Data Science-Based Full-Lifespan Managementof Lithium-Ion Battery

Published onesixx on

Manufacturing, Operation and Reutilization’

Kailong Liu Yujie Wang Xin Lai

Chapter 4 데이터 과학 기반 배터리 운영 관리 I

배터리 작동 모델링,
배터리 상태 추정,
배터리 수명 예측,
배터리 결함 진단
배터리 충전을 포함하여 배터리 작동 관리의 중요한 부분에 대한 개요

우선 무엇보다, 적절한 배터리 모델을 설정

배터리 전기 모델(작동 모델),
배터리 열 모델
배터리 결합 모델

Battery Electrical Model

  1. 전기화학적 모델 : 배터리 농도의 시공간 동역학, 각 상의 전극 전위, 버틀러-볼머 동역학을 설명할 수 있는 매우 정확한 모델
    모델 시뮬레이션과 배터리 전기화학을 반영하는 수많은 매개변수를 식별하기 위해서는 상당한 계산 작업이 필요하며 이는 실제 배터리 작동 애플리케이션에서 어려운 일입니다
  2. 감소 차수 모델: 전기화학적 모델을 단순화하고, 더 적은 매개변수를 필요로 한다. 감소 차수 모델은 계산 노력이 적고 측정된 배터리 단자 전류 및 전압의 데이터를 기반으로 해당 매개변수를 식별할 수 있습니다. 감소 차수 모델은 계산 노력이 적고 측정된 배터리 단자 전류 및 전압의 데이터를 기반으로 해당 매개변수를 식별할 수 있습니다.
  3. 등가 회로 모델
    구조가 간단하고 필요한 파라미터 수가 상대적으로 적기 때문에 널리 사용
  4. 기계 학습 모델
    사전 지식 없이 배터리 전기 역학을 캡처하기 위해 다양한 기계 학습 기술을 사용하며 그 성능은 실험 데이터 및 교육 솔루션에 따라 다릅니다. 모델링 결과를 개선하기 위해 적응형 데이터 과학 기술을 채택할 수 있습니다

Battery Thermal Model

배터리 열 동작, 특히 온도 변화는 배터리 성능과 서비스 수명에 영향을 미치기 때문에 배터리 작동 관리에 중요한 요소입니다.

배터리 열 역학을 설명하기 위해

  • 열 발생 모델,
  • 열 전달 모델,
  • 차수 감소 열 모델
  • 기계 학습 기반 모델을 비롯한 여러 데이터 과학 모델

​​열 생성 모델은 활성화, 집중 및 옴 손실로 인해 배터리 내에서 불균일한 열 생성을 포착합니다. 등식 (4.1)은 배터리 열 생성을 평가하는 데 사용되는 세 가지 일반적인 방법을 보여줍니다

Guo et al.이 제안한 열전달 모델. [20]은 리튬 이온 배터리 내의 열 및 전류 분포를 조사하는 것을 목표로 하는 3차원 분포 매개변수 모델입니다. 이 모델은 배터리 내부와 외부 모두에서 대류, 전도 및 복사 열 전달 메커니즘을 고려하는 일련의 편미분 방정식으로 설명됩니다. 열전달 모델은 전기화학적 모델과 결합되어 배터리의 열 및 전기화학적 거동을 동시에 시뮬레이션합니다. 결과 모델은 배터리 열 관리 시스템의 설계를 최적화하고 다양한 작동 조건에서 배터리의 온도 변화를 예측하는 데 사용할 수 있습니다.

배터리 발열 모델은 배터리 내에서 불균일하게 분포하는 활성화, 집중 및 옴 손실과 같은 요소를 고려합니다.
배터리의 열 전달에는 대류, 전도 및 열 복사가 포함됩니다. 3차원 분산 매개변수 열 전달 모델 및 1차원 열 전도 열 모델과 같이 배터리 내의 온도 분포를 캡처하기 위해 다양한 모델이 개발되었습니다. 그러나 이러한 모델은 상당한 계산 노력이 필요하며 주로 오프라인 시뮬레이션 조건에서 사용됩니다.

이러한 한계를 해결하기 위해 2단계 배터리 열 모델이 배터리 작동 관리에 널리 사용되었습니다. 이 모델은 관심 방향을 따라 온도 구배를 캡처하고 배터리 내부 및 표면 온도, 주변 온도 및 이러한 온도 사이의 열 전도를 포함합니다. 또한 차수를 줄인 수많은 배터리 열 모델이 배터리 작동 관리를 위한 제어 목적을 달성하도록 설계되었습니다. 이러한 모델은 계산 노력을 줄이고 고차 모델과 유사한 결과를 얻습니다.

Battery Coupled Model

배터리 작동 관리에는 전기 및 열 동작과 같은 다양한 배터리 역학 간의 결합에 대한 포괄적인 이해가 필요합니다.
lump-parameter model  및 distributed-parameter model을 포함하여 이러한 역학을 더 잘 포착하기 위해 다양한 배터리 결합 전열 모델이 제안되었습니다.
예를 들어, Goutam et al. 2D 전위 분포 모델과 3D 온도 분포 모델을 통합하여 배터리 충전 상태(SoC)를 예측하고 발열량을 계산하는 3차원 전열 모델을 제안했습니다. 이 결합 모델은 정전류 및 동적 전류에서 SoC와 온도 분포를 모두 효과적으로 얻을 수 있습니다.
또 다른 예는 Zhao et al.에 의해 제안된 축소 차수 전열 모델입니다. 낮은 온도에서 다양한 양극재를 사용하는 배터리에 대한 빠른 가열 및 최적의 충전 방법을 개발할 수 있을 만큼 정확합니다.
또한, Basu et al. 냉각수 유량 및 방전 전류와 같은 다양한 배터리 작동이 배터리 온도 변화에 미치는 영향을 분석하기 위해 3차원 기능을 갖춘 결합 전열 모델을 개발했습니다. 이 모델은 또한 접촉 저항이 배터리 온도에 영향을 미치는 데 중요한 역할을 한다는 것을 보여주었습니다.

