본 논문에서는 전기자동차용 배터리의 충방전 상태를 정확하게 추정하고 안정적으로 평가하기 위하여, 비선형성을 가지는 배터리의 출력특성을 단계마다 선형화시켜 상태를 평가하고, 실시간 구현 및 모델의 오차보정과 노이즈에 강인한 특성을 가지고 있는 확장칼만필터알고리즘을 이용한 SOC 추정 방법을 제안한다. 확장칼만필터를 적용하기 위해 배터리를 1차 Thevenin 모델로 나타내고, SOC 추정을 위한 배터리 성능평가 시뮬레이터를 구현하여, 실험을 통해 확장칼만필터에 적용될 파라미터를 도출한다. 본 논문에 적용된 SOC 상태추정 전략에서는 기존 선행 연구들과 다르게 배터리에 명시되어 있는 정격용량을 최대 충전가능용량으로 대체함으로써, 배터리의 노화에 상관없이 언제나 0%~100%의 SOC를 가질 수 있도록 변경된 수법을 제안한다. 이를 통해, 고정밀 CT를 사용한 Ah counting에 의한 SOC 추정을 기준으로 하여 본 논문에서는 배터리의 비선형 구간에서도 오차를 줄일 수 있는 확장칼만필터 방법을 제안하고 시뮬레이션을 통해 배터리 전 SOC 영역에서 추정오차를 5% 미만으로 줄일 수 있음을 확인한다.
본 논문에서는 전기자동차용 배터리의 충방전 상태를 정확하게 추정하고 안정적으로 평가하기 위하여, 비선형성을 가지는 배터리의 출력특성을 단계마다 선형화시켜 상태를 평가하고, 실시간 구현 및 모델의 오차보정과 노이즈에 강인한 특성을 가지고 있는 확장칼만필터 알고리즘을 이용한 SOC 추정 방법을 제안한다. 확장칼만필터를 적용하기 위해 배터리를 1차 Thevenin 모델로 나타내고, SOC 추정을 위한 배터리 성능평가 시뮬레이터를 구현하여, 실험을 통해 확장칼만필터에 적용될 파라미터를 도출한다. 본 논문에 적용된 SOC 상태추정 전략에서는 기존 선행 연구들과 다르게 배터리에 명시되어 있는 정격용량을 최대 충전가능용량으로 대체함으로써, 배터리의 노화에 상관없이 언제나 0%~100%의 SOC를 가질 수 있도록 변경된 수법을 제안한다. 이를 통해, 고정밀 CT를 사용한 Ah counting에 의한 SOC 추정을 기준으로 하여 본 논문에서는 배터리의 비선형 구간에서도 오차를 줄일 수 있는 확장칼만필터 방법을 제안하고 시뮬레이션을 통해 배터리 전 SOC 영역에서 추정오차를 5% 미만으로 줄일 수 있음을 확인한다.
This paper reports a SOC(State-of-Charge) estimation method using the extended Kalman filter(EKF) algorithm, which can allow real-time implementation and reduce the error of the model and be robust against noise, to accurately estimate and evaluate the charging/discharging state of the EV(Electric V...
This paper reports a SOC(State-of-Charge) estimation method using the extended Kalman filter(EKF) algorithm, which can allow real-time implementation and reduce the error of the model and be robust against noise, to accurately estimate and evaluate the charging/discharging state of the EV(Electric Vehicle) battery. The battery was modeled as the first order Thevenin model for the EKF algorithm and the parameters were derived through experiments. This paper proposes the changed method, which can have the SOC to 0% ~ 100% regardless of the aging of the battery by replacing the rated capacity specified in the battery with the maximum chargeable capacity. In addition, This paper proposes the EKF algorithm to estimate the non-linearity interval of the battery and simulation result based on Ah-counting shows that the proposed algorithm reduces the estimation error to less than 5% in all intervals of the SOC.
