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.
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.
Batteries, which are being used as energy sources in various applications, tend to degrade, and their capacity declines with repeated charging and discharging cycles. A battery is considered to fail when it reaches 80% of its initial capacity. To predict this, prognosis techniques are attracting att...
Batteries, which are being used as energy sources in various applications, tend to degrade, and their capacity declines with repeated charging and discharging cycles. A battery is considered to fail when it reaches 80% of its initial capacity. To predict this, prognosis techniques are attracting attention in recent years in the battery community. In this study, a method is proposed for estimating the battery health and predicting its remaining useful life (RUL) based on the slope of the charge voltage curve. During this process, a Bayesian framework is employed to manage various uncertainties, and a Particle Filter (PF) algorithm is applied to estimate the degradation of the model parameters and to predict the RUL in the form of a probability distribution. Two sets of test data-one from the NASA Ames Research Center and another from our own experiment-for an Li-ion battery are used for illustrating this technique. As a result of the study, it is concluded that the slope can be a good indicator of the battery health and PF is a useful tool for the reliable prediction of RUL.
Batteries, which are being used as energy sources in various applications, tend to degrade, and their capacity declines with repeated charging and discharging cycles. A battery is considered to fail when it reaches 80% of its initial capacity. To predict this, prognosis techniques are attracting attention in recent years in the battery community. In this study, a method is proposed for estimating the battery health and predicting its remaining useful life (RUL) based on the slope of the charge voltage curve. During this process, a Bayesian framework is employed to manage various uncertainties, and a Particle Filter (PF) algorithm is applied to estimate the degradation of the model parameters and to predict the RUL in the form of a probability distribution. Two sets of test data-one from the NASA Ames Research Center and another from our own experiment-for an Li-ion battery are used for illustrating this technique. As a result of the study, it is concluded that the slope can be a good indicator of the battery health and PF is a useful tool for the reliable prediction of RUL.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
8 을 보면 배터리 사이클 초기에는 충전전압곡선의 추이가 그 이후와 많이 다름을 볼 수 있다. 따라서 그 추이가 안정된 이후의 사이클을 첫 번째 사이클로 보고 분석하였다. 충전 전압 곡선의 기울기는 3.
본 연구에서는 EIS 의 문제점을 극복하기 위해 배터리가 사용을 거듭할수록 충방전 시간이 감소한다는 점에 주목하고 이를 통해 용량을 추정하는 보다 쉬운 방법을 조사하였다. 이중에서 방전은 통상 임의 사용조건인 반면, 충전은 대부분 일정한 충전기에서 행해지므로 C-rate 가 고정되는 충전곡선을 대상으로 충/방전 사이클이 진행됨에 따른 충전 전압 곡선을 분석하였으며, #5 배터리의 것을 Fig.
본 연구에서는 배터리 용량을 대변할 수 있는 새로운 특성치인 충전전압 기울기와 파티클 필터 기법을 활용하여 실시간으로 측정되는 데이터로부터 수명을 예측하는 기법을 제안하였고 다음과 같은 결론을 얻을 수 있었다.
이는 온라인 데이터를 활용하여 모델 파라미터(여기서는 열화모델)를 실시간 추정하는 방법으로 최근 여러 분야에서 활발히 활용되고 있다. 본 연구에서는 이것과 비선형 커브피팅 방식과의 비교를 통해 그 우수성을 판단해보았다. 연구에 사용된 배터리 데이터는 NASA 의 것과 본 연구에서 직접 실험한 것 두 가지를 대상으로 하였다.
본 연구에서는 이러한 기존 연구들의 한계를 극복하기 위해, SOH, 즉 용량을 대변하는 특성치로 충전 곡선의 기울기를 이용하는 새로운 방법을 제안하고자 한다. 이는 배터리 충전 중 전압만 모니터링 하면 쉽게 측정이 가능하므로 기울기와 용량 간의 관계식만 구축되면 편리하게 사용 가능한 방법이다.
(14) 이 데이터는 Electrochemical Impedance Spectroscopy (EIS) 라는 실험 방법을 이용한 임피던스 측정 데이터를 포함하고 있다. 이 실험의 목적은 Fig. 1 과 같이 충/방전 사이클이 진행됨에 따라 임피던스가 변화하는 경향과 Fig. 2 와 같은 임피던스와 용량 사이의 선형적인 관계를 이용하여 배터리의 고장 예측을 수행하는 것이었다. 하지만 이미 언급한 바와 같이 EIS 측정 장비가 매우 고가이고 난이도가 높은 실험 방법이기 때문에 실시간 고장 예측을 적용하기 어려운 접근법이었다.
