추상적인
배터리 관리 시스템(BMS)은 고속 테스트와 같은 극한 조건에서 배터리 성능을 이해하는 데 중요합니다. 본 연구에서는 고속 테스트 중 NCA {{0}}S 리튬이온 배터리 팩의 전압, 전류, 온도와 같은 주요 매개변수를 지속적으로 모니터링하고 전송 및 저장하기 위한 새로운 BMS를 제안합니다. 이 BMS는 딥러닝 기술을 결합하여 외부 배터리 매개변수를 모니터링하여 배터리 상태(방전 용량으로 측정)를 예측합니다. BMS 기능을 검증하기 위한 정적 실험과 실제 성능을 평가하기 위한 실제 작동 조건 실험(전기 추진 차량의 진동을 이용한 고배율 남용 테스트)의 두 가지 실험을 수행했습니다. 결과에 따르면 실제 비행 조건에서 배터리의 최고 표면 온도는 정적 테스트보다 높은 55°C에 도달했습니다. 딥러닝 용량 추정 알고리즘은 평균 용량 편차 0.04Ah를 검출해 배터리 용량을 예측해 정확한 건강 상태를 입증했다. 이 BMS는 오용 테스트의 실제 상황을 반영하여 효과적인 데이터 수집 및 예측 기능을 보여줍니다.
1. 소개
리튬이온 배터리(LIB) 및 관련 기술의 중요성:LIB는 현재 기술 분야에서 매우 중요하며 전기 자동차, 드론 및 휴대용 전자 장치에 널리 사용됩니다. 기존 배터리 기술과 비교하여 LIB는 높은 에너지 밀도와 긴 사이클 수명과 같은 장점이 있지만 광범위한 적용에는 배터리 노화 문제도 발생합니다. 따라서 SOH(State of Health)는 배터리 노화를 측정하는 데 중요한 매개변수입니다. SOH를 정확하게 추정하는 것은 많은 과제에 직면해 있으며, 배터리 관리 시스템(BMS)은 배터리 매개변수를 정확하게 모니터링하는 데 중요합니다.
BMS의 설계 및 관련 지표:BMS의 설계는 일반적으로 특정 애플리케이션과 관련이 있으며 SOH 외에도 SOC(충전 상태) 및 RUL(잔여 수명)도 배터리 상태를 나타내는 일반적인 지표입니다. 이러한 지표에 대한 데이터는 일반적으로 딥 러닝(DL)용 데이터를 제공할 수 있는 독점 데이터 수집(DAQ) 설정에서 가져오지만 크기가 크고 비용이 높으며 특정 배터리를 대상으로 하는 등의 제한이 있습니다. DL 기술과 고급 BMS를 통합하는 것은 데이터 수집 방법의 과제를 극복하고 확장성을 제공할 수 있는 유망한 접근 방식입니다.
LIB의 중요한 매개변수 및 관련 연구 요구 사항:SOH, SOC, RUL 및 C-rate는 모두 LIB 성능에 중요한 매개변수입니다. C-rate가 높아지면 배터리 용량과 성능이 저하됩니다. 현재의 데이터 수집 방법은 복잡한 설정 및 불분명한 센서 정확도와 같은 문제에 직면해 있으므로 고배율과 같은 다양한 응용 시나리오에서 데이터 수집을 위한 혁신적인 휴대용 BMS 프레임워크의 개발이 필요합니다. 본 연구에서는 이전에 개발된 용량 저하 네트워크(CD Net) DL 모델을 통합하여 전기 추진의 실시간 모니터링 요구 사항을 충족할 수 있는 BMS 종합 프레임워크를 제안합니다. 데이터 수집 및 모델 통합 능력은 실험을 통해 검증되었습니다.
2. BMS 개발
BMS 개발 개요:배터리 상태 예측에 필요한 핵심 데이터를 수집하고 예측에 따른 조치를 취하기 위해 제안된 BMS용 인쇄회로기판을 개발했습니다. 개발된 BMS는 배터리 상태 예측을 위해 실제 작동 조건 데이터(배터리 전압, 전류, 온도 포함)를 활용하고, 수집된 데이터는 딥러닝(DL) 모델에 입력되어 실시간 예측을 수행한다.
센서 측정
전류 및 전압 측정:하이사이드 전류 센서 INA219는 션트 저항기를 삽입하여 전류를 측정하는 데 사용됩니다. 고전류 시나리오에 적응하기 위해 기본 0.1Ω 션트 저항기가 0.01Ω 저항기로 대체되어 전류 측정 범위가 ±32A에 도달할 수 있습니다.
온도 측정:PT100 Adafruit MAX31865 센서는 낮은 전력 소비, 높은 정확도 및 안정성을 갖춘 온도 측정을 위해 선택되었습니다. Callendar van Dusen 방정식은 온도와 저항 사이의 관계를 얻는 데 사용됩니다. 5개의 센서를 사용하여 배터리 4개의 표면 온도와 주변 온도를 각각 측정하고 교정을 수행합니다.