This paper reports a SOC(State-of-Charge) estimation method using the extended Kalman filter(EKF) algorithm, which can allow real-time implementation and reduce the error of the model and be robust against noise, to accurately estimate and evaluate the charging/discharging state of the EV(Electric Vehicle) battery. The battery was modeled as the first order Thevenin model for the EKF algorithm and the parameters were derived through experiments. This paper proposes the changed method, which can have the SOC to 0% ~ 100% regardless of the aging of the battery by replacing the rated capacity specified in the battery with the maximum chargeable capacity. In addition, This paper proposes the EKF algorithm to estimate the non-linearity interval of the battery and simulation result based on Ah-counting shows that the proposed algorithm reduces the estimation error to less than 5% in all intervals of the SOC.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 배터리의 비선형성이 강한 SOC<20%와 SOC>80%의 구간에서 추정 오차를 줄일 수 있는 EKF 방법에 의한 SOC 추정 알고리즘을 제안한다. 그리고 LKF와 EKF에 대한 성능을 비교 분석하여 오차를 최소화하는 방안을 제시한다.
따라서 본 논문에서는 SOC-OCV의 비선형 관계가 비교적 큰 SOC80% 구간에 대하여 추정오차를 줄이기 위하여 EKF에 의한 배터리의 SOC 추정 알고리즘을 적용하였다.
따라서 본 논문에서는 배터리의 비선형 특성을 매 시간, 단계마다 선형화시켜 충·방전 상태를 추정하는 EKF 방법을 사용한 SOC 추정 방법을 제안한다.
본 논문에서는 EV용 배터리의 충방전 상태를 정확하게 추정하고 안정적으로 평가하기 위하여, 비선형성을 가지는 출력특성을 단계마다 선형화시켜 상태를 평가하는 EKF를 활용한 배터리 상태추정 알고리즘을 제안하였고, 실험 결과를 통해 배터리 SOC 전 영역에서 5% 미만의 오차율을 보였다. 주요 결과를 요약하면 다음과 같다.
본 논문에서는 EV용 배터리의 충방전 상태를 정확하게 추정하고 안정적으로 평가하기 위하여, 비선형성을 가지는 출력특성을 단계마다 선형화시켜 상태를 평가하는 확장칼만필터(EKF; Extended Kalman Filter)를 활용한 배터리 SOC 추정 알고리즘을 제안한다. 배터리의 전기 등가회로모델(ECM: Equivalent Circuit Model)을 바탕으로, 실시간 구현이 가능하고 모델의 오차보정과 노이즈에 강인한 특성을 가지고 있는 EKF 알고리즘을 적용하여, 기존 방법에 비해 오차율을 감소시킬 수 있는 개선된 SOC 상태추정 알고리즘을 제시한다.
본 논문에서는 배터리의 SOC가 비선형성을 가지는 영역에서도 SOC 추정을 정확하게 수행할 수 있는 EKF 알고리즘에 적용한 SOC 추정 방법을 제안한다[12].
본 논문에서는 배터리의 비선형성이 강한 SOC80%의 구간에서 추정 오차를 줄일 수 있는 EKF 방법에 의한 SOC 추정 알고리즘을 제안한다.
본 논문에서는 산업체에서 선호하는 모델인 ECM 방법을 사용하여 리튬이온 전지를 모델링 한다. ECM은 Fig.
가설 설정
나머지 전압 변화는 병렬로 연결된 R1과 C1에 의해 발생한다. 4시간의 휴지 기간이 지나면, 배터리가 평형 상태에 도달했다고 가정하며, 이 때 측정된 단자 전압은 특정 SOC에서의 OCV와 같게 된다.
한편, 등가회의 배터리 단자 전압 및 각 파라미터들을 바탕으로 이산시간에서 SOC 추정을 위해 식 (9)의 배터리의 비선형 특성에 대한 차분 방정식이 필요하다. 먼저 시간 Tk에서 샘플링 타임 ∆t가 충분히 작다면, 시간 간격 동안의 전류는 일정하다고 가정한다. 그리고 U1의 비선형 전압 방정식은 테일러 확장식인 f(x)=f(x0)+f′(x0)∙(x-x0)을 사용하여 선형화시킨 후에 시간 k+1에서의 전압에 대한 상태추정 알고리즘을 도출하면 식 (10)과 같다.
제안 방법
Case Ⅰ에 의한 시뮬레이션 분석에서는 Ah-counting에 의한 실제 SOC 특성과 LKF에 의한 배터리의 SOC 추정에 대한 특성을 비교 분석한다. 실제 배터리의 SOC를 측정하기 위하여, KBIA의 기준을 바탕으로 일정 전류로 100%까지 충전 한 후, 3시간의 휴지기간을 걸쳐 시험기준에서 제시한 3A(0.
