신경망 모델 뱅크를 기반으로 하는 리튬 배터리의 온라인 충전 상태 및 건강 상태 추정 방법 및 시스템

SOH 추정 결과로 신경망 모델을 스위칭하는 열화 적응형 SOC 추정

본 기술은 전압, 전류, 온도, 동작시간 등 배터리의 실시간 운전 데이터를 입력으로 삼아 먼저 현재 건강 상태(SOH)를 추정하고, 그 SOH에 최적화된 신경망 모델을 모델 뱅크에서 골라 충전 상태(SOC)를 정밀하게 추정하는 기술입니다.

쿨롱 카운팅이나 단순 확장 칼만 필터(EKF) 같은 기존 SOC·SOH 추정 방식은 배터리 열화에 따른 특성 변화를 유연하게 반영하지 못했습니다. 또한 특정 운전 조건에서는 모델 정확도가 급격히 떨어지는 한계가 존재했습니다.

본 기술은 정상, 주의, 결함 등 건강 상태별로 사전 학습된 복수의 신경망 모델(MNN 또는 LSTM)로 신경망 모델 뱅크를 구축하고, SOH 추정 결과에 맞춰 가장 적합한 모델을 동적으로 선택·전환해 SOC를 산출하도록 구성됩니다. 전기차 BMS, 노후 배터리를 재사용하는 ESS, 드론·로봇용 배터리 팩의 온라인 진단 등에 적용될 수 있어 사용 연한이 쌓일수록 벌어지던 잔량 표시 오차를 줄이고 교체 시점을 보다 정확히 판단할 수 있습니다.

‍

‍

Key Features:

• 초기에는 초기 SOC를, 이후에는 이전 추정 SOC를 받아 동작시간, 전압, 전류, 온도와 함께 출력하는 데이터 관리부
• 데이터 관리부 출력 데이터를 받아 신경망 모델로 리튬 배터리의 SOH를 추정하는 SOH 추정부
• 건강 상태별로 다르게 학습된 신경망 모델 뱅크 중 추정 SOH에 대응하는 모델을 선택해 SOC를 추정하는 SOC 추정부
• 복수 신경망 모델이 추정한 SOC들의 평균값을 산출해 데이터 관리부의 초기 SOC로 제공하는 평균산출부

‍