๊ถ์์ฑ
(Sanguk Kwon)
1iD
ํ๋ํธ
(Dongho Han)
1iD
๋ฐ์ฑ์ค
(Seongyun Park)
1iD
๊น์ข
ํ
(Jonghoon Kim)
โ iD
-
(Department of Electrical Engineering, Chungnam Natโl University)
Copyright ยฉ The Korean Institute of Electrical Engineers(KIEE)
Key words
Electric vehicle(EV), Urban dynamometer driving schedule(UDDS), State-of-health(SOH), Machine learning, Artificial neural network(ANN), Long short term memory(LSTM)
1. ์ ๋ก
ํ์์ฐ๋ฃ ๊ฐ๊ฒฉ์ ์ธ์๊ณผ ํ๊ฒฝ๋ฌธ์ ์ธ์์ ๋ณํ๋ก ์ ๊ธฐ์๋์ฐจ(electric vehicle; EV)์ ์์ฅ๊ท๋ชจ๋ ์ฆ๊ฐํ๊ณ ์๋ ์ถ์ธ์ด๋ฉฐ, ์ธ๊ณ์ ์ธ ์ ๊ธฐ์๋์ฐจ
ํ์ฐ์ ์ฑ
์ผ๋ก ์์ฅ๊ท๋ชจ๋ ๋์ฑ ์ปค์ง ๊ฒ์ผ๋ก ์์๋๋ค(1). ์ด์, ์ ๊ธฐ์๋์ฐจ์ ์ฃผ์ ๋ถํ๋ค์ ์ฐ๊ตฌ ๋ฐ ๊ฐ๋ฐ๋ ํ๋ฐํ ์งํ๋๊ณ ์๋๋ฐ, ์ด ์ค ๋ฆฌํฌ์ด์จ ๋ฐฐํฐ๋ฆฌ๋ ๊ณ ์๋์ง/๊ณ ์ ๋ ฅ๋ฐ๋ ๋ฐ ์ฅ์๋ช
์ ์ฅ์ ์ด ์์ด
์ ๊ธฐ์๋์ฐจ์ ์ฃผ๋๋ ฅ์์ผ๋ก์จ ์ฌ์ฉ๋๊ณ ์๋ค(2). ๊ทธ๋ ์ง๋ง, ๊ธ์์ถฉ์ ๋ฐ ๋ค์ํ ์ ๋ฅํฌ๊ธฐ(C-rate)๋ก ์ถฉ์ ๊ณผ ๋ฐฉ์ ์ด ๋น๋ฒํ๊ฒ ๋ฐ๋ณต๋๋ ์ ๋ฅํ๋กํ์ผ์ ํน์ฑ์ ๋ฆฌํฌ์ด์จ ๋ฐฐํฐ๋ฆฌ์ ์ดํ๋ ๋ถ๊ฐํผํ๋ฉฐ(3), ์ด๋ก ์ธํ ๋ฐฐํฐ๋ฆฌ์ ์ ๊ธฐํํ์ ํน์ฑ์ ๋ณํ, ์ฆ ๋ฐฉ์ ์ฉ๋์ ๊ฐ์ ๋ฐ ๋ด๋ถ์ ํญ์ ์ฆ๊ฐ๊ฐ ์ผ๊ธฐ๋๋ค(4). ์ดํ๋ก ์ธํ ์ ๊ธฐํํ์ ํน์ฑ๋ณํ๋ ์ ๋ฐ์ ์ธ ์ ๊ธฐ์๋์ฐจ์ ์ฑ๋ฅ์ ์ ํ(์ถ๋ ฅ์ ํ ๋ฐ ์ดํญ์ฃผ๋ก ์ธํ ์์ ์ฑ์ ๋ฌธ์ ๋ฑ)์ํค๋ ๋งํผ ๋ฆฌํฌ์ด์จ ๋ฐฐํฐ๋ฆฌ์