기존 방법과 제안한 방법에 의한 배터리의 상태특성을 비교하기 위하여, Table 4와 같이 두 가지의 조건으로 시뮬레이션 분석을 수행하였다. CaseⅠ에서는 기존 방법인 Ah-counting법과 LFK에 의한 배터리의 상태추정에 대한 특성분석을 실시하였다. CaseⅡ에서는 Case Ⅰ에서 분석한 기존 방법과 제안한 EFK에 의한 배터리의 상태추정 결과를 비교분석하였다.
CaseⅠ에서는 기존 방법인 Ah-counting법과 LFK에 의한 배터리의 상태추정에 대한 특성분석을 실시하였다. CaseⅡ에서는 Case Ⅰ에서 분석한 기존 방법과 제안한 EFK에 의한 배터리의 상태추정 결과를 비교분석하였다. 여기에서 Case Ⅰ과 Case Ⅱ에서 상태추정은 100%의 방전심도에서 수행하였다.
등가회로의 파라미터는 오프라인 및 온라인 추정 방법으로 식별할 수 있는데, 본 논문에서는 R0, R1 및 C1의 매개 변수에 대한 추정을 다음과 같이 오프라인 실험을 통해 도출하였다.
따라서, Qrated를 기준으로 SOC를 추정하는 경우에, 배터리 충·방전 가능용량은 100%로가 될 수 없으며, SOC 추정에 대한 오차율은 크게 증가하게 된다. 따라서 본 논문에서는 기존 선행연구들과 달리 분모의 Qrated을 Qm으로 대체하여 배터리의 노화에 상관없이 항상 0 ~ 100%의 SOC를 갖도록 변형한다. 즉 제안한 배터리의 SOC는 식 (8)과 같이 나타난다.
배터리 등가모델의 모든 저항 및 커패시터는 SOC, 전류 방향, 온도, 노화 및 기타 동작 조건에 따라 달라진다. 따라서 본 논문에서는 제안한 배터리의 상태추정 알고리즘의 유용성을 검증하기 위하여, Fig. 4와 같이 배터리 성능특성 분석 시뮬레이터를 구현하여 R0, R1 및 C1의 파라미터에 대한 추정 및 배터리의 SOC-OCV 특성을 분석한다.
배터리 셀의 사양은 Table 2와 같이 배터리의 공칭용량은 15.7Ah, 작동 전압은 3.73V, 방전 및 충전 차단 전압은 2.5V 및 4.15V이고, 실험에 적용된 온도 조건은 STC(Standard Test Condition)인 25˚C로 설정하였다.
본 논문에서는 EV용 배터리의 충방전 상태를 정확하게 추정하고 안정적으로 평가하기 위하여, 비선형성을 가지는 출력특성을 단계마다 선형화시켜 상태를 평가하는 확장칼만필터(EKF; Extended Kalman Filter)를 활용한 배터리 SOC 추정 알고리즘을 제안한다. 배터리의 전기 등가회로모델(ECM: Equivalent Circuit Model)을 바탕으로, 실시간 구현이 가능하고 모델의 오차보정과 노이즈에 강인한 특성을 가지고 있는 EKF 알고리즘을 적용하여, 기존 방법에 비해 오차율을 감소시킬 수 있는 개선된 SOC 상태추정 알고리즘을 제시한다. 리튬 폴리머(Lithium Polymer) 배터리를 대상으로 배터리의 SOC를 추정하기 위해 1차 이산시간 상태공간 모델을 도출하고, 선형칼만필터(LKF; Linear Kalman Filter) 및 EKF 알고리즘을 배터리 모델에 적용한다.
모델 파라미터는 실험적으로 측정하며, 최종적으로 배터리의 SOC 추정 성능은 Ah counting을 이용한 실험치와 비교를 통해 분석한다. 본 논문에서는 제안된 알고리즘을 바탕으로 실제 실험 데이터 및 Matlab을 활용하여 배터리의 상태특성을 비교 분석하고, 제안한 배터리 SOC 추정 방법이 기존 방법보다 오차율이 감소함을 시뮬레이션을 통해 확인한다.
