WO2019208924A1 - 배터리 상태 추정 방법 - Google Patents

배터리 상태 추정 방법 Download PDF

Info

Publication number
WO2019208924A1
WO2019208924A1 PCT/KR2019/002761 KR2019002761W WO2019208924A1 WO 2019208924 A1 WO2019208924 A1 WO 2019208924A1 KR 2019002761 W KR2019002761 W KR 2019002761W WO 2019208924 A1 WO2019208924 A1 WO 2019208924A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
current
parameter
battery
voltage
Prior art date
Application number
PCT/KR2019/002761
Other languages
English (en)
French (fr)
Inventor
임병희
레이야빤크리스토버
백승욱
강민정
김기헌
김제익
황용준
Original Assignee
삼성에스디아이주식회사
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 삼성에스디아이주식회사 filed Critical 삼성에스디아이주식회사
Priority to US16/981,139 priority Critical patent/US11366171B2/en
Priority to JP2020556875A priority patent/JP7095110B2/ja
Priority to CN201980027522.1A priority patent/CN112005124B/zh
Priority to EP19794066.1A priority patent/EP3786653A4/en
Publication of WO2019208924A1 publication Critical patent/WO2019208924A1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/549—Current
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/42—Control modes by adaptive correction
    • 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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane

Definitions

  • the present invention relates to a method for estimating battery status in real time.
  • Batteries are easier to apply than other energy storage devices, and because of their relatively high energy, power density, and the like, electric vehicles (EVs) or hybrid vehicles (HEVs) driven by electric driving sources as well as portable devices can be used. Hybrid Electric Vehicles) are widely applied. Especially when a strong output is required, a battery pack may be used in which a plurality of batteries are connected in series and in parallel.
  • Battery management is important for energy-efficient and safe use of batteries or battery-powered electrical devices, which requires accurate estimation and diagnosis of the battery's internal condition.
  • Current state of the battery used to indicate the characteristics of the battery includes a resistance component, a capacitance component, an open circuit voltage (OCV).
  • An object of the present invention is to provide a method for estimating a battery state by using a voltage value and a current value obtained by measuring voltage and current of a battery.
  • Battery state estimation method comprises the steps of periodically measuring the voltage and current of the battery in use to generate a voltage value and a current value; Generating in real time a value of a G parameter and a value of an H parameter representing the current state of the battery from the voltage value and the current value using an adaptive filter; And estimating the state of the battery in real time using the value of the G parameter and the value of the H parameter.
  • the G parameter is a parameter representing the sensitivity of the voltage to the current change of the battery
  • the H parameter is a parameter representing the effective potential determined by the local equilibrium potential distribution and resistance distribution in the battery.
  • the adaptive filter may be a filter using recursive least squares (RLS).
  • RLS recursive least squares
  • the method may further include initializing a state vector consisting of the G parameter and the H parameter and a covariance matrix.
  • the generating of the value of the G parameter and the value of the H parameter in real time may include calculating a current voltage estimate of the battery based on the current value of the current and the value immediately before the state vector, and the current value of the current. Updating the gain matrix and the covariance matrix based on a value immediately before the covariance matrix; Calculating a voltage error between the current voltage value and the current voltage estimate; And generating the present value of the G parameter and the present value of the H parameter by updating the state vector based on the immediately preceding value of the state vector, the present value of the gain matrix, and the voltage error. have.
  • the current voltage estimate of the battery may be calculated by adding a value immediately before the H parameter to a product of the current value and the value immediately before the G parameter.
  • the current value of the state vector may be calculated as a value obtained by adding a product of the current value of the gain matrix and the voltage error to a value immediately before the state vector.
  • a first forgetting factor associated with the G parameter and a second forgetting factor associated with the H parameter may be applied.
  • the gain matrix may be calculated by the following equation.
  • the covariance matrix may be calculated by the following equation.
  • L (t) is the current value of the gain matrix
  • L (t-1) is the previous value of the gain matrix
  • P (t) is the current value of the covariance matrix
  • P (t-1) is The value immediately before the covariance matrix
  • I (t) is the current value of the current
  • ⁇ 1 is the first forgetting factor
  • ⁇ 2 may be the second forgetting factor.
  • the G parameter, the H parameter, and the covariance matrix may include first to third G parameters, first to third H parameters, and first to third covariance matrices, respectively.
  • the method may further include initializing a third state vector and the first to third covariance matrices.
  • the current voltage estimate of the battery is estimated. Calculating and updating the gain matrix and the first covariance matrix based on the current current value and the immediately preceding value of the first covariance matrix; And updating the first state vector based on a recent value of the first state vector, a current value of the gain matrix, and the voltage error, thereby presenting a current value of the first G parameter and a current value of the first H parameter. It may further comprise the step of generating.
  • the method may further include estimating a value of the series resistor R0 of the battery.
  • the current voltage estimate of the battery is estimated.
  • the current value and the third current value Calculating a current voltage estimate of the battery based on a recent value of a state vector, and updating the gain matrix and the third covariance matrix based on the current value of the current and the immediately preceding value of the third covariance matrix. ; And updating the third state vector based on a recent value of the third state vector, a current value of the gain matrix, and the voltage error, thereby presently presenting the current value of the third G parameter and the present value of the third H parameter. It may further comprise the step of generating.
  • a method of estimating a battery state may include initializing first to third state vectors and first to third covariance matrices used in a recursive least squares (RLS) filter.
  • the first to third state vectors each comprising first to third G parameters and first to third H parameters; Measuring a voltage and a current of a battery in use at a first time period, wherein a previous voltage value and a current value are generated, and after the first time period, a current voltage value and a current current value are generated.
  • the first state vector and the first covariance matrix are updated, and the second threshold value is smaller than the first threshold value.
  • the second state vector and the second covariance matrix are updated when the current state difference is greater than the second threshold and less than the first threshold, when the second state vector and the second covariance matrix are updated.
  • the first G parameter of the first state vector when the battery is modeled as an equivalent circuit in which a voltage source (Vocv), a series resistor (R0), and two parallel RC-resistor-capacitor networks are connected in series. Estimating in real time the value of the series resistance (R0) of the battery with a value of, and estimating the sum of the resistance components of the equivalent circuit of the battery in real time with the value of the second G parameter of the second state vector. Steps.
  • the updating of the first state vector and the first covariance matrix may include calculating a current voltage estimate of the battery based on the current value and the latest value of the first state vector, and calculating a gain matrix and the first matrix. Updating the covariance matrix; Calculating a voltage error between the present voltage value and the present voltage estimate; And updating the first state vector based on a recent value of the first state vector, a current value of the gain matrix, and the voltage error.
  • a first forgetting factor associated with the first G parameter and a second forgetting factor associated with the first H parameter may be applied.
  • the updating of the second state vector and the second covariance matrix may include calculating a current voltage estimate of the battery based on the current value and the latest value of the second state vector, and calculating a gain matrix and the second covariance. Updating the matrix; Calculating a voltage error between the present voltage value and the present voltage estimate; And updating the second state vector based on a recent value of the second state vector, a current value of the gain matrix, and the voltage error.
  • the battery internal state estimation method is advantageous over conventional methods in terms of cost, scalability, and adaptability.
  • the battery internal state estimation method may be implemented in a battery management system (BMS).
  • BMS battery management system
  • the battery management system was able to estimate the internal state of the battery, but since the internal state of the battery is estimated based on the table created based on the experimental data, not only the estimation error is large, but also all the data in the table must be stored. .
  • the calculation time can be drastically reduced, and since it is not necessary to store data in the form of a table, it can be easily implemented in a battery management system.
  • FIG. 1 is a schematic block diagram of a battery system for performing a battery state estimation method according to an embodiment.
  • FIG. 2 is a flowchart of a method of estimating a battery state, according to an exemplary embodiment.
  • FIG. 4 is a flowchart of a battery state estimating method according to another exemplary embodiment.
  • FIG. 5 is a graph comparing total sum of series resistance and resistance components measured experimentally with first and second G parameters G H and G L estimated in real time according to the battery state estimation method of the present invention.
  • FIG. 6 is a graph comparing an open circuit voltage of a battery experimentally obtained with a second H parameter H L estimated in real time according to the battery state estimation method of the present invention.
  • FIG. 1 is a schematic block diagram of a battery system for performing a battery state estimation method according to an embodiment.
  • the battery system 100 may include a battery 110, a voltage measuring unit 120, a current measuring unit 130, a microprocessor 140, and a storage unit 150.
  • the battery 110 stores power and includes at least one battery cell.
  • the battery 110 may include a plurality of battery cells, and the battery cells may be connected in series, in parallel, or in a combination of series and parallel.
  • the battery cell may include a rechargeable secondary battery.
  • the battery cell may be a nickel-cadmium battery, a lead storage battery, a nickel metal hydride battery (NiMH), a lithium ion battery, or a lithium polymer battery. And the like.
  • the number of battery cells included in the battery 110 may be determined according to the required output voltage.
  • a plurality of batteries 110 may be connected in parallel and / or in series and may be connected to a load and / or charging device through external terminals.
  • the battery 110 is in use in connection with a load and / or charging device, and may be being discharged to power the load, or may be charging by receiving power from the charging device.
  • the voltage measuring unit 120 may be connected to both terminals of the battery 110 in use to periodically measure the voltage of the battery 110 to generate a voltage value.
  • the voltage measuring unit 120 may measure the voltages of both terminals of the battery 110 in the first time period ⁇ t.
  • the current or recently measured voltage value is referred to as a current voltage value, and V (t ) Can be displayed.
  • the voltage value measured before the first time period ⁇ t may be referred to as a previous voltage value and may be represented by V (t ⁇ 1).
  • the first time period ⁇ t may be, for example, one second. However, this is exemplary and the first time period ⁇ t may be set to another time.
  • the first time period ⁇ t may be set to 0.1 second, 0.5 second, 2 seconds, 5 seconds, 10 seconds, or the like.
  • the first time period ⁇ t may be appropriately set according to the electrical system in which the battery 110 is used.
  • FIG. 1 shows that the voltage measuring unit 120 measures the voltage of both terminals of the battery 110
  • the battery 110 includes a plurality of battery cells, a plurality of battery modules, or a plurality of battery packs.
  • the voltage measuring unit 120 may measure voltages of both terminals of each battery cell, each battery module, or each battery pack, respectively.
  • the current measuring unit 130 may generate a current value by periodically measuring the current of the battery 110 in use.
  • the voltage measuring unit 120 and the current measuring unit 130 may be synchronized with each other to measure the voltage and current of the battery 110 at the same time.
  • the current measuring unit 130 may also measure the current of the battery 110 at a first time period ⁇ t.
  • the current value measured by the current measuring unit 130 may be displayed as positive (+) when the charging current and negative (-) when the discharge current.
  • the current or recently measured current value may be referred to as the current current value and may be denoted by I (t), and the current value measured before the first time period ⁇ t is referred to as the immediately preceding current value and I (t-1) Can be displayed as
  • the microprocessor 140 generates, in real time, a G parameter value and an H parameter value indicating a current state of the battery from a voltage value provided by the voltage measuring unit 120 and a current value provided by the current measuring unit 130. can do.
  • the G parameter is a parameter representing the sensitivity of the voltage to the current change of the battery 110 in use
  • the H parameter is a parameter representing the effective potential determined by the local equilibrium potential distribution and the resistance distribution in the battery 110 in use. to be.
  • the microprocessor 140 may use an adaptive filter to generate the value of the G parameter and the value of the H parameter from voltage and current values.
  • the adaptive filter used by the microprocessor 140 may be a filter using recursive least squares (RLS) or a filter using weighted least squares (WLS).
  • RLS recursive least squares
  • WLS weighted least squares
  • the microprocessor 140 may estimate the state of the battery 110 in real time using the value of the G parameter and the value of the H parameter generated in real time.
  • the state of the battery 110 that can be estimated according to the present embodiment may be an open circuit voltage (OCV), a series resistance component, and a total resistance component in the battery 110.
  • the microprocessor 140 may perform the battery state estimation method according to the present embodiment by a simple arithmetic operation, the microprocessor 140 may be included in the battery management system (BMS) of the battery pack. According to another example, the microprocessor 140 may be included in a battery management system or ECU of an electric vehicle. According to another example, microprocessor 140 may be included in a controller of an energy storage system. According to another example, the microprocessor 140 may be implemented as a processor of a server that is communicatively connected to a battery system or an energy storage system.
  • BMS battery management system
  • the microprocessor 140 may be included in a battery management system or ECU of an electric vehicle.
  • microprocessor 140 may be included in a controller of an energy storage system.
  • the microprocessor 140 may be implemented as a processor of a server that is communicatively connected to a battery system or an energy storage system.
  • the storage unit 150 may store instructions and data necessary for the microprocessor 140 to perform the estimation method according to the present embodiment.
  • the estimation method according to the present embodiment generates the value of the G parameter and the value of the H parameter based on the voltage value and the current value generated for each first time period ⁇ t, and uses the value of the G parameter and the value of the H parameter.
  • the storage unit 150 does not need to store any other voltage and current data in addition to the current voltage value, the current current value, and the last current value. That is, a large amount of voltage and current data need not be stored in the storage 150.
  • the storage unit 150 has a previous value and a current value of a state vector including a G parameter and an H parameter, and a previous value and a current value of a covariance matrix required for the operation of the recursive least squares method. This can be stored. Therefore, since the storage unit 150 does not need to store a large amount of instructions and data, the storage unit 150 may be implemented with a small memory. For example, the storage 150 may be implemented as a memory in the microprocessor 140.
  • the internal state of the battery is extracted using the collected data. Since the internal states of the battery are affected by various variables, to accurately estimate the internal state of the battery, a combination of various variables such as the state of charge (SOC), current, voltage, temperature, etc. of the battery is configured and data for each of them is generated. Should be collected. Therefore, the higher the accuracy required, the more data is required, which leads to the problem of rising time and money costs.
  • SOC state of charge
  • the state information of the battery pack In order to estimate the state information of the battery pack, experimental data about the battery pack is required. However, due to the high cost of collecting the experimental data of the battery pack, the state information of the battery pack is generally estimated using the data measured in the battery cell. However, this practice is based on the assumption that the relationship between the variables measured in a battery cell is a scalable mechanism to a larger system such as a battery pack. Therefore, unless additional verification is performed to verify the extensibility of the mechanism in advance, the state information estimated for the battery pack in the above manner may be difficult to be trusted because of accuracy problems.
  • the conventional method for estimating the battery internal state is poor in adaptability. Batteries change their properties over time. This is called an aging effect.
  • the aging effect changes the voltage, current, and temperature of the battery and the correlation between measurable variables and the internal state over time.
  • the table that summarizes the correlation between the data collected through the experiment and the internal state is completed, it is difficult to reflect the aging effect.
  • a number of experiments have to be carried out beforehand, or the aging effect must be accurately predicted and reflected in the experimental model in advance.
  • the former has a problem of rising cost, and the latter risks the reliability of internal state estimates deteriorating if the aging effect cannot be accurately predicted in advance.
  • the design change of the battery cell such as the active material used in the battery cell, the shape of the battery cell, or the like may cause a change in the characteristics of the battery cell. If these changes are not predicted and reflected in the experimental model, the existing experimental model cannot be used in case of design change after the fact.
  • the internal state of the battery can also be estimated using an electrochemical model (eg Newman's model) that takes into account the electrochemical phenomena and thermal behavior of the battery.
  • an electrochemical model eg Newman's model
  • Using such an electrochemical model has the advantage that physical states, which are difficult to measure directly, can be used as control parameters of a battery management system.
  • the method of using such an electrochemical model is difficult to be utilized in a battery management system because not only excessive development time and cost are required, but also a large amount of resources required for calculation.
  • the proposed MSMD Multi-Scale Multi-Dimensional
  • the particle level analysis region the behavior of lithium ions inside the solid active material particles is modeled and referred to as a particle domain model (PDM).
  • PDM particle domain model
  • EDM electrode domain model
  • the EDM electrode domain model
  • the temperature, current, and voltage behavior of the entire cell including the current collector are modeled, which is called a CDM (cell domain model).
  • each analysis domain modeling and calculations are performed independently. However, each analysis area is not completely separated and the minimum information required for analysis is exchanged between adjacent areas.
  • the MSMD model can efficiently calculate the interaction of complex multiple physical phenomena by separating the analysis domains hierarchically according to the magnitude of physics occurring.
  • the choice of model is free due to the computational independence between analysis domains. For example, if information is exchanged properly between analysis domains, any model used at the particle level will not affect the model selection at the higher level.
  • the modular structure of the MSMD has a high expandability that can be extended to not only a single cell but also a battery pack.
  • the MSMD model is complex and computational, making it difficult to estimate the internal state of the battery being used in real electrical devices. There was a problem.
  • the inventors of the present invention have developed a GH-MSMD model using G parameters and H parameters to dramatically increase the computational speed in the existing MSMD model.
  • the G parameter is a state amount indicating the sensitivity of the terminal voltage to the change of the applied current of the battery in use and has a unit of resistance.
  • the H parameter is the effective potential determined by the local equilibrium potential distribution and resistance distribution in the battery during use.
  • the G- and H-parameters of the battery can be quantified by an explicit correlation between the material properties of the battery and the design variables using a theoretical model. Therefore, the internal state can be easily estimated from the G and H parameters of the battery.
  • the G and H parameters of the battery will be described below.
  • V f (i; x, p).
  • x is a physical quantity representing the internal state of the battery
  • p is a parameter.
  • G is referred to as G parameter and H is referred to as H parameter.
  • H is referred to as H parameter.
  • -G.i is the overvoltage generated by the battery to flow the current through the terminal, and includes the reaction dynamic polarization amount and the electron and ion resistance polarization amount.