가설 설정
실제 사용 조건에서 방전의 사용 조건이 다양하다 하더라도 충전은 대부분의 경우 특정한 충전기에서 행해지므로 일정한 C-rate 에서 이루어 질 것이다. 본 연구에서는 방전 조건이 바뀌더라도 충전 조건이 같다면 연구 결과에 큰 영향을 안 줄 것이라는 가정을 하였는데 실제 실험에서는 방전 조건을 다양하게 부여하지 못하였다. 향후의 연구는 일반적인 사용과 같은 방전 조건에서도 이러한 방법이 잘 적용될 수 있는지에 대한 연구가 진행될 것이다.
제안 방법
NASA 배터리를 대상으로 #5 배터리에서 얻은 관계식을 가지고 #7 배터리에 대해 수명예측을 수행하였다. 20, 50, 80 사이클까지의 것을 바탕으로 파티클 필터 방법으로 열화거동을 예측한 결과를 열화모델 1 에 대해 Fig.
배터리 및 충방전기의 모델명은 각각 EEMB LIR17500 (1100mAh) 및 WBCS3000S (Wonatech) 이다. NASA 배터리의 충방전 실험에서는 주변 온도를 일정하게 하였으나 본 실험에서는 대기온도를 일정하게 유지하지 않고 상온에 두었다.
5 를 보면 배터리 사이클 초기에는 충전전압곡선이 그 이후와 확연히 달라진다. 따라서 측정된 충전전압 기울기가 어느 정도 수준으로 안정된 시점의 사이클을 첫째로 놓고 분석하였다. 안정된 시점의 사이클의 판단은 충전전압의 기울기가 0.
본 연구를 위해 1 번부터 5 번까지 5 개 채널에서 동일 배터리 모델에 대해 동일조건으로 실험을 실시하였다. 충방전 조건은 1.
하지만 이미 언급한 바와 같이 EIS 측정 장비가 매우 고가이고 난이도가 높은 실험 방법이기 때문에 실시간 고장 예측을 적용하기 어려운 접근법이었다. 본 연구에서는 #5 와 #7 실험 데이터를 이용하였는데 이들의 실험 조건은 1.5Ah 의 일정한 전류로 충전을, 전압이 각각 2.7V, 2.2V 가 될 때까지 2Ah 의 전류를 가하여 방전을 실시한 것이다.
19 에 보였다. 여기서 검은 실선은 실제 잔여수명을, 세 개의 수직선은 각각 20, 50, 80 사이클에서 추정된 잔여수명에 대해 median 및 상하한으로 표시한 것이다. 앞의 열화 커브와 마찬가지로 잔여수명 또한 사이클이 진행되면서 실제 잔여수명과의 오차가 점점 감소하고 있고, 신뢰구간 또한 점차 감소하는 추세를 보이고 있다.
이는 배터리 충전 중 전압만 모니터링 하면 쉽게 측정이 가능하므로 기울기와 용량 간의 관계식만 구축되면 편리하게 사용 가능한 방법이다. 이렇게 얻어지는 SOH 데이터를 바탕으로 몇 가지 열화모델을 대상으로 SOL, 즉 수명 예측을 수행하였다. 이를 위해 파티클 필터 방법을 적용하였다.
배터리의 수명 예측 연구는 최근 활발히 진행되고 있으며 아직 실제 적용이 가능하기 위해서는 개선해야 할 문제들이 많이 존재하고 있다. 충/방전 조건 중 배터리의 수명에 영향을 미치는 인자로 방전 속도와 방전 깊이가 있는데 NASA 의 배터리 데이터는 방전 깊이는 달랐지만, 방전 속도는 같았으며 본 연구에서의 실험은 방전 속도가 일정한 조건에서 실험을 수행하였다.
본 연구를 위해 1 번부터 5 번까지 5 개 채널에서 동일 배터리 모델에 대해 동일조건으로 실험을 실시하였다. 충방전 조건은 1.1Ah 의 일정 전류로 충방전을 실시하였고, 방전종지전압은 2.7V 로 설정하였다.
