 파라미터를 결정하고,
    상기 결정된 파라미터를 더 기초로, 상기 제2 상태 변수를 예측하는, 배터리 충전 상태 추정 장치.
  6. 제1항에 있어서,
    상기 프로세서는,
    상기 제1 초기값이 제1 구간 내인 경우, 상기 프로세스 노이즈 공분산 행렬의 제1 프로세스 노이즈 및 제2 프로세스 노이즈 각각에 미리 정해진 제1 값 및 미리 정해진 제2 값을 할당하는, 배터리 충전 상태 추정 장치.
  7. 제6항에 있어서,
    상기 프로세서는,
    상기 배터리의 충전 상태와 개방 전압 간의 관계를 나타내는 개방 전압 커브를 상기 배터리의 충전 상태와 개방 전압 변화율 간의 관계를 나타내는 개방 전압 변화율 커브로 변환하고,
    상기 개방 전압 변화율 커브를 기초로, 상기 개방 전압 변화율이 임계값 이상이 되는 충전 상태 구간을 상기 제1 구간으로 설정하고,
    상기 개방 전압 변화율 커브를 기초로, 상기 개방 전압 변화율이 상기 임계값 미만이 되는 충전 상태 구간을 제2 구간으로 설정하는, 배터리 충전 상태 추정 장치.
  8. 제7항에 있어서,
    상기 프로세서는,
    상기 제1 초기값이 상기 제2 구간 내인 경우, 상기 제1 프로세스 노이즈에 상기 제1 값보다 작은 제3 값을 할당하고, 상기 제2 프로세스 노이즈에 상기 제2 값을 할당하는, 배터리 충전 상태 추정 장치.
  9. 제7항에 있어서,
    상기 프로세서는,
    상기 제1 초기값이 상기 제2 구간 내인 경우, 상기 제1 프로세스 노이즈에 상기 제1 값을 할당하고, 상기 제2 프로세스 노이즈에 상기 제2 값보다 큰 제4 값을 할당하는, 배터리 충전 상태 추정 장치.
  10. 제7항에 있어서,
    상기 프로세서는,
    상기 제1 초기값이 상기 제2 구간 내인 경우, 상기 제1 프로세스 노이즈에 상기 제1 값보다 작은 제5 값을 할당하고, 상기 제2 프로세스 노이즈에 상기 제2 값보다 큰 제6 값을 할당하는, 배터리 충전 상태 추정 장치.
  11. 제1항 내지 제10항 중 어느 한 항에 따른 상기 배터리 충전 상태 추정 장치;
    를 포함하는, 배터리 팩.
PCT/KR2018/010492 2017-09-07 2018-09-07 배터리 충전 상태 추정 장치 및 방법 WO2019050330A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019542685A JP6830544B2 (ja) 2017-09-07 2018-09-07 バッテリー充電状態推定装置及び方法
US16/483,163 US11231466B2 (en) 2017-09-07 2018-09-07 Apparatus and method for estimating a state of charge of a battery
EP18854350.8A EP3588115B1 (en) 2017-09-07 2018-09-07 Apparatus and method for estimating a state of charge of a battery

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2017-0114601 2017-09-07
KR1020170114601A KR102160274B1 (ko) 2017-09-07 2017-09-07 배터리 충전 상태 추정 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2019050330A1 true WO2019050330A1 (ko) 2019-03-14

Family

ID=65634344

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/010492 WO2019050330A1 (ko) 2017-09-07 2018-09-07 배터리 충전 상태 추정 장치 및 방법

Country Status (5)

Country Link
US (1) US11231466B2 (ko)
EP (1) EP3588115B1 (ko)
JP (1) JP6830544B2 (ko)
KR (1) KR102160274B1 (ko)
WO (1) WO2019050330A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111781503A (zh) * 2020-06-15 2020-10-16 国网江苏省电力有限公司无锡供电分公司 一种锂离子储能电池soc在线估算方法
JP2021136227A (ja) * 2020-02-28 2021-09-13 株式会社日立製作所 バッテリ管理装置
WO2023098715A1 (zh) * 2021-11-30 2023-06-08 清华大学 基于电化学机理的锂离子电池内外特性仿真方法

