• 전력전자학회논문지
• /
• 제26권3호
• /
• pp.183-191
• /
• 2021

A battery management system (BMS) provides some functions for ensuring safety and reliability that includes algorithms estimating battery states. Given the changes caused by various operating conditions, the state-of-health (SOH), which represents a figure of merit of the battery's ability to store and deliver energy, becomes challenging to estimate. Machine learning methods can be applied to perform accurate SOH estimation. In this study, we propose a Long-Term Recurrent Convolutional Network (LRCN) that combines the Convolutional Neural Network (CNN) and Long Short-term Memory (LSTM) to extract aging characteristics and learn temporal mechanisms. The dataset collected by the battery aging experiments of NASA PCoE is used to train models. The input dataset used part of the charging profile. The accuracy of the proposed model is compared with the CNN and LSTM models using the k-fold cross-validation technique. The proposed model achieves a low RMSE of 2.21%, which shows higher accuracy than others in SOH estimation.

• 전력전자학회논문지
• /
• 제23권4호
• /
• pp.247-255
• /
• 2018

This paper proposes a transformer design of a direct cell-to-cell active cell balancing circuit with a multi-winding transformer for battery management system (BMS) applications. The coupling coefficient of the multi-winding transformer and the output capacitance of MOSFETs significantly affect the balancing current transfer efficiency of the cell balancing operation. During the operation, the multi-winding transformer stores the energy charged in a specific source cell and subsequently transfers this energy to the target cell. However, the leakage inductance of the multi-winding transformer and the output capacitance of the MOSFET induce an abnormal energy transfer to the non-target cells, thereby degrading the transfer efficiency of the balancing current in each cell balancing operation. The impacts of the balancing current transfer efficiency deterioration are analyzed and a transformer design methodology that considers the coupling coefficient is proposed to enhance the transfer efficiency of the balancing current. The efficiency improvements resulting from the selection of an appropriate coupling coefficient are verified by conducting a simulation and experiment with a 1 W prototype cell balancing circuit.

• 인터넷정보학회논문지
• /
• 제16권5호
• /
• pp.29-38
• /
• 2015

에너지 저장장치(Energy Storage System)은 전력 수요가 적을 때 전력을 저장해 두었다가 수요가 발생하거나 비상시 저장된 전력을 사용함으로 전기 에너지를 저장하여 필요할 때 사용 가능함으로써 에너지 이용 효율 향상, 전력공급 시스템 안정화 및 신재생 에너지 활용도 향상 효과를 가지는 시스템이다. 최근 세계적으로 에너지의 효율적인 소비에 대한 관심이 증대되면서 전력의 안정적인 공급을 원하는 수요자와 전력 수요 평준화를 원하는 공급자의 요구를 충족시켜줄 수 있는 에너지 저장장치의 필요성이 증대되고 있다. 현재 에너지 저장장치를 구성하는 Power Conditioning System(PCS), Battery Management System(BMS), 배터리 셀은 제조사별로 상이한 규격을 가진다. 이로 인해 각 핵심 부품 간 인터페이스가 규격화되어 있지 않아, 에너지 저장장치의 구성 및 운영에 난점으로 작용하고 있다. 본 논문에서는 제조사별로 상이한 특징을 가지는 부품들의 설정과 효율적 운영에 필요한 정보를 수용하여 에너지 저장장치를 구성할 수 있는 XML 기반의 에너지 시스템 전용 프로파일 시스템의 설계와 분석방안을 제안한다. 제조사별 PCS, BMS, 배터리 셀과 그 외의 주변 기기들의 설정 정보 및 운영 정보를 분석하여 프로파일 규격을 정의하고, 에너지 저장장치에 적용할 수 있는 프로파일 어댑터 소프트웨어를 설계 및 구현한다. 프로파일 어댑터를 통해 생성된 프로파일은 설정 프로파일과 운영 프로파일로 구성되며, 추후 확장성을 고려하여 표준 XML의 규격을 따른다. 구현된 프로파일 시스템의 검증은 에너지 저장장치 시스템에 적용되어 기본적인 충 방전 동작을 통해 정상 동작 결과를 제안한다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2017년도 전력전자학술대회
• /
• pp.455-456
• /
• 2017