Battery State Estimation

Battery SoC Estimation

SoC (State of Charge, 충전 상태)는 다양한 형태로 표현될 수 있는 배터리 관리 시스템에서 중요한 요소입니다.

  • SoC는 배터리의 가용 용량(Ca)을 배터리에 저장할 수 있는 최대 충전량인 공칭 용량(Cn)의 백분율로 나타냅니다.
    SoC는 연료 차량 탱크의 연료 게이지와 같습니다. 배터리 SoC의 일반적인 정의는 충전 시 양수이고 방전 시 음수인 전류 I를 고려합니다.
  • SoC는 공칭 용량과 쿨롱 효율의 곱에 대한 시간 경과에 따른 전류 적분의 비율로 표현됩니다.
    쿨롱 효율은 원래 용량을 복구하는 데 필요한 충전된 에너지에 대한 완전히 방전된 에너지의 비율을 반영합니다.

전기화학적 관점에서 SoC는 전극 입자에 포함된 전하를 나타내며, 전극 입자 내의 리튬 농도 분포를 반영합니다.
평균 리튬 농도 Cs는 SoC를 계산하는 데 사용할 수 있습니다. 여기서 Cs(t)는 시간 t에서의 평균 표면 리튬 이온 농도이고 Cs,min 및 Cs,max는 완전히 충전 및 방전할 때 표면 리튬 이온 농도를 나타냅니다. 각각 배터리.

배터리 작동 중 남은 가용 에너지를 나타내기 위해, 배터리 관리에 정확한 SoC 정보가 필요합니다.
Coulomb 카운팅은 실험실 조건에서 알려진 초기 SoC 값을 기반으로 참조 배터리 SoC를 측정하는 잘 제어된 접근 방식입니다. 그러나 실제 애플리케이션에서는 복잡한 배터리 전기화학 역학 및 강하게 결합된 특성으로 인해 SoC를 직접 측정하기가 어렵습니다.
따라서 실시간으로 신뢰할 수 있는 배터리 SoC 추정이 중요하며 데이터 과학에서 상당한 연구 노력이 필요합니다.

Data Science-Based SoC Estimation Methods

효율적인 운영 관리를 위해 배터리의 충전 상태(SoC)를 추정하기 위해 다양한 데이터 과학 기반 방법이 개발되었습니다. 이러한 방법은 직접 계산 방법, 모델 기반 방법 및 기계 학습 방법의 세 가지 주요 범주로 나뉩니다.

직접 계산 방법

미리 정의된 룩업 테이블을 사용하여 개방 회로 전압(OCV) 및 임피던스와 같은 배터리 요소 데이터를 기반으로 SoC를 추정합니다. 또는 쿨롱 계산 방식을 사용하여 배터리 공칭 용량과 정확한 전류 프로파일을 기반으로 SoC를 추정합니다. 이러한 방법은 구현하기 쉽지만 배터리 작동 관리 중에 어려울 수 있는 배터리 팩터의 정확한 측정이 필요합니다.

모델 기반 방법

배터리 전기화학 모델(EM) 또는 등가 회로 모델(ECM)을 사용하여 배터리 메커니즘을 설명하고 쉽게 수집된 전류 또는 전압 데이터를 기반으로 SoC를 추정합니다.
EM 기반 방법은 정확한 SoC 추정을 제공하지만 많은 매개변수와 편미분 방정식으로 인해 많은 계산 부담이 필요합니다.
반면 ECM 기반 방법은 비교적 단순하지만 추정 오류를 줄이기 위해 주기적으로 매개변수를 보정해야 합니다.

기계 학습 방법

배터리 전기화학 메커니즘에 대한 깊은 이해가 필요하지 않으며 유연하고 고도의 비선형 피팅 능력을 제공할 수 있습니다. 신경망(NN) 및 지원 벡터 머신(SVM)과 같은 기술이 SoC를 추정하는 데 사용되었습니다.
그러나 이러한 방법에는 과적합 문제를 피하기 위해 적절한 최적화 전략과 고품질 데이터가 필요합니다.

전반적으로 각 방법에는 고유한 장점과 한계가 있으며 적절한 방법의 선택은 특정 응용 프로그램과 사용 가능한 리소스에 따라 다릅니다.

Case Study: Battery SoP Estimation with Multi-constrained Dynamic Method

이 하위 섹션에서는 데이터 과학을 사용하여 리튬 이온 배터리의 전력 상태(SoP)를 추정하는 방법을 설명합니다. 이 방법은 단자 전압, 전류, 충전 상태(SoC) 등 배터리 성능에 영향을 미칠 수 있는 여러 요인을 고려하고 실시간으로 배터리의 SoP를 예측하는 동적 접근 방식을 사용합니다. 이 방법은 또한 전기화학적 동역학, 열역학 및 히스테리시스 효과를 포함한 배터리의 동적 응답 특성을 고려합니다. 배터리의 피크 전력 용량을 정확하게 추정하려면 전압, 전류, SoC 및 정격 전력과 같은 여러 제약 조건을 고려해야 합니다. 이러한 제약 조건은 최대 충전 및 방전 전류, 최대 및 최소 차단 전압, 배터리의 남은 가용 용량의 형태로 표현됩니다.

Categories: battery

onesixx

Blog Owner

Subscribe
Notify of
guest

0 Comments
Inline Feedbacks
View all comments
0
Would love your thoughts, please comment.x
()
x