장치 제어:데이터 기록, 전처리 및 전송 기능을 갖춘 Arduino Uno Rev 2 Wi Fi 회로 기판을 컨트롤러로 선택하십시오. 내부 5V 레귤레이터를 통해 센서 네트워크에 전원을 공급하고 SPI 프로토콜을 사용하여 센서와 마이크로컨트롤러를 연결합니다.
| 유형 | 연결 | 사용 |
| 전원 및 직렬 | USB | 5V 전원 공급 및 메인 CPU와의 직렬 통신 |
| 지면 | 접지 | 센서 네트워크의 모든 구성요소에 대한 공통 스타 접지 |
| 션트 V+ | 전류 센서 V+ | 전류 션트에서 배터리 양극으로의 양극 켈빈 연결 |
| 션트 V- | 전류 센서 V- | 전류 션트에서 포지티브 부하까지 네거티브 켈빈 연결 |
| Arduino 핀 | ||
| SCLK | 아두이노 핀 13 | SPI용 클록 라인 |
| SDO | 아두이노 핀 12 | SPI용 직렬 데이터 출력 |
| SDI | 아두이노 핀 11 | SPI용 직렬 데이터 입력 |
| CS1 | 아두이노 핀 10 | 칩 선택 온도 센서 1 |
| CS2 | 아두이노 핀 9 | 칩 선택 온도 센서 2 |
| CS3 | 아두이노 핀 8 | 칩 선택 온도 센서 3 |
| CS4 | 아두이노 핀 7 | 칩 선택 온도 센서 4 |
| CS5 | 아두이노 핀 6 | 칩 선택 온도 센서 5 |
| SCLK | Arduino 핀 SCLK | I2C용 직렬 데이터 클록 |
| SDO | Arduino 핀 SDO | I2C용 직렬 데이터 주소 |
| 목적 | 사용된 센서 | 작동 전압 | 최대 공급 전류 |
| 팩 전압 및 전류 센서 | 아다프루트 INA219 | 3.0 - 5.5 V | 1mA |
| 배터리 표면 온도 센서 | 아다프루트 PT100 MAX31865 | 3.0 - 3.6 V | 3mA |
| 주변 온도 센서 | 아다프루트 PT100 MAX31865 | 3.0 - 3.6 V | 3mA |
SOH 추정:BMS에서 수집한 전압, 온도 데이터는 컴퓨터로 전송되고, 전류 데이터는 쿨롱 카운팅 방식을 통해 배터리의 충전상태(SOC)를 계산하는 데 사용된다. SOC는 배터리의 공칭 용량, 화학적 조성과 함께 CD Net 모델에 입력되어 배터리의 방전 용량을 예측하고 SOH를 계산합니다. CD Net 모델은 예측을 위해 최적화되고 처리되는 특정 구조와 신경망의 조합을 사용합니다.
| 특성 | 값 |
| 세포화학 | NCA |
| 셀 폼 팩터 | 18650 |
| 공칭 용량 | 3120mAh |
| 공칭 전압 | 3.6 V |
| 표준요금 | CCCV, 1C, 4.2V |
| 표준 방전 | 일정한 충전, 1C, 2.5V |
| 무게 | 46.4 ± 1.5 g |
3. 실험 설정
실험 설정 개요:직렬로 연결된 4개의 18650 Sony VTC 6 배터리로 구성된 배터리 팩은 NCA 화학 시스템을 사용하여 테스트되었습니다. 개별 배터리 및 배터리 팩의 관련 사양이 소개되었습니다.
지상 테스트:새로 개발된 BMS를 전기추진차량에 적용하기 전 성능을 분석하는 것이 목적이다. NEWARE Powerwall CT-4004-20V20A 시스템을 부하로 사용하고, BMS를 배터리 팩에 연결하고 부하하며, 각 배터리 팩의 전압, 전류, 표면 온도를 모니터링하고 BMS로 데이터를 기록합니다. RTD 센서를 배터리 중앙에 배치하고 온도 기록의 일관성을 보장하기 위해 배터리 팩의 방향을 기록합니다. NASA의 소형 위성 인증 실험과 유사한 주기 패턴으로 42번의 충전 및 방전 주기를 수행합니다.
공중 테스트:고속 방전 조건에서 데이터를 수집하기 위해 20 충전 방전 주기 동안 전기 항공기(FLYWOO Explorer 드론)를 사용하여 지상 테스트를 수행한 후 수행되었습니다. 항공기 관련 매개변수 소개, 배터리 팩은 3D 프린팅된 브래킷에 설치되고 BMS는 상단에 있으며 충전 프로토콜은 지상 테스트와 일치하지만 방전 주기는 무작위입니다. 방전 중에 항공기는 지상에서 약 1피트 높이에 있습니다. BMS에 배터리 전압이 10V에 도달했다고 표시되면 방전이 중단되고 차량은 충전 전 0.167시간 동안 정지됩니다.