본 논문에서는 리튬 인산철 배터리($LiFePO_4$)의 내부 파라미터 추출 방법으로 전기화학적 기반인 정전류식 간헐적 적정 테크닉(galvanostatic intermittent titration technique;GITT)을 사용하였다. 배터리 관리 시스템(battery management system;BMS) 알고리즘의 기본적으로 들어가는 충방전 저항을 미세 구간으로 나누어 볼 수 있다. SOC(state-of-charge)에 맞는 저항 성분을 찾을 수 있고, 미소 용량 정보를 알아내어 특정 SOC 구간에서의 LFP 배터리 최적 운용 구간을 알 수 있다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2012년도 전력전자학술대회 논문집
• /
• pp.299-300
• /
• 2012

본 논문에서는 납 축전지를 사용하는 산업용 전기차량의 SOC(State Of Charge)를 별도의 BMS(Battery Management System)장치 없이 추정하는 방법에 대해 기술한다. SOC를 추정하기 위한 기존의 전통적인 방법들 중 전력을 적산하는 방법(Ampere hour counting)이 널리 사용되는데 이는 장치의 내, 외적인 요인에 의해 발생한 오차가 누적될 수 있다. 배터리의 전압을 측정하여 SOC를 추정하는 OCV(Open Circuit Voltage) 방법은 배터리가 안정 상태에 도달하기까지 충분한 휴지 시간이 필요해 실시간으로 적용하기 힘들다. 이 외에 칼만 필터를 이용하는 방법은 시스템을 정확히 모델링해야 하고 계산이 복잡하다는 단점이 있다. 본 연구에서는 전력을 적산하는 방법을 기본으로 하고 배터리의 전압을 적절히 이용하여 누적되는 오차를 보정하는 방법을 제안한다. 제안한 방법에 대해 시뮬레이션 하고 실제로 산업용 차량인 AC 전동 지게차로 실험하여 그 타당성을 검증 하였다.

• Journal of Power Electronics
• /
• 제17권5호
• /
• pp.1288-1297
• /
• 2017

The estimation of the remaining useful life (RUL) of lithium-ion (Li-ion) batteries is important for intelligent battery management system (BMS). Data mining technology is becoming increasingly mature, and the RUL estimation of Li-ion batteries based on data-driven prognostics is more accurate with the arrival of the era of big data. However, the support vector machine (SVM), which is applied to predict the RUL of Li-ion batteries, uses the traditional single-radial basis kernel function. This type of classifier has weak generalization ability, and it easily shows the problem of data migration, which results in inaccurate prediction of the RUL of Li-ion batteries. In this study, a novel multi-kernel SVM (MSVM) based on polynomial kernel and radial basis kernel function is proposed. Moreover, the particle swarm optimization algorithm is used to search the kernel parameters, penalty factor, and weight coefficient of the MSVM model. Finally, this paper utilizes the NASA battery dataset to form the observed data sequence for regression prediction. Results show that the improved algorithm not only has better prediction accuracy and stronger generalization ability but also decreases training time and computational complexity.

• 반도체디스플레이기술학회지
• /
• 제7권2호
• /
• pp.13-17
• /
• 2008

In this paper, in order to get the characteristics of the lithium secondary cell, such as charge and discharge characteristic, temperature characteristic, self-discharge characteristic and the capacity recovery rate etc, we build a thermal model that estimate the impedance of battery by experiment & simulation. In this one-dimensional model, Seven governing equations are made to solve seven variables c, $c_s,\;\Phi_1,\;\Phi_2,\;i_2$, j and T. The thermal model parameters used in this model have been adjusted according to the experimental data measured in the laboratory. The result(Voc, Impedance) of this research can be used in BMS(Battery Management System), so an efficient method of using battery is developed.