์ดํ ์ํ๋ฅผ ํจ์จ์ ์ผ๋ก ๋ชจ๋ํฐ๋งํ๊ธฐ ์ํ ๋ฐฐํฐ๋ฆฌ๊ด๋ฆฌ์์คํ
(battery management system; BMS)์ด ํ์ํ๋ฉฐ, ํนํ ์ดํ์ํ์ ์งํ๋ก
์ฌ์ฉ๋๋ ์๋ช
์ํ(state-of-health; SOH)์ ์ ํํ ์ถ์ ๋ฐ ์์ธก์ด ์๊ตฌ๋๋ค. ํ์ง๋ง, ์ ๊ธฐ์๋์ฐจ์ ์ฌ์ฉ๋๋ ๋ฆฌํฌ์ด์จ ๋ฐฐํฐ๋ฆฌ์ ์ดํ๋
์ธ๋ถํ๊ฒฝ ๋ฐ ์ฌ์ฉ์กฐ๊ฑด ๋ฑ๊ณผ ๊ฐ์ ๋ค์ํ ์ํฅ์ ์ํธ์์ฉ์ผ๋ก ๋ฐ์ํ๋ฉฐ, ์ดํ์ ๋ฐ๋ฅธ ๋ฆฌํฌ์ด์จ ๋ฐฐํฐ๋ฆฌ์ ๋ด๋ถ ์ ๊ธฐํํ์ ๋ณํ์ ์ง์ ์ธก์ ์ ์ด๋ ค์๊ณผ ๋น์ ํ์ฑ์ผ๋ก
์์ธก์ด ์ฝ์ง ์์ ๋ฌธ์ ์ ์ด ์๋ค(5). ์ด๋ฌํ ๋ฌธ์ ์ ์ ํด๊ฒฐํ๊ธฐ ์ํ์ฌ ๋ฐฐํฐ๋ฆฌ ๋ด๋ถ์ ๋ณต์กํ ๋ณํ๋ฅผ ๊ณ ๋ คํ์ง ์์๋ ๋๋ฉฐ, ๋น์ ํ ๋ชจ๋ธ ์ถ์ ์ ๊ฐ์ ์ ๊ฐ๋ ์ธ๊ณต์ ๊ฒฝ๋ง(artificial
neurnal network; ANN) ๊ธฐ๋ฒ์ ์ ๋ชฉ์ํค๋ ์ฐ๊ตฌ๊ฐ ์งํ๋๊ณ ์๋ค(6).
๋ณธ ์ฐ๊ตฌ๋ ์ธ๊ณต์ ๊ฒฝ๋ง์ ์ฌ๋ฌ ๋ฐฉ๋ฒ ์ค์ ์์ฑ์ธ์ ๋ฐ ์๊ณ์ด ๋ถ์์ ๊ฐ์ ์ ๊ฐ์ง๋ long short term memory(LSTM) ๋ชจ๋ธ์ ์ด์ฉํ์ฌ
๋ฆฌํฌ์ด์จ ๋ฐฐํฐ๋ฆฌ์ SOH ์์ธก์๊ณ ๋ฆฌ์ฆ์ ๊ตฌํํ์๋ค. ์ด๋ฅผ ์ํด, ๋ฆฌํฌ์ด์จ ๋ฐฐํฐ๋ฆฌ์ ์ดํ ์คํ ๋ฐ ์ ๊ธฐ์ ํน์ฑ๋ถ์์ ์ง์ ์ค์ํ์ฌ ๋ด๋ถ ์ดํํ๋ผ๋ฏธํฐ๋ฅผ
์ถ์ถํ์๊ณ ๋ฐฉ์ ์ฉ๋๊ณผ ๋ด๋ถ์ ํญ์ ๋ณํ ๊ธฐ๋ฐ ์คํ๋ผ์ธ ์๊ด๋ถ์(์๊ด๊ณ์ ์ฐ์ถ)์ ํตํด LSTM ๋ชจ๋ธ ๊ตฌ์ฑ์ ์ํ ๋ฐ์ดํฐ์
์ ํ๋ฆฝํ์๋ค. LSTM ๋ชจ๋ธ
๊ตฌํ์ ์ํด ๊ตฌ๊ธ(Google)์์ ์ ๊ณตํ๋ ์คํ์์ค์ธ ํ
์ํ๋ก์ฐ(Tensorflow) ๋ฐ ์ผ๋ผ์ค(Keras) ํจํค์ง๋ฅผ ์ฌ์ฉํ์๊ณ , ์ด์ ๊ฒ์ฆ์ ์ํด
recurrent neurnal network(RNN)๊ธฐ๋ฐ SOH ์์ธก์๊ณ ๋ฆฌ์ฆ ๊ฒฐ๊ณผ์ ๋น๊ตํ์๋ค.
