[go: up one dir, main page]

KR100916510B1 - 조인트 배터리 상태와 파라미터 추정 시스템 및 방법 - Google Patents

조인트 배터리 상태와 파라미터 추정 시스템 및 방법 Download PDF

Info

Publication number
KR100916510B1
KR100916510B1 KR1020077015007A KR20077015007A KR100916510B1 KR 100916510 B1 KR100916510 B1 KR 100916510B1 KR 1020077015007 A KR1020077015007 A KR 1020077015007A KR 20077015007 A KR20077015007 A KR 20077015007A KR 100916510 B1 KR100916510 B1 KR 100916510B1
Authority
KR
South Korea
Prior art keywords
prediction
internal
increased state
uncertainty
state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Lifetime
Application number
KR1020077015007A
Other languages
English (en)
Other versions
KR20070088761A (ko
Inventor
그레고리 엘 플레트
Original Assignee
주식회사 엘지화학
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 엘지화학 filed Critical 주식회사 엘지화학
Priority to KR1020077015007A priority Critical patent/KR100916510B1/ko
Publication of KR20070088761A publication Critical patent/KR20070088761A/ko
Application granted granted Critical
Publication of KR100916510B1 publication Critical patent/KR100916510B1/ko
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/44—Methods for charging or discharging
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

전기화학셀의 증가된 상태를 예측하는 방법 및 장치에 관한 것으로서, 상기 셀의 적어도 하나의 내부 상태 값과 적어도 하나의 내부 파라미터 값을 포함하는 내부 증가된 상태 예측을 수행하는 단계; 상기 내부 증가된 상태 예측의 불확실성 예측을 수행하는 단계; 상기 내부 증가된 상태 예측과 상기 불확실성 예측을 보정하는 단계; 및 상기 증가된 상태에 대해 진행하는 추정과 상기 증가된 상태 추정에 대해 진행하는 불확실성을 산출하도록 상기 내부 증가된 상태 예측을 수행하는 단계, 상기 불확실성 예측을 수행하는 단계 및 상기 보정하는 단계를 반복하는 알고리즘을 적용하는 단계를 포함한다.
전지화학셀, elctrochemical cell, 충전상태, SOC, state, parameter, internal augmented state

