State-of-Charge (SOC) Prediction of Lithium Iron Phosphate (LiFePO4) Batteries for Automotive Application Based on Intelligent S
[1] Martinez, C., Sorlien, D., Goodrich, R., Chandler, L., Magnuson, D. (2005) Using Cell Balancing to Maximize the Capacity of Multi-cell Li- Ion Battery Packs. [2] Khan, M. R., Mulder, G., Mierlo, J. V. (2013). An online framework for state of charge det
webcache.googleusercontent.com
[출처] @inproceedings{Reis2014StateofChargeS, title={State-of-Charge ( SOC ) Prediction of Lithium Iron Phosphate ( LiFePO 4 ) Batteries for Automotive Application Based on Intelligent Systems}, author={M. Reis}, year={2014} }
※ The picture and content of this article are from the original paper.
[논문요약]
SOC prediction of LFP Batteries for Automotive Application Based on Intelligent Systems
LFP배터리의 SOC calibration을 위해 EIS데이터를 학습하여 현재 SOC를 추정하는 논문입니다.
Purpose
보통 SOC 관련 논문은 Real time으로 continuous하게 추정하는것이 일반적인데
해당 논문은 석사 학위 논문이기도하고, LFP배터리의 특성상 로직으로 continuous하게 SOC를 추정하기가 어렵기때문에 아무래도 테슬라에서 취하고 있는 전략과 같이 Calibration에 집중한것으로 보입니다.
SOC Calibration시에도 LFP는 OCV 특성변화가 거의없기때문에 어떻게 할지 다양하게 연구되고있는데요, 필자는 EIS데이터를 Fuzzy System으로 학습시키는 방식을 선택했습니다.
Contents
논문 내용은 간단합니다.
매번 OCV상태가 될때까지 Relaxation시킨후 38개의 Frequency에 대해 Nyquist plot을 그리고, 이때의 SOC를 Output으로 하여 학습시키는 방식입니다.
필자는 이렇게 하는 방식은 Real time으로 continuous하게 할순 없기에 25%,50%,75%100% 이렇게 4개지점에 대해 추정하는 것으로 목표했습니다.
(그렇다고 Classification은 아닙니다.)
이렇게 각 4개지점들에 대해서 나오는 Real, Imag에 대해 각각 38개 주파수포인트(38*2=76)에 4개의 집합으로 나누어 총 302개의 데이터를 얻어냅니다. (필자는 5개 클래스로 76*5=380개라는데 왜 5개라는건지 모르겠네요)
그리고 학습을 시키는 방식인데,
이 방식의 치명적인 문제점은 EIS자체가 Noise에 아주 민감하기때문에 조금만 값이 흔들려도 Nyquist Plot 개형이 많이 바뀔수 있다는 것입니다.
따라서, 필자는 학습을 시킬때 Noise에 강건해지도록 학습데이터에 Noise를 10%정도 첨가해주었다고합니다.
그리고는 이렇게 Neuro Fuzzy System으로 학습하기위해 데이터셋을 확보하는데, 그래프로 나타낸 모습입니다.
각 pixel들에 대한 데이터들이 학습인자가 됩니다.
최종적으로 학습된 결과를보니, 꽤나 오차가 많습니다.
빨간색으로 표시된게 예측된부분, 파란색원이 실제값입니다. 언뜻봐도 Variance가 아주큰것을 확인할 수 있습니다.
이를 위해서 Fuzzy System의 값을 그대로 쓰는게 아니라, 하기와 같은 조건문을 통해 한번더 필터링을 해준다고합니다.
Variance와 Mean값에 따라서 조금더 값이 강건화되고 균일하게 제어될수있도록 Filtering을 했습니다.
하지만 이렇게하더라도 값들이 튀는 현상을 다 막아낼순없기에 필자는 Nyquist Plot으로 그려지는 38개 주파수에 대한 COG(Center Of Gravity)지점 1개(논문에선 Centroid라고부름)를 얻어내, SOC를 추정하고자합니다.
상기 그래프의 굵은 동그라미들이 COG인데요
이 COG들을 보면 Noise가 껴도 상관없이 정확한 SOC를 추정할수 있다고합니다.
(Noise를 AWGN으로 봤기에 Mean값이 0이므로, COG에는 크게 영향X)
COG를 보기위해 SOC, Z_re, Z_imag를 각 축으로 하여 3차원으로 그림을 그린 모습입니다.
이렇게 COG를 그려도 25/50/75/100과 같이 특정지점에서만 SOC를 찾을 수 있다는것 변함이 없습니다.
상기 논문 방식의 가장 큰 문제점은 열화가 진행됨에따라 EIS값이 동일한 SOC에서도 계속바뀐다는 점입니다.
이문제를 해결하기위해 필자는 연구 초기에는 한달에 한번씩 매번 다시 SOC별로 EIS를 측정했다고합니다.
이걸, 실제 필드에서 계속할수는 없으니 초기 몇달치의 데이터를 가지고 EIS의 변화또한 예측하도록 Fuzzy System을 구현했다고합니다.
그 결과, 예측한값이 상당히 잘 따라가는것을 확인할 수 있습니다.
Results
학위논문이기에 많은것을 기대할 수는 없고, 보통 알고리즘 엔지니어들이 생각하는 범주내에서 충분히 나올 수 있는 논문 주제였습니다.
SOC를 1% Resolution으로라도 잘 따라가는것을 보여주었다면 조금더 의미가 있었겠지만
25% 50% 75% 100%정도는 아무리 LFP라도 OCV변화로 충분히 SOC calibration을 할수있습니다.
참조
1. @inproceedings{Reis2014StateofChargeS, title={State-of-Charge ( SOC ) Prediction of Lithium Iron Phosphate ( LiFePO 4 ) Batteries for Automotive Application Based on Intelligent Systems}, author={M. Reis}, year={2014} }
댓글