  • (Ueq-H) is the overvoltage caused by the local thermodynamic equilibrium of the battery being out of equilibrium of the entire system. In other words, (Ueq-H) represents the inefficiency caused by the thermodynamic unevenness inside the battery, the H parameter (H) is equal to the equilibrium potential (Ueq) when the internal system of the battery reaches the thermodynamic equilibrium state.
  • the battery state estimation method extracts the G parameter (G) and the H parameter (H) directly from the voltage and current values measured in the battery, for example, using a recursive least square method. To estimate the internal state of the battery.
  • FIG. 2 is a flowchart of a method of estimating a battery state, according to an exemplary embodiment.
  • the microprocessor 140 may perform the battery state estimation method illustrated in FIG. 2 using a recursive least squares method.
  • the recursive least squares method includes a G parameter ( ) And H parameters ( ) Is a state vector ( ) And covariance matrix P (t) can be used.
  • Covariance matrix P (t) may be defined as follows.
  • the state vector ( ) And the covariance matrix P (t) are updated for each first time period ⁇ t by a recursive method. Accordingly, the G parameter ( ) And H parameters ( ) Is also updated every first time period [Delta] t.
  • the microprocessor 140 uses a state vector ( ) And the covariance matrix P (t) can be initialized as follows (S10).
  • the state vector ( The elements of) and the elements of the covariance matrix P (t) are both initialized to 1, but this is exemplary and may be initialized to a different value.
  • the microprocessor 140 measures the voltage and current of the battery 110 periodically, for example, for each first time period ⁇ t, by using the voltage measuring unit 120 and the current measuring unit 130, thereby providing a voltage value. And generates a current value (S20).
  • the current measured voltage value and the current value are referred to as the current voltage value V (t) and the current current value I (t), respectively, and the voltage value and current value measured before the first time period ⁇ t are respectively. It is referred to as the immediately preceding voltage value V (t-1) and the immediately preceding current value I (t-1).
  • the microprocessor 140 uses the recursive least squares method to obtain G parameters from the voltage and current values. ) And H parameters ( ) Can be generated in real time (S20). According to the battery state estimating method according to the present invention, the G parameter according to the present voltage value V (t) and the present current value I (t) received every first time period ⁇ t. ) And H parameters ( ) Is updated.
  • the battery state measuring method uses a recursive method, before the current voltage value V (t) and the current current value I (t) are generated, the previous voltage value V (t-1) is generated. ) And the value immediately before the state vector (I (t-1)) ) And the immediately preceding value P (t-1) of the covariance matrix are calculated.
  • the microprocessor 140 may check the current value I (t) and the value immediately before the state vector ( Based on the current voltage estimate of battery 110 ( ) Can be calculated.
  • the previous value of the state vector ( ) Is the previous value of the G parameter ( ) And the previous value of the H parameter ( ) Current voltage estimate of battery 110 ( ) Is the current value (I (t)) and the value immediately before the G parameter ( Product of the H parameter ) can be calculated as a sum of the following equations, and can be expressed by the following equation.
  • the microprocessor 140 may update the gain matrix L (t) based on the current current value I (t) and the immediately preceding value P (t-1) of the covariance matrix.
  • the value immediately before the covariance matrix P (t-1) is equal to the first value immediately before the covariance matrix P 1 (t-1) and the second value immediately before the covariance matrix.
  • the gain matrix L (t) is the state vector ( ) And covariance matrix P (t).
  • the gain matrix L (t) may be calculated as follows.
  • ⁇ 1 is a first forgetting factor and is related to the G parameter.
  • ⁇ 2 is the second forgetting factor and is associated with the H parameter.
  • the first forgetting factor ⁇ 1 and the second forgetting factor ⁇ 2 are each G parameters ( ) And H parameters ( In calculating), the past voltage value and current value are the current value of the G parameter ( ) And the current value of the H parameter ( These are the values that indicate the effect on).
  • the first forgetting factor ⁇ 1 and the second forgetting factor ⁇ 2 are closer to 1, the current value of the G parameter for a long time ( ) And the current value of the H parameter ( ), The closer to 0, the shorter the time.
  • the first forgetting factor ⁇ 1 and the second forgetting factor ⁇ 2 may be 0.9 or more and 1 or less. According to another example, the first forgetting factor ⁇ 1 may be set to a value equal to or greater than the second forgetting factor ⁇ 2 . For example, the first forgetting factor ⁇ 1 may be set to 0.9999 and the second forgetting factor ⁇ 2 may be set to 0.95. This set value may vary depending on the characteristics of the battery 110.
  • the inventors of the present invention found that high reliability results were obtained when the first forgetting factor ⁇ 1 and the second forgetting factor ⁇ 2 were 0.9999 and 0.95, respectively.
  • the above values are exemplary and may be set to other values according to the characteristics of the battery 110.
  • the first forgetting factor ⁇ 1 may be set to 1 and the second forgetting factor ⁇ 2 may be set to 0.98.
  • both the first forgetting factor ⁇ 1 and the second forgetting factor ⁇ 2 may be set to one. In this case, it may be considered that the first forgetting factor ⁇ 1 and the second forgetting factor ⁇ 2 are not applied.
  • the microprocessor 140 performs the covariance matrix P (t) based on the current value I (t), the gain matrix L (t), and the previous value P (t-1) of the covariance matrix. Can be updated.
  • the gain matrix L (t) calculated above consists of a first value L 1 (t) of the gain matrix and a second value L 2 (t) of the gain matrix.
  • Covariance matrix P (t) can be calculated as follows.
  • the microprocessor 140 may present the current voltage value V (t) and the present voltage estimate ( The voltage error (e (t)) between) can be calculated as follows.
  • the microprocessor 140 may determine the value immediately before the state vector ( ), Based on the current value L (t) of the gain matrix, and the voltage error e (t), ), The current value of the G parameter ( ) And the current value of the H parameter ( ) Can be created.
  • the current value of the state vector ( ) Is the previous value of the state vector ( ) Is calculated by adding the product of the gain matrix L (t) and the voltage error e (t) as follows.
  • State vector ( ) Can be derived as follows.
  • a loss-function ⁇ to which the first forgetting factor ⁇ 1 and the second forgetting factor ⁇ 2 is applied is defined as follows.
  • V (i) is the i-th voltage value and I (i) is the i-th current value. Since t means current, V (t) and I (t) are the current voltage value and the current current value, respectively. Therefore, V (t-1) and I (t-1) are the immediately preceding voltage values and the immediately preceding current values, respectively.
  • G (i) and H (i) are the actual values of the i th G parameter and the H parameter, respectively.
  • Wow Denotes the present value estimate of the G parameter and the present value estimate of the H parameter, respectively.
  • the gain matrix L (t) and the covariance matrix P (t) are respectively calculated as described above.
  • Variables to be stored in the storage unit 150 Wow State vector containing ) And covariance matrix (P (t)).
  • the microprocessor 140 receives the current voltage value V (t) and the current current value I (t), the value immediately before the state vector ( ) And the previous value of the covariance matrix (P (t-1)) ) And the covariance matrix P (t) can be updated.
  • the storage unit 150 may further store a first forgetting factor ⁇ 1 and a second forgetting factor ⁇ 2 .
  • the gain matrix L (t) may be stored in the storage unit 150 according to the calculation order. The storage 150 does not need to store all the past voltage values and current values.
  • the battery state estimating method shown in FIG. 2 uses a recursive method, the calculation is very simple and can be performed using the storage unit 150 having a small size of several kB.
  • the covariance matrix P (t) are newly updated, so that the voltage and current variations of the battery 110 are substantially ) And the H parameter ( ) Can be reflected.
  • the microprocessor 140 may execute the G parameter (generated in step S20). ) And H parameters ( ) May be used to estimate the state of the battery 110 in real time (S40).
  • the microprocessor 140 repeatedly performs the steps S20-S40 for each first time period ⁇ t that measures the voltage value V (t) and the current value I (t) of the battery 110. can do.
  • the battery 110 may be modeled as an equivalent circuit in which the voltage source Vocv, the series resistor R0, the first RC networks R1 and C1, and the second RC networks R2 and C2 are connected in series.
  • the equivalent circuit of Figure 3 is most commonly used in the battery field.
  • the state of the battery 110 estimated by the microprocessor 140 in step S30 is the voltage of the voltage source Vocv of the battery 110 and the series resistance when the battery 110 is modeled as the equivalent circuit of FIG. 3. At least one of R0 and a sum of resistance components R0 + R1 + R2 of the equivalent circuit of the battery 110.
  • the state of the battery 110 estimated in step S30 is in the first voltage V1 and the second RC networks R2 and C2 that drop in the first RC networks R1 and C1 at the voltage of the voltage source Vocv. It may be a value obtained by subtracting the sum of the second voltages V2 that are dropped.
  • the battery 110 When the battery 110 is modeled as an equivalent circuit in which a voltage source Vocv, a series resistor R0 and n RC networks (n is a natural number of 1 or more) are connected in series, a battery that can be estimated in step S30.
  • the sum of the resistive components of the equivalent circuit of 110 is the sum of the n resistors included in the series resistor R0 and the n RC networks.
  • FIG. 4 is a flowchart of a battery state estimating method according to another exemplary embodiment.
  • one G parameter G and one H parameter H are updated based on past voltage values V and current values I, whereas FIG. According to the battery state estimation method, there is a difference in that a plurality of G parameters G and H parameters H divided based on the current change amount ⁇ I are updated.
  • the G parameters G and H parameters H are divided into three based on the current change amount ⁇ I, but this is exemplary and may be divided into fewer or more.
  • first to third state vectors ⁇ H , ⁇ L , ⁇ M , and first to third covariance matrices P H , P L , P M are prepared.
  • the storage unit 150 may store the first to third state vectors ⁇ H , ⁇ L , ⁇ M , and the first to third covariance matrices P H , P L , and P M.
  • the first to third state vectors ⁇ H , ⁇ L , ⁇ M are the first to third G parameters G H , G L , G M and the first to third H parameters H H , H L, respectively. , H M ).
  • the microprocessor 140 may initialize the first to third state vectors ⁇ H , ⁇ L , ⁇ M , and the first to third covariance matrices P H , P L , P M (S110). .
  • all elements of the first to third state vectors ⁇ H , ⁇ L , ⁇ M , and the first to third covariance matrices P H , P L , P M are Can be initialized to 1. However, this is exemplary and may be initialized to other values.
  • the microprocessor 140 measures the voltage and current of the battery 110 periodically, for example, at every first time period ⁇ t by using the voltage measuring unit 120 and the current measuring unit 130 of FIG. 1. In operation S120, a voltage value and a current value are generated.
  • the microprocessor 140 calculates a current difference ⁇ I between the current current value I (t) and the previous current value I (t-1) (S131).
  • the current difference ⁇ I may be calculated as
  • the storage unit 150 may further store a previous current value I (t-1). After the first time period ⁇ t passes, the current current value I (t) becomes the previous current value I (t-1).
  • the current difference ⁇ I calculated in step S131 is compared with the first threshold value (S132).
  • the first threshold may be set according to the capacity of the battery 110.
  • the first threshold value may be set to a value corresponding to 0.4C or more and 5C or less according to the capacity of the battery 110.
  • the first threshold value may be set to a value at which the battery 110 corresponds to a charge / discharge current of 0.5C. If the capacity of the battery 110 is 50Ah, the first threshold value may be set to 25A corresponding to a charge / discharge current of 0.5C.
  • the first state vector ⁇ H consisting of the first G parameter G H and the first H parameter H H , and the first covariance
  • the matrix P H is updated (S133). Specifically, based on the current current value I (t) and the latest value ⁇ H 'of the first state vector, the current voltage estimate of the battery 110 ( ) Can be calculated.
  • the latest value ⁇ H 'of the first state vector means a value stored in the storage unit 150 as the first state vector ⁇ H.
  • the gain matrix L may be calculated based on the current current value I (t) and the latest value P H ′ of the first covariance matrix.
  • the recent value P H ′ of the first covariance matrix refers to a value stored in the storage unit 150 as the first covariance matrix P H.
  • the first covariance matrix P H may be calculated based on the current current value I (t), the gain matrix L, and the recent value P H ′ of the first covariance matrix.
  • the first forgetting factor ⁇ 1 associated with the first G parameter G H and the first H parameter H are also associated.
  • the second forgetting factor ⁇ 2 may be applied.
  • the voltage error e is the current voltage estimate (V) at the current voltage value V (t). ) Is calculated by subtracting
  • the first state vector can be calculated in the last value ( ⁇ H ') and the gain matrix (L) and on the basis of the error voltage (e) the first state vector ( ⁇ H) calculated earlier.
  • the first state vector ⁇ H By calculating the first state vector ⁇ H , the first G parameter G H and the first H parameter H H are calculated together, and the current value and the first H parameter of the first G parameter G H are calculated.
  • the current value of (H H ) is generated.
  • the current difference ⁇ I calculated in step S131 is compared with the second threshold (S134).
  • the second threshold value is smaller than the first threshold value and may be set according to the capacity of the battery 110.
  • the second threshold value may be set to a value corresponding to a charge / discharge current of 0.0001C or more and 0.01C or less according to the capacity of the battery 110.
  • the second threshold value may be set to a value at which the battery 110 corresponds to a charge / discharge current of 0.001C.
  • the capacity of the battery 110 is 50Ah
  • the second threshold value may be set to 0.05A corresponding to a charge / discharge current of 0.001C.
  • the second state vector ⁇ L consisting of the second G parameter G L and the second H parameter H L , and the second covariance
  • the matrix P L is updated (S135). Specifically, based on the current current value I (t) and the latest value ⁇ L 'of the second state vector, the current voltage estimate of the battery 110 ( ) Can be calculated.
  • the latest value ⁇ L 'of the second state vector refers to a value stored in the storage unit 150 as a second state vector ⁇ L.
  • the gain matrix L may be calculated based on the current current value I (t) and the latest value P L ′ of the second covariance matrix.
  • the latest value P L ′ of the second covariance matrix refers to a value stored in the storage unit 150 as the second covariance matrix P L.
  • the second covariance matrix P L may be calculated based on the current current value I (t), the gain matrix L, and the latest value P L ′ of the second covariance matrix.
  • the first forgetting factor ⁇ 1 associated with the second G parameter G L and the second H parameter H L are also associated.
  • the second forgetting factor ⁇ 2 may be applied.
  • a first forgetting factor that is associated with ( ⁇ 1) is a step (S133), the first G parameter first forgetting factor ( ⁇ 1) that is associated with (G H) is described in It can be different.
  • the second H parameter second forgetting factor ( ⁇ 2) is a, the 1 H parameter second forgetting factor ( ⁇ 2) and being associated with (H H) as described in step (S133) relating to the (H L) It can be the same or different.
  • the voltage error e is the current voltage estimate (V) at the current voltage value V (t). ) Is calculated by subtracting
  • The may be the second state the output vector ( ⁇ L) on the basis of the last value ( ⁇ L ') and the gain matrix (L) and the voltage error (e) calculating front of the second state vector.
  • step S134 when the current difference ⁇ I exceeds the second threshold, that is, when the current difference ⁇ I is less than the first threshold and exceeds the second threshold, the third G parameter G M And a third state vector ⁇ M consisting of and a third H parameter H M , and a third covariance matrix P M are updated (S136). Specifically, based on the current current value I (t) and the latest value ⁇ M 'of the third state vector, the current voltage estimate of the battery 110 ( ) Can be calculated.
  • the latest value ⁇ M 'of the third state vector refers to a value stored in the storage unit 150 as a third state vector ⁇ M.
  • the gain matrix L may be calculated based on the current current value I (t) and the latest value P M ′ of the third covariance matrix.
  • the recent value P M ′ of the third covariance matrix refers to a value stored in the storage unit 150 as a third covariance matrix P M.
  • the third covariance matrix P M may be calculated based on the current current value I (t), the gain matrix L, and the latest value P M ′ of the third covariance matrix.
  • the first forgetting factor ⁇ 1 associated with the third G parameter G M and the third H parameter H M are also associated.
  • the second forgetting factor ⁇ 2 may be applied.
  • the voltage error e is the current voltage estimate (V) at the current voltage value V (t). ) Is calculated by subtracting
  • the calculation has to be three-state vector of the last value ( ⁇ M ') a third state vector ( ⁇ M) as the basis of the gain matrix (L) and the voltage error (e) calculated earlier.
  • the third state vector ⁇ M is calculated to generate a current value of the third G parameter G M and a current value of the third H parameter H M.
  • step S133, step S135, and step S136 are finished, the microprocessor 140 performs first to third G parameters G H , G L , G M and first to third H parameters (
  • the internal state of the battery 110 is estimated based on H H , H L , and H M (S140).
  • the series resistance R0 of the equivalent circuit is estimated in real time with the value of the first G parameter G H.
  • the sum of the resistance components of the equivalent circuit of FIG. 3 ie, R0 + R1 + R2
  • the sum of the resistance components of the equivalent circuit may also be estimated in real time as the value of the second G parameter G L.
  • the voltage of the voltage source Vocv of the equivalent circuit of FIG. 3 may be estimated in real time as the value of the second H parameter H L.
  • the second voltage dropped in the first voltage V1 and the second RC networks R2 and C2 drops in the first RC networks R1 and C1 at the voltage of the voltage source Vocv.
  • the value obtained by subtracting the sum of the voltages V2 may be estimated in real time as the value of the first H parameter H H.
  • the sum V1 + of the first voltage V1 dropped in the first RC networks R1 and C1 and the second voltage V2 dropped in the second RC networks R2 and C2 (V1 +).
  • V2) can be estimated in real time as the value obtained by subtracting the first parameter 2 H (H L) 1 H in the parameter (H H).
  • the current I (t) changes rapidly, and thus drops in the first RC networks R1 and C1.
  • the first voltage V1 and the second voltage V2 dropped in the second RC networks R2 and C2 change nonlinearly with respect to the current I (t). Therefore, the voltage V (t) and the current I (t) of the battery 110 have the following relationship.
  • V (t) Vocv + I (t) R0 + V1 + V2
  • step S133 when the current difference ⁇ I is equal to or greater than the first threshold value, in step S133, the first G parameter G H is derived as R0, and the first H parameter H H is derived as Vocv + V1 + V2. .
  • V (t) Vocv + I (t) R0 + I (t) R1 + I (t) R2
  • the second G parameter G L is derived as R 0 + R 1 + R 2, that is, ⁇ Ri, and the second H parameter H L is derived as Vocv. .
  • FIG. 5 is a graph comparing total sum of series resistance and resistance components measured experimentally with first and second G parameters G H and G L estimated in real time according to the battery state estimation method of the present invention.
  • a battery of 50 Ah capacity is operated based on a current / voltage usage pattern for about 12 days, and the series resistance R 0 and the sum of the resistance components ⁇ Ri are experimentally measured for the battery.
  • the first G parameter G H and the second G parameter G L estimated in real time based on the voltage value and current value periodically measured for the above battery in operation are shown in the graph of FIG. 5. .
  • the series resistance R0 of the battery measured experimentally is substantially equal to the second G parameter G L estimated in real time based on the voltage value and current value periodically measured for the battery. It can be seen that they are identical. In fact, the error between the series resistance R0 of the battery measured experimentally and the second G parameter G L estimated in real time was less than 1%.
  • the sum of the resistance components of the battery measured experimentally ⁇ Ri is a first G parameter G H estimated in real time based on a voltage value and a current value periodically measured for the battery. It can be seen that it is substantially the same as. In fact, the error between the sum of the resistance components ⁇ Ri of the battery measured experimentally and the first G parameter G H estimated in real time was less than 1%.
  • FIG. 6 is a graph comparing an open circuit voltage of a battery experimentally obtained with a second H parameter H L estimated in real time according to the battery state estimation method of the present invention.
  • a battery having a capacity of 50 Ah based on a current / voltage usage pattern is operated for about 12 days as shown in the graph of FIG. 5, and an open circuit voltage (OCV) measured experimentally for the battery is displayed.
  • OCV open circuit voltage
  • the second H parameter H L estimated in real time based on a voltage value and a current value periodically measured for the above battery in operation is shown in the graph of FIG. 5.
  • the open circuit voltage (OCV) of the battery measured experimentally is substantially equal to the second H parameter H L estimated in real time based on a voltage value and a current value periodically measured for the battery. It can be seen that the same. In fact, the error between the open circuit voltage (OCV) of the battery measured experimentally and the second H parameter (H L ) estimated in real time was less than 0.01%.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Sustainable Development (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

