[논문]확장칼만필터를 활용한 배터리 시스템에서의 State of Charge와 용량 동시 추정

문예진; 김남훈; 유지훈; 이경민; 이종혁; 조원희; 김연수

doi:10.9713/kcer.2022.60.3.363

확장칼만필터를 활용한 배터리 시스템에서의 State of Charge와 용량 동시 추정
Simultaneous Estimation of State of Charge and Capacity using Extended Kalman Filter in Battery Systems 원문보기

Korean chemical engineering research = 화학공학, v.60 no.3, 2022년, pp.363 - 370

문예진 (광운대학교 화학공학과) , 김남훈 (광운대학교 화학공학과) , 유지훈 (광운대학교 화학공학과) , 이경민 (광운대학교 화학공학과) , 이종혁 (광운대학교 화학공학과) , 조원희 (광운대학교 화학공학과) , 김연수 (광운대학교 화학공학과)

초록
AI-Helper

본 논문에서는 전기자동차용 배터리 충/방전 상태 추정의 정확도를 개선하기 위해 칼만 필터(Kalman Filter, KF) 알고리즘과 등가회로모델(Equivalent Circuit Model)을 활용한 State Of Charge (SOC) 추정 방법을 적용하였다. 특히 노화된 배터리 용량을 함께 추정 가능한 관측기(observer)를 설계하였다. 우선 노화가 없는 경우, 칼만 필터를 이용하여 SOC를 단일 추정하면, 관측기 없이 모델로 계산된 경우와 비교하여 평균 절대 오차율이 1.43%(관측기 미사용)에서 0.27%(관측기 사용)로 감소하였다. 차량 주행상태에서는 전류가 고정되지 않아 SOC와 배터리 용량을 모두 추정하는 것에 일반적인 KF 혹은 Extended KF 알고리즘을 이용할 수 없다. 배터리 노화에 의한 용량 변화는 단시간에 일어나지는 않다는 점에 착안하여, 충전 시 배터리 용량 추정을 주기적으로 실시하는 전략을 제시하였다. 충전 모드에서는 일정 구간마다 전류가 고정되기에, 해당 상황에서 배터리 노화 용량을 SOC와 함께 추정 전략을 제시하였다. 전류가 고정된 상태에서 SOC 추정의 평균 절대 오차율은 0.54% 였으며, 용량 추정의 평균 절대 오차율은 2.24%로 나타났다. 충전상태에서 전류가 고정됨으로 일반적인 EKF를 활용하여 배터리 용량과 SOC 동시 추정이 가능하도록 하였다. 이를 통하여 배터리 충전 시 주기적인 배터리 용량 보정을 수행할 수 있다. 그리고, 방전 시에는 해당 용량으로 고정한 채 SOC를 추정하는, 배터리 관리 시스템에서 활용 가능한 추정 알고리즘을 제안하였다.

Abstract ▼ AI-Helper

In this paper, an estimation algorithm for state of charge (SOC) was applied using an equivalent circuit model (ECM) and an Extended Kalman Filter (EKF) to improve the estimation accuracy of the battery system states. In particular, an observer was designed to estimate SOC along with the aged capacity. In the case of the fresh battery, when SOC was estimated by Kalman Filter (KF), the mean absolute percentage error (MAPE) was 0.27% which was smaller than MAPE of 1.43% when the SOC was calculated by the model without the observer. In the driving mode of the vehicle, the general KF or EKF algorithm cannot be used to estimate both SOC and capacity. Considering that the battery aging does not occur in a short period of time, a strategy of periodically estimating the battery capacity during charging was proposed. In the charging mode, since the current is fixed at some intervals, a strategy for estimating the capacity along with the SOC in this situation was suggested. When the current was fixed, MAPE of SOC estimation was 0.54%, and the MAPE of capacity estimation was 2.24%. Since the current is fixed when charging, it is feasible to estimate the battery capacity and SOC simultaneously using the general EKF. This method can be used to periodically perform battery capacity correction when charging the battery. When driving, the SOC can be estimated using EKF with the corrected capacity.

주제어

표/그림 (9)

그림 Fig. 1. Equivalent Circuit Model.
그림 Fig. 2. SOC calculated by ECM with disturbances (Black line) and without disturbances (Red line). SOC calculated by ECM when aging factor 0.9 is multiplied to C_b.
그림 Fig. 3. Current scenario used for simulation, dynamic stress test.
표 Table 1. Nomenclature
그림 Fig. 4. (a) Real SOC, SOC estimated using Kalman Filter, and SOC calculated without Kalman Filter. (b) Percent error with respect to real SOC values.
표 Table 2. Mean and maximum of absolute percentage error in SOC estimated by KF and calculated without KF
그림 Fig. 5. (a) Percent error in SOC when estimated along with capacity (Red line) and estimated with the initial estimated capacity (Blue line). (b) Percent error in capacity when estimated along with capacity. (c) Estimated capacity (Red line) and the actual aged capacity (Black line).
표 Table 3.Mean and maximum of absolute percentage errors in SOC and C_b estimates when they are estimated simultaneously by EKF. Those percentage errors in SOC when only SOC is estimated by KF with the overestimated capacity
그림 Fig. 6. Det (M₀) graph.

참고문헌 (28)

Ouyang, Q., Chen, J. and Zheng, J., "State-of-charge Observer Design for Batteries with Online Model Parameter Identification: A Robust Approach," IEEE Transactions on Power Electronics, 35(6), 5820-5831(2019).

