배터리 SOC(충전 상태) 추정이란 무엇입니까?

배터리 충전 상태(SOC) 추정

동력 배터리의 전기화학 반응 과정은 복잡하며 수많은 불확실한 요인의 영향을 받습니다. 이 프로세스의 수학적 모델링은 학제간 및 다중{1}}분야 문제이며 항상 학계와 업계 모두의 핵심 초점이자 과제였습니다. 전원 배터리의 입력 여기(부하 전류)와 출력 관찰(전압 및 온도)은 전원 배터리 관리 시스템에 대해 측정 가능한 유한한 매개변수입니다. 파워 배터리의 외부 특성을 보다 정확하게 기술하고, 신뢰성 있는 파워 배터리 상태 추정 알고리즘을 설계하며, 신에너지 차량에 대한 최적의 에너지 관리 시스템을 개발하기 위해서는 정확한 모델링이 필수적입니다. 일반적인 전력 배터리 모델은 주로 전기화학 모델, 등가 회로 모델, 기계 학습 모델로 구분됩니다.

1990년대 중반-1990년대 중반, 버클리 캘리포니아 대학교의 M. Doyle, TF Fuller 및 J. Newman은 다공성 전극 및 농축 용액 이론을 기반으로 유사-2차원(P2D) 모델을 확립하여 전기화학적 메커니즘 모델 개발의 기반을 마련했습니다. 이 모델은 일련의 편미분 방정식과 대수 방정식을 사용하여 전력 배터리 내부의 리튬 이온 확산과 이동, 활성 입자 표면의 전기화학 반응, 옴의 법칙, 전하 보존 등의 전기화학 현상을 정확하게 설명합니다. 현재까지 대부분의 전기화학 모델은 이 모델에서 파생 및 개발되었습니다. 전기화학적 모델은 전력 배터리의 외부 특성뿐만 아니라 측정하기 어려운 내부 특성(전극 및 전해질 내의 리튬 이온 농도, 반응 과전위 등)의 분포와 변화까지 정확하게 시뮬레이션할 수 있는 제1원리 모델입니다. 다른 전원 배터리 모델과 비교하여 전기화학 모델은 전원 배터리 내부의 미세한 반응을 더 깊이 설명할 수 있으며 더 명확한 물리적 의미를 가질 수 있습니다.

P2D 모델은 다재다능하고 확장 가능하며 다양한 재료 시스템을 갖춘 배터리 유형에 적용 가능하며 더 복잡한 다중{1}}결합 모델로 개발 및 확장될 수 있습니다. 따라서 P2D 모델은 배터리 모델링에서 대체할 수 없는 역할을 합니다. 그러나 여기에는 복잡한 편미분 방정식과 수많은 전기화학적 매개변수가 포함되어 있어 배터리 관리 시스템(BMS)의 계산 기능에 대한 요구가 높습니다. 현재 P2D 모델을 해석하는 데에는 유한차분법, 유한요소법, 유한체적법 등의 수치적 방법이 주로 사용됩니다.

등가회로 모델은 저항기, 커패시터, 정전압원 등 전통적인 회로 요소를 사용해 회로 네트워크를 형성해 전원 배터리의 외부 특성을 설명하는 모델이다. 이 모델은 전원 배터리의 열역학적 평형 기전력을 표현하기 위해 전압 소스를 사용하고, 전원 배터리의 동적 특성을 설명하기 위해 RC 네트워크를 사용합니다. 등가회로 모델은 전력 배터리의 다양한 작동 상태에 대한 적용성이 좋으며, 모델의 상태 방정식을 도출할 수 있어 분석 및 적용이 용이합니다. 등가회로 모델은 신에너지 차량 모델링 및 시뮬레이션 연구와 모델{3}}기반 BMS에 널리 사용되어 왔습니다. 그림 7-27은 n-RC 모델이라고 하는 n RC 네트워크 구조로 구성된 전원 배터리의 일반적인 등가 회로 모델을 보여줍니다. 이 모델은 세 부분으로 구성됩니다.

1) 전압 소스: 전원 배터리의 개방-회로 전압은 $U_{oc}$로 표시됩니다.

2) 오믹 내부 저항(Ohmic Internal Resistance): 파워 배터리 전극 재료, 전해질, 절연 저항 및 각종 부품의 접촉 저항을 $R_o$로 표시합니다.

3) RC 네트워크: 분극 특성 및 확산 효과를 포함한 전원 배터리의 동적 특성은 분극 저항 $R_p$ 및 분극 용량 $C_p$로 설명됩니다. 여기서 $i=0, ..., n_s$입니다.

그림 7-27에서 Up은 전원 배터리의 분극 전압을 나타냅니다.

Figure 7-27 n-stage RC model circuit structure

Kirchhoff의 전압 법칙과 전류 법칙, 그리고 커패시터 전압 변화와 전류 사이의 관계를 기반으로 회로 모델의 상태{0}}공간 방정식은 다음과 같이 표현될 수 있습니다.

7-50

일반적으로 사용되는 Rint 모델, Thevenin 모델, DP(Dual Polarization) 모델과 같은 전원 배터리 등가회로 모델은 각각 n=0, n=1, n=2일 때 n-RC 등가회로 모델의 특수 사례로, 전원 배터리 상태 추정 및 관리 알고리즘에 널리 사용되어 왔습니다.

기계 학습 모델에는 배터리의 내부 구성 및 특정 반응 메커니즘에 대한 지식이 필요하지 않습니다. 배터리의 과거 작동 데이터(전류, 전압, 온도 등)만 얻으면 됩니다. 기본적으로 데이터{2}} 기반 방법을 통해 변수 간의 비선형 매핑 기능을 설정합니다. 이러한 유형의 모델의 가장 큰 장점은 다양한 배터리 유형에 대한 적용 가능성, 뛰어난 다양성, 배터리 동작의 비선형 특성을 완전히 시뮬레이션할 수 있는 능력입니다.

전원 배터리 관리 및 제어 분야에서 주로 사용되는 기계 학습 방법에는 퍼지 논리, 신경망, 서포트 벡터 머신 및 이들의 결합 알고리즘이 포함됩니다. 2016년 3월, 바둑 세계 챔피언 이세돌을 상대로 알파고가 승리하면서 딥 러닝에 새로운 활력이 불어넣어졌고, 배터리 관리에도 적용되는 새로운 연구와 응용의 물결이 촉발되었습니다. 훈련을 위한 충분한 배터리 데이터가 있으면 이러한 유형의 모델은 우수한 예측 성능을 달성할 수 있습니다. 그러나 이 모델은 물리적 의미가 부족하고 해석이 불가능하며, 훈련 데이터의 양과 질에 따라 성능이 크게 영향을 받기 때문에 배터리 관리 시스템에 적용 시 신뢰성과 견고성을 보장하기 어렵습니다.