2. ๋ฆฌํฌ์ด์จ ๋ฐฐํฐ๋ฆฌ ์ดํ ์คํ ๋ฐ ๋ถ์
(์๋์ฐจ ์ฃผํ ์ฌ์ดํด ์ด์ฉ)
2.1 SOH(State-of-health)
SOH๋ ๋ฆฌํฌ์ด์จ ๋ฐฐํฐ๋ฆฌ ์ดํ๋ก ์ธํ ์ฑ๋ฅ ๊ฐ์์ ์งํ๋ก์จ ์ด๋ฅผ ํ ๋๋ก ๋ฐฐํฐ๋ฆฌ์ ์๋ช
์ ํ๋จํ๋ค. ์ผ๋ฐ์ ์ผ๋ก SOH๋ ์(1)๊ณผ ๊ฐ์ ์ด๊ธฐ ๋๋น ์ดํ์ ์ํด ๊ฐ์๋ ๋ฐฉ์ ์ฉ๋ ๋ฐ ์(2)์ ๊ฐ์ ์ด๊ธฐ ๋๋น ์ดํ์ ์ํด ๊ฐ์๋ ์ถ๋ ฅ, ์ฆ ๋ด๋ถ์ ํญ ์ฆ๊ฐ๋ก ์ ์ํ ์ ์๋๋ฐ, ์ด๊ฒ์ ์ค์ ์ฌ์ฉ ๊ฐ๋ฅํ ์ฉ๋์ ๊ฐ์์ ์ถ๋ ฅ ๊ฐ์๋ก ์ธํ ๋ฐฐํฐ๋ฆฌ์
์ฑ๋ฅ ๊ฐ์๋ฅผ ์๋ฏธํ๋ค.
์ด ๋, Cnact์ Pact๋ ํ์ฌ ์ฌ์ฉ๊ฐ๋ฅ ๋ฐฉ์ ์ฉ๋ ๋ฐ ์ถ๋ ฅ, Cnfresh์ Pfresh๋ ์ ๊ฒฉ ์ฉ๋ ๋ฐ
์ด๊ธฐ ์ถ๋ ฅ, CnEOL์ PEOL์ ์๋ช
์๊ณ์ (end of life: EOL)์์์ ๋ฐฉ์ ์ฉ๋ ๋ฐ ์ถ๋ ฅ์ ์๋ฏธํ๋ค. ์๋ช
์๊ณ์ (EOL)์
SOH๊ฐ 0์ธ ์ํ๋ฅผ ๋ํ๋ด๋ฉฐ, ๋ฐฉ์ ์ฉ๋์ ๊ฒฝ์ฐ์๋ ์ด๊ธฐ ์ฉ๋ ๋๋น 80%์ ์์กด์ฉ๋์ด๋ผ๋ ๊ธฐ์ค์ ์ฌ์ฉํ์ง๋ง ์ ํญ์ ๊ฒฝ์ฐ๋ ๊ธฐ์ค์ด ๋ช
ํํ์ง ์์ผ๋ฏ๋ก
๋ฐฉ์ ์ฉ๋์ผ๋ก SOH๋ฅผ ํ๋จํ๋ ๊ฒ์ด ์ผ๋ฐ์ ์ด๋ค(7). ํ์ง๋ง ๋ฐฉ์ ์ฉ๋ ์ธก์ ์ ์์ ์ถฉ์ ์ดํ ์์ ๋ฐฉ์ ๋์ ์ ๋ฅ์ ์ฐ๋ฒ(ah-counting)์ผ๋ก ๊ณ์ฐํ๊ธฐ ๋๋ฌธ์ ์ผ์์ ์ ํ๋์ ์ํฅ์ ๋ง์ด ๋ฐ์ผ๋ฉฐ,
๋ง์ ์๊ฐ์ ์๋นํด์ผํ๋ค๋ ๋ฌธ์ ์ ์ ๊ฐ์ง๊ณ ์๋ค.(8) ๋ฐ๋ผ์ ์ง์ ์ ์ธ ๋ฐฉ์ ์ฉ๋ ์ธก์ ์ ๋์ ํ์ฌ ํน์ ํ๋ผ๋ฏธํฐ๋ฅผ ํตํ ๊ฐ์ ์ ์ธ ์ธก์ ๋๋ ๋ฐฉ์ ์ฉ๋์ ์ถ์ ํ๋ ์๊ณ ๋ฆฌ์ฆ ์ฐ๊ตฌ๊ฐ ํ์ํ๋ค.
