[논문 리뷰] One-Shot Parameter Identification of the Thevenin's Model for Batteries: Methods and Validation

Ning Tian, Yebin Wang외 2명|arXiv (Cornell University)|2020. 03. 13.

Advanced Battery Technologies Research참고 문헌 76인용 수 72

한 줄 요약

이 논문은 배터리의 테브닌 등가회로 모델의 모든 매개변수—저항, 커패시턴스, 그리고 상태율(SoC)-개방회로전압(OCV) 매핑 매개변수—를 한 번의 오프라인 절차로 식별하는 일회성 오프라인 방법을 제안한다. 비선형 최소제곱 프레임워크 내에서 제약 조건을 부여한 최적화와 티코노프 정규화를 활용하여, 한 번의 실행으로 고정밀도 매개변수 추정을 달성하였으며, 시뮬레이션과 실험을 통해 예측 오차가 20 mV 미만이며 SoC-OCV 매칭이 거의 완벽한 결과를 도출하였다.

ABSTRACT

Parameter estimation is of foundational importance for various model-based battery management tasks, including charging control, state-of-charge estimation and aging assessment. However, it remains a challenging issue as the existing methods generally depend on cumbersome and time-consuming procedures to extract battery parameters from data. Departing from the literature, this paper sets the unique aim of identifying all the parameters offline in a one-shot procedure, including the resistance and capacitance parameters and the parameters in the parameterized function mapping from the state-of-charge to the open-circuit voltage. Considering the well-known Thevenin's battery model, the study begins with the parameter identifiability analysis, showing that all the parameters are locally identifiable. Then, it formulates the parameter identification problem in a prediction-error-minimization framework. As the non-convexity intrinsic to the problem may lead to physically meaningless estimates, two methods are developed to overcome this issue. The first one is to constrain the parameter search within a reasonable space by setting parameter bounds, and the other adopts regularization of the cost function using prior parameter guess. The proposed identifiability analysis and identification methods are extensively validated through simulations and experiments.

연구 동기 및 목표

• 긴밀한 캘리브레이션 절차가 필요한 다단계적, 비효율적인 배터리 매개변수 식별 문제를 해결한다.
• 사전 지식이 없이도 저항, 커패시턴스, SoC-OCV 관계를 포함한 테브닌 모델의 모든 매개변수를 완전히 일회성 오프라인으로 식별할 수 있도록 한다.
• 비선형 시스템 식별에서의 비凸성과 국소 최소값 문제를 제약 조건과 정규화된 최적화를 통해 극복한다.
• 고정밀도 모델이 필요한 배터리 관리 시스템을 위해 안정적이고 정확하며 계산적으로 실현 가능한 방법을 제공한다.

제안 방법

• 비선형 최소제곱(NLS) 프레임워크를 활용해 예측 오차 최소화 프레임워크 내에서 매개변수 식별 문제를 수립한다.
• 검색 공간을 제약하기 위해 매개변수의 범위를 도입하여 물리적으로 의미 없는 해를 방지한다.
• 사전 매개변수 추정치를 사용해 비용 함수에 일반화된 티코노프 정규화를 적용하여 최적화가 의미 있는 최소값 쪽으로 유도되도록 한다.
• 베이지안 해석을 통해 정규화 항을 최대사후확률(MAP) 추정 프레임워크로 해석한다.
• 비볼록 문제를 수치 최적화로 해결하여 안정적이고 정확한 해에 수렴하도록 보장한다.
• 합성 시뮬레이션과 실세계 실험(예: UDDS)을 모두 활용해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 테브닌 배터리 모델의 모든 매개변수—RC 요소와 비선형 SoC-OCV 함수를 포함하여—가 단일 오프라인 절차에서 유일하게 식별될 수 있는가?
• RQ2 매개변수 식별 문제에서의 비볼록성은 어떻게 완화할 수 있으며, 비물리적 또는 부정확한 추정치를 피할 수 있는가?
• RQ3 매개변수의 범위 제약과 정규화를 통합할 경우 추정 정확도와 수렴 신뢰성은 어느 정도 향상되는가?
• RQ4 제안된 방법(C-NLS 및 R-NLS)은 표준 NLS 대비 실세계 전압 추적 및 SoC-OCV 복원 작업에서 얼마나 우수한 성능을 보이는가?
• RQ5 사전 캘리브레이션 없이도 일회성 방법이 SoC-OCV 관계의 정확도를 높이는데 성공할 수 있는가?

주요 결과

• 테브닌 모델의 모든 매개변수는 국소적으로 식별 가능하며, 일회성 식별의 이론적 가능성을 확인한다.
• C-NLS 및 R-NLS 방법은 UDDS 전류 프로파일 하에서 평균 예측 오차가 20 mV 미만으로 나타나 표준 NLS 방법보다 뚜렷이 뛰어난 성능을 보였다.
• C-NLS 및 R-NLS에서 추정한 SoC-OCV 관계는 측정된 기준값과 매우 유사했으며, 간헐적인 방전 실험에서 미미한 편차만 관찰되었다.
• C-NLS 및 R-NLS가 추정한 R0 + R 저항 값은 방전 정지 후 복구 전압과 강한 일치를 보였으며, 이는 RC 매개변수 추정의 정확성을 확인한다.
• 특히 매개변수 공간의 비선형성과 비볼록 영역에서 표준 NLS 대비 추정 오차를 크게 감소시켰다.
• 정규화 및 제약 조건 최적화 접근법은 국소 최소값 문제를 효과적으로 완화시켜 안정적이고 물리적으로 타당한 매개변수 추정치를 도출하였다.