WO2020184812A1 - 배터리 건강 상태 추정 방법 - Google Patents

배터리 건강 상태 추정 방법 Download PDF

Info

Publication number
WO2020184812A1
WO2020184812A1 PCT/KR2019/016610 KR2019016610W WO2020184812A1 WO 2020184812 A1 WO2020184812 A1 WO 2020184812A1 KR 2019016610 W KR2019016610 W KR 2019016610W WO 2020184812 A1 WO2020184812 A1 WO 2020184812A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
current
parameter
battery
voltage
Prior art date
Application number
PCT/KR2019/016610
Other languages
English (en)
French (fr)
Inventor
임병희
황용준
라야판크리스토버
김기헌
김제익
백승욱
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 JP2021554778A priority Critical patent/JP7292404B2/ja
Priority to EP19918598.4A priority patent/EP3940405A4/en
Priority to US17/310,954 priority patent/US20220082626A1/en
Priority to CN201980093958.0A priority patent/CN113557439A/zh
Publication of WO2020184812A1 publication Critical patent/WO2020184812A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Definitions

  • the present invention relates to a method of estimating the state of health (SOH) of a battery in real time.
  • Batteries have high applicability compared to other energy storage devices, and due to characteristics such as relatively high energy and power density, not only portable devices, but also electric vehicles (EVs, electric vehicles) or hybrid vehicles (HEVs, etc.) driven by electric drive sources.
  • Hybrid Electric Vehicle In particular, when strong output is required, a battery pack in which a plurality of batteries are connected in series and in parallel may be used.
  • Battery management is important for energy-efficient and safe use of an electric device driven by a battery or battery pack, and for this, it is essential to accurately estimate and diagnose the battery condition.
  • Currently widely used estimates include the state of charge (SOC) of the battery, the state of health of the battery (SOH), and the power limit estimation (PLE).
  • SOC state of charge
  • SOH state of health of the battery
  • PLE power limit estimation
  • BSE battery state estimation
  • the health state is also referred to as a battery life state, a battery aging state, a battery deterioration state, and the like, and is generally defined as a percentage of the current capacity relative to the initial capacity of the battery.
  • a method of estimating the health state by calculating the actual battery capacity by measuring the amount of discharged charge largely using a current sensor, OCV (Open Circuit Voltage)-SOC (State Of charge, a method of estimating a health state by utilizing the relationship, and a method of estimating a health state by tracking a resistance component or impedance parameter value of a battery are known.
  • OCV Open Circuit Voltage
  • SOC State Of charge
  • the problem to be solved by the present invention is to provide a method for accurately estimating the state of a battery in real time using a voltage value and a current value obtained by measuring the voltage and current of a battery in use by overcoming the weaknesses of conventional methods.
  • the present invention provides a method of estimating a health state by tracking a value of a G parameter among a G parameter and an H parameter representing the internal state of a battery.
  • the present invention provides an algorithm for estimating a health condition that can be loaded into a battery management system (BMS) by tracking the value of the G parameter in real time.
  • BMS battery management system
  • a method of estimating a health state of a battery includes the steps of periodically generating a voltage value and a current value by measuring voltage and current of a battery in use; Updating in real time a value of a G parameter and a value of an H parameter representing a current state of the battery from the voltage value and the current value using an adaptive filter; And estimating a health state of the battery in real time using a preset initial value and an end value of the G parameter and a current value of the G parameter.
  • the G parameter is a parameter representing a sensitivity of a voltage to a change in current of the battery
  • the H parameter is a parameter representing an effective potential determined by a local equilibrium potential distribution and a resistance distribution in the battery.
  • the health state of the battery is estimated based on a percentage value of the difference between the end value of the G parameter and the current value of the G parameter with respect to the difference between the end value of the G parameter and the initial value of the G parameter. Can be.
  • the adaptive filter may be a filter using recursive least squares (RLS).
  • RLS recursive least squares
  • the method of estimating a health state of the battery may include: initializing a state vector consisting of the G parameter and the H parameter, and a covariance matrix; And setting an initial value and an end value of the G parameter.
  • the periodically generating the voltage value and the current value may include: generating a voltage immediately before and a current value; And generating a current voltage value and a current current value after a preset time period.
  • the method of estimating a health state of the battery may include calculating a current difference between the current current value and the immediately preceding current value; And comparing the current difference with a preset range.
  • the value of the G parameter and the value of the H parameter may be updated using the current voltage value and the current current value.
  • the value of the G parameter and the value of the H parameter may not be updated.
  • the updating of the value of the G parameter and the value of the H parameter in real time may include: calculating a current voltage estimation value of the battery based on the current current value and the immediately preceding value of the state vector; Updating a gain matrix and the covariance matrix based on the current current value and a value immediately preceding the covariance matrix; Calculating a voltage error between the current voltage value and the current voltage estimate; And generating a current value of the G parameter and a current value of the H parameter by updating the state vector based on the immediately preceding value of the state vector, the current value of the gain matrix, and the voltage error. have.
  • the current voltage estimate may be calculated as a product of a product of the current current value and the immediately preceding value of the G parameter and a value obtained by adding the immediately preceding value of the H 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 related to the G parameter and a second forgetting factor related to the H parameter may be applied.
  • the gain matrix may be calculated according to the following equation.
  • the covariance matrix may be calculated according to the following equation.
  • L(t) is the current value of the gain matrix
  • L(t-1) is the value immediately before the gain matrix
  • P(t) is the current value of the covariance matrix
  • P(t-1) is A value immediately before the covariance matrix
  • I(t) may be the current current value
  • ⁇ 1 may be the first forgetting factor
  • ⁇ 2 may be the second forgetting factor.
  • the step of estimating the health state of the battery in real time may include storing a health state score of the battery calculated based on the initial value, the end value, and the current value of the G parameter; Checking a health condition check condition; And a health state value of the battery may be estimated based on the health state score.
  • the health state check condition may be set based on whether the health state score has been stored for a recent first period.
  • the health state value of the battery may be generated based on a moving average value of the second period of the health state scores.
  • the method of estimating a health state of the battery may include setting first to nth charge/discharge rate intervals (n is a natural number) that do not overlap each other; Initializing first to nth state vectors each including first to nth G parameters and first to nth H parameters, and first to nth covariance matrices; Setting an initial value and an end value of each of the first to nth G parameters; Generating the immediately preceding voltage value and the immediately preceding current value, and generating a current voltage value and a current current value after a preset time period; Calculating a current difference between the current current value and the immediately preceding current value; Comparing the current difference with each of the first to nth charge/discharge rate sections; Calculating first to nth health status points, respectively, based on an initial value, an end value, and a current value of each of the first to nth G parameters; And estimating a health state value of the battery in real time based on the first to nth health
  • the current voltage value and the current current value are used to
  • the value of the G parameter and the value of the jth parameter may be updated, and the jth health state score of the battery may be calculated using the initial value, the end value, and the current value of the jth parameter.
  • calculating a current voltage estimate of the battery based on the current current value and the value of the jth state vector immediately before the value of the jth parameter and the value of the jth parameter; Updating a gain matrix and the j-th covariance matrix based on the current current value and a value immediately preceding the j-th covariance matrix; Calculating a voltage error between the current voltage value and the current voltage estimate; And updating the j-th state vector based on a value immediately before the j-th state vector, a current value of the gain matrix, and the voltage error.
  • a battery health state estimation method is the step of initializing first to third state vectors and first to third covariance matrices used in a recursive least squares (RLS) filter, wherein The first to third state vectors each comprising first to third G parameters and first to third H parameters; Setting an initial value and an end value of the first G parameter, an initial value and an end value of the second G parameter, and an initial value and an end value of the third G parameter;
  • a step of periodically measuring a voltage and a current of a battery in use comprising: generating a voltage immediately before and a current current value, and generating a current voltage value and a current current value after a preset time period; Calculating a current difference between the current current value and the immediately preceding current value; When the current difference is greater than or equal to a first threshold and less than a second threshold, the first state vector and the first covariance matrix are updated, and when the current difference is greater than or equal to the second threshold and less than a third threshold, the
  • the method of estimating a health state of the battery may further include examining a health state check condition based on whether the first to third health state scores have been stored for a recent first period.
  • estimating the health state of the battery in real time may include: calculating a first moving average value of the second period of the first health state scores; Calculating a second moving average value of the second period of the second health status scores; Calculating a third moving average value of the second period of the third health status scores; And calculating a health state value of the battery based on an average of the first to third moving average values.
  • the updating of the k-th state vector and the k-th covariance matrix includes the battery based on the current current value and the latest value of the k-th state vector. Calculating a current voltage estimate of the Updating a gain matrix and the k-th covariance matrix based on the current current value and a value immediately preceding the k-th covariance matrix; Calculating a voltage error between the current voltage value and the current voltage estimate; And updating the k-th state vector based on the latest value of the k-th state vector, the current value of the gain matrix, and the voltage error.
  • a first forgetting factor related to the k-th parameter, and a second forgetting factor related to the k-th parameter can be applied.
  • the battery health state (SOH) estimation method is significantly improved compared to conventional methods in terms of cost, scalability, and adaptability.
  • the existing method of estimating the health state based on a complex battery model is complicated to apply to BMS or methods that cannot obtain the state of health in real time, but the method of estimating the state of health according to the present invention can be installed in the BMS in the form of an algorithm .
  • current/voltage operation data is limited to specific driving conditions, but the present invention can flexibly expand the number and range of C-rate sections, so that health status can be obtained under any driving condition. have.
  • the accuracy of the current sensor greatly affects the accuracy of health state estimation, and errors are gradually accumulated as deterioration progresses, but the present invention accumulates errors by using real-time parameter values obtained using an adaptive filter. There is no real-time estimation possible.
  • the present invention can be used universally not only at the cell level of the battery, but also at the pack level or system level, and accurately reflects all pattern-dependent deterioration in real time depending on the usage history of the battery. You can estimate your health status.
  • a health state can be accurately estimated in real time by a simple operation using a voltage value and a current value obtained by measuring the voltage and current of a battery in use. Since only the voltage and current data of the battery is used, the hardware configuration is simple, and the calculation process for estimating the health state of the battery is not complicated, so even the microprocessor used for the BMS of the battery pack can accurately estimate the health state of the battery in real time. have. In addition, since the amount of data required for the calculation of estimating the health state is not large, the method of estimating the health state according to the present invention can be performed even with a small memory capacity.
  • FIG. 1 is a schematic configuration diagram of a battery system for performing a method of estimating a health state of a battery according to an exemplary embodiment.
  • FIG. 2 is a flowchart illustrating a method of estimating a health state of a battery according to an exemplary embodiment.
  • FIG. 3 is a flowchart illustrating a method of estimating a health state of a battery according to another exemplary embodiment.
  • FIG. 4 is a flowchart illustrating a method of estimating a health state of a battery according to another exemplary embodiment.
  • FIG. 5 is a graph showing values of first to third G parameters as a result of performing the method of estimating a health state of a battery according to the present invention.
  • FIG. 6 is a graph showing first to third health status scores calculated based on values of the first to third G parameters shown in FIG. 5.
  • FIG. 8 is a graph showing a health state value estimated based on the first to third health state scores shown in FIG. 6.
  • FIG. 1 is a schematic configuration diagram of a battery system for performing a method of estimating a health state of a battery according to an exemplary embodiment.
  • the battery system 100 may include a battery 110, a voltage measurement unit 120, a current measurement unit 130, a microprocessor 140, and a storage unit 150.
  • the battery 110 is a part that 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, connected in parallel, or connected in a combination of series and parallel.
  • the battery cell may include a rechargeable secondary battery.
  • the battery cell is a nickel-cadmium battery, a lead storage battery, a nickel metal hydride battery (NiMH), a lithium-ion battery, and a lithium polymer battery. And the like.
  • the number of battery cells included in the battery 110 may be determined according to a 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 a charging device through external terminals.
  • the battery 110 is connected to a load and/or a charging device and is being used. That is, the battery 110 may be discharging current to the load or charging power from the charging device.
  • the voltage measurement unit 120 may be connected to both terminals of the battery 110 in use to measure the voltage of the battery 110 to periodically generate a voltage value.
  • the voltage measurement unit 120 may measure the voltage of both terminals of the battery 110 in a preset time period ( ⁇ t).
  • the current or recently measured voltage value is referred to as the current voltage value and is expressed as V(t).
  • the voltage value measured before the time period ( ⁇ t) is referred to as the voltage immediately preceding it, and is expressed as V(t-1).
  • the time period ⁇ t may be, for example, 1 second. However, this is exemplary, and the time period ( ⁇ t) may be set to other times, such as 0.1 second, 0.5 second, 2 second, 5 second, or 10 second.
  • the time period ⁇ t may be appropriately set according to the electric system connected to the battery system 100.
  • the voltage measurement unit 120 is shown to measure the voltage of both terminals of the battery 110, but the battery 110 is composed of a plurality of battery cells, a plurality of battery modules, or a plurality of battery packs. In this case, 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 periodically generate a current value by measuring the current of the battery 110 in use.
  • the voltage measurement unit 120 and the current measurement unit 130 may be synchronized with each other to measure voltage and current of the battery 110 at the same time point.
  • the current measuring unit 130 may also measure the current of the battery 110 in a time period ( ⁇ t).
  • the current value measured by the current measuring unit 130 may be displayed as positive (+) when it is a charging current and negative (-) when it is a discharge current.
  • the current or recently measured current value is referred to as the current current value and expressed as I(t), and the current value measured before the time period ( ⁇ t) is referred to as the previous current value and expressed as I(t-1).
  • the microprocessor 140 updates the value of the G parameter and the value of the H parameter representing the current state of the battery from the voltage value provided by the voltage measurement unit 120 and the current value provided by the current measurement unit 130 in real time. 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 distribution of the local equilibrium potential and the resistance distribution in the battery 110 in use. to be.
  • the microprocessor 140 may use an adaptive filter to generate a value of a G parameter and a value of an H parameter from a voltage value and a current value.
  • the adaptive filter may be a filter using a recursive least squares (RLS) method or a filter using a weighted least squares (WLS) method.
  • RLS recursive least squares
  • WLS weighted least squares
  • the microprocessor 140 may estimate the state of the battery 110 in real time by using the value of the G parameter and the value of the H parameter generated in real time. According to the present invention, the microprocessor 140 may estimate the health state of the battery 110 in real time by using the initial value, the end value, and the current value of the G parameter.
  • the initial value and the end value of the G parameter may be preset values.
  • the current value of the G parameter can be generated in real time from voltage and current values using an adaptive filter.
  • the microprocessor 140 can be included in the battery management system (BMS) of the battery pack because it uses only a simple operation of a four rule calculation degree to estimate the health status of the battery in real time.
  • the method for estimating a health state of a battery according to the present invention may be performed by a microcontroller or an electronic control unit (ECU) in a battery management system of an electric vehicle.
  • the method for estimating a health state of a battery according to the present invention may be performed by an integrated controller of an energy storage system.
  • the method of estimating a health state of a battery according to the present invention may be performed by a processor of a server that is connected to a battery system or an energy storage system through communication.
  • the storage unit 150 may store instructions and data necessary for the microprocessor 140 to perform the health state estimation method according to the present embodiment.
  • the estimation method according to the present embodiment generates a value of a G parameter and a value of an H parameter based on a voltage value and a current value generated every time period ( ⁇ t), and the current value of the G parameter is used for the battery 110 Since the health state is estimated, the current voltage value, the current current value, and the previous current value are stored in the storage unit 150, and other voltage and current data may not be stored in the storage unit 150. That is, there is no need to store a large amount of voltage and current data in the storage unit 150.
  • the storage unit 150 includes an initial value and an end value of the G parameter, the immediately preceding value and the current value of the state vector consisting of the G parameter and the H parameter, and a recursive least squares method.
  • the previous value and the current value of the covariance matrix required for can be stored.
  • the storage unit 150 may store a health status score calculated based on an initial value, an end value, and a current value of the G parameter.
  • health status scores may be stored in the storage unit 150 for a preset period. Accordingly, since there is no need to store a large amount of commands and data in the storage unit 150, it can be implemented as a memory having a small size.
  • the storage unit 150 may be implemented as a memory in the microprocessor 140.
  • the battery health state is also referred to as a battery life state, a battery aging state, a battery deterioration state, and the like, and is generally defined as a percentage of the current capacity relative to the initial capacity of the battery.
  • a method of estimating the health state by calculating the actual capacity of the battery by measuring the amount of discharged electric charge using a current sensor, a method of estimating the health state by using the OCV-SOC relationship, and the resistance component or impedance parameter value of the battery.
  • a method of tracking and estimating health status was used.
  • these conventional methods have problems that the accuracy is not reliable because the battery must be discontinued, a specific condition or environment must be adjusted, sensor error or estimation error is accumulated.
  • the method of estimating the health condition by measuring the amount of discharged electric charge using a current sensor and calculating the actual capacity of the battery requires the use of the battery to be discontinued to calculate the capacity of the battery.
  • the current capacity must be measured in the same environment as the initial capacity of the battery was measured. That is, when measuring the current capacity, the temperature at the time of measuring the initial capacity and the amount of charge and discharge must be equally adjusted.
  • stopping the use of the battery in the actual battery usage environment or calculating the current capacity according to a specific environment is a method that burdens the battery system.
  • the accuracy of the current sensor directly affects the accuracy of health state estimation.
  • the SOC is estimated through measurable data (eg OCV), and the health status is estimated based on the estimated SOC.
  • OCV measurable data
  • the measurement error and the SOC estimate error are directly reflected in the health state estimation, a big problem may arise in the accuracy of the health state estimate.
  • the method of utilizing the OCV-SOC relationship cannot estimate the health state at a certain period because the battery can only estimate the state of health when operating in a specific SOC condition.
  • the method of estimating the health status by tracking the resistance component or impedance parameter value of the battery is to stop the normal use of the battery and apply a specific charging/discharging operation waveform such as AC power to the battery to obtain the battery internal parameter value. To estimate your health status. Therefore, it is necessary to stop the normal operation of the battery, and additional operation conditions must be satisfied in order to obtain more accurate parameter values. In addition, since a high-level battery model is required to accurately estimate the state of health based on the obtained parameter values, it is difficult to execute in a battery management system (BMS) that cannot perform complex correction calculations in real time.
  • BMS battery management system
  • the present invention proposes a method of accurately estimating a health state in real time by tracking a value of a G parameter among a G parameter and an H parameter, which are internal parameters of a battery, in order to overcome the problems of the conventional health state estimation method.
  • the health state estimation method according to the present invention can be implemented relatively simply enough to be executed in a battery management system (BMS), and can have high accuracy without additional driving conditions.
  • BMS battery management system
  • the G parameter is a state quantity representing 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 distribution of local equilibrium potential and resistance distribution in the battery during use.
  • the G parameter and H parameter of the battery can be quantified by an explicit correlation of the battery material properties and design variables using a theoretical model. The following describes the G parameter and H parameter of the battery.
  • G is referred to as the G parameter
  • H is referred to as the H parameter.
  • -G ⁇ i is an overvoltage generated by the battery to pass current through a terminal, and includes a reaction dynamic polarization amount and an electron and ion resistance polarization amount.
  • (Ueq-H) is the overvoltage caused by the battery's local thermodynamic equilibrium being out of equilibrium for the entire system. That is, (Ueq-H) represents the inefficiency caused by the thermodynamic non-uniformity inside the battery, and when the internal system of the battery reaches a thermodynamic equilibrium state, the H parameter (H) becomes equal to the equilibrium potential (Ueq).
  • the battery health state estimation method directly extracts the G parameter (G) and the H parameter (H) from the voltage value and current value measured in the battery using, for example, a recursive least squares method, and G It is to estimate the health of the battery by tracking parameter G.
  • FIG. 2 is a flowchart illustrating a method of estimating a health state of a battery according to an exemplary embodiment.
  • the microprocessor 140 may perform the battery health state estimation method shown in FIG. 2 by using a recursive least squares method.
  • the state vector ( ) And the covariance matrix ( ) Can be used.
  • the covariance matrix (P(t)) consists of a first value (P 1 (t)) and a second value (P 2 (t)), It can be defined as
  • the voltage value (V(t)) and current value (I(t)) of the battery 110 are generated every time period ( ⁇ t), and a state vector ( ) And the covariance matrix ( ) Is also updated every time period ( ⁇ t) by a recursive method.
  • G parameter ( ) And H parameter ( ) Is also updated every time period ( ⁇ t).
  • the microprocessor 140 is a state vector ( ) And the covariance matrix ( ) Can be initialized (S110). State vector( ) Is Is initialized as, and the covariance matrix ( )silver Can be initialized like this:
  • the state vector ( ) And the covariance matrix ( The elements of) are all initialized to 1, but this is exemplary and can be initialized to other values.
  • the microprocessor 140 has a G parameter ( An initial value (G i ) and an end value (G f ) of) may be set (S120).
  • the initial value G i is the G parameter value of the battery having a health state of 100
  • the end value G f is the G parameter value of the battery having a health state of 0.
  • the initial value (G i ) and the end value (G f ) can be obtained in advance through an experiment for a battery with a health state of 100 and a battery with a health state of 0, respectively.
  • the initial value (G i ) is obtained in advance through an experiment for a battery having a health state of 100
  • the end value (G f ) is the actual health state of the battery while performing the battery health state estimation method of the present invention. And may be calculated by correcting so that the error of the health state estimated according to the present invention is minimized.
  • the microprocessor 140 measures the voltage and current of the battery 110 using the voltage measurement unit 120 and the current measurement unit 130, and periodically generates a voltage value and a current value, for example, every time period ( ⁇ t). Do (S130).
  • the microprocessor 140 generates the immediately preceding voltage value (V(t-1)) and the immediately preceding current value (I(t-1)), and after a time period ( ⁇ t), the current voltage value (V(t)) and the current
  • the current value I(t) can be generated.
  • the microprocessor 140 uses a recursive least squares method from the voltage value and current value to the G parameter ( The current value of) may be generated in real time (S140). According to the method for estimating the health state of the battery according to the present invention, the microprocessor 140 includes a G parameter (V(t)) and a current current value (I(t)) received every time period ( ⁇ t). ) And H parameter ( ) Can be updated every time period ( ⁇ t).
  • the microprocessor 140 has a current current value (I(t)) and a value just before the state vector ( ) Based on the current voltage estimate of the battery 110 ( ) Can be calculated.
  • the previous value of the state vector ( ) Is calculated based on the immediately preceding voltage value (V(t-1)) and the immediately preceding current value (I(t-1)) before the time period ( ⁇ t), and the value immediately preceding the G parameter ( ) And the previous value of the H parameter ( ).
  • Estimated current voltage of battery 110 ( ) Is the current current value (I(t)) and the value just before the G parameter ( ) Times the previous value of the H parameter ( ) Is added, Can be calculated as
  • 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 calculated based on the voltage value immediately before (V(t-1)) and the current value (I(t-1)) before the time period ( ⁇ t), and the covariance According to the definition of the matrix P(t), it consists of a first immediately preceding value (P 1 (t-1)) of the covariance matrix and a second immediately preceding value (P 2 (t-1)) of the covariance matrix.
  • the gain matrix (L(t)) is the state vector ( ) And the covariance matrix ( ) Is used when updating.
  • the gain matrix L(t) is composed of a first value L 1 (t) of the gain matrix and a second value L 2 (t) of the gain matrix, and 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 related to the H parameter.
  • the first forgetting factor ( ⁇ 1 ) and the second forgetting factor ( ⁇ 2 ) are each G parameter ( ) And H parameter ( In calculating ), the past voltage and current values are the current values of the G parameter ( ) And the current value of the H parameter ( These are values that indicate the effect on ).
  • the first forgetting factor ( ⁇ 1 ) and the second forgetting factor ( ⁇ 2 ) are closer to 1, the longer the current value of the G parameter ( ) And the current value of the H parameter ( ), and the closer to 0, the effect is only for a short 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 greater than or equal to the second forgetting factor ⁇ 2 . For example, the first forgetting factor ⁇ 1 may be set to 0.99999, and the second forgetting factor ⁇ 2 may be set to 0.95. This setting 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 0.99999 and 0.95, respectively, in an experiment performed on a specific battery.