배터리 상태 추정 방법이 제공된다. 상기 배터리 상태 추정 방법은 사용 중인 배터리의 전압 및 전류를 주기적으로 측정하여 전압 값과 전류 값을 생성하는 단계; 적응형 필터를 이용하여 상기 전압 값과 상기 전류 값으로부터 상기 배터리의 현재 상태를 나타내는 G 파라미터의 값 및 H 파라미터의 값을 실시간으로 생성하는 단계; 및 상기 G 파라미터의 값 및 상기 H 파라미터의 값을 이용하여 상기 배터리의 상태를 실시간으로 추정하는 단계를 포함한다. 상기 G 파라미터는 상기 배터리의 전류 변화에 대한 전압의 민감도를 나타내는 파라미터이고, 상기 H 파라미터는 상기 배터리 내의 국부 평형전위 산포와 저항 분포에 의해 결정되는 유효 전위를 나타내는 파라미터이다. 상기 배터리 상태 추정 방법에 따르면, 배터리의 전압 값과 전류 값을 기초로 배터리의 상태를 실시간으로 정확하게 추정할 수 있다.

Description

배터리 상태 추정 방법
본 발명은 배터리 상태를 실시간으로 추정하는 방법에 관한 것이다.
배터리는 다른 에너지 저장 장치와 비교해서 적용 용이성이 높고, 상대적으로 높은 에너지, 전력 밀도 등의 특성으로 인하여 휴대용 기기뿐만 아니라 전기적 구동원에 의하여 구동하는 전기 차량(EV, Electric Vehicle) 또는 하이브리드 차량(HEV, Hybrid Electric Vehicle) 등에 광범위하게 적용되고 있다. 특히 강한 출력이 필요할 경우에는 복수의 배터리를 직렬 및 병렬로 연결한 배터리 팩이 사용될 수도 있다.
배터리 또는 배터리 팩으로 구동되는 전기 장치를 에너지 효율적이고 안전하게 이용하려면 배터리 관리가 중요하며 이를 위해서는 배터리 내부 상태의 정확한 추정과 진단이 필수적이다. 현재 배터리의 특성을 나타내기 위해 사용되는 배터리 내부 상태로는 저항 성분, 커패시턴스 성분, 개방 회로 전압(Open Circuit Voltage; OCV) 등이 있다.
본 발명이 해결하려는 과제는 배터리의 전압과 전류를 측정한 전압 값과 전류 값을 이용하여 배터리 상태를 추정하는 방법을 제공하는 것이다.
본 발명의 일 측면에 따른 배터리 상태 추정 방법은 사용 중인 배터리의 전압 및 전류를 주기적으로 측정하여 전압 값과 전류 값을 생성하는 단계; 적응형 필터를 이용하여 상기 전압 값과 상기 전류 값으로부터 상기 배터리의 현재 상태를 나타내는 G 파라미터의 값 및 H 파라미터의 값을 실시간으로 생성하는 단계; 및 상기 G 파라미터의 값 및 상기 H 파라미터의 값을 이용하여 상기 배터리의 상태를 실시간으로 추정하는 단계를 포함한다. 상기 G 파라미터는 상기 배터리의 전류 변화에 대한 전압의 민감도를 나타내는 파라미터이고, 상기 H 파라미터는 상기 배터리 내의 국부 평형전위 산포와 저항 분포에 의해 결정되는 유효 전위를 나타내는 파라미터이다.
상기 적응형 필터는 재귀적 최소 자승법(recursive least squares; RLS)을 이용한 필터일 수 있다.
상기 G 파라미터와 상기 H 파라미터로 이루어진 상태벡터, 및 공분산행렬을 초기화하는 단계를 더 포함할 수 있다. 상기 G 파라미터의 값 및 상기 H 파라미터의 값을 실시간으로 생성하는 단계는, 현재의 상기 전류 값과 상기 상태벡터의 직전 값에 기초하여 상기 배터리의 현재 전압 추정치를 산출하고, 상기 현재의 상기 전류 값과 상기 공분산행렬의 직전 값에 기초하여 이득행렬과 상기 공분산행렬을 갱신하는 단계; 현재의 상기 전압 값과 상기 현재 전압 추정치 사이의 전압 오차를 산출하는 단계; 및 상기 상태벡터의 직전 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 상태벡터를 갱신함으로써, 상기 G 파라미터의 현재 값 및 상기 H 파라미터의 현재 값을 생성하는 단계를 포함할 수 있다.
상기 배터리의 현재 전압 추정치는 상기 현재의 상기 전류 값과 상기 G 파라미터의 직전 값의 곱에 상기 H 파라미터의 직전 값을 가산한 값으로 산출될 수 있다.
상기 상태벡터의 현재 값은 상기 상태벡터의 직전 값에 상기 이득행렬의 현재 값과 상기 전압 오차의 곱을 가산한 값으로 산출될 수 있다.
상기 이득행렬과 상기 공분산행렬을 갱신할 때, 상기 G 파라미터와 관련되는 제1 망각 팩터(forgetting factor), 및 상기 H 파라미터와 관련되는 제2 망각 팩터가 적용될 수 있다.
상기 이득행렬은 아래의 수식으로 산출될 수 있다.
Figure PCTKR2019002761-appb-img-000001
상기 공분산행렬은 아래의 수식으로 산출될 수 있다.
Figure PCTKR2019002761-appb-img-000002
여기서, L(t)는 상기 이득행렬의 현재 값이고, L(t-1)는 상기 이득행렬의 직전 값이고, P(t)는 상기 공분산행렬의 현재 값이고, P(t-1)는 상기 공분산행렬의 직전 값이고, I(t)는 상기 현재의 상기 전류값이고, λ 1은 상기 제1 망각 팩터이고, λ 2는 상기 제2 망각 팩터일 수 있다.
상기 G 파라미터, 상기 H 파라미터, 및 상기 공분산행렬은 각각 제1 내지 제3 G 파라미터, 제1 내지 제3 H 파라미터, 및 제1 내지 제3 공분산행렬을 포함할 수 있다. 상기 제1 G 파라미터와 상기 제1 H 파라미터로 이루어진 제1 상태벡터, 상기 제2 G 파라미터와 상기 제2 H 파라미터로 이루어진 제2 상태벡터, 상기 제3 G 파라미터와 상기 제3 H 파라미터로 이루어진 제3 상태벡터, 및 상기 제1 내지 제3 공분산행렬을 초기화하는 단계를 더 포함할 수 있다.
상기 현재의 상기 전류 값과 직전의 상기 전류 값 사이의 전류 차이가 제1 임계값 이상인 경우, 상기 현재의 상기 전류 값과 상기 제1 상태벡터의 최근 값에 기초하여, 상기 배터리의 현재 전압 추정치를 산출하고, 상기 현재의 상기 전류 값과 상기 제1 공분산행렬의 직전 값에 기초하여 상기 이득행렬과 상기 제1 공분산행렬을 갱신하는 단계; 및 상기 제1 상태벡터의 최근 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제1 상태벡터를 갱신함으로써, 상기 제1 G 파라미터의 현재 값 및 상기 제1 H 파라미터의 현재 값을 생성하는 단계를 더 포함할 수 있다.
상기 배터리가 전압원(Vocv), 직렬저항(R0), 및 2개의 병렬 RC 네트워크(resistor-capacitor network)가 직렬로 연결되는 등가회로로 모델링될 때, 상기 제1 G 파라미터의 현재 값에 기초하여, 상기 배터리의 상기 직렬저항(R0)의 값을 추정하는 단계를 더 포함할 수 있다.
상기 현재의 상기 전류 값과 직전의 상기 전류 값 사이의 전류 차이가 제2 임계값 이하인 경우, 상기 현재의 상기 전류 값과 상기 제2 상태벡터의 최근 값에 기초하여, 상기 배터리의 현재 전압 추정치를 산출하고, 상기 현재의 상기 전류 값과 상기 제2 공분산행렬의 직전 값에 기초하여 상기 이득행렬과 상기 제2 공분산행렬을 갱신하는 단계; 및 상기 제2 상태벡터의 최근 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제2 상태벡터를 갱신함으로써, 상기 제2 G 파라미터의 현재 값 및 상기 제2 H 파라미터의 현재 값을 생성하는 단계를 더 포함할 수 있다.
상기 배터리가 전압원(Vocv), 직렬저항(R0), 및 2개의 병렬 RC 네트워크(resistor-capacitor network)가 직렬로 연결되는 등가회로로 모델링될 때, 상기 제2 G 파라미터의 현재 값에 기초하여, 상기 배터리의 상기 등가회로의 저항 성분들의 총합을 추정하는 단계를 더 포함할 수 있다.
상기 제2 H 파라미터의 현재 값에 기초하여, 상기 배터리의 상기 전압원(Vocv)을 추정하는 단계를 더 포함할 수 있다.
상기 현재의 상기 전류 값과 직전의 상기 전류 값 사이의 전류 차이가 제1 임계값 미만이고, 상기 제1 임계값보다 작은 제2 임계값을 초과하는 경우, 상기 현재의 상기 전류 값과 상기 제3 상태벡터의 최근 값에 기초하여, 상기 배터리의 현재 전압 추정치를 산출하고, 상기 현재의 상기 전류 값과 상기 제3 공분산행렬의 직전 값에 기초하여 상기 이득행렬과 상기 제3 공분산행렬을 갱신하는 단계; 및 상기 제3 상태벡터의 최근 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제3 상태벡터를 갱신함으로써, 상기 제3 G 파라미터의 현재 값 및 상기 제3 H 파라미터의 현재 값을 생성하는 단계를 더 포함할 수 있다.
본 발명의 다른 측면에 따른 배터리 상태 추정 방법은 재귀적 최소 자승법(recursive least squares; RLS) 필터에 사용되는 제1 내지 제3 상태벡터 및 제1 내지 제3 공분산행렬을 초기화하는 단계로서, 상기 제1 내지 제3 상태벡터는 각각 제1 내지 제3 G 파라미터와 제1 내지 제3 H 파라미터로 이루어지는 단계; 사용 중인 배터리의 전압 및 전류를 제1 시간 주기(time period)마다 측정하는 단계로서, 직전 전압 값과 직전 전류 값을 생성하고 상기 제1 시간 주기가 지난 후에, 현재 전압 값과 현재 전류 값을 생성하는 단계; 상기 현재 전류 값과 상기 직전 전류 값의 전류 차이가 제1 임계값 이상인 경우, 상기 제1 상태벡터와 상기 제1 공분산행렬을 갱신하고, 상기 전류 차이가 상기 제1 임계값보다 작은 제2 임계값 이하인 경우, 상기 제2 상태벡터와 상기 제2 공분산행렬을 갱신하고, 상기 전류 차이가 상기 제2 임계값을 초과하고 제1 임계값 미만인 경우, 상기 제3 상태벡터와 상기 제3 공분산행렬을 갱신하는 단계; 및 상기 배터리가 전압원(Vocv), 직렬저항(R0), 및 2개의 병렬 RC 네트워크(resistor-capacitor network)가 직렬로 연결되는 등가회로로 모델링될 때, 상기 제1 상태벡터의 상기 제1 G 파라미터의 값으로 상기 배터리의 상기 직렬저항(R0)의 값을 실시간으로 추정하고, 상기 제2 상태벡터의 상기 제2 G 파라미터의 값으로 상기 배터리의 상기 등가회로의 저항 성분들의 총합을 실시간으로 추정하는 단계를 포함한다.
상기 제1 상태벡터와 상기 제1 공분산행렬을 갱신하는 단계는, 상기 현재 전류 값과 상기 제1 상태벡터의 최근 값에 기초하여, 상기 배터리의 현재 전압 추정치를 산출하고, 이득행렬과 상기 제1 공분산행렬을 갱신하는 단계; 상기 현재 전압 값과 상기 현재 전압 추정치 사이의 전압 오차를 산출하는 단계; 및 상기 제1 상태벡터의 최근 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제1 상태벡터를 갱신하는 단계를 포함할 수 있다.
상기 이득행렬과 상기 제1 공분산행렬을 갱신할 때, 상기 제1 G 파라미터와 관련되는 제1 망각 팩터(forgetting factor), 및 상기 제1 H 파라미터와 관련되는 제2 망각 팩터가 적용될 수 있다.
상기 제2 상태벡터와 상기 제2 공분산행렬을 갱신하는 단계는, 상기 현재 전류 값과 상기 제2 상태벡터의 최근 값에 기초하여, 상기 배터리의 현재 전압 추정치를 산출하고 이득행렬과 상기 제2 공분산행렬을 갱신하는 단계; 상기 현재 전압 값과 상기 현재 전압 추정치 사이의 전압 오차를 산출하는 단계; 및 상기 제2 상태벡터의 최근 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제2 상태벡터를 갱신하는 단계를 포함할 수 있다.
본 발명의 다양한 실시예들에 따른 배터리 내부 상태 추정 방법은 비용, 확장성, 적응성 측면에서 종래의 방법에 비해 유리하다. 특히 종래의 실험 모델과 같이 제한된 실험 데이터에 기반한 추정 방법이 아니라, 직접 측정이 가능한 값들로부터 직접 배터리의 내부 상태를 추정하기 때문에 더 높은 정확성을 가질 수 있다.
뿐만 아니라, 본 발명의 다양한 실시예들에 따른 배터리 내부 상태 추정 방법은 배터리 관리 시스템(Battery Management System; BMS)에서 구현될 수 있다. 기존에도 배터리 관리 시스템에서 배터리 내부 상태를 추정할 수 있었으나, 실험 데이터를 기초로 작성된 테이블에 기반하여 배터리의 내부 상태를 추정하는 것이기 때문에 추정 오차가 클 뿐만 아니라, 테이블의 데이터를 모두 저장하고 있어야 한다. 그러나 본 발명에 따르면, 계산 시간을 획기적으로 줄일 수 있으며, 테이블 형태의 데이터를 저장하고 있을 필요도 없기 때문에, 배터리 관리 시스템에서도 쉽게 구현할 수 있다.
따라서, 본 발명의 다양한 실시예들에 따른 배터리의 전압과 전류를 측정한 전압 값과 전류 값을 이용하여 간단한 연산으로 배터리의 상태를 실시간으로 정확하게 추정할 수 있다. 배터리의 전압과 전류를 측정한 데이터만 이용되기 때문에 요구되는 하드웨어가 많지 않고, 배터리의 상태를 추정하는 연산 과정이 복잡하지 않기 때문에 배터리 팩의 배터리 관리 시스템과 같은 낮은 사양의 마이크로프로세서에서도 배터리의 상태를 실시간으로 정확하게 추정할 수 있다. 또한, 배터리 상태를 추정하는 연산에 필요한 데이터의 양이 많지 않기 때문에, 메모리의 크기가 크지 않더라도 본 발명에 따른 방법이 수행될 수 있다.
도 1은 일 실시예에 따른 배터리 상태 추정 방법을 수행하기 위한 배터리 시스템의 개략적인 구성도를 도시한다.
도 2는 일 실시예에 따른 배터리 상태 추정 방법의 순서도를 도시한다.
도 3은 배터리의 등가회로를 도시한다.
도 4는 다른 실시예에 따른 배터리 상태 추정 방법의 순서도를 도시한다.
도 5는 본 발명의 배터리 상태 추정 방법에 따라 실시간으로 추정된 제1 및 제2 G 파라미터들(G H, G L)과 실험적으로 측정한 직렬저항과 저항 성분들의 총합을 각각 비교하는 그래프이다.
도 6은 본 발명의 배터리 상태 추정 방법에 따라 실시간으로 추정된 제2 H 파라미터(H L)과 실험적으로 구한 배터리의 개방회로전압을 비교하는 그래프이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 배터리 상태 추정 방법을 수행하기 위한 배터리 시스템의 개략적인 구성도를 도시한다.
도 1을 참조하면, 배터리 시스템(100)은 배터리(110), 전압 측정부(120), 전류 측정부(130), 마이크로프로세서(140) 및 저장부(150)를 포함할 수 있다.
배터리(110)는 전력을 저장하는 부분으로서, 적어도 하나의 배터리 셀을 포함한다. 배터리(110)는 복수의 배터리 셀들을 포함할 수 있으며, 배터리 셀들은 직렬로 연결되거나, 병렬로 연결되거나, 또는 직렬과 병렬의 조합으로 연결될 수 있다. 배터리 셀은 충전가능한 이차 전지를 포함할 수 있다. 예컨대, 배터리 셀은 니켈-카드뮴 전지(nickel-cadmium battery), 납 축전지, 니켈-수소 전지(NiMH: nickel metal hydride battery), 리튬-이온 전지(lithium ion battery), 리튬 폴리머 전지(lithium polymer battery) 등을 포함할 수 있다. 배터리(110)에 포함되는 배터리 셀들의 개수는 요구되는 출력 전압에 따라서 결정될 수 있다.
도 1에는 하나의 배터리(110)가 도시되지만, 복수의 배터리(110)가 병렬 및/또는 직렬로 접속될 수 있으며, 외부 단자들을 통해 부하 및/또는 충전 장치에 연결될 수 있다. 도 1에 도시되지는 않았지만, 배터리(110)는 부하 및/또는 충전 장치에 연결되어 사용 중이며, 부하에 전력을 공급하기 위해 방전하고 있거나, 충전 장치로부터 전력을 공급받음으로써 충전하고 있을 수 있다.
전압 측정부(120)는 사용 중인 배터리(110)의 양 단자에 연결되어 배터리(110)의 전압을 주기적으로 측정하여 전압 값을 생성할 수 있다. 예컨대, 전압 측정부(120)는 제1 시간 주기(Δt)로 배터리(110)의 양 단자 전압을 측정할 수 있으며, 현재 또는 최근에 측정된 전압 값을 현재 전압 값이라고 지칭하고, V(t)로 표시할 수 있다. 또한, 제1 시간 주기(Δt) 전에 측정된 전압 값을 직전 전압 값이라고 지칭하고, V(t-1)로 표시할 수 있다. 제1 시간 주기(Δt)는 예컨대 1초일 수 있다. 그러나, 이는 예시적이며, 제1 시간 주기(Δt)는 다른 시간으로 설정될 수 있다. 예컨대, 제1 시간 주기(Δt)는 0.1초, 0.5초, 2초, 5초, 또는 10초 등으로 설정될 수도 있다. 제1 시간 주기(Δt)는 배터리(110)가 사용되는 전기 시스템에 따라 적절하게 설정될 수 있다.
