• 한국가스학회지
• /
• 제24권6호
• /
• pp.91-97
• /
• 2020

리튬이온 배터리(LIB)는 다른 배터리에 비해 수명이 길고, 에너지 밀도가 높으며, 자체 방전율이 낮아, 에너지 저장장치(ESS)로 선호되고 있다. 하지만, 2017~2019년 기간 동안 국내에서만도 28건의 화재사고가 발생하였으며, LIB의 운영 중 안전성 및 신뢰성을 보장하기 위해 LIB의 정확한 용량추정은 필수요소이다. 본 연구에서는 LIB의 충방전 cycle에 따른 용량변화를 예측하는 기계학습 기반 모델의 설계에 있어 중요한 요소인 최적 머신러닝 모델의 선정을 위해, Decision Tree, 앙상블학습법, Support Vector Regression, Gaussian Process Regression (GPR) 각각을 이용한 예측모델을 구현하고 성능비교를 실시하였다. 학습을 위해 NASA에서 제공하는 시험데이터를 사용하였으며, GPR이 가장 좋은 예측성능을 보였다. 이를 바탕으로 추가 시험데이터 학습을 통해 개선된 LIB 용량예측과 잔여 수명추정 모델을 개발하여, 운영 중 이상 감지 및 모니터링 성능을 높여, 보다 안전하고 안정된 ESS 운용에 활용하고자 한다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2019년도 전력전자학술대회
• /
• pp.453-454
• /
• 2019

본 논문은 ESS(Energy Storage System)의 과충전, 과방전으로 인한 열 폭주 현상을 방지하기 위한 사전 연구로 원통형 리튬이온 단일 셀의 충/방전에 따른 열 분포를 열화상 카메라로 촬영하여 분석하였다. 실험을 통한 열 분포 이미지를 학습 데이터로 구성하여, SOC(State of Charge)를 추정하는 CNN(Convolution Neural Network) 모델을 제안한다.

• 한국정보전자통신기술학회논문지
• /
• 제16권6호
• /
• pp.385-391
• /
• 2023

최근 탄소배출을 최소화하기 위해 전기자동차의 사용이 증가함에 따라 핵심 부품인 리튬이온 배터리의 상태 및 성능 분석의 중요성이 대두되고 있다. 따라서 배터리의 상태 및 성능에 영향을 줄 수 있는 배터리의 전압, 전류 및 온도뿐만 아니라 전기 자동차의 운행 데이터 및 충전 패턴 데이터를 활용한 종합적인 분석이 필요하다. 따라서 전기적 이동 수단에서 수집되는 배터리 데이터 수집 및 데이터 전처리, 단순 배터리 데이터에 추가적인 운전자 운전 습관에 대한 데이터 수집 및 전처리, 분석된 영향인자를 기반으로 인공지능 알고리즘 세부 설계 및 수정, 해당 알고리즘을 기반으로 하는 배터리 분석 및 평가 모델 설계하였다. 본 논문에서는 실시간 전기버스를 대상으로 운행 데이터와 배터리 데이터를 수집하여 Random Forest 알고리즘 활용하여 학습시킨 후, XAI 알고리즘을 통해 배터리 상태 중요 영향인자로 배터리의 상태, 운행 및 충전 패턴 데이터 등을 종합적으로 고려하여 운행 패턴에서 급가속, 급 감속, 급정지와 충 방전 패턴에서 일 주행횟수, 일일 누적 DOD와 셀 방전에서 셀 전압 차 , 셀 최대온도, 셀 최소온도의 요소가 배터리 상태에 많은 영향을 미치는 인자로 확인되었으며, Random Forest 알고리즘 기반으로 배터리 분석 및 평가 모델을 설계하고 평가하였다.