  • the above numerical 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 0.9999
  • 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 1. In this case, it can be seen that the first forgetting factor ⁇ 1 and the second forgetting factor ⁇ 2 are not applied.
  • the microprocessor 140 is based on a current current value (I(t)), a gain matrix (L(t)), and a value immediately preceding the covariance matrix (P(t-1)). ) Can be updated.
  • the covariance matrix P(t) can be calculated as follows.
  • the microprocessor 140 includes a current voltage value (V(t)) and a previously calculated current voltage estimate ( ) The voltage error (e(t)) between It can be calculated as
  • Microprocessor 140 is the value immediately preceding the state vector ( ), based on the current value (L(t)) and voltage error (e(t)) of the gain matrix, the state vector ( ) Can be updated. State vector( ) Is updated, the current value of the G parameter ( ) And the current value of the H parameter ( ) Is created.
  • the current value of the state vector ( ) Is the value immediately preceding the state vector ( ) And the product of the current value (L(t)) of the gain matrix and the voltage error (e(t)), and can be calculated as follows.
  • a loss-function ⁇ to which the first forgetting factor ⁇ 1 and the second forgetting factor ⁇ 2 are applied is defined as follows.
  • V(i) is the ith voltage value
  • I(i) is the ith current value
  • V(t) and I(t) are the current voltage value and the current current value, respectively
  • V(t-1) and I(t-1) are the previous voltage value and the current current value, respectively.
  • G(i) and H(i) are the actual values of the i-th G parameter and H parameter, respectively.
  • Wow Denotes an estimate of the current value of the G parameter and an estimate of the current value of the H parameter, respectively.
  • the gain matrix (L(t)) and the covariance matrix ( ) Is calculated as follows, respectively, as described above.
  • the storage unit 150 includes a current voltage value (V(t)), a current current value (I(t)), and a state vector ( ), and the covariance matrix ( ) Can be stored.
  • the microprocessor 140 is a state vector stored in the storage unit 150 ( ) Via the current value of the G parameter ( ) Can be generated in real time.
  • the first forgetting factor ⁇ 1 and the second forgetting factor ⁇ 2 may be further stored in the storage unit 150.
  • the storage unit 150 does not need to store all past voltage values and current values.
  • the battery health state estimation method illustrated in FIG. 2 uses a recursive method, the calculation is very simple, and the calculation can be performed by the storage unit 150 having a small size of several kB. Furthermore, each time a voltage value and a current value are received, the state vector ( ) And the covariance matrix ( ) Is newly updated, so that the voltage and current fluctuation of the battery 110 is substantially real-time G parameter ( ) And H parameter ( ) Can be reflected.
  • the microprocessor 140 includes an initial value (G i ) and an end value (G f ) of the G parameter set in step S120 and a current value of the G parameter generated in step S140 ( ), it is possible to estimate the health status of the battery 110 in real time (S150).
  • the microprocessor 140 includes the ending value (G f ) of the G parameter and the G parameter with respect to the difference (G f -G i ) between the ending value (G f ) of the G parameter and the initial value (G i ) Current value( ) Of the difference (G f- ) Of the percentage value ((G f- )/(G f -G i )*100), the health state of the battery 110 may be estimated.
  • the health state value of the battery 110 is a percentage value ((G f- )/(G f -G i )*100).
  • the percentage value ((G f- )/(G f -G i )*100) is defined as the health status score, and the health status value of the battery 110 may be estimated based on the average of the health status scores for a predetermined period from the present.
  • the predetermined period may be 1 week, 2 weeks, 3 weeks, 4 weeks, 8 weeks, 12 weeks.
  • the average calculated as described above may be referred to as a moving average for a predetermined period.
  • the health status value of the battery 110 may be estimated based on a weighted moving average that gives a higher weight as the health status score closer to the present and a lower weight when the health status score is acquired in the past. have.
  • the microprocessor 140 may repeatedly perform steps S130-S150 every time period ⁇ t for measuring the voltage value (V(t)) and the current value (I(t)) of the battery 110. have.
  • the microprocessor 140 includes an initial value (G i ) and an end value (G f ) of the G parameter set in step S120 and the G parameter generated in step S140 for each time period ( ⁇ t).
  • Current value( ) the health status score of the battery 110 may be calculated, and the health status score may be stored in the storage unit 150.
  • the microprocessor 140 may estimate the health state value of the battery 110 based on the health state scores stored in the storage unit 150 for a predetermined period.
  • the microprocessor 140 may calculate a health state value by statistically processing health state scores. For example, a moving average or a weighted moving average can be used.
  • FIG. 3 is a flowchart illustrating a method of estimating a health state of a battery according to another exemplary embodiment.
  • Some steps of the method of estimating a health state of a battery of FIG. 3 are substantially the same as the method of estimating a state of health of a battery of FIG. 2. These are not described repeatedly.
  • the method of estimating the health state of the battery illustrated in FIG. 3 may be performed by the microprocessor 140 of FIG. 1.
  • the microprocessor 140 is a state vector ( ) And the covariance matrix ( ) Can be initialized (S210).
  • State vector( ) Is the G parameter ( ) And H parameter ( ), and the covariance matrix ( ) Includes a first value (P 1 (t)) and a second value (P 2 (t)).
  • the microprocessor 140 has a G parameter ( An initial value (G i ) and an end value (G f ) of) may be set (S220). Step S220 may be performed before step S210.
  • the initial value G i and the end value G f may be input by an administrator, may be obtained by an operation of the microprocessor 140, or may be received from the outside.
  • the initial value G i corresponds to the G parameter value of the battery with a health state of 100
  • the end value G f corresponds to the G parameter value of the battery with a health state of 0.
  • the microprocessor 140 may measure the voltage and current of the battery 110 and generate a voltage value and a current value, for example, every time period ⁇ t (S230). For example, the previous voltage value (V(t-1)) and the previous current value (I(t-1)) are generated, and the current voltage value (V(t)) and the current current value after a time period ( ⁇ t) (I(t)) can be created. Since the battery health state estimation method of FIG. 3 uses a recursive least squares method, the state vector ( ) And the covariance matrix ( ), and G parameter ( ) And H parameter ( ) Is also updated every time period ( ⁇ t) by a recursive method.
  • the microprocessor 140 may calculate a current difference ⁇ I between the current current value I(t) and the previous current value I(t-1) (S240).
  • the current difference ( ⁇ I) is a value obtained by subtracting the previous current value (I(t-1)) from the current current value (I(t)) (ie, I(t)-I(t-1) ) Can be.
  • the current difference ( ⁇ I) is the difference between the current current value (I(t)) and the previous current value (I(t-1)), that is, the current current value (I(t)) It may be an absolute value (that is,
  • the storage unit 150 may store the immediately preceding current value I(t-1).
  • the microprocessor 140 may compare the current difference ⁇ I with a predetermined range (S250).
  • the predetermined range may be defined as a lower limit value and an upper limit value, and may be set in advance by an administrator.
  • the microprocessor 140 may determine whether the current difference ⁇ I is included in a range between a lower limit value and an upper limit value.
  • the predetermined range may be set according to the charging/discharging current pattern of the battery system 100.
  • the lower limit value and the upper limit value may be set based on the charge/discharge rate of the battery system 100. For example, the lower limit may be set to 0.2C and the upper limit may be set to 1C.
  • the sensing error between the voltage value and the current value due to the recursive method becomes G parameter ( ) And H parameter ( ) Causes a large deviation.
  • the predetermined range may have a size suitable for calculating a health state value with high accuracy. If the current difference ⁇ I is within a predetermined range, the process proceeds to step S260 and a state vector (in the basis of the current voltage value V(t)) and the current current value (I(t)) ) And the covariance matrix ( ) Can be updated. However, when the current difference ⁇ I is out of a predetermined range, the process proceeds to step S230 to generate a voltage value and a current value after the time period ⁇ t.
  • the state vector ( ) And the covariance matrix ( ) Is not updated, and the current voltage value (V(t)) and current current value (I(t)) are the state vector ( ) And the covariance matrix ( ) Does not affect.
  • the microprocessor 140 uses a recursive least squares method, based on the voltage value and the current value, the state vector ( ) And the covariance matrix ( ) Can be updated (S260).
  • the microprocessor 140 has a current current value (I(t)) and a value immediately preceding the state vector ( ) Based on the current voltage estimate of the battery 110 ( ) Can be calculated.
  • 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 gain matrix L(t) can be calculated as follows.
  • the microprocessor 140 is based on a current current value (I(t)), a gain matrix (L(t)), and a value immediately preceding the covariance matrix (P(t-1)). ) Can be updated.
  • Covariance matrix ( ) Can be calculated as follows.
  • ⁇ 1 is a first forgetting factor related to the G parameter
  • ⁇ 2 is a second forgetting factor related to the H parameter.
  • Microprocessor 140 is the value immediately preceding the state vector ( ), based on the current value (L(t)) and voltage error (e(t)) of the gain matrix, the state vector ( ) Can be updated.
  • the current value of the state vector ( ) Can be calculated as follows.
  • the voltage error (e(t)) is the current voltage value (V(t)) and the current voltage estimate ( ) Based on It can be calculated as
  • step S260 the state vector ( ) Is updated, the current value of the G parameter ( ) And the current value of the H parameter ( ) Is created.
  • State vector( ) And the covariance matrix ( A detailed method of updating) and related equations have been described above with reference to FIG. 2, and thus will not be described repeatedly.
  • the microprocessor 140 includes an initial value (G i ) and an end value (G f ) of the G parameter set in step S220, and a current value of the G parameter generated in step S260 ( ), it is possible to calculate the health score of the battery 110 (S270).
  • the health status score is the ending value (G f ) of the G parameter and the current value of the G parameter for the difference (G f -G i ) between the end value of the G parameter (G f ) and the initial value of the G parameter (G i ). ( ) Of the difference (G f- ) Of the percentage value ((G f- )/(G f -G i )*100).
  • the health status score may be generated every time period ( ⁇ t).
  • the microprocessor 140 may store the health status score calculated in step S270 in the storage unit 150.
  • step S250 when the current difference ⁇ I is out of a predetermined range, the health status score corresponding to the time is not stored in the storage unit 150, or a null corresponding to the time is stored in the storage unit 150 ) Can be stored.
  • the health status scores may be stored in the storage unit 150 in association with the generated time.
  • a preset number of health status scores may be stored in the storage unit 150.
  • the microprocessor 140 may determine whether or not the health state check condition is satisfied (S280). Since the battery health state estimation method of FIG. 3 uses a recursive method, a result that matches the actual state is generated after a certain amount of time. For example, in step S210, the state vector ( ) Is initialized, so immediately after initialization, the value of the G parameter ( ) Will have a value close to the initialized value. Since these values have a large influence by the initialized values, they have no choice but to differ from the actual G parameter values, and are unreliable.
  • the health state check condition may be determined based on a period in which health state scores generated in step S260 are stored. For example, the health status check condition may be whether or not the health status score has been stored for the last first period.
  • the first period may be a predetermined period such as 1 week, 2 weeks, 3 weeks, 4 weeks, 8 weeks, 12 weeks, 16 weeks, etc.
  • State vector( ) And the covariance matrix ( After initializing ), the calculated health state score before the first period elapses may not reflect the actual health state of the battery 110.
  • the health state check condition may be whether the number of health state scores stored in the storage unit 150 is greater than or equal to a preset number. The number of health status scores corresponds to the number of cycles in the recursive method. The health status check condition may be set based on the number of health status scores.
  • the microprocessor 140 may proceed to step S290 to estimate a health state value. If the health state check condition is not satisfied, the microprocessor 140 may proceed to step S230 without estimating the health state value.
  • the microprocessor 140 may estimate a health state value of the battery 110 based on the health state scores stored in the storage unit 150 (S290).
  • the health state value may be estimated based on health state scores stored from before the second period to the present.
  • the health status value may be calculated as a moving average value of the second period of health status scores.
  • the health status value may be calculated as a weighted moving average value of the second period of health status scores.
  • the second period may be the same as the first period.
  • the second period may be shorter than the first period.
  • the first period may be 8 weeks and the second period may be 4 weeks.
  • the health state value may be calculated based on a previously stored health state score. Even in this case, a moving average or a weighted moving average may be used.
  • FIG. 4 is a flowchart illustrating a method of estimating a health state of a battery according to another exemplary embodiment.
  • a predetermined range of step S250 is divided into n charge/discharge rate sections, and accordingly, the state vector, the covariance matrix, the initial and end values of the G parameter, and the health state scores are n each. Except for the existence, a substantial part of the battery health state estimation method of FIG. 3 is overlapped. The overlapping parts are not described repeatedly.
  • the method of estimating the health state of the battery illustrated in FIG. 4 may be performed by the microprocessor 140 of FIG. 1.
  • a predetermined range in which the current difference ⁇ I is compared is divided into n charge/discharge rate sections that do not overlap each other.
  • n may be a natural number.
  • n may be 3.
  • n may be a natural number less than 3, such as 1 or 2, or a natural number greater than 3, such as 4, 5 or 6.
  • n may be set based on the performance of the microprocessor 140 and the capacity of the storage unit 150.
  • n When the performance of the microprocessor 140 is good and the capacity of the storage unit 150 is large, n may be set to a value as large as possible. n may be set according to the type of charge/discharge current of the battery system 100. When the change in charge/discharge current is large, n may be set large, but when the change in charge/discharge current is small, n may be set small.
  • first to (n+1)th threshold values th 1 , th 2 , ..., th n+1 may be defined.
  • the first charge/discharge rate section may be defined as a section equal to or greater than the first threshold value th 1 and less than the second threshold value th 2 .
  • the second charge/discharge rate section may be defined as a section equal to or greater than the second threshold value th 2 and less than the third threshold value th 3 .
  • the nth charge/discharge rate section may be defined as a section equal to or greater than the nth threshold value th n and less than the (n+1)th threshold value th n+1 .
  • the first to (n+1)th threshold values th 1 , th 2 , ..., th n+1 may be set according to the capacity of the battery 110.
  • the first threshold value th 1 may be set to a current value corresponding to a charge/discharge rate of 0.1C.
  • the capacity of the battery 110 is 100Ah
  • the first threshold value th 1 may be set to 10A corresponding to a charge/discharge rate of 0.1C.
  • the second threshold value th 2 may be set to a current value corresponding to a charge/discharge rate of 0.2C
  • the third threshold value th 3 may be set to a current value corresponding to a charge/discharge rate of 0.3C.
  • the (n+1)th threshold value th n+1 may be set to a current value corresponding to a charge/discharge rate of 1.0C.
  • the above numerical values are only exemplary and do not limit the present invention.
  • First to nth state vectors ( ⁇ 1 , ⁇ 2 , ..., ⁇ n ) and first to nth covariance matrices (P 1 , P 2 , ..., P n ) are prepared.
  • the storage unit 150 includes first to nth state vectors ( ⁇ 1 , ⁇ 2 , ..., ⁇ n ), and first to nth covariance matrices (P 1 , P 2 , ..., P n ). ) Can be saved.
  • the first to nth state vectors ( ⁇ 1 , ⁇ 2 , ..., ⁇ n ) are the first to nth G parameters (G 1 , G 2 , ..., G n ) and the first to nth It consists of H parameters (H 1 , H 2 , ..., H n ).
  • the microprocessor 140 includes first to nth state vectors ( ⁇ 1 , ⁇ 2 , ..., ⁇ n ), and first to nth covariance matrices (P 1 , P 2 , ..., P n ) Can be initialized (S310). All elements of the first to nth state vectors ( ⁇ 1 , ⁇ 2 , ..., ⁇ n ), and the first to nth covariance matrices (P 1 , P 2 , ..., P n ) are arbitrary It can be initialized to a number (eg, 1).
  • the microprocessor 140 ends with the initial values (G 1 i , G 2 i , ..., G n i ) of the first to nth G parameters (G 1 , G 2 , ..., G n ) Values (G 1 f , G 2 f , ..., G n f ) can be set (S320). Step S320 may be performed prior to step S310.
  • the initial values (G 1 i , G 2 i , ..., G n i ) and the ending values (G 1 f , G 2 f , ..., G n f ) are input by the administrator, or the microprocessor 140 ) May be obtained by the operation, or may be received from the outside.
  • the microprocessor 140 may measure the voltage and current of the battery 110 and generate a voltage value and a current value, for example, every time period ⁇ t (S330). For example, the previous voltage value (V(t-1)) and the previous current value (I(t-1)) are generated, and the current voltage value (V(t)) and the current current value after a time period ( ⁇ t) (I(t)) can be created. Since the battery health state estimation method of FIG.
  • the microprocessor 140 may calculate a current difference ⁇ I between the current current value I(t) and the previous current value I(t-1) (S340).
  • the microprocessor 140 may determine which charge/discharge rate section of the first to nth charge/discharge rate sections in the current difference ⁇ I (S350a-S350c).
  • the microprocessor 140 may update the first state vector ⁇ 1 and the first covariance matrix P 1 in response to the first charge/discharge rate section. Yes (S360a). As the first state vector ⁇ 1 is updated, a current value G 1 (t) of the first G parameter and a current value H 1 (t) of the first H parameter are generated.
  • the microprocessor 140 When the current difference ⁇ I does not belong to the first charge/discharge rate section, the microprocessor 140 performs a second charge with a current difference ⁇ I equal to or greater than the second threshold value (th 2 ) and less than the third threshold value (th 3 ). It may be determined whether it belongs to the discharge rate section (S350b). When the current difference ⁇ I falls within the second charge/discharge rate section, the microprocessor 140 may update the second state vector ⁇ 2 and the second covariance matrix P 2 in correspondence with the second charge/discharge rate section. Yes (S360b). As the second state vector ⁇ 2 is updated, a current value G 2 (t) of the second G parameter and a current value H 2 (t) of the second H parameter are generated.
  • the microprocessor 140 may determine whether the current difference ⁇ I belongs to the third charge/discharge rate section. In this way, it can be determined whether the current difference ⁇ I belongs to the remaining charge/discharge rate section.
  • the microprocessor 140 If the current difference ( ⁇ I) belongs to the jth charge/discharge rate section less than the jth threshold (th j ) or more (j+1) threshold (th j+1 ), the microprocessor 140 is in the jth state
  • the vector ⁇ j and the j th covariance matrix P j can be updated, and the j th state vector ⁇ j is updated, so that the current value of the j th parameter G j (t) and the j H
  • the current value of the parameter (H j (t)) is generated.
  • the microprocessor 140 determines that the current difference ⁇ I is equal to or greater than the nth threshold value (th n ). 1) It may be determined whether it belongs to the n-th charge/discharge rate interval less than the threshold value th n+1 (S350c).
  • the microprocessor 140 may update the n-th state vector ⁇ n and the n-th covariance matrix P n (S360c). As the n-th state vector ⁇ n is updated, a current value G n (t) of the n-th parameter and a current value H n (t) of the n H-th parameter are generated.
  • the process proceeds to step S330, and the first to nth state vectors ( ⁇ 1 , ⁇ 2 , ..., ⁇ n ), and the first to nth covariance matrices (P 1 , P 2)
  • the current difference ( ⁇ I) may not be used to update, ..., P n ).
  • a method of updating the j-th state vector ⁇ j and the j-th covariance matrix P j will be described. Based on the current current value (I(t)) and the latest value ( ⁇ j ') of the j-th state vector, the estimated current voltage of the battery 110 ( ) Can be calculated.
  • the latest value ⁇ j ′ of the j-th state vector refers to a value of the j- th state vector ⁇ j stored in the storage unit 150.
  • the gain matrix L may be calculated based on the current current value I(t) and the latest value P j ′ of the j th covariance matrix.
  • the latest value (P j ') of the j-th covariance matrix refers to a value of the j- th covariance matrix (P j ) stored in the storage unit 150.
  • the j-th covariance matrix P j may be calculated based on the current current value I(t), the gain matrix L, and the latest value P j ′ of the j-th covariance matrix.
  • the first forgetting factor ( ⁇ 1 ) related to the j- th parameter G j and the j-th parameter (H j ) are related.
  • a second forgetting factor ⁇ 2 may be applied.
  • Voltage error (e) is the current voltage estimate (V(t)) It is calculated by subtracting ). Is the j-th state vector of the last value ( ⁇ j ') and the gain matrix (L) the j-th state vector ( ⁇ j) as the basis of the error voltage (e) calculating front can be calculated.
  • Microprocessor 140 is the initial value (G 1 i , G 2 i , ... ,) of each of the first to n-th G parameters (G 1 , G 2 , ..., G n ) set in step S320 G n i ) and the end values (G 1 f , G 2 f , ..., G n f ), and the current values of the first to nth G parameters generated in steps S360a-S360c (G 1 (t ), G 2 (t), ..., G n (t)) can be used to calculate the first to nth health status scores (SOH 1 , SOH 2 , ..., SOH n ) ( S370a-S370c).
  • the first to nth health status scores correspond to the first to nth charge/discharge rate intervals, respectively, and the first to nth G parameters (G 1 , G 2 , ..., G n ) initial values (G 1 i , G 2 i , ..., G n i ) and end values (G 1 f , G 2 f , ..., G n f ), and It may be calculated based on the current values G 1 (t), G 2 (t), ..., G n (t) of the first to nth G parameters.
  • the j-th physical condition score (SOH j) is the j-th G parameter (G j) the initial value (G j i) and the end value (G j f), and a j-G current value of the parameter (G j (t of )) can be calculated based on.
  • the microprocessor 140 calculates a first health score (SOH 1 ) based on the initial value (G 1 i ), the end value (G 1 f ), and the current value (G 1 (t)) of the first G parameter. It can be done (S370a).
  • the microprocessor 140 calculates a second health status score (SOH 2 ) based on the initial value (G 2 i ), the end value (G 2 f ), and the current value (G 2 (t)) of the second G parameter. It can be done (S370b).
  • the microprocessor 140 is based on the initial value (G n i ), the end value (G n f ), and the current value (G n (t)) of the n-th G parameter. n ) can be calculated (S370c).
  • the current difference ( ⁇ I) at a specific time (t) belongs to any one charge/discharge rate section or does not belong to any charge/discharge rate section.
  • the kth charge/discharge rate section of the first to nth health status scores (SOH 1 , SOH 2 , ..., SOH n ) Correspondingly, the k-th health status score SOH k is calculated.
  • the first health score (SOH 1 ) is calculated at the immediately preceding time (t-1), and the immediately preceding time (t).
  • the second to nth health status scores (SOH 2 , ..., SOH n ) of -1 ) may be null.
  • the jth health status score (SOH j ) is calculated at the current time (t), and the first to the first to the first of the current time t (j-1) and (j+1) to nth health status scores (SOH 1 , ..., SOH (j-1) , SOH (j+1) , ..., SOH n ) are null Can be saved.
  • the first health state score (SOH 1 ) calculated in) and the jth health state score (SOH j ) calculated at the current time (t) may be managed as one health state score (SOH).
  • SOH health state score
  • the first health state score (SOH 1 ) calculated at the previous time (t-1) is the health state score (SOH[t-1])
  • the jth health state score calculated at the current time (t) ( SOH j ) may be a health status score (SOH[t]).
  • any one of the first to nth health status scores (SOH 1 , SOH 2 , ..., SOH n ) is stored in the storage unit 150 according to time. I can.
  • the first to nth health status scores SOH 1 , SOH 2 , ..., SOH n may be stored in the storage unit 150 as health status scores SOH in association with the generated time t.
  • a first health status score (SOH 1 [t1]) is calculated at a first time t1
  • an n-th health status score SOH n [t2] is calculated at a second time t2
  • a preset number of health status scores (SOH) may be stored in the storage unit 150.
  • the microprocessor 140 may determine whether or not the health state check condition is satisfied (S380).
  • the health state check condition may be determined based on a period in which the health state score SOH generated in steps S370a-S370c is stored every time period ⁇ t.
  • the health status check condition may be whether or not the health status score has been stored for the last first period.
  • the first period may be a predetermined period such as 1 week, 2 weeks, 3 weeks, 4 weeks, 8 weeks, 12 weeks, 16 weeks, etc.
  • the health status check condition may be whether the number of health status scores SOH stored in the storage unit 150 is equal to or greater than a preset number.
  • the microprocessor 140 may estimate the health state value SOH(t) of the battery 110 based on the health state score SOH stored in the storage unit 150 ( S390). If the health state check condition is not satisfied, the microprocessor 140 may proceed to step S330 without estimating the health state value.
  • the health state value SOH(t) may be calculated as an average value of health state scores SOH stored in the storage unit 150.
  • the health state value SOH(t) may be calculated as an average value of a preset number of health state scores SOH stored in the storage unit 150.
  • the health state value SOH(t) may be calculated as an average value of the health state scores SOH stored in the storage unit 150 during the first period.
  • the microprocessor 140 calculates moving average values or weighted moving average values of the second period of the health status scores SOH stored in the storage unit 150, and calculated moving average values or weighted moving average values It is possible to estimate the health state value (SOH(t)) based on the average value of them.
  • the health state value SOH(t) may be calculated as moving average values of the health state scores SOH stored in the storage unit 150 for the second period or an average value of weighted moving average values.
  • the second period may be the same as the first period or may be shorter than the first period.
  • FIG. 5 is a graph showing values of first to third G parameters as a result of performing the method of estimating a health state of a battery according to the present invention.
  • the results of FIG. 5 are results according to the method of FIG. 4 using the first to third charge/discharge rate intervals. That is, in the method of FIG. 4, n is set to 3 in advance.
  • the first charge/discharge rate section is preset to a section of 0.2C or more and less than 0.3C
  • the second charge/discharge section is preset as a section of 0.3C or more and less than 0.5C
  • the third charge/discharge section is 0.5C or more and less than 1C. It was preset as a section.
  • the battery 100 had a capacity of 50 Ah, a first threshold value (th 1 ) is 10A, a second threshold value (th 2 ) is 15A, a third threshold value (th 3 ) is 25A, and a fourth threshold value ( th 4 ) was 50A.
  • the values of the first G parameter (G 1 ), the values of the second G parameter (G 2 ), and the values of the third G parameter (G 3 ) representing the state quantity representing the sensitivity of the terminal voltage to the change of the applied current of the battery It can be seen that it increases approximately linearly with the passage of time.
  • FIG. 6 is a graph showing first to third health status scores calculated based on values of the first to third G parameters shown in FIG. 5.
  • the initial value (G 1 i ) and the end value (G 1 f ) of the first G parameter are set to 1.26 m ⁇ and 2.06 m ⁇ , respectively, and the initial value (G 2 i ) and the end value of the second G parameter (G 2 f ) was set to 1.15m ⁇ and 1.95m ⁇ , respectively, and the initial value (G 3 i ) and end value (G 3 f ) of the third G parameter were set to 1.03m ⁇ and 1.83m ⁇ , respectively.
  • the first health score (SOH 1 ), the second health score (SOH 2 ), and the third health score (SOH 3 ) decrease with the passage of time.
  • . 6 shows an actual health state value SOH (Real).
  • the error calculated by was 1.12% or less.
  • a first health score (SOH 1 ), a second health score (SOH 2 ), and a third health score (SOH 3 ) are generated over time.
  • the first health status score (SOH 1 ), the second health status score (SOH 2 ), and the third health status score (SOH 3 ) are not always generated, and the current current value (I(t)) and the previous current value
  • the current difference ( ⁇ I) which is the difference between (I(t-1)
  • the first health status score (SOH 1 ) is generated
  • the current difference ( ⁇ I) is the second charge/discharge rate section
  • the second health state score (SOH 2 ) is generated, and when the current difference ( ⁇ I) belongs to the third charge/discharge rate section, a third health state score (SOH 3 ) is generated, and the current difference ( ⁇ I) When does not belong to any charge/discharge rate section, none of the first to third health status scores (
  • FIG. 8 is a graph showing a health state value estimated based on the first to third health state scores shown in FIG. 6.
  • the health state value (SOH (Estimated)) estimated according to the present invention is a 4 week moving average value of the first health state score (SOH 1 ), a 4 week moving average value of the second health state score (SOH 2 ), And the average of the 4 week moving average value of the third health status score (SOH 3 ).
  • the error calculated as the root mean square deviation (RMSE) between the calculated health status value (SOH (Estimated)) and the actual health status value (SOH (Real)) was 0.59%. The error was reduced by approximately 50%.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