도 1에는 전압 측정부(120)가 배터리(110)의 양 단자 전압을 측정하는 것으로 도시되어 있지만, 배터리(110)가 복수의 배터리 셀들, 복수의 배터리 모듈들, 또는 복수의 배터리 팩들로 구성되는 경우, 전압 측정부(120)는 각각의 배터리 셀, 각각의 배터리 모듈, 또는 각각의 배터리 팩의 양 단자 전압을 각각 측정할 수도 있다.
전류 측정부(130)는 사용 중인 배터리(110)의 전류를 주기적으로 측정하여 전류 값을 생성할 수 있다. 전압 측정부(120)와 전류 측정부(130)는 서로 동기화 되어 서로 동일 시점에 배터리(110)의 전압과 전류를 각각 측정할 수 있다. 전류 측정부(130)도 역시 제1 시간 주기(Δt)로 배터리(110)의 전류를 측정할 수 있다. 전류 측정부(130)가 측정한 전류 값은 충전 전류일 때 양(+)으로 표시되고 방전 전류일 때 음(-)으로 표시될 수 있다. 현재 또는 최근에 측정된 전류 값을 현재 전류 값이라고 지칭하고 I(t)로 표시할 수 있으며, 제1 시간 주기(Δt) 전에 측정된 전류 값을 직전 전류 값이라고 지칭하고 I(t-1)로 표시할 수 있다.
마이크로프로세서(140)는 전압 측정부(120)가 제공하는 전압 값, 및 전류 측정부(130)가 제공하는 전류 값으로부터 배터리의 현재 상태를 나타내는 G 파라미터의 값 및 H 파라미터의 값을 실시간으로 생성할 수 있다. 여기서, G 파라미터는 사용 중인 배터리(110)의 전류 변화에 대한 전압의 민감도를 나타내는 파라미터이고, H 파라미터는 사용 중인 배터리(110) 내의 국부 평형전위 산포와 저항 분포에 의해 결정되는 유효 전위를 나타내는 파라미터이다.
마이크로프로세서(140)는 전압 값과 전류 값으로부터 G 파라미터의 값 및 H 파라미터의 값을 생성하는데 적응형 필터를 이용할 수 있다. 마이크로프로세서(140)가 이용하는 적응형 필터는 재귀적 최소 자승법(recursive least squares; RLS)을 이용한 필터 또는 가중 최소 자승법(weighted least squares; WLS)을 이용한 필터일 수 있다. 아래에서는 마이크로프로세서(140)가 재귀적 최소 자승법을 이용한 필터를 이용하는 실시예에 대하여 자세히 설명한다.
마이크로프로세서(140)는 실시간으로 생성되는 G 파라미터의 값 및 H 파라미터의 값을 이용하여 배터리(110)의 상태를 실시간으로 추정할 수 있다. 여기서, 본 실시예에 따라 추정할 수 있는 배터리(110)의 상태는 개방회로전압(OCV), 직렬 저항 성분, 및 배터리(110) 내의 총 저항 성분일 수 있다.
마이크로프로세서(140)는 간단한 사칙 연산 정도로 본 실시예에 따른 배터리 상태 추정 방법을 수행할 수 있기 때문에, 마이크로프로세서(140)는 배터리 팩의 배터리 관리 시스템(BMS) 내에 포함될 수 있다. 다른 예에 따르면, 마이크로프로세서(140)는 전기 자동차의 배터리 관리 시스템 또는 ECU 내에 포함될 수 있다. 또 다른 예에 따르면, 마이크로프로세서(140)는 에너지 저장 시스템의 컨트롤러 내에 포함될 수 있다. 또 다른 예에 따르면, 마이크로프로세서(140)는 배터리 시스템 또는 에너지 저장 시스템에 통신으로 연결되는 서버의 프로세서로 구현될 수 있다.
저장부(150)는 마이크로프로세서(140)가 본 실시예에 따른 추정 방법을 수행하기 위해 필요한 명령어들 및 데이터를 저장할 수 있다. 본 실시예에 따른 추정 방법은 제1 시간 주기(Δt)마다 생성되는 전압 값과 전류 값을 기초로 G 파라미터의 값 및 H 파라미터의 값을 생성하고, G 파라미터의 값 및 H 파라미터의 값을 이용하여 배터리(110)의 상태를 추정하기 때문에, 저장부(150)에는 현재 전압 값, 현재 전류 값, 및 직전 전류 값 외에 다른 전압 및 전류 데이터가 저장되지 않아도 된다. 즉, 저장부(150)에 많은 양의 전압 및 전류 데이터가 저장될 필요가 없다. 또한 본 실시예에 따른 추정 방법에 따르면, 저장부(150)에는 G 파라미터와 H 파라미터로 이루어진 상태벡터의 직전 값과 현재 값, 및 재귀적 최소 자승법의 연산에 필요한 공분산행렬의 직전 값과 현재 값이 저장될 수 있다. 따라서 저장부(150)에는 많은 양의 명령어 및 데이터가 저장될 필요가 없기 때문에, 작은 크기의 메모리로 구현될 수 있다. 예컨대, 저장부(150)는 마이크로프로세서(140) 내의 메모리로 구현될 수도 있다.
종래에는 배터리의 측정 가능한 변수, 예컨대, 전류, 전압, 온도 등과 추정하고자 하는 내부 상태 간의 상관 관계를 사전에 실험적으로 찾아낸 후, 이러한 상관 관계를 테이블 형태로 만들고, 이를 사용하여 배터리의 저항, 커패시턴스, 개방회로전압과 같은 내부 상태를 추정하였다. 이러한 배터리 상태 추정 방법들은 실험을 통해 측정 가능한 변수와 내부 상태 간의 상관 관계를 찾아야 하기 때문에 비용과 시간이 많이 소요되고, 확장성(scalability)과 적응성(adaptability) 측면에서 약점을 가지고 있다.
이러한 종래의 방법에 따르면, 사전에 실험을 통해 방대한 데이터를 수집한 후, 수집한 데이터를 이용하여 배터리 내부 상태들이 추출된다. 배터리 내부 상태들은 여러 변수의 영향을 받기 때문에 배터리 내부 상태를 정확하게 추정하기 위해서는 배터리의 충전 상태(State of Charge; SOC), 전류, 전압, 온도 등과 같은 다양한 변수들의 조합을 구성하고 이들 각각에 대하여 데이터를 수집해야 한다. 따라서, 높은 정확도가 요구될수록 더 많은 데이터가 필요하게 되고, 이에 따라 시간적, 금전적 비용이 상승하는 문제가 발생한다.
뿐만 아니라, 실험에서 측정한 변수들의 범위를 초과하는 값에 대하여 외삽(extrapolation)을 통해 배터리 내부 상태를 추정하는 경우, 예컨대, 상온에서 측정한 데이터와 배터리 내부 상태 간의 상관 관계를 이용하여, 고온이나 저온에서의 배터리 내부 상태를 추정하려는 경우, 추정치는 신뢰하기 어려울 수 있다.
배터리 팩의 상태 정보를 추정하기 위해서는 배터리 팩에 대한 실험 데이터가 필요하다. 그러나 배터리 팩의 실험 데이터를 수집하는 데에 소요되는 높은 비용으로 인하여 일반적으로 배터리 셀에서 측정된 데이터를 이용하여 배터리 팩의 상태 정보를 추정한다. 그러나, 이러한 관행은 배터리 셀에서 측정한 변수들 간의 관계가 배터리 팩과 같은 더 큰 시스템으로 확장 가능한 메커니즘(scalable mechanism)이라는 가정에 기반한다. 따라서 추가적인 검증을 진행하여 메커니즘의 확장 가능성을 미리 입증하지 않는다면, 위와 같은 방법으로 배터리 팩에 대하여 추정한 상태 정보는 정확도에 문제가 있어 신뢰하기 어려울 수 있다.
또한, 종래의 배터리 내부 상태 추정 방법은 적응성(adaptability)이 떨어진다. 배터리는 시간이 지남에 따라 그 특성이 달라진다. 이를 시효(aging) 효과라고 하는데, 이러한 시효 효과에 의해 배터리의 전압, 전류, 온도와 측정 가능한 변수와 내부 상태 간의 상관 관계도 시간에 따라 변화하게 된다. 그러나 사전에 실험을 통한 수집한 데이터와 내부 상태의 상관 관계를 정리한 테이블이 완성되면, 시효 효과가 반영되기 힘들다. 시효 효과를 테이블에 반영하기 위해서는 사전에 시효 효과에 대하여 수많은 실험을 진행하거나, 시효 효과를 정확히 예측하여 실험 모델에 미리 반영해 두어야 한다. 그러나 전자는 비용 상승의 문제가 있고, 후자는 시효 효과를 사전에 정확하게 예측하지 못할 경우, 내부 상태 추정치의 신뢰도가 떨어진다는 위험성을 갖고 있다. 게다가, 시간뿐만 아니라 배터리 셀에 사용된 활물질이나 배터리 셀의 형상 등과 같은 배터리 셀의 설계 변경도 배터리 셀의 특성에 변화를 초래할 수 있다. 실험 모델에 이러한 변화를 미리 예측하여 반영해 두지 않으면, 사후에 설계 변경이 생길 경우 기존 실험 모델을 사용할 수가 없게 된다.
실험 모델 외에도 배터리 내의 전기화학적 현상과 열적 거동을 고려한 전기화학 모델(예컨대, Newman’s model)을 사용하여 배터리 내부 상태를 추정할 수도 있다. 이러한 전기화학 모델을 사용하게 되면 직접 측정이 어려운 물리적인 상태(physical states)를 배터리 관리 시스템의 제어 인자(control parameter)로 사용할 수 있다는 장점이 있다. 그러나 이러한 전기화학 모델을 사용하는 방법은 개발 시간과 비용이 과도하게 필요할 뿐만 아니라, 계산에 필요한 자원이 지나치게 크다는 단점이 있기 때문에, 배터리 관리 시스템에서 활용되기 어렵다.
종래의 실험 모델과 전기화학 모델의 단점을 극복하기 위하여 제안된 MSMD(Multi-Scale Multi-Dimensional) 모델은 배터리의 해석 영역을 미시적인 물리현상이 일어나는 입자 레벨, 극판 레벨과 거시적인 물리현상이 일어나는 셀 레벨로 계층적으로 구분한다. 입자 레벨의 해석 영역에서는 고체 활물질 입자 내부에서의 리튬 이온의 거동을 모델링하고, 이를 PDM(particle domain model)이라고 지칭한다. 극판 레벨의 해석 영역에서는 극판과 전해질에서 전자와 이온에 대한 보존 방정식을 통해 극판 내부에서의 전압, 전류의 거동을 모델링하고, 이를 EDM(electrode domain model)이라고 지칭한다. 가장 상위 레벨인 셀 레벨의 해석 영역에서는 극판 기재부(current collector)를 포함한 셀 전체의 온도와 전류, 전압의 거동에 대해 모델링하고, 이를 CDM(cell domain model)이라고 부른다.
각 해석 영역에서는 독립적으로 모델링과 계산이 수행된다. 그러나 각 해석 영역이 완전히 분리된 것은 아니며, 인접 영역 간에는 해석에 필요한 최소한의 정보가 교환된다. MSMD 모델은 발생하는 물리 현상의 규모에 따라 해석 영역을 계층적으로 분리함으로써 복잡한 다중 물리 현상의 상호 작용을 효율적으로 계산할 수 있다. 뿐만 아니라 해석 영역 간의 계산적 독립성으로 인해 모델 선택이 자유롭다. 예를 들면, 해석 영역들 간에 정보 교환이 제대로 이루어진다면, 입자 레벨에서 어떤 모형을 쓰더라도 상위 레벨의 모델 선택에 영향을 주지 않는다. 또한, MSMD의 모듈식의 구조(modular structure)는 단일 셀뿐만 아니라 배터리 팩에도 확장하여 적용할 수 있는 높은 확장성을 갖는다.
종래의 모델들에 비해 개선된 계산 효율성과와 모델 선택의 유연성, 확장성에도 불구하고, MSMD 모델은 복잡하고 연산량이 많기 때문에 실제 전기 장치에서 사용 중인 배터리의 내부 상태를 추정하는데 사용되기가 쉽지 않다는 문제가 있었다. 이러한 문제를 해결하기 위하여, 본 발명의 발명자들은 기존의 MSMD 모델에서 연산 속도를 획기적으로 높일 수 있도록, G 파라미터와 H 파라미터를 이용하는 GH-MSMD 모델을 개발하였다.
G 파라미터는 사용 중인 배터리의 인가전류 변화에 대한 단자전압의 민감도를 나타내는 상태량이며 저항의 단위를 갖는다. H 파라미터는 사용 중 배터리 내의 국부 평형전위 산포와 저항 분포에 의해 결정되는 유효 전위이다. 배터리의 G 파라미터와 H 파라미터는 이론 모델을 이용하여 배터리 소재 물성과 설계 변수들의 명시적 상관식으로 정량화 할 수 있다. 따라서 배터리의 G 파라미터와 H 파라미터로부터 내부 상태를 간단하게 추정할 수 있게 되었다. 아래에서 배터리의 G 파라미터와 H 파라미터에 대하여 설명한다.
배터리에서 전압(V)과 전류(i)가 V=f(i; x, p)와 같은 관계를 갖는다고 가정할 수 있다. 여기서, x는 배터리의 내부 상태를 나타내는 물리량이고, p는 파라미터이다.
함수(f)는 비선형 음함수(nonlinear implicit function)로서, 만약 함수(f)를 빠르게 변화하는 양(g)와 천천히 변화하는 양(h)으로 분리할 수 있다면, 위의 관계식은 V=g(i; x, p) + h(i; x, p)와 같이 표현할 수 있다.
만약 전류(i)에 대하여 천천히 변하는 G(i; x, p) = dg/di 라는 함수가 존재한다고 가정하면, 위의 관계식은 V=G(i; x, p)i + H(i; x, p)와 같이 표현될 수 있다.
위의 관계식에서 dG/di와 dH/di는 매우 작은 값을 갖는다. 다시 말해, 전술한 가정들이 만족되면, G와 H가 전류(i)에 대하여 느리게 변하는 함수이므로, 전압(V)와 전류(i)의 비선형적 관계를 나타내는 함수(f)는 위의 관계식과 같이 준선형 관계로 표현될 수 있다.
여기서, G는 G 파라미터로 지칭되며, H는 H 파라미터로 지칭된다. 전류(i)가 충방전 전류이고, Ueq가 배터리의 평형 전위라 하면, 방전 과전압은 G 파라미터(G)와 H 파라미터(H)를 이용하여 Ueq - V = -G·i + (Ueq - H)와 같이 표현될 수 있다.
여기서, -G·i는 배터리가 단자를 통해 전류를 흘리기 위해 발생하는 과전압이며, 반응 동역학적 분극량과 전자 및 이온 저항 분극량을 포함한다. (Ueq - H)는 배터리의 국부적인 열역학적 평형 상태가 전체 시스템의 평형 상태로부터 벗어나 있음으로 인해 발생하는 과전압이다. 즉, (Ueq - H)는 배터리 내부의 열역학적 불균일로 인해 발생하는 비효율을 나타내며, 배터리의 내부 시스템이 열역학적인 평형 상태에 다다르게 되면 H 파라미터(H)는 평형 전위(Ueq)와 같게 된다.
본 발명의 실시예들에 따른 배터리 상태 추정 방법은 예컨대 재귀적 최소 자승법을 이용하여 배터리에서 측정된 전압 값과 전류 값으로부터 직접적으로 G 파라미터(G)와 H 파라미터(H)를 추출하고, 이들을 통해 배터리의 내부 상태를 추정하는 것이다.
도 2는 일 실시예에 따른 배터리 상태 추정 방법의 순서도를 도시한다.
도 1과 함께 도 2를 참조하면, 마이크로프로세서(140)는 재귀적 최소 자승법을 이용하여 도 2에 도시된 배터리 상태 추정 방법을 수행할 수 있다.
본 실시예에 따른 배터리 상태 추정 방법에 따르면, 재귀적 최소 자승법에는 G 파라미터(
Figure PCTKR2019002761-appb-img-000003
) 및 H 파라미터(
Figure PCTKR2019002761-appb-img-000004
)로 이루어진 상태벡터(
Figure PCTKR2019002761-appb-img-000005
) 및 공분산행렬(P(t))이 사용될 수 있다.
상태벡터(
Figure PCTKR2019002761-appb-img-000006
)는 다음과 같이 정의될 수 있다.
Figure PCTKR2019002761-appb-img-000007
공분산행렬(P(t))은 다음과 같이 정의될 수 있다.
Figure PCTKR2019002761-appb-img-000008
제1 시간 주기(Δt)마다 배터리(110)의 전압 값(V(t)) 및 전류 값(I(t))이 측정됨에 따라, 상태벡터(
Figure PCTKR2019002761-appb-img-000009
) 및 공분산행렬(P(t))은 재귀적 방법에 의하여 제1 시간 주기(Δt)마다 갱신된다. 그에 따라, G 파라미터(
Figure PCTKR2019002761-appb-img-000010
) 및 H 파라미터(
Figure PCTKR2019002761-appb-img-000011
)도 역시 제1 시간 주기(Δt)마다 갱신된다.
본 실시예에 따른 배터리 상태 추정 방법에 따르면, 마이크로프로세서(140)는 상태벡터(
Figure PCTKR2019002761-appb-img-000012
) 및 공분산행렬(P(t))는 다음과 같이 초기화할 수 있다(S10).
Figure PCTKR2019002761-appb-img-000013
Figure PCTKR2019002761-appb-img-000014
본 예에서, 상태벡터(
Figure PCTKR2019002761-appb-img-000015
)의 원소들과 공분산행렬(P(t))의 원소들이 모두 1로 초기화되었지만, 이는 예시적이며 다른 값으로 초기화될 수 있다.
