[논문]확장 칼만 필터를 이용한 배터리 모니터링 시스템 개발

조성우; 정순규; 김현탁

doi:10.15207/jkcs.2020.11.6.007

확장 칼만 필터를 이용한 배터리 모니터링 시스템 개발
Development of Battery Monitoring System Using the Extended Kalman Filter 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.11 no.6, 2020년, pp.7 - 14

조성우 (한국전자통신연구원) , 정순규 (한국전자통신연구원) , 김현탁 (한국전자통신연구원)

초록
AI-Helper

본 논문에서는 확장 칼만 필터를 이용한 SOC 추정이 가능한 배터리 모니터링 시스템을 개발하였다. 배터리의 충·방전 상태를 정확하게 추정하기 위해 배터리 셀을 테브닌 모델로 모형화하고, 모델에 맞는 파라미터를 추출하였다. 이를 이용하여 확장 칼만 필터 알고리즘을 이용한 SOC 추정이 가능한 배터리 모니터링 디바이스를 제작하였으며, 다중 배터리 모니터링 디바이스 제어 및 배터리 상태 측정이 가능한 모니터링 서버를 제작하였다. 또한, 관리자가 실시간으로 상태를 확인하며 배터리 모니터링 디바이스 제어가 가능한 웹 서비스를 제작하였다. 특히, 배터리 SOC를 각각의 배터리 모니터링 디바이스에서 추정하고, 최종 결과만 모니터링 서버로 전달함으로써 서버의 계산량을 줄일 수 있다.

Abstract ▼ AI-Helper

A Battery Monitoring System capable of State-of-Charge(SOC) estimation using the Extended Kalman Filter(EKF) is described in this paper. In order to accurately estimate the SOC of the battery, the battery cells were modeled as the Thevenin equivalent circuit model. The Thevenin model's parameters were measured in experiments. For the Battery Monitoring System, we designed a battery monitoring device that can calculate the SOC estimation using the EKF and a monitoring server that controls multiple battery monitoring devices. We also develop a web-based dashboard for controlling and monitoring batteries. Especially the computation of the monitoring server could be reduced by calculating the battery SOC estimation at each Battery Monitoring Device.

주제어

표/그림 (12)

표 Table 1. Summary of methods for the SOC estimation
그림 Fig. 1. Thevenin equivalent model for lithium-ion batteries
그림 Fig. 2. Experimental OCV-SOC curve for lithium-ion battery at 25℃
그림 Fig. 3. Experimental R0-SOC curve for lithium-ion battery at 25℃
그림 Fig. 4. Flow chart of the Extend Kalman Filter for battery SOC estimation
그림 Fig. 5. (a) SOC estimation results by EKF and True SOC (b) Error of SOC estimation by EKF
그림 Fig. 6. Block diagram of the Battery Management System
그림 Fig. 7. Prototype of the proposed Battery Management System.
그림 Fig. 8. Flow chart of data acquisition and battery monitoring
그림 Fig. 9. Monitoring Server
그림 Fig. 10. Dashboard for BMS device statistics
그림 Fig. 11. Real time Battery Cell status

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 배터리의 정적, 동적인 특성 모두를 표현하는 가장 간단한 테브닌 모델을 도입하였다. 이를 통해 마이크로컨트롤러를 이용한 확장 칼만 필터 계산 시 계산량을 최소화하였으며, 배터리 셀의 정적인 특성과 동적인 특성 모두를 반영하도록 하여 정확한 SOC 추정이 가능하도록 하였다.
본 논문에서는 이러한 한계를 극복하기 위해 실시간 배터리 셀 SOC 추정이 가능하며, 높은 정확성을 가지는 분산형 EKF 배터리 모니터링 시스템을 제안한다.
본 논문에서는 확장 칼만 필터를 이용하여 실시간 SOC 추정이 가능한 배터리 모니터링 시스템(Battery Monitoring System)을 제작하였다. 먼저 확장 칼만 필터를 이용한 배터리 각각의 셀의 SOC 측정과 배터리 보호 스위치가 포함된 배터리 모니터링 디바이스(Battery Monitoring Device)를 제작하였으며, 다중 배터리 모니터링 디바이스를 제어하는 모니터링 서버(Monitoring Server)와 관리자가 실시간으로 상태 확인 및 통계 확인이 가능한 웹 서비스(Web Service)를 구현하였다.
본 논문에서는 확장 칼만 필터를 이용한 다중 셀의 SOC 추정이 가능한 배터리 모니터링 디바이스를 설계하였다.
본 논문에서는 확장 칼만 필터를 활용한 배터리 모니터링 시스템을 제작하였다. 확장 칼만 필터를 이용한 SOC 추정을 배터리 모니터링 디바이스에서 계산하여 최종 결과만 모니터링 서버에 전달함으로써 모니터링 서버에 인가되는 부하를 분산시킬 수 있었다.
본 논문에서 제안하는 배터리 모니터링 시스템은 확장 칼만 필터를 이용하여 SOC를 추정함으로써 높은 정확도와 실시간 추정이 가능하며, 확장 칼만 필터 계산 시 발생하는 부하를 분산하기 위해 각각의 마이크로컨트롤러(Micro Controller Unit, MCU)에서 확장 칼만 필터를 계산함으로써 계산량을 분산시키는 시스템이다. 이는 기존 시스템이 모든 확장 칼만 필터 계산을 서버에서 하는 것과는 다르게, 확장 칼만 필터를 각각의 디바이스에서 분산하여 계산함으로써 부하를 분산하고자 한다.