Case Ⅰ에 의한 시뮬레이션 분석에서는 Ah-counting에 의한 실제 SOC 특성과 LKF에 의한 배터리의 SOC 추정에 대한 특성을 비교 분석한다. 실제 배터리의 SOC를 측정하기 위하여, KBIA의 기준을 바탕으로 일정 전류로 100%까지 충전 한 후, 3시간의 휴지기간을 걸쳐 시험기준에서 제시한 3A(0.2C)로 방전시켰다. 여기에서 Ah counting 방법으로 SOC를 구하기 위한 배터리의 측정요소는 단자 전압, 단자 전류 및 배터리 표면 온도로 결정된다.
CaseⅡ에서는 Case Ⅰ에서 분석한 기존 방법과 제안한 EFK에 의한 배터리의 상태추정 결과를 비교분석하였다. 여기에서 Case Ⅰ과 Case Ⅱ에서 상태추정은 100%의 방전심도에서 수행하였다.
(1) 배터리의 비선형성이 강한 SOC<20% 구간 및 SOC>80% 구간에 대해 SOC 추정 오차를 줄이기 위해 EKF 알고리즘을 적용하였다. 이를 위하여, 배터리의 등가회로 모델을 1차 Thevenin 모델로 설정하였고, 실험을 통해 칼만필터에 적용될 모델의 SOC-OCV 관계 및 파라미터 값을 도출하였다.
데이터처리
리튬 폴리머(Lithium Polymer) 배터리를 대상으로 배터리의 SOC를 추정하기 위해 1차 이산시간 상태공간 모델을 도출하고, 선형칼만필터(LKF; Linear Kalman Filter) 및 EKF 알고리즘을 배터리 모델에 적용한다. 모델 파라미터는 실험적으로 측정하며, 최종적으로 배터리의 SOC 추정 성능은 Ah counting을 이용한 실험치와 비교를 통해 분석한다. 본 논문에서는 제안된 알고리즘을 바탕으로 실제 실험 데이터 및 Matlab을 활용하여 배터리의 상태특성을 비교 분석하고, 제안한 배터리 SOC 추정 방법이 기존 방법보다 오차율이 감소함을 시뮬레이션을 통해 확인한다.
이론/모형
(1) 배터리의 비선형성이 강한 SOC80% 구간에 대해 SOC 추정 오차를 줄이기 위해 EKF 알고리즘을 적용하였다.
배터리의 전기 등가회로모델(ECM: Equivalent Circuit Model)을 바탕으로, 실시간 구현이 가능하고 모델의 오차보정과 노이즈에 강인한 특성을 가지고 있는 EKF 알고리즘을 적용하여, 기존 방법에 비해 오차율을 감소시킬 수 있는 개선된 SOC 상태추정 알고리즘을 제시한다. 리튬 폴리머(Lithium Polymer) 배터리를 대상으로 배터리의 SOC를 추정하기 위해 1차 이산시간 상태공간 모델을 도출하고, 선형칼만필터(LKF; Linear Kalman Filter) 및 EKF 알고리즘을 배터리 모델에 적용한다. 모델 파라미터는 실험적으로 측정하며, 최종적으로 배터리의 SOC 추정 성능은 Ah counting을 이용한 실험치와 비교를 통해 분석한다.
이는 LKF가 비선형성이 강한 SOC 범위에서(SOC80%) 더 이상 유효하지 않은 선형 시스템을 가정하여 결정되기 때문이며, 비선형 구간의 오차율을 줄이기 위해 실시간 구현이 가능하고 모델의 오차보정과 노이즈에 강인한 특성을 가지고 있는 EKF 알고리즘을 적용하였다.
성능/효과
(2) 실험을 통해 LKF를 이용한 SOC 추정 및 고정밀 CT를 사용한 Ah counting에 의한 SOC 추정을 비교한 결과 대부분의 구간에서 5% 미만의 오차율을 보였으나, SOC80% 구간에서는 상당한 오차율을(10% 이상) 보임을 확인 할 수 있었다.
(3) EKF를 적용한 결과, 실험 결과를 통해 배터리 SOC 전 영역에서 5% 미만의 오차율을 보였다. 특히, LKF를 적용하였을 때 오차율이 컸던 구간에 대해, EKF가 SOC 추정 오차를 효과적으로 감소시킨다는 것을 확인할 수 있었다.
