• 전력전자학회논문지
• /
• 제20권2호
• /
• pp.175-181
• /
• 2015

In this study, a lithium polymer battery (LiPB) is simply expressed by a primary RC equivalent model. The PI state observer is designed in Matlab/Simulink. The non-linear relationship with the OCV-SOC is represented to be linearized with 0.1 pu intervals by using battery parameters obtained by constant-current pulse discharge. A state equation is configured based on battery parameters. The state equation, which applied Peukert's law, can estimate SOC more accurately. SOC estimation capability was analyzed by utilizing reduced Federal Test Procedure (FTP-72) current profile and using a bi-directional DC-DC converter at temperature ($25^{\circ}C$). The PI state observer, which is designed in this study, indicated a SOC estimation error rate of ${\pm}2%$ in any of the initial SOC states. The PI state observer confirms a strong SOC estimation performance despite disturbances, such as modeling errors and noise.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2019년도 추계학술대회
• /
• pp.70-72
• /
• 2019

For the safe and reliable operation of Lithium-ion batteries in Electric Vehicles (EVs) or Energy Storage Systems (ESSs), it is essential to have accurate information of the battery such as State of Charge (SOC). Many kinds of different techniques to estimate the SOC of the batteries have been developed so far such as the Kalman Filter. However, when it is applied to the multiple number of batteries it is difficult to maintain the accuracy of the estimation over all cells due to the difference in parameter value of each cell. Moreover the difference in the parameter of each cell may become larger as the operation time accumulates due to aging. In this paper a novel Deep Neural Network (DNN) based SOC estimation method for multi cell application is proposed. In the proposed method DNN is implemented to learn non-linear relationship of the voltage and current of the lithium-ion battery at different SOCs and different temperatures. In the training the voltage and current data of the Lithium battery at charge and discharge cycles obtained at different temperatures are used. After the comprehensive training with the data obtained with a cell resulting estimation algorithm is applied to the other cells. The experimental results show that the Mean Absolute Error (MAE) of the estimation is 0.56% at 25℃, and 3.16% at 60℃ with the proposed SOC estimation algorithm.

• Journal of Power Electronics
• /
• 제12권1호
• /
• pp.40-48
• /
• 2012

This paper proposes the State-of-charge (SOC) estimator of a LiPB Battery using the Extended Kalman Filter (EKF). EKF can work properly only with an accurate model. Therefore, the high accuracy electrical battery model for EKF state is discussed in this paper, which is focused on high-capacity LiPB batteries. The battery model is extracted from a single cell of LiPB 40Ah, 3.7V. The dynamic behavior of single cell battery is modeled using a bulk capacitance, two series RC networks, and a series resistance. The bulk capacitance voltage represents the Open Circuit Voltage (OCV) of battery and other components represent the transient response of battery voltage. The experimental results show the strong relationship between OCV and SOC without any dependency on the current rates. Therefore, EKF is proposed to work by estimating OCV, and then is converted it to SOC. EKF is tested with the experimental data. To increase the estimation accuracy, EKF is improved with a single dominant varying parameter of bulk capacitance which follows the SOC value. Full region of SOC test is done to verify the effectiveness of EKF algorithm. The test results show the error of estimation can be reduced up to max 5%SOC.

• 전기전자학회논문지
• /
• 제24권1호
• /
• pp.333-338
• /
• 2020

본 논문은 역전파 뉴럴 네트워크(Back Propagation Neural Network; BPNN) 알고리즘을 이용한 배터리 셀의 잔존용량(State Of Charge; SOC) 추정 방법을 제안한다. 이를 위해 배터리 성능평가 시뮬레이터를 구현하고 다양한 온도에서의 충방전 실험을 통해 뉴럴 네트워크 학습에 필요한 입출력 데이터를 도출한다. 최종적으로 배터리의 SOC 추정 성능은 Matlab/Simulink 프로그램을 이용하여 Ah-counting에 의한 실험치와 비교를 통해 분석하고 오차율을 3% 미만으로 줄일 수 있음을 시뮬레이션을 통해 확인한다.

• 전력전자학회논문지
• /
• 제20권4호
• /
• pp.344-350
• /
• 2015

A battery management system requires accurate information on the battery state of charge (SOC) to achieve efficient energy management of electric vehicle and renewable energy systems. Although correct SOC estimation is difficult because of the changes in the electrical characteristics of the battery attributed to ambient temperature, service life, and operating point, various methods for accurate SOC estimation have been reported. On the basis of piecewise linear (PWL) modeling technique, this paper proposes a simple SOC observer for lithium-polymer batteries. For performance evaluation, the SOC estimated by the PWL SOC observer, the SOC measured by the battery-discharging experiment and the SOC estimated by the extended Kalman filter (EKF) estimator were compared through a PSIM simulation study.

• Transactions on Electrical and Electronic Materials
• /
• 제18권3호
• /
• pp.136-140
• /
• 2017

The state of charge (SOC) is an important parameter in a battery-management system (BMS), and is very significant for accurately estimating the SOC of a battery. Li-ion batteries boast of excellent performance, and can only remain at their best working state by means of accurate SOC estimation that gives full play to their performances and raises their economic benefits. This paper summarizes some measures taken in SOC estimation, including the discharge experiment method, the ampere-hour integral method, the open circuit voltage method, the Kalman filter method, the neural network method, and electrochemical impedance spectroscopy (EIS. The principles of the various SOC estimation methods are introduced, and their advantages and disadvantages, as well as the working conditions adopted during these methods, are discussed and analyzed.

