• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2020년도 전력전자학술대회
• /
• pp.363-364
• /
• 2020

본 논문은 최근 주목 받고 있는 데이터 기반 인공지능 알고리즘을 사용하는 배터리 충전 상태 추정 기법에 대하여 조사 분석한다. 기존의 배터리 모델링 기법의 단점을 회피할 수 있는 데이터 기반 인공지능 알고리즘의 구조적 특징을 확인하고, 배터리 충전 상태 추정에 데이터 기반 인공지능 알고리즘을 적용 했을 때, 충전 상태 추정 정확도에 영향을 끼치는 요소인 데이터 구성에 대한 분석을 실시하여, 데이터 구성 시 필수적으로 고려해야하는 설계조건을 조사 분석한다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2019년도 추계학술대회
• /
• pp.194-195
• /
• 2019

배터리는 사용 기간과 회수가 증가함에 따라 수명이 점차 감소한다. SOH(State-Of-Health)는 배터리의 초기 상태와 현재 상태를 비교하여 배터리의 수명 상태를 나타내는 지표이며, 이는 배터리를 사용함에 있어서배터리의 현재 충전상태를 나타내는 SOC(State-Of-Charge)와 함께 정확한 추정을 필요로 한다. 본 논문에서는 리튬이온 배터리를 C-rate에 따라 노화시키며 각 C-rate별 SOH 추정 경향성을 분석하였다. 배터리의 SOC와 SOH는 확장 칼만 필터를 병렬적으로 사용하는 이중 확장 칼만 필터를 활용하여 추정한다. 배터리의 노화실험은 완전충전과 완전충전을 반복하는 전류 프로파일을 인가하였으며, 실험은 상온(25℃)에서 실행하였다.

• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송∙미디어공학회 2018년도 하계학술대회
• /
• pp.349-350
• /
• 2018

본 논문에서는 전기 자동차 충전소의 전력 소모량 추정 알고리즘을 웹 서버에 도입하여, 충전소에 의한 전력소비가 주변 전력 계통에 미치는 영향을 모니터링할 수 있는 시스템을 제안한다. 우선, 관련 기관으로부터 공급 받는 지역 내 실시간 충전소 별 이용 상태 정보로부터 충전 시간과 그 횟수를 도출하고, 이를 충전소 마다 누적하여 소비 전력을 추정한다. 이렇게 추정된 충전소 별 전력 소모량을 웹 페이지를 통해 사용자에게 시각화하여 제공한다. 또한 같은 지역의 구간별 실시간 교통량 또한 같은 방식으로 제공하여, 전기 자동차 충전소 전력소모량의 변화 추이와 교통량의 변화 추이 간 상관관계를 확인할 수 있도록 한다. 따라서 제안하는 시스템은 지역 내 전기 자동차 충전소의 전력 소모량 및 그 변화 추이 관측하고 이를 바탕으로 지역 내 충전소 추가 설치 필요성, 전력 계통 부하 예측, 충전소 재배치 등 전기 자동차 충전소 운영 전략을 수립하는데 사용할 수 있다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2011년도 전력전자학술대회
• /
• pp.228-229
• /
• 2011

본 논문은 SPKF(Sigma-point Kalman Filter)를 이용한 리튬 폴리머 배터리(LiPB)의 충전 상태(SOC: State of Charge) 추정 방법을 제안한다. 배터리 모델은 단순화된 테브난 등가회로 모델과 Runtime 모델이 결합되어 있고, Runtime 모델의 양단 전압을 이용하여 SOC를 추정한다. 제안된 알고리즘은 시뮬레이션을 통해 그 타당성이 검증된다.

• 전력전자학회논문지
• /
• 제14권6호
• /
• pp.457-465
• /
• 2009

리튬계열 전지는 다른 이차전지에 비해 평균전압 및 에너지 밀도가 높으며 가볍고 수명이 긴 장점으로 인해 휴대용 전자기기에 폭넓게 사용되고 있으며, 특히 전기 자동차용으로 높은 수요가 예측되고 있다. 전기 자동차용 리튬 전지의 경우 운행 가능 거리의 정확한 계산이 요구되며, 또한 크랭킹이 불가능한 상태로 방전이 되지 않아야 하므로 충전상태에 대한 정확한 정보는 신뢰성 있는 운전을 위한 필수적인 요소가 된다. 본 논문에서는 AC 임피던스를 이용하여 리튬 폴리머 전지의 충전상태(SOC: State of Charge)를 추정하는 새로운 방법에 관해 제안한다. 제안된 방법에서는 주파수 별로 측정된 임피던스를 등가 임피던스 모델에 커브 피팅하여 파라미터를 추출하고, 추출된 파라미터를 이용하여 충전상태를 추정하였다. 제안된 방법에 의해 추출된 파라미터를 통해 리튬전지의 SOC 추정이 가능함을 증명하였고, 다수의 제조사에서 제작된 비슷한 용량의 리튬 폴리머 전지를 대상으로 한 실험을 통해 제안된 방법의 유용함을 검증하였다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2020년도 전력전자학술대회
• /
• pp.43-45
• /
• 2020

본 논문에서는 급속 충전 시 배터리의 상한 온도를 초과하지 않는 최대 가용 충전 전류의 실시간 추정 알고리즘을 제안한다. 제안하는 알고리즘은 배터리 열 모델을 기반으로 상한 온도에 도달하는 발열량을 추정하고, 충전 상태에 따른 내부 저항의 변화 양성을 고려하여 최대 급속 충전 전류를 도출한다. 알고리즘의 유효성을 검증하기 위하여 전기자동차용 배터리 팩을 이용한 시뮬레이션 및 실험을 진행한다.

