[논문 리뷰] Dynamic Cell Modeling of Li-Ion Polymer Batteries for Precise SOC Estimation in Power-Needy Autonomous Electric Vehicles

Qasim Ajao, Lanre Sadeeq|arXiv (Cornell University)|2023. 06. 19.

Advanced Battery Technologies ResearchEngineering인용 수 3

한 줄 요약

이 논문은 고출력 자율 전기차(AEV)에서 리튬이온 폴리머 배터리의 고정밀 동적 세포 모델을 제안하며, 비선형 자기회귀 및 라디얼 기저 함수 네트워크를 활용한 고급 칼만 필터링 기법을 사용해 충전 상태(SOC)를 추정한다. 이 방법은 양자화 노이즈 루트 평균 제곱 오차 이하의 정확도를 달성하여 배터리 팩의 전체 용량을 과충전 또는 과방전 위험 없이 최대한 활용할 수 있다.

ABSTRACT

This paper presents findings on dynamic cell modeling for state-of-charge (SOC) estimation in an autonomous electric vehicle (AEV). The studied cells are Lithium-Ion Polymer-based with a nominal capacity of around 8Ah, optimized for power-needy applications. The AEV operates in a harsh environment with rate requirements up to +/-25C and highly dynamic rate profiles, unlike portable-electronic applications with constant power output and fractional C rates. SOC estimation methods effective in portable electronics may not suffice for the AEV. Accurate SOC estimation necessitates a precise cell model. The proposed SOC estimation method utilizes a detailed Kalman-filtering approach. The cell model must include SOC as a state in the model state vector. Multiple cell models are presented, starting with a simple one employing "Coulomb counting" as the state equation and Shepherd's rule as the output equation, lacking prediction of cell relaxation dynamics. An improved model incorporates filter states to account for relaxation and other dynamics in closed-circuit cell voltage, yielding better performance. The best overall results are achieved with a method combining nonlinear autoregressive filtering and dynamic radial basis function networks. The paper includes lab test results comparing physical cells with model predictions. The most accurate models obtained have an RMS estimation error lower than the quantization noise floor expected in the battery-management-system design. Importantly, these models enable precise SOC estimation, allowing the vehicle controller to utilize the battery pack's full operating range without overcharging or undercharging concerns.

연구 동기 및 목표

• 25C 이상의 고동적 전력 요구 조건을 초월하는 고출력 자율 전기차(AEV)에서 정확한 SOC 추정 문제를 해결한다.
• 휴대용 전자기기에서 사용되는 전통적 SOC 추정 방법의 한계를 극복하며, AEV에서의 혹독하고 급격히 변화하는 조건에 부적합한 점을 해결한다.
• 신뢰할 수 있는 SOC 추정을 위해 필수적인 이완 동역학과 비선형 행동을 포착하는 정밀한 배터리 세포 모델을 개발한다.
• 시스템의 양자화 노이즈 한계 이하로 SOC 추정 오차를 최소화하여 배터리 팩의 전체 운영 범위를 최대한 활용할 수 있도록 한다.
• 자율 차량 운행에서 일반적인 고동적 전류 프로파일에 대해 강건성과 정확성을 확보하며, 과충전 또는 과방전 위험을 방지한다.

제안 방법

• 상태 벡터에 SOC를 상태 변수로 포함하는 동적 세포 모델을 수립하며, 초기 상태 방정식으로 쿠론드 카운팅을 사용한다.
• 시작 단계에서 이완 동역학 없이, 개방회로 전압을 모델링하기 위해 시더의 법칙을 출력 방정식으로 적용한다.
• 폐쇄회로 전압에서 세포의 이완 및 일시적 전압 동역학을 포착하기 위해 필터 상태를 도입하여 모델을 향상시킨다.
• 다양한 하중 조건에서 예측 정확도를 향상시키기 위해 비선형 자기회귀 필터링 기법을 구현한다.
• 배터리 시스템 내의 비선형성과 시간에 따라 변화하는 행동을 모델링하기 위해 동적 라디얼 기저 함수(RBF) 네트워크를 통합한다.
• 향상된 모델을 사용해 추정 오차를 최소화하기 위해 확장 칼만 필터(EKF) 프레임워크를 활용해 SOC를 반복적으로 추정한다.

실험 결과

연구 질문

• RQ1 이완 및 비선형 행동을 고려한 동적 세포 모델이 기존 방법에 비해 고출력 AEV에서 SOC 추정 정확도를 향상시키는가?
• RQ2 이완 동역학을 위한 필터 상태를 포함함으로써 고동적 전류 프로파일에서 SOC 추정 정확도에 어떤 영향을 미치는가?
• RQ3 비선형 자기회귀 필터링과 동적 RBF 네트워크가 극한의 C-레벨에서 리튬이온 폴리머 세포의 SOC 추정 오차를 어느 정도 감소시키는가?
• RQ4 제안된 모델이 일반적인 배터리 관리 시스템의 양자화 노이즈 한계 이하의 정확도를 달성하는가?
• RQ5 이 모델은 자율 차량 응용 분야에서 과충전 또는 과방전 우려 없이 배터리 팩의 전체 용량을 안전하고 최대한 활용할 수 있도록 하는가?

주요 결과

• 이완 동역학을 위한 필터 상태를 포함한 제안된 동적 세포 모델은 기본적인 쿠론드 카운팅과 시더의 법칙에 비해 SOC 추정 정확도를 크게 향상시킨다.
• 비선형 자기회귀 필터링과 동적 라디얼 기저 함수(RBF) 네트워크의 통합은 SOC 추정에서 최고의 종합 성능을 달성한다.
• 가장 정밀한 모델은 배터리 관리 시스템의 예상된 양자화 노이즈 한계 이하의 루트 평균 제곱 오차를 달성한다.
• 모델은 전류 프로파일이 매우 동적일 경우에도 정밀한 SOC 추정이 가능하며, +/-25C까지의 속도를 포함하여 전체 배터리 용량 범위 내에서 안정된 운영을 보장한다.
• 실험실 테스트 결과는 물리적 세포 행동과 모델 예측 간의 강력한 일치를 확인하여, 실제 AEV 조건에서의 모델의 강건성을 검증한다.
• 모델은 시스템 수준의 노이즈 한계 이하로 SOC 추정 정확도를 유지함으로써 과충전 및 과방전을 효과적으로 방지하며, 배터리의 안전성과 수명 연장에 기여한다.