2.2 ์๋์ฐจ ์ฃผํ ์ฌ์ดํด ์ดํ ์คํ
๋ณธ ์คํ์ ์ ๊ธฐ์๋์ฐจ(EV)์ ๊ฐ์ ๊ณ ์ถ๋ ฅ ์ดํ๋ฆฌ์ผ์ด์
์ ์ดํ ๋ถ์์ ์ํ ์คํ์ผ๋ก ํ 1์์ ๋ํ๋ NCA๊ณ์ด์ ๊ณ ์ถ๋ ฅ 18650 ์ํตํ ์
์ ์ฌ์ฉํ์๋ค. ๋ํ ์ค์ ๋์ฌ์์ ์ฃผํ๋๋ ์ ๊ธฐ์๋์ฐจ์ ๋ค์ํ ์ถ๋ ฅ์ด ๋ฐ๋ณต๋๋ ์ํฉ์ ๋ชจ์ฌํ๊ธฐ
์ํด UDDS(urban dynamometer driving schedule) ํ๋กํ์ผ์ ์ฌ์ฉํ์ฌ ์คํ์ ์งํํ์๋ค. UDDS ํ๋กํ์ผ ๊ธฐ๋ฐ ์คํ์
์๋์ฐจ ์ฃผํ ์ฌ์ดํด์ ๋ฐ๋ฅธ ๋ฐฐํฐ๋ฆฌ ์ดํ ๋ถ์ ๋ฐ ๋ฐฐํฐ๋ฆฌ ๋ด๋ถ ํ๋ผ๋ฏธํฐ ๋ฐ์ดํฐ๋ฅผ ํ๋ณดํ์ฌ SOH ์ถ์ ๋ชจ๋ธ ๊ฐ๋ฐ์ ํธ๋ฆฌํ ์ฅ์ ์ ๊ฐ๊ณ ์๋ค. ๊ทธ๋ฌ๋
์ค์ ์๋์ฐจ ์ฃผํ ๊ณผ์ ์์์ ์ง๋, ์ถฉ๊ฒฉ ๋ฑ์ ๋ฌผ๋ฆฌ์ ์ธก์ ๋ฐ ์ฌํ ๋ถ์์ด ๋ถ๊ฐ๋ฅํ๋ค๋ ํ๊ณ์ฑ์ด ์กด์ฌํ๋ค(9).
ํ 1. 18650 ์ํตํ 25R ๋ฐฐํฐ๋ฆฌ ์ฌ์
Table 1. 18650 cylindrical 25R battery specification
Characteristic
|
Specification
|
Nominal discharge capacity
|
2500mAh
|
Nominal voltage
|
3.6V
|
Standard charge
|
CCCV, 1.25A, 4.2ยฑ0.05V,
125mA cut-off
|
Discharge cut-off voltage
|
2.5V
|
๊ทธ๋ฆผ. 1. UDDS ํ๋กํ์ผ (a) ๋จ์ ์ ์ (b) ์ ๋ฅ
Fig. 1. UDDS profile (a) terminal voltage (b) input current
๊ทธ๋ฆผ. 2. ์๋์ฐจ ์ฃผํ ์ฌ์ดํด ์ดํ ์คํ ํ๋กํ์ผ
Fig. 2. Aging experiment profile with UDDS
์ธ๋ถ ํ๊ฒฝ์์ธ์ผ๋ก ์ธํ ์ดํ๋ฅผ ๋ฐฉ์งํ๊ธฐ ์ํด ํญ์จ ํญ์ต ์ฑ๋ฒ๋ฅผ ์ฌ์ฉํ์ฌ ์คํ์ ์งํํ์์ผ๋ฉฐ, ์ฑ๋ฒ ๋ด๋ถ ์จ๋๋ฅผ ์์จ(25โ)์ผ๋ก ์ค์ ํ ์ดํ ์ค์
