전기 자동차의 배터리는 배터리 상태 유지 관리의 핵심입니다. 배터리 관리 시스템(BMS)은 상태(SOH)를 평가하여 배터리의 최적 상태를 유지합니다. SOH를 정확하게 식별하면 배터리 교체 시기를 결정하고 배터리 고장을 방지하며 서비스 수명을 연장할 수 있습니다. 이 글은 SOH 매개변수를 식별하여 BMS의 성능을 향상시키는 것을 목표로 합니다. Thevenin 배터리 모델을 기반으로 R{{0}}, Rp 및 Cp와 같은 주요 매개변수를 얻습니다. 두 가지 적응형 알고리즘인 쿨롱 계산과 개방 회로 전압이 매개변수 식별을 완료하는 데 사용됩니다. 두 알고리즘의 오차, 평균절대오차(MAE), 평균제곱근오차(RMSE), 최종 SOH 값을 비교합니다. 본 연구는 추정오차 데이터와 신뢰성 있는 BMS 성능정보 획득에 중점을 두고 있다. 결과는 쿨롱 카운팅 방법이 개방회로 전압 방법에 비해 SOH 추정에서 1.770%의 오차로 작은 오차를 갖는 것으로 나타났다. 최종 SOH 값은 17.33%이며, Thevenin 배터리 모델은 배터리에 대해 0.0451%의 모델링 오차를 가집니다.
1. 소개
전기 자동차 배터리 및 배터리 관리 시스템(BMS):전기 자동차에서 배터리는 엔진과 기타 시스템에 전력을 공급하는 주요 에너지원입니다. 전기차 배터리는 기존 자동차와 달리 상대적으로 용량과 전압이 작아 배터리 모듈에 포장되는 경우가 많다. 배터리 시스템은 BMS에서 관리하는 여러 개의 배터리로 구성됩니다. 그 기능에는 충전 상태(SOC)와 건강 상태(SOH)라는 두 가지 주요 매개변수와 관련된 배터리 작동 시스템 최적화가 포함됩니다. SOC는 전체 용량 대비 남은 용량의 비율이고, SOH는 현재 성능과 새 배터리 성능을 비교한 값으로 직접 측정할 수 없어 추정이 필요한 값이다.
연구 배경 및 관련 방법:SOH(상태 상태)는 배터리 성능과 수명을 정량화할 수 있습니다. 배터리 사용 중에는 품질 저하, 내부 저항 및 용량 매개변수의 변화가 발생할 수 있습니다. SOH 매개변수를 식별하면 배터리의 실제 상태를 파악하고 교체 시간을 권장하며 배터리 수명을 연장하는 데 도움이 됩니다. 현재 SOH(상태 상태) 또는 SOC(충전 상태)를 추정하는 방법은 여러 가지가 있지만 두 가지를 동시에 식별하고 BMS의 계산 부담을 줄이기 위해 적절한 매개변수를 생성하는 방법은 거의 없습니다. 배터리 매개변수를 모니터링하는 알고리즘은 매개변수 변경에 적응하고 배터리 상태를 추정해야 합니다. 방법은 스펙트럼 임피던스 방법, 회로 모델 방정식 방법, 전기화학적 임피던스 모델 방법 등 세 가지 범주로 나눌 수 있습니다.
관련 작업 검토:이전 연구에서는 배터리 매개변수를 식별하기 위해 여러 가지 방법이 일반적으로 사용되었습니다. CC(쿨롱 카운팅) 방식과 OCV(개방 회로 전압) 방식은 전기 자동차 BMS에 널리 사용되며 각각 장점과 단점이 있습니다. CC 방식은 충전 주기 중 전력 손실을 고려하여 배터리의 입출력 용량을 모니터링하여 SOH를 추정하고, 전압 복구를 통해 관련 정보도 제공할 수 있습니다. OCV 방식은 배터리가 완전히 휴식된 후의 전압 균형으로 간주할 수 있으며, BMS 배터리 매개변수 조건을 고려하여 SOH(State of Health)를 추정합니다.
이 연구의 초점은 정확한 SOH 매개변수를 식별하여 배터리 수명을 연장하는 것입니다. 배터리 모델 기반 방법은 SOH 매개변수를 평가하고 식별하는 데 사용됩니다. Thevenin 배터리 모델은 적응형 알고리즘(Recursive Least Squares, RLS)을 통해 R0, Rp 및 Cp 매개변수를 식별하는 데 사용됩니다. 평가 결과를 바탕으로 정확한 SOH 추정치를 얻어 계산 부담을 줄입니다.