마이크로프로세서(140)는 전압 측정부(120) 및 전류 측정부(130)를 이용하여 배터리(110)의 전압 및 전류를 주기적으로, 예컨대, 제1 시간 주기(Δt)마다, 측정하여, 전압 값 및 전류 값을 생성한다(S20). 현재 측정된 전압 값과 전류 값은 각각 현재 전압 값(V(t))과 현재 전류 값(I(t))으로 지칭되고, 제1 시간 주기(Δt) 전에 측정된 전압 값과 전류 값은 각각 직전 전압 값(V(t-1))과 직전 전류 값(I(t-1))으로 지칭된다.
마이크로프로세서(140)는 재귀적 최소 자승법을 이용하여 전압 값 및 전류 값으로부터 G 파라미터(
Figure PCTKR2019002761-appb-img-000016
) 및 H 파라미터(
Figure PCTKR2019002761-appb-img-000017
)를 실시간으로 생성할 수 있다(S20). 본 발명에 따른 배터리 상태 추정 방법에 따르면, 제1 시간 주기(Δt)마다 수신되는 현재 전압 값(V(t))과 현재 전류 값(I(t))에 따라 G 파라미터(
Figure PCTKR2019002761-appb-img-000018
) 및 H 파라미터(
Figure PCTKR2019002761-appb-img-000019
)는 갱신된다.
본 실시예에 따른 배터리 상태 측정 방법은 재귀적 방법을 이용하므로, 현재 전압 값(V(t))과 현재 전류 값(I(t))이 생성되기 전에, 직전 전압 값(V(t-1)) 및 직전 전류 값(I(t-1))을 기초로 상태벡터의 직전 값(
Figure PCTKR2019002761-appb-img-000020
)과 공분산행렬의 직전 값(P(t-1))이 산출되어 있다.
현재 전압 값(V(t))과 현재 전류 값(I(t))이 생성되면, 마이크로프로세서(140)는 현재 전류 값(I(t))과 상태벡터의 직전 값(
Figure PCTKR2019002761-appb-img-000021
)에 기초하여, 배터리(110)의 현재 전압 추정치(
Figure PCTKR2019002761-appb-img-000022
)를 산출할 수 있다.
상태벡터의 직전 값(
Figure PCTKR2019002761-appb-img-000023
)은 G 파라미터의 직전 값(
Figure PCTKR2019002761-appb-img-000024
)과 H 파라미터의 직전 값(
Figure PCTKR2019002761-appb-img-000025
)으로 이루어진다. 배터리(110)의 현재 전압 추정치(
Figure PCTKR2019002761-appb-img-000026
)는 현재 전류 값(I(t))과 G 파라미터의 직전 값(
Figure PCTKR2019002761-appb-img-000027
)의 곱에 H 파라미터의 직전 값(
Figure PCTKR2019002761-appb-img-000028
)을 가산한 값으로 산출될 수 있으며, 다음과 같은 수식으로 나타낼 수 있다.
Figure PCTKR2019002761-appb-img-000029
마이크로프로세서(140)는 현재 전류 값(I(t)), 및 공분산행렬의 직전 값(P(t-1))에 기초하여, 이득행렬(L(t))을 갱신할 수 있다. 공분산행렬(P(t))의 정의에 따라, 공분산행렬의 직전 값(P(t-1))은 공분산행렬의 제1 직전 값(P 1(t-1))과 공분산행렬의 제2 직전 값(P 2(t-1))으로 이루어진다. 이득행렬(L(t))은 상태벡터(
Figure PCTKR2019002761-appb-img-000030
)와 공분산행렬(P(t))을 갱신할 때 사용된다. 이득행렬(L(t))은 다음과 같이 산출될 수 있다.
Figure PCTKR2019002761-appb-img-000031
여기서, λ 1는 제1 망각 팩터(forgetting factor)로서, G 파라미터와 관련된다. λ 2는 제2 망각 팩터로서, H 파라미터와 관련된다. 제1 망각 팩터(λ 1)와 제2 망각 팩터(λ 2)는 각각 G 파라미터(
Figure PCTKR2019002761-appb-img-000032
) 및 H 파라미터(
Figure PCTKR2019002761-appb-img-000033
)를 산출함에 있어서, 과거의 전압 값 및 전류 값이 G 파라미터의 현재 값(
Figure PCTKR2019002761-appb-img-000034
)과 H 파라미터의 현재 값(
Figure PCTKR2019002761-appb-img-000035
)에 끼치는 영향을 표시한 값들이다. 제1 망각 팩터(λ 1)와 제2 망각 팩터(λ 2)는 1에 가까울수록 오랜 시간 동안 G 파라미터의 현재 값(
Figure PCTKR2019002761-appb-img-000036
)과 H 파라미터의 현재 값(
Figure PCTKR2019002761-appb-img-000037
)에 끼치는 영향을 주고, 0에 가까울수록 짧은 시간 동안만 영향을 준다.
일 예에 따르면, 제1 망각 팩터(λ 1)와 제2 망각 팩터(λ 2)는 0.9 이상 1 이하일 수 있다. 다른 예에 따르면, 제1 망각 팩터(λ 1)는 제2 망각 팩터(λ 2)보다 크거나 같은 값으로 설정될 수 있다. 예컨대, 제1 망각 팩터(λ 1)는 0.9999로 설정되고, 제2 망각 팩터(λ 2)는 0.95로 설정될 수 있다. 이러한 설정 값은 배터리(110)의 특성에 따라 달라질 수 있다.
본 발명의 발명자들은 특정 배터리에 대해 수행한 실험에서 제1 망각 팩터(λ 1)와 제2 망각 팩터(λ 2)가 각각 0.9999와 0.95일 때 높은 신뢰도의 결과가 도출되었음을 발견하였다. 그러나, 위의 수치는 예시적이며, 배터리(110)의 특성에 따라 다른 값들로 설정될 수도 있다. 예를 들면, 제1 망각 팩터(λ 1)는 1로 설정되고, 제2 망각 팩터(λ 2)는 0.98로 설정될 수도 있다.
다른 예에서, 제1 망각 팩터(λ 1)와 제2 망각 팩터(λ 2)는 모두 1로 설정될 수도 있다. 이 경우, 제1 망각 팩터(λ 1)와 제2 망각 팩터(λ 2)가 적용되지 않은 것으로 볼 수 있다.
마이크로프로세서(140)는 현재 전류 값(I(t)), 이득행렬(L(t)) 및 공분산행렬의 직전 값(P(t-1))에 기초하여, 공분산행렬(P(t))을 갱신할 수 있다. 앞에서 산출된 이득행렬(L(t))은 이득행렬의 제1 값(L 1(t))과 이득행렬의 제2 값(L 2(t))으로 이루어진다. 공분산행렬(P(t))은 다음과 같이 산출될 수 있다.
Figure PCTKR2019002761-appb-img-000038
마이크로프로세서(140)는 현재 전압 값(V(t))과 앞에서 산출한 현재 전압 추정치(
Figure PCTKR2019002761-appb-img-000039
) 사이의 전압 오차(e(t))를 다음과 같이 산출할 수 있다.
Figure PCTKR2019002761-appb-img-000040
마이크로프로세서(140)는 상태벡터의 직전 값(
Figure PCTKR2019002761-appb-img-000041
), 이득행렬의 현재 값(L(t)), 및 전압 오차(e(t))에 기초하여 상태벡터(
Figure PCTKR2019002761-appb-img-000042
)를 갱신함으로써, G 파라미터의 현재 값(
Figure PCTKR2019002761-appb-img-000043
) 및 H 파라미터의 현재 값(
Figure PCTKR2019002761-appb-img-000044
)을 생성할 수 있다.
상태벡터의 현재 값(
Figure PCTKR2019002761-appb-img-000045
)은 상태벡터의 직전 값(
Figure PCTKR2019002761-appb-img-000046
)에 이득행렬의 현재 값(L(t))과 전압 오차(e(t))의 곱을 가산한 값으로 아래와 같이 산출될 수 있다.
Figure PCTKR2019002761-appb-img-000047
상태벡터(
Figure PCTKR2019002761-appb-img-000048
)를 재귀적으로 표현하는 위의 수식은 다음과 같이 도출될 수 있다.
우선, 제1 망각 팩터(λ 1)와 제2 망각 팩터(λ 2)가 적용된 손실 함수(loss-function, ε)는 다음과 같이 정의된다.
Figure PCTKR2019002761-appb-img-000049
여기서, V(i)는 i번째 전압 값이고, I(i)는 i번째 전류 값이다. t가 현재를 의미하므로 V(t)와 I(t)는 각각 현재 전압 값과 현재 전류 값이다. 따라서, V(t-1)와 I(t-1)는 각각 직전 전압 값과 직전 전류 값이다.
G(i)와 H(i)는 각각 i번째 G 파라미터와 H 파라미터의 실제 값이고,
Figure PCTKR2019002761-appb-img-000050
와
Figure PCTKR2019002761-appb-img-000051
는 각각 G 파라미터의 현재 값 추정치와 H 파라미터의 현재 값 추정치를 의미한다.
Figure PCTKR2019002761-appb-img-000052
와
Figure PCTKR2019002761-appb-img-000053
에 대하여 손실 함수(ε)가 최소가 되어야 하므로, 손실 함수(ε)를
Figure PCTKR2019002761-appb-img-000054
와
Figure PCTKR2019002761-appb-img-000055
에 대하여 각각 미분한 결과가 0이 되어야 한다.
우선, 손실 함수(ε)를
Figure PCTKR2019002761-appb-img-000056
에 대하여 각각 미분한 결과가 0이 되는
Figure PCTKR2019002761-appb-img-000057
를 구해보면 다음과 같다.
Figure PCTKR2019002761-appb-img-000058
위 수식을 정리하면,
Figure PCTKR2019002761-appb-img-000059
는 다음과 같다.
Figure PCTKR2019002761-appb-img-000060
손실 함수(ε)를
Figure PCTKR2019002761-appb-img-000061
에 대하여 각각 미분한 결과가 0이 되는
Figure PCTKR2019002761-appb-img-000062
를 구해보면 다음과 같다.
Figure PCTKR2019002761-appb-img-000063
위 수식을 정리하면,
Figure PCTKR2019002761-appb-img-000064
는 다음과 같다.
Figure PCTKR2019002761-appb-img-000065
실시간 추정을 위하여, 위에서 구한
Figure PCTKR2019002761-appb-img-000066
와
Figure PCTKR2019002761-appb-img-000067
를 상태벡터(
Figure PCTKR2019002761-appb-img-000068
)를 이용하여 재귀적인 형태로 정리하면 다음과 같다.
Figure PCTKR2019002761-appb-img-000069
전압 오차(e(t))와 현재 전압 추정치(
Figure PCTKR2019002761-appb-img-000070
)는 각각
Figure PCTKR2019002761-appb-img-000071
와
Figure PCTKR2019002761-appb-img-000072
으로 산출되므로, 상태벡터(
Figure PCTKR2019002761-appb-img-000073
)는 전술한 바와 같이 아래와 같이 표현될 수 있다.
Figure PCTKR2019002761-appb-img-000074
여기서, 이득행렬(L(t))와 공분산행렬(P(t))은 각각 전술한 바와 같이 아래와 같이 산출된다.
Figure PCTKR2019002761-appb-img-000075
Figure PCTKR2019002761-appb-img-000076
저장부(150)에는 도 2에 도시된 배터리 상태 추정 방법을 수행하기 위한 명령어들, 및 수 개의 변수들이 저장된다. 저장부(150)에 저장되어야 하는 변수들은
Figure PCTKR2019002761-appb-img-000077
와
Figure PCTKR2019002761-appb-img-000078
를 포함하는 상태벡터(
Figure PCTKR2019002761-appb-img-000079
)과 공분산행렬(P(t))뿐일 수 있다. 마이크로프로세서(140)가 현재 전압 값(V(t))과 현재 전류 값(I(t))을 수신하면, 상태벡터의 직전 값(
Figure PCTKR2019002761-appb-img-000080
)과 공분산행렬의 직전 값(P(t-1))을 이용하여 재귀적 방법을 이용하여 상태벡터(
Figure PCTKR2019002761-appb-img-000081
)과 공분산행렬(P(t))를 갱신할 수 있다.
저장부(150)에는 제1 망각 팩터(λ 1)와 제2 망각 팩터(λ 2)가 더 저장될 수 있다. 또한, 연산 순서에 따라 저장부(150)에 이득행렬(L(t))이 저장될 수도 있다. 저장부(150)에는 과거의 전압 값들과 전류 값들이 모두 저장될 필요가 없다.
도 2에 도시된 배터리 상태 추정 방법은 재귀적 방법을 이용하기 때문에, 연산이 매우 간단할 뿐만 아니라, 수 kB 수준의 작은 크기의 저장부(150)로도 연산이 가능하다. 게다가, 전압 값과 전류 값이 수신될 때마다 상태벡터(
Figure PCTKR2019002761-appb-img-000082
)과 공분산행렬(P(t))을 새롭게 갱신하므로, 배터리(110)의 전압 및 전류 변동이 실질적으로 실시간으로 G 파라미터(
Figure PCTKR2019002761-appb-img-000083
)와 H 파라미터(
Figure PCTKR2019002761-appb-img-000084
)에 반영될 수 있다.
마이크로프로세서(140)는 단계(S20)에서 생성된 G 파라미터(
Figure PCTKR2019002761-appb-img-000085
) 및 H 파라미터(
Figure PCTKR2019002761-appb-img-000086
)를 이용하여 배터리(110)의 상태를 실시간으로 추정할 수 있다(S40).
마이크로프로세서(140)는 배터리(110)의 전압 값(V(t))과 전류 값(I(t))을 측정하는 제1 시간 주기(Δt)마다 단계들(S20-S40)을 반복적으로 수행할 수 있다.
도 3은 배터리(110)의 등가회로를 도시한다.
배터리(110)는 전압원(Vocv), 직렬저항(R0), 제1 RC 네트워크(R1, C1), 및 제2 RC 네트워크(R2, C2)가 직렬로 연결되는 등가회로로 모델링될 수 있다. 도 3의 등가회로는 배터리 분야에서 가장 일반적으로 사용된다.
마이크로프로세서(140)에 의해 단계(S30)에서 추정되는 배터리(110)의 상태는 배터리(110)를 도 3의 등가회로로 모델링할 때, 배터리(110)의 전압원(Vocv)의 전압, 직렬저항(R0), 및 배터리(110)의 등가회로의 저항 성분들의 총합(R0+R1+R2) 중 적어도 하나일 수 있다. 단계(S30)에서 추정되는 배터리(110)의 상태는 전압원(Vocv)의 전압에서 제1 RC 네트워크(R1, C1)에서 강하되는 제1 전압(V1) 및 제2 RC 네트워크(R2, C2)에서 강하되는 제2 전압(V2)의 합을 감산한 값일 수 있다.
배터리(110)가 전압원(Vocv), 직렬저항(R0), n개의 RC 네트워크들(n은 1이상의 자연수)가 직렬로 연결되는 등가회로로 모델링될 경우, 단계(S30)에서 추정될 수 있는 배터리(110)의 등가회로의 저항 성분들의 총합은 직렬저항(R0)과 n개의 RC 네트워크들에 포함된 n개의 저항들의 총합이다.
도 4는 다른 실시예에 따른 배터리 상태 추정 방법의 순서도를 도시한다.
도 2의 배터리 상태 추정 방법에 따르면, 과거의 전압 값들(V)과 전류 값들(I)을 기초로 하나의 G 파라미터(G)와 하나의 H 파라미터(H)가 갱신되는 반면에, 도 4의 배터리 상태 추정 방법에 따르면, 전류 변화량(ΔI)을 기초로 구분되는 복수의 G 파라미터들(G)과 H 파라미터들(H)을 갱신한다는 점에서 차이가 있다.
도 4의 예에서는 전류 변화량(ΔI)을 기초로 G 파라미터들(G)과 H 파라미터들(H)이 각각 3개로 구분되지만, 이는 예시적이며, 더 적거나 더 많은 개수로 구분될 수도 있다.
도 4에서 G 파라미터들(G)과 H 파라미터들(H)을 갱신하는 구체적인 방법 및 수식은 도 2를 참조로 앞에서 설명하였으므로, 반복하여 설명하지 않는다. 또한, 도 2에서는 수식 및 이의 도출 방법을 설명하기 위하여 G 파라미터를