๋ฐฐํฐ๋ฆฌ์ ์จ๋๋ฅผ ๋์ผํ๊ฒ ๋ง์ถ๊ธฐ ์ํด ์ฑ๋ฒ ์์ 1์๊ฐ๋์ ์ ์ง์์ผฐ๋ค. ์ดํ ์คํ์ ๊ทธ๋ฆผ 1์์์ UDDS ํ๋กํ์ผ์ 1์ฌ์ดํด ์ ์ํ๊ณ ๊ทธ๋ฆผ 2์ ๊ฐ์ด ์ฌ์ดํด์ ๋ฐ๋ณตํ๋ฉฐ ์งํํ์๋ค. CC-CV(constant current- constant voltage)๋ฅผ ํตํ ๋ง์ถฉ(fully charge)
์ดํ์ SOC(state of charge) 80%๊น์ง ๋ฐฉ์ ์ดํ 10 ์ฌ์ดํด์ ๋ฐ๋ณตํ์์ผ๋ฉฐ, ๊ฐ ์ฌ์ดํด ์ฌ์ด์ ๋ฐฐํฐ๋ฆฌ ์์ ํ๋ฅผ ์ํด 1์๊ฐ์ ํด์ง๊ฐ๊ฒฉ(Rest)์
๋ถ์ฌํ์๋ค. ์ดํ ์คํ์ 10์ฌ์ดํด ์ฃผ๊ธฐ๋ก ์ด 400์ฌ์ดํด์ ์คํ์ ์ํํ์๋ค.
๊ทธ๋ฆผ. 3. ์ดํ์ ๋ฐ๋ฅธ ์ฉ๋ ํ๋กํ์ผ ์ ์ ๊ณก์ ์ ๋ณํ
Fig. 3. Variation of capacity profile voltage curve with aging
2.3 ์ ๊ธฐ์ ํน์ฑ ๊ธฐ๋ฐ ์ดํ ํ๋จ ํน์ฑ ํ๋ผ๋ฏธํฐ ๋ถ์
2.3.1 ์ดํ์ ๋ฐ๋ฅธ ์ฉ๋ ์คํ ๋ฐ ๋ฐฉ์ ์ฉ๋ ์ธก์
์๋์ฐจ ์ฃผํ ์ฌ์ดํด์ ๋ฐ๋ฅธ ๋ฐฐํฐ๋ฆฌ ์ดํ๋ก ๋ณํํ๋ ๋ฐฉ์ ์ฉ๋์ ์ธก์ ํ๊ธฐ ์ํด ๊ทธ๋ฆผ 3๊ณผ ๊ฐ์ ๋ง์ถฉ ์ดํ ๋ง๋ฐฉ์ผ๋ก ์งํ๋๋ ์ฉ๋ ํ๋กํ์ผ์ ์ฌ์ฉํ์๋ค. ์ฉ๋ ํ๋กํ์ผ์ 1C-rate ์ถฉ์ ์ ๋ฅ๋ก SOC 80%์์๋ถํฐ CC-CV๋ก ๋ง์ถฉ
์ดํ์ 1์๊ฐ์ ํด์ง์๊ฐ์ ์ ์ฉํ๊ณ 1C-rate์ ๋ฐฉ์ ์ ๋ฅ๋ก ํํ ์ ์๊น์ง ๋ง๋ฐฉ์ ์์๋ก ์งํํ๋ฉฐ ์์ ์ถฉ์ ์ดํ ์์ ๋ฐฉ์ ์ ํตํด ๋ง๋ฐฉ๊น์ง ์ ๋ฅ๋ฅผ
์ ์ฐํ์ฌ ๋ฐฉ์ ์ฉ๋์ ์ธก์ ํ์๋ค. ์คํ์กฐ๊ฑด์ ์์จ(25โ)์กฐ๊ฑด์ ์ฑ๋ฒ ๋ด๋ถ์์ ๋ฐฐํฐ๋ฆฌ ์คํ์ ๋ฐ๋ผ ์ถฉ์ ์ํ ์ ์(4.2V)๊ณผ ๋ฐฉ์ ํํ ์ ์(2.5V)์
์ ์ฉํ์ฌ UDDS ํ๋กํ์ผ 10์ฌ์ดํด ์ดํ๋ง๋ค ์งํํ์๋ค.