(4) 따라서, 향후, 배터리 및 전기차용 배터리의 사용이력을 바탕으로 배터리의 특성을 추정하는데 있어서, 본 논문에서 제안한 SOC추정 알고리즘을 적용한다면, 정확한 용량 및 사용연한에 대한 정확한 판별이 가능함을 알 수 있었다.
본 장에서는 배터리의 충방전이 불규칙하게 운용될 경우에, 제안한 SOC 상태추정 평가 알고리즘이 기존의 방법보다 정확한 배터리의 SOC추정하기 위한 유용한 방법임을 입증한다. 기존 방법과 제안한 방법에 의한 배터리의 상태특성을 비교하기 위하여, Table 4와 같이 두 가지의 조건으로 시뮬레이션 분석을 수행하였다.
여기에서 Ah counting 방법으로 SOC를 구하기 위한 배터리의 측정요소는 단자 전압, 단자 전류 및 배터리 표면 온도로 결정된다. 위의 방법에 의한 시뮬레이션 결과, Fig. 7과 같이 일정 전류로(3A(0.2C))로 배터리를 방전시킨 경우 선형적으로 배터리가 방전하는 특성을 보임을 알 수 있다.
이에, 향후 폐배터리 및 전기차용 배터리의 사용이력을 바탕으로 배터리의 특성을 추정하는데 있어서, 정확한 용량 및 사용연한에 대한 정확한 판별이 가능함을 알 수 있음을 확인하였다.
즉 본 논문에서 제안한 방법으로 SOC를 추정하는 경우, SOC80% 구간에서 SOC 추정 오차를 효과적으로 감소시킨다는 것을 알 수 있었다.
측정된 배터리 단자 전압 및 전류 데이터를 EFK 방법에 적용하여 SOC의 상태를 추정한 결과, Fig. 9와 같이 실제 SOC 특성과 EFK 방법에 의한 상태추정이 전 구간에서 5% 이내의 오차이내로 동작함을 확인하였다. 즉 본 논문에서 제안한 방법으로 SOC를 추정하는 경우, SOC<20% 구간 및 SOC>80% 구간에서 SOC 추정 오차를 효과적으로 감소시킨다는 것을 알 수 있었다.
측정된 배터리 단자 전압 및 전류 데이터를 LFK 방법에 적용하여 SOC의 상태를 추정한 결과, Fig. 8과 같이 실제 배터리의 전압, 전류 특성에 따른 SOC 특성과 LFK 방법에 의한 상태추정이 목표로 하는 5%이내에서 안정적으로 동작함을 알 수 있다. 하지만 SOC<20%와 SOC>80%의 구간에서는 실제 전압, 전류 특성으로부터 목표로 하는 5% 이상의 큰 오차를 보임을 확인할 수 있다.
(3) EKF를 적용한 결과, 실험 결과를 통해 배터리 SOC 전 영역에서 5% 미만의 오차율을 보였다. 특히, LKF를 적용하였을 때 오차율이 컸던 구간에 대해, EKF가 SOC 추정 오차를 효과적으로 감소시킨다는 것을 확인할 수 있었다.
후속연구
하지만 SOC<20%와 SOC>80%의 구간에서는 실제 전압, 전류 특성으로부터 목표로 하는 5% 이상의 큰 오차를 보임을 확인할 수 있다. 따라서 향후 폐배터리 및 전기차용 배터리의 사용이력을 바탕으로 배터리의 특성을 추정하는데 있어서, 정확한 용량 및 사용연한에 대한 판별이 어려울 수 있음을 알 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
FOM와 ROM 방법의 단점은?
그리고 FOM와 ROM의 방법은 배터리 셀을 전기화학적으로 모델링하므로 배터리의 상태추정에 있어서 정확도가 높다는 장점이 있다. 하지만 이 방법은 셀 내부의 복잡한 화학적 반응에 의해 주어지는 셀 특성 때문에 모델을 정확하게 구현하는데 매우 어려운 단점을 가지고 있고, 많은 계산 시간이 요구되기 때문에 실시간 응용에는 부적절하다[4]. 따라서 산업체에서 선호하는 배터리 SOC 추정 방법은 전기 등가회로모델(ECM)이다[5].
배터리의 SOC를 정확히 추정하는 것이 어려운 이유는?
