• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2014년도 전력전자학술대회 논문집
• /
• pp.401-402
• /
• 2014

State of Charge (SOC) and State of Health (SOH) are the key issues for the application of Absorbent Glass Mat (AGM) type battery in Idle Start Stop (ISS) system which is popularly integrated in Electric Vehicles (EVs). However, battery parameters strongly depend on SOC, current rate and temperature and significantly change over the battery life cycles. In this research, a novel method for SOC, SOH estimation which combines the Auto Regressive with external input (ARX) method using for online parameters prediction and Dual Extended Kalman Filter (DEKF) algorithm considering hysteresis is proposed. The validity of the proposed algorithm is verified by the simulation and experiments.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2014년도 전력전자학술대회 논문집
• /
• pp.532-533
• /
• 2014

본 논문은 LiPB의 SOH (State of Health)를 판별하는 방법중 배터리용량 (Ah) 및 저항 등가모델의 장 단점을 비교한다. 그리고 정확한 SOH 추정을 위해 DCIR (Direct Current Internal Resistance)을 사용한 판별 방법을 제안한다. 정확한 DCIR 값을 추정하기 위하여 EKF (Extended Kalman Filter)를 적용하고, MATLAB 시뮬레이션을 통해 DCIR 값을 확인한다. 또한, 실제 LiPB의 각 SOC (State of Charge) 상태마다 DCIR 값을 측정하고, 추정 값과 비교를 통해 정확도를 판단한다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2019년도 전력전자학술대회
• /
• pp.47-49
• /
• 2019

본 논문은 노화로 인하여 감소하는 전기자동차용 배터리의 전류 용량을 실시간으로 추정하는 SOH (State-of-health) 알고리즘을 제안한다. 제안하는 알고리즘은 노화에 따른 OCV (Open circuit voltage) 곡선의 변화 경향을 분석하고, 저주파 통과 필터를 이용하여 추정된 OCV를 기반으로 전류 용량 및 SOH를 산출한다. 알고리즘을 검증하기 위하여 전기자동차용 배터리를 이용한 실험 및 시뮬레이션을 진행한다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2020년도 전력전자학술대회
• /
• pp.379-380
• /
• 2020

배터리의 효율적인 관리와 안정적인 운영을 위해서는 배터리의 노화에 따른 배터리의 모니터링이 중요하다. 그 중에서도 노화에 대한 문제는 실제 어플리케이션에서 매우 중요하기 때문에 더 정확하고 안정적인 운영을 위해서는 배터리 잔존 수명을 판단하는 지표인 State of Health (SOH)가 필수적이다. 따라서 실험을 통한 UDDS의 전압 차 (Voltage Difference) 이미지를 학습데이터로 구성하여, SOH의 파라미터인 용량을 추정하는 Convolutional Neural Network(CNN) 모델을 제안한다.

• 센서학회지
• /
• 제32권6호
• /
• pp.462-469
• /
• 2023

Electric vehicles (EVs) have recently been in the spotlight and have been rapidly developed to reduce the carbon emission with respect to the transport sector. Most EVs currently employ lithium-ion batteries (LIBs) as power sources because they have a higher energy density and a lower self-discharge than other batteries. However, the LIBs cannot respond to high power demands when the state of health (SOH) falls below 80%. Therefore, the SOH of the LIBs must be accurately measured or estimated. To date, many methods have been studied and proposed for measuring or estimating the SOH. In this paper, representative methods among them are reclassified and introduced.