제안 방법

먼저 확장 칼만 필터를 이용한 배터리 각각의 셀의 SOC 측정과 배터리 보호 스위치가 포함된 배터리 모니터링 디바이스(Battery Monitoring Device)를 제작하였으며, 다중 배터리 모니터링 디바이스를 제어하는 모니터링 서버(Monitoring Server)와 관리자가 실시간으로 상태 확인 및 통계 확인이 가능한 웹 서비스(Web Service)를 구현하였다. 또한, 모니터링 서버의 부하량 감소를 위해 배터리 모니터링디바이스에서 확장 칼만 필터 계산을 진행하고 결과값만 모니터링 서버로 전송하도록 제작하였다.
마이크로프로세서는 ST마이크로일렉트로닉스(STMicroelectronics)의 STM32L4 저전력 시리즈를 사용하여 저전압 및 저전력으로 설계되었고, 아날로그와 디지털 회로를 분리하여 측정 노이즈를 최소화하였다고 USB 통신이 가능하도록 제작되어 고속 통신을 통해 실시간 제어가 가능하다.
본 논문에서는 확장 칼만 필터를 이용하여 실시간 SOC 추정이 가능한 배터리 모니터링 시스템(Battery Monitoring System)을 제작하였다. 먼저 확장 칼만 필터를 이용한 배터리 각각의 셀의 SOC 측정과 배터리 보호 스위치가 포함된 배터리 모니터링 디바이스(Battery Monitoring Device)를 제작하였으며, 다중 배터리 모니터링 디바이스를 제어하는 모니터링 서버(Monitoring Server)와 관리자가 실시간으로 상태 확인 및 통계 확인이 가능한 웹 서비스(Web Service)를 구현하였다. 또한, 모니터링 서버의 부하량 감소를 위해 배터리 모니터링디바이스에서 확장 칼만 필터 계산을 진행하고 결과값만 모니터링 서버로 전송하도록 제작하였다.
002%인 소자를 사용하였으며, 패시브 필터를 이용하여 1 kHz 이상의 노이즈를 제거하도록 설계하였다. 배터리 보호 스위치부는 배터리 셀 보호를 위해 금속 산화막 반도체 전계효과 트랜지스터(MOSFET)를 이용하도록 설계하였다.
본 논문에서 제안하는 배터리 모니터링 시스템은 확장 칼만 필터를 이용하여 SOC를 추정함으로써 높은 정확도와 실시간 추정이 가능하며, 확장 칼만 필터 계산 시 발생하는 부하를 분산하기 위해 각각의 마이크로컨트롤러(Micro Controller Unit, MCU)에서 확장 칼만 필터를 계산함으로써 계산량을 분산시키는 시스템이다. 이는 기존 시스템이 모든 확장 칼만 필터 계산을 서버에서 하는 것과는 다르게, 확장 칼만 필터를 각각의 디바이스에서 분산하여 계산함으로써 부하를 분산하고자 한다.
이 페이지는 크게 컨트롤 패널, 실시간 그래프, 디바이스 로그로 구성되어 있는데,컨트롤 페널은 배터리 모니터링 디바이스에 부착된 프로텍션 스위치를 제어할 수 있도록 제작되었다. 실시간 그래프의 경우 배터리 셀의 개별 전압, 측정 전류, SOC를 실시간으로 확인할 수 있도록 제작되었으며, 디바이스 로그의 경우 배터리 모니터링 디바이스에서 전송받은 로그를 한 눈에 볼 수 있도록 제작하였다.
대쉬보드의 통계표에서는 연결된 디바이스, 연결이 끊어진 디바이스, 전체 배터리의 SOC 평균, 전류 상태, 평균 전압등을 한눈에 볼 수 있도록 제작되었다. 연결 상태와 디바이스 오류율, 일별 배터리 평균 전압 및 평균 SOC 등은 그래프로 표시하여 관리자가 한 눈에 파악할 수 있도록 제작하였다.
배터리 셀의 SOC 추정을 위해서는 OCV와 SOC 사이의 상관관계 및 테브닌 모델에서의 R0, R1, C1의 파라미터가 필요하다[11]. 이를 위하여 본 연구에서는 0.1C-rate로 방전 및 휴지를 20번 반복하면서 파라미터를 측정하였다.
본 논문에서는 배터리의 정적, 동적인 특성 모두를 표현하는 가장 간단한 테브닌 모델을 도입하였다. 이를 통해 마이크로컨트롤러를 이용한 확장 칼만 필터 계산 시 계산량을 최소화하였으며, 배터리 셀의 정적인 특성과 동적인 특성 모두를 반영하도록 하여 정확한 SOC 추정이 가능하도록 하였다.
전압 측정부는 배터리 셀이 최대 4개까지 동시에 측정할 수 있도록 설계되었으며, Gain Error는 최대 0.075%, Gain drift는 10 ppm/℃, nonlinearity는 최대 ±0.002%인 소자를 사용하였으며, 패시브 필터를 이용하여 1 kHz 이상의 노이즈를 제거하도록 설계하였다.
특히 디바이스 단계에서 확장 칼만 필터를 통해 SOC를 추정하고, 이 결과값만 서버로 전송하도록 설계하여 서버의 계산량을 줄이도록 하였다.