SOC 추정을 위한 연구로는 배터리 개방회로전압(OCV: Open Circuit Voltage)과 배터리로부터 흘러나간 전하를 적분하는 형태의 Ah counting 방법, 배터리의 임피던스를 계산하여 잔여 사용시간을 추정할 수 있는 임피던스 기반의 추정 방법 그리고 모델기반의 추정방법 등이 있다[1]. 그러나 주위 온도, 사용연한 및 운전점 등에 의해서 동작특성이 비선형적으로 변화되는 배터리의 SOC를 정확하게 추정하는 것은 매우 어렵다[2].
확장칼만필터는 SOC 추정 알고리즘에서 어떤 역할을 하는가?
본 논문에서는 EV용 배터리의 충방전 상태를 정확하게 추정하고 안정적으로 평가하기 위하여, 비선형성을 가지는 출력특성을 단계마다 선형화시켜 상태를 평가하는 확장칼만필터(EKF; Extended Kalman Filter)를 활용한 배터리 SOC 추정 알고리즘을 제안한다. 배터리의 전기 등가회로모델(ECM: Equivalent Circuit Model)을 바탕으로, 실시간 구현이 가능하고 모델의 오차보정과 노이즈에 강인한 특성을 가지고 있는 EKF 알고리즘을 적용하여, 기존 방법에 비해 오차율을 감소시킬 수 있는 개선된 SOC 상태추정 알고리즘을 제시한다.
참고문헌 (14)
L. Lu and X. Han, "A review on the key issues for lithium-ion battery management in electric vehicles", Journal of power sources, vol. 226, pp. 272-288, 2013. DOI: https://doi.org/10.1016/j.jpowsour.2012.10.060
B. Xia and C. Chen, "A novel method for state of charge estimation of lithium-ion batteries using a nonlinear observer", Journal of power sources, vol. 270, pp. 359-366, 2014. DOI: https://doi.org/10.1016/j.jpowsour.2014.07.103
S. Piller, M. Perrin, and A. Jossen, "Methods for state-of-charge determination and their applications", Journal of power sources, vol. 96, pp. 113-120, 2001. DOI: https://doi.org/10.1016/S0378-7753(01)00560-2
R. Klein, N. A. Chaturvedi, and J. Christensen, "Electrochemical model based observer design for a lithium-ion battery", IEEE Transactions on Control Systems Technology, vol. 21, pp. 289-301, 2012. DOI: https://doi.org/10.1109/TCST.2011.2178604
B. Y. Liaw and G. Nagasubramanian, "Modeling of lithium ion cells-A simple equivalent-circuit model approach", Solid State Ionics, vol. 175, pp. 835-839, 2004. DOI: https://doi.org/10.1016/j.ssi.2004.09.049
G. Welch and G. Bishop, "The Introduction to the Kalman Filter", Couse Note of University of North Carolina at Chapel Hill, 2001.
F. L. Lewis, L. Xie, and D. Popa, "Optimal and Robust Estimation with an Intruduction to Stochastic Control Theory" CRC Press, 2003.
R. E. Kalman and R. S. Busy, "New results in linear filtering and prediction theory," ASME Journal of Basic Engineering, Series D, vol. 83, pp. 95-108, 1961. DOI: https://doi.org/10.1115/1.3658902
R. G. Brown and P. Y. C. Hwang, "Introduction to Random Signals and Applied Kalman Filtering", John Wiley and Sons, 1985.
J. B. Burl, Linear Optimal Control, Addison Wesley, Menlo Park, California, 1999.
F. L. Lewis and V. L. Syrmos. "Optimal Control, Second Edition", John Wiley and Sons, New York, 1995.
G. Plett, "Extended Kalman filtering for battery management systems of LiPBbased HEV battery packs: Part 3. State and parameter estimation", Journal of Power Sources, vol. 134, pp. 277-292, 2004. DOI: https://doi.org/10.1016/j.jpowsour.2004.02.031
D. Jwo and F. Chuang, "Adaptive Kalman Filter for Navigation Sensor Fusion", National Taiwan Ocean University, Sensor Fusion and its Applications, 2010.
Hongwen He, Rui Xiong, and Jinxin Fan, "Evaluation of Lithium-Ion Battery Equivalent Circuit Models for State of Charge Estimation by an Experimental Approach," J. Energies, vol. 4, pp 582-598, ISSN 1996-1073, March 2011. DOI: https://doi.org/10.3390/en4040582
※ AI-Helper는 부적절한 답변을 할 수 있습니다.