note

팩에서 부하 current 뽑는 방법

배터리 모델링

ECM equivalent circuit model

상태추정, 열관리,

A comprehensive equivalent circuit model for lithium-ion batteries, incorporating the effects of state of health, state of charge, and temperature on model parameters

요약
등가 회로 모델(ECM)은 배터리 관리 시스템(BMS)에서 리튬 이온 배터리(LIB)를 모니터링하고 제어하는 데 자주 사용되는 배터리 모델입니다. 따라서 ECM의 정확성과 복잡성은 매우 중요합니다.
충전 상태(SOC)와 온도는 ECM의 파라미터에 영향을 미치는 것으로 알려져 있으며, 모델에 효과적으로 통합되어 있습니다. 그러나 이러한 매개변수에 대한 SOH의 영향은 널리 조사되지 않았습니다.
SOH가 ECM 파라미터에 미치는 영향을 잘 이해하지 못하면, 파라미터 식별은 보정을 통해 수동으로 수행해야 하므로 비효율적입니다.
이 연구에서는 SOC와 온도의 영향과 더불어 SOH가 Thevenin ECM 파라미터에 미치는 영향을 조사하기 위해 실험을 수행했습니다.
그 결과 SOH가 감소함에 따라 ohmic resistance (오믹 저항)과  polarization resistance(분극 저항)은 증가하는 반면 polarization capacitance(분극 커패시턴스)는 감소하는 것으로 나타났습니다.
또한 SOH, SOC, 온도가 ECM 파라미터에 미치는 영향을 나타내는 경험적 모델도 제안되었습니다.
이 모델을 실험적으로 검증한 결과 좋은 결과를 얻었으며,  Thevenin model테베닌 모델의 정확도를 크게 향상시키는 것으로 나타났습니다. 이 모델은 복잡성이 낮고 정확도가 높기 때문에 실제 BMS 애플리케이션에 쉽게 통합할 수 있습니다.

Introduction
최근 몇 년 동안 충전식 고성능 배터리에 대한 수요가 급증했습니다. 리튬이온 배터리(LIB)는 모든 배터리 유형 중에서 가장 많은 관심을 받고 있습니다. 2018년 미국에서는 대규모 배터리 저장 전력 용량의 90% 이상이 LIB에 의해 공급되었습니다[1].
전력 용량의 기하급수적인 증가도 보고되었는데, 2018년 말까지 125개의 에너지 저장 시스템이 총 869MW를 저장하여 2015년의 두 배에 달하는 수치를 기록했습니다. LIB는 전기자동차(EV)와 같은 대형 제품부터 스마트폰과 같은 소형 휴대용 기기에 이르기까지 다양한 애플리케이션에 사용되고 있습니다[2]. 기후 변화의 영향이 악화됨에 따라 이산화탄소 배출을 줄이기 위해 지난 10년 동안 전기차에 대한 수요가 급격히 증가했습니다[3]. 또한, 청정 에너지 시스템도 일부 상황에서 과잉 전력을 생산할 수 있는 모호함에서 벗어나고 있습니다. 이러한 경우, 추가 청정 에너지를 저장하고 필요할 때 그리드에 다시 방출하기 위해 배터리가 필요합니다[4]. LIB는 높은 에너지 밀도, 높은 전력 밀도, 긴 사이클 수명, 낮은 자가 방전율, 작은 크기, 가벼운 무게, 빠른 충전 기능, 넓은 온도 범위 등 다양한 장점을 가지고 있기 때문에 에너지 저장 시스템의 미래에 중요한 역할을 할 것입니다[5]. LIB에 대한 관심이 증가함에 따라 일부 연구자들은 양극과 음극에 서로 다른 재료를 사용하여 에너지 밀도를 더욱 높이고 비용을 낮추어 배터리 기술을 더욱 발전시킬 수 있었습니다 [6], [7], [8], [9].

