논문 전문 : https://www.sciencedirect.com/science/article/abs/pii/S0306261914000956
[출처] LiuWang Kang, Xuan Zhao, Jian Ma, A new neural network model for the state-of-charge estimation in the battery degradation process,Applied Energy,Volume 121,2014,Pages 20-27,ISSN 0306-2619,
https://doi.org/10.1016/j.apenergy.2014.01.066.
※ The picture and content of this article are from the original paper.
[논문요약]
A new neural network model for the state-of-charge estimation in the battery degradation process
RBFNN(Radial Basis Function Network)을 통해 배터리 SOC를 추정하겠다는 논문으로, 특이점은 Input Data로 온도-Cycle수로 얻어낸 Practical Capacity(SOH가 반영된 용량으로 보면됨)을 사용한다는 것입니다. 이것을 통해 논문 필자는 SOH가 반영된 SOC를 얻어낼 수 있다고 합니다.
Purpose
SOC estimation을 위한 기존의 다양한 연구(OV/ECM/전기화학/Kalman Filter계열...)들에 대해 단점을 다루며, Neural Network를 사용해야한다는 당위성을 Introduction에 정리합니다.
하지만, 마지막 논문 Results에서 Extended Kalman Filter보다 정확도가 낮다고 합니다.
(EKF는 파라미터에 sensitive하다고만 단점을 서술)
요점은, Neural Network모델중 하나인 RBFNN을써서 열화가 반영된 SOC를 추정하겠다는 것입니다.
Contents
제가 간단하게 정리해본 그림입니다.
결국 Current, Voltage, Capacity로 정확한 SOC를 추정하겠다 라는것이 요지인데, 대부분의 논문에서 Current랑 Voltage는 당연히 쓰고있기에, 이 논문만의 특이점은 Practical Capacity입니다.
당연히 논문에서 이 Practical Capacity를 어떻게 얻어냈냐가 많은 분량을 차지하고있는데요
실험으로 얻어낸 값입니다.
여러 온도별로 Cycle을 돌려 상기 그래프와 같은 결과를 얻어냈다고 합니다.
Cycle의 시험조건은 0.5C-rate CC - 4.2V CV(0.1C-rate까지) - 1C-rate CC방전(하한전압까지) 이렇게 반복했다고합니다.
여기서, 실제 차량과의 차이점이 존재합니다.
실제 차량 고객들은 SOC 100%까지 충전하고 0%까지 쓰고 다시 100%까지 충전하고... 이런식으로 쓰지 않습니다.
SOC 80%까지쓰고 충전했다가 90%까지쓰고 충전했다가... 이런식으로 반복하는 비율이 높으며, 배터리 시스템으로 동작하기에 발열량에 따라 온도변화도 아주 많습니다.(해당 논문은 셀로 시험)
따라서, 이런식으로 SOH를 얻어냈다는것은 제가 생각하기에는 많이 부족하다고 판단됩니다.
논문 뒷부분에 상기와 같이 실제차량의 열화를 반영하기위해 Mileage(주행거리)로 Aging Cycle수를 매핑하여 열화정도를 추정한 그래프를 사용한다고 하지만 이또한 문제가 있다고 생각합니다. 열화를 주행거리랑 사이클수만으로 판단한다?
BTW, 필자는 이런식으로 시험데이터를 통해 Curve Fitting을 하여 얻어낸 식으로 Practical Capacity를 구한다고합니다.
이렇게 되면, 학습을하기위한 모든 데이터가 얻어진것이죠
(Current, Temperature, Practical Capacity, SOC)
학습은 RBFNN으로 진행되는데, RBFNN은 깊게다루면 방대하기에 나중에 따로 논문을 다루도록 하고, 간단하게요약하자면 1개의 Hidden Layer를 갖는 MLP입니다.
여기서 Input Layer와 Hidden Layer사이에는 Weight와 Bias가 없고, 대신 Gaussian형태로 데이터분포를 추정합니다.
그리고 Hidden Layer와 Output Layer사이에는 Single Layer Perceptron처럼 Linear하게 Weight와 Bias가 있습니다.
Back Propagation을 진행하면서 바뀌는 파라미터들은, Gauss함수의 각 파라미터별 Mean, Standard Deviation 그리고 신경망의 Weight, bias입니다.
이렇게 해서 결국 해당 논문은 SOH가 반영된 SOC를 얻게됩니다.
Results
결과적으로, 본인들이 제안한 모델과, Conventional한 기존 모델의 결과를 표기한것입니다.
제안된 모델이 잘 따라가는게 보이지만, 하이퍼 파라미터 튜닝의 정도에따라서도 이정도 결과는 달라질 수 있기에 크게 관심을 두진 않았습니다.
전 오히려 이부분에 집중을했는데요, 보시면 Discharge Current라고 하여 UDDS profile을 사용했다고 하는데 방전지향입니다. 즉, 실제차량에서는 회생제동에 의해 주행중에도 충전이 되는경우도 많고, 실제 UDDS 주행 profile은 충전/방전이 모두 섞여있습니다. 하지만, 방전만 되는 패턴을 사용한것은, 정확도에서 자신이 없다는 의미로 개인적으로 이해했습니다.
이런식으로 결과를 검증한다는것은 ESS에서나 쓸수있는정도이며 실제 전기차와같은 Dynamic한 profile상황은 전혀 반영하지 않은것 같습니다.
최종 결과물로써, EKF(Extended Kalman Filter)기반의 SOC추정 정확도 대비 2배이상 오차가 납니다.
(EKF 평균 1.1% 오차, PM 평균 2.4% 오차)
EKF는 파라미터에 민감하다는 것을 단점으로 꼽았는데, 논문의 필자가 검증에 사용한 EKF가 어떤것인지도 궁금하네요
아마 제 예상으로는 파라미터 민감성 얘기를 하는것으로 보아 State Space Equation을 2RC 등가회로모델을 사용하여 [단자전압,1차분극,2차분극]으로 두고 진행했을것 같긴합니다.
개인적으로는 논문 제목만 보고 기대를 했으나, 상당히 아쉬운점이 많았습니다.
Battery Degradation을 반영한 SOC추정이라길래, SOH를 정확하게 반영하는 어떤 Neural Network를 설계했나? 라고 생각했으나 그런건 전혀 아니고, 실험기반으로 임의의 데이터(Practical Capacity)를 만들어 학습시켰고, 실제 전기차의 주행상황과 전혀 동떨어진 부하패턴으로 검증을했는데 나름 잘나왔지만, 기존에 대부분의 배터리 알고리즘 연구자들이 사용하고 있는 EKF보단 못하더라 라는게 결론이기 때문입니다.
참조
1. LiuWang Kang, Xuan Zhao, Jian Ma, A new neural network model for the state-of-charge estimation in the battery degradation process,Applied Energy,Volume 121,2014,Pages 20-27,ISSN 0306-2619,
https://doi.org/10.1016/j.apenergy.2014.01.066.
2. Yanxing Hu, Jane Jia You, James N.K. Liu, Tiantian He,
ㅊ,Volume 428,2018,Pages 62-75,ISSN 0020-0255,
https://doi.org/10.1016/j.ins.2017.08.092.
댓글