2.3.2 ์ดํ ํ๋จ ํน์ฑ ํ๋ผ๋ฏธํฐ ์ถ์ถ ๋ฐ ์๊ด๋ถ์
SOH ์์ธก์ ์ํ ๋ฐฉ์ ์ฉ๋ ์ธก์ ์ ๋ง์ถฉ๊ณผ ๋ง๋ฐฉ์ผ๋ก ์งํ๋๋ ํ๋กํ์ผ ํน์ง์ ์๊ฐ ์๋น๊ฐ ํฌ๋ฉฐ, ๋ฐฐํฐ๋ฆฌ ๋ถ๋ด์ด ํฌ๊ธฐ ๋๋ฌธ์ ์ค์ ์ดํ๋ฆฌ์ผ์ด์
์์๋
์ค์ง์ ์ผ๋ก ๋ถ๊ฐ๋ฅํ๋ค. ํ์ง๋ง ์ด๋ฌํ ๋ฌธ์ ์ ์ ๋ฐฐํฐ๋ฆฌ ์ดํ์ ๋ฐ๋ผ ๋ณํํ๋ ํน์ฑ ํ๋ผ๋ฏธํฐ๋ฅผ ํตํ ์ถ์ ์ผ๋ก ํด๊ฒฐํ ์ ์์ผ๋ฉฐ, ์ค์๊ฐ SOH ์์ธก์
์ํ ํน์ฑ ํ๋ผ๋ฏธํฐ๋ ์ ์ ๊ณ์ฐ๋๊ณผ SOH ๋ฐ ๋ฐฉ์ ์ฉ๋๊ณผ์ ๋์ ์๊ด๊ด๊ณ๊ฐ ์๊ตฌ๋๋ค.
๊ทธ๋ฆผ 4๋ ์ฉ๋ ์คํ์์ ์ดํ์ ๋ฐ๋ผ ๋ณํํ๋ ์ ์๊ณก์ ์ ๋ํ๋ธ ๊ทธ๋ํ์ด๋ค. ์ฌ์ดํด์ ์ฆ๊ฐ์ ๋ฐ๋ผ ์ ์ ๋ณํ๋์ด ์ฆ๊ฐํ๋ ๊ฒ์ ํ์ธํ ์ ์์ผ๋ฉฐ,
์ด๋ ์ดํ์ ๋ฐ๋ฅธ ๋ด๋ถ์ ํญ์ ์ฆ๊ฐ๋ฅผ ๋ณด์ฌ์ค๋ค. ๋ด๋ถ์ ํญ์ ์ฆ๊ฐ๋ ๋ฐฐํฐ๋ฆฌ ์ถ๋ ฅ ๊ฐ์๋ฅผ ์๋ฏธํ๋ฉฐ, ์ฆ ์ดํ๋ก ์ธํ ๋ฐฐํฐ๋ฆฌ ์ฑ๋ฅ ๊ฐ์๋ฅผ ๋ํ๋ด๋ ํน์ฑ ํ๋ผ๋ฏธํฐ์ด๋ค.
๋ํ ์ ์์ ๋ณํ์จ์ ์ ๋ฅ๋ก ๋๋์ด ๊ณ์ฐ ๊ฐ๋ฅํ ์ ์ ๊ณ์ฐ๋์ด ํน์ง์ด๋ฉฐ ์ด๋ฌํ ํน์ง์ผ๋ก ์ค์๊ฐ ์ดํ ํ๋จ ํน์ฑ ํ๋ผ๋ฏธํฐ๋ก ์ฌ์ฉ ๊ฐ๋ฅํ๋ค.