Description

조인트 배터리 상태와 파라미터 추정 시스템 및 방법{Method and system for joint battery state and parameter estimation}
본 발명은 디지털 필터링 기법 특히, 조인트(joint) 칼만 필터링(kalman filtering)과 조인트(joint) 확장 칼만 필터링(extended kalman filtering)을 이용한 배터리 팩 시스템의 상태와 파라미터의 추정(estimation)을 위한 장치 및 방법에 관한 것이다.
재충전 가능한 배터리 팩 기술 분야에 있어서, 직접적으로 측정가능하지는 않으나, 현재 배터리 팩 상태를 나타낼 수 있는 양적 요소(quantities)를 추정할 수 있는 것이 어떤 응용례에서 요구된다. 이러한 양적 요소 중 일부는 상기 팩의 충전상태(SOC, State Of Charge)와 같이 급속히 변화될 수 있으며, 전체 영역범위를 수 분내에 선회할 수도 있다. 다른 일부는 셀 용량(cell capacity)과 같이 아주 천천히 변화될 수 있으며 10년 이상의 통상적인 사용으로 20% 정도의 작은 범위에서 변화될 수 있다. 급속히 변화하는 경향이 있는 양적 요소(quantities)는 시스템의 상태를 구성하고, 느리게 변화하는 경향이 있는 양적 요소(quantities)는 시스템의 시변(time varying) 파라미터를 구성한다.
배터리 시스템 분야, 특히 예를 들어, 이종 전기 수송수단(Hybrid Electric Vehicle: HEV), 배터리 전기 수송 수단(Battery Electric Vehicle: BEV), 랩탑 컴퓨터 배터리, 이동가능한 장비 배터리 팩 등과 같이 배터리 수명에 악영향을 주지 않고 가능하면 활발히 긴 시간 동안 작동할 필요가 있는 것들에서, 얼마나 많은 배터리 에너지가 현재 작동할 수 있는지 등을 추정하는데에는 급변하는 파라미터(예를 들어, SOC)들에 대한 정보가 사용되는 것이 바람직하다. 또한, 유용한 서비스 시간을 확장하면서 팩의 수명기간 동안 선행 연산(prior calculations)들을 정확히 유지하고 팩의 건강상태(state of health: SOH)을 판단하는 데 도움을 주기 위해서는 완변(slowly varying)하는 파라미터(예를 들어, 전체 용량)에 대한 정보를 확인하는 것이 바람직하다.
SOC(급변하는 양적 요소), 전력 감퇴(power-fade) 그리고 용량 감퇴(capacity-fade)의 세 개의 양적요소(quantities)을 예측하는데 일반적으로 관계되는 셀 상태 예측의 현존하는 다양한 방법들이 있다. 예를 들어, 다른 방법들 또한 사용될 수 있다고 하더라도, 전력 감퇴는 현재와 초기 팩 전기 저항들을 알고 있으면 계산될 수 있으며, 용량 감퇴는 현재와 초기 팩 전체 용량을 알고 있으면 계산될 수 있다. 전력과 용량 감퇴는 흔히 건강상태(state of health:SOH)의 표현으로 나타낸다. 어떤 주워진 시간에서의 팩으로부터 이용가능한 최대 전력과 같은 이러한 변수들의 값을 사용하여 다른 정보가 유추될 수 있다. 추가적인 상태 요소들(members)과 파라미터들 또한 특정한 응용에 필요할 수 있으며, 개별적인 알고리즘은 각각의 것을 알아내기 위하여 전형적으로 요구된다.
전형적으로 퍼센트로 표현되는 SOC는 현재 동작 가능한 셀 용량의 일부를 나 타낸다. SOC를 추정하는 다른 많은 접근방법들이 채용되고 있는데, 방전 테스트, 암페어-아워 카운팅(쿨롬 카운팅), 개회로(open-circuit) 전압 측정, 선형 및 비선형 회로 모델링, 임피던스 분광(impedance spectroscopy), 내부 저항 측정, coup de fouet 그리고 칼만 필터의 여러 형태 등이 있다. 방전 테스트는 SOC를 결정하기 위하여 셀을 완전히 방전시켜야 한다. 이 테스트는 테스트가 진행되는 동안 시스템 기능을 중단시키며, 많은 경우에 유용하지 않으며 과도하게 시간을 소모시킬 수 있다. 암페어-아워 카운팅은 일종의 개루프(open-loop) 방법론이며, 축적된 측정 오차에 의하여 이것의 정확성은 시간이 갈수록 낮아진다. 전해질의 측정은 배기식 납축 전지(vented lead-acid batteries)의 경우에 실행가능하므로 제한된 활용성을 가진다. 개회로 전압 측정은 확장된 셀 비활성 기간 후에만 수행될 수 있으며, 무시가능한 히스테리시스 효과를 가지는 셀에 대해 수행될 수 있고, 동적 상태에서는 동작하지 않는다. 선형 및 비선형 회로 모델링 방법은 직접적으로 SOC를 산출하지 않는다. SOC는 계산된 값으로부터 추론되어야 한다. 임피던스 분광은 일반적인 응용에 항상 유용하지는 않은 측정을 필요로 한다. 내부 저항 측정은 측정 오차에 아주 민감하고, 일반적인 응용에 유용하지 않은 측정을 필요로 한다. coup de fouet은 단지 납축전지에만 동작한다. 필터 상태로 SOC를 사용하지 않는 칼만 필터링의 형태는 추정에 대한 오차 범위(error bound)를 직접적으로 산출하지 않는다. 미국 특허 6,534,954호에 개시되어 있는 다른 방법에서, 필터, 바람직하게 칼만 필터가 셀 다이나믹스(cell dynamics)와 셀 전압, 전류 및 온도의 측정에 대한 알려져 있는 수학적 모델을 채용함으로써 SOC를 추정하는데 이용된다. 이 방법은 상태 값을 직접적으로 추정한다. 그러나, 파라미터 값들은 다루지 않는다.
SOC 뿐만 아니라 SOH에 대한 지식이 요구된다. 이 분야에서 전력 감퇴(power fade)는 셀 수명에 따라 셀 전기저항이 증가하는 현상에 관한 것이다. 이 증가하는 저항은 셀에 의하여 공급근원이 되는 전력이 떨어지도록 한다. 용량 감퇴(capacity fade)는 셀 수명에 따라 셀의 전체 용량이 감소하는 현상에 관한 것이다. 셀의 저항과 용량 모두 시변(time varying) 파라미터이다. 종래기술은 SOH의 추정에 대한 다음의 다른 접근방법 즉, 방전 테스트, 화학 의존적 방법(chemistry-dependent methods), 옴 테스트(ohmic tests) 그리고 부분 방전을 이용한다. 방전 테스트는 셀의 전체 용량을 결정하기 위하여 완전히 충전된 셀을 완전히 방전시킨다. 이 테스트는 시스템 기능을 중단시키고, 셀 에너지를 낭비하게 한다. 화학 의존적 방법은 플레이트 부식, 전해질 밀도의 수준을 측정하는 것을 포함한다. coup de fouet는 납축 전지에 이용된다. 옴 테스트는 저항, 컨덕턴스, 임피던스 테스트를 포함하는데, 퍼지 로직(fuzzy-logic) 알고리즘 및/또는 신경망(neural networks)과 경우에 따라 연계된다. 이러한 방법들은 침습성의 측정들을 필요로 한다. 부분적 방전과 다른 방법들은 양질의 셀 또는 양질 셀의 모델과 실험 대상 셀을 비교한다.
셀의 상태와 파라미터를 동시적으로 추정하는 방법에 대한 필요성이 있다. 더욱이, 시스템 기능을 중단시키지 않고, 에너지를 낭비하지 않는 테스트, 일반적 적용(예를 들어, 셀 전기화학의 다른 타입, 다른 응용예)이 가능한 방법, 침습적인 측정과 상당히 가혹한 접근이 요구되지 않는 방법에 대한 필요성이 있다. 예를 들어 셀의 저항과 용량과 같은 시변 파라미터들을 자동적으로 추정하는 방법과 장치 에 대한 필요성이 있다. 배터리 팩에서의 병렬 및/또는 직렬 셀의 다른 구성에 동작할 수 있는 방법에 대한 필요성이 있다.
전기화학셀의 증가된(augmented) 상태를 추정하는 일 측면에 의한 방법은, 상기 셀의 적어도 하나의 내부 상태 값과 적어도 하나의 내부 파라미터 값을 포함하는 내부 증가된 상태 예측(internal augmented states prediction)을 수행하는 단계; 상기 내부 증가된 상태 예측의 불확실성 예측을 수행하는 단계; 상기 내부 증가된 상태 예측과 상기 불확실성 예측를 보정하는 단계; 및 상기 증가된 상태에 대해 진행하는 추정과 상기 증가된 상태 추정에 대해 진행하는 불확실성을 산출하도록, 상기 내부 증가된 상태 예측을 수행하는 단계, 상기 불확실성 예측을 수행하는 단계 및 상기 보정하는 단계를 반복하는 알고리즘을 적용하는 단계를 포함한다.