• 전력전자학회논문지
• /
• 제21권2호
• /
• pp.175-181
• /
• 2016

In the conventional E-bike, a 42 V/10 A Li-ion battery drives a 24 V/10 A BLDC motor via a 6-switch PWM DC/AC inverter. The major problems of the conventional battery-fed motor drive systems are listed as follows. To charge the battery, an external battery charger (adapter) is required, which degrades the portability of E-bike users. In addition, given the high-frequency operation of the motor drive inverter, the switching losses are significant, which degrades the whole power efficiency. High-voltage batteries (42 V) require a complex battery management system (BMS), which degrades the reliability of the battery pack. In this paper, an embedded boost-converter battery charger for E-bikes is proposed. The variable output boost converter, which converts 16.8 V battery voltage to the required variable voltage of the inverter input, can use a low-voltage battery and thus improve the reliability of batteries. By varying the inverter input voltage via boost converter, a DC link voltage control method can be applied to reduce the switching frequency of the inverter, which improves the whole power efficiency. Given that the function of a flyback charger is integrated in the proposed boost converter, the portability of the E-bike user can be maximized by excluding an external adapter. The validity of the proposed circuit will be confirmed by operation mode analysis and simulation. Moreover, experimental results of integrative charger using Li-ion battery and 200 W motor test will be showed with a prototype sample as well.

• Journal of Electrical Engineering and Technology
• /
• 제11권6호
• /
• pp.1664-1673
• /
• 2016

Lithium rechargeable cells are used in many industrial applications, because they have high energy density and high power density. For an effective use of these lithium cells, it is essential to build a reliable battery management system (BMS). Therefore, the state of charge (SOC) estimation is one of the most important techniques used in the BMS. An appropriate modeling of the battery characteristics and an accurate algorithm to correct the modeling errors in accordance with the simplified model are required for practical SOC estimation. In order to implement these issues, this approach presents the comparative analysis of the SOC estimation performance using equivalent electrical circuit modeling (EECM) and noise suppression technique (NST) in three representative $LiCoO_2/LiFePO_4/LiNiMnCoO_2$ cells extensively applied in electric vehicles (EVs), hybrid electric vehicles (HEVs) and energy storage system (ESS) applications. Depending on the difference between some EECMs according to the number of RC-ladders and NST, the SOC estimation performances based on the extended Kalman filter (EKF) algorithm are compared. Additionally, in order to increase the accuracy of the EECM of the $LiFePO_4$ cell, a minor loop trajectory for proper OCV parameterization is applied to the SOC estimation for the comparison of the performances among the compared to SOC estimation performance.

• 한국정보전자통신기술학회논문지
• /
• 제13권3호
• /
• pp.184-196
• /
• 2020

본 논문에서는 배터리 관리 시스템 (BMS)에서 2차 전지 배터리를 통해 흐르는 전류의 정밀한 측정을 위한 cascaded-of-integrator feedforward (CIFF) 구조의 단일 비트 2차 델타-시그마 모듈레이터를 제안하였다. 제안된 모듈레이터는 2개의 스위치드 커패시터 적분기, 단일 비트 비교기, 비중첩 클록 발생기 및 바이어스와 같은 주변 회로로 구현하였다. 제안된 구조는 낮은 공통 모드 입력 전압을 가지는 low-side 전류 측정 방법에 적용되도록 설계되었다. Low-side 전류 측정 방법을 사용하면 회로 설계에 부담이 줄어들게 되는 장점을 가진다. 그리고 ±30mV 입력 전압을 15비트 해상도를 가지는 ADC로 분해하기 때문에 추가적인 programmable gain amplifier (PGA)를 구현할 필요가 없어 수 mW의 전력소모를 줄일 수 있다. 제안된 단일 비트 2차 CIFF 델타-시그마 모듈레이터는 350nm CMOS 공정으로 구현하였으며 5kHz 대역폭에 대해 400의 oversampling ratio (OSR)로 95.46dB의 signal-to-noise-and-distortion ratio (SNDR), 96.01dB의 spurious-free dynamic range (SFDR) 및 15.56비트의 effective-number-of-bits (ENOB)을 달성하였다. 델타 시그마 모듈레이터의 면적 및 전력 소비는 각각 670×490㎛2 및 414㎼이다.