대상 데이터

본 연구에서 사용한 리튬-이온 배터리 셀의 공칭용량(Nominal Capacity)은 3000mAh, 공칭전압(Nominal Voltage) 3.7V인 삼성SDI사의 ICR18650-30A 배터리를 사용하였다.

성능/효과

또한, 배터리 셀의 정적 특성과 동적 특성을 모두 포함하고 있는 1차 테브닌 모델을 사용함으로써 확장 칼만 필터를 이용한 SOC 추정 시 최대 5% 이내의 오차로 SOC를 추정할 수 있었다. 다중 배터리 모니터링 디바이스를 제어할 수 있는 모니터링 서버를 제작하였으며, 관리자가 사용자 인터페이스를 통해 제어할 수 있도록 웹 서비스를 제작하여,관리자가 편리하게 다중 배터리의 셀 상태를 확인할 수 있었다.
확장 칼만 필터를 이용한 SOC 추정을 배터리 모니터링 디바이스에서 계산하여 최종 결과만 모니터링 서버에 전달함으로써 모니터링 서버에 인가되는 부하를 분산시킬 수 있었다. 또한, 배터리 셀의 정적 특성과 동적 특성을 모두 포함하고 있는 1차 테브닌 모델을 사용함으로써 확장 칼만 필터를 이용한 SOC 추정 시 최대 5% 이내의 오차로 SOC를 추정할 수 있었다. 다중 배터리 모니터링 디바이스를 제어할 수 있는 모니터링 서버를 제작하였으며, 관리자가 사용자 인터페이스를 통해 제어할 수 있도록 웹 서비스를 제작하여,관리자가 편리하게 다중 배터리의 셀 상태를 확인할 수 있었다.
5의 (b)는 실제 SOC 값과 확장 칼만 필터를 이용한 SOC 추정 사이의 오차를 표시한 그래프로써 확장 칼만 필터를 이용한 SOC 추정 시 최대 오차는 5% 이하인 것을 확인할 수 있다. 배터리 사용 시 시간이 흐름에 따라 오차가 증가하지만, 확장 칼만 필터에 의한 보정으로 오차는 최대 5% 이내인 것을 확인할 수 있다.
본 논문에서는 확장 칼만 필터를 활용한 배터리 모니터링 시스템을 제작하였다. 확장 칼만 필터를 이용한 SOC 추정을 배터리 모니터링 디바이스에서 계산하여 최종 결과만 모니터링 서버에 전달함으로써 모니터링 서버에 인가되는 부하를 분산시킬 수 있었다. 또한, 배터리 셀의 정적 특성과 동적 특성을 모두 포함하고 있는 1차 테브닌 모델을 사용함으로써 확장 칼만 필터를 이용한 SOC 추정 시 최대 5% 이내의 오차로 SOC를 추정할 수 있었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	확장 칼만 필터는 무엇인가?	확장 칼만 필터는 측정 잡신호를 고려하여 상태를 추정하는 재귀필터로, 측정 오차를 계산하여 상태를 추정하므로 높은 정확성을 보장한다[8]. 이러한 확장 칼만 필터의 특징을 이용하면 SOC 추정시 측정 오차 제거가 가능하므로 높은 정확성을 보장한다.
	확장 칼만 필터을 이용하여 SOC를 추정할 때 장점은 무엇인가?	이러한 확장 칼만 필터의 특징을 이용하면 SOC 추정시 측정 오차 제거가 가능하므로 높은 정확성을 보장한다. 또한 확장 칼만 필터는 실시간 SOC 추정이 가능하며, 배터리 모델링 한계에서 오는 오차를 확장 칼만 필터가 바로잡아 줌으로써 높은 정확도의 SOC 추정이 가능하다는 장점이 있다[9].
	배터리의 효율적인 사용과 손상 보호를 위해 배터리의 잔존 용량에 대한 정보가 매우 중요한 이유는 무엇인가?	배터리의 효율적인 사용과 배터리 손상 보호를 위해서는 배터리의 잔존 용량(State of Charge, SOC)에 대한정보가 매우 중요하다[2, 3]. 이는 배터리의 과충전, 과방전이 배터리 셀의 손상을 유발하며, 각각의 배터리 셀에서의 충전량 차이는 배터리 사용 효율을 낮추기 때문이다[4]. 결국, 배터리 SOC 모니터링 시스템의 구축은 배터리 사용의 효율성 증대 및 배터리 손상 보호를 위해 필수적이다.