셀 팩 시스템(cell pack system)의 현재 증가된 상태(present augmented state)를 추정하도록 구성되는 일 실시예의 다른 측면에 의한 장치는, 셀의 내부 증가된 상태 예측을 수행하도록 구성되는 컴퍼넌트; 상기 내부 증가된 상태 예측의 불확실성 예측을 수행하도록 구성되는 컴퍼넌트; 상기 내부 증가된 상태 예측과 상기 불확실성 예측을 보정하도록 구성되는 컴퍼넌트; 및 상기 증가된 상태에 대해 진행하는 추정과 상기 증가된 상태 추정에 대해 진행하는 불확실성을 산출하도록 내부 증가된 상태 예측을 수행하도록 구성되는 컴퍼넌트, 불확실성 예측을 수행하도록 구성되는 컴퍼넌트 및 보정하도록 구성되는 컴퍼넌트에 의하여 취하여진 단계를 반복하는 알고리즘을 적용하도록 구성되는 컴퍼넌트를 포함한다.
또한, 여기서 일 실시예로 개시되는 전기 화학 셀의 현재 증가된 상태를 추정하기 위한 시스템은, 상기 셀의 적어도 하나의 내부 상태 값과 적어도 하나의 내부 파라미터 값을 포함하는 내부 증가된 상태 예측을 수행하기 위한 수단; 상기 내부 증가된 상태 예측의 불확실성 예측을 수행하기 위한 수단; 상기 내부 증가된 상태 예측과 상기 불확실성 예측를 보정하기 위한 수단; 및 상기 증가된 상태에 대해 진행하는 추정과 상기 증가된 상태 추정에 대해 진행하는 불확실성을 산출하도록, 상기 내부 증가된 상태 예측, 상기 불확실성 예측 및 상기 보정을 반복하는 알고리즘을 적용하기 위한 수단을 포함한다.
더욱이, 전기화학셀의 현재 증가된 상태를 추정하기 위한 상기방법을 컴퓨터가 수행하기 위한 명령어를 포함하는 기계 인식가능한 컴퓨터 프로그램 코드로 코드화된 저장 매체가 다른 실시예로 개시된다.
또한, 컴퓨터 인식 가능한 매체로 구현되는 컴퓨터 데이터 신호에 대한 다른 실시예가 개시된다. 상기 컴퓨터 데이터 신호는 전기화학셀의 현재 증가된 상태를 추정하는 상기 방법을 컴퓨터가 수행하기 위하여 구성된 코드를 포함한다.
본 발명의 다양한 특징, 측면 및 장점들은 발명의 상세한 설명과 첨부된 청구범위 및 도면을 통하여 더욱 명확히 이해될 것이다. 또한 도면들에서 동일한 구성요소는 동일한 참조부호로 표기된다.
도 1은 본 발명의 바람직한 일실시예에 따른 상태와 파라미터를 추정하는 시스템의 일예를 도시하는 블록도,
도 2는 본 발명의 바람직할 일실시예에 따른 조인트 필터링(joint filtering)의 방법을 나타내는 블록도이다.
조인트 필터링(joint filtering)을 사용한 전기화학셀의 상태와 파라미터를 추정하는 다양한 실시예의 방법, 시스템 및 장치가 개시된다. 도 1과 도 2를 참조하면, 다음의 설명에서 다수의 특정한 세부사항은 본 발명의 더욱 완전한 이해를 제공하기 위하여 제시된다. 바람직한 실시예는 배터리 셀을 참조하여 설명되나, 셀에 해당되는 배터리, 배터리 팩, 초-캐패시터(ultracapacitors), 캐패시터 뱅크(capacitor banks), 연료 셀, 전해질 셀 등 및 전술된 적어도 하나를 포함하는 조합을 포함하여 다양한 전기화학셀들이 채용될 수 있다고 이해되어야 한다. 또한, 배터리 또는 배터리 팩은 복수개의 셀들을 포함할 수 있으며, 개시되는 일 실시예는 하나 또는 그 이상의 셀에 적용될 수 있다고 이해되어야 한다.
본 발명의 하나 이상의 실시예는 조인트 필터링을 사용하여 셀 상태와 파라미터를 추정한다. 본 발명의 하나 이상의 실시예는 조인트 칼만 필터링을 사용하여 셀 상태와 파라미터 값을 추정한다. 본 발명의 일 실시예는 조인트 확장 칼만 필터링을 사용하여 셀 상태와 파라미터 값을 추정한다. 일 실시예는 동시에 SOC, 전력 감퇴 및/또는 용량 감퇴를 추정하며, 다른 실시예는 추가적인 셀 상태 값 및/또는 추가적인 시변 파라미터값을 추정한다. 필터링이란 용어는 예시적인 실시예를 설명하고 나타내기 위하여 채용되며, 용어론적으로 칼만 필터링 및/또는 확장 칼만 필터링을 제한하지 않게 포함하여 필터링으로 일반적으로 표시되는 재귀 예 측(recursive prediction)과 보정(correction)의 방법론을 포함하도록 의도된다고 이해되어야 한다.
도 1은 본 발명의 실시예에 따른 파라미터 예측 시스템(10)의 구성요소를 나타내고 있다. 복수 개의 셀(22)을 포함하는 전기화학셀 팩(20)(예를 들어 배터리)은 로드 회로(load circuit)(30)에 연결된다. 예를 들어 로드회로(30)는 전기 수송수단(Elctric Vehicle: EV) 이나 이종 수송수단(Hybrid Electric Vehilce:HEV)의 모터일 수 있다. 다양한 셀의 특성과 속성을 측정하기 위한 장치는 참조부호 40에 제공된다. 측정장치(40)는 전압 센서(42)(예를 들어, 볼트미터(voltmeter) 등)와 같은 셀 단자 전압을 측정하는 장치를 제한되지 않게 포함할 수 있다. 반면 셀전류의 측정은 전류 센싱 장치(44)(예를 들어 암미터(ammeter) 등)에 의하여 이루어진다. 선택적으로 셀의 온도의 측정은 온도 센서(46)(예를 들어 온도계(thermometer) 등)에 의하여 이루어진다. 내부 압력 또는 임피던스와 같은 추가적인 셀 특성은 예를 들어 압력센서 및/또는 임피던스 센스(48)를 사용하여 측정될 수 있으며 또한, 셀 팩(20)의 셀들(22)의 선택된 형태에 따라 채용될 수 있다. 셀(들)(22)의 특성과 속성을 구하기 위하여 필요한 다양한 센서가 채용될 수 있다. 전압, 전류 그리고 선택적인 온도 및 셀 특성 측정은 수리회로(arithmetic circuit)(50)(예를 들어 프로세서, 컴퓨터)에 의하여 진행되며, 이것은 셀(들)(22)의 파라미터를 추정한다. 상기 시스템은 저장매체(52)를 추가적으로 포함할 수 있는데, 저장매체(52)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람들에게 알려져 있는 컴퓨터에서 사용가능한 저장 매체를 포함한다. 전파신호(54)를 제한 두지 않고 포함하는 다 양한 수단을 채용하여 상기 저장 매체는 상기 수리회로(50)과 통신가능한 상태에 있다. 셀(22)의 내부 화학 성분으로부터의 측정에 대한 어떠한 수단도 본 발명에 사용될 수 있을지라도 반드시 필요하지는 않다고 이해되어야 한다. 또한, 모든 측정은 비침습적(non-invasive)일 수 있다고 이해되어야 한다. 즉, 로드 회로(30)의 정상적인 동작에 방해될 수 있는 신호는 일절 시스템에 주입되지 않아야 한다.
상기 규정된 기능과 바람직한 프로세싱 및 연산(예를 들어, 모델링, 여기에서 규정된 파라미터의 추정 등)을 수행하기 위한 결과로 수리회로(50)는 프로세서, 게이트 어레이, 커스텀 로직, 메모리, 저장매체, 레지스터, 타이밍, 인터럽(interrupt(s)), 통신 인터페이스 그리고 입출력 신호 인터페이스와 상술된 적어도 하나 이상으로 이루어지는 조합을 포함하여 제한을 두지 않고 포함할 수 있다. 수리회로(50)는 또한 통신 인터페이스로부터의 신호와 입력의 획득이나 컨버젼 및 정확한 샘플링을 수행하기 위하여 입력 및 입력 신호 필터링 등을 포함할 수 있다. 수리회로(50)의 추가적인 특징과 프로세서는 차후에 상세히 논의된다.
본 발명의 하나 이상의 실시예는 수리회로(50) 및/또는 다른 프로세싱 제어수단들에서 실행되는, 새로이 업데이트되는 펌웨어와 소프트웨어에 의하여 구현될 수 있다. 소프트웨어 기능은 펌웨어를 제한을 두지 않고 포함하며, 하드웨어, 소프트웨어 또는 이의 조합으로 구현될 수 있다. 따라서, 본 발명의 두드러진 이점은 전기화학셀의 충전과 제어가 현재 및/또는 새로운 프로세싱 시스템을 이용하여 구현될 수 있다는 점이다.
바람직한 일 실시예에 있어, 수리회로(50)는 모델 상태로서 동적 시스템 상 태(dynamic system state)의 표지(indicia)를 포함하는 셀(22)의 수학적 모델을 사용한다. 본 발명의 일 실시예에서, 이산 시간 모델(discrete-time model)이 사용된다. 이산 시간 상태공간(discrete-time state-space)에서 예제적인 모델(가능한 비선형)은 다음의 형태를 가진다.
Figure 112007047809447-pct00001