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102253781B1 (ko) * 2017-04-28 2021-05-20 주식회사 엘지화학 방전 제어 장치 및 방법
KR102458526B1 (ko) * 2018-02-07 2022-10-25 주식회사 엘지에너지솔루션 배터리의 동작 상태에 따라 soc를 추정하는 장치 및 방법
FR3084170B1 (fr) * 2018-07-17 2020-07-17 Zodiac Aero Electric Procede de determination d'une matrice de covariance de bruit d'etat pour le reglage d'un observateur de l'etat de charge d'une batterie et dispositif correspondant
CN110596593B (zh) * 2019-08-26 2020-08-04 浙江大学 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法
CN112601968A (zh) * 2019-08-27 2021-04-02 淄博火炬能源有限责任公司 用于48v轻混汽车锂离子电池的荷电状态在线估算系统
KR20210049338A (ko) * 2019-10-25 2021-05-06 주식회사 엘지화학 배터리의 soc를 추정하기 위한 장치, 그것을 포함하는 전기 차량 및 그 방법
CN111551869A (zh) * 2020-05-15 2020-08-18 江苏科尚智能科技有限公司 锂电池低频参数测量方法、装置、计算机设备和存储介质
CN112114184A (zh) * 2020-07-08 2020-12-22 珠海兴诺能源技术有限公司 充电桩充电过程的pwm信号优化方法、设备、介质及装置
KR102572652B1 (ko) * 2020-09-11 2023-08-31 삼성에스디아이 주식회사 배터리의 충전상태를 추정하는 방법
EP4001938A1 (de) * 2020-11-11 2022-05-25 Siemens Aktiengesellschaft Computergestütztes verfahren zum bestimmen von zustandsgrössen eines batteriespeichers und batteriespeicher
CN112485681B (zh) * 2020-11-27 2024-05-10 浙江零跑科技股份有限公司 一种电池soc估算装置
CN113447821B (zh) * 2021-06-30 2023-07-14 国网北京市电力公司 评估电池荷电状态的方法
CN113608121A (zh) * 2021-08-18 2021-11-05 合肥工业大学 基于模糊分数阶无迹卡尔曼滤波的锂电池soc估计方法
CN117949829B (zh) * 2024-01-30 2024-09-17 重庆标能瑞源储能技术研究院有限公司 一种电池模型参数辨识方法、设备、介质及产品
CN117976948B (zh) * 2024-03-29 2024-06-04 苏州轩途信息技术有限公司 一种小型风冷氢燃料电池运行监测方法与系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100804698B1 (ko) * 2006-06-26 2008-02-18 삼성에스디아이 주식회사 배터리 ｓｏｃ 추정 방법 및 이를 이용하는 배터리 관리시스템 및 구동 방법
CN102831100A (zh) * 2012-07-18 2012-12-19 深圳职业技术学院 电池荷电状态估算方法及装置
US20140210418A1 (en) * 2013-01-29 2014-07-31 Mitsubishi Electric Research Laboratories, Inc. Method for Estimating State of Charge for Lithium-Ion Batteries
KR101529515B1 (ko) * 2014-06-12 2015-06-17 국방과학연구소 Mmae-ekf를 이용한 배터리의 soc 추정 방법 및 그 장치
KR101767635B1 (ko) * 2014-10-24 2017-08-14 주식회사 엘지화학 이차 전지의 충전 상태 추정 장치 및 그 방법
KR20170114601A (ko) 2016-04-05 2017-10-16 (주)청원산업 차열컬러샌드 및 이를 포함하는 차열블록

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101031810A (zh) * 2004-02-25 2007-09-05 皇家飞利浦电子股份有限公司 评估可充电电池的充电状态和剩余使用时间的方法以及执行该方法的设备
JP2010518390A (ja) * 2007-02-13 2010-05-27 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 充電式バッテリの充電状態（ＳｏＣ）を定める方法および機器
JP5324196B2 (ja) * 2008-11-27 2013-10-23 カルソニックカンセイ株式会社 バッテリの劣化推定方法及び装置
KR101486470B1 (ko) * 2012-03-16 2015-01-26 주식회사 엘지화학 배터리 상태 추정 장치 및 방법
KR101966062B1 (ko) 2012-11-23 2019-04-05 삼성전자주식회사 배터리 잔량 측정 장치 및 측정 방법
US8935043B2 (en) 2013-01-29 2015-01-13 Ford Global Technologies, Llc Temperature compensated battery parameter estimation
US10664562B2 (en) * 2013-02-24 2020-05-26 Fairchild Semiconductor Corporation and University of Connecticut Battery state of charge tracking, equivalent circuit selection and benchmarking
JP5997081B2 (ja) 2013-03-21 2016-09-21 プライムアースＥｖエナジー株式会社 二次電池の状態推定装置及び二次電池の状態推定方法
JP5812032B2 (ja) * 2013-03-22 2015-11-11 トヨタ自動車株式会社 蓄電システム及び蓄電装置の満充電容量推定方法
JP6130275B2 (ja) 2013-09-05 2017-05-17 カルソニックカンセイ株式会社 推定装置及び推定方法
KR101632351B1 (ko) 2013-10-14 2016-06-21 주식회사 엘지화학 하이브리드 이차 전지의 상태 추정 장치 및 그 방법
KR101708885B1 (ko) * 2013-10-14 2017-02-21 주식회사 엘지화학 혼합 양극재를 포함하는 이차 전지의 상태 추정 장치 및 그 방법
JP6299187B2 (ja) 2013-11-29 2018-03-28 富士通株式会社 推定プログラム、推定方法および推定装置
US10063066B2 (en) * 2014-01-07 2018-08-28 Utah State University Battery control
US9381825B2 (en) * 2014-02-20 2016-07-05 Ford Global Technologies, Llc State of charge quality based cell balancing control
JP6330605B2 (ja) * 2014-09-25 2018-05-30 富士通株式会社 推定プログラム、推定方法および推定装置
JP2017015594A (ja) * 2015-07-02 2017-01-19 富士通株式会社 バッテリー、電源管理装置、及び電源管理方法
JP6657967B2 (ja) 2016-01-06 2020-03-04 株式会社Ｇｓユアサ 状態推定装置、状態推定方法
CN106896324A (zh) 2017-01-20 2017-06-27 东莞市德尔能新能源股份有限公司 一种soc估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100804698B1 (ko) * 2006-06-26 2008-02-18 삼성에스디아이 주식회사 배터리 ｓｏｃ 추정 방법 및 이를 이용하는 배터리 관리시스템 및 구동 방법
CN102831100A (zh) * 2012-07-18 2012-12-19 深圳职业技术学院 电池荷电状态估算方法及装置
US20140210418A1 (en) * 2013-01-29 2014-07-31 Mitsubishi Electric Research Laboratories, Inc. Method for Estimating State of Charge for Lithium-Ion Batteries
KR101529515B1 (ko) * 2014-06-12 2015-06-17 국방과학연구소 Mmae-ekf를 이용한 배터리의 soc 추정 방법 및 그 장치
KR101767635B1 (ko) * 2014-10-24 2017-08-14 주식회사 엘지화학 이차 전지의 충전 상태 추정 장치 및 그 방법
KR20170114601A (ko) 2016-04-05 2017-10-16 (주)청원산업 차열컬러샌드 및 이를 포함하는 차열블록