참고문헌 (15)

Y. H. You, C. S. Leem & D. S. Choi. (2018). Assessing the accuracy of electric energy monitoring system. Journal of the Korea Convergence Society, 9(9), 53-60. DOI : 10.15207/JKCS.2018.9.9.053
H. K. Lee & G. T. Kim. (2019). Battery Monitoring System for High Capacity Uninterruptible Power Supply. Journal of IKEEE, 23(2), 580-585. DOI : 10.7471/ikeee.2019.23.2.580
G. L. Plett. (2004). Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: Part 1. Background. Journal of Power Sources, 134(2), 252-261. DOI : 10.1016/j.jpowsour.2004.02.031

상세보기
G. L. Plett. (2004). Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: Part 3. State and parameter estimation. Journal of Power Sources, 134(2), 277-292. DOI : 10.1016/j.jpowsour.2004.02.033

상세보기
J. Meng et al. (2018). An Overview and Comparison of Online Implementable SOC Estimation Methods for Lithium-Ion Battery. IEEE Transactions on Industry Applications, 54(2), 1583-1591. DOI : 10.1109/TIA.2017.2775179

상세보기
R. Zhang et al. (2018). State of the Art of Lithium-Ion Battery SOC Estimation for Electrical Vehicles. Energies, 11(7), 1820. DOI : 10.3390/en11071820

상세보기
Y. Zheng, M. Ouyang, X. Han, L. Lu & J. Li. (2018). Investigating the error sources of the online state of charge estimation methods for lithium-ion batteries in electric vehicles. Journal of Power Sources, 377, 161-188. DOI : 10.1016/j.jpowsour.2017.11.094

상세보기
J. H. Seung, J. K. Park & S. G. Yoo. (2018). Unknown-Parameter Identification for Accurate Control of 2-Link Manipulator using Dual Extended Kalman Filter. Journal of the Korea Convergence Society, 9(6), 53-60. DOI : 10.15207/JKCS.2018.9.6.053

원문보기 상세보기
K. W. Jang & G. B. Chung. (2012). A SOC Estimation using Kalman Filter for Lithium-Polymer Battery. The Transactions of the Korean Institute of Power Electronics, 17(3), 222-229. DOI : 10.6113/TKPE.2012.17.3.222

원문보기 상세보기
J. Meng, G. Luo, M. Ricco, M. Swierczynski, D. I. Stroe & R. Teodorescu. (2018). Overview of Lithium-Ion Battery Modeling Methods for State-of-Charge Estimation in Electrical Vehicles. Applied Sciences, 8(5), 659. DOI : 10.3390/app8050659

상세보기
S. Jung. (2017). EKF Based SOH State Estimation Algorithm for UAV Li-Po Battery Pack. Journal of the Korea Convergence Society, 8(6), 237-243. DOI : 10.15207/JKCS.2017.8.6.237

원문보기 상세보기
P. Shrivastava, T. K. Soon, M. Y. I. B. Idris & S. Mekhilef. (2019). Overview of model-based online state-of-charge estimation using Kalman filter family for lithium-ion batteries. Renewable and Sustainable Energy Reviews, 113, 109233. DOI : 10.1016/j.rser.2019.06.040

상세보기
L. Zhi, Z. Peng, W. Zhifu, S. Qiang & R. Yinan. (2017). State of Charge Estimation for Li-ion Battery Based on Extended Kalman Filter. Energy Procedia, 105, 3515-3520. DOI : 10.1016/j.egypro.2017.03.806

상세보기
P. Kim. (2011). Kalman Filter for Beginners: with MATLAB Examples. South Carolina : CreateSpace Independent Publishing Platform.
J. H. Seo, K. R. Park & M. S. Yoon. (2017). Design and Implementation of web-based production monitoring system for small manufacturers. Journal of the Korea Convergence Society, 8(8), 89-94. DOI : 10.15207/JKCS.2017.8.8.089

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증