상기 수학식 1에서 xk는 시스템 상태, θk는 시변 모델 파라미터의 세트(set), uk는 외부로부터의 입력, yk는 시스템 출력, wk와 vk는 노이즈 입력이다. 모든 양적 요소(quantities)는 스칼라 또는 벡터일 수 있다. f(·,·,·)와 g(·,·,·)는 사용되고 있는 모델에 의하여 정의되는 함수이다. 모델에 의하여 요구되는 불시변(non-time-varying) 수치값은 f(·,·,·)와 g(·,·,·) 내에 임베이드될 수 있고 θk에는 포함되지 않는다.
시스템 상태는 적어도 현재 출력을 예측하기 위하여 필요한 셀(22)의 수학적 모델과 현재 입력과 함께 최소량의 정보를 포함한다. 셀(22)의 경우 상태는, 예를 들어, SOC, 다른 시정수에 대한 분극 전압(polarization voltage) 수위, 히스테리시스 수위를 포함한다. 상기 시스템 외부로부터의 입력 uk는 현재 셀의 전류 ik의 최소값을 포함하며, 선택적으로 셀 온도를(만약 상태에 온도변화 자체가 설계되지 않는다면) 포함할 수 있다. 시스템 파라미터 θk는 시스템 측정된 입력과 출력을 아는 것에 의하여 직접적으로 결정될 수 없다는 그런 점에서 시간에 따라 단지 천천히 변하는 값이다. 이러한 것으로는 셀 용량(들), 저항, 분극 전압 시정수, 분극 전압 조화 요소(polarization voltage blending factor), 히스테리시스 조화 요소(hysterisis blending factor(s)), 히스테리시스율 상수(hysteresis rate constant), 효율 요소(efficiency factor) 등을 제한하지 않고 포함한다. 모델 출력 yk는 물리적으로 측정가능한 셀 양적 요소들 또는 최소값으로 측정된 양적 요소로부터 직접적으로 계산될 수 있는 것들, 로드 셀 전압에 대응한다.
동적 파라미터(parameter dynamics)의 수학적 모델 또한 활용된다. 예시적인 모델은 다음 형태를 가진다.
Figure 112007047809447-pct00002
상기 방정식은, 파라미터는 본질적으로 상수이나, rk로 표시된 의사적 노이즈 프로세스(fictitious noise process)에 의하여 모델된 예에서 시간에 따라 천천히 변화할 수 있다는 것을 나타내고 있다.
또한, 도 2를 참조할 때, 참조부호 100으로 일반적으로 나타난 조인트 필터 내에서 상태의 동역학과 파마리터의 동역학은 결합되어 증가된 시스템을 형성한다. 예제적인 모델은 다음 형태를 가진다.
Figure 112007047809447-pct00003
Figure 112007047809447-pct00004
표시의 간략화를 위하여 상기 현재 상태 및 상기 현재 파라미터를 포함하는 상기 벡터를 χk로 때때로 나타낼 것이라는 것을 알아야 한다.
일 실시예에 규정된 동적 시스템 상태(system state dynamics)와 동적 파라미터(parameter dynamics)의 증가된 모델로 조인트 필터링의 과정이 적용된다. 다시 한번, 조인트 칼만 필터(100) 또는 조인트 확장 칼만 필터(100)가 선택적으로 채용될 수 있다. 테이블 1은 조인트 확장 칼만 필터링을 활용하는 시스템과 방법론의 예시적인 구현이다. 상기 과정은 증가된 상태 추정값
Figure 112007047809447-pct00005
을 사실의 증가된 상태(the true augmented state)의 최상의 추측값(the best guess)으로 세팅하고 최상위 부분(top portion)을 E[x0]로, 최하위 부분(bottom portion)을 E[θ0]로 세팅함으로써 개시된다. 상기 추정-오차 공분산 매트릭스(estimation-error covariance matrices)
Figure 112007047809447-pct00006
또한 개시된다.
테이블 1 : 상태 및 가중치 업데이트에 대한 조인트 확장 칼만 필터
Figure 112007047809447-pct00007
이 예에서, 각 측정 간격마다 몇 번의 단계가 수행된다. 첫째, 상기 증가된 상태 추정값
Figure 112007047809447-pct00008
은 시간적으로 함수 F를 통하여 다음으로 진행된다. 상기 증가된 상태 백터 불확실성 또한 업데이트된다. 불확실성 추정값(uncertainty estimate)을 업데이트하는 다양한 가능성이 존재하며, 상기 테이블은 단지 일 실시예를 나타낸 다. 셀 출력값의 측정이 이루어지고, 증가된 상태 추정값 ,
Figure 112007047809447-pct00009
에 기초한 예측된 결과값에 비교된다. 상기 차이는
Figure 112007047809447-pct00010
의 값을 업데이트하는데 이용된다. 상기 테이블에서 나타난 스텝들은 다양한 순서에 의하여 수행될 수 있음은 자명하다. 상기 테이블은 설명의 목적을 위한 예시적인 순서들을 리스트하고 있으며, 당업자는 상기 수학식의 많은 등가적인 순서의 세트(set)를 확인할 수 있을 것이다.
계속하여 도 2에서는, 본 발명에 대한 일 실시예의 바람직한 구현을 나타내고 있다. 하나의 필터(100)는 공동으로 상기 상태 및 파라미터 추정값을 업데이트한다. 상기 필터는 시간 업데이트 또는 예측(101) 기능과 측정 업데이트 또는 보정(102) 기능을 가진다. 시간 업데이트/예측 블록(101)은 이전에 추정된 증가된 상태값
Figure 112007047809447-pct00011
및 증가된 상태 불확실성 추정값(augmented state uncertainty estimate)
Figure 112007047809447-pct00012
과 함께 이전 외부 입력 uk -1(예를 들어, 셀 전류 및/또는 온도를 포함할 수 있는)을 입력으로 받는다. 시간 업데이트/예측 블록(101)은 예측된 증가된 상태값
Figure 112007047809447-pct00013
과 예측된 증가된 상태 불확실성
Figure 112007047809447-pct00014
출력을 증가된 상태 측정 업데이트/보정 블록(102)에 제공한다. 상태 측정 업데이트/보정 블록(102)은 예측된 증가된 상태값
Figure 112007047809447-pct00015
과 예측된 증가된 상태 불확실성
Figure 112007047809447-pct00016
뿐만 아니라 외부 입력 uk 및 시스템 출력 yk을 또한 수신하는 반면, 현재 시스템에 증가된 상태 추정값
Figure 112007047809447-pct00017
과 증가된 상태 불확실성 추정값
Figure 112007047809447-pct00018
을 제공한다. 마이너스 표기는 벡터가 상기 필터(100)의 상기 예측 컴퍼넌트 101의 결과임을 의미하는 반면, 플러스 표기는 벡터가 상기 필터(100)의 상기 보정 컴퍼넌트 102의 결과임을 의미하는 것으로 이해되어야 한다.
본 발명을 설명하는 바람직한 여러 실시예들은 특정 응용을 위한 셀 상태와 동적 출력(output dynamics)의 수학적 모델이 요구된다. 상기 예에서, 이것은 f(·,·,·), g(·,·,·)의 특정 함수(기능)를 정의함으로써 이룰 수 있다. 일 실시예는 셀(22)의 개회로전압(OCV; Open Circuit Voltage), 내부 저항, 전압 분극 시정수(voltage polarization time constant) 및 히스테리시스 레벨의 하나 이상에 의한 효과를 포함하는 셀 모델을 사용한다. 유사하게, 파라미터 값들은 ηi,k로 표시되는 쿨롬 효율(coulombic efficiency)과 같은 효율 요소(efficiency factor); Ck로 표시되는 셀 용량(들);
Figure 112007047809447-pct00019
로 표시되는 분극 전압 시정수(들);
Figure 112007047809447-pct00020
로 표시되는 분극 전압 조화 요소(들)(polarization voltage blending factor(s)); Rk로 표시되는 셀 저항(들); Mk로 표시되는 히스테리시스 조화 요소(들)(hysterisis blending factor(s));γk로 표시되는 히스테리시스율 상수 (들)(hysteresis rate constant(s)); 등과 전술한 적어도 하나를 포함하는 조합들을 제한하지 않고 포함한다.여기에서 제안되는 구조와 방법은 일반적이고 다른 전기화학에 적용될 수 있을지라도, 예시를 위하여 파라미터 값은 고전력 LiPB(Lithium-ion Polymer Battery)의 동역학(dynamics)을 모델링하는 이 모델 구조에 맞추어진다.