4. 결과 및 고찰
결과 토론 요약:새로 개발된 BMS(CD Net 모델 예측 포함)를 사용하여 얻은 결과와 주요 결과를 소개합니다. 새로 개발된 BMS는 정적 및 동적 배터리 부하에서 데이터를 수집하고 CD Net과 같은 DL 모델과 원활하게 통합되어 기술 개발에 적응할 수 있는 유연성을 제공합니다.
지상시험 결과
전압 곡선 측정:BMS와 시험장비(BAn)의 42회 충방전 주기의 전압시간 데이터는 유사하다. BMS 데이터는 초기 지연이 있지만 결국 둘 사이의 평균 편차는 0.2V로 수렴됩니다. 방전 곡선의 정전압 부분은 SOH와의 관계를 연구하는 데 사용될 수 있으며, 편차는 데이터 전송 속도와 내부 클럭의 차이로 인해 발생합니다.
전류 곡선 측정:BMS와 BAn의 전류 데이터는 전체적으로 일치하며 방전 및 충전 단계의 전류 변화는 규칙을 따릅니다. 그러나 현재 변환 단계에서 BMS가 데이터를 읽는 데 지연이 있어 약간의 편차가 발생합니다. 큰 편차 데이터 포인트를 제거한 후 평균 편차는 더 작아지고 전류 판독값은 전압 판독값보다 더 정확합니다.
온도 곡선 측정:4개의 배터리 표면 온도를 모니터링하여 충전 및 방전 과정에서 온도가 점차 증가하여 정전류 충전이 끝나면 최고점에 도달하는 것을 확인합니다. 그러면 정전압 충전 및 방전 중에 온도가 변합니다. 배터리 팩의 네 번째 배터리는 온도가 상대적으로 높기 때문에 BMS는 각 배터리의 온도 차이를 감지하고 표시할 수 있습니다. 온도 이상 현상은 배터리 관리에 사용될 수 있습니다.
공중 시험 결과
전류 및 전압 곡선 측정:드론이 비행하는 동안 전류는 무작위로 변경되며 BMS는 고속 방전 전류를 정확하게 기록할 수 있습니다. 방전 전류는 테스트 횟수에 따라 증가하며 방전 과정에서 전압은 16.8V에서 10V로 감소합니다. 전류와 전압은 비행 중 비행 자세 조정에 따라 영향을 받습니다.
온도 곡선 측정:공중 테스트 중 배터리 표면 온도는 지상 테스트보다 높으며 최대 온도는 약 55°C입니다. 충전 과정에서는 온도가 낮아지는 경향이 있으며 방전 과정에서는 온도가 점차 증가합니다. 배터리마다 온도 차이가 있으며 온도 변동은 비행 자세 조정에 영향을 받습니다.
딥러닝 앙상블 결과:지상 테스트에서는 배터리 용량이 점차 감소했으며, CD Net 모델은 5번째 사이클부터 용량을 예측했는데, 이는 BMS가 기록한 쿨롱 카운트 용량과 유사했습니다. 모델의 예측은 비교적 정확했습니다. 항공 테스트 중 쿨롱 계수 용량이 불안정했지만 모델은 여전히 0.046Ah의 평균 차이로 예측할 수 있었습니다. 쿨롱 계수법으로 측정한 용량과 모델의 예측 용량을 비교함으로써 BMS와 DL 모델의 성공적인 통합을 검증했으며, 이는 배터리의 SOH(State of Health)를 예측하는 데 사용할 수 있습니다.
5. 요약
연구 결과 요약:전기 추진 차량의 실제 작동 조건 데이터 수집에는 LIB의 고속 방전과 같은 가혹한 조건에서도 작동할 수 있는 휴대용 BMS가 필요합니다. 본 연구에서는 CAN 버스 및 엣지 컴퓨터 기반의 기존 방식을 대체하여 엣지 및 클라우드 프레임워크를 사용하여 데이터를 기록, 전송 및 수신하고 고속 방전을 처리할 수 있는 새로운 BMS 아키텍처를 제안합니다.
테스트 결과 요약:지상 및 대기 테스트를 실시한 결과, 배터리 표면 온도는 방전 정전류 단계가 끝날 때 가장 높았습니다. 공기 테스트에서 배터리 표면 온도는 더욱 높아 최고 55℃에 육박했다. 온도 상승은 배터리 노후화, SOC 변화 등의 요인으로 발생할 수 있으며, 과도한 온도는 배터리 고장으로 이어질 수 있다. 지상에서 42주기, 공중에서 20주기 동안 표면 온도는 점차 증가했습니다.
모델 예측 결과:CD Net 모델은 수집된 데이터를 사용하여 실제 작동 조건에서 배터리의 상태(SOH)를 예측합니다. 지상 테스트의 다음 주기에 대한 모델의 용량 예측은 평균 편차가 {{0}}.026 Ah로 비교적 정확합니다. 항공 시험 중 용량 변동이 있었지만 예상 평균 차이는 0.046Ah로 BMS는 전류 전압 센서의 임계값 범위 내에서 효과적으로 데이터를 수집할 수 있었습니다.