๊ทธ๋ฆผ. 4. ์ดํ์ ๋ฐ๋ฅธ ๋ฐฉ์ ์ ์ ๊ณก์ ์ ๋ณํ ๋ฐ ์ ํญ์ถ์ถ
Fig. 4. Variation of discharge voltage curve with aging and resistance extraction
๋ด๋ถ์ ํญ์ ํน์ง์ ๋ฐ๋ผ ์ ๋ฅ์ ์ํ ์๊ฐ์ ์ธ ์ ์๊ฐํ๋ก ๋ํ๋๋ ์ง๋ ฌ์ ํญ(series resistance)๊ณผ ๋ถ๊ทนํจ๊ณผ๋ก ์ธํด ๋น์ ํ์ ์ธ ์ ์๊ฐํ๋ก
์ด์ด์ง๋ ๋ถ๊ทน์ ํญ(polarization resistance)์ผ๋ก ๊ตฌ๋ถํ ์ ์์ผ๋ฉฐ, ๋ฐ๋ผ์ ์(3)์์ ๋ํ๋ฌ๋ฏ์ด ์ง๋ ฌ์ ํญ๊ณผ ๋ถ๊ทน์ ํญ์ผ๋ก ๊ตฌ๋ถํ์๋ค. ์ง๋ ฌ์ ํญ์ ๋ฐฉ์ ์ ์๊ณก์ ์์ 100ms์ ์ํ๋ง์๊ฐ๋์ ์๊ฐ์ ์ธ ์ ์๋ณํ๋์ ๋ฐฉ์ ์ ๋ฅ๋ก ๋๋์ด
๊ณ์ฐํ์ผ๋ฉฐ, ๋ถ๊ทน์ ํญ์ ์๊ฐ์ ์ธ ์ ์ ๋ณํ ์ดํ ์งง์ ๋ฐฉ์ ๊ตฌ๊ฐ๋์ 1s์ 60s์ ๋ ๊ตฌ๊ฐ์ผ๋ก ๋๋์ด ๊ฐ ๊ตฌ๊ฐ์์์ ์ ์๋ณํ๋์ ๋ฐฉ์ ์ ๋ฅ๋ฅผ ๋๋์ด
๊ณ์ฐํ์๋ค(10).
๋ฆฌํฌ์ด์จ ๋ฐฐํฐ๋ฆฌ๋ฅผ ์ถฉ์ ํ๋ ๊ณผ์ ์์ CC๋ฅผ ํตํ ์ถฉ์ ์ SOC 100[%]๊น์ง ๋ง์ถฉ์ด ๋ถ๊ฐ๋ฅํ๋ฉฐ, ๋ง์ถฉ์ ๊ฐ๊น์ด SOC์ผ์๋ก ์ ํญ์ด ์ฌ๋ผ๊ฐ๋ ํน์ง์ผ๋ก
์ธํด ๋์ ์ ๋ฅ๋ ๋์ ์ ํญ์ฑ ๋ฐ์ด์ ์ผ๊ธฐ์์ผ ๋ด๋ถ์ ์์์ ์ผ์ผํจ๋ค(11). ๋ฐ๋ผ์ CC์ถฉ์ ์ผ๋ก ๋ฐฐํฐ๋ฆฌ ์ํ์ ์์ ๋๋ฌํ ๊ฒฝ์ฐ ์ผ์ ํ ์ ์์ผ๋ก ์ ๋ฅ๋ฅผ ์ต์๊น์ง ๋จ์ด๋จ๋ฆฌ๋ฉฐ ์ถฉ์ ํ๋ CC-CV ์ถฉ์ ๋ฐฉ์์ ์ผ๋ฐ์ ์ผ๋ก ์ฌ์ฉํ๋ค.