바람직한 일 실시예에서 SOC는 모델의 단일 상태에 의하여 획득된다. SOC를 다루는 이 수식은 다음과 같다.
Figure 112007047809447-pct00021
상기 수식에서 △t는 샘플간(inter-sample) 기간(초), Ck는 셀 용량(암페어-초), zk 는 타임 인덱스 k에서의 셀(22) SOC , ik는 셀(22) 전류 그리고 ηi,k는 전류 수위 ik에서 셀(22)의 쿨롬효율(coulombic efficiency)을 의미한다.
바람직한 다른 일 실시예에서 분극 전압 수위는 몇몇의 필터 상태값에 의하여 획득된다. 만약, 분극 전압 시정수 nf를 둔다면, 다음과 같다.
fk +1 = Affk + Bfik
매트릭스
Figure 112007047809447-pct00022
는 실값 분극 전압 시정수(real-valued polarization voltage time constants)
Figure 112007047809447-pct00023
를 가지는 대각 행렬(diagonal matrix)일 수 있다. 모든 엔트리가 1보다 작은 크기를 갖는다면 상기 시스템은 안정적이다. 벡터
Figure 112007047809447-pct00024
는 단순히 nf "1"로 정해질 수 있다. Bf의 엔트리는 0이 아닌 한 임계적이지 않다. Af 매트릭스의 nf엔트리의 값은 측정된 셀 데이터에 모델 파라미터를 가장 적합하게 하는 시스템 확인 절차(system identification procedure)의 일부분으로 채택될 수 있다. Af와 Bf 매트릭스는 시간과 현재 배터리 팩의 작동조건에 적합한 다른 요소들에 의하여 달라질 수 있다.
바람직한 또 다른 실시예에서 히스테리시스 레벨은 단일 상태에 의하여 획득된다.
Figure 112007047809447-pct00025
상기 수학식 5에서
Figure 112007047809447-pct00026
k는 시스템 확인(system identification)에 의하여 획득되는 히스테리시스율 상수이다.
또 다른 실시예에서 전체적인 모델 상태값은 다음과 같다.
Figure 112007047809447-pct00027
상기 수식에서 상태값에 대한 다른 배열도 가능하다. 이 예에서 상기 모델의 상태 방정식은 상기에서 확인된 개별적인 모든 수학식의 조합에 의하여 형성된다.
이 예에서 셀전압을 예측하기 위한 상태값을 조합하는 출력식은 다음과 같다.
Figure 112007047809447-pct00028
상기 수식에서
Figure 112007047809447-pct00029
는 출력에 분극 전압 상태값들을 함께 혼합하는 분극 전압 조화 요소
Figure 112007047809447-pct00030
의 벡터이며, Rk 은 셀저항(들)(다른 값들이 충전/방전에 사용될 수 있다)이며, Mk은 히스테리시스 조화 요소(hysteresis blending factor)이다. ik에서 Gkfk까지의 dc게인이 0이 되도록 Gk는 제한될 수 있다.
이 예에서 파라미터는 다음 수식과 같다.
Figure 112007047809447-pct00031
상기 증가된 상태 백터
Figure 112007047809447-pct00032
는 상기 상태 백터(또는 결합된 상태 백터, 예를 들어, 수학식 6)와 파라미터 백터, 예를 들어 수학식 7을 하나의 백터로 결합시 킴으로써 형성된다. 예를 들어,
Figure 112007047809447-pct00033
증가된 상태 백터내에서 상태들과 파라미터들의 다른 배열들이 가능하다.
Figure 112007047809447-pct00034
에서의 양적 요소들은 f(·,·,·)(예를 들어 수학식 (3) - (5))와 g(·,·,·)(예를 들어 수학식 7)에 대한 수학식을 연산하기 위하여 필요한 모든 세부사항을 포함한다.
어떠한 실시예에서, 상기 조인트 필터(100)는 입-출력 관계 모델이 측정된 입-출력 데이터와 가능한 근접하도록 하기 위하여 상태 추정값과 파라미터 추정값을 적응시킬 수 있다. 모델의 증가된 상태값이 물리적인 증가된 상태값에 수렴된다는 것을 보증하지는 않는다. 바람직한 일 실시예에서, 조인트 필터링을 위하여 사용된 셀 모델은 그것들의 보정된 값들에 수렴해야 하는 그러한 증가된 상태값을 출력으로 포함하는 이차적인 셀 모델로 상기 셀 모델을 추가함으로써 더욱 보충될 수 있다. 어떤 실시예는 하나의 모델 상태값이 SOC에 수렴하는 것을 확실히 하기 위하여 추가적인 단계를 취한다.
Figure 112007047809447-pct00035
상기 보충된 모델 출력값은 상기 조인트 필터(100)에서의 측정된 출력값과 비교된다. 바람직한 일 실시예에서, SOC에 대한 측정된 값은 아래 수식에 의하여 유도되는
Figure 112007047809447-pct00036
을 사용함으로써 근사화될 수 있다.
Figure 112007047809447-pct00037
로드 하의 셀전압 및 셀 전류의 측정과 Rk값(조인트 필터(100)로부터
Figure 112007047809447-pct00038
을 통하여) 및 셀 화학의 OCV 역함수를 아는 것을 통하여 이 예는 SOC의 노이즈 추정값,
Figure 112007047809447-pct00039
을 계산할 수 있다.
이 예에서, 조인트 필터(100)는 이 수정된 모델 상에서, 측정 업데이트에서 측정된 정보
Figure 112007047809447-pct00040
와 함께 운용된다.
Figure 112007047809447-pct00041
의 노이즈(히스테레시스 효과에 의한 단기간 바이어스와 분극 전압은 고려되지 않음)는 SOC의 주요 추정자(primary estimator)로 사용되지 않는 반면, 동적 환경에서의 예상된 장기간 거동은 정확하고, 조인트 필터(100)터에서 SOC상태값의 정확성이 유지된다는 것을 실험을 통해 알 수 있다.
이와 같이, 셀 상태와 파라미터의 동시적인 추정을 위한 방법이 많은 특정 실시예와 함께 설명되었다. 하나 이상의 실시예는 칼만 필터(100)를 사용한다. 어떤 실시예는 확장 칼만 필터(100)를 사용한다. 더욱이, 어떤 실시예는 SOC의 수렴을 강화하는 매카니즘을 포함한다. 본 발명은 셀전기화학과 넓은 범위의 응용예에 적용될 수 있다.
개시된 방법은 상기 프로세스를 실행하기 위한 장치와 컴퓨터에서 실행되는 프로세스의 형태로 실현될 수 있다. 상기 방법은 또한, 프로피 디스켓, CD-ROMs, 하드 디스크 또는 다른 어떤 컴퓨터 인식 가능한 저장매체와 같은 매체(52)에 의하여 실현되는 명령어를 포함하는 컴퓨터 프로그램 코드의 형태로 실현될 수 있다. 프로그램 코드는 컴퓨터에 의하여 로드되고 실행되며, 컴퓨터는 상기 방법을 수행할 수 있는 장치가 된다. 본원 방법은 또한, 컴퓨터 프로그램 코드의 형태, 예를 들어, 저장매체에 저장되거나, 컴퓨터에 의하여 실행되거나 컴퓨터 내에 로드되는 형태 또는 변조된 캐리어 웨이브, 전기송전선, 캐이블, 광섬유 또는 전자기 전송 등의 전송매체의 형태로 실현될 수 있다. 컴퓨터 프로그램 코드가 컴퓨터에 의해 로드되고 실행되는 경우 컴퓨터는 상기 방법을 수행할 수 있는 장치가 된다. 범용 마이크로프로세서에 의해 수행되는 경우, 컴퓨터 프로그램 코드 세그먼트는 상기 마이크로프로세서가 특정한 논리 회로를 만들도록 구성한다.
본 발명이 일실시예를 참조하여 설명되고 있으나, 당업자에 의하여 다양한 변형례가 가능하고, 균등한 요소가 본 발명의 범위를 벗어남 없이 본 발명의 요소와 대체될 수 있다고 이해되어야 한다. 더욱이, 많은 변용례들이 본 발명의 본질적인 범위를 벗어나지 않고 발명의 교사에 대한 특정한 상황이나 재료에 적합되기 위 하여 이루어질 수 있다. 그러므로, 본 발명은 본 발명을 실시하기 위하여 고려된 베스트 모드로서 개시되는 특정한 실시예에 제한되지 않으며 본 발명은 첨부된 청구범위에 해당하는 모든 실시예를 포함한다고 해석된다.