상세보기
Ryu, K., Kim, B., Kim, D., Jang, M., Ko, H. and Kim, H., "A State-of-Charge Estimation Using Extended Kalman Filter for Battery of Electric Vehicle," Journal of the Korea Academia-Industrial Cooperation Society, 18(10), 15-23(2017).

원문보기 상세보기
Xiong Rui, et al. "Critical Review on the Battery State of Charge Estimation Methods for Electric Vehicles," IEEE Access, 6, 1832-1843(2017).

상세보기
Ouyang, Q., Chen, J. and You, K., "State of Charge Estimation of Lithium-ion Batteries with Unknown Model Parameters, 2016 American Control Conference (ACC), IEEE, 2016.
Kai, Wang, et al. "State of Charge (SOC) Estimation of Lithiumion Battery Based on Adaptive Square Root Unscented Kalman Filter," International Journal of Electrochemical Science, 15(9), 9499-9516 (2020).
Bae, K.-C., et al. "OCV Prediction Method for SOC Estimation of Li-ion Battery. In: Proceedings of the KIPE Conference," The Korean Institute of Power Electronics, 528-529(2014).
Koo, J., Study on SoC Accuracy Improvement of Lithium-Ion Battery System, Graduate School of Chonnam National University(2019).
Jang, K. and Jeong, K., "A SOC Estimation using Kalman Filter for Lithium-Polymer Battery," Transactions of the Korean Institute of Power Electronics, 17(3), (2012).
Hannan, M. A., Lipu, M. S. H., Hussain, A., Saad, M. H. and Ayob, A., "Neural Network Approach for Estimating State of Charge of Lithium-Ion Battery Using Backtracking Search Algorithm," IEEE Access, 6, 10069-10079 (2018).

상세보기
Tong, S., Lacap, J. H., Park, J. W., "Battery State of Charge Estimation Using a Load-classifying Neural Network," Journal of Energy Storage, 7, 236-243(2016).

상세보기
He, W., Williard, N., Chen, C. and Pecht, M., "State of Charge Estimation for Li-ion Batteries Using Neural Network Modeling and Unscented Kalman Filter-based Error Cancellation," International Journal of Electrical Power & Energy Systems, 62, 783-791(2014).

상세보기
Berecibar, M., Gandiaga, I., Villarreal, I., Omar, N., Van Mierlo, J. and Van den Bossche, P., "Critical Review of State of Health Estimation Methods of Li-ion Batteries for Real Applications," Renewable and Sustainable Energy Reviews, 56, 572-587(2016).

상세보기
Duo Yang, Yujie Wang, Rui Pan, Ruiyang Chen, Zonghai Chen, "A Neural Network Based State-of-Health Estimation of Lithium-ion Battery in Electric Vehicles," Energy Procedia, 105, 2059-2064(2017).

상세보기
Shen, P., Ouyang, M., Lu, L., Li, J. and Feng, X., "The Co-estimation of State of Charge, State of Health, and State of Function for Lithium-Ion Batteries in Electric Vehicles," IEEE Transactions on Vehicular Technology, 67(1), 92-103(2018).

상세보기
Jo, S., Jung, S. and Kim, H., "Development of Battery Monitoring System Using the Extended Kalman Filter," Journal of the Korea Convergence Society, 11(6), 7-14(2020).

원문보기 상세보기
How, D. N., Hannan, M. A., Lipu, M. S. and Ker, P. J., "State of Charge Estimation for Lithium-ion Batteries Using Model-based and Data-driven Methods: A Review," IEEE Access, 7, 136116-136136(2019).

상세보기
Simon, D., Optimal state estimation: Kalman, H infinity, and nonlinear approaches, 2006: John Wiley & Sons.
Sin, S., Park, J., Baek, J., Kang, M. and Kim, J., "Improving Accuracy of Battery Modeling by Estimating the Diffustion Voltage of Li-ion Batteries Based on EKF," Power Electronics Conference, 11, 230-231(2020).
Lee, S. and Park, M., "Battery State of Charge Estimation Considering the Battery Aging," Journal of IKEEE, 18(3), 298-304(2014).

원문보기 상세보기
Steven M. Kay, Fundamentals of Statistical Signal Processing, 2013: Pearson Education.
Chen, C.-T., Linear System Theory and Design, 4ed, 2013:Oxford University Press.
Krener, A. J. and Ide, K., "Measures of Unobservability," Proceedings of the 48h IEEE Conference on Decision and Control (CDC), 6401-6406(2009).
Manitsas, E., Singh, R., Pal, B. C. and Strbac, G., "Distribution System State Estimation Using An Artificial Neural Network Approach for Pseudo Measurement Modeling," IEEE Transactions on Power Systems, 27(4), 1888-1896(2012).

상세보기
Wu, J., He, Y. and Jenkins, N., "A Robust State Estimator for Medium Voltage Distribution Networks," IEEE Transactions on Power Systems, 28(2), 1008-1016(2013).

상세보기
Rey, D., Chaos, observability and symplectic structure in optimal estimation. UC San Diego Ph.D. Thesis, 2017.
Singh, R., Pal, B. C. and Vinter, R. B., "Measurement Placement in Distribution System State Estimation," IEEE Transactions on Power Systems, 24(2), 668-675(2009).

상세보기
Bhela, S., Kekatos, V. and Veeramachaneni, S., "Enhancing Observability in Distribution Grids Using Smart Meter Data," IEEE Transactions on Smart Grid, 9(6), 5953-5961(2018).

상세보기
Jiang, H. and Zhang, Y., "Short-term Distribution System State Forecast Based on Optimal Synchrophasor Sensor Placement and Extreme Learning Machine," IEEE Power and Energy Society General Meeting (PESGM), 1-5(2016).

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