다양한 실시예들에 따른 배터리 건강 상태 추정 방법이 제공된다. 일 실시예에 따른 배터리 건강 상태 추정 방법은 사용 중인 배터리의 전압 및 전류를 측정하여 전압 값과 전류 값을 주기적으로 생성하는 단계; 적응형 필터를 이용하여 상기 전압 값과 상기 전류 값으로부터 상기 배터리의 현재 상태를 나타내는 G 파라미터의 값 및 H 파라미터의 값을 실시간으로 갱신하는 단계; 및 미리 설정된 상기 G 파라미터의 초기 값과 종료 값 및 상기 G 파라미터의 현재 값을 이용하여, 상기 배터리의 건강 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.

Description

배터리 건강 상태 추정 방법
본 발명은 배터리의 건강 상태(State of Health; SOH)를 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 상태를 정확하게 추정하고 진단하는 것이 필수적이다. 현재 널리 사용되는 추정 값에는 배터리 충전 상태(State of Charge; SOC), 배터리 건강 상태(State of Health; SOH), 출력 제한 추정(Power Limit Estimation; PLE) 등이 있다. 이와 같이 배터리의 상태를 추정하는 기술을 배터리 상태 추정(Battery State Estimation; BSE)이라고 한다.
건강 상태는 배터리 수명 상태, 배터리 노화 상태, 배터리 열화 상태 등으로도 지칭되며, 일반적으로 배터리의 초기 용량 대비 현재 용량의 백분율로 정의된다. 종래의 건강 상태 추정 방법과 관련하여, 크게 전류 센서를 이용하여 방출된 전하량을 측정함으로써 실제 배터리의 용량을 계산하여 건강 상태를 추정하는 방법, OCV(Open Circuit Voltage, 개방회로전압)-SOC(State Of Charge, 충전 상태) 관계를 활용하여 건강 상태를 추정하는 방법, 배터리의 저항 성분이나 임피던스 파라미터 값을 추적하여 건강 상태를 추정하는 방법이 알려져 있다. 그러나 이러한 종래의 방법들은 배터리를 사용 중단해야 한다거나, 특정 조건 또는 환경을 맞추어야 한다거나, 센서 오차 또는 추정 오류가 누적되므로 정확도를 신뢰할 수 없다는 문제들이 존재한다.
본 발명이 해결하려는 과제는 종래의 방법들의 약점을 극복하여 사용 중인 배터리의 전압과 전류를 측정한 전압 값과 전류 값을 이용하여 배터리 상태를 실시간으로 정확하게 추정하는 방법을 제공하는 것이다. 본 발명은 배터리의 내부 상태를 나타내는 G 파라미터와 H 파라미터 중에서 G 파라미터의 값을 추적하여 건강 상태를 추정하는 방법을 제공한다. 본 발명은 G 파라미터의 값을 실시간으로 추적하여 배터리 관리 시스템(Battery Management System; BMS)에 탑재할 수 있는 건강 상태 추정 알고리즘을 제공한다.
본 발명의 일 측면에 따른 배터리 건강 상태 추정 방법은 사용 중인 배터리의 전압 및 전류를 측정하여 전압 값과 전류 값을 주기적으로 생성하는 단계; 적응형 필터를 이용하여 상기 전압 값과 상기 전류 값으로부터 상기 배터리의 현재 상태를 나타내는 G 파라미터의 값 및 H 파라미터의 값을 실시간으로 갱신하는 단계; 및 미리 설정된 상기 G 파라미터의 초기 값과 종료 값 및 상기 G 파라미터의 현재 값을 이용하여, 상기 배터리의 건강 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.
일 예에 따르면, 상기 배터리의 건강 상태는 상기 G 파라미터의 종료 값과 상기 G 파라미터의 초기 값의 차에 대한 상기 G 파라미터의 종료 값과 상기 G 파라미터의 현재 값의 차의 백분율 값을 기초로 추정될 수 있다.
다른 예에 따르면, 상기 적응형 필터는 재귀적 최소 자승법(recursive least squares; RLS)을 이용한 필터일 수 있다.
또 다른 예에 따르면, 상기 배터리 건강 상태 추정 방법은 상기 G 파라미터와 상기 H 파라미터로 이루어진 상태벡터, 및 공분산행렬을 초기화하는 단계; 및 상기 G 파라미터의 초기 값과 종료 값을 설정하는 단계를 더 포함할 수 있다.
또 다른 예에 따르면, 상기 전압 값과 전류 값을 주기적으로 생성하는 단계는 직전 전압 값과 직전 전류 값을 생성하는 단계; 및 미리 설정된 시간 주기(time period) 후에 현재 전압 값과 현재 전류 값을 생성하는 단계를 포함할 수 있다.
또 다른 예에 따르면, 상기 배터리 건강 상태 추정 방법은 상기 현재 전류 값과 상기 직전 전류 값의 전류차를 산출하는 단계; 및 상기 전류차를 미리 설정된 범위와 비교하는 단계를 더 포함할 수 있다. 상기 전류차가 상기 미리 설정된 범위 내에 포함되는 경우, 상기 현재 전압 값과 상기 현재 전류 값을 이용하여 상기 G 파라미터의 값 및 상기 H 파라미터의 값을 갱신할 수 있다. 상기 전류차가 상기 미리 설정된 범위를 벗어나는 경우, 상기 G 파라미터의 값 및 H 파라미터의 값을 갱신하지 않을 수 있다.
또 다른 예에 따르면, 상기 G 파라미터의 값 및 H 파라미터의 값을 실시간으로 갱신하는 단계는, 상기 현재 전류 값과 상기 상태벡터의 직전 값에 기초하여 상기 배터리의 현재 전압 추정치를 산출하는 단계; 상기 현재 전류 값과 상기 공분산행렬의 직전 값에 기초하여 이득행렬과 상기 공분산행렬을 갱신하는 단계; 상기 현재 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.
또 다른 예에 따르면, 상기 현재 전압 추정치는 상기 현재 전류 값과 상기 G 파라미터의 직전 값의 곱에 상기 H 파라미터의 직전 값을 가산한 값으로 산출될 수 있다.
또 다른 예에 따르면, 상기 상태벡터의 현재 값은 상기 상태벡터의 직전 값에 상기 이득행렬의 현재 값과 상기 전압 오차의 곱을 가산한 값으로 산출될 수 있다.
또 다른 예에 따르면, 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.
또 다른 예에 따르면, 상기 이득행렬은 아래의 수식에 따라 산출될 수 있다.
Figure PCTKR2019016610-appb-img-000001
상기 공분산행렬은 아래의 수식에 따라 산출될 수 있다.
Figure PCTKR2019016610-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 현재 전류값이고, λ 1은 상기 제1 망각 팩터이고, λ 2는 상기 제2 망각 팩터일 수 있다.
또 다른 예에 따르면, 상기 배터리의 건강 상태를 실시간으로 추정하는 단계는 상기 G 파라미터의 상기 초기 값, 상기 종료 값 및 상기 현재 값을 기초로 산출되는 상기 배터리의 건강 상태 점수를 저장하는 단계; 건강 상태 체크 조건을 검사하는 단계; 및 상기 건강 상태 점수를 기초로 상기 배터리의 건강 상태 값을 추정할 수 있다.
또 다른 예에 따르면, 상기 건강 상태 체크 조건은 상기 건강 상태 점수가 최근 제1 기간 동안 저장되었는지의 여부를 기초로 설정될 수 있다. 상기 배터리의 건강 상태 값은 상기 건강 상태 점수들의 제2 기간의 이동 평균값을 기초로 생성될 수 있다.
또 다른 예에 따르면, 상기 배터리 건강 상태 추정 방법은 서로 중첩하지 않는 제1 내지 제n 충방전율 구간(n은 자연수)을 설정하는 단계; 제1 내지 제n G 파라미터 및 제1 내지 제n H 파라미터를 각각 포함하는 제1 내지 제n 상태벡터, 및 제1 내지 제n 공분산행렬을 초기화하는 단계; 상기 제1 내지 제n G 파라미터 각각의 초기 값과 종료 값을 설정하는 단계; 직전 전압 값과 직전 전류 값을 생성하고, 미리 설정된 시간 주기 후에 현재 전압 값과 현재 전류 값을 생성하는 단계; 상기 현재 전류 값과 상기 직전 전류 값의 전류차를 산출하는 단계; 상기 전류차를 상기 제1 내지 제n 충방전율 구간 각각과 비교하는 단계; 상기 제1 내지 제n G 파라미터 각각의 초기 값, 종료 값 및 현재 값을 기초로 제1 내지 제n 건강 상태 점수를 각각 산출하는 단계; 및 상기 제1 내지 제n 건강 상태 점수를 기초로 상기 배터리의 건강 상태 값을 실시간으로 추정하는 단계를 더 포함할 수 있다.
또 다른 예에 따르면, 상기 전류차가 상기 제1 내지 제n 충방전율 구간 중에서 제j 구간에 속하는 경우(j는 n이하의 임의의 자연수), 상기 현재 전압 값과 상기 현재 전류 값을 이용하여 제j G 파라미터의 값 및 제j H 파라미터의 값을 갱신하고, 상기 제j G 파라미터의 초기 값, 종료 값 및 현재 값을 이용하여 상기 배터리의 제j 건강 상태 점수를 산출할 수 있다.
또 다른 예에 따르면, 상기 제j G 파라미터의 값 및 상기 제j H 파라미터의 값은 상기 현재 전류 값과 제j 상태벡터의 직전 값에 기초하여 상기 배터리의 현재 전압 추정치를 산출하는 단계; 상기 현재 전류 값과 제j 공분산행렬의 직전 값에 기초하여 이득행렬과 상기 제j 공분산행렬을 갱신하는 단계; 상기 현재 전압 값과 상기 현재 전압 추정치 사이의 전압 오차를 산출하는 단계; 및 상기 제j 상태벡터의 직전 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제j 상태벡터를 갱신하는 단계를 수행함으로써 실시간으로 갱신될 수 있다.
본 발명의 다른 측면에 따른 배터리 건강 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; 상기 제1 G 파라미터의 초기 값과 종료 값, 상기 제2 G 파라미터의 초기 값과 종료 값, 및 상기 제3 G 파라미터의 초기 값과 종료 값을 설정하는 단계; 사용 중인 배터리의 전압 및 전류를 주기적으로 측정하는 단계로서, 직전 전압 값과 직전 전류 값을 생성하고, 미리 설정된 시간 주기(time period) 후에 현재 전압 값과 현재 전류 값을 생성하는 단계; 상기 현재 전류 값과 상기 직전 전류 값의 전류차를 산출하는 단계; 상기 전류차가 제1 임계값 이상 제2 임계값 미만인 경우, 상기 제1 상태벡터와 상기 제1 공분산행렬을 갱신하고, 상기 전류차가 상기 제2 임계값 이상 제3 임계값 미만인 경우, 상기 제2 상태벡터와 상기 제2 공분산행렬을 갱신하고, 상기 전류차가 상기 제3 임계값 이상 제4 임계값 이하인 경우, 상기 제3 상태벡터와 상기 제3 공분산행렬을 갱신하는 단계; 상기 제1 G 파라미터의 초기 값, 종료 값 및 현재 값을 기초로 제1 건강 상태 점수를 산출하고, 상기 제2 G 파라미터의 초기 값, 종료 값 및 현재 값을 기초로 제2 건강 상태 점수를 산출하고, 상기 제3 G 파라미터의 초기 값, 종료 값 및 현재 값을 기초로 제3 건강 상태 점수를 산출하는 단계; 및 상기 제1 내지 제3 건강 상태 점수들을 기초로 상기 배터리의 건강 상태를 실시간으로 추정하는 단계를 포함한다.
일 예에 따르면, 상기 배터리 건강 상태 추정 방법은 상기 제1 내지 제3 건강 상태 점수들이 최근 제1 기간 동안 저장되었는지의 여부를 기초로 건강 상태 체크 조건을 검사하는 단계를 더 포함할 수 있다.
다른 예에 따르면, 상기 배터리의 건강 상태를 실시간으로 추정하는 단계는, 상기 제1 건강 상태 점수들의 제2 기간의 제1 이동 평균값을 산출하는 단계; 상기 제2 건강 상태 점수들의 상기 제2 기간의 제2 이동 평균값을 산출하는 단계; 상기 제3 건강 상태 점수들의 상기 제2 기간의 제3 이동 평균값을 산출하는 단계; 및 상기 제1 내지 제3 이동 평균값의 평균을 기초로 상기 배터리의 건강 상태 값을 산출하는 단계를 포함할 수 있다.
또 다른 예에 따르면, 상기 제k 상태벡터와 상기 제k 공분산행렬을 갱신하는 단계(k는 1, 2 또는 3)는, 상기 현재 전류 값과 상기 제k 상태벡터의 최근 값에 기초하여 상기 배터리의 현재 전압 추정치를 산출하는 단계; 상기 현재 전류 값과 상기 제k 공분산행렬의 직전 값에 기초하여 이득행렬과 상기 제k 공분산행렬을 갱신하는 단계; 상기 현재 전압 값과 상기 현재 전압 추정치 사이의 전압 오차를 산출하는 단계; 및 상기 제k 상태벡터의 최근 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제k 상태벡터를 갱신하는 단계를 포함할 수 있다.
또 다른 예에 따르면, 상기 이득행렬과 상기 제k 공분산행렬을 갱신할 때, 상기 제k G 파라미터와 관련되는 제1 망각 팩터(forgetting factor), 및 상기 제k H 파라미터와 관련되는 제2 망각 팩터가 적용될 수 있다.
본 발명의 다양한 실시예들에 따른 배터리 건강 상태(SOH) 추정 방법은 비용, 확장성, 적응성 측면에서 종래의 방법들에 비해 크게 개선된 것이다. 기존의 복잡한 배터리 모델 기반의 건강 상태 추정 방법은 BMS에 적용하기에 복잡하거나 실시간으로 건강 상태를 구할 수 없는 방법들이지만, 본 발명에 따른 건강 상태 추정 방법은 알고리즘의 형태로 BMS에 탑재할 수 있다. 뿐만 아니라, 여타 종래의 방법들은 전류/전압 운전 데이터가 특정 운전 조건에 한정되지만, 본 발명은 C-rate 구간의 개수와 범위를 유연하게 확장할 수 있기 때문에, 어떠한 운전 조건에서도 건강 상태를 구할 수 있다. 또한, 종래의 방법들은 전류 센서의 정확도가 건강 상태 추정 정확도에 크게 영향을 미치고, 열화가 진행됨에 따라 오차가 점점 누적되지만, 본 발명은 적응형 필터를 사용하여 구한 실시간 파라미터 값을 이용함으로써 오차 누적이 없는 실시간 추정이 가능하다. 특히, 본 발명은 배터리의 셀 레벨뿐만 아니라, 팩 레벨이나 시스템 레벨에서도 범용적으로 사용 가능하며, 배터리의 사용 이력에 따라 열화량이 달라지는 패턴-종속(Pattern-dependent) 열화까지도 모두 실시간으로 반영하여 정확하게 건강 상태를 추정할 수 있다.
본 발명의 다양한 실시예들에 따르면, 사용 중인 배터리의 전압과 전류를 측정한 전압 값과 전류 값을 이용하여 간단한 연산으로 건강 상태를 실시간으로 정확하게 추정할 수 있다. 배터리의 전압 및 전류 데이터만 사용되므로 하드웨어 구성이 간단하고, 배터리의 건강 상태를 추정하는 연산 과정이 복잡하지 않기 때문에 배터리 팩의 BMS에 사용되는 마이크로프로세서에서도 배터리의 건강 상태를 실시간으로 정확하게 추정할 수 있다. 또한, 건강 상태를 추정하는 연산에 필요한 데이터의 양이 많지 않기 때문에, 작은 메모리 용량으로도 본 발명에 따른 건강 상태 추정 방법이 수행될 수 있다.
도 1은 일 실시예에 따른 배터리 건강 상태 추정 방법을 수행하기 위한 배터리 시스템의 개략적인 구성도를 도시한다.
도 2은 일 실시예에 따른 배터리 건강 상태 추정 방법의 순서도를 도시한다.
도 3은 다른 실시예에 따른 배터리 건강 상태 추정 방법의 순서도를 도시한다.
도 4는 또 다른 실시예에 따른 배터리 건강 상태 추정 방법의 순서도를 도시한다.
도 5는 본 발명의 배터리 건강 상태 추정 방법을 실시한 결과로서, 제1 내지 제3 G 파라미터의 값들을 표시한 그래프를 도시한다.
도 6은 도 5에 도시된 제1 내지 제3 G 파라미터의 값들을 기초로 산출된 제1 내지 제3 건강 상태 점수들을 표시한 그래프를 도시한다.
도 7은 도 6의 A부분을 확대한 그래프이다.
도 8은 도 6 에 도시된 제1 내지 제3 건강 상태 점수들을 기초로 추정된 건강 상태 값을 표시한 그래프를 도시한다.
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 건강 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 중이다. 즉, 배터리(110)는 부하에 전류를 방전하고 있거나, 충전 장치로부터 전력을 충전하고 있을 수 있다.
전압 측정부(120)는 사용 중인 배터리(110)의 양 단자에 연결되어 배터리(110)의 전압을 측정하여 전압 값을 주기적으로 생성할 수 있다. 예컨대, 전압 측정부(120)는 미리 설정된 시간 주기(Δt)로 배터리(110)의 양 단자 전압을 측정할 수 있다. 현재 또는 최근에 측정된 전압 값은 현재 전압 값으로 지칭되고, V(t)로 표시한다. 시간 주기(Δt) 전에 측정된 전압 값은 직전 전압 값으로 지칭되고, V(t-1)로 표시한다. 시간 주기(Δt)는 예컨대 1초일 수 있다. 그러나, 이는 예시적이며, 시간 주기(Δt)는 다른 시간, 예컨대, 0.1초, 0.5초, 2초, 5초, 또는 10초 등으로 설정될 수 있다. 시간 주기(Δt)는 배터리 시스템(100)에 연결되는 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 측정하여 전류 값을 주기적으로 생성할 수 있다. 전압 측정부(120)와 전류 측정부(130)는 서로 동기화되어 서로 동일 시점에 배터리(110)의 전압과 전류를 각각 측정할 수 있다. 전류 측정부(130)도 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 표시하고, 시간 주기(Δt) 전에 측정된 전류 값을 직전 전류 값이라고 지칭하고 I(t-1)로 표시한다.
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 갱신할 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. 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 적응형 필터를 이용하는 실시예에 대하여 설명한다.
마이크로프로세서(140)는 실시간으로 생성되는 G 파라미터의 값 및 H 파라미터의 값을 이용하여 배터리(110)의 상태를 실시간으로 추정할 수 있다. 본 발명에 따르면, 마이크로프로세서(140)는 G 파라미터의 초기 값, 종료 값, 및 현재 값을 이용하여 배터리(110)의 건강 상태를 실시간으로 추정할 수 있다. G 파라미터의 초기 값과 종료 값은 미리 설정된 값들일 수 있다. G 파라미터의 현재 값은 적응형 필터를 이용하여 전압 값과 전류 값으로부터 실시간으로 생성될 수 있다.
마이크로프로세서(140)는 배터리 건강 상태를 실시간으로 추정하는데 사칙 연산 정도의 간단한 연산만을 사용하기 때문에, 배터리 팩의 배터리 관리 시스템(BMS) 내에 포함될 수 있다. 다른 예에 따르면, 본 발명에 따른 배터리 건강 상태 추정 방법은 전기 자동차의 배터리 관리 시스템 내의 마이크로컨트롤러 또는 ECU(Electronic Control Unit)에 의해 수행될 수 있다. 또 다른 예에 따르면, 본 발명에 따른 배터리 건강 상태 추정 방법은 에너지 저장 시스템의 통합 컨트롤러에 의해 수행될 수 있다. 또 다른 예에 따르면, 본 발명에 따른 배터리 건강 상태 추정 방법은 배터리 시스템 또는 에너지 저장 시스템과 통신으로 연결되는 서버의 프로세서에 의해 수행될 수 있다.
저장부(150)는 마이크로프로세서(140)가 본 실시예에 따른 건강 상태 추정 방법을 수행하기 위해 필요한 명령어들 및 데이터를 저장할 수 있다. 본 실시예에 따른 추정 방법은 시간 주기(Δt)마다 생성되는 전압 값과 전류 값을 기초로 G 파라미터의 값 및 H 파라미터의 값을 생성하고, G 파라미터의 현재 값을 이용하여 배터리(110)의 건강 상태를 추정하기 때문에, 저장부(150)에는 현재 전압 값, 현재 전류 값, 및 직전 전류 값이 저장되고, 그 외에 다른 전압 및 전류 데이터는 저장부(150)에 저장되지 않을 수 있다. 즉, 저장부(150)에 많은 양의 전압 및 전류 데이터가 저장될 필요가 없다.
본 실시예에 따른 건강 상태 추정 방법에 따르면, 저장부(150)에는 G 파라미터의 초기 값과 종료 값, G 파라미터와 H 파라미터로 이루어진 상태벡터의 직전 값과 현재 값, 및 재귀적 최소 자승법의 연산에 필요한 공분산행렬의 직전 값과 현재 값이 저장될 수 있다. 또한, 저장부(150)에는 G 파라미터의 초기 값, 종료 값 및 현재 값을 기초로 산출되는 건강 상태 점수가 저장될 수 있다. 일 예에 따르면, 미리 설정된 기간 동안 건강 상태 점수들이 저장부(150)에 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.