13 과 같이 열화거동을 제대로 예측하지 못하는 측면이 있다고 판단, 제외하였다. 한편 모델 1 을 가지고 해당 싯점까지의 데이터를 토대로 단순 커브피팅에 의한 예측작업도 시도해 보았다. 이를 위해 MATLAB 의 비선형 최소자승 알고리즘에 의한 fit 함수를 이용하였고, 수명예측 그래프를 Fig.
대상 데이터
본 연구에서 활용한 배터리 실험 데이터는 NASA Ames Prognostics Center 에서 공개하고 있는 데이터이다.(14) 이 데이터는 Electrochemical Impedance Spectroscopy (EIS) 라는 실험 방법을 이용한 임피던스 측정 데이터를 포함하고 있다. 이 실험의 목적은 Fig.
배터리 및 충방전기의 모델명은 각각 EEMB LIR17500 (1100mAh) 및 WBCS3000S (Wonatech) 이다. NASA 배터리의 충방전 실험에서는 주변 온도를 일정하게 하였으나 본 실험에서는 대기온도를 일정하게 유지하지 않고 상온에 두었다.
본 연구에서 활용한 배터리 실험 데이터는 NASA Ames Prognostics Center 에서 공개하고 있는 데이터이다.(14) 이 데이터는 Electrochemical Impedance Spectroscopy (EIS) 라는 실험 방법을 이용한 임피던스 측정 데이터를 포함하고 있다.
본 연구에서는 이것과 비선형 커브피팅 방식과의 비교를 통해 그 우수성을 판단해보았다. 연구에 사용된 배터리 데이터는 NASA 의 것과 본 연구에서 직접 실험한 것 두 가지를 대상으로 하였다.
위와 같은 방법으로 본 연구에서 수행한 배터리를 가지고 #1 에서 관계식을 도출하고 #2, #3, #4, #5 에서 열화모델과 파티클 필터로 수명예측을 수행하였고, 각각의 배터리에 대해 60, 120, 180 사이클에서 예측한 잔여수명을 Fig. 20~23 에 보였다. Fig.
이론/모형
이렇게 얻어지는 SOH 데이터를 바탕으로 몇 가지 열화모델을 대상으로 SOL, 즉 수명 예측을 수행하였다. 이를 위해 파티클 필터 방법을 적용하였다. 이는 온라인 데이터를 활용하여 모델 파라미터(여기서는 열화모델)를 실시간 추정하는 방법으로 최근 여러 분야에서 활발히 활용되고 있다.
성능/효과
(1) 배터리 용량을 대변하는 특성치로 선정한 충전전압곡선의 기울기는 기존의 EIS 와 같은 고가의 시험장비가 필요없이 충전 중 손쉽게 자동 측정이 가능하며, 이것과 용량간의 관계식을 확립하고 나면 동일 배터리의 용량추정에 활용할 수 있다. (2) 잔여수명(SOL) 예측을 위한 파티클 필터링 방법은 단순한 커브피팅에 의한 예측보다 정확성이 더 높을 뿐 아니라 데이터 부족 및 측정에 의한 불확실성을 신뢰구간에 반영하고 있어 매우 유효하다.
(1) 배터리 용량을 대변하는 특성치로 선정한 충전전압곡선의 기울기는 기존의 EIS 와 같은 고가의 시험장비가 필요없이 충전 중 손쉽게 자동 측정이 가능하며, 이것과 용량간의 관계식을 확립하고 나면 동일 배터리의 용량추정에 활용할 수 있다. (2) 잔여수명(SOL) 예측을 위한 파티클 필터링 방법은 단순한 커브피팅에 의한 예측보다 정확성이 더 높을 뿐 아니라 데이터 부족 및 측정에 의한 불확실성을 신뢰구간에 반영하고 있어 매우 유효하다.
한편 모델 1 을 가지고 해당 싯점까지의 데이터를 토대로 단순 커브피팅에 의한 예측작업도 시도해 보았다. 이를 위해 MATLAB 의 비선형 최소자승 알고리즘에 의한 fit 함수를 이용하였고, 수명예측 그래프를 Fig. 16~18 에 추가하였는데, 이들 결과는 파티클 필터의 것에 비해 매우 부정확하여 사용하면 안됨을 알 수 있었다. 따라서 모델1 을 이용하여 파티클 필터로 예측을 수행하는 것이 가장 바람직하였다.
후속연구
본 연구에서는 방전 조건이 바뀌더라도 충전 조건이 같다면 연구 결과에 큰 영향을 안 줄 것이라는 가정을 하였는데 실제 실험에서는 방전 조건을 다양하게 부여하지 못하였다. 향후의 연구는 일반적인 사용과 같은 방전 조건에서도 이러한 방법이 잘 적용될 수 있는지에 대한 연구가 진행될 것이다.
