확률적 머신러닝 모델기반의 리튬이온배터리 파라미터 추정 알고리즘

김민호; 송민석; 임정택; 함경선; 이도헌; 김태형

doi:10.5855/ENERGY.2024.33.1.081

추천

검색

질문

자료유형: 학술저널

저자정보: 김민호 (한국전자기술연구원) 송민석 (한국전자기술연구원) 임정택 (한국전자기술연구원) 함경선 (한국전자기술연구원) 이도헌 (제주테크노파크) 김태형 (한국전자기술연구원)

저널정보: 한국에너지학회 에너지공학 에너지 공학 제33권 제1호 (통권 제117호)

발행연도: 2024.3

수록면: 81 - 89 (9page)

DOI: 10.5855/ENERGY.2024.33.1.081

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

본 연구에서는 새로운 리튬이온배터리 성능 열화 모델과 확률적 머신러닝 모델기반의 리튬이온배터리 파라미터 추정 방법을 제안하였으며 실제 배터리 열화 싸이클 실험 데이터를 통해 검증이 이루어졌다. 제안된 확률적 머신러닝 모델기반의 파라미터 추정 방법은 다른 방법들과 비교하여 더 적은 배터리 모델 구동 시간이 요구되어 효율적인 파라미터 추정이 가능하다. 리튬이온배터리 성능 열화 모델은 등가회로 기반의 모델이지만 다양한 전기화학적인 현상을 반영하고 있으며 여기에는 SEI(Solid electrolyte interphase) 층 형성을 포함한 음극 활물질 표면의 부반응, 기계적 응력(stress)으로 인한 양극활물질의 피로 파괴에 의한 양극 활물질의 손실이 포함되며 이에 따라 순환할 수 있는 리튬(Cyclable Lithium) 양의 감소도 모델에 반영되어 있다. 리튬이온배터리 모델의 파라미터를 추정하는 방법의 경우 전압, 전류와 같이 센싱 가능한 데이터로부터 배터리 모델 파라미터를 추정할 수 있는 확률적 머신러닝 모델을 개발하여 앞서 개발한 성능 열화 모델로 생성한 가상 실험 데이터로 학습을 시키고 이 학습된 모델을 바탕으로 최적의 배터리 모델 파라미터를 찾는 기술을 제안하였다. 개발된 성능 열화 모델과 파라미터 추정 방법은 실제 실험 데이터를 바탕으로 검증되었으며 배터리 내부를 관측하는 것은 불가능하므로 배터리 파라미터에 대한 정답을 얻을 수 없으므로 전압과 온도의 오차를 통해 간접적으로 모델과 파라미터 추정 알고리즘의 성능을 검증하였다. 검증 결과 전압과 온도의 오차는 각각 0.676%, 0.207 %로 나타났다.

#리튬이온배터리 #성능 열화 모델 #확률적 머신러닝 모델 #파라미터 추정 방법 #열화 싸이클 #실험 데이터 #Lithium-ion battery #Performance degradation model #Probabilistic machine learning model #Parameter estimation method #Degradation cycle experiment data

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요