• Proceedings of the KIPE Conference
• /
• 2019.11a
• /
• pp.206-207
• /
• 2019

리튬이온 배터리의 상태를 모니터링 하는 방법에 있어서, 대표적으로 배터리의 충전 상태(SOC)와 배터리의 건강 상태(SOH)를 추정하여 상태 지표로 사용된다. 본 연구에서는 리튬 이온 배터리의 상태 지표를 위한 용량 정보의 추정을 데이터 기반의 근사 모델을 이용하여 수행하였다. 다양한 근사 모델링 방법을 적용하여 추정되는 용량 정보를 비교하고, 모델링 방법에 따른 용량 추정 성능을 확인하였다. 또한, 이를 바탕으로 리튬이온 배터리의 용량을 예측하고 예측 성능을 분석하였다. 본 연구를 통하여 근사모델을 이용하는 경우, 리튬이온 배터리의 용량 추정은 물론 예측을 수행하는 방법으로서의 활용 가능성을 확인하였으며, 또한 제안하는 방법을 이용하여 보유하고 있는 모니터링 데이터를 활용하여 리튬이온 배터리의 성능을 평가하는데 있어 효과적으로 활용될 수 있을 것으로 판단된다.

• KIPS Transactions on Software and Data Engineering
• /
• v.12 no.3
• /
• pp.133-140
• /
• 2023

The performance of lithium ion batteries depends on the usage environment and the combination ratio of cathode materials. In order to develop a high-performance lithium-ion battery, it is necessary to manufacture the battery and measure its performance while varying the cathode material ratio. However, it takes a lot of time and money to directly develop batteries and measure their performance for all combinations of variables. Therefore, research to predict the performance of a battery using an artificial intelligence model has been actively conducted. However, since measurement experiments were conducted with the same battery in the existing published battery data, the cathode material combination ratio was fixed and was not included as a data attribute. In this paper, we define a training data model required to develop an artificial intelligence model that can predict battery performance according to the combination ratio of cathode materials. We analyzed the factors that can affect the performance of lithium-ion batteries and defined the mass of each cathode material and battery usage environment (cycle, current, temperature, time) as input data and the battery power and capacity as target data. In the battery data in different experimental environments, each battery data maintained a unique pattern, and the battery classification model showed that each battery was classified with an error of about 2%.

• The Bulletin of The Korean Astronomical Society
• /
• v.37 no.2
• /
• pp.180.2-180.2
• /
• 2012

저궤도 인공위성에서 배터리는 태양전지 배열기에서 생성된 전력을 저장하여 탑재체 구동과 식구간 위성의 동작 유지를 위하여 사용된다. 최근 상용 배터리 시장에서도 리튬이온 배터리의 보급이 많이 이루진거와 마찬가지로 인공위성에서도 리튬이온 배터리의 사용이 보편화 되는 추세이다. 리튬이온 배터리가 기존에 인공위성에서 사용되던 니켈카드늄이나 니켈수소 배터리에 비하여 자연 방전량이 적다고는 하지만 이 또한 존재하며, 초기 위성 발사시 태양전지 배열기의 전개를 통한 전력 생산이 이루어질 때까지 위성의 동작을 보장하고 임수종료까지 에너지를 충방전 할 수 있는 상태를 유지하여야 하므로 위성 발사 전까지 배터리의 상태를 최적으로 유지해야 함은 필수적이다. 본 연구에서는 저궤도 인공위성의 발사 전까지 배터리의 상태를 최적화 하기위한 배터리 운용에 관하여 기술하며, 배터리 상태에 대한 실측 데이터를 제시하여 배터리의 정상상태를 검증하였다.

• Journal of the Korean Society for Aeronautical & Space Sciences
• /
• v.42 no.2
• /
• pp.150-157
• /
• 2014

Li-Ion battery is used in the most satellites now due to advantages such as weight, thermal dissipation and self discharge compared to the previous generations of electrochemical batteries. The performance analysis model of the Li-Ion battery is needed to aid the design of new satellite electrical power subsystem. This paper develops the performance analysis model of the Li-Ion battery to apply to the electrical power subsystem design and energy balance analysis on geostationary orbit. The analysis model receives the satellite bus power, solar array power and battery temperature and gives the battery voltage, charge and discharge currents, taper index, state of charge and power dissipation. The results from the performance analysis are compared and analyzed with the flight data to verify the model. The compared results show satisfactory without significant difference with the flight data.

• The Journal of the Korea institute of electronic communication sciences
• /
• v.18 no.6
• /
• pp.1151-1156
• /
• 2023

In this paper, we propose a deep learning model that utilizes charge/discharge data from initial lithium-ion batteries to predict the remaining useful life of lithium-ion batteries. We build the DMP using the PNP model. To demonstrate the performance of DMP, we organize DML using the LSTM model and compare the remaining useful life prediction performance of lithium-ion batteries between DMP and DML. We utilize the RMSE and RMSPE error measurement methods to evaluate the performance of DMP and DML models using test data. The results reveal that the RMSE difference between DMP and DML is 144.62 [Cycle], and the RMSPE difference is 3.37 [%]. These results indicate that the DMP model has a lower error rate than DML. Based on the results of our analysis, we have showcased the superior performance of DMP over DML. This demonstrates that in the field of lithium-ion batteries, the PNP model outperforms the LSTM model.