• 대한기계학회논문집B
• /
• 제37권4호
• /
• pp.313-322
• /
• 2013

배터리는 최근 여러 분야에서 중요한 에너지원 역할을 하고 있는데, 사용 중 충방전을 거듭하면 용량이 점차 저하되며 초기 대비 80% 이하로 떨어지면 고장으로 간주되므로, 이를 예측하기 위한 수명 예측 기법이 활발히 개발되고 있다. 본 연구에서는 사용중인 배터리에 대해 충전곡선 기울기를 이용하여 배터리의 용량을 평가하고 이를 바탕으로 잔존수명을 예측하는 새로운 방법을 제안하였다. 이 과정에서 발생하는 여러 불확실성을 고려하기 위해 베이지안 접근법에 기반한 파티클 필터 방법을 활용하였고 그 결과 잔존수명을 확률분포로 구하였다. 개발된 방법을 미국 NASA Ames 연구소와 본 연구실에서 직접 수행한 배터리 충방전 시험 데이터에 대해 각각 적용한 결과 충전곡선 기울기가 용량 열화를 잘 나타내며 파티클 필터로 예측된 잔존수명 신뢰구간은 실제 수명을 잘 포함함을 확인할 수 있었다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2019년도 전력전자학술대회
• /
• pp.445-446
• /
• 2019

전기적 등가회로의 모델의 정확도 향상을 위하여 정확한 내부 저항과 OCV의 반영은 필수적이며, 이를 위한 OCV 실험에서 SOC 구간을 작게 작을수록 OCV의 정확도는 향상되지만 실험시간은 증가한다. 따라서 실험 시간을 고려한 적당한 SOC(5%, 10%) 구간으로 실험을 진행하며, 측정 되지 않은 영역의 내부 파라미터는 선형보간법으로 등가회로 모델에 반영한다. 이러한 문제로, 본 연구는 SOC 추정에의 주요 인자인 OCV의 추정 기법으로 뉴럴 네트워크(Neural Network)를 사용하였다. 추정 방법은 뉴럴 네트워크로 기존 OCV 실험 데이터를 학습하여 모델을 구축한다. 학습 모델의 입력값으로 용량 실험 데이터의 전압, 전류를 적용하였고 결과로 얻은 SOC-OCV 곡선을 비교 분석하였다.

• 한국기계가공학회지
• /
• 제19권12호
• /
• pp.21-27
• /
• 2020

Lithium-ion batteries are the heart of energy-storing devices and electric vehicles. Owing to their superior qualities, such as high capacity and energy efficiency, they have become quite popular, resulting in an increased demand for failure/damage prevention and useable life maximization. To prevent failure in Lithium-ion batteries, improve their reliability, and ensure productivity, prognosticative measures such as condition monitoring through sensors, condition assessment for failure detection, and remaining useful life prediction through data-driven prognostics and health management approaches have become important topics for research. In this study, the residual useful life of Lithium-ion batteries was predicted using two efficient artificial recurrent neural networks-ong short-term memory (LSTM) and gated recurrent unit (GRU). The proposed approaches were compared for prognostics accuracy and cost-efficiency. It was determined that LSTM showed slightly higher accuracy, whereas GRUs have a computational advantage.

• 전기전자학회논문지
• /
• 제23권4호
• /
• pp.1328-1336
• /
• 2019

안전하고 최적의 배터리 성능을 유지하기 위해 정확한 충전상태(SOC) 추정 기술이 필수적이다. 본 논문에서는 기존의 전류적산 방법이 가지고 있는 문제를 해결하기 위해 시간 종속성을 가지는 인공지능 기반의 LSTM을 이용한 SOC 추정 방법을 적용하였다. 훈련과 검증에 필요한 데이터는 전기적 실험을 통해 일정 크기로 방전된 전류, 전압, 온도를 수집하였고 학습을 위한 입력데이터의 질을 향상시키기 위해 데이터 전처리를 수행하였다. 또한, LSTM 모델의 구조 및 하이퍼파라미터 설정에 따른 학습 능력과 SOC 추정 성능을 비교하였다. 학습한 모델은 UDDS 프로파일을 통해 검증하였으며, RMSE 0.82%, MAX 2.54%의 추정 정확도를 달성하였다.