배터리 건강 상태는 배터리 수명 상태, 배터리 노화 상태, 배터리 열화 상태 등으로도 지칭되며, 일반적으로 배터리의 초기 용량 대비 현재 용량의 백분율로 정의된다. 종래에는 전류 센서를 이용하여 방출된 전하량을 측정함으로써 실제 배터리의 용량을 계산하여 건강 상태를 추정하는 방법, OCV-SOC 관계를 활용하여 건강 상태를 추정하는 방법, 배터리의 저항 성분이나 임피던스 파라미터 값을 추적하여 건강 상태를 추정하는 방법이 사용되었다. 그러나 이러한 종래의 방법들은 배터리를 사용 중단해야 한다거나, 특정 조건 또는 환경을 맞추어야 한다거나, 센서 오차 또는 추정 오류가 누적되므로 정확도를 신뢰할 수 없다는 문제들이 존재한다.
전류 센서를 사용하여 방출된 전하량을 측정하여 실제 배터리의 용량을 계산함으로써 건강 상태를 추정하는 방법은 배터리의 용량을 계산하기 위하여 배터리의 사용을 중단해야 한다. 또한, 배터리의 초기 용량을 측정했던 환경과 동일한 환경에서 현재 용량을 측정해야 한다. 즉, 현재 용량을 측정할 때 초기 용량을 측정할 때의 온도와 충방전량을 동일하게 맞추어야 한다. 하지만 실제 배터리 사용 환경에서 배터리 사용을 중단한다거나 특정 환경을 맞추어 현재 용량을 계산하는 것은 배터리 시스템에 부담이 되는 방법이다. 또한 이 방법은 전류 센서의 정확도가 건강 상태 추정의 정확도에 직접적으로 영향을 미치게 된다.
OCV-SOC 관계를 활용하여 건강 상태를 추정하는 방법은 실시간으로 SOC를 직접 측정하기 어렵기 때문에 측정 가능한 데이터(예컨대 OCV)를 통해 SOC를 추정하고, 추정된 SOC를 기반으로 건강 상태를 추정한다. 그러나 이와 같이 SOC 추정치에 기반하여 건강 상태를 추정하는 방법은 측정 오차와 SOC의 추정 오차가 그대로 건강 상태 추정에 반영되므로 건강 상태 추정치의 정확도에 큰 문제가 발생할 수 있다. OCV-SOC 관계를 활용하는 방법은 배터리가 특정 SOC 조건에서 운전해야만 건강 상태를 추정할 수 있기 때문에, 건강 상태를 일정한 주기로 추정할 수 없다.
배터리의 저항 성분이나 임피던스 파라미터 값을 추적하여 건강 상태를 추정하는 방법은 배터리의 정상 사용을 중단하고 배터리에 교류 전원과 같은 특정 충방전 운전 파형을 인가하여 배터리 내부 파라미터 값을 얻고, 이와 같은 파라미터 값을 추적하여 건강 상태를 추정한다. 따라서, 배터리의 정상 운전을 중단해야 하고, 더욱 정확한 파라미터 값을 얻기 위해서는 부가적인 운전 조건들이 충족되어야 한다. 또한 이렇게 얻어진 파라미터 값을 기반으로 건강 상태를 정확히 추정하기 위해서는 고도의 배터리 모델이 필요하므로, 복잡한 보정 계산을 실시간으로 수행할 수 없는 배터리 관리 시스템(Battery Management System; BMS)에서 실행되기 어렵다.
룩업 테이블 기반으로 건강 상태를 추정하는 방법도 있으나, 이 방법은 적응성이 떨어진다. 배터리는 사용 패턴에 따라 열화 특성이 달라진다. 이를 패턴-종속(Pattern-dependent) 열화라고 하는데, 배터리의 측정 가능한 변수(예컨대, 전압, 전류, 온도)와 배터리 건강 상태를 나타내는 파라미터 간의 관계가 사용 패턴에 따라 변하기 때문이다. 그러나 사전에 실험을 통해 룩업 테이블을 완성하고 나면, 사용 패턴 특성을 반영하기 힘들다. 패턴-종속 열화를 반영하기 위해서는 사전에 모든 사용 패턴 특성에 대해 실험을 진행하거나, 해당 특성을 예측하여 배터리 모델에 미리 반영해 두어야 한다. 그러나 전자는 비용 상승의 문제가 있고, 후자는 배터리 모델이 복잡해지고 사전에 해당 특성을 정확하게 예측하지 못하면, 배터리 건강 상태 추정의 신뢰도가 떨어질 수 밖에 없다.
본 발명은 종래의 건강 상태 추정 방법의 문제점을 극복하기 위하여 배터리 내부 파라미터인 G 파라미터와 H 파라미터 중에서 G 파라미터의 값을 추적하여 건강 상태를 실시간으로 정확하게 추정하는 방법을 제시한다. 본 발명에 따른 건강 상태 추정 방법은 배터리 관리 시스템(BMS)에서 실행될 수 있을 정도로 비교적 간단하게 구현될 수 있으며 부가적인 운전 조건 없이도 높은 정확도를 가질 수 있다.
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 정량화할 수 있다. 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 건강 상태 추정 방법은 예컨대 재귀적 최소 자승법을 이용하여 배터리에서 측정된 전압 값과 전류 값으로부터 직접적으로 G 파라미터(G)와 H 파라미터(H)를 추출하고, G 파라미터(G)를 추적함으로써 배터리의 건강 상태를 추정하는 것이다.
도 2은 일 실시예에 따른 배터리 건강 상태 추정 방법의 순서도를 도시한다.
도 1과 함께 도 2를 참조하면, 마이크로프로세서(140)는 재귀적 최소 자승법을 이용하여 도 2에 도시된 배터리 건강 상태 추정 방법을 수행할 수 있다.
본 실시예에 따른 배터리 건강 상태 추정 방법에 따르면, 상태벡터(
Figure PCTKR2019016610-appb-img-000003
) 및 공분산행렬(
Figure PCTKR2019016610-appb-img-000004
)이 사용될 수 있다.
상태벡터(
Figure PCTKR2019016610-appb-img-000005
)는 G 파라미터(
Figure PCTKR2019016610-appb-img-000006
) 및 H 파라미터(
Figure PCTKR2019016610-appb-img-000007
)로 이루어지며,
Figure PCTKR2019016610-appb-img-000008
와 같이 정의될 수 있다.
공분산행렬(P(t))은 제1 값(P 1(t))와 제2 값(P 2(t))로 이루어지며,
Figure PCTKR2019016610-appb-img-000009
와 같이 정의될 수 있다.
배터리(110)의 전압 값(V(t)) 및 전류 값(I(t))이 시간 주기(Δt)마다 생성되며, 상태벡터(
Figure PCTKR2019016610-appb-img-000010
) 및 공분산행렬(
Figure PCTKR2019016610-appb-img-000011
)도 재귀적 방법에 의하여 시간 주기(Δt)마다 갱신된다. G 파라미터(
Figure PCTKR2019016610-appb-img-000012
) 및 H 파라미터(
Figure PCTKR2019016610-appb-img-000013
)도 역시 시간 주기(Δt)마다 갱신된다.
본 실시예에 따른 배터리 건강 상태 추정 방법에 따르면, 마이크로프로세서(140)는 상태벡터(
Figure PCTKR2019016610-appb-img-000014
) 및 공분산행렬(
Figure PCTKR2019016610-appb-img-000015
)를 초기화할 수 있다(S110). 상태벡터(
Figure PCTKR2019016610-appb-img-000016
)는
Figure PCTKR2019016610-appb-img-000017
와 같이 초기화되고, 공분산행렬(
Figure PCTKR2019016610-appb-img-000018
)은
Figure PCTKR2019016610-appb-img-000019
와 같이 초기화될 수 있다.
본 예에서, 상태벡터(
Figure PCTKR2019016610-appb-img-000020
)의 원소들과 공분산행렬(
Figure PCTKR2019016610-appb-img-000021
)의 원소들이 모두 1로 초기화되었지만, 이는 예시적이며 다른 값으로 초기화될 수 있다.
마이크로프로세서(140)는 G 파라미터(
Figure PCTKR2019016610-appb-img-000022
)의 초기 값(G i)과 종료 값(G f)을 설정할 수 있다(S120). 초기 값(G i)은 건강 상태가 100인 배터리의 G 파라미터 값이고, 종료 값(G f)은 건강 상태가 0인 배터리의 G 파라미터 값이다. 초기 값(G i)과 종료 값(G f)은 각각 건강 상태가 100인 배터리와 건강 상태가 0인 배터리에 대하여 실험을 통해 사전에 얻을 수 있다. 다른 예에 따르면, 초기 값(G i)은 건강 상태가 100인 배터리에 대하여 실험을 통해 사전에 얻고, 종료 값(G f)은 본 발명의 배터리 건강 상태 추정 방법을 수행하면서 배터리의 실제 건강 상태와 본 발명에 따라 추정한 건강 상태의 오차가 최소화되도록 보정함으로써 산출될 수도 있다.
마이크로프로세서(140)는 전압 측정부(120) 및 전류 측정부(130)를 이용하여 배터리(110)의 전압 및 전류를 측정하여, 전압 값 및 전류 값을 주기적으로 예컨대 시간 주기(Δt)마다 생성한다(S130). 마이크로프로세서(140)는 직전 전압 값(V(t-1))과 직전 전류 값(I(t-1))을 생성하고, 시간 주기(Δt) 후에 현재 전압 값(V(t))과 현재 전류 값(I(t))을 생성할 수 있다.
마이크로프로세서(140)는 재귀적 최소 자승법을 이용하여 전압 값 및 전류 값으로부터 G 파라미터(
Figure PCTKR2019016610-appb-img-000023
)의 현재 값을 실시간으로 생성할 수 있다(S140). 본 발명에 따른 배터리 건강 상태 추정 방법에 따르면, 마이크로프로세서(140)는 시간 주기(Δt)마다 수신되는 현재 전압 값(V(t))과 현재 전류 값(I(t))에 따라 G 파라미터(
Figure PCTKR2019016610-appb-img-000024
) 및 H 파라미터(
Figure PCTKR2019016610-appb-img-000025
)를 시간 주기(Δt)마다 갱신할 수 있다.
마이크로프로세서(140)는 현재 전류 값(I(t))과 상태벡터의 직전 값(
Figure PCTKR2019016610-appb-img-000026
)에 기초하여 배터리(110)의 현재 전압 추정치(
Figure PCTKR2019016610-appb-img-000027
)를 산출할 수 있다. 상태벡터의 직전 값(
Figure PCTKR2019016610-appb-img-000028
)은 시간 주기(Δt) 전에 직전 전압 값(V(t-1)) 및 직전 전류 값(I(t-1))을 기초로 산출되며, G 파라미터의 직전 값(
Figure PCTKR2019016610-appb-img-000029
)과 H 파라미터의 직전 값(
Figure PCTKR2019016610-appb-img-000030
)으로 이루어진다. 배터리(110)의 현재 전압 추정치(
Figure PCTKR2019016610-appb-img-000031
)는 현재 전류 값(I(t))과 G 파라미터의 직전 값(
Figure PCTKR2019016610-appb-img-000032
)의 곱에 H 파라미터의 직전 값(
Figure PCTKR2019016610-appb-img-000033
)을 가산한 값으로,
Figure PCTKR2019016610-appb-img-000034
와 같이 산출될 수 있다.
마이크로프로세서(140)는 현재 전류 값(I(t))과 공분산행렬의 직전 값(P(t-1))에 기초하여 이득행렬(L(t))을 갱신할 수 있다. 공분산행렬의 직전 값(P(t-1))은 시간 주기(Δt) 전에 직전 전압 값(V(t-1)) 및 직전 전류 값(I(t-1))을 기초로 산출되며, 공분산행렬(P(t))의 정의에 따라 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 PCTKR2019016610-appb-img-000035
)와 공분산행렬(
Figure PCTKR2019016610-appb-img-000036
)을 갱신할 때 사용된다. 이득행렬(L(t))은 이득행렬의 제1 값(L 1(t))과 이득행렬의 제2 값(L 2(t))으로 이루어지며, 다음과 같이 산출될 수 있다.
Figure PCTKR2019016610-appb-img-000037
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 PCTKR2019016610-appb-img-000038
) 및 H 파라미터(
Figure PCTKR2019016610-appb-img-000039
)를 산출함에 있어서, 과거의 전압 값 및 전류 값이 G 파라미터의 현재 값(
Figure PCTKR2019016610-appb-img-000040
)과 H 파라미터의 현재 값(
Figure PCTKR2019016610-appb-img-000041
)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 PCTKR2019016610-appb-img-000042
)과 H 파라미터의 현재 값(
Figure PCTKR2019016610-appb-img-000043
)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 0.99999로 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 0.99999와 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 0.9999로 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(
Figure PCTKR2019016610-appb-img-000044
)을 갱신할 수 있다. 공분산행렬(P(t))은 다음과 같이 산출될 수 있다.
Figure PCTKR2019016610-appb-img-000045
마이크로프로세서(140)는 현재 전압 값(V(t))과 앞에서 산출한 현재 전압 추정치(
Figure PCTKR2019016610-appb-img-000046
) 사이의 전압 오차(e(t))를
Figure PCTKR2019016610-appb-img-000047
와 같이 산출할 수 있다.
마이크로프로세서(140)는 상태벡터의 직전 값(
Figure PCTKR2019016610-appb-img-000048
), 이득행렬의 현재 값(L(t)) 및 전압 오차(e(t))에 기초하여 상태벡터(
Figure PCTKR2019016610-appb-img-000049
)를 갱신할 수 있다. 상태벡터(
Figure PCTKR2019016610-appb-img-000050
)가 갱신됨으로써, G 파라미터의 현재 값(
Figure PCTKR2019016610-appb-img-000051
) 및 H 파라미터의 현재 값(
Figure PCTKR2019016610-appb-img-000052
)이 생성된다.
상태벡터의 현재 값(
Figure PCTKR2019016610-appb-img-000053
)은 상태벡터의 직전 값(
Figure PCTKR2019016610-appb-img-000054
)에 이득행렬의 현재 값(L(t))과 전압 오차(e(t))의 곱을 가산한 값으로 아래와 같이 산출될 수 있다.
Figure PCTKR2019016610-appb-img-000055
상태벡터(
Figure PCTKR2019016610-appb-img-000056
)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 PCTKR2019016610-appb-img-000057
여기서, V(i)는 i번째 전압 값이고, I(i)는 i번째 전류 값이다. V(t)와 I(t)는 각각 현재 전압 값과 현재 전류 값이고, 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 PCTKR2019016610-appb-img-000058
와
Figure PCTKR2019016610-appb-img-000059
는 각각 G 파라미터의 현재 값 추정치와 H 파라미터의 현재 값 추정치를 의미한다.
손실 함수(ε)를
Figure PCTKR2019016610-appb-img-000060
와
Figure PCTKR2019016610-appb-img-000061
에 대하여 각각 미분한 결과가 0이 될 때,
Figure PCTKR2019016610-appb-img-000062
와
Figure PCTKR2019016610-appb-img-000063
에 대하여 손실 함수(ε)가 최소가 된다.
손실 함수(ε)를
Figure PCTKR2019016610-appb-img-000064
에 대하여 각각 미분한 결과가 0이 되는
Figure PCTKR2019016610-appb-img-000065
를 구해보면 다음과 같다.
Figure PCTKR2019016610-appb-img-000066
위 수식을 정리하면,
Figure PCTKR2019016610-appb-img-000067
는 다음과 같다.
Figure PCTKR2019016610-appb-img-000068
손실 함수(ε)를
Figure PCTKR2019016610-appb-img-000069
에 대하여 각각 미분한 결과가 0이 되는
Figure PCTKR2019016610-appb-img-000070
를 구해보면 다음과 같다.
Figure PCTKR2019016610-appb-img-000071
실시간 추정을 위하여, 위에서 구한
Figure PCTKR2019016610-appb-img-000072
와
Figure PCTKR2019016610-appb-img-000073
를 상태벡터(
Figure PCTKR2019016610-appb-img-000074
)를 이용하여 재귀적인 형태로 정리하면 다음과 같다.
Figure PCTKR2019016610-appb-img-000075
현재 전압 추정치(
Figure PCTKR2019016610-appb-img-000076
)는
Figure PCTKR2019016610-appb-img-000077
로 정의되고, 전압 오차(e(t))는
Figure PCTKR2019016610-appb-img-000078
로 정의되므로, 상태벡터(
Figure PCTKR2019016610-appb-img-000079
)는 전술한 바와 같이 아래와 같이 표현될 수 있다.
Figure PCTKR2019016610-appb-img-000080
여기서, 이득행렬(L(t))와 공분산행렬(
Figure PCTKR2019016610-appb-img-000081
)은 각각 전술한 바와 같이 아래와 같이 산출된다.
Figure PCTKR2019016610-appb-img-000082
Figure PCTKR2019016610-appb-img-000083
본 실시예의 배터리 건강 상태 추정 방법은 재귀적 방법을 이용하므로, 저장부(150)에는 현재 전압 값(V(t)), 현재 전류 값(I(t)), 상태벡터(
Figure PCTKR2019016610-appb-img-000084
), 및 공분산행렬(
Figure PCTKR2019016610-appb-img-000085
) 정도만 저장될 수 있다. 마이크로프로세서(140)는 저장부(150)에 저장된 상태벡터(
Figure PCTKR2019016610-appb-img-000086
)를 통해 G 파라미터의 현재 값(
Figure PCTKR2019016610-appb-img-000087
)을 실시간으로 생성할 수 있다. 다른 예에 따르면, 저장부(150)에는 제1 망각 팩터(λ 1)와 제2 망각 팩터(λ 2)가 더 저장될 수 있다. 저장부(150)에는 과거의 전압 값들과 전류 값들이 모두 저장될 필요가 없다.
도 2에 도시된 배터리 건강 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 PCTKR2019016610-appb-img-000088
)과 공분산행렬(
Figure PCTKR2019016610-appb-img-000089
)을 새롭게 갱신하므로, 배터리(110)의 전압 및 전류 변동이 실질적으로 실시간으로 G 파라미터(
Figure PCTKR2019016610-appb-img-000090
)와 H 파라미터(
Figure PCTKR2019016610-appb-img-000091
)에 반영될 수 있다.
마이크로프로세서(140)는 단계(S120)에서 설정된 G 파라미터의 초기 값(G i) 및 종료 값(G f) 및 단계(S140)에서 생성된 G 파라미터의 현재 값(
Figure PCTKR2019016610-appb-img-000092