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3588115A4

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021136227A (ja) * 2020-02-28 2021-09-13 株式会社日立製作所 バッテリ管理装置
JP7377743B2 (ja) 2020-02-28 2023-11-10 株式会社日立製作所 バッテリ管理装置
CN111781503A (zh) * 2020-06-15 2020-10-16 国网江苏省电力有限公司无锡供电分公司 一种锂离子储能电池soc在线估算方法
CN111781503B (zh) * 2020-06-15 2023-09-22 国网江苏省电力有限公司无锡供电分公司 一种锂离子储能电池soc在线估算方法
WO2023098715A1 (zh) * 2021-11-30 2023-06-08 清华大学 基于电化学机理的锂离子电池内外特性仿真方法

Also Published As

Publication number Publication date
JP2020508442A (ja) 2020-03-19
KR20190027609A (ko) 2019-03-15
JP6830544B2 (ja) 2021-02-17
EP3588115B1 (en) 2023-01-04
US11231466B2 (en) 2022-01-25
EP3588115A1 (en) 2020-01-01
US20200003841A1 (en) 2020-01-02
KR102160274B1 (ko) 2020-09-25
EP3588115A4 (en) 2020-04-29

Similar Documents

Publication Publication Date Title
WO2019050330A1 (ko) 배터리 충전 상태 추정 장치 및 방법
WO2019088492A1 (ko) 배터리 등가 회로 모델의 파라미터 추정 방법, 장치 및 기록매체
WO2019199058A1 (ko) 배터리 진단 장치 및 방법
WO2019151779A1 (ko) 프리차지 저항 보호 장치
WO2010016661A2 (ko) 배터리 셀의 전압 변화 거동을 이용한 셀 밸런싱 장치 및 방법
WO2018124511A1 (ko) 배터리의 충전 상태를 캘리브레이션하기 위한 배터리 관리 장치 및 방법
WO2010018919A1 (ko) 배터리 전압 거동을 이용한 배터리 저항 특성 추정 장치 및 방법
WO2022055080A1 (ko) 배터리의 충전상태를 추정하는 방법
WO2013137672A1 (ko) 배터리 상태 추정 장치 및 방법
WO2019098576A1 (ko) 배터리 여유 용량 추정 장치
WO2019098722A1 (ko) 배터리 저항 추정 장치 및 방법
EP2321663A1 (en) Apparatus and method for estimating state of health of battery based on battery voltage variation pattern
WO2019151679A1 (ko) 배터리를 위한 등가 회로 모델의 파라미터 추정 방법 및 배터리 관리 시스템
WO2019199057A1 (ko) 배터리 진단 장치 및 방법
WO2020162675A1 (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
WO2022265357A1 (ko) 배터리 soh 추정 장치 및 방법
WO2020153637A1 (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
WO2019156377A1 (ko) 배터리를 위한 등가 회로 모델의 파라미터를 추정하기 위한 방법 및 배터리 관리 시스템
WO2019088746A1 (ko) 배터리 soc 추정 장치 및 방법
WO2015056846A1 (ko) 이차전지의 충전량 유지 장치 및 방법
WO2019107982A1 (ko) 배터리 팩
WO2019107979A1 (ko) 배터리 팩
KR102525147B1 (ko) 배터리 충전 상태 추정 장치
WO2023287180A1 (ko) 배터리 진단 장치, 배터리 팩, 전기 차량 및 배터리 진단 방법
CN112748347A (zh) 电池电量获取方法、装置、存储介质及电子设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18854350

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019542685

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2018854350

Country of ref document: EP

Effective date: 20190927

NENP Non-entry into the national phase

Ref country code: DE