• 스마트미디어저널
• /
• 제7권2호
• /
• pp.71-77
• /
• 2018

본 논문에서는 신재생에너지 발전과 연계한 에너지저장시스템(ESS)의 최적 운영을 위한 에너지관리시스템(EMS)의 구성요소 설계 시 고려할 기능, 운영 효과 분석과 전력요금 절감 방안을 제안한다. 이를 위해 태양광 발전 시스템에 리튬이온전지 기반의 배터리 시스템과 에너지관리시스템 연계 및 구축방안을 제시하고, 1년 동안 운영 데이터에 대한 분석한 결과를 기술한다. 또한 시스템 운영 효과를 높이기 위한 방안으로 EMS를 이용하여 최대수요 발생시간대의 피크전력을 경부하 시간대 충전전력으로 대체하여 ESS 전용 요금제에 따른 요금편익과 부하 평준화에 기여하는 효과를 제안한다.

• 마이크로전자및패키징학회지
• /
• 제31권1호
• /
• pp.16-22
• /
• 2024

전기자동차와 신재생에너지에 관한 관심이 높아지면서 건설장비 산업분야에서도 리튬이온 배터리를 접목하려는 요구가 높아지고 있다. 건설중장비는 건설 현장의 다양한 작업으로 인해 전류 용량의 감소가 급속히 진행되기 때문에 SOC(State of Charge) 및 SOH(State of Health) 같은 배터리의 상태를 더욱 정확하게 추정할 필요가 있다. 본 논문에서는 SOC와 SOH를 동시에 추정이 가능한 적응제어 기법 기반 이중확장칼만필터(Dual Extended Kalman Filter, DEKF) 알고리즘을 이용하여 실제 측정데이터와의 오차를 비교하였다. 배터리 충전 상태 예측을 위해 배터리 셀을 완전 충전 후 0.2C-rate조건에서 SOC 5% 간격으로 OCV를 측정하였고, 배터리의 열화를 판단할 수 있는 건전성 지표 확보를 위해 다양한 C-rate(0.2, 0.3, 0.5, 1.0, 1.5C rate) 조건에서 50 Cycle 동안 노화 실험을 수행하였다. DEKF를 이용한 SOC 및 SOH 추정 오차는 C-rate이 커질수록 커지는 경향을 보였으며 특히 SOC 추정결과, 0.2, 0.5 및 1C-rate에서 6%이하로 나타남을 확인하였다. 또한 SOH 추정 결과는 0.2 와 0.3C-rate에서 각각 최대오차 1.0% 및 1.3% 이내로 좋은 성능을 보이는 것으로 확인하였다. 다만, C-rate가 0.5C-rate에서 1.5C-rate으로 증가함에 따라 추정오차도 1.5%에서 2%로 다소 증가하는 것을 확인할 수 있었으나, 모든 C-rate 조건에서 DEKF를 사용한 SOH의 추정 성능은 약 2% 이내인 것으로 나타났다.

• 대한전자공학회논문지SD
• /
• 제46권10호
• /
• pp.40-45
• /
• 2009

본 논문에서는 사용자의 일상적인 동작 분석자료를 기반으로 실시간으로 사용자의 움직임 추정이 가능한 휴대형 센서 디바이스 및 활용 결과를 소개한다. 센서 디바이스는 3차원 가속센서와 GPS를 장착하고 있으며 센서 데이터 처리 및 움직임 추정을 위한 32비트 마이크로컨트롤러, 그리고 센서 데이터 및 추정결과를 전송하기 위한 블루투스 타입의 무선 통신 모듈을 포함한다. 완성된 디바이스는 50*47*14(mm)의 크기이며 리튬이온 소형 배터리 기준으로 연속 사용시 최대 10시간, 대기시간은 약 160시간 정도의 소형/저전력 형태로 구현되었다. 추정 가능한 사용자 움직임의 종류는 크게 3가지("서기", "달리기", "걷기")이며 피실험자군에 의한 동일 동작에 대한 가속센서 변화량을 학습하여 결정 트리 형식으로 사용자 움직임을 결정한다. 실험 결과 사용자 움직임 추정에 대한 정확도는 90% 이상인 것으로 확인되었다.