• Proceedings of the KIPE Conference
• /
• 2020.08a
• /
• 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.

• Proceedings of the KIPE Conference
• /
• 2019.11a
• /
• 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.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2018.06a
• /
• 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.

• Proceedings of the KIPE Conference
• /
• 2011.07a
• /
• 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.

• The Transactions of the Korean Institute of Power Electronics
• /
• v.14 no.6
• /
• pp.457-465
• /
• 2009

Lithium batteries are widely used in mobile electronic devices due to their higher voltage and energy density, lighter weight and longer life cycle compared to other secondary batteries. In particular, high demand for lithium batteries is expected for electric cars. In case of lithium batteries used in electric cars, driving distance must be calculated accurately and discharging should not be done below the level of making it impossible to crank. Therefore, accurate information about state of charge (SOC) becomes an essential element for reliable driving. In this paper, a new method of estimating the SOC of lithium polymer batteries by using AC impedance is proposed. In the proposed method, parameters are extracted by fitting a curve of impedance measured at each frequency on the equivalent impedance model and extracted parameters are used to estimate SOC. Experiments were conducted on lithium polymer batteries with similar capacities made by different manufacturers to prove the validity of the proposed method.

• Proceedings of the KIPE Conference
• /
• 2020.08a
• /
• 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
• /
• v.60 no.3
• /
• pp.363-370
• /
• 2022

In this paper, an estimation algorithm for state of charge (SOC) was applied using an equivalent circuit model (ECM) and an Extended Kalman Filter (EKF) to improve the estimation accuracy of the battery system states. In particular, an observer was designed to estimate SOC along with the aged capacity. In the case of the fresh battery, when SOC was estimated by Kalman Filter (KF), the mean absolute percentage error (MAPE) was 0.27% which was smaller than MAPE of 1.43% when the SOC was calculated by the model without the observer. In the driving mode of the vehicle, the general KF or EKF algorithm cannot be used to estimate both SOC and capacity. Considering that the battery aging does not occur in a short period of time, a strategy of periodically estimating the battery capacity during charging was proposed. In the charging mode, since the current is fixed at some intervals, a strategy for estimating the capacity along with the SOC in this situation was suggested. When the current was fixed, MAPE of SOC estimation was 0.54%, and the MAPE of capacity estimation was 2.24%. Since the current is fixed when charging, it is feasible to estimate the battery capacity and SOC simultaneously using the general EKF. This method can be used to periodically perform battery capacity correction when charging the battery. When driving, the SOC can be estimated using EKF with the corrected capacity.

• Proceedings of the KIPE Conference
• /
• 2012.07a
• /
• 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.

• 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.

• Proceedings of the KIPE Conference
• /
• 2019.11a
• /
• 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.