실제 애플리케이션에서, 배터리 모델은 working voltage, power, and energy capability (작동 전압, 전력, 에너지 용량)을 예측하여 안정적인 성능과 안전을 보장하는 데 사용됩니다[10].
무엇보다도 배터리 모델은 작동 중인 배터리 팩의 상태(SOH) 및 충전 상태(SOC)와 같은 배터리 상태 예측을 위한 정확한 알고리즘을 개발하는 데 매우 중요합니다[11].
모델 예측은 일반적으로 안정적인 배터리 작동을 보장하는 고효율 추정 방법을 제공하기 위해 임베디드 배터리 관리 시스템(BMS) 내에서 실행됩니다. 전기차와 같은 애플리케이션에서 BMS는 애플리케이션 관련 부하 및 스트레스 요인의 모델링을 기반으로 런타임 동안 안전을 보장하고 성능을 개선합니다[12]. 또한, 상태 진단 모델을 사용하여 LIB의 수명을 예측하고 차량 사용의 신뢰성을 높이며 오작동과 치명적인 고장을 방지합니다[13].

배터리 상태를 파악하는 일은 결코 간단하지 않습니다.
최근 몇 년 동안 electrochemical models(전기화학 모델)과 equivalent circuit models(등가 회로 모델)에서 신경망 기반 접근 방식에 이르기까지 다양한 배터리 상태 추정 방법이 문헌에 제안되었습니다.
– 등가 회로 모델(ECM)은 빠른 실행 시간, 단순성, 상대적으로 높은 정확도로 인해 많은 배터리 애플리케이션에서 사용되고 있습니다[14]. 그러나 ECM은 배터리가 작동 한계에 다다르면 더 넓은 범위의 작동 조건에서 모델 외삽이 제대로 이루어지지 않는 문제가 있어 높은 전류율을 요구하거나 매우 낮은 온도에서 작동하는 애플리케이션에는 자주 사용되지 않습니다 [15].
– 전기화학 배터리 모델은 더 정확한 경우가 많지만 많은 양의 컴퓨팅 성능을 요구하므로 많은 실시간 애플리케이션에 적합하지 않습니다. 전기화학적 모델과 ECM 외에도 최근에는 두 모델을 결합하여 배터리 상태와 고장 상태를 나타내는 기능을 통해 계산적으로 효율적인 고급 배터리 관리 알고리즘을 개발하는 추세가 있습니다 [16,17]. 현재 데이터 저장 및 연산 능력의 한계로 인해 BMS에 사용되는 기존 배터리 모델 중 등가 회로 모델(ECM)이 가장 널리 사용되고 있습니다. 간돌포 등[18]은 단순한 1저항 ECM에서 채택한 전기적 파라미터를 빠르게 식별할 수 있는 동적 추정 모델을 도출하여 리튬 폴리머 배터리의 SOC를 예측하는 데 사용했습니다. Dey 등[19]은 전기화학 모델 파라미터와 전극 내부의 온도 상태를 동시에 추정하는 비선형 적응형 관찰자 방식을 제안하여 배터리 셀의 SOC와 SOH를 예측했습니다. Tran 등[20]은 테베닌 ECM을 활용하여 BMS의 센서 결함을 감지하는 실시간 진단 알고리즘을 도출했습니다. Gao 등[21]은 LIB의 상태를 파악하기 위해 ECM과 대류 열 모델로 구성된 하이브리드 모델을 제안했습니다. Plett 등[22]은 ECM과 칼만 필터 옵저버를 통해 LIB 셀의 SOC를 추정하는 접근 방식을 개발했습니다.

배터리의 동적 동작을 모델링할 때 정확성과 복잡성은 두 가지 중요한 요소입니다.
ECM은 이 두 가지 요소를 효과적으로 충족할 수 있는 잠재력을 가지고 있습니다.
이 모델은 세 가지 주요 구성 요소로 구성됩니다.
– SOC의 함수인 개방 회로 전압(OCV)과 같은 배터리 화학의 열역학적 특성을 나타내는 구성 요소,
– cell internal impedance(셀 내부 임피던스)동작의 운동학적 측면을 나타내는 구성 요소,
– 충전 또는 방전 절차를 위한 회로를 완성하기 위한 소스 또는 부하[23]
ECM 파라미터에는 일반적으로 내부 ohmic resistance(오믹 저항, 옴저항)과 하나 이상의 RC (resistor-capacitor 저항-커패시터) 쌍이 포함됩니다. 가장 단순한 모델은 내부오믹 저항만 고려하기 때문에 작동 중 배터리 역학을 정확하게 나타내지 못합니다[24,25]. 따라서 내부 옴 저항과 결합할 추가 RC 쌍이 하나 더 있는 테베닌 ECM은 정확성과 단순성 사이의 균형이 잘 맞기 때문에 널리 사용됩니다.
ECM 파라미터는 종종 다양한 SOC 값에서 HPPC(hybrid pulse power characterization) 테스트를 사용하여 추정됩니다[26]. 온도 및 SOC와 같은 일부 요인이 이러한 파라미터에 영향을 미칠 수 있습니다.
예를 들어, 온도가 상승하면 특정 LIB 화학에서 OCV가 높아질 수 있고, SOC가 감소하면 전하 이동 저항이 낮아져 궁극적으로 ECM 파라미터에 영향을 미칠 수 있습니다[11].

