논문 전문 : https://www.sciencedirect.com/science/article/abs/pii/S0378775318311777
[출처] Xiaoyu Li, Zhenpo Wang, Lei Zhang, Changfu Zou, David. D. Dorrell,State-of-health estimation for Li-ion batteries by combing the incremental capacity analysis method with grey relational analysis,Journal of Power Sources,Volumes 410–411,2019,Pages 106-114,ISSN 0378-7753,https://doi.org/10.1016/j.jpowsour.2018.10.069.
※ The picture and content of this article are from the original paper.
[논문요약]
State-of-health estimation for Li-ion batteries by combing the incremental capacity analysis method with grey relational analysis
일반적으로 Battery Management System에서 Lab Scale이 아닌 실제 Mass Product에서 얻을 수 있는 데이터는 상당히 제한적입니다. 센서의 성능(Resolution)뿐만 아니라 시간분해능(Time Resolution)도 양산 단가를 고려하면 저성능일 수 밖에 없기때문입니다. 따라서 전류/전압 센서는 반드시 쓰이는것을 사용해 이 둘을 잘 조합하고 섞어서 배터리의 상태 추정에 사용하려는 연구들이 많이 진행되고있습니다.
가장 대표적인것이 DVA/ICA인데 해당 논문은 ICA(Incremental Capacity Analysis)에 관한 내용입니다.
사실 저는 최근 DVA/ICA의 성능에 대한 근본적인 의구심을 가지고 있습니다. 그래서 DVA ICA 및 기타 HI에 대한 논문을 닥치는대로 읽는중인데, 그 이유가무엇이냐면
기본적으로 galvanostatic 방법을 사용하는 ICA DVA의 경우 CC로 시험하는 경우가 많기에 사실상 DVA ICA는 전류가 상수처리되서 시간당 전압변화, 전압당 시간변화라는 아주 단순한 의미로밖에 해석되지 않습니다. 물론, 그림을 그리면 전압변화량과 시간변화량의 관계를 도출하는데 도움은될 수 있으나 이것이 과연 근본적인 배터리의 상태를 표출할수있는것인가?에 대한 생각이 많이있습니다. 자칫 용량변화랑 대비 전압변화량이라고하면 꽤나 거창한것 처럼 들릴 수 있지만, CC를 사용하는것이 정석이기에 용량변화량은 곧, 시간변화량과 동일하게 되기때문입니다.
이런 저의 관념에 반하는 연구를 찾기위해 읽다가 보게된 논문이였습니다. (결과적으로 저의 근본적 궁금증이 해결된 논문은 아닙니다.)
Purpose
일반적으로 흔히 사용되는 기법인 ICA를 배터리 HI(Health Index)로 두고 이것에 관해 분석하는 내용의 논문입니다.
이 논문에서는 분석 방법을 "Grey Relational Analysis(GRA)"로 선택했습니다.
하지만 해당논문에서 꽤나 유의미하다고 생각되는 부분은 Fig.5를 통해 꽤나 실제 상황에서 사용할 수 있을정도의 프로세스를 표현했다는 점입니다.
즉, 논문의 저자가 실제 상황에서 galvanostatic base의 ICA DVA를 적용하기 얼마나 어려운것인지 충분히 이해하고 있기에 interpolation과 filtering기법 및 특정 전압대역에서만 해당 분석을 진행하였습니다.
Contents
논문에서 ICA를 분석하는 방법은 단순합니다.
이전까지도 ICA DVA에 관해 몇가지 논문을 정리했는데, 결국 근본적인 관통원리는 똑같습니니다.
Peak의 높낮이와 Shifting된 정도를 통해 열화(SOH)정도를 추정하겠다.
ICA를 예로들면 상기 그림과 같습니다.
3.4V부근에서 Peak치가 있는데 이것은 전압변화량당 용량변화량이 큰 구간입니다. 즉, 동일한 전압변화량에서 용량변화량이 크다는 것으로 다른 SOC대역대비 전압변화가 크지 않은 구간이라고 볼 수 있습니다.
실제로 하기이미지를 보게되면 CC충전시 3.4V대역에서 SOC가 계속 차고있음에도 전압변화량이 다른구간 대비 크지 않다는것을 알 수 있습니다. 따라서, 이것이 ICA에서는 Peak로 나타나는데 이 Peak치의 높낮이와 Shifting된 정도로 열화를 추정할 수 있습니다.
기본적인 원리는 간단합니다.
열화시 Peak 높이가 점점 낮아지는데 그 이유는 열화가 진행될수록 내부저항이 커지게되고, 가용용량은 점점 작아지므로 이것은 동일한 전압변화량 구간에서 충전할 수 있는 용량이 점점 낮아짐을 의미합니다. (내부저항의 증가로 Fresh셀 대비 전압이 크게 걸리므로)
또한, 열화시 Peak가 점점 오른쪽으로 이동하게 되는데 이또한 내부저항의 증가로 인해 동일한 용량대역에서 전압이 커지기 때문입니다.
이까지는 ICA의 기본 베이스이고 해당 논문은 GRA(Grey Relational Analysis)라는 방식을 통해 이 데이터를 분석하고자 합니다. GRA란 활용할 수 있는 데이터의 수가 제한적일때 데이터가 존재할때/존재하지 않을때를 각각 0/1(흑/백)으로 나누어 통계적으로 접근하여 분석하는 방식으로 결과론적으로는 GRA를 통해 계산한 현재 SOH와 Reference ICA의 차이를 비교함으로써 배터리 열화상태를 추정하는 논문입니다.
Results
GRA라는 통계적 방식을 통해 정교한 ICA를 얻어내는 논문으로, 사실상 기존의 LPF기반으로 필터링시켜서 ICA를 얻어내는 논문들과 메소드 적으로는 동일합니다. 단지 통계적방식으로 했을뿐입니다.
하지만, 위에도 정리했다시피 다소 유의미하다고 생각되는점은 해당 필자가 Lab Scale만하고 끝낸게아니라 실제로 적용하기위해서는 어느정도 제약조건에서 해야한다고 정확하게 명시하고 있다는 점입니다.
저는 개인적으로 ICA/DVA를 EV에 쓸수 없다고 생각합니다. EV가 아니라도 논문용 연구로밖에 생각하지 않는 이유가 ICA/DVA Peak 및 전체적인 그래프는 열화 외에도 영향을 주는 인자가 엄청나게 많습니다. 온도만 살짝 바뀌어도 엄청나게 틀어지게 됩니다. Lab Scale에서는 이것을 모두 제어하여 정확하게 SOH의 영향만을 추정할 수 있겠지만, 양산하는 차량은 수백 수천개의 배터리셀이 들어가고 이들의 발열 및 냉각시스템의 구성에 따른 영향성... 외기온, 냉각수온도,... 너무나도 영향을 주는 인자가 많기때문입니다. 그리고 무엇보다도 이들을 다 차처한다 하더라도 전류/전압센서가 엄청나게 정교해야하는데 Mass Product에 이런 센서를 적용하기란 쉽지않습니다.
참조
[1] Xiaoyu Li, Zhenpo Wang, Lei Zhang, Changfu Zou, David. D. Dorrell,State-of-health estimation for Li-ion batteries by combing the incremental capacity analysis method with grey relational analysis,Journal of Power Sources,Volumes 410–411,2019,Pages 106-114,ISSN 0378-7753,https://doi.org/10.1016/j.jpowsour.2018.10.069.
댓글