)를 이용하여, 배터리(110)의 건강 상태를 실시간으로 추정할 수 있다(S150). 마이크로프로세서(140)는 G 파라미터의 종료 값(G f)과 G 파라미터의 초기 값(G i)의 차(G f-G i)에 대한 G 파라미터의 종료 값(G f)과 상기 G 파라미터의 현재 값(
Figure PCTKR2019016610-appb-img-000093
)의 차(G f-
Figure PCTKR2019016610-appb-img-000094
)의 백분율 값((G f-
Figure PCTKR2019016610-appb-img-000095
)/(G f-G i)*100)을 기초로 배터리(110)의 건강 상태를 추정할 수 있다. 일 예에 따르면, 배터리(110)의 건강 상태 값은 백분율 값((G f-
Figure PCTKR2019016610-appb-img-000096
)/(G f-G i)*100)으로 산출될 수 있다. 다른 예에 따르면, 백분율 값((G f-
Figure PCTKR2019016610-appb-img-000097
)/(G f-G i)*100)을 건강 상태 점수로 정의하고, 현재로부터 소정 기간의 건강 상태 점수들의 평균을 기초로 배터리(110)의 건강 상태 값을 추정할 수 있다. 여기서, 소정 기간은 1주, 2주, 3주, 4주, 8주, 12주와 같은 기간일 수 있다. 이와 같이 산출된 평균은 소정 기간의 이동 평균이라고 지칭될 수 있다. 또 다른 예에 다르면, 현재에 가까운 건강 상태 점수일수록 높은 가중치를 부여하고 건강 상태 점수를 취득한 시간이 과거일수록 낮은 가중치를 부여하는 가중 이동 평균을 기초로 배터리(110)의 건강 상태 값을 추정할 수도 있다.
마이크로프로세서(140)는 배터리(110)의 전압 값(V(t))과 전류 값(I(t))을 측정하는 시간 주기(Δt)마다 단계들(S130-S150)을 반복적으로 수행할 수 있다. 일 예에 따르면, 마이크로프로세서(140)는 시간 주기(Δt)마다 단계(S120)에서 설정된 G 파라미터의 초기 값(G i) 및 종료 값(G f) 및 단계(S140)에서 생성된 G 파라미터의 현재 값(
Figure PCTKR2019016610-appb-img-000098
)를 기초로 배터리(110)의 건강 상태 점수를 산출하고, 건강 상태 점수를 저장부(150)에 저장할 수 있다. 마이크로프로세서(140)는 저장부(150)에 소정 기간 동안 저장된 건강 상태 점수들을 기초로 배터리(110)의 건강 상태 값을 추정할 수 있다. 예컨대, 마이크로프로세서(140)는 건강 상태 점수들을 통계 처리하여 건강 상태 값을 산출할 수 있다. 예컨대, 이동 평균 또는 가중 이동 평균이 사용될 수 있다.
도 3은 다른 실시예에 따른 배터리 건강 상태 추정 방법의 순서도를 도시한다.
도 3의 배터리 건강 상태 추정 방법의 일부 단계들은 도 2의 배터리 건강 상태 추정 방법과 실질적으로 동일하다. 이들에 대해서는 반복하여 설명하지 않는다. 도 3에 도시된 배터리 건강 상태 추정 방법은 도 1의 마이크로프로세서(140)에 의해 수행될 수 있다.
도 1 내지 도 3을 참조하면, 마이크로프로세서(140)는 상태벡터(
Figure PCTKR2019016610-appb-img-000099
) 및 공분산행렬(
Figure PCTKR2019016610-appb-img-000100
)를 초기화할 수 있다(S210). 상태벡터(
Figure PCTKR2019016610-appb-img-000101
)는 G 파라미터(
Figure PCTKR2019016610-appb-img-000102
) 및 H 파라미터(
Figure PCTKR2019016610-appb-img-000103
)를 포함하고, 공분산행렬(
Figure PCTKR2019016610-appb-img-000104
)은 제1 값(P 1(t))와 제2 값(P 2(t))를 포함한다. 예를 들면, 상태벡터(
Figure PCTKR2019016610-appb-img-000105
)는
Figure PCTKR2019016610-appb-img-000106
와 같이 초기화되고, 공분산행렬(
Figure PCTKR2019016610-appb-img-000107
)은
Figure PCTKR2019016610-appb-img-000108
와 같이 초기화될 수 있다. 상태벡터(
Figure PCTKR2019016610-appb-img-000109
)와 공분산행렬(
Figure PCTKR2019016610-appb-img-000110
)의 모든 원소들이 예시적으로 1로 초기화되었지만, 예컨대 0과 같은 다른 값으로 초기화될 수 있으며, 서로 다른 값으로 초기화될 수도 있다.
마이크로프로세서(140)는 G 파라미터(
Figure PCTKR2019016610-appb-img-000111
)의 초기 값(G i)과 종료 값(G f)을 설정할 수 있다(S220). 단계(S220)은 단계(S210)보다 먼저 수행될 수도 있다. 초기 값(G i)과 종료 값(G f)은 관리자에 의해 입력되거나, 마이크로프로세서(140)의 연산에 의해 획득될 수도 있고, 외부로부터 수신할 수도 있다. 초기 값(G i)은 건강 상태가 100인 배터리의 G 파라미터 값에 대응되고, 종료 값(G f)은 건강 상태가 0인 배터리의 G 파라미터 값에 대응된다.
마이크로프로세서(140)는 배터리(110)의 전압 및 전류를 측정하여, 전압 값 및 전류 값을 예컨대 시간 주기(Δt)마다 생성할 수 있다(S230). 예를 들면, 직전 전압 값(V(t-1))과 직전 전류 값(I(t-1))이 생성되고, 시간 주기(Δt) 후에 현재 전압 값(V(t))과 현재 전류 값(I(t))이 생성될 수 있다. 도 3의 배터리 건강 상태 추정 방법은 재귀적 최소 자승법을 이용하므로, 상태벡터(
Figure PCTKR2019016610-appb-img-000112
)와 공분산행렬(
Figure PCTKR2019016610-appb-img-000113
), 그리고 G 파라미터(
Figure PCTKR2019016610-appb-img-000114
)와 H 파라미터(
Figure PCTKR2019016610-appb-img-000115
)도 역시 재귀적 방법에 의하여 시간 주기(Δt)마다 갱신된다.
마이크로프로세서(140)는 현재 전류 값(I(t))와 직전 전류 값(I(t-1)) 간의 전류차(ΔI)를 산출할 수 있다(S240). 일 예에 따르면, 전류차(ΔI)는 현재 전류 값(I(t))에서 직전 전류 값(I(t-1))를 감산한 값(즉, I(t)-I(t-1))일 수 있다. 다른 예에 따르면, 전류차(ΔI)는 현재 전류 값(I(t))와 직전 전류 값(I(t-1))의 차이, 즉, 현재 전류 값(I(t))에서 직전 전류 값(I(t-1))를 감산한 값의 절대값(즉, |I(t)-I(t-1)|)일 수 있다. 전류차(ΔI)를 산출하기 위하여, 저장부(150)는 직전 전류 값(I(t-1))를 저장할 수 있다.
마이크로프로세서(140)는 전류차(ΔI)를 소정 범위와 비교할 수 있다(S250). 소정 범위는 하한값과 상한값으로 정의될 수 있으며, 관리자에 의해 미리 설정될 수 있다. 마이크로프로세서(140)는 전류차(ΔI)를 하한값과 상한값 사이의 범위에 포함되는지의 여부가 판단될 수 있다. 소정 범위는 배터리 시스템(100)의 충방전 전류 패턴에 따라 설정될 수 있다. 하한값과 상한값은 배터리 시스템(100)의 충방전율을 기준으로 설정될 수 있다. 예컨대, 하한값은 0.2C로 설정되고 상한값은 1C로 설정될 수 있다.
전류차(ΔI)가 너무 작거나 너무 클 경우, 재귀적 방법으로 인하여 전압 값과 전류 값의 센싱 오차가 G 파라미터(
Figure PCTKR2019016610-appb-img-000116
)와 H 파라미터(
Figure PCTKR2019016610-appb-img-000117
)에 큰 편차를 야기한다. 소정 범위는 정확도 높은 건강 상태 값을 산출하기에 적절한 크기를 가질 수 있다. 전류차(ΔI)가 소정 범위 내에 포함되는 경우, 단계(S260)으로 진행하여 현재 전압 값(V(t))과 현재 전류 값(I(t))을 기초로 상태벡터(
Figure PCTKR2019016610-appb-img-000118
)와 공분산행렬(
Figure PCTKR2019016610-appb-img-000119
)을 갱신할 수 있다. 그러나, 전류차(ΔI)가 소정 범위를 벗어나는 경우, 단계(S230)으로 진행하여 시간 주기(Δt) 후의 전압 값 및 전류 값을 생성할 수 있다. 즉, 전류차(ΔI)가 소정 범위를 벗어나는 경우, 상태벡터(
Figure PCTKR2019016610-appb-img-000120
)와 공분산행렬(
Figure PCTKR2019016610-appb-img-000121
)은 갱신되지 않으며, 현재 전압 값(V(t))과 현재 전류 값(I(t))은 상태벡터(
Figure PCTKR2019016610-appb-img-000122
)와 공분산행렬(
Figure PCTKR2019016610-appb-img-000123
)에 영향을 끼치지 않는다.
마이크로프로세서(140)는 재귀적 최소 자승법을 이용하여 전압 값 및 전류 값을 기초로 상태벡터(
Figure PCTKR2019016610-appb-img-000124
)와 공분산행렬(
Figure PCTKR2019016610-appb-img-000125
)를 갱신할 수 있다(S260).
일 예에 따르면, 마이크로프로세서(140)는 현재 전류 값(I(t))과 상태벡터의 직전 값(
Figure PCTKR2019016610-appb-img-000126
)에 기초하여 배터리(110)의 현재 전압 추정치(
Figure PCTKR2019016610-appb-img-000127
)를 산출할 수 있다. 현재 전압 추정치(
Figure PCTKR2019016610-appb-img-000128
)는
Figure PCTKR2019016610-appb-img-000129
와 같이 산출될 수 있다.
마이크로프로세서(140)는 현재 전류 값(I(t))과 공분산행렬의 직전 값(P(t-1))에 기초하여 이득행렬(L(t))을 갱신할 수 있다. 이득행렬(L(t))은 다음과 같이 산출될 수 있다.
Figure PCTKR2019016610-appb-img-000130
마이크로프로세서(140)는 현재 전류 값(I(t)), 이득행렬(L(t)) 및 공분산행렬의 직전 값(P(t-1))에 기초하여 공분산행렬(
Figure PCTKR2019016610-appb-img-000131
)을 갱신할 수 있다. 공분산행렬(
Figure PCTKR2019016610-appb-img-000132
)은 다음과 같이 산출될 수 있다.
Figure PCTKR2019016610-appb-img-000133
여기서, λ 1는 G 파라미터와 관련되는 제1 망각 팩터이고, λ 2는 H 파라미터와 관련되는 제2 망각 팩터이다.
마이크로프로세서(140)는 상태벡터의 직전 값(
Figure PCTKR2019016610-appb-img-000134
), 이득행렬의 현재 값(L(t)) 및 전압 오차(e(t))에 기초하여 상태벡터(
Figure PCTKR2019016610-appb-img-000135
)를 갱신할 수 있다. 상태벡터의 현재 값(
Figure PCTKR2019016610-appb-img-000136
)은 다음과 같이 산출될 수 있다.
Figure PCTKR2019016610-appb-img-000137
여기서, 전압 오차(e(t))는 현재 전압 값(V(t))과 현재 전압 추정치(
Figure PCTKR2019016610-appb-img-000138
)에 기초하여
Figure PCTKR2019016610-appb-img-000139
와 같이 산출할 수 있다.
단계(S260)에서 상태벡터(
Figure PCTKR2019016610-appb-img-000140
)가 갱신됨으로써, G 파라미터의 현재 값(
Figure PCTKR2019016610-appb-img-000141
) 및 H 파라미터의 현재 값(
Figure PCTKR2019016610-appb-img-000142
)이 생성된다. 상태벡터(
Figure PCTKR2019016610-appb-img-000143
)와 공분산행렬(
Figure PCTKR2019016610-appb-img-000144
)을 갱신하는 구체적인 방법 및 관련 수식은 도 2를 참조로 앞에서 설명하였으므로, 반복하여 설명하지 않는다.
마이크로프로세서(140)는 단계(S220)에서 설정된 G 파라미터의 초기 값(G i) 및 종료 값(G f) 및 단계(S260)에서 생성된 G 파라미터의 현재 값(
Figure PCTKR2019016610-appb-img-000145
)를 이용하여, 배터리(110)의 건강 상태 점수를 산출할 수 있다(S270). 건강 상태 점수는 G 파라미터의 종료 값(G f)과 G 파라미터의 초기 값(G i)의 차(G f-G i)에 대한 G 파라미터의 종료 값(G f)과 상기 G 파라미터의 현재 값(
Figure PCTKR2019016610-appb-img-000146
)의 차(G f-
Figure PCTKR2019016610-appb-img-000147
)의 백분율 값((G f-
Figure PCTKR2019016610-appb-img-000148
)/(G f-G i)*100)으로 산출될 수 있다. 건강 상태 점수는 시간 주기(Δt)마다 생성될 수 있다. 마이크로프로세서(140)는 단계(S270)에서 산출되는 건강 상태 점수를 저장부(150)에 저장할 수 있다. 단계(S250)에서 전류차(ΔI)가 소정 범위를 벗어나는 경우, 해당 시간에 대응하는 건강 상태 점수는 저장부(150)에 저장되지 않거나, 해당 시간에 대응하여 널(null)이 저장부(150)에 저장될 수 있다. 건강 상태 점수들은 생성된 시간과 연관지어 저장부(150)에 저장될 수 있다. 미리 설정된 개수의 건강 상태 점수들이 저장부(150)에 저장될 수도 있다.
마이크로프로세서(140)는 건강 상태 체크 조건를 만족하는지의 여부를 판단할 수 있다(S280). 도 3의 배터리 건강 상태 추정 방법은 재귀적 방법을 이용하므로, 어느 정도 시간이 지나야 실제와 일치하는 결과가 생성된다. 예컨대, 단계(S210)에서 상태벡터(
Figure PCTKR2019016610-appb-img-000149
)가 초기화되므로, 초기화 직후에는 G 파라미터의 값(
Figure PCTKR2019016610-appb-img-000150
)이 초기화된 값에 가까운 값을 가질 것이다. 이러한 값은 초기화된 값에 의한 영향이 크기 때문에, 실제 G 파라미터 값과는 차이를 가질 수 밖에 없으며, 신뢰할 수 없는 값이다. 건강 상태 체크 조건은 단계(S260)에서 생성되는 건강 상태 점수들이 저장된 기간을 기초로 정해질 수 있다. 예컨대, 건강 상태 체크 조건은 건강 상태 점수가 최근 제1 기간 동안 저장되었는지의 여부일 수 있다. 여기서 제1 기간은 1주, 2주, 3주, 4주, 8주, 12주, 16주 등과 같은 일정 기간일 수 있다. 상태벡터(
Figure PCTKR2019016610-appb-img-000151
)와 공분산행렬(
Figure PCTKR2019016610-appb-img-000152
)를 초기화한 후 제1 기간이 도과하기 전까지 산출된 건강 상태 점수는 배터리(110)의 실제 건강 상태를 반영하지 못할 수 있다. 다른 예에 따르면, 건강 상태 체크 조건은 저장부(150)에 저장된 건강 상태 점수들의 개수가 미리 설정된 개수 이상인지의 여부일 수 있다. 건강 상태 점수들의 개수는 재귀적 방법에서 순환한 횟수에 대응한다. 건강 상태 점수들의 개수를 기초로 건강 상태 체크 조건을 설정할 수도 있다.
건강 상태 체크 조건을 만족할 경우, 마이크로프로세서(140)는 단계(S290)로 진행하여 건강 상태 값을 추정할 수 있다. 건강 상태 체크 조건을 만족하지 않을 경우, 마이크로프로세서(140)는 건강 상태 값을 추정하지 않고 단계(S230)로 진행할 수 있다.
마이크로프로세서(140)는 저장부(150)에 저장된 건강 상태 점수들을 기초로 배터리(110)의 건강 상태 값을 추정할 수 있다(S290). 일 예에 따르면, 건강 상태 값은 제2 기간 이전부터 현재까지 저장된 건강 상태 점수들을 기초로 추정될 수 있다. 예컨대, 건강 상태 값은 건강 상태 점수들의 제2 기간의 이동 평균값으로 산출될 수 있다. 다른 예에 따르면, 건강 상태 값은 건강 상태 점수들의 제2 기간의 가중 이동 평균값으로 산출될 수 있다. 일 예에 따르면, 제2 기간은 제1 기간과 동일할 수 있다. 다른 예에 따르면, 제2 기간은 제1 기간보다 짧을 수 있다. 예컨대, 제1 기간은 8주이고, 제2 기간은 4주일 수 있다. 또 다른 예에 따르면, 건강 상태 값은 최근에 저장된 미리 설정된 개수의 건강 상태 점수들을 기초로 산출될 수 있다. 이 경우에도 이동 평균 또는 가중 이동 평균이 사용될 수 있다.
도 4는 또 다른 실시예에 따른 배터리 건강 상태 추정 방법의 순서도를 도시한다.
도 4의 배터리 건강 상태 추정 방법은 단계(S250)의 소정 범위가 n개의 충방전율 구간으로 구분되고, 그에 따라 상태벡터, 공분산행렬, G 파라미터의 초기값과 종료값, 건강 상태 점수가 각각 n개씩 존재한다는 점을 제외하고, 도 3의 배터리 건강 상태 추정 방법과 상당 부분이 중복된다. 중복되는 부분들에 대해서는 반복하여 설명하지 않는다.
G 파라미터와 H 파라미터를 포함하는 상태벡터 및 공분산행렬을 갱신하는 방법과 관련 수식은 도 2와 도 3을 참조로 앞에서 설명하였으므로 반복하여 설명하지 않는다. 도 2와 도 3에서는 상태벡터, 공분산행렬, G 파라미터, 및 H 파라미터를 각각 "
Figure PCTKR2019016610-appb-img-000153
", "
Figure PCTKR2019016610-appb-img-000154
", "
Figure PCTKR2019016610-appb-img-000155
", 및 "
Figure PCTKR2019016610-appb-img-000156
"로 표시하였으나, 도 4의 배터리 건강 상태 추정 방법에 관한 아래의 설명에서는 간략하게 상태벡터를 "Θ"로 표시하고, 공분산행렬을 "P"로 표시하고, G 파라미터를 "G"로 표시하고, H 파라미터를 "H"로 표시한다. 이와 같이 간략하게 표시하더라도, 본 기술분야의 통상의 기술자는 도 2 및 도 3에 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 4에 도시된 배터리 건강 상태 추정 방법은 도 1의 마이크로프로세서(140)에 의해 수행될 수 있다. 도 4의 배터리 건강 상태 추정 방법에 따르면, 단계(S250)에서 전류차(ΔI)가 비교되는 소정 범위가 서로 중첩하지 않는 n개의 충방전율 구간으로 구분된다. 여기서, n은 자연수일 수 있다. 예를 들면, n은 3일 수 있다. 그러나, n은 3보다 작은 자연수, 예컨대, 1 또는 2, 또는 3보다 큰 자연수, 예컨대, 4, 5 또는 6일 수 있다. n은 마이크로프로세서(140)의 성능 및 저장부(150)의 용량을 기초로 설정될 수 있다. 마이크로프로세서(140)의 성능이 좋고, 저장부(150)의 용량이 클 경우, n은 가능한 큰 값으로 설정될 수 있다. n은 배터리 시스템(100)의 충방전 전류 형태에 따라 설정될 수 있다. 충방전 전류의 변동이 많을 경우, n은 크게 설정될 수 있지만, 충방전 전류의 변동이 적을 경우, n은 작게 설정될 수 있다.
n개의 충방전율 구간을 정의하기 위하여, 제1 내지 제(n+1) 임계값들(th 1, th 2, ... , th n+1)이 정의될 수 있다. 제1 충방전율 구간은 제1 임계값(th 1) 이상 제2 임계값(th 2) 미만의 구간으로 정의될 수 있다. 제2 충방전율 구간은 제2 임계값(th 2) 이상 제3 임계값(th 3) 미만의 구간으로 정의될 수 있다. 이러한 방식으로, 제n 충방전율 구간은 제n 임계값(th n) 이상 제(n+1) 임계값(th n+1) 미만의 구간으로 정의될 수 있다.