Claims (51)

  1. 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법에 있어서,
    상기 셀의 적어도 하나의 내부 상태 값과 적어도 하나의 내부 파라미터 값을 포함하는 내부 증가된 상태 예측을 수행하는 단계;
    상기 내부 증가된 상태 예측의 불확실성 예측을 수행하는 단계;
    상기 내부 증가된 상태 예측과 상기 불확실성 예측을 보정하는 단계; 및
    상기 증가된 상태에 대해 진행하는 추정과 상기 증가된 상태 추정에 대해 진행하는 불확실성을 산출하도록 상기 내부 증가된 상태 예측을 수행하는 단계, 상기 불확실성 예측을 수행하는 단계 및 상기 보정하는 단계를 반복하는 알고리즘을 적용하는 단계를 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  2. 제 1항에 있어서, 상기 내부 증가된 상태 예측을 수행하는 단계는,
    전류 측정값을 결정하는 단계;
    전압 측정값을 결정하는 단계; 및
    수학적 모델에서의 상기 전류 측정값과 상기 전압 측정값을 사용하여 상기 내부 증가된 상태 예측을 수행하는 단계를 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  3. 제 2항에 있어서, 상기 불확실성 예측을 수행하는 단계는,
    수학적 모델에서의 상기 전류 측정값과 상기 전압 측정값을 이용하여 상기 불확실성 예측을 수행하는 단계를 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  4. 제 3항에 있어서, 상기 보정하는 단계는,
    게인 팩터(gain factor)를 연산하는 단계;
    상기 게인 팩터, 상기 전압 측정값 및 상기 내부 증가된 상태 예측을 이용하여 보정된 내부 증가된 상태 예측값을 연산하는 단계; 및
    상기 게인 팩터와 상기 불확실성 예측을 이용하여 보정된 불확실성 예측값을 연산하는 단계를 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  5. 제 4항에 있어서, 상기 적용하는 단계는,
    상기 알고리즘이 반복되는 다음 시간 단계(next time step)를 위한 예측값을 획득하도록, 상기 보정된 내부 증가된 상태 예측값과 상기 보정된 불확실성 예측값을 이용하는 단계를 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  6. 삭제
  7. 삭제
  8. 제 2항에 있어서, 상기 내부 증가된 상태 예측을 수행하는 단계는,
    온도를 결정하는 단계; 및
    수학적 모델에서의 상기 온도 측정값, 상기 전류 측정값, 상기 전압 측정값을 이용하여 상기 내부 증가된 상태 예측을 수행하는 단계를 더 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  9. 제 8항에 있어서, 상기 불확실성 예측을 수행하는 단계는,
    수학적 모델에서의 상기 온도 측정값, 상기 전류 측정값, 상기 전압 측정값을 이용하여 상기 불확실성 예측을 수행하는 단계를 더 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  10. 제 9항에 있어서, 상기 보정하는 단계는,
    게인 팩터(gain factor)를 연산하는 단계;
    상기 게인 팩터, 상기 전압 측정값 및 상기 내부 증가 상태 예측을 이용하여 보정된 내부 증가된 상태 예측값을 연산하는 단계; 및
    상기 게인 팩터와 상기 불확실성 예측을 이용하여 보정된 불확실성 예측값을 연산하는 단계를 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  11. 제 10항에 있어서, 상기 적용하는 단계는,
    상기 알고리즘이 반복되는 다음 시간 단계(next time step)를 위한 예측값을 획득하도록, 상기 보정된 내부 상태 예측값과 상기 보정된 불확실성 예측값을 이용하는 단계를 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  12. 삭제
  13. 제 5항 또는 제 11항에 있어서, 상기 증가된 상태 백터는,
    충전상태, 전압 분극 레벨, 히스테리시스 레벨, 저항, 용량, 분극 전압 시정수, 분극 전압 조화 요소, 히스테리시스 조화 요소, 히스테리시스율 상수 및 효율 상수 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  14. 제 2항에 있어서, 상기 불확실성 예측을 수행하는 단계는,
    온도를 결정하는 단계; 및
    수학적 모델에서의 상기 온도 측정값, 상기 전류 측정값, 상기 전압 측정값을 이용하여 상기 불확실성 예측을 수행하는 단계를 더 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  15. 제 1항에 있어서, 상기 불확실성 예측을 수행하는 단계는,
    전류 측정값을 결정하는 단계;
    전압 측정값을 결정하는 단계; 및
    수학적 모델에서의 상기 전류 측정값과 상기 전압 측정값을 사용하여 상기 내부 증가된 상태 예측을 수행하는 단계를 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  16. 제 15항에 있어서, 상기 불확실성 예측을 수행하는 단계는,
    온도를 결정하는 단계; 및
    수학적 모델에서의 상기 온도 측정값, 상기 전류 측정값, 상기 전압 측정값 을 이용하여 상기 불확실성 예측을 수행하는 단계를 더 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  17. 제 16항에 있어서, 상기 보정하는 단계는,
    게인 팩터(gain factor)를 연산하는 단계;
    상기 게인 팩터, 상기 전압 측정값 및 상기 내부 상태 예측을 이용하여 보정된 내부 상태 예측값을 연산하는 단계; 및
    상기 게인 팩터와 상기 불확실성 예측을 이용하여 보정된 불확실성 예측값을 연산하는 단계를 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  18. 제 17항에 있어서, 상기 적용하는 단계는,
    상기 알고리즘이 반복되는 다음 시간 단계(next time step)를 위한 예측값을 획득하도록, 상기 보정된 내부 상태 예측값과 상기 보정된 불확실성 예측값을 이용하는 단계를 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  19. 삭제
  20. 제 1항에 있어서,
    각 물리적 값에 대한 하나 이상의 증가된 상태의 수렴을 보장하는 단계를 더 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  21. 제 20항에 있어서, 상기 보장하는 단계는,
    수렴이 요구되는 상기 증가된 상태로 셀 모델 출력을 보충하는 단계를 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  22. 제 21항에 있어서, 상기 보장하는 단계는,
    현재 측정된 값에 기초하여 상기 증가된 상태의 대응하는 추정값으로 측정 벡터를 보충하는 단계를 더 포함하는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  23. 제 22항에 있어서,
    상기 보충된 셀 모델 출력과 상기 보충된 측정 백터에 기초하여 증가된 상태 추정값을 적응시키는 필터가 사용되는 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  24. 제 23항에 있어서, 상기 필터는,
    칼만 필터와 확장 칼만 필터 중 적어도 하나인 것을 특징으로 하는 전기화학셀 시스템의 현재 증가된 상태를 추정하는 방법.
  25. 셀 팩 시스템(cell pack system)의 현재 증가된 상태를 추정하는 장치에 있어서,
    셀의 내부 증가된 상태 예측을 수행하도록 구성되는 컴퍼넌트;
    상기 내부 증가된 상태 예측의 불확실성 예측을 수행하도록 구성되는 컴퍼넌트;
    상기 내부 증가된 상태 예측과 상기 불확실성 예측을 보정하도록 구성되는 컴퍼넌트; 및
    상기 증가된 상태에 대해 진행하는 추정과 상기 증가된 상태 추정에 대해 진행하는 불확실성을 산출하도록, 상기 내부 증가된 상태 예측을 수행하도록 구성되는 컴퍼넌트, 불확실성 예측을 수행하도록 구성되는 컴퍼넌트 및 보정하도록 구성되는 컴퍼넌트에 의하여 취하여진 단계를 반복하는 알고리즘을 적용하도록 구성되는 컴퍼넌트를 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  26. 제 25항에 있어서, 상기 내부 상태 예측을 수행하도록 구성되는 컴퍼넌트는,
    전류 측정값을 결정하도록 구성되는 컴퍼넌트;
    전압 측정값을 결정하도록 구성되는 컴퍼넌트;
    수학적 모델에서의 상기 전류 측정값과 상기 전압 측정값을 사용하여 상기 내부 증가된 상태 예측을 수행하도록 구성되는 컴퍼넌트를 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  27. 제 26항에 있어서, 상기 불확실성 예측을 수행하도록 구성되는 컴퍼넌트는,
    수학적 모델에서의 상기 전류 측정값과 상기 전압 측정값을 이용하여 상기 불확실성 예측을 수행하도록 구성되는 컴퍼넌트를 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  28. 제 27항에 있어서, 상기 보정하도록 구성되는 컴퍼넌트는,
    게인 팩터(gain factor)를 연산하도록 구성되는 컴퍼넌트,
    상기 게인 팩터, 상기 전압 측정값 및 상기 내부 증가된 상태 예측을 이용하여 보정된 내부 증가된 상태 예측값을 연산하도록 구성되는 컴퍼넌트; 및