연구 기여:배터리 매개변수 테스트 결과는 BMS 시스템 성능을 평가하기 위한 합리적인 추정치와 작은 오류율을 제공합니다. 쿨롱 계산 방식은 배터리 용량을 계산하는 데 편리하며, 충방전 횟수가 증가할수록 배터리 최대 전력은 감소합니다. Thevenin 배터리 모델의 상대 오차는 2% 미만입니다. SOH 추정 정확도 측면에서 CC 방식은 RLS보다 우수하며, CC 방식은 배터리 단자 전압과 SOC를 추정할 수 있는 반면, OCV 방식은 배터리 매개변수만 추정할 수 있습니다.
2. 배터리 관리 시스템
배터리 구성요소(BMS의 기능 및 구성):BMS는 전기차에 탑재되는 수백, 수천 개의 배터리로 구성된 배터리 시스템을 규제하며, 모니터링, 매개변수 추정, 보호, 보고서 제공, 배터리 밸런싱 등 중요한 기능을 갖고 있다. 주요 기능에는 배터리 손상을 방지하고, 적절한 전압 및 온도 범위 내에서 배터리를 작동하며, SOC, SOH, SOF와 같은 시스템 요구 사항을 충족하는 매개변수에서 배터리가 작동하도록 유지하는 것이 포함됩니다. BMS는 센서, 액츄에이터, 컨트롤러로 구성되어 있으며, 전류, 전압, 온도, 페달 등의 센서 신호를 포함하는 입력과 열 관리, 밸런스, 안전 관리, 충전 표시, 오류 경보 및 통신을 위한 모듈을 포함하는 출력으로 구성됩니다. BMS 소프트웨어에는 배터리 매개변수 감지, 추정 및 결함 진단과 같은 여러 기능 모듈이 포함되어 있습니다. 배터리 전압 측정, 매개변수 추정, 밸런싱 및 결함 진단은 BMS의 주요 문제이며, 그 중 배터리 전압 측정은 배터리 직렬 연결로 인한 전압 차이 및 고정밀 요구 사항과 같은 어려움에 직면합니다.
배터리 모델링:이 기사에서는 배터리 모델링을 통해 SOH(상태 상태) 매개변수를 결정하고 입력 배터리 전압, 전류 및 온도 매개변수를 SOH로 변환하여 정확한 추정치를 얻습니다. Thevenin 배터리 모델을 사용하여 배터리 분극 과정의 전압 과도 응답은 배터리의 내부 저항 및 커패시턴스 매개변수를 선택하여 설명됩니다. RLS 알고리즘을 통해 구하고 Thevenin 배터리 모델에 적용한 배터리 모델의 수학적 방정식과 관련 매개변수(Voc, R0, Rp, Cp)에 대한 계산 방법을 제공합니다.
3. 건강 상태 매개변수 결정
건강 상태 매개변수를 식별하는 중요성과 방법:정확한 SOH 매개변수는 BMS 성능에 매우 중요합니다. 본 연구에서는 쿨롱 카운팅을 적응형 알고리즘으로 사용하여 이러한 매개변수를 식별하여 SOH 초기화 값을 얻고 BMS 성능을 평가합니다. Thevenin 배터리 모델은 배터리 모델 매개변수와 OCV-SOC 기능을 결정하는 데 사용됩니다. 구체적인 프로세스에는 배터리 모델에 전류를 입력하고, 단자 전압 데이터를 분석하고, 시간 영역에서 SOC 영역으로 변환하고, OCV-SOC 기능을 얻기 위한 곡선 피팅이 포함됩니다. SOH 추정이 합리적이고 오류율이 작아질 때까지 매개변수 식별 프로세스가 반복됩니다.
OCV-SOC 기능:OCV(SOC)는 Thevenin 배터리 모델을 기준으로 부하를 연결하지 않은 상태에서 배터리의 전압과 배터리 팩을 연결하기 전의 전압을 테스트하여 얻은 소스 전압 매개변수입니다. SOC OCV 곡선은 일정한 부하 테스트 데이터를 사용하여 추정되며 12차 다항식이 적용됩니다. 10차 다항식은 Voc를 추정하는 데 있어 가장 높은 정확도와 가장 작은 RMSE(제곱평균제곱근 오차)를 가지며 이는 SOC 및 OCV 기능의 정확도에 큰 영향을 미칩니다.