LIB를 지속적으로 사용하면 활성 물질의 손실 또는 고체 전해질 간상 형성으로 인한 성능 저하가 발생하여 시간이 지남에 따라 SOH가 감소할 수 있습니다 [27], [28], [29].
BMS 알고리즘에서 ECM 파라미터에 대한 SOH의 가능한 영향을 이해하고 포함시킴으로써 BMS는 배터리의 성능, 신뢰성 및 안전성을 개선할 수 있습니다[30]. ECM 파라미터의 온라인 추정을 가능하게 하는 몇 가지 방법이 있습니다 [31], [32], [33]. 그러나 이러한 방법은 배터리 성능 저하나 센서 결함을 고려하지 않아 추정 값의 정확성과 궁극적으로 BMS의 신뢰성에 영향을 미칠 수 있습니다.
Lai 등[34]은 한 번에 한 가지 요인 방법을 사용하여 LIB에 대한 ECM 파라미터의 민감도 분석을 수행했습니다. 이 분석은 온도 분석을 제외하면서 다양한 SOC 및 SOH 범위에 대해 수행되었습니다. 고메즈 등[35]은 다양한 SOC 값에서 20~50ºC의 온도 범위에서 SOC와 온도가 ECM 파라미터에 미치는 영향을 조사했습니다. 이러한 효과를 ECM에 통합하기 위해 간단한 모델을 제안했습니다. 예측된 모델 파라미터는 실험 데이터와 비교했을 때 5%의 낮은 분산을 보였으며, 따라서 제안된 모델이 실험 값과 통계적으로 잘 일치하는 것으로 나타났습니다. 그러나 ECM 파라미터와 세 가지 지표(SOH, SOC, 온도)를 모두 합친 관계는 문헌에서 충분히 연구되지 않았습니다. 또한, 배터리 노화의 영향을 포함하는 ECM의 형태도 문헌에서 제안된 적이 없습니다. 이 논문은 SOH, SOC, 온도가 ECM 파라미터에 미치는 영향을 조사하여 그 결과를 제시합니다. 또 다른 기여는 이러한 효과를 테베닌 ECM에 통합하여 정확도와 신뢰성을 향상시켜 실제 애플리케이션을 위한 BMS에서 사용할 수 있는 실증적 모델을 제안한 것입니다. 제안된 모델의 또 다른 중요한 장점은 다양한 SOH 수준과 온도에서 LIB를 시뮬레이션할 수 있어 다른 고급 BMS 알고리즘을 개발 및 테스트하거나 에너지 저장 시스템 설계 고려 사항을 식별하는 데 사용할 수 있다는 것입니다. 백서의 나머지 부분은 다음과 같이 구성됩니다. 섹션 2에서는 실험 설정 및 절차에 대해 설명합니다. 섹션 3에서는 ECM 파라미터 특성화 결과를 분석하고 제안된 경험적 모델을 소개합니다. 섹션 4에서는 제안된 모델의 검증 결과를 제시하고, 섹션 5에서는 결론을 내립니다.

Equivalent circuit model

등가 회로 모델, 테베닌 ECM은 그림 3에 나와 있습니다.
이 모델은 전류에 대한 반응으로 배터리 전압을 계산하는 데 사용됩니다.
OCV는 배터리 SOC와 상관관계가 있는 이상적인 전압 소스로 표시됩니다.
R0은 배터리의 옴 저항을 나타내며, 병렬 RC 네트워크(R1 및 C1)는 전극에서 계면 전하 전달 반응으로 인한 배터리의 과도 동작을 나타냅니다. R1과 C1의 곱은 RC 쌍의 시간 상수를 나타냅니다.

https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=10287336