$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

뉴럴 네트워크를 이용한 배터리 셀 SOC 추정
Battery Cell SOC Estimation Using Neural Network 원문보기

전기전자학회논문지 = Journal of IKEEE, v.24 no.1, 2020년, pp.333 - 338  

유경상 (Electric Power System Research Team, Korea Institute of Energy Research (KIER)) ,  김호찬 (Dept. of Electrical Engineering, Jeju National University)

초록
AI-Helper 아이콘AI-Helper

본 논문은 역전파 뉴럴 네트워크(Back Propagation Neural Network; BPNN) 알고리즘을 이용한 배터리 셀의 잔존용량(State Of Charge; SOC) 추정 방법을 제안한다. 이를 위해 배터리 성능평가 시뮬레이터를 구현하고 다양한 온도에서의 충방전 실험을 통해 뉴럴 네트워크 학습에 필요한 입출력 데이터를 도출한다. 최종적으로 배터리의 SOC 추정 성능은 Matlab/Simulink 프로그램을 이용하여 Ah-counting에 의한 실험치와 비교를 통해 분석하고 오차율을 3% 미만으로 줄일 수 있음을 시뮬레이션을 통해 확인한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This paper proposes a method of estimating the SOC(State of Charge) of a battery cell using a neural network algorithm. To this, we implement a battery SOC estimation simulator and derive input and output data for neural network learning through charge and discharge experiments at various temperatur...

주제어

#Lithium-ion battery   #SOC estimation   #Ah-counting   #Neural network   #Test station  

표/그림 (7)

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서는 SOC 추정을 신뢰할 수 있을 정도로 얻음과 동시에 저사양의 프로세서에도 동작이 가능한 BPNN(Back Propagation Neural Network)에 의한 배터리 셀 SOC 추정 방법을 제안한다. 이를 위해 배터리 성능평가 시뮬레이터를 구현하고 다양한 온도에서 충방전 실험을 통해 뉴럴 네트워크학습에 필요한 입출력 데이터를 도출한다.
  • 본 논문은 BPNN 알고리즘을 이용한 SOC 추정방법을 제안하였다. 이를 위해 배터리 시험장치를 구현하고 다양한 온도에서의 충방전 실험을 통해 UDDS를 이용하여 뉴럴 네트워크 학습에 필요한 입력 데이터를 도출하였다.
  • 뉴럴 네트워크는 인간의 신경계를 모방하여 개발된 학습모델로, 반복적인 학습과정을 거쳐 최적의 결과치를 예측하는 기능을 가진다[5]. 본 논문은 배터리 셀 SOC를 추정하기 위해 순전파에 의한 출력값이 가지는 오차를 역방향으로 다시 보내면서 가중치를 조정하는 BPNN 알고리즘을 제안한다.
  • 최종적으로 배터리 셀의 SOC 추정 성능은 Matlab/Simulink를 이용하여 Ah-counting에 의한 실험치와 비교를 통해 분석하였다. 비교 결과 모든 온도에서 RMSE에 의한 오차가 3% 미만으로 나타남을 시뮬레이션을 통해 확인하여 본 논문에서 제안한. BPNN 알고리즘에 의한 SOC 추정 성능의 효과성을 입증하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
배터리관리시스템(Battery Management System; BMS)는 어떤 역할을 하는가? 이러한 ESS확대는 화석 연료의 사용을 감소시킬 수 있을 뿐만 아니라 사용에 따른 공해 물질이 발생되는 않는다는 점에서 친환경 및 에너지 효율성 제고를 위한 새로운 대체 전원으로 주목받고 있다. 그러나 발열에 의한 배터리의 비가역적인 화학적 변성 및 최근에 이슈화된 화재로 인한 ESS의 소실을 방지하기 위해서는 배터리의 충전 및 방전 과정을 적절하게 제어하는 고도화된 배터리관리시스템(Battery Management System; BMS)이 필요하며, 그 중에서도 배터리의 SOC를 정확하게 파악하는 것이 특히 중요하다. 그러나 전기화학적으로 구성된 배터리의 SOC를 측정하는 것은 매우 어렵기 때문에 BMS 내에서 전압, 전류, 온도, 임피던스를 측정함으로써 배터리의 SOC를 추정하는 방법들이 연구되고 있다[1, 2].
BPNN 알고리즘을 이용한 SOC 추정방법 연구를 통해 나온 성능은? 최종적으로 배터리 셀의 SOC 추정 성능은 Matlab/Simulink를 이용하여 Ah-counting에 의한 실험치와 비교를 통해 분석하였다. 비교 결과 모든 온도에서 RMSE에 의한 오차가 3% 미만으로 나타남을 시뮬레이션을 통해 확인하여 본 논문에서 제안한. BPNN 알고리즘에 의한 SOC 추정 성능의 효과성을 입증하였다.
적산전류법(Ampere hour Counting; Ah-counting)의 동작 과정은? 기존의 BMS에서 배터리의 SOC를 추정하는 방법으로는 배터리에 흐르는 충방전 전류를 적산하여 배터리의 SOC를 추정하는 적산전류법(Ampere hour Counting; Ah-counting)과 충방전 중 단계마다 배터리가 안정된 상태에서 개방회로 전압(Open Circuit Voltage; OCV)을 측정하고 전압 별 SOC 테이블을 만들어 추정하는 OCV 방법, 칼만필터(Kalman Filter)로 대표되어지는 모델 기반 추정방법 등이 있다. 그러나 적산전류법의 경우, 초기치문제와 전류 센서를 통해 측정하는 과정에서 발생되는 오차가 지속적으로 누적되는 문제가 있다[3].
질의응답 정보가 도움이 되었나요?

참고문헌 (5)

  1. M. A. Hannan, M. S. H. Lipu, A. Hussain and A. Mohamed, "A review of lithium-ion battery state of charge estimation and management system in electric vehicle applications: Challenges and recommendations," Renewable and Sustainable Energy Reviews, Vol.78, pp.834-854, 2017. DOI: 10.1016/j.rser.2017.05.001 

    상세보기 crossref

  2. K. S. Ng, C.S. Moo, Y. P. Chen and Y. C. Hsieh, "Enhanced coulomb counting method for estimating state-of-charge and state-of-health of lithium-ion batteries," Applied Energy, Vol.86, pp.1506-1511, 2009. DOI: 10.1016/japenergy.2008.11.021 

    상세보기 crossref

  3. Y. Jeong, Y. Cho, J. Ahn, S. Ryu and B. Lee, "Enhanced coulomb counting method with adaptive SOC reset time for estimating OCV," 2014 IEEE Energy Conversion Congress and Exposition (ECCE), Pittsburgh, PA, pp.1313-1318, 2014. DOI: 10.1109/ECCE.2014.6953989 

  4. M. U. Ali, A. Zafar, S. H. Nengroo, S. Hussain, M. J. Alvi and H. J. Kim, "Towards a smarter battery management system for electric vehicle applications: A critical review of lithium-Ion battery state of charge estimation," Energies, Vol.12, No.3, 2019. DOI: 10.3390/en12030446 

    상세보기

  5. B. Enache and E. Diaconescu, "Estimating a bettery state of charge using neural networks," International Symposium on Fundamentals of Electrical Engineering, pp.1-6, 2014. DOI: 10.1109/ISFEE.2014.7050636 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로