Figure PCTKR2019002761-appb-img-000087
로 표시하고 H 파라미터를
Figure PCTKR2019002761-appb-img-000088
로 표시하였으나, 도 4의 배터리 상태 추정 방법에 관한 아래의 설명에서는 G 파라미터를 간단히 "G"로 표시하고, H 파라미터를 간단히 "H"로 표시한다. 또한, 상태벡터를 "Θ"로 표시하고, 공분산행렬을 "P"로 표시한다. 이와 같이 간략하게 표시하더라도, 본 기술분야의 통상의 기술자는 도 2에 관한 설명을 참조로 G 파라미터(G)와 H 파라미터(H)로 이루어진 상태벡터(Θ) 및 공분산행렬(P)을 갱신하는 방법을 쉽게 이해할 수 있을 것이다.
도 4의 배터리 상태 추정 방법에 따르면, 제1 내지 제3 상태벡터(Θ H, Θ L, Θ M), 및 제1 내지 제3 공분산행렬(P H, P L, P M)이 준비된다. 저장부(150)에는 제1 내지 제3 상태벡터(Θ H, Θ L, Θ M), 및 제1 내지 제3 공분산행렬(P H, P L, P M)가 저장될 수 있다. 제1 내지 제3 상태벡터(Θ H, Θ L, Θ M)는 각각 제1 내지 제3 G 파라미터(G H, G L, G M) 및 제1 내지 제3 H 파라미터(H H, H L, H M)로 이루어진다.
마이크로프로세서(140)는 제1 내지 제3 상태벡터(Θ H, Θ L, Θ M), 및 제1 내지 제3 공분산행렬(P H, P L, P M)를 초기화할 수 있다(S110). 도 2의 단계(S10)와 마찬가지로, 제1 내지 제3 상태벡터(Θ H, Θ L, Θ M), 및 제1 내지 제3 공분산행렬(P H, P L, P M)의 모든 원소들은 1로 초기화될 수 있다. 그러나, 이는 예시적이며 다른 값으로 초기화될 수도 있다.
마이크로프로세서(140)는 도 1의 전압 측정부(120) 및 전류 측정부(130)를 이용하여 배터리(110)의 전압 및 전류를 주기적으로, 예컨대, 제1 시간 주기(Δt)마다, 측정하여, 전압 값 및 전류 값을 생성한다(S120).
마이크로프로세서(140)는 현재 전류 값(I(t))와 직전 전류 값(I(t-1)) 간의 전류 차이(ΔI)를 산출한다(S131). 전류 차이(ΔI)는 |I(t)-I(t-1)|와 같이 산출될 수 있다. 저장부(150)는 직전 전류 값(I(t-1))이 더 저장될 수 있다. 제1 시간 주기(Δt)가 지나면, 현재 전류 값(I(t))는 직전 전류 값(I(t-1))이 된다.
단계(S131)에서 산출된 전류 차이(ΔI)는 제1 임계값과 비교된다(S132). 제1 임계값은 배터리(110)의 용량에 따라 설정될 수 있다. 예컨대, 제1 임계값은 배터리(110)의 용량에 따라 0.4C 이상 5C 이하의 충방전 전류에 해당하는 값으로 설정될 수 있다. 예컨대, 제1 임계값은 배터리(110)가 0.5C의 충방전 전류에 해당하는 값으로 설정될 수 있다. 배터리(110)의 용량이 50Ah라면, 제1 임계값은 0.5C의 충방전 전류에 해당하는 25A로 설정될 수 있다.
단계(S132)에서 전류 차이(ΔI)가 제1 임계값 이상인 경우, 제1 G 파라미터(G H)와 제1 H 파라미터(H H)로 이루어진 제1 상태벡터(Θ H), 및 제1 공분산행렬(P H)이 갱신된다(S133). 구체적으로, 현재 전류 값(I(t))과 제1 상태벡터의 최근 값(Θ H')에 기초하여, 배터리(110)의 현재 전압 추정치(
Figure PCTKR2019002761-appb-img-000089
)가 산출될 수 있다. 제1 상태벡터의 최근 값(Θ H')은 저장부(150)에 제1 상태벡터(Θ H)로 저장되어 있던 값을 의미한다.
현재 전류 값(I(t))과 제1 공분산행렬의 최근 값(P H')에 기초하여, 이득행렬(L)이 산출될 수 있다. 제1 공분산행렬의 최근 값(P H')은 저장부(150)에 제1 공분산행렬(P H)로 저장되어 있던 값을 의미한다. 또한, 현재 전류 값(I(t)), 이득행렬(L) 및 제1 공분산행렬의 최근 값(P H')에 기초하여, 제1 공분산행렬(P H)이 산출될 수 있다. 이득행렬(L)과 제1 공분산행렬(P H)을 산출할 때도, 제1 G 파라미터(G H)와 관련되는 제1 망각 팩터(λ 1)와 제1 H 파라미터(H H)와 관련되는 제2 망각 팩터(λ 2)가 적용될 수 있다.
전압 오차(e)는 현재 전압 값(V(t))에서 현재 전압 추정치(
Figure PCTKR2019002761-appb-img-000090
)를 감산함으로써 산출된다. 제1 상태벡터의 최근 값(Θ H')과 앞에서 산출된 이득행렬(L)과 전압 오차(e)를 기초로 제1 상태벡터(Θ H)가 산출될 수 있다. 제1 상태벡터(Θ H)가 산출됨으로써, 제1 G 파라미터(G H)과 제1 H 파라미터(H H)이 함께 산출되며, 제1 G 파라미터(G H)의 현재 값과 제1 H 파라미터(H H)의 현재 값이 생성된다.
현재 전압 추정치(
Figure PCTKR2019002761-appb-img-000091
), 이득행렬(L), 제1 공분산행렬(P H), 및 제1 상태벡터(Θ H)를 산출하는 수식은 도 2를 참조로 앞에서 설명되었으므로 반복하여 설명하지 않는다.
단계(S131)에서 전류 차이(ΔI)가 제1 임계값 미만인 경우, 단계(S131)에서 산출된 전류 차이(ΔI)는 제2 임계값과 비교된다(S134). 제2 임계값은 제1 임계값보다 작은 값으로서, 배터리(110)의 용량에 따라 설정될 수 있다. 예컨대, 제2 임계값은 배터리(110)의 용량에 따라 0.0001C 이상 0.01C 이하의 충방전 전류에 해당하는 값으로 설정될 수 있다. 예컨대, 제2 임계값은 배터리(110)가 0.001C의 충방전 전류에 해당하는 값으로 설정될 수 있다. 예컨대, 배터리(110)의 용량이 50Ah라면, 제2 임계값은 0.001C의 충방전 전류에 해당하는 0.05A로 설정될 수 있다.
단계(S134)에서 전류 차이(ΔI)가 제2 임계값 이하인 경우, 제2 G 파라미터(G L)와 제2 H 파라미터(H L)로 이루어진 제2 상태벡터(Θ L), 및 제2 공분산행렬(P L)이 갱신된다(S135). 구체적으로, 현재 전류 값(I(t))과 제2 상태벡터의 최근 값(Θ L')에 기초하여, 배터리(110)의 현재 전압 추정치(
Figure PCTKR2019002761-appb-img-000092
)가 산출될 수 있다. 제2 상태벡터의 최근 값(Θ L')은 저장부(150)에 제2 상태벡터(Θ L)로 저장되어 있던 값을 의미한다.
현재 전류 값(I(t))과 제2 공분산행렬의 최근 값(P L')에 기초하여, 이득행렬(L)이 산출될 수 있다. 제2 공분산행렬의 최근 값(P L')은 저장부(150)에 제2 공분산행렬(P L)로 저장되어 있던 값을 의미한다. 또한, 현재 전류 값(I(t)), 이득행렬(L) 및 제2 공분산행렬의 최근 값(P L')에 기초하여, 제2 공분산행렬(P L)이 산출될 수 있다. 이득행렬(L)과 제2 공분산행렬(P L)을 산출할 때도, 제2 G 파라미터(G L)와 관련되는 제1 망각 팩터(λ 1)와 제2 H 파라미터(H L)와 관련되는 제2 망각 팩터(λ 2)가 적용될 수 있다.
제2 G 파라미터(G L)와 관련되는 제1 망각 팩터(λ 1)는 단계(S133)에서 설명된, 제1 G 파라미터(G H)와 관련되는 제1 망각 팩터(λ 1)와 동일할 수도 있고 다를 수도 있다. 또한, 제2 H 파라미터(H L)와 관련되는 제2 망각 팩터(λ 2)는 단계(S133)에서 설명된, 제1 H 파라미터(H H)와 관련되는 제2 망각 팩터(λ 2)와 동일할 수도 있고 다를 수도 있다.
전압 오차(e)는 현재 전압 값(V(t))에서 현재 전압 추정치(
Figure PCTKR2019002761-appb-img-000093
)를 감산함으로써 산출된다. 제2 상태벡터의 최근 값(Θ L')과 앞에서 산출된 이득행렬(L)과 전압 오차(e)를 기초로 제2 상태벡터(Θ L)가 산출될 수 있다. 제2 상태벡터(Θ L)가 산출됨으로써, 제2 G 파라미터(G L)의 현재 값과 제2 H 파라미터(H L)의 현재 값이 생성된다.
현재 전압 추정치(
Figure PCTKR2019002761-appb-img-000094
), 이득행렬(L), 제2 공분산행렬(P L), 및 제2 상태벡터(Θ L)를 산출하는 수식은 도 2를 참조로 앞에서 설명되었으므로 반복하여 설명하지 않는다.
단계(S134)에서 전류 차이(ΔI)가 제2 임계값를 초과하는 경우, 즉, 전류 차이(ΔI)가 제1 임계값 미만이고 제2 임계값을 초과하는 경우, 제3 G 파라미터(G M)와 제3 H 파라미터(H M)로 이루어진 제3 상태벡터(Θ M), 및 제3 공분산행렬(P M)이 갱신된다(S136). 구체적으로, 현재 전류 값(I(t))과 제3 상태벡터의 최근 값(Θ M')에 기초하여, 배터리(110)의 현재 전압 추정치(
Figure PCTKR2019002761-appb-img-000095
)가 산출될 수 있다. 제3 상태벡터의 최근 값(Θ M')은 저장부(150)에 제3 상태벡터(Θ M)로 저장되어 있던 값을 의미한다.
현재 전류 값(I(t))과 제3 공분산행렬의 최근 값(P M')에 기초하여, 이득행렬(L)이 산출될 수 있다. 제3 공분산행렬의 최근 값(P M')은 저장부(150)에 제3 공분산행렬(P M)로 저장되어 있던 값을 의미한다. 또한, 현재 전류 값(I(t)), 이득행렬(L) 및 제3 공분산행렬의 최근 값(P M')에 기초하여, 제3 공분산행렬(P M)이 산출될 수 있다. 이득행렬(L)과 제3 공분산행렬(P M)을 산출할 때도, 제3 G 파라미터(G M)와 관련되는 제1 망각 팩터(λ 1)와 제3 H 파라미터(H M)와 관련되는 제2 망각 팩터(λ 2)가 적용될 수 있다.
전압 오차(e)는 현재 전압 값(V(t))에서 현재 전압 추정치(
Figure PCTKR2019002761-appb-img-000096
)를 감산함으로써 산출된다. 제3 상태벡터의 최근 값(Θ M')과 앞에서 산출된 이득행렬(L)과 전압 오차(e)를 기초로 제3 상태벡터(Θ M)가 산출될 수 있다. 제3 상태벡터(Θ M)가 산출됨으로써, 제3 G 파라미터(G M)의 현재 값과 제3 H 파라미터(H M)의 현재 값이 생성된다.
현재 전압 추정치(
Figure PCTKR2019002761-appb-img-000097
), 이득행렬(L), 제3 공분산행렬(P M), 및 제3 상태벡터(Θ M)를 산출하는 수식은 도 2를 참조로 앞에서 설명되었으므로 반복하여 설명하지 않는다.
단계(S133), 단계(S135) 및 단계(S136)가 종료되면, 마이크로프로세서(140)는 제1 내지 제3 G 파라미터(G H, G L, G M) 및 제1 내지 제3 H 파라미터(H H, H L, H M)를 기초로 배터리(110)의 내부 상태를 추정한다(S140). 배터리(110)가 도 3의 등가회로로 모델링되는 경우, 등가회로의 직렬저항(R0)은 제1 G 파라미터(G H)의 값으로 실시간으로 추정된다. 또한, 도 3의 등가회로의 저항 성분들의 총합(즉, R0+R1+R2)은 제2 G 파라미터(G L)의 값으로 실시간으로 추정된다. 배터리(110)가 n차 RC 네트워크를 포함하는 등가회로로 모델링되는 경우, 이 등가회로의 저항 성분들의 총합 역시 제2 G 파라미터(G L)의 값으로 실시간으로 추정될 수 있다.
도 3의 등가회로의 전압원(Vocv)의 전압은 제2 H 파라미터(H L)의 값으로 실시간으로 추정될 수 있다. 또한, 도 3의 등가회로에 있어서, 전압원(Vocv)의 전압에서 제1 RC 네트워크(R1, C1)에서 강하되는 제1 전압(V1) 및 제2 RC 네트워크(R2, C2)에서 강하되는 제2 전압(V2)의 합을 감산한 값은 제1 H 파라미터(H H)의 값으로 실시간으로 추정될 수 있다. 도 3의 등가회로에 있어서, 제1 RC 네트워크(R1, C1)에서 강하되는 제1 전압(V1) 및 제2 RC 네트워크(R2, C2)에서 강하되는 제2 전압(V2)의 합(V1+V2)은 제1 H 파라미터(H H)에서 제2 H 파라미터(H L)를 감산한 값으로 실시간으로 추정될 수 있다.
도 3을 참조하면, 도 4의 단계(S132)에서 전류 차이(ΔI)가 제1 임계값 이상인 경우, 전류(I(t))는 빠르게 변하는 것이므로, 제1 RC 네트워크(R1, C1)에서 강하되는 제1 전압(V1) 및 제2 RC 네트워크(R2, C2)에서 강하되는 제2 전압(V2)은 전류(I(t))에 대해 비선형적으로 변하게 된다. 따라서, 배터리(110)의 전압(V(t))과 전류(I(t))는 다음과 같은 관계를 갖는다.
V(t)=Vocv+I(t)R0+V1+V2
따라서 전류 차이(ΔI)가 제1 임계값 이상인 경우, 단계(S133)에서 제1 G 파라미터(G H)는 R0로 도출되고, 제1 H 파라미터(H H)는 Vocv+V1+V2로 도출된다.
도 4의 단계(S134)에서 전류 차이(ΔI)가 제2 임계값 이하인 경우, 전류(I(t))는 천천히 변하는 것이므로, 제1 RC 네트워크(R1, C1)에서 강하되는 제1 전압(V1)은 전류(I(t))와 저항(R1)의 곱으로 표현되고, 제2 RC 네트워크(R2, C2)에서 강하되는 제2 전압(V2)은 전류(I(t))와 저항(R2)의 곱으로 표현될 수 있다. 따라서, 배터리(110)의 전압(V(t))과 전류(I(t))는 다음과 같은 관계를 갖는다.
V(t)=Vocv+I(t)R0+I(t)R1+I(t)R2
따라서 전류 차이(ΔI)가 제2 임계값 이하인 경우, 제2 G 파라미터(G L)는 R0+R1+R2, 즉, ∑Ri로 도출되고, 제2 H 파라미터(H L)는 Vocv로 도출된다.
도 5는 본 발명의 배터리 상태 추정 방법에 따라 실시간으로 추정된 제1 및 제2 G 파라미터들(G H, G L)과 실험적으로 측정한 직렬저항과 저항 성분들의 총합을 각각 비교하는 그래프이다.
도 5의 그래프에는 약 12일간 전류/전압 사용 패턴에 기반하여 50Ah 용량의 배터리를 운전하고, 이 배터리에 대하여 실험적으로 측정한 직렬저항(R0)과 저항 성분들의 총합(∑Ri)이 표시된다. 이 때, 운전 중인 위 배터리에 대하여 주기적으로 측정한 전압 값 및 전류 값에 기반하여 실시간으로 추정한 제1 G 파라미터(G H)와 제2 G 파라미터(G L)가 도 5의 그래프에 도시된다.
도 5에 도시된 바와 같이, 실험적으로 측정한 배터리의 직렬저항(R0)은 배터리에 대하여 주기적으로 측정한 전압 값과 전류 값에 기반하여 실시간으로 추정한 제2 G 파라미터(G L)과 실질적으로 동일하다는 것을 알 수 있다. 실제로, 실험적으로 측정한 배터리의 직렬저항(R0)과 실시간으로 추정한 제2 G 파라미터(G L) 간의 오차는 1% 미만이었다.
도 5에 도시된 바와 같이, 실험적으로 측정한 배터리의 저항 성분들의 총합(∑Ri)은 배터리에 대하여 주기적으로 측정한 전압 값과 전류 값에 기반하여 실시간으로 추정한 제1 G 파라미터(G H)과 실질적으로 동일하다는 것을 알 수 있다. 실제로, 실험적으로 측정한 배터리의 저항 성분들의 총합(∑Ri)과 실시간으로 추정한 제1 G 파라미터(G H) 간의 오차는 1% 미만이었다.
도 6은 본 발명의 배터리 상태 추정 방법에 따라 실시간으로 추정된 제2 H 파라미터(H L)과 실험적으로 구한 배터리의 개방회로전압을 비교하는 그래프이다.
도 6의 그래프에는 도 5의 그래프에서와 같이 약 12일간 전류/전압 사용 패턴에 기반하여 50Ah 용량의 배터리를 운전하고, 이 배터리에 대하여 실험적으로 측정한 개방회로전압(OCV)이 표시된다. 이 때, 운전 중인 위 배터리에 대하여 주기적으로 측정한 전압 값 및 전류 값에 기반하여 실시간으로 추정한 제2 H 파라미터(H L)가 도 5의 그래프에 도시된다.
도 6에 도시된 바와 같이, 실험적으로 측정한 배터리의 개방회로전압(OCV)은 배터리에 대하여 주기적으로 측정한 전압 값과 전류 값에 기반하여 실시간으로 추정한 제2 H 파라미터(H L)과 실질적으로 동일하다는 것을 알 수 있다. 실제로, 실험적으로 측정한 배터리의 개방회로전압(OCV)과 실시간으로 추정한 제2 H 파라미터(H L) 간의 오차는 0.01% 미만이었다.
본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (18)

