검색 상세

딥러닝을 이용한 리튬인산철 배터리의 상태 진단 및 수명 예측

  • 임희성 (아주대학교 일반대학원)

초록/요약

본 논문에서는 딥러닝을 이용하여 리튬 인산철(LiFePO4, LFP) 배터리의 충전상태 (State of Charge, SOC)와 성능상태(Stage of Health, SOH)를 추정하고 상태 진단 및 수명 예측에 활용하는 방법을 제시한다. 리튬 인산철 배터리의 화학적 구조와 전기적 특성을 이론적으로 분석하고 배터리 셀의 충·방전 사이클 실험을 통해 배터리의 충전 상태에 따라 변화하는 전압 데이터를 수집한다. 리튬 인산철 배터리의 실험 데이터는 정전류 간헐적 적정 기법(Galvanostatic Intermittent Titration Technique, GITT)으로 수집하고 개방 회로 전압(Open Circuit Voltage, OCV)과 확산계수 기반으로 충전 상태와 성능 상태를 분석한다. 내부저항(Direct Current Internal Resistance, DCIR)의 변화는 배터리의 상태와 상관관계를 가지며 회귀분석 기반의 추정기법으로 SOC와 SOH를 추 정한다. 또한 배터리의 상태를 동적으로 추정하기 위한 방법으로 등가회로 모델 기 반의 추정 알고리즘을 활용한다. 배터리의 전기적 특성을 단순화한 3-RC등가회로 모델을 매트랩 시뮬레이션을 통해 실제 동작을 모사하고 GITT실험 데이터로부터 파라 미터를 추출한다. 추출된 파라미터는 확장 칼만필터(Extended Kalman Filter, EKF)와 무향 칼만필터(Unscented Kalman Filter, UKF)를 적용하여 SOC 및 SOH를 추정하고 각 각의 결과를 비교 분석한다. 제안하고자 하는 알고리즘은 리튬인산철 배터리 24셀을 직렬 구성한 배터리 팩의 충·방전 데이터를 활용하여 CNN (Convolution Neural Network)과 LSTM (Long Short-Term Memory)의 결합으로 배터리의 상태를 추정하고 수명을 예측한다. CNN은 전압·전류의 입력 값으로부터 이상 셀을 추출하고 LSTM은 시간 종속성과 장기 누적 패턴을 학습하여 배터리의 성능 상태를 예측한다. 예측된 배터리 팩의 상태 데이터는 셀 단위의 실험데이터와 비교하여 정확도를 확인한다. 리튬 인산철 배터리의 실시간 상태 추정 및 고장 예측에 대한 유효성은 시뮬레이션 및 실험을 통하여 검증한다.

more

목차

제 1 장 서론 1
1.1 연구의 배경 1
1.2 연구의 목적 3
제 2 장 리튬인산철 배터리 개요 및 SOC/SOH 6
2.1 리튬 2 차 전지의 구성요소 6
2.2 리튬 2 차 전지의 작동원리 9
2.3 리튬 인산철 배터리의 화학적 구조 12
2.4 리튬 인산철 배터리의 전기적 특성 15
2.5 충전 상태(SOC: State of Charge) 18
2.6 성능 상태(SOH: State of Health) 21
제 3 장 상태진단 기초 기법 24
3.1 간헐적 정전류적정기법(GITT) 24
3.2 DC 내부저항(Direc Current Internal Resistance) 30
3.3 개방회로전압과 DC내부저항의 충전상태와 관계 33
3.4 DC 내부저항과 성능상태의 관계분석 36
3.5 회귀분석을 이용한 충전상태와 성능상태 추정 37
3.5.1 다항회귀분석을 이용한 충전상태 추정 37
3.5.2 선형회귀분석을 이용한 성능상태 추정 40
제 4 장 등가회로 모델 기반 칼만필터 추정 기법 47
4.1 일반적인 등가회로 모델 구조 47
4.2 등가회로 모델의 파라미터 추출 50
4.3 확장 칼만필터 기반의 충전상태 및 성능상태 추정 55
4.4 무향 칼만필터 기반의 충전상태 및 성능상태 추정 60
제 5 장 CNN-LSTM 기반 배터리 상태 추정 기법 67
5.1 배터리 실험데이터 67
5.2 CNN 을 이용한 배터리 이상탐지 69
5.3 딥러닝 기반의 SOH 추정 74
제 6 장 결론 및 요약 82
참고 문헌 84
Abstract 90

more
반출 Meta View 목록