제1 내지 제(n+1) 임계값들(th 1, th 2, ... , th n+1)은 배터리(110)의 용량에 따라 설정될 수 있다. 예컨대, 제1 임계값(th 1)은 0.1C의 충방전율에 해당하는 전류 값으로 설정될 수 있다. 예컨대, 배터리(110)의 용량이 100Ah라면, 제1 임계값(th 1)은 0.1C의 충방전율에 해당하는 10A로 설정될 수 있다. 예컨대, 제2 임계값(th 2)은 0.2C의 충방전율에 해당하는 전류 값으로 설정되고, 제3 임계값(th 3)은 0.3C의 충방전율에 해당하는 전류 값으로 설정될 수 있다. 제(n+1) 임계값(th n+1)은 1.0C의 충방전율에 해당하는 전류 값으로 설정될 수 있다. 전술한 수치는 오로지 예시적이며, 본 발명을 한정하지 않는다.
제1 내지 제n 상태벡터(Θ 1, Θ 2, ... , Θ n), 및 제1 내지 제n 공분산행렬(P 1, P 2, ... , P n)이 준비된다. 저장부(150)에는 제1 내지 제n 상태벡터(Θ 1, Θ 2, ... , Θ n), 및 제 제1 내지 제n 공분산행렬(P 1, P 2, ... , P n)이 저장될 수 있다. 제1 내지 제n 상태벡터(Θ 1, Θ 2, ... , Θ n)는 각각 제1 내지 제n G 파라미터(G 1, G 2, ... , G n) 및 제1 내지 제n H 파라미터(H 1, H 2, ... , H n)로 이루어진다.
마이크로프로세서(140)는 제1 내지 제n 상태벡터(Θ 1, Θ 2, ... , Θ n), 및 제1 내지 제n 공분산행렬(P 1, P 2, ... , P n)를 초기화할 수 있다(S310). 제1 내지 제n 상태벡터(Θ 1, Θ 2, ... , Θ n), 및 제1 내지 제n 공분산행렬(P 1, P 2, ... , P n)의 모든 원소들은 임의의 숫자(예컨대, 1)로 초기화될 수 있다.
마이크로프로세서(140)는 제1 내지 제n G 파라미터(G 1, G 2, ... , G n) 각각의 초기 값(G 1 i, G 2 i, ... , G n i)과 종료 값(G 1 f, G 2 f, ... , G n f)을 설정할 수 있다(S320). 단계(S320)은 단계(S310)보다 먼저 수행될 수도 있다. 초기 값들(G 1 i, G 2 i, ... , G n i)과 종료 값들(G 1 f, G 2 f, ... , G n f)은 관리자에 의해 입력되거나, 마이크로프로세서(140)의 연산에 의해 획득될 수도 있고, 외부로부터 수신할 수도 있다.
마이크로프로세서(140)는 배터리(110)의 전압 및 전류를 측정하여, 전압 값 및 전류 값을 예컨대 시간 주기(Δt)마다 생성할 수 있다(S330). 예를 들면, 직전 전압 값(V(t-1))과 직전 전류 값(I(t-1))이 생성되고, 시간 주기(Δt) 후에 현재 전압 값(V(t))과 현재 전류 값(I(t))이 생성될 수 있다. 도 4의 배터리 건강 상태 추정 방법은 재귀적 최소 자승법을 이용하므로, 시간 주기(Δt)마다 제1 내지 제n 상태벡터(Θ 1, Θ 2, ... , Θ n) 중 하나와 제1 내지 제n 공분산행렬(P 1, P 2, ... , P n) 중 대응하는 하나도 재귀적 방법에 의하여 갱신된다.
마이크로프로세서(140)는 현재 전류 값(I(t))와 직전 전류 값(I(t-1)) 간의 전류차(ΔI)를 산출할 수 있다(S340).
마이크로프로세서(140)는 전류차(ΔI)가 제1 내지 제n 충방전율 구간 중에서 어느 충방전율 구간에 속하는지 판단할 수 있다(S350a-S350c).
전류차(ΔI)가 제1 임계값(th 1) 이상 제2 임계값(th 2) 미만의 제1 충방전율 구간에 속하는지 판단될 수 있다(S350a). 전류차(ΔI)가 제1 충방전율 구간에 속하는 경우, 마이크로프로세서(140)는 제1 충방전율 구간에 대응하여 제1 상태벡터(Θ 1)와 제1 공분산행렬(P 1)를 갱신할 수 있다(S360a). 제1 상태벡터(Θ 1)가 갱신됨으로써, 제1 G 파라미터의 현재 값(G 1(t)) 및 제1 H 파라미터의 현재 값(H 1(t))이 생성된다.
전류차(ΔI)가 제1 충방전율 구간에 속하지 않는 경우, 마이크로프로세서(140)는 전류차(ΔI)가 제2 임계값(th 2) 이상 제3 임계값(th 3) 미만의 제2 충방전율 구간에 속하는지 판단할 수 있다(S350b). 전류차(ΔI)가 제2 충방전율 구간에 속하는 경우, 마이크로프로세서(140)는 제2 충방전율 구간에 대응하여 제2 상태벡터(Θ 2)와 제2 공분산행렬(P 2)를 갱신할 수 있다(S360b). 제2 상태벡터(Θ 2)가 갱신됨으로써, 제2 G 파라미터의 현재 값(G 2(t)) 및 제2 H 파라미터의 현재 값(H 2(t))이 생성된다.
전류차(ΔI)가 제2 충방전율 구간에 속하지 않는 경우, 마이크로프로세서(140)는 전류차(ΔI)가 제3 충방전율 구간에 속하는지 판단할 수 있다. 이러한 방식으로, 전류차(ΔI)가 나머지 충방전율 구간에 속하는지의 여부가 판단될 수 있다. 만약 전류차(ΔI)가 제j 임계값(th j) 이상 제(j+1) 임계값(th j+1) 미만의 제j 충방전율 구간에 속하는 경우, 마이크로프로세서(140)는 제j 상태벡터(Θ j)와 제j 공분산행렬(P j)를 갱신할 수 있으며, 제j 상태벡터(Θ j)가 갱신됨으로써, 제j G 파라미터의 현재 값(G j(t)) 및 제j H 파라미터의 현재 값(H j(t))이 생성된다. 만약 전류차(ΔI)가 제1 내지 제(n-1) 충방전율 구간들에 속하지 않는 경우, 마이크로프로세서(140)는 전류차(ΔI)가 제n 임계값(th n) 이상 제(n+1) 임계값(th n+1) 미만의 제n 충방전율 구간에 속하는지 판단할 수 있다(S350c).
전류차(ΔI)가 제n 충방전율 구간에 속하는 경우, 마이크로프로세서(140)는 제n 상태벡터(Θ n)와 제n 공분산행렬(P n)를 갱신할 수 있다(S360c). 제n 상태벡터(Θ n)가 갱신됨으로써, 제n G 파라미터의 현재 값(G n(t)) 및 제n H 파라미터의 현재 값(H n(t))이 생성된다. 전류차(ΔI)가 제1 내지 제n 충방전율 구간에 모두 속하지 않는 경우, 즉, 전류차(ΔI)가 제1 임계값(th 1) 미만이거나, 제(n+1) 임계값(th n+1) 이상인 경우, 단계(S330)으로 진행하여, 제1 내지 제n 상태벡터(Θ 1, Θ 2, ... , Θ n), 및 제1 내지 제n 공분산행렬(P 1, P 2, ... , P n)를 갱신하는데 전류차(ΔI)를 사용하지 않을 수 있다.
제j 상태벡터(Θ j)와 제j 공분산행렬(P j)를 갱신하는 방법을 설명한다. 현재 전류 값(I(t))과 제j 상태벡터의 최근 값(Θ j')에 기초하여, 배터리(110)의 현재 전압 추정치(
Figure PCTKR2019016610-appb-img-000157
)가 산출될 수 있다. 제j 상태벡터의 최근 값(Θ j')은 저장부(150)에 저장된 제j 상태벡터(Θ j)의 값을 의미한다. 현재 전류 값(I(t))과 제j 공분산행렬의 최근 값(P j')에 기초하여, 이득행렬(L)이 산출될 수 있다. 제j 공분산행렬의 최근 값(P j')은 저장부(150)에 저장된 제j 공분산행렬(P j)의 값을 의미한다.
현재 전류 값(I(t)), 이득행렬(L) 및 제j 공분산행렬의 최근 값(P j')에 기초하여 제j 공분산행렬(P j)이 산출될 수 있다. 이득행렬(L)과 제j 공분산행렬(P j)을 산출할 때도, 제j G 파라미터(G j)와 관련되는 제1 망각 팩터(λ 1)와 제j H 파라미터(H j)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 PCTKR2019016610-appb-img-000158
)를 감산함으로써 산출된다. 제j 상태벡터의 최근 값(Θ j')과 앞에서 산출된 이득행렬(L)과 전압 오차(e)를 기초로 제j 상태벡터(Θ j)가 산출될 수 있다.
현재 전압 추정치(
Figure PCTKR2019016610-appb-img-000159
), 이득행렬(L), 제j 공분산행렬(P j), 및 제j 상태벡터(Θ j)를 산출하는 수식은 도 2를 참조로 앞에서 설명되었으므로 반복하여 설명하지 않는다.
마이크로프로세서(140)는 단계(S320)에서 설정된 제1 내지 제n G 파라미터(G 1, G 2, ... , G n) 각각의 초기 값(G 1 i, G 2 i, ... , G n i)과 종료 값(G 1 f, G 2 f, ... , G n f), 및 단계(S360a-S360c)에서 생성된 제1 내지 제n G 파라미터의 현재 값(G 1(t), G 2(t), ... , G n(t))를 이용하여, 제1 내지 제n 건강 상태 점수(SOH 1, SOH 2, ... , SOH n)를 산출할 수 있다(S370a-S370c). 제1 내지 제n 건강 상태 점수(SOH 1, SOH 2, ... , SOH n)는 제1 내지 제n 충방전율 구간에 각각 대응하며, 제1 내지 제n G 파라미터(G 1, G 2, ... , G n) 각각의 초기 값(G 1 i, G 2 i, ... , G n i)과 종료 값(G 1 f, G 2 f, ... , G n f), 및 제1 내지 제n G 파라미터의 현재 값(G 1(t), G 2(t), ... , G n(t))에 기초하여 산출될 수 있다. 즉, 제j 건강 상태 점수(SOH j)는 제j G 파라미터(G j)의 초기 값(G j i)과 종료 값(G j f), 및 제j G 파라미터의 현재 값(G j(t))에 기초하여 산출될 수 있다.
마이크로프로세서(140)는 제1 G 파라미터의 초기 값(G 1 i), 종료 값(G 1 f) 및 현재 값(G 1(t))를 기초로 제1 건강 상태 점수(SOH 1)를 산출할 수 있다(S370a). 예를 들면, 시간(t)의 제1 건강 상태 점수(SOH 1[t])는 SOH 1[t] = (G 1 f-G 1(t))/(G 1 f-G 1 i)*100와 같이 산출될 수 있다.
마이크로프로세서(140)는 제2 G 파라미터의 초기 값(G 2 i), 종료 값(G 2 f) 및 현재 값(G 2(t))를 기초로 제2 건강 상태 점수(SOH 2)를 산출할 수 있다(S370b). 예를 들면, 시간(t)의 제2 건강 상태 점수(SOH 2[t])는 SOH 2[t] = (G 2 f-G 2(t))/(G 2 f-G 2 i)*100와 같이 산출될 수 있다.
이러한 방식으로, 마이크로프로세서(140)는 제n G 파라미터의 초기 값(G n i), 종료 값(G n f) 및 현재 값(G n(t))를 기초로 제n 건강 상태 점수(SOH n)를 산출할 수 있다(S370c). 예를 들면, 시간(t)의 제n 건강 상태 점수(SOH n[t])는 SOH n[t] = (G n f-G n(t))/(G n f-G n i)*100와 같이 산출될 수 있다.
특정 시간(t)의 전류차(ΔI)는 어느 하나의 충방전율 구간에 속하거나, 어떤 충방전율 구간에도 속하지 않게 된다. 특정 시간(t)의 전류차(ΔI)가 제k 충방전율 구간에 속하는 경우, 제1 내지 제n 건강 상태 점수(SOH 1, SOH 2, ... , SOH n) 중에서 제k 충방전율 구간에 대응하여 제k 건강 상태 점수(SOH k)가 산출된다. 특정 시간(t)의 전류차(ΔI)가 어떤 충방전율 구간에도 속하지 않는 경우, 특정 시간(t)에는 제1 내지 제n 건강 상태 점수(SOH 1, SOH 2, ... , SOH n)가 모두 생성되지 않는다.
예컨대, 직전 시간(t-1)의 전류차(ΔI)가 제1 충방전율 구간에 속한 경우, 직전 시간(t-1)에는 제1 건강 상태 점수(SOH 1)가 산출되고, 직전 시간(t-1)의 제2 내지 제n 건강 상태 점수(SOH 2, ... , SOH n)는 null이 저장될 수 있다. 현재 시간(t)의 전류차(ΔI)가 제j 충방전율 구간에 속한 경우, 현재 시간(t)에는 제j 건강 상태 점수(SOH j)가 산출되고, 현재 시간(t)의 제1 내지 제(j-1) 및 제(j+1) 내지 제n 건강 상태 점수(SOH 1, ..., SOH (j-1), SOH (j+1), ..., SOH n)는 null이 저장될 수 있다.
특정 시간(t)에 제1 내지 제n 건강 상태 점수(SOH 1, SOH 2, ... , SOH n) 중 어느 하나의 건강 상태 점수만이 산출되므로, 다른 예에 따르면 직전 시간(t-1)에 산출된 제1 건강 상태 점수(SOH 1)와 현재 시간(t)에 산출된 제j 건강 상태 점수(SOH j)가 하나의 건강 상태 점수(SOH)로 관리될 수 있다. 예를 들면, 특정 기간 동안의 제1 내지 제n 건강 상태 점수(SOH 1, SOH 2, ... , SOH n)를 모두 메모리에 저장하지 않고, 특정 기간 동안의 건강 상태 점수(SOH)를 메모리에 저장할 수 있다. 이 경우, 직전 시간(t-1)에 산출된 제1 건강 상태 점수(SOH 1)는 건강 상태 점수(SOH[t-1])이고, 현재 시간(t)에 산출된 제j 건강 상태 점수(SOH j)는 건강 상태 점수(SOH[t])일 수 있다.
시간 주기(Δt)마다 제1 내지 제n 건강 상태 점수(SOH 1, SOH 2, ... , SOH n) 중 어느 하나의 건강 상태 점수(SOH)가 시간에 따라 저장부(150)에 저장될 수 있다. 제1 내지 제n 건강 상태 점수(SOH 1, SOH 2, ... , SOH n)은 생성된 시간(t)과 연관지어 건강 상태 점수(SOH)로 저장부(150)에 저장될 수 있다. 예를 들면, 제1 시간(t1)에 제1 건강 상태 점수(SOH 1[t1])가 산출되고, 제2 시간(t2)에 제n 건강 상태 점수(SOH n[t2])가 산출되고, 제3 시간(t3)에 제2 건강 상태 점수(SOH 2[t3])가 산출된 경우, 저장부(150)에는 제1 시간(t1)의 건강 상태 점수(SOH[t1] = SOH 1[t1]), 제2 시간(t2)의 건강 상태 점수(SOH[t2] = SOH n[t2]), 및 제3 시간(t3)의 건강 상태 점수(SOH[t3] = SOH 2[t3])가 저장될 수 있다. 미리 설정된 개수의 건강 상태 점수(SOH)가 저장부(150)에 저장될 수도 있다.
마이크로프로세서(140)는 건강 상태 체크 조건를 만족하는지의 여부를 판단할 수 있다(S380). 건강 상태 체크 조건은 시간 주기(Δt)마다 단계(S370a-S370c)에서 생성되는 건강 상태 점수(SOH)가 저장된 기간을 기초로 정해질 수 있다. 예컨대, 건강 상태 체크 조건은 건강 상태 점수가 최근 제1 기간 동안 저장되었는지의 여부일 수 있다. 여기서 제1 기간은 1주, 2주, 3주, 4주, 8주, 12주, 16주 등과 같은 일정 기간일 수 있다. 다른 예에 따르면, 건강 상태 체크 조건은 저장부(150)에 저장된 건강 상태 점수(SOH)의 개수가 미리 설정된 개수 이상인지의 여부일 수 있다.
건강 상태 체크 조건을 만족할 경우, 마이크로프로세서(140)는 저장부(150)에 저장된 건강 상태 점수(SOH)를 기초로 배터리(110)의 건강 상태 값(SOH(t))을 추정할 수 있다(S390). 건강 상태 체크 조건을 만족하지 않을 경우, 마이크로프로세서(140)는 건강 상태 값을 추정하지 않고 단계(S330)로 진행할 수 있다. 일 예에 따르면, 건강 상태 값(SOH(t))은 저장부(150)에 저장된 건강 상태 점수들(SOH)의 평균값으로 산출될 수 있다. 예를 들면, 건강 상태 값(SOH(t))은 저장부(150)에 저장된 미리 설정된 개수의 건강 상태 점수들(SOH)의 평균값으로 산출될 수 있다. 다른 예로서, 건강 상태 값(SOH(t))은 저장부(150)에 제1 기간 동안 저장된 건강 상태 점수들(SOH)의 평균값으로 산출될 수 있다.
다른 예에 따르면, 마이크로프로세서(140)는 저장부(150)에 저장된 건강 상태 점수들(SOH)의 제2 기간의 이동 평균값들 또는 가중 이동 평균값들을 산출하고, 산출된 이동 평균값들 또는 가중 이동 평균값들의 평균값을 기초로 건강 상태 값(SOH(t))을 추정할 수 있다. 건강 상태 값(SOH(t))은 저장부(150)에 저장된 건강 상태 점수들(SOH)의 제2 기간의 이동 평균값들 또는 가중 이동 평균값들의 평균값으로 산출될 수 있다. 제2 기간은 제1 기간과 동일하거나, 제1 기간보다 짧을 수 있다.
충방전율 구간을 3개로 나누어 본 발명의 배터리 건강 상태 추정 방법을 실시한 결과를 도 5 내지 도 8을 참조로 아래에서 설명한다.
도 5는 본 발명의 배터리 건강 상태 추정 방법을 실시한 결과로서, 제1 내지 제3 G 파라미터의 값들을 표시한 그래프를 도시한다.
도 5의 결과는 제1 내지 제3 충방전율 구간을 사용한 도 4의 방법에 따른 결과이다. 즉, 도 4의 방법에서 n은 3으로 미리 설정되었다. 제1 충방전율 구간은 0.2C 이상 0.3C 미만의 구간으로 미리 설정되고, 제2 충방전율 구간은 0.3C 이상 0.5C 미만의 구간으로 미리 설정되고, 제3 충방전율 구간은 0.5C 이상 1C 미만의 구간으로 미리 설정되었다. 배터리(100)는 50Ah용량이었고, 제1 임계값(th 1)는 10A이고, 제2 임계값(th 2)는 15A이고, 제3 임계값(th 3)는 25A이고, 제4 임계값(th 4)는 50A이었다.
배터리의 인가전류 변화에 대한 단자전압의 민감도를 나타내는 상태량을 나타내는 제1 G 파라미터의 값들(G 1), 제2 G 파라미터의 값들(G 2), 및 제3 G 파라미터의 값들(G 3)이 시간의 흐름에 따라 대략 선형적으로 증가하는 것을 알 수 있다.
도 6은 도 5에 도시된 제1 내지 제3 G 파라미터의 값들을 기초로 산출된 제1 내지 제3 건강 상태 점수들을 표시한 그래프를 도시한다.
본 예에서, 제1 G 파라미터의 초기 값(G 1 i)과 종료 값(G 1 f)은 각각 1.26mΩ과 2.06mΩ으로 설정되고, 제2 G 파라미터의 초기 값(G 2 i)과 종료 값(G 2 f)은 각각 1.15mΩ과 1.95mΩ으로 설정되고, 제3 G 파라미터의 초기 값(G 3 i)과 종료 값(G 3 f)은 각각 1.03mΩ과 1.83mΩ으로 설정되었다.
도 6에 도시된 바와 같이, 제1 건강 상태 점수(SOH 1), 제2 건강 상태 점수(SOH 2), 및 제3 건강 상태 점수(SOH 3)는 시간의 흐름에 따라 감소하는 것을 알 수 있다. 도 6에는 실제 건강 상태 값(SOH(Real))이 도시된다. 제1 건강 상태 점수(SOH 1), 제2 건강 상태 점수(SOH 2), 및 제3 건강 상태 점수(SOH 3) 각각과 실제 건강 상태 값(SOH(Real)) 사이에 평균 제곱근 편차(RMSE)로 계산한 오차는 1.12% 이하이었다.
도 7은 도 6의 A부분을 확대한 그래프이다.
도 7을 참조하면, 제1 건강 상태 점수(SOH 1), 제2 건강 상태 점수(SOH 2), 및 제3 건강 상태 점수(SOH 3)가 시간에 따라 생성되는 것을 알 수 있다. 제1 건강 상태 점수(SOH 1), 제2 건강 상태 점수(SOH 2), 및 제3 건강 상태 점수(SOH 3)는 항상 생성되는 것이 아니고, 현재 전류 값(I(t))과 이전 전류 값(I(t-1))의 차이인 전류차(ΔI)가 제1 충방전율 구간에 속할 때, 제1 건강 상태 점수(SOH 1)가 생성되고, 전류차(ΔI)가 제2 충방전율 구간에 속할 때, 제2 건강 상태 점수(SOH 2)가 생성되고, 전류차(ΔI)가 제3 충방전율 구간에 속할 때, 제3 건강 상태 점수(SOH 3)가 생성되며, 전류차(ΔI)가 어떤 충방전율 구간에도 속하지 않을 때, 제1 내지 제3 건강 상태 점수(SOH 1, SOH 2, SOH 3) 중 어느 것도 생성되지 않는다. 즉, 전류 값(I(t))이 일정하거나, 급격히 변하는 경우, 건강 상태 점수는 생성되지 않는다.
도 8은 도 6 에 도시된 제1 내지 제3 건강 상태 점수들을 기초로 추정된 건강 상태 값을 표시한 그래프를 도시한다.
본 예에서, 본 발명에 따라 추정된 건강 상태 값(SOH(Estimated))은 제1 건강 상태 점수(SOH 1)의 4주 이동 평균값, 제2 건강 상태 점수(SOH 2)의 4주 이동 평균값, 및 제3 건강 상태 점수(SOH 3)의 4주 이동 평균값의 평균으로 산출한 것이다. 이와 같이 산출된 건강 상태 값(SOH(Estimated))과 실제 건강 상태 값(SOH(Real)) 사이에 평균 제곱근 편차(RMSE)로 계산한 오차는 0.59%이었다. 오차가 대략 50% 정도 감소하였다.
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 (20)