R0, Rp 및 Cp 매개변수:Thevenin 배터리 모델은 펄스 테스트를 통해 얻은 SOC의 OCV를 소스 전압으로 필요로 합니다. R{{0}}는 다른 저항보다 큰 값을 갖는 내부 저항입니다. 샘플링 기간 문제로 인해 작은 데이터 변화를 포착하기가 어렵습니다. R0와 SOC 사이의 관계는 2차 다항식 곡선 피팅을 통해 얻어졌으며 평균 R0 값은 0.027735 Ω입니다. R0, Rp 및 Cp는 전압 및 전류 펄스 테스트를 위한 입력 데이터를 제공하고 출력 매개변수 값을 얻습니다.
실험 결과
배터리가 모니터링하는 SOH(State of Health) 매개변수를 분석하여 BMS 성능을 구현하고, 배터리의 단자 전압, 입출구 전류 등 물리적 매개변수 데이터를 얻습니다. 배터리 모델링을 기반으로 매개변수 데이터를 식별하고 배터리 상태 모니터링 및 보호 시스템에 사용합니다. SOH 추정 방법은 옴의 법칙과 쿨롱 계수법을 이용하여 각각 배터리 저항과 용량의 변화를 측정하고, OCV-SOC 관계식에 OCV 값을 대입하여 SOC와 SOH 값을 구하는 방법이다.
정전기 방전 테스트를 진행한 결과, CC 알고리즘은 전류값에 시간을 곱하여 SOH 변화량을 구한 반면, OCV 알고리즘은 배터리 모델의 단자 전압이나 OCV 값을 이용하여 SOH 값을 구한 것으로 나타났다. 두 알고리즘의 SOH 변화 곡선은 유사했습니다. 테스트에서는 배터리 매개변수 식별 결과도 얻었으며 배터리 이완 특성을 매개변수 식별에 사용할 수 있습니다. 테스트 주기가 빠를수록 SOH 추정이 더 정확해집니다. CC 알고리즘은 SOH 초기화에서 OCV 알고리즘보다 우수하여 배터리 내부 저항을 더 잘 이해하고 배터리의 단자 전압 Vt, SOC 및 SOH를 동시에 추정할 수 있으며 추정 오류는 2% 미만입니다.
SOH 매개변수 식별 오류 데이터 중 CC 알고리즘의 평균제곱오차(MSE)는 {{0}}.0111이며, 최종 SOH 값은 17.33%, 오류율은 1.770%, 근은 평균 제곱 오차(RMSE)는 0.0132입니다.
연구결과 논의:CC 및 OCV 알고리즘에 대한 내부 배터리 저항의 영향은 유사하며 CC 알고리즘은 더 작은 오류로 내부 저항을 더 잘 이해할 수 있습니다. CC 알고리즘은 2% 미만의 추정 오차로 배터리의 단자 전압 Vt, SOC 및 SOH를 동시에 성공적으로 추정할 수 있습니다. 방전 테스트에서는 CC 알고리즘이 SOH 초기화에서 OCV 알고리즘보다 더 정확했으며, 추정 평균 제곱 오차(MSE)는 CC 알고리즘의 경우 1.770%, OCV 알고리즘의 경우 3.256%입니다. 이러한 결과는 BMS 평가에서 매개변수 식별을 위한 참고 자료를 제공합니다.
4. 요약
SOH 매개변수 식별을 기반으로 한 BMS의 성능 평가 결과, 쿨롱 계산 알고리즘이 SOH 추정 오차 1.770%, 최종 SOH 값 17.33%로 더 나은 추정 결과를 나타냈습니다. 배터리에 대한 Thevenin 배터리 모델의 모델링 오차는 0.0451%입니다. 두 가지 방법(쿨롱 계산 및 개방 회로 전압)을 사용한 SOH 추정의 정확도 측면에서 쿨롱 계산의 정확도가 더 높습니다. 또한, 배터리 모델링을 기반으로 한 적응형 알고리즘을 통해 배터리의 단자 전압 및 SOH를 추정할 수 있습니다.