  1. 사용 중인 배터리의 전압 및 전류를 주기적으로 측정하여 전압 값과 전류 값을 생성하는 단계;
    적응형 필터를 이용하여 상기 전압 값과 상기 전류 값으로부터 상기 배터리의 현재 상태를 나타내는 G 파라미터의 값 및 H 파라미터의 값을 실시간으로 생성하는 단계; 및
    상기 G 파라미터의 값 및 상기 H 파라미터의 값을 이용하여 상기 배터리의 상태를 실시간으로 추정하는 단계를 포함하며,
    상기 G 파라미터는 상기 배터리의 전류 변화에 대한 전압의 민감도를 나타내는 파라미터이고,
    상기 H 파라미터는 상기 배터리 내의 국부 평형전위 산포와 저항 분포에 의해 결정되는 유효 전위를 나타내는 파라미터인 것을 특징으로 하는 배터리 상태 추정 방법.
  2. 제1 항에 있어서,
    상기 적응형 필터는 재귀적 최소 자승법(recursive least squares; RLS)을 이용한 필터인 것을 특징으로 하는 배터리 상태 추정 방법.
  3. 제2 항에 있어서,
    상기 G 파라미터와 상기 H 파라미터로 이루어진 상태벡터, 및 공분산행렬을 초기화하는 단계를 더 포함하고,
    상기 G 파라미터의 값 및 상기 H 파라미터의 값을 실시간으로 생성하는 단계는,
    현재의 상기 전류 값과 상기 상태벡터의 직전 값에 기초하여 상기 배터리의 현재 전압 추정치를 산출하고, 상기 현재의 상기 전류 값과 상기 공분산행렬의 직전 값에 기초하여 이득행렬과 상기 공분산행렬을 갱신하는 단계;
    현재의 상기 전압 값과 상기 현재 전압 추정치 사이의 전압 오차를 산출하는 단계; 및
    상기 상태벡터의 직전 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 상태벡터를 갱신함으로써, 상기 G 파라미터의 현재 값 및 상기 H 파라미터의 현재 값을 생성하는 단계를 포함하는 것을 특징으로 하는 배터리 상태 추정 방법.
  4. 제3 항에 있어서,
    상기 배터리의 현재 전압 추정치는 상기 현재의 상기 전류 값과 상기 G 파라미터의 직전 값의 곱에 상기 H 파라미터의 직전 값을 가산한 값으로 산출되는 것을 특징으로 하는 배터리 상태 추정 방법.
  5. 제3 항에 있어서,
    상기 상태벡터의 현재 값은 상기 상태벡터의 직전 값에 상기 이득행렬의 현재 값과 상기 전압 오차의 곱을 가산한 값으로 산출되는 것을 특징으로 하는 배터리 상태 추정 방법.
  6. 제3 항에 있어서,
    상기 이득행렬과 상기 공분산행렬을 갱신할 때, 상기 G 파라미터와 관련되는 제1 망각 팩터(forgetting factor), 및 상기 H 파라미터와 관련되는 제2 망각 팩터가 적용되는 것을 특징으로 하는 배터리 상태 추정 방법.
  7. 제6 항에 있어서,
    상기 이득행렬은 아래의 수식으로 산출되고,
    Figure PCTKR2019002761-appb-img-000098
    상기 공분산행렬은 아래의 수식으로 산출되고,
    Figure PCTKR2019002761-appb-img-000099
    여기서, L(t)는 상기 이득행렬의 현재 값이고, L(t-1)는 상기 이득행렬의 직전 값이고, P(t)는 상기 공분산행렬의 현재 값이고, P(t-1)는 상기 공분산행렬의 직전 값이고, I(t)는 상기 현재의 상기 전류값이고, λ 1은 상기 제1 망각 팩터이고, λ 2는 상기 제2 망각 팩터인 것을 특징으로 하는 배터리 상태 추정 방법.
  8. 제3 항에 있어서,
    상기 G 파라미터, 상기 H 파라미터, 및 상기 공분산행렬은 각각 제1 내지 제3 G 파라미터, 제1 내지 제3 H 파라미터, 및 제1 내지 제3 공분산행렬을 포함하고,
    상기 제1 G 파라미터와 상기 제1 H 파라미터로 이루어진 제1 상태벡터, 상기 제2 G 파라미터와 상기 제2 H 파라미터로 이루어진 제2 상태벡터, 상기 제3 G 파라미터와 상기 제3 H 파라미터로 이루어진 제3 상태벡터, 및 상기 제1 내지 제3 공분산행렬을 초기화하는 단계를 더 포함하는 것을 특징으로 하는 배터리 상태 추정 방법.
  9. 제8 항에 있어서,
    상기 현재의 상기 전류 값과 직전의 상기 전류 값 사이의 전류 차이가 제1 임계값 이상인 경우,
    상기 현재의 상기 전류 값과 상기 제1 상태벡터의 최근 값에 기초하여, 상기 배터리의 현재 전압 추정치를 산출하고, 상기 현재의 상기 전류 값과 상기 제1 공분산행렬의 직전 값에 기초하여 상기 이득행렬과 상기 제1 공분산행렬을 갱신하는 단계; 및
    상기 제1 상태벡터의 최근 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제1 상태벡터를 갱신함으로써, 상기 제1 G 파라미터의 현재 값 및 상기 제1 H 파라미터의 현재 값을 생성하는 단계를 더 포함하는 것을 특징으로 하는 배터리 상태 추정 방법.
  10. 제9 항에 있어서,
    상기 배터리가 전압원(Vocv), 직렬저항(R0), 및 2개의 병렬 RC 네트워크(resistor-capacitor network)가 직렬로 연결되는 등가회로로 모델링될 때, 상기 제1 G 파라미터의 현재 값에 기초하여, 상기 배터리의 상기 직렬저항(R0)의 값을 추정하는 단계를 더 포함하는 배터리 상태 추정 방법.
  11. 제8 항에 있어서,
    상기 현재의 상기 전류 값과 직전의 상기 전류 값 사이의 전류 차이가 제2 임계값 이하인 경우,
    상기 현재의 상기 전류 값과 상기 제2 상태벡터의 최근 값에 기초하여, 상기 배터리의 현재 전압 추정치를 산출하고, 상기 현재의 상기 전류 값과 상기 제2 공분산행렬의 직전 값에 기초하여 상기 이득행렬과 상기 제2 공분산행렬을 갱신하는 단계; 및
    상기 제2 상태벡터의 최근 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제2 상태벡터를 갱신함으로써, 상기 제2 G 파라미터의 현재 값 및 상기 제2 H 파라미터의 현재 값을 생성하는 단계를 더 포함하는 것을 특징으로 하는 배터리 상태 추정 방법.
  12. 제11 항에 있어서,
    상기 배터리가 전압원(Vocv), 직렬저항(R0), 및 2개의 병렬 RC 네트워크(resistor-capacitor network)가 직렬로 연결되는 등가회로로 모델링될 때, 상기 제2 G 파라미터의 현재 값에 기초하여, 상기 배터리의 상기 등가회로의 저항 성분들의 총합을 추정하는 단계를 더 포함하는 배터리 상태 추정 방법.
  13. 제12 항에 있어서,
    상기 제2 H 파라미터의 현재 값에 기초하여, 상기 배터리의 상기 전압원(Vocv)을 추정하는 단계를 더 포함하는 배터리 상태 추정 방법.
  14. 제8 항에 있어서,
    상기 현재의 상기 전류 값과 직전의 상기 전류 값 사이의 전류 차이가 제1 임계값 미만이고, 상기 제1 임계값보다 작은 제2 임계값을 초과하는 경우,
    상기 현재의 상기 전류 값과 상기 제3 상태벡터의 최근 값에 기초하여, 상기 배터리의 현재 전압 추정치를 산출하고, 상기 현재의 상기 전류 값과 상기 제3 공분산행렬의 직전 값에 기초하여 상기 이득행렬과 상기 제3 공분산행렬을 갱신하는 단계; 및
    상기 제3 상태벡터의 최근 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제3 상태벡터를 갱신함으로써, 상기 제3 G 파라미터의 현재 값 및 상기 제3 H 파라미터의 현재 값을 생성하는 단계를 더 포함하는 것을 특징으로 하는 배터리 상태 추정 방법.
  15. 재귀적 최소 자승법(recursive least squares; RLS) 필터에 사용되는 제1 내지 제3 상태벡터 및 제1 내지 제3 공분산행렬을 초기화하는 단계로서, 상기 제1 내지 제3 상태벡터는 각각 제1 내지 제3 G 파라미터와 제1 내지 제3 H 파라미터로 이루어지는 단계;
    사용 중인 배터리의 전압 및 전류를 제1 시간 주기(time period)마다 측정하는 단계로서, 직전 전압 값과 직전 전류 값을 생성하고 상기 제1 시간 주기가 지난 후에, 현재 전압 값과 현재 전류 값을 생성하는 단계;
    상기 현재 전류 값과 상기 직전 전류 값의 전류 차이가 제1 임계값 이상인 경우, 상기 제1 상태벡터와 상기 제1 공분산행렬을 갱신하고, 상기 전류 차이가 상기 제1 임계값보다 작은 제2 임계값 이하인 경우, 상기 제2 상태벡터와 상기 제2 공분산행렬을 갱신하고, 상기 전류 차이가 상기 제2 임계값을 초과하고 제1 임계값 미만인 경우, 상기 제3 상태벡터와 상기 제3 공분산행렬을 갱신하는 단계; 및
    상기 배터리가 전압원(Vocv), 직렬저항(R0), 및 2개의 병렬 RC 네트워크(resistor-capacitor network)가 직렬로 연결되는 등가회로로 모델링될 때, 상기 제1 상태벡터의 상기 제1 G 파라미터의 값으로 상기 배터리의 상기 직렬저항(R0)의 값을 실시간으로 추정하고, 상기 제2 상태벡터의 상기 제2 G 파라미터의 값으로 상기 배터리의 상기 등가회로의 저항 성분들의 총합을 실시간으로 추정하는 단계를 포함하는 배터리 상태 추정 방법.
  16. 제15 항에 있어서,
    상기 제1 상태벡터와 상기 제1 공분산행렬을 갱신하는 단계는,
    상기 현재 전류 값과 상기 제1 상태벡터의 최근 값에 기초하여, 상기 배터리의 현재 전압 추정치를 산출하고, 이득행렬과 상기 제1 공분산행렬을 갱신하는 단계;
    상기 현재 전압 값과 상기 현재 전압 추정치 사이의 전압 오차를 산출하는 단계; 및
    상기 제1 상태벡터의 최근 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제1 상태벡터를 갱신하는 단계를 포함하는 것을 특징으로 하는 배터리 상태 추정 방법.
  17. 제16 항에 있어서,
    상기 이득행렬과 상기 제1 공분산행렬을 갱신할 때, 상기 제1 G 파라미터와 관련되는 제1 망각 팩터(forgetting factor), 및 상기 제1 H 파라미터와 관련되는 제2 망각 팩터가 적용되는 것을 특징으로 하는 배터리 상태 추정 방법.
  18. 제15 항에 있어서,
    상기 제2 상태벡터와 상기 제2 공분산행렬을 갱신하는 단계는,
    상기 현재 전류 값과 상기 제2 상태벡터의 최근 값에 기초하여, 상기 배터리의 현재 전압 추정치를 산출하고 이득행렬과 상기 제2 공분산행렬을 갱신하는 단계;
    상기 현재 전압 값과 상기 현재 전압 추정치 사이의 전압 오차를 산출하는 단계; 및
    상기 제2 상태벡터의 최근 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제2 상태벡터를 갱신하는 단계를 포함하는 것을 특징으로 하는 배터리 상태 추정 방법.
PCT/KR2019/002761 2018-04-23 2019-03-08 배터리 상태 추정 방법 WO2019208924A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US16/981,139 US11366171B2 (en) 2018-04-23 2019-03-08 Battery state estimation method
JP2020556875A JP7095110B2 (ja) 2018-04-23 2019-03-08 バッテリ状態推定方法
CN201980027522.1A CN112005124B (zh) 2018-04-23 2019-03-08 电池状态评估方法
EP19794066.1A EP3786653A4 (en) 2018-04-23 2019-03-08 Battery state estimation method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0046986 2018-04-23
KR1020180046986A KR102650965B1 (ko) 2018-04-23 2018-04-23 배터리 상태 추정 방법