• Proceedings of the KIPE Conference
• /
• 2008.06a
• /
• pp.434-436
• /
• 2008

같은 정격을 가진 배터리 일지라도 온도나 노화에 따라 용량, Direct current internal resistance(DCIR)이 서로 다른 값을 나타낸다. 또한, 용량과 DCIR의 상관관계가 항상 성립하는 것은 아니다. 이러한 특성으로 인해 펄스파워 관련 State of health(SOH)를 알기 어렵다. 이번 논문에서는 해밍네트워크를 이용한 리튬이온 배터리의 특성을 분석, 연구하였다. 펄스파워는 전압의 함수이다. 배터리 충방전 프로파일을 이용하여 전압패턴들을 선정한 후 특성 파라미터를 이용하여 해밍네트워크에 사전에 학습시킨다. 다음, 임의의 배터리 데이터를 통계 처리하여 전압패턴 특성 파라미터를 추출한 후 신경회로망에 입력하여 학습한 전압패턴들 중 임의의 배터리에 맞는 배터리를 선정한다. 패턴선정은 상온에서 10개의 리튬이온 프레시 배터리(1.3Ah)가 이용되었고 검증을 위해 DCIR 값을 구하였다.

• Proceedings of the KIPE Conference
• /
• 2013.11a
• /
• pp.198-199
• /
• 2013

본 논문에서는 리튬공기(Li-Air) 배터리를 소개하고 전기화학적 특성분석을 간단히 진행하였다. 우선, 리튬공기 배터리의 동작원리를 소개하고 기존 리튬이온(Li-Ion) 배터리와의 차이점을 제시하였다. 각 만방전압에 따른 배터리의 전기화학적 특성분석을 위해 방전용량 및 임피던스 특성커브를 분석하였다. 더불어, 향후 State-of-charge(SOC) 추정을 위한 데이터를 위해 Open-circuit voltage(OCV) 및 실제 충방전 전류 프로파일에 따른 충방전 전압을 분석하였다.

• Proceedings of the KIPE Conference
• /
• 2018.07a
• /
• pp.458-459
• /
• 2018

배터리팩에 사용되는 리튬이온 배터리는 제조공정 과정에 따라 각각의 배터리 마다 부피에 의한 물리적 특성, 내부 저항, 자가 방전률, 셀 용량, 배터리 노화 속도 등 여러 가지 특성이 다르다. 배터리 팩의 효율적 운용을 위해 이러한 단위 셀 간편차를 최소화 하는 것이 필요하다. 본 논문에서는 두 종류의 고용량 리튬이온 배터리를 선정하여 진동 충격 실험 전 후 개방 회로 전압(open circuit voltage, OCV)를 측정하고 Matlab을 사용하여 비교 분석 하였다. OCV 비교 분석 데이터를 이용하여 통계적 분석 기반 셀 스크리닝을 진행하였고 이에 대한 결과를 비교 분석하였다.

• Proceedings of the KIPE Conference
• /
• 2019.07a
• /
• pp.420-421
• /
• 2019

리튬 이온 배터리는 전압, 전류, 온도 등의 측정 정보를 기반으로 용량, 수명 등 배터리의 상태를 추정해야 하며 이를 위해 다양한 방법들이 활용되고 있다. 이러한 추정 정보들은 결국 배터리 관리 시스템에서 수행하는 핵심 기능이며 효율적이고 안전한 제어를 수행하기 위해 필수적인 정보이다. 본 연구에서는 배터리 팩의 실험 데이터를 이용하여 근사 모델을 개발하고 이를 이용하여 배터리 팩의 용량을 추정하는 방법에 대한 연구를 수행하였다. 기존 수학적 모델 기반의 알고리즘을 활용하는 방법과 통계적인 기법을 활용하는 방법으로 구현하는 것과 달리, 충분한 데이터 확보가 가능한 경우, 데이터를 표현하는 근사 모델을 생성하고 이에 대한 활용 가능성을 확인하였다.

• Proceedings of the KIPE Conference
• /
• 2020.08a
• /
• pp.40-42
• /
• 2020

본 논문에서는 리튬이온 배터리의 전기적인 특성 실험을 통해 열 해석에 필요한 인자를 추출하고 이를 이용하여 열 해석의 상용 프로그램인 COMSOL과 ANSYS에서 서로 다른 방법으로 열 해석을 진행한다. 두 프로그램의 열 해석을 통해 얻은 데이터와 측정 데이터를 비교분석 한 결과 유사 경향성을 확인하였고, 이를 통해 전기적 열 해석 모델의 신뢰성을 확보한다.