    상기 게인 팩터와 상기 불확실성 예측을 이용하여 보정된 불확실성 예측값을 연산하도록 구성되는 컴퍼넌트를 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  29. 제 28항에 있어서, 상기 적용하도록 구성되는 컴퍼넌트는,
    상기 알고리즘이 반복되는 다음 시간 단계(next time step)를 위한 예측값을 획득하도록, 상기 보정된 내부 증가된 상태 예측값과 상기 보정된 불확실성 예측값을 이용하도록 구성되는 컴퍼넌트를 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  30. 삭제
  31. 삭제
  32. 제 26항에 있어서, 상기 내부 증가된 상태 예측을 수행하도록 구성되는 컴퍼넌트는,
    온도를 결정하도록 구성되는 컴퍼넌트; 및
    수학적 모델에서의 상기 온도 측정값, 상기 전류 측정값, 상기 전압 측정값을 이용하여 상기 내부 증가된 상태 예측을 수행하도록 구성되는 컴퍼넌트를 더 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  33. 제 32항에 있어서, 상기 불확실성 예측을 수행하도록 구성되는 컴퍼넌트는,
    수학적 모델에서의 상기 온도 측정값, 상기 전류 측정값, 상기 전압 측정값을 이용하여 상기 불확실성 예측을 수행하도록 구성되는 컴퍼넌트를 더 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  34. 제 33항에 있어서, 상기 보정하도록 구성되는 컴퍼넌트는,
    게인 팩터(gain factor)를 연산하도록 구성되는 컴퍼넌트;
    상기 게인 팩터, 상기 전압 측정값 및 상기 내부 증가 상태 예측을 이용하여 보정된 내부 증가된 상태 예측값을 연산하도록 구성되는 컴퍼넌트; 및
    상기 게인 팩터와 상기 불확실성 예측을 이용하여 보정된 불확실성 예측을 연산하도록 구성되는 컴퍼넌트를 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  35. 제 34항에 있어서, 상기 적용하도록 구성되는 컴퍼넌트는,
    상기 알고리즘이 반복되는 다음 시간 단계(next time step)를 위한 예측값을 획득하도록 상기 보정된 내부 상태 예측값과 상기 보정된 불확실성 예측값을 이용하도록 구성되는 컴퍼넌트를 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  36. 삭제
  37. 제 29항 또는 제 35항에 있어서, 상기 증가된 상태 백터는,
    충전상태, 전압 분극 레벨, 히스테리시스 레벨, 저항, 용량, 분극 전압 시정수, 분극 전압 조화 요소, 히스테리시스 조화 요소, 히스테리시스율 상수 및 효율 상수 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  38. 제 26항에 있어서, 상기 불확실성 예측을 수행하도록 구성되는 컴퍼넌트는,
    온도를 결정하도록 구성되는 컴퍼넌트; 및
    수학적 모델에서의 상기 온도 측정값, 상기 전류 측정값, 상기 전압 측정값을 이용하여 상기 불확실성 예측을 수행하도록 구성되는 컴퍼넌트를 더 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  39. 제 25항에 있어서, 상기 불확실성 예측을 수행하도록 구성되는 컴퍼넌트는,
    전류 측정값을 결정하도록 구성되는 컴퍼넌트;
    전압 측정값을 결정하도록 구성되는 컴퍼넌트; 및
    수학적 모델에서의 상기 전류 측정값과 상기 전압 측정값을 사용하여 상기 불확실성 예측을 수행하도록 구성되는 컴퍼넌트를 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  40. 제 39항에 있어서, 상기 불확실성 예측을 수행하도록 구성되는 컴퍼넌트는,
    온도를 결정하도록 구성되는 컴퍼넌트; 및
    수학적 모델에서의 상기 온도 측정값, 상기 전류 측정값, 상기 전압 측정값을 이용하여 상기 불확실성 예측을 수행하도록 구성되는 컴퍼넌트를 더 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  41. 제 40항에 있어서, 상기 보정하도록 구성되는 컴퍼넌트는,
    게인 팩터(gain factor)를 연산하도록 구성되는 컴퍼넌트;
    상기 게인 팩터, 상기 전압 측정값 및 상기 내부 상태 예측을 이용하여 보정된 내부 상태 예측값을 연산하도록 구성되는 컴퍼넌트; 및
    상기 게인 팩터와 상기 불확실성 예측을 이용하여 보정된 불확실성 예측값을 연산하도록 구성되는 컴퍼넌트를 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  42. 제 41항에 있어서, 상기 적용하도록 구성되는 컴퍼넌트는,
    상기 알고리즘이 반복되는 다음 시간 단계(next time step)를 위한 예측값을 획득하도록, 상기 보정된 내부 증가된 상태 예측값, 상기 보정된 내부 상태 예측값 과 상기 보정된 불확실성 예측값을 이용하도록 구성되는 컴퍼넌트를 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  43. 삭제
  44. 제 25항에 있어서,
    각 물리적 값에 대한 하나 이상의 증가된 상태의 수렴을 보장하도록 구성되는 컴퍼넌트를 더 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  45. 제 44항에 있어서, 상기 수렴을 보장하도록 구성되는 컴퍼넌트는,
    수렴이 요구되는 상기 하나 이상의 증가된 상태로 셀 모델 출력을 보충하도록 구성되는 컴퍼넌트를 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  46. 제 45항에 있어서, 상기 수렴을 보장하도록 구성되는 컴퍼넌트는,
    현재 측정된 값에 기초하여 상기 하나 이상의 증가된 상태의 대응하는 추정값으로 각 측정 벡터를 보충하도록 구성되는 컴퍼넌트를 더 포함하는 것을 특징으 로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  47. 제 46항에 있어서,
    상기 보충된 셀 모델 출력과 상기 보충된 측정 백터에 기초하여 증가된 상태 추정값을 적응시키는 필터를 구현하도록 구성되는 컴퍼넌트를 더 포함하는 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  48. 47항에 있어서, 상기 필터는,
    칼만 필터와 확장 칼만 필터 중 적어도 하나인 것을 특징으로 하는 셀 팩 시스템의 현재 증가된 상태를 추정하는 장치.
  49. 전기화학셀의 현재 증가된 상태를 추정하는 시스템으로서,
    상기 셀의 적어도 하나의 내부 상태 값과 적어도 하나의 내부 파라미터 값을 포함하는 내부 증가된 상태 예측을 수행하기 위한 수단;
    상기 내부 증가된 상태 예측의 불확실성 예측을 수행하기 위한 수단;
    상기 내부 증가된 상태 예측과 상기 불확실성 예측를 보정하기 위한 수단; 및
    상기 내부 증가된 상태 예측, 상기 불확실성 예측 및 상기 보정을 반복하는 알고리즘을 적용하여 상기 증가된 상태에 대해 진행하는 추정과 상기 증가된 상태 추정에 대해 진행하는 불확실성을 산출하기 위한 수단을 포함하는 것을 특징으로 하는 전기화학셀의 현재 증가된 상태를 추정하는 시스템.
  50. 전기화학 셀의 적어도 하나의 내부 상태 값과 적어도 하나의 내부 파라미터 값을 포함하는 내부 증가된 상태 예측을 수행하는 단계;
    상기 내부 증가된 상태 예측의 불확실성 예측을 수행하는 단계;
    상기 내부 증가된 상태 예측과 상기 불확실성 예측을 보정하는 단계; 및
    상기 증가된 상태에 대해 진행하는 추정과 상기 증가된 상태 추정에 대해 진행하는 불확실성을 산출하도록, 상기 내부 증가된 상태 예측을 수행하는 단계, 상기 불확실성 예측을 수행하는 단계 및 상기 보정하는 단계를 반복하는 알고리즘을 적용하는 단계를 포함하는 전기화학셀의 현재 증가된 상태를 추정하기 위한 방법을 컴퓨터가 수행하도록 하는 명령어를 포함하는 기계로 인식가능한 컴퓨터 프로그램 코드로 코드화된 저장매체.
  51. 전기화학 셀의 적어도 하나의 내부 상태 값과 적어도 하나의 내부 파라미터 값을 포함하는 내부 증가된 상태 예측을 수행하는 단계;
    상기 내부 증가된 상태 예측의 불확실성 예측을 수행하는 단계;
    상기 내부 증가된 상태 예측과 상기 불확실성 예측을 보정하는 단계; 및
    상기 증가된 상태에 대해 진행하는 추정과 상기 증가된 상태 추정에 대해 진행하는 불확실성을 산출하도록, 상기 내부 증가된 상태 예측을 수행하는 단계, 상기 불확실성 예측을 수행하는 단계 및 상기 보정하는 단계를 반복하는 알고리즘을 적용하는 단계를 포함하는 전기화학셀의 현재 증가된 상태를 추정하기 위한 방법을 컴퓨터가 수행하도록 구성된 코드를 포함하는 컴퓨터에서 인식가능한 매체로 실현되는 컴퓨터 데이터 신호.
KR1020077015007A 2004-11-29 2004-11-29 조인트 배터리 상태와 파라미터 추정 시스템 및 방법 Expired - Lifetime KR100916510B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020077015007A KR100916510B1 (ko) 2004-11-29 2004-11-29 조인트 배터리 상태와 파라미터 추정 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020077015007A KR100916510B1 (ko) 2004-11-29 2004-11-29 조인트 배터리 상태와 파라미터 추정 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20070088761A KR20070088761A (ko) 2007-08-29
KR100916510B1 true KR100916510B1 (ko) 2009-09-08