• 한국정보기술학회논문지
• /
• 제18권5호
• /
• pp.55-64
• /
• 2020

태양광 시스템의 안정성과 신뢰성 향상을 위해서는 배터리의 잔존량 (State of Charge, SOC)을 정확하게 추정하여야 한다. 본 연구에서는 gradient descent, Levenberg-Marquardt 및 scaled conjugate gradient 학습방법을 사용한 인공 신경회로망 (Artificial Neural Networks, ANN)과 적응형 뉴로-퍼지 추론 시스템 (Adaptive Neuro-Fuzzy Inference System, ANFIS)을 사용한 SOC 추정방법을 제안한다. 입력으로는 충전 시작 전압 및 적류적산법을 통해 구한 충전 전류를 사용하여 추정된 SOC를 출력한다. 4개의 모델 (ANN-GD, ANN-LM, ANN-SCG, 및 ANFIS)을 사용하여 SOC 추정 방법을 구현하였고 실험을 통해 MATLAB을 사용하여 4개의 모델의 성능을 비교 분석하였다. 실험 결과로부터 ANFIS 모델을 사용한 배터리의 SOC 추정이 가장 정확도가 높았으며 빠른 속도로 수렴함을 확인하였다.

• Korean Chemical Engineering Research
• /
• 제60권3호
• /
• pp.363-370
• /
• 2022

본 논문에서는 전기자동차용 배터리 충/방전 상태 추정의 정확도를 개선하기 위해 칼만 필터(Kalman Filter, KF) 알고리즘과 등가회로모델(Equivalent Circuit Model)을 활용한 State Of Charge (SOC) 추정 방법을 적용하였다. 특히 노화된 배터리 용량을 함께 추정 가능한 관측기(observer)를 설계하였다. 우선 노화가 없는 경우, 칼만 필터를 이용하여 SOC를 단일 추정하면, 관측기 없이 모델로 계산된 경우와 비교하여 평균 절대 오차율이 1.43%(관측기 미사용)에서 0.27%(관측기 사용)로 감소하였다. 차량 주행상태에서는 전류가 고정되지 않아 SOC와 배터리 용량을 모두 추정하는 것에 일반적인 KF 혹은 Extended KF 알고리즘을 이용할 수 없다. 배터리 노화에 의한 용량 변화는 단시간에 일어나지는 않다는 점에 착안하여, 충전 시 배터리 용량 추정을 주기적으로 실시하는 전략을 제시하였다. 충전 모드에서는 일정 구간마다 전류가 고정되기에, 해당 상황에서 배터리 노화 용량을 SOC와 함께 추정 전략을 제시하였다. 전류가 고정된 상태에서 SOC 추정의 평균 절대 오차율은 0.54% 였으며, 용량 추정의 평균 절대 오차율은 2.24%로 나타났다. 충전상태에서 전류가 고정됨으로 일반적인 EKF를 활용하여 배터리 용량과 SOC 동시 추정이 가능하도록 하였다. 이를 통하여 배터리 충전 시 주기적인 배터리 용량 보정을 수행할 수 있다. 그리고, 방전 시에는 해당 용량으로 고정한 채 SOC를 추정하는, 배터리 관리 시스템에서 활용 가능한 추정 알고리즘을 제안하였다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2016년도 추계학술대회 논문집
• /
• pp.59-60
• /
• 2016

Flooded lead acid batteries are still very popular in the industry because of their low cost as compared to their counterparts. State of Charge (SOC) estimation is of great importance for a flooded lead acid battery to ensure its safe working and to prevent it from over-charging or over-discharging. Different types of Kalman Filters are widely used for SOC estimation of batteries. The values of process and measurement noise covariance of a filter are usually calculated by trial and error method and taken as constant throughout the estimation process. While in practical cases, these values can vary as well depending upon the dynamics of the system. Therefore an Adaptive Unscented Kalman Filter (AUKF) is introduced in which the values of the process and measurement noise covariance are updated in each iteration based on the residual system error. A comparison of traditional and Adaptive Unscented Kalman Filter is presented in the paper. The results show that SOC estimation error by the proposed method is further reduced by 3 % as compared to traditional Unscented Kalman Filter.

• 한국융합학회논문지
• /
• 제11권6호
• /
• pp.7-14
• /
• 2020

본 논문에서는 확장 칼만 필터를 이용한 SOC 추정이 가능한 배터리 모니터링 시스템을 개발하였다. 배터리의 충·방전 상태를 정확하게 추정하기 위해 배터리 셀을 테브닌 모델로 모형화하고, 모델에 맞는 파라미터를 추출하였다. 이를 이용하여 확장 칼만 필터 알고리즘을 이용한 SOC 추정이 가능한 배터리 모니터링 디바이스를 제작하였으며, 다중 배터리 모니터링 디바이스 제어 및 배터리 상태 측정이 가능한 모니터링 서버를 제작하였다. 또한, 관리자가 실시간으로 상태를 확인하며 배터리 모니터링 디바이스 제어가 가능한 웹 서비스를 제작하였다. 특히, 배터리 SOC를 각각의 배터리 모니터링 디바이스에서 추정하고, 최종 결과만 모니터링 서버로 전달함으로써 서버의 계산량을 줄일 수 있다.