Publications (1)

Publication Number Publication Date
WO2019208924A1 true WO2019208924A1 (ko) 2019-10-31

Family

ID=68295045

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/002761 WO2019208924A1 (ko) 2018-04-23 2019-03-08 배터리 상태 추정 방법

Country Status (6)

Country Link
US (1) US11366171B2 (ko)
EP (1) EP3786653A4 (ko)
JP (1) JP7095110B2 (ko)
KR (1) KR102650965B1 (ko)
CN (1) CN112005124B (ko)
WO (1) WO2019208924A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252771A (zh) * 2021-12-13 2022-03-29 北京经纬恒润科技股份有限公司 一种电池参数在线辨识方法及系统
CN114418465A (zh) * 2022-03-29 2022-04-29 湖北工业大学 一种数据驱动的动力电池使用行为量化评估方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR102629463B1 (ko) * 2019-03-12 2024-01-25 삼성에스디아이 주식회사 배터리 건강 상태 추정 방법
CN110286325B (zh) * 2019-07-29 2021-07-20 四川嘉垭汽车科技有限公司 一种锂离子电池的局部敏感度分析方法
US11515587B2 (en) * 2019-10-10 2022-11-29 Robert Bosch Gmbh Physics-based control of battery temperature
KR20220009258A (ko) * 2020-07-15 2022-01-24 주식회사 엘지에너지솔루션 배터리 관리 장치, 배터리 팩, 에너지 저장 시스템 및 배터리 관리 방법
KR102471890B1 (ko) * 2020-08-03 2022-11-29 삼성에스디아이 주식회사 배터리 팩의 시뮬레이션 방법
KR102572652B1 (ko) * 2020-09-11 2023-08-31 삼성에스디아이 주식회사 배터리의 충전상태를 추정하는 방법
CN113033104B (zh) * 2021-03-31 2022-05-24 浙江大学 一种基于图卷积的锂电池荷电状态估计方法
KR102650969B1 (ko) * 2021-04-19 2024-03-25 삼성에스디아이 주식회사 2-브랜치 등가회로모델을 이용한 배터리 시뮬레이션 방법
JP2022169917A (ja) * 2021-04-28 2022-11-10 株式会社日立ハイテク 電池管理装置、電力システム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007005304A (ja) * 2005-06-21 2007-01-11 Gm Global Technology Operations Inc 可変忘却係数を持つ状態推定器を使用する制御及び監視の方法
JP2012063251A (ja) * 2010-09-16 2012-03-29 Calsonic Kansei Corp フィルタによるパラメータ推定装置
JP5635608B2 (ja) * 2009-07-29 2014-12-03 ザ・リージェンツ・オブ・ザ・ユニバーシティ・オブ・ミシガンＴｈｅ Ｒｅｇｅｎｔｓ Ｏｆ Ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｍｉｃｈｉｇａｎ バッテリ充電及び放電のスケジューリングシステム
KR20170022758A (ko) * 2015-08-21 2017-03-02 주식회사 엘지화학 이차 전지의 충전 조건 조정 장치 및 방법
WO2017129527A1 (en) * 2016-01-29 2017-08-03 Robert Bosch Gmbh Secondary battery management system

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0763799A (ja) * 1993-08-25 1995-03-10 Sharp Corp 電極パターン抵抗解析装置
JP3852372B2 (ja) * 2002-06-05 2006-11-29 日産自動車株式会社 二次電池の充電率推定装置
JP2005019019A (ja) 2003-06-23 2005-01-20 Yazaki Corp バッテリの劣化判定方法およびその装置
US8493035B2 (en) * 2004-09-29 2013-07-23 St-Ericsson Sa Charging method and circuit using indirect current sensing
JP4532416B2 (ja) 2006-01-12 2010-08-25 古河電気工業株式会社 バッテリ放電能力判定方法、バッテリ放電能力判定装置、及び電源システム
JP4963373B2 (ja) * 2006-04-19 2012-06-27 株式会社日本自動車部品総合研究所 燃料電池内部状態観測装置
JP4961830B2 (ja) 2006-05-15 2012-06-27 トヨタ自動車株式会社 蓄電装置の充放電制御装置および充放電制御方法ならびに電動車両
KR100968350B1 (ko) * 2007-08-08 2010-07-08 주식회사 엘지화학 배터리의 누설전류 감지 장치 및 방법
CN101567475B (zh) * 2008-04-22 2011-12-21 天津泛海科技有限公司 基于电流分段检测技术的锂电池/电池组计量和保护的电路
JP4523656B2 (ja) * 2008-05-29 2010-08-11 レノボ・シンガポール・プライベート・リミテッド コンピュータの試験方法およびコンピュータ・システム
KR101065180B1 (ko) * 2008-08-18 2011-09-19 숭실대학교산학협력단 디지털 록인 앰프를 이용한 대용량 전기화학기기의 임피던스 측정 방법 및 측정 장치
US8108160B2 (en) * 2008-09-25 2012-01-31 GM Global Technology Operations LLC Method and system for determining a state of charge of a battery
JP5349250B2 (ja) * 2008-12-01 2013-11-20 カルソニックカンセイ株式会社 電池モデル同定方法
DE102009002496A1 (de) * 2009-04-20 2010-10-21 Deutronic Elektronik Gmbh Lade- und Diagnoseverfahren für Batterien
JP2011122951A (ja) * 2009-12-11 2011-06-23 Honda Motor Co Ltd 二次電池の充電状態推定装置および劣化状態推定装置
JP5329500B2 (ja) * 2010-09-06 2013-10-30 カルソニックカンセイ株式会社 バッテリの充電率推定装置
KR101282687B1 (ko) * 2011-11-07 2013-07-05 현대자동차주식회사 차량용 배터리 상태 예측 방법
KR101486470B1 (ko) 2012-03-16 2015-01-26 주식회사 엘지화학 배터리 상태 추정 장치 및 방법
JP5944291B2 (ja) * 2012-10-05 2016-07-05 カルソニックカンセイ株式会社 バッテリのパラメータ等推定装置およびその推定方法
US9658291B1 (en) 2012-10-06 2017-05-23 Hrl Laboratories, Llc Methods and apparatus for dynamic estimation of battery open-circuit voltage
KR101398465B1 (ko) * 2012-11-23 2014-05-27 한국기술교육대학교 산학협력단 배터리 상태 판단 장치 및 그 판단 방법
AT512003A3 (de) 2013-01-23 2014-05-15 Avl List Gmbh Verfahren zur Ermittlung eines regelungstechnischen Beobachters für den SoC
JP2014202630A (ja) * 2013-04-05 2014-10-27 トヨタ自動車株式会社 電池システム
DE112014003571B4 (de) * 2013-08-02 2021-11-25 Danfoss Power Electronics A/S Automatisierte Motoranpassung
US10454453B2 (en) * 2014-01-10 2019-10-22 Reno Technologies, Inc. RF impedance matching network
EP3265835B1 (en) * 2015-03-05 2023-05-10 Volvo Car Corporation Estimation of battery parameters
JP6471636B2 (ja) * 2015-07-22 2019-02-20 スズキ株式会社 二次電池の充電状態推定装置
JP6451585B2 (ja) * 2015-10-13 2019-01-16 トヨタ自動車株式会社 プラグイン車両用バッテリの管理システム
JP6711981B2 (ja) * 2016-04-27 2020-06-17 マレリ株式会社 バッテリのパラメータ推定装置
US10099679B2 (en) * 2016-10-20 2018-10-16 Fca Us Llc Battery state and parameter estimation using a mixed sigma-point kalman filtering and recursive least squares technique
CN106707189B (zh) * 2016-12-30 2019-08-13 中国东方电气集团有限公司 液流电池系统荷电状态的检测方法及装置
US10054643B2 (en) * 2017-01-06 2018-08-21 GM Global Technology Operations LLC Method and apparatus for isolating root cause of low state of charge of a DC power source
CN107390127A (zh) * 2017-07-11 2017-11-24 欣旺达电动汽车电池有限公司 一种soc估算方法
CN107576919A (zh) * 2017-10-20 2018-01-12 广东石油化工学院 基于armax模型的动力电池荷电状态估算系统及方法
CN107957562B (zh) * 2018-01-05 2023-06-09 广西大学 一种锂离子电池剩余寿命在线预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007005304A (ja) * 2005-06-21 2007-01-11 Gm Global Technology Operations Inc 可変忘却係数を持つ状態推定器を使用する制御及び監視の方法
JP5635608B2 (ja) * 2009-07-29 2014-12-03 ザ・リージェンツ・オブ・ザ・ユニバーシティ・オブ・ミシガンＴｈｅ Ｒｅｇｅｎｔｓ Ｏｆ Ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｍｉｃｈｉｇａｎ バッテリ充電及び放電のスケジューリングシステム
JP2012063251A (ja) * 2010-09-16 2012-03-29 Calsonic Kansei Corp フィルタによるパラメータ推定装置
KR20170022758A (ko) * 2015-08-21 2017-03-02 주식회사 엘지화학 이차 전지의 충전 조건 조정 장치 및 방법
WO2017129527A1 (en) * 2016-01-29 2017-08-03 Robert Bosch Gmbh Secondary battery management system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3786653A4 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252771A (zh) * 2021-12-13 2022-03-29 北京经纬恒润科技股份有限公司 一种电池参数在线辨识方法及系统
CN114252771B (zh) * 2021-12-13 2024-05-07 北京经纬恒润科技股份有限公司 一种电池参数在线辨识方法及系统
CN114418465A (zh) * 2022-03-29 2022-04-29 湖北工业大学 一种数据驱动的动力电池使用行为量化评估方法

Also Published As

Publication number Publication date
KR20190123172A (ko) 2019-10-31
KR102650965B1 (ko) 2024-03-25
CN112005124B (zh) 2023-08-01
JP2021520178A (ja) 2021-08-12
CN112005124A (zh) 2020-11-27
EP3786653A1 (en) 2021-03-03
US20210048480A1 (en) 2021-02-18
JP7095110B2 (ja) 2022-07-04
US11366171B2 (en) 2022-06-21
EP3786653A4 (en) 2021-12-29

Similar Documents

Publication Publication Date Title
WO2019208924A1 (ko) 배터리 상태 추정 방법
WO2018199434A1 (ko) 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법
WO2017034277A1 (ko) 이차 전지의 퇴화도 추정 장치 및 방법
WO2019074221A1 (ko) 이차 전지의 충전 상태를 추정하기 위한 장치 및 그 방법
WO2020184812A1 (ko) 배터리 건강 상태 추정 방법
WO2017082705A1 (ko) 이차 전지의 출력 파라미터를 조정하는 시스템 및 그 방법
WO2016053055A1 (ko) 신속하게 절연 저항을 측정할 수 있는 절연 저항 측정 장치 및 방법
WO2020262787A1 (ko) 내부 단락 셀 검출 방법
WO2019066294A1 (ko) 리튬 이온 배터리 셀의 퇴화 정보를 획득하는 장치 및 방법
WO2018139764A2 (ko) 배터리 관리 장치 및 방법
WO2009088272A2 (ko) 배터리 관리 시스템에서 배터리의 ｓｏｃ 측정 방법 및 장치
WO2019139335A1 (ko) 배터리 셀의 성능을 테스트하기 위한 장치 및 방법
WO2018038383A1 (ko) 배터리 셀의 성능 테스트 장치 및 방법
WO2010016647A1 (en) Apparatus and method for estimating state of health of battery based on battery voltage variation pattern
WO2018235995A1 (ko) 전기자동차용 배터리의 열화 발생을 저감하면서 고속충전과 최대방전을 수행하기 위한 방법 및 그 장치
WO2016052900A1 (ko) 이차 전지의 방전 출력 추정 방법 및 장치
WO2020153637A1 (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
WO2019098722A1 (ko) 배터리 저항 추정 장치 및 방법
WO2022055080A1 (ko) 배터리의 충전상태를 추정하는 방법
WO2021080161A1 (ko) 배터리 관리 시스템, 배터리 팩, 전기 차량 및 배터리 관리 방법
WO2020262789A1 (ko) 이상 배터리 셀 검출 방법
WO2022103185A1 (ko) 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템
WO2018194225A1 (ko) 배터리 모니터링 및 보호 시스템
WO2022145776A1 (ko) 이차 전지 진단 장치 및 방법
WO2022145822A1 (ko) 배터리 관리 장치 및 방법

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: 19794066

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020556875

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019794066

Country of ref document: EP

Effective date: 20201123