  1. 사용 중인 배터리의 전압 및 전류를 측정하여 전압 값과 전류 값을 주기적으로 생성하는 단계;
    적응형 필터를 이용하여 상기 전압 값과 상기 전류 값으로부터 상기 배터리의 현재 상태를 나타내는 G 파라미터의 값 및 H 파라미터의 값을 실시간으로 갱신하는 단계; 및
    미리 설정된 상기 G 파라미터의 초기 값과 종료 값 및 상기 G 파라미터의 현재 값을 이용하여, 상기 배터리의 건강 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 건강 상태 추정 방법.
  2. 제1 항에 있어서,
    상기 배터리의 건강 상태는 상기 G 파라미터의 종료 값과 상기 G 파라미터의 초기 값의 차에 대한 상기 G 파라미터의 종료 값과 상기 G 파라미터의 현재 값의 차의 백분율 값을 기초로 추정되는 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  3. 제1 항에 있어서,
    상기 적응형 필터는 재귀적 최소 자승법(recursive least squares; RLS)을 이용한 필터인 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  4. 제3 항에 있어서,
    상기 G 파라미터와 상기 H 파라미터로 이루어진 상태벡터, 및 공분산행렬을 초기화하는 단계; 및
    상기 G 파라미터의 초기 값과 종료 값을 설정하는 단계를 더 포함하고,
    상기 전압 값과 전류 값을 주기적으로 생성하는 단계는,
    직전 전압 값과 직전 전류 값을 생성하는 단계; 및
    미리 설정된 시간 주기(time period) 후에 현재 전압 값과 현재 전류 값을 생성하는 단계를 포함하는 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  5. 제4 항에 있어서,
    상기 현재 전류 값과 상기 직전 전류 값의 전류차를 산출하는 단계; 및
    상기 전류차를 미리 설정된 범위와 비교하는 단계를 더 포함하고,
    상기 전류차가 상기 미리 설정된 범위 내에 포함되는 경우, 상기 현재 전압 값과 상기 현재 전류 값을 이용하여 상기 G 파라미터의 값 및 상기 H 파라미터의 값을 갱신하고,
    상기 전류차가 상기 미리 설정된 범위를 벗어나는 경우, 상기 G 파라미터의 값 및 H 파라미터의 값을 갱신하지 않는 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  6. 제4 항에 있어서,
    상기 G 파라미터의 값 및 H 파라미터의 값을 실시간으로 갱신하는 단계는,
    상기 현재 전류 값과 상기 상태벡터의 직전 값에 기초하여 상기 배터리의 현재 전압 추정치를 산출하는 단계;
    상기 현재 전류 값과 상기 공분산행렬의 직전 값에 기초하여 이득행렬과 상기 공분산행렬을 갱신하는 단계;
    상기 현재 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 건강 상태 추정 방법.
  7. 제6 항에 있어서,
    상기 현재 전압 추정치는 상기 현재 전류 값과 상기 G 파라미터의 직전 값의 곱에 상기 H 파라미터의 직전 값을 가산한 값으로 산출되는 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  8. 제6 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 건강 상태 추정 방법.
  9. 제6 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 건강 상태 추정 방법.
  10. 제9 항에 있어서,
    상기 이득행렬은 아래의 수식에 따라 산출되고,
    Figure PCTKR2019016610-appb-img-000160
    상기 공분산행렬은 아래의 수식에 따라 산출되고,
    Figure PCTKR2019016610-appb-img-000161
    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 현재 전류값이고, λ 1은 상기 제1 망각 팩터이고, λ 2는 상기 제2 망각 팩터인 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  11. 제6 항에 있어서,
    상기 배터리의 건강 상태를 실시간으로 추정하는 단계는,
    상기 G 파라미터의 상기 초기 값, 상기 종료 값 및 상기 현재 값을 기초로 산출되는 상기 배터리의 건강 상태 점수를 저장하는 단계;
    건강 상태 체크 조건을 검사하는 단계; 및
    상기 건강 상태 점수를 기초로 상기 배터리의 건강 상태 값을 추정하는 단계를 포함하는 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  12. 제11 항에 있어서,
    상기 건강 상태 체크 조건은 상기 건강 상태 점수가 최근 제1 기간 동안 저장되었는지의 여부를 기초로 설정되고,
    상기 배터리의 건강 상태 값은 상기 건강 상태 점수들의 제2 기간의 이동 평균값을 기초로 생성되는 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  13. 제3 항에 있어서,
    서로 중첩하지 않는 제1 내지 제n 충방전율 구간(n은 자연수)을 설정하는 단계;
    제1 내지 제n G 파라미터 및 제1 내지 제n H 파라미터를 각각 포함하는 제1 내지 제n 상태벡터, 및 제1 내지 제n 공분산행렬을 초기화하는 단계;
    상기 제1 내지 제n G 파라미터 각각의 초기 값과 종료 값을 설정하는 단계;
    직전 전압 값과 직전 전류 값을 생성하고, 미리 설정된 시간 주기 후에 현재 전압 값과 현재 전류 값을 생성하는 단계;
    상기 현재 전류 값과 상기 직전 전류 값의 전류차를 산출하는 단계;
    상기 전류차를 상기 제1 내지 제n 충방전율 구간 각각과 비교하는 단계;
    상기 제1 내지 제n G 파라미터 각각의 초기 값, 종료 값 및 현재 값을 기초로 제1 내지 제n 건강 상태 점수를 각각 산출하는 단계; 및
    상기 제1 내지 제n 건강 상태 점수를 기초로 상기 배터리의 건강 상태 값을 실시간으로 추정하는 단계를 더 포함하는 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  14. 제13 항에 있어서,
    상기 전류차가 상기 제1 내지 제n 충방전율 구간 중에서 제j 구간에 속하는 경우(j는 n이하의 임의의 자연수), 상기 현재 전압 값과 상기 현재 전류 값을 이용하여 제j G 파라미터의 값 및 제j H 파라미터의 값을 갱신하고, 상기 제j G 파라미터의 초기 값, 종료 값 및 현재 값을 이용하여 상기 배터리의 제j 건강 상태 점수를 산출하는 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  15. 제14 항에 있어서,
    상기 제j G 파라미터의 값 및 상기 제j H 파라미터의 값은,
    상기 현재 전류 값과 제j 상태벡터의 직전 값에 기초하여 상기 배터리의 현재 전압 추정치를 산출하는 단계;
    상기 현재 전류 값과 제j 공분산행렬의 직전 값에 기초하여 이득행렬과 상기 제j 공분산행렬을 갱신하는 단계;
    상기 현재 전압 값과 상기 현재 전압 추정치 사이의 전압 오차를 산출하는 단계; 및
    상기 제j 상태벡터의 직전 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제j 상태벡터를 갱신하는 단계를 수행함으로써 실시간으로 갱신되는 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  16. 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;
    상기 제1 G 파라미터의 초기 값과 종료 값, 상기 제2 G 파라미터의 초기 값과 종료 값, 및 상기 제3 G 파라미터의 초기 값과 종료 값을 설정하는 단계;
    사용 중인 배터리의 전압 및 전류를 주기적으로 측정하는 단계로서, 직전 전압 값과 직전 전류 값을 생성하고, 미리 설정된 시간 주기(time period) 후에 현재 전압 값과 현재 전류 값을 생성하는 단계;
    상기 현재 전류 값과 상기 직전 전류 값의 전류차를 산출하는 단계;
    상기 전류차가 제1 임계값 이상 제2 임계값 미만인 경우, 상기 제1 상태벡터와 상기 제1 공분산행렬을 갱신하고, 상기 전류차가 상기 제2 임계값 이상 제3 임계값 미만인 경우, 상기 제2 상태벡터와 상기 제2 공분산행렬을 갱신하고, 상기 전류차가 상기 제3 임계값 이상 제4 임계값 이하인 경우, 상기 제3 상태벡터와 상기 제3 공분산행렬을 갱신하는 단계;
    상기 제1 G 파라미터의 초기 값, 종료 값 및 현재 값을 기초로 제1 건강 상태 점수를 산출하고, 상기 제2 G 파라미터의 초기 값, 종료 값 및 현재 값을 기초로 제2 건강 상태 점수를 산출하고, 상기 제3 G 파라미터의 초기 값, 종료 값 및 현재 값을 기초로 제3 건강 상태 점수를 산출하는 단계; 및
    상기 제1 내지 제3 건강 상태 점수들을 기초로 상기 배터리의 건강 상태를 실시간으로 추정하는 단계를 포함하는 배터리 건강 상태 추정 방법.
  17. 제16 항에 있어서,
    상기 제1 내지 제3 건강 상태 점수들이 최근 제1 기간 동안 저장되었는지의 여부를 기초로 건강 상태 체크 조건을 검사하는 단계를 더 포함하는 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  18. 제17 항에 있어서,
    상기 배터리의 건강 상태를 실시간으로 추정하는 단계는,
    상기 제1 건강 상태 점수들의 제2 기간의 제1 이동 평균값을 산출하는 단계;
    상기 제2 건강 상태 점수들의 상기 제2 기간의 제2 이동 평균값을 산출하는 단계;
    상기 제3 건강 상태 점수들의 상기 제2 기간의 제3 이동 평균값을 산출하는 단계; 및
    상기 제1 내지 제3 이동 평균값의 평균을 기초로 상기 배터리의 건강 상태 값을 산출하는 단계를 포함하는 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  19. 제16 항에 있어서,
    상기 제k 상태벡터와 상기 제k 공분산행렬을 갱신하는 단계(k는 1, 2 또는 3)는,
    상기 현재 전류 값과 상기 제k 상태벡터의 최근 값에 기초하여 상기 배터리의 현재 전압 추정치를 산출하는 단계;
    상기 현재 전류 값과 상기 제k 공분산행렬의 최근 값에 기초하여 이득행렬과 상기 제k 공분산행렬을 갱신하는 단계;
    상기 현재 전압 값과 상기 현재 전압 추정치 사이의 전압 오차를 산출하는 단계; 및
    상기 제k 상태벡터의 최근 값, 상기 이득행렬의 현재 값, 및 상기 전압 오차에 기초하여 상기 제k 상태벡터를 갱신하는 단계를 포함하는 것을 특징으로 하는 배터리 건강 상태 추정 방법.
  20. 제19 항에 있어서,
    상기 이득행렬과 상기 제k 공분산행렬을 갱신할 때, 상기 제k G 파라미터와 관련되는 제1 망각 팩터(forgetting factor), 및 상기 제k H 파라미터와 관련되는 제2 망각 팩터가 적용되는 것을 특징으로 하는 배터리 건강 상태 추정 방법.
PCT/KR2019/016610 2019-03-12 2019-11-28 배터리 건강 상태 추정 방법 WO2020184812A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2021554778A JP7292404B2 (ja) 2019-03-12 2019-11-28 バッテリ健全状態の推定方法
EP19918598.4A EP3940405A4 (en) 2019-03-12 2019-11-28 METHOD OF ESTIMATING THE HEALTH STATUS OF A BATTERY
US17/310,954 US20220082626A1 (en) 2019-03-12 2019-11-28 Method for estimating state of health of battery
CN201980093958.0A CN113557439A (zh) 2019-03-12 2019-11-28 用于估计电池的健康状态的方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190028155A KR102629463B1 (ko) 2019-03-12 2019-03-12 배터리 건강 상태 추정 방법
KR10-2019-0028155 2019-03-12