• 전력전자학회논문지
• /
• 제25권5호
• /
• pp.376-384
• /
• 2020

An energy storage system is composed of lithium-ion batteries in modern applications. Batteries are regarded as storage devices for renewable and residual energy. The failure of batteries can cause the performance reduction and explosion of battery systems. High maintenance cost is essential when dealing with the problem of battery safety. Therefore an accurate health diagnosis is required to ensure the high reliability of battery systems. A battery pack is a combination of single cells in series and parallel connections. A battery pack has to consider various factors to assess battery health. Battery health involves conventional factors and additional factors, such as cell-to-cell imbalance. For large applications, state-of-health (SOH) can be inaccurate because of the lack of factors that indicate the state of the battery pack. In this study, six characterization factors are proposed for improving the SOH estimation of battery packs. The six proposed characterization factors can be regarded as health indicators (HIs). The six HIs are applied to the principal component analysis (PCA) algorithm. To reflect information regarding capacity, voltage, and temperature, the PCA algorithm extracts new degradation factors by using the six HIs. The new degradation factors are applied to a multiple regression model. Results show the advancement and improvement of SOH estimation.

• 스마트미디어저널
• /
• 제12권11호
• /
• pp.103-112
• /
• 2023

최근 리튬이온 배터리 사용이 늘어남에 따라 배터리 화재 및 사고 예방의 필요성이 대두되고 있다. 사고 예방을 위해서는 배터리 SOH(State of Health)를 예측하여 열화가 많이 진행된 배터리의 교체 시기를 확인하는 것이 필요하다. 본 논문에서는 배터리의 충전 과정에서 얻을 수 있는 최대 전압 도달 시간, 전류 변화 시간, 최대 온도 도달 시간, IC(Incremental Capacity) 등 4가지 배터리 열화 특성과 어텐션 메커니즘을 이용한 장단기 메모리(Long Short Term Memory, LSTM)를 사용하여 배터리의 열화 상태를 예측하는 모델을 제안한다. NASA에서 제공하는 배터리 데이터 세트를 사용해 제안하는 모델의 성능을 측정한 결과 일반적인 LSTM 모델을 사용하는 경우보다 예측성능의 개선을 확인할 수 있었고, 특히 배터리 교체 주기에 가까운 SOH 90-70% 구간에서 더 우수한 성능을 보였다.

• 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.

• 동굴
• /
• 제85호
• /
• pp.28-34
• /
• 2008

For trying to frontal attack of new solution by fusion of technical tasks and conditions with it's solving methods of the essential tasks of marine resource development and environmental conservation in addition with elements of electronic high-technologies, the magnetic oil spill adsorbent of Mag-Sorbent* has been prepared and proposed to dispose oil spill from the marine disaster for preventing oil pollution by using them and their system with sequentially circular collection of oil spill mag-sorbent powder and fabrics on the electronic equipment like as barge robot for the scheme of sustainable development of environment-friendly technology. Because of recent marine accident occurred at Tae-An cost and earthquake in Sichuan province were very large scale accident of disaster to prevent and manage of them. So, it was verified from the experiment of electronic demonstrator that the skimmer system of oil spill mag-sorbent powder and fabrics prepared was very effective and useful technique to collect oil spill samples on the water surface specially at the closed space of underground cave. At this point, the barge-based electronic remote control was very useful system operating easily on the marine fields but also water level at the small pool to skim it with the environment-friendly system of the disposing marine disaster and preventing oil pollution using magnetic adsorbents of Mag-Sorbent*.

• 전력전자학회논문지
• /
• 제26권3호
• /
• pp.183-191
• /
• 2021

A battery management system (BMS) provides some functions for ensuring safety and reliability that includes algorithms estimating battery states. Given the changes caused by various operating conditions, the state-of-health (SOH), which represents a figure of merit of the battery's ability to store and deliver energy, becomes challenging to estimate. Machine learning methods can be applied to perform accurate SOH estimation. In this study, we propose a Long-Term Recurrent Convolutional Network (LRCN) that combines the Convolutional Neural Network (CNN) and Long Short-term Memory (LSTM) to extract aging characteristics and learn temporal mechanisms. The dataset collected by the battery aging experiments of NASA PCoE is used to train models. The input dataset used part of the charging profile. The accuracy of the proposed model is compared with the CNN and LSTM models using the k-fold cross-validation technique. The proposed model achieves a low RMSE of 2.21%, which shows higher accuracy than others in SOH estimation.