참고문헌 (17)
Cho, M., Son, Y. M., Nah, D. B., Kil, S. C. and Kim, S. W., 2010, "Lithium-Ion Batteries for Plug-In Hybrid Electric Vehicle," Journal of Energy Engineering, Vol. 19, No. 2, pp. 81-91.
Goebel, K., Saha, B., Saxena, A., Celaya, J. R. and Christophersen, J. P., 2008, "Prognostics in Battery Health Management," IEEE Instrumentation & Measurement Magazine, pp. 33-40.
Bechhoefer, E., Bernhard, A., He, D. and Banerjee, P., 2006, "Use of Hidden Semi-Markov Models in the Prognostics of Shaft Failure," American Helicopter Society 62th Annual Forum, Phenix, USA.
Orchard, M. E. and Vachtsevanos, G. J., 2007, "A Particle Filtering Approach for On-Line Failure Prognosis in a Planetary Carrier Plate," International Journal of Fuzzy Logic and Intelligent Systems, Vol. 7, No. 4, pp. 221-227.
Bolander, N., Qiu, H., Eklund, N., Hindle, E. and Rosenfeld, T., 2009, "Physics-Based Remaining Useful Life Prediction for Aircraft Engine Bearing Prognosis," Annual Conference of the Prognostics and Health Management Society, San Diego, USA.
Zhang, J. and Lee, J., 2011, "A Review on Prognostics and Health Monitoring of Li-Ion Battery," Journal of Power Sources, Vol. 196, No. 15, pp. 6007-6014.
Xing, Y., Ma, E. W. M., Tsui, K. L. and Pecht, M., 2011, "Battery Management Systems in Electric and Hybrid Vehicles," Energies, Vol. 4, No. 11, pp. 1840-1857.
Chan, C. C., Lo, E. W. C. and Weixiang, S., 2000, "The Available Capacity Computation Model Based on Artificial Neural Network for Lead-Acid Batteries in Electric Vehicles," Journal of Power Sources, Vol. 87, No. 1-2, pp.201-204.
Widodo, A., Shim, M. C., Caesarendra, W. and Yang, B. S., 2011, "Intelligent Prognostics for Battery Health Monitoring Based on Sample Entropy," Expert Systems with Applications, Vol. 38, pp. 11763-11769.
Plett, G. L., 2004, "Extended Kalman Filtering for Battery Management Systems of LiPB-based HEV Battery Packs Part 3. State and Parameter Estimation," Journal of Power Sources, Vol. 134, No. 2, pp. 277-292.
Saha, B., Goebel, K., Poll, S. and Christophersen, J., 2009, "Prognostics Methods for Battery Health Monitoring Using a Bayesian Framework," IEEE Transactions on Instrumentation and Measurement, Vol. 58, No. 2, pp. 291-296.
He, W., Williard, N., Osterman, M. and Pecht, M., 2011, "Prognostics of Lithium-Ion Batteries Based on Dempster-Shafer Theory and the Bayesian Monte Carlo Method," Journal of Power Sources, Vol. 196, No. 23, pp. 10314-10321.
Williard, N., He, W., Osterman, M. and Pecht, M, 2011, "Improved SOH Estimation Through Coulomb Counting," BMS Workshop at the Prognostics and System Health Management Conference 2011.
Saha, B. and Goebel, K., 2007, "Battery Data Set," NASA Ames Prognostics Data Repository, NASA Ames, Moffett Field, CA.
Richman, J. S. and Moorman, J. R., 2000, "Physiological Time Series Analysis Using Approximate Entropy and Sample Entropy," The American Journal of Physiology Heart and Circulatory Physiology, Vol. 278, No. 6, pp. 2039-2049.
Xing, Y., Williard, N., Tsui, K.-L. and Pecht, M., 2011, "A Comparative Review of Prognostics-Based Reliability Methods for Lithium Batteries," Prognostics and System Health Management Conference 2011, pp. 1-6.
Arulampalam, M. S., Maskell, S., Gordon, N. and Clapp, T., 2002, "A Tutotial on Particle Filters for Online Nonlinear/Non-Gaussian Bayesian Tracking," IEEE Transactions on Signal Processing, Vol. 50, No. 2, pp. 174-188.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.