Publications (1)

Publication Number Publication Date
WO2020184812A1 true WO2020184812A1 (ko) 2020-09-17

Family

ID=72427594

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/016610 WO2020184812A1 (ko) 2019-03-12 2019-11-28 배터리 건강 상태 추정 방법

Country Status (6)

Country Link
US (1) US20220082626A1 (ko)
EP (1) EP3940405A4 (ko)
JP (1) JP7292404B2 (ko)
KR (1) KR102629463B1 (ko)
CN (1) CN113557439A (ko)
WO (1) WO2020184812A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116587916A (zh) * 2023-05-19 2023-08-15 杭州天卓网络有限公司 电动车的智能充电方法、充电桩、计算机设备和存储介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3828565B1 (en) * 2019-11-26 2023-11-08 Hyundai Motor Company Vehicle and control method thereof
KR102619797B1 (ko) 2021-03-05 2023-12-29 연세대학교 산학협력단 Bms, 이를 위한 적응형 모델 제공 장치 및 방법
CN116500482B (zh) * 2023-06-26 2023-10-24 安徽锐能科技有限公司 磷酸铁锂电池soh的估测方法及可读存储介质
CN117007896B (zh) * 2023-10-07 2023-12-12 深圳市森瑞普电子有限公司 一种应用于导电滑环故障检测的数据处理方法
CN117890815B (zh) * 2024-01-16 2024-07-12 北京绿能环宇低碳科技有限公司 一种电池模组组装质量检测方法及系统
CN117686937B (zh) * 2024-02-02 2024-04-12 河南科技学院 一种用于电池系统内单体电池的健康状态估计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006058114A (ja) * 2004-08-19 2006-03-02 Toyota Motor Corp 制御システムおよび推定システムならびにそれを用いた電池の残存容量推定システムおよび残存容量推定方法
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
KR20130126231A (ko) * 2012-05-11 2013-11-20 주식회사 엘지화학 배터리 수명 추정 장치 및 배터리 수명 추정 방법
US20170242077A1 (en) * 2016-02-19 2017-08-24 Johnson Controls Technology Company Systems and methods for real-time estimation of capacity of a rechargeable battery
KR20180115817A (ko) * 2013-02-21 2018-10-24 로베르트 보쉬 게엠베하 리튬-이온 배터리 시스템의 개개의 전극들의 용량 및 총 용량을 추정하기 위한 방법 및 시스템

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
KR100970841B1 (ko) * 2008-08-08 2010-07-16 주식회사 엘지화학 배터리 전압 거동을 이용한 배터리 용량 퇴화 추정 장치 및방법
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
US9658291B1 (en) * 2012-10-06 2017-05-23 Hrl Laboratories, Llc Methods and apparatus for dynamic estimation of battery open-circuit voltage
US10664562B2 (en) * 2013-02-24 2020-05-26 Fairchild Semiconductor Corporation and University of Connecticut Battery state of charge tracking, equivalent circuit selection and benchmarking
US10393813B2 (en) * 2013-08-27 2019-08-27 The Regents Of The University Of Michigan On-board state of health monitoring of batteries using incremental capacity analysis
WO2016132813A1 (ja) * 2015-02-19 2016-08-25 三菱電機株式会社 電池状態推定装置
CN105334465B (zh) * 2015-09-15 2019-03-26 重庆长安新能源汽车科技有限公司 一种锂离子电池健康状态估算方法
FR3050278B1 (fr) * 2016-04-15 2018-03-30 Saft Procede de determination de la valeur de parametres relatifs a l’etat d’un accumulateur d’une batterie, batterie et systeme de gestion electronique d’une batterie
CN106054080B (zh) * 2016-06-06 2019-05-14 电子科技大学 一种动力电池荷电状态与健康状态的联合估计方法
CN105974329A (zh) * 2016-07-22 2016-09-28 深圳市沃特玛电池有限公司 一种估算电池组soh的方法
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
US10209314B2 (en) * 2016-11-21 2019-02-19 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
JP2018096953A (ja) * 2016-12-16 2018-06-21 三菱自動車工業株式会社 電池状態推定装置
KR102650965B1 (ko) * 2018-04-23 2024-03-25 삼성에스디아이 주식회사 배터리 상태 추정 방법
CN108896926B (zh) * 2018-07-18 2021-01-01 湖南宏迅亿安新能源科技有限公司 一种锂电池健康状态的评估方法、评估系统及相关组件
CN109061508A (zh) * 2018-09-11 2018-12-21 上海电力学院 一种电动汽车锂电池soh的估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006058114A (ja) * 2004-08-19 2006-03-02 Toyota Motor Corp 制御システムおよび推定システムならびにそれを用いた電池の残存容量推定システムおよび残存容量推定方法
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
KR20130126231A (ko) * 2012-05-11 2013-11-20 주식회사 엘지화학 배터리 수명 추정 장치 및 배터리 수명 추정 방법
KR20180115817A (ko) * 2013-02-21 2018-10-24 로베르트 보쉬 게엠베하 리튬-이온 배터리 시스템의 개개의 전극들의 용량 및 총 용량을 추정하기 위한 방법 및 시스템
US20170242077A1 (en) * 2016-02-19 2017-08-24 Johnson Controls Technology Company Systems and methods for real-time estimation of capacity of a rechargeable battery

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3940405A4 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116587916A (zh) * 2023-05-19 2023-08-15 杭州天卓网络有限公司 电动车的智能充电方法、充电桩、计算机设备和存储介质
CN116587916B (zh) * 2023-05-19 2023-10-24 杭州天卓网络有限公司 电动车的智能充电方法、充电桩、计算机设备和存储介质

Also Published As

Publication number Publication date
EP3940405A1 (en) 2022-01-19
KR102629463B1 (ko) 2024-01-25
CN113557439A (zh) 2021-10-26
EP3940405A4 (en) 2022-12-21
KR20200109092A (ko) 2020-09-22
JP7292404B2 (ja) 2023-06-16
JP2022524827A (ja) 2022-05-10
US20220082626A1 (en) 2022-03-17

Similar Documents

Publication Publication Date Title
WO2020184812A1 (ko) 배터리 건강 상태 추정 방법
WO2019208924A1 (ko) 배터리 상태 추정 방법
WO2017034277A1 (ko) 이차 전지의 퇴화도 추정 장치 및 방법
WO2018199434A1 (ko) 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법
WO2019074221A1 (ko) 이차 전지의 충전 상태를 추정하기 위한 장치 및 그 방법
WO2009088272A2 (ko) 배터리 관리 시스템에서 배터리의 ｓｏｃ 측정 방법 및 장치
WO2018139764A2 (ko) 배터리 관리 장치 및 방법
WO2017082705A1 (ko) 이차 전지의 출력 파라미터를 조정하는 시스템 및 그 방법
WO2019066294A1 (ko) 리튬 이온 배터리 셀의 퇴화 정보를 획득하는 장치 및 방법
WO2019139335A1 (ko) 배터리 셀의 성능을 테스트하기 위한 장치 및 방법
WO2016053055A1 (ko) 신속하게 절연 저항을 측정할 수 있는 절연 저항 측정 장치 및 방법
WO2018235995A1 (ko) 전기자동차용 배터리의 열화 발생을 저감하면서 고속충전과 최대방전을 수행하기 위한 방법 및 그 장치
WO2018038383A1 (ko) 배터리 셀의 성능 테스트 장치 및 방법
EP2321663A1 (en) Apparatus and method for estimating state of health of battery based on battery voltage variation pattern
WO2020262789A1 (ko) 이상 배터리 셀 검출 방법
WO2020262787A1 (ko) 내부 단락 셀 검출 방법
WO2021118118A1 (ko) 배터리 퇴화도 진단 장치 및 방법
WO2022092827A1 (ko) 배터리 관리 장치 및 방법
WO2018194225A1 (ko) 배터리 모니터링 및 보호 시스템
WO2021080161A1 (ko) 배터리 관리 시스템, 배터리 팩, 전기 차량 및 배터리 관리 방법
WO2022075708A1 (ko) 배터리 상태 진단 장치 및 방법
WO2023068899A1 (ko) 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
WO2022019664A1 (ko) 병렬 멀티 팩 모듈의 출력 제어 장치 및 방법
WO2019078475A1 (ko) 병렬연결 구조의 배터리 팩의 히터 제어 시스템 및 그 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: 19918598

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021554778

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: 2019918598

Country of ref document: EP

Effective date: 20211012