Family

ID=38614059

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020077015007A Expired - Lifetime KR100916510B1 (ko) 2004-11-29 2004-11-29 조인트 배터리 상태와 파라미터 추정 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR100916510B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11824394B2 (en) 2019-01-23 2023-11-21 Lg Energy Solution, Ltd. Battery management device, battery management method, and battery pack

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101767635B1 (ko) 2014-10-24 2017-08-14 주식회사 엘지화학 이차 전지의 충전 상태 추정 장치 및 그 방법
US12183897B2 (en) 2019-08-05 2024-12-31 Lg Energy Solution, Ltd. Battery management apparatus, battery management method and battery pack
CN115128466A (zh) * 2022-04-13 2022-09-30 中国电力科学研究院有限公司 基于数字孪生的电池soc预测方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6064180A (en) * 1996-10-29 2000-05-16 General Motors Corporation Method and apparatus for determining battery state-of-charge using neural network architecture
US6160376A (en) * 1998-06-22 2000-12-12 Stryker Corporation Battery charger capable of evaluating battery charge state
JP2002325373A (ja) 2001-04-25 2002-11-08 Toyota Motor Corp バッテリ容量制御装置
US6661201B2 (en) 2001-06-20 2003-12-09 Matsushita Electric Industrial Co., Ltd. Method for controlling battery charge and discharge

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6064180A (en) * 1996-10-29 2000-05-16 General Motors Corporation Method and apparatus for determining battery state-of-charge using neural network architecture
US6160376A (en) * 1998-06-22 2000-12-12 Stryker Corporation Battery charger capable of evaluating battery charge state
JP2002325373A (ja) 2001-04-25 2002-11-08 Toyota Motor Corp バッテリ容量制御装置
US6661201B2 (en) 2001-06-20 2003-12-09 Matsushita Electric Industrial Co., Ltd. Method for controlling battery charge and discharge

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11824394B2 (en) 2019-01-23 2023-11-21 Lg Energy Solution, Ltd. Battery management device, battery management method, and battery pack

Also Published As

Publication number Publication date
KR20070088761A (ko) 2007-08-29

Similar Documents

Publication Publication Date Title
KR100818520B1 (ko) 전기화학셀(ｃｅｌｌ)의 현재 상태와 현재 파라미터를추정하는 장치, 방법 및 시스템 및 기록매체
US7593821B2 (en) Method and system for joint battery state and parameter estimation
JP5058814B2 (ja) バッテリーの状態及びパラメーターの推定システム及び方法
US6534954B1 (en) Method and apparatus for a battery state of charge estimator
US7315789B2 (en) Method and system for battery parameter estimation
US7197487B2 (en) Apparatus and method for estimating battery state of charge
KR101355959B1 (ko) 추정 배터리 상태 벡터와 추정 배터리 파라미터 벡터를 결정하는 시스템 및 방법
EP2321663B1 (en) Apparatus and method for estimating state of health of battery based on battery voltage variation pattern
US7400115B2 (en) System, method, and article of manufacture for determining an estimated combined battery state-parameter vector
KR100901252B1 (ko) 슬라이딩 모드 관측기를 이용한 ２차 전지 ｓｏｃ 예측방법 및 장치
CN103797374A (zh) 用于电池监控的系统和方法
KR100878123B1 (ko) 배터리 상태 및 파라미터 추정 시스템 및 방법
EP4199182A1 (en) Battery diagnosis device and method
JP2023541417A (ja) バッテリの充電状態を推定する方法
Qiu et al. Battery hysteresis modeling for state of charge estimation based on Extended Kalman Filter
JP5259190B2 (ja) ジョイントバッテリー状態とパラメーター推定システム及び方法
KR100916510B1 (ko) 조인트 배터리 상태와 파라미터 추정 시스템 및 방법
Omerovic et al. State of Charge Estimation on Constrained Embedded Devices
KR20250071245A (ko) 배터리의 충전 상태(soc)를 결정하는 방법
KR20250112613A (ko) 배터리 진단 장치 및 방법

Legal Events

Date Code Title Description
PA0105 International application

Patent event date: 20070629

Patent event code: PA01051R01D

Comment text: International Patent Application

A201 Request for examination
PA0201 Request for examination

Patent event code: PA02012R01D

Patent event date: 20070705

Comment text: Request for Examination of Application

PG1501 Laying open of application
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20080829

Patent event code: PE09021S01D

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20090227

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20090828

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20090901

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20090901

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20120710

Start annual number: 4

End annual number: 4

FPAY Annual fee payment

Payment date: 20130830

Year of fee payment: 5

PR1001 Payment of annual fee

Payment date: 20130830

Start annual number: 5

End annual number: 5

FPAY Annual fee payment

Payment date: 20140716

Year of fee payment: 6

PR1001 Payment of annual fee

Payment date: 20140716

Start annual number: 6

End annual number: 6

FPAY Annual fee payment

Payment date: 20150716

Year of fee payment: 7

PR1001 Payment of annual fee

Payment date: 20150716

Start annual number: 7

End annual number: 7

FPAY Annual fee payment

Payment date: 20160817

Year of fee payment: 8

PR1001 Payment of annual fee

Payment date: 20160817

Start annual number: 8

End annual number: 8

FPAY Annual fee payment

Payment date: 20170718

Year of fee payment: 9

PR1001 Payment of annual fee

Payment date: 20170718

Start annual number: 9

End annual number: 9

FPAY Annual fee payment

Payment date: 20180619

Year of fee payment: 10

PR1001 Payment of annual fee

Payment date: 20180619

Start annual number: 10

End annual number: 10

FPAY Annual fee payment

Payment date: 20190625

Year of fee payment: 11

PR1001 Payment of annual fee

Payment date: 20190625

Start annual number: 11

End annual number: 11

PR1001 Payment of annual fee

Payment date: 20210802

Start annual number: 13

End annual number: 13

PR1001 Payment of annual fee

Payment date: 20220824

Start annual number: 14

End annual number: 14

PR1001 Payment of annual fee

Payment date: 20230627

Start annual number: 15

End annual number: 15

PC1801 Expiration of term

Termination date: 20250529

Termination category: Expiration of duration