• Korean Chemical Engineering Research
• /
• 제60권3호
• /
• pp.363-370
• /
• 2022

본 논문에서는 전기자동차용 배터리 충/방전 상태 추정의 정확도를 개선하기 위해 칼만 필터(Kalman Filter, KF) 알고리즘과 등가회로모델(Equivalent Circuit Model)을 활용한 State Of Charge (SOC) 추정 방법을 적용하였다. 특히 노화된 배터리 용량을 함께 추정 가능한 관측기(observer)를 설계하였다. 우선 노화가 없는 경우, 칼만 필터를 이용하여 SOC를 단일 추정하면, 관측기 없이 모델로 계산된 경우와 비교하여 평균 절대 오차율이 1.43%(관측기 미사용)에서 0.27%(관측기 사용)로 감소하였다. 차량 주행상태에서는 전류가 고정되지 않아 SOC와 배터리 용량을 모두 추정하는 것에 일반적인 KF 혹은 Extended KF 알고리즘을 이용할 수 없다. 배터리 노화에 의한 용량 변화는 단시간에 일어나지는 않다는 점에 착안하여, 충전 시 배터리 용량 추정을 주기적으로 실시하는 전략을 제시하였다. 충전 모드에서는 일정 구간마다 전류가 고정되기에, 해당 상황에서 배터리 노화 용량을 SOC와 함께 추정 전략을 제시하였다. 전류가 고정된 상태에서 SOC 추정의 평균 절대 오차율은 0.54% 였으며, 용량 추정의 평균 절대 오차율은 2.24%로 나타났다. 충전상태에서 전류가 고정됨으로 일반적인 EKF를 활용하여 배터리 용량과 SOC 동시 추정이 가능하도록 하였다. 이를 통하여 배터리 충전 시 주기적인 배터리 용량 보정을 수행할 수 있다. 그리고, 방전 시에는 해당 용량으로 고정한 채 SOC를 추정하는, 배터리 관리 시스템에서 활용 가능한 추정 알고리즘을 제안하였다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2012년도 전력전자학술대회 논문집
• /
• pp.496-497
• /
• 2012

전해 커패시터는 인버터 등을 포함하는 전력 변환 장치에 직류 전압 평활용으로 사용되며, 다른 구성 요소와 비교하여 고장 발생률이 가장 높다. 본 논문은 이러한 전해 커패시터의 상태를 진단하는 방법에 대한 것으로 커패시터 전압의 충, 방전을 이용한다. 전해 커패시터가 충전된 상태에서 전동기에 전류를 인가함으로써 커패시터에 충전된 에너지를 방전 시키고, 방전된 에너지로부터 커패시턴스를 추정한다. 정상 상태의 커패시터와 열화된 상태의 커패시터의 용량 변화로부터 커패시터의 상태를 판별한다. 본 논문에서 제안된 기법은 상용 인버터에 적용하는 데 추가의 하드웨어가 필요하지 않아 저가로 구현할 수 있으며, 커패시터 용량의 변화를 신뢰성 있게 추정할 수 있기 때문에 커패시터 고장진단에 효과적이다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2019년도 추계학술대회
• /
• 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.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2019년도 추계학술대회
• /
• pp.79-81
• /
• 2019

전기자동차(EV)뿐만 아니라 ESS(Energy Storage System) 등의 사용량이 증가하면서 리튬이온배터리의 중요성은 점점 커지고 있다. 리튬 이온 배터리의 정확한 상태를 추정하는 것은 배터리의 안전하고 신뢰성 있는 작동을 위해 매우 중요하다. 본 논문에서는 AEKF(Adaptive Extended Kalman Filter)를 이용한 배터리 파라미터와 충전상태(SOC, State of Charge)를 추정하고, 이를 활용하여 배터리의 건강상태(SOH, State of Health)를 추정하는 간단한 알고리즘을 제시한다. AEKF에 파라미터 값을 적용하여 SOC를 추정하고, 추정된 SOC값과 전류 적산을 이용하여 SOH를 추정한다. SOC 오차에 따른 SOH 추정 값의 편차는 SOC 연산 간격을 늘리고 가중치 필터를 적용하여 최소화시킴으로써 결과의 정확성을 향상했다. 다양한 자동차의 표준 주행 패턴을 적용한 실험을 통해 제안된 방법을 이용하여 얻어진 SOH 추정 결과는 RMSE(Root Mean Square Error) 1.428% 이내임을 검증하였다.