๊ทธ๋ฆผ 5๋ ์ฉ๋ ์คํ์์ ์ดํ์ ๋ฐ๋ผ ๋ณํํ๋ CC-CV ์ถฉ์ ์ ์๊ณก์ ์ด๋ฉฐ, ์ฌ์ดํด ์ฆ๊ฐ์ ๋ฐ๋ผ ๋ฐฐํฐ๋ฆฌ๊ฐ ์ดํ ๋ ์๋ก CC์ถฉ์ ์ ์งง์์ง๊ณ CV์ถฉ์ ์
๊ธธ์ด์ง๋ ๊ฒ์ ํ์ธํ ์ ์๋ค. ์ด๋ ๋ฐฐํฐ๋ฆฌ ์ดํ์ ๋ฐ๋ผ ๋ฐฉ์ ์ฉ๋์ ๊ฐ์๋๋ ๊ฒ์ ๋๋น๋์ด ์ถฉ์ ์ฉ๋์ ๊ฒฝ์ฐ์๋ ์ดํ์ ์ํด CC์ถฉ์ ์ฉ๋์ ์ฆ๊ฐํ๊ณ
CV์ถฉ์ ์ฉ๋์ ๊ฐ์ํ๋ ๊ฒ์ ์๋ฏธํ๋ค. CV์ถฉ์ ์ฉ๋์ ์ฆ๊ฐ๋ ์์กด์ฉ๋ ๋ฐ ๋ฐฐํฐ๋ฆฌ ์ถ๋ ฅ์ ์์ค๊ณผ ๋์๋๋ฉฐ, ๋ด๋ถ ๋ถ๊ท ํ์ผ๋ก ์ธํ ๋์ ๋ถ๊ทนํ์์ ์ผ๊ธฐํ์ฌ
์ฉ๋ ๊ฐ์๋ฅผ ๊ฐ์์ํค๋ ํน์ฑ ํ๋ผ๋ฏธํฐ์ด๋ค. ๋ํ CV์ถฉ์ ์ฉ๋์ ์ฆ๊ฐ๋ CV ์ถฉ์ ์๊ฐ์ผ๋ก ๋๋ณํ์ฌ ๊ณ์ฐ๋์ ์ค์ผ ์ ์์ผ๋ฏ๋ก ์ดํ ํ๋จ ํ๋ผ๋ฏธํฐ๋ก ์ฌ์ฉ
๊ฐ๋ฅํ๋ค(12).
๊ทธ๋ฆผ. 5. ์ดํ์ ๋ฐ๋ฅธ CC-CV ์ถฉ์ ์๊ฐ์ ๋ณํ
Fig. 5. Variation of CC-CV charging time with aging
์ด์ ๊ฐ์ ์ดํ ํ๋จ ํน์ฑ ํ๋ผ๋ฏธํฐ ๋ฐ ์์กด ๋ฐฉ์ ์ฉ๋์ ์ด 200์ฌ์ดํด์ ์๋์ฐจ ์ฃผํ ์ดํ ์คํ๋์ 10์ฌ์ดํด๋ง๋ค ์ฉ๋์คํ์ ํตํด ๊ณ์ฐํ์ฌ ๊ทธ๋ฆผ 6์ ๋ํ๋ด์๋ค. (a)-(d)๋ ์ดํ ํ๋จ ํน์ฑ ํ๋ผ๋ฏธํฐ(์ง๋ ฌ์ ํญ, ๋ถ๊ทน์ ํญ, CV ์ถฉ์ ์๊ฐ), (e)๋ ์์กด ๋ฐฉ์ ์ฉ๋์ ๊ทธ๋ํ๋ก ๋์ํ ๊ฒฐ๊ณผ ๊ทผ์ฌํ ๊ฒฝํฅ์ฑ์ ๊ฐ๋๋ค.
์ดํ ํ๋จ ํ๋ผ๋ฏธํฐ์ SOH์ ๋์ ์๊ด๊ด๊ณ๋ SOH์์ ์ง์ ์ ์ธ ๊ด๊ณ๋ฅผ ๋ํ๋ด๋ฉฐ, ์ธ๊ณต์ง๋ฅ ๊ธฐ๋ฐ ๋ชจ๋ธ์ ์์ง์ ํ์ต๋ฐ์ดํฐ๋ก์จ ์์ธก ์ฑ๋ฅ์ ํฅ์์ํฌ
์ ์๋ ์ค์ํ ์์์ด๋ค. ์๊ด๋ถ์์ ํต๊ณ์ ์ผ๋ก ๋ณ์๋ค ์ฌ์ด์ ์ ํ๊ด๊ณ๋ฅผ ๋ถ์ํ ๊ฒ์ด๋ค. ๋ณ์๋ค์ ๋
๋ฆฝ์ ์ธ ๊ด๊ณ๋ก ์๋ก ๊ด๋ จ ์์ ์ ์์ผ๋ฉฐ, ๋ณ์๋ค
์ฌ์ด์ ์๊ด๊ด๊ณ์ ํฌ๊ธฐ๋ฅผ ์๊ด๊ณ์๋ผ๊ณ ๋ถ๋ฅธ๋ค. ์(4)๋ ํผ์ด์จ ์๊ด๊ณ์์ ๋ฐ๋ผ ๊ณ์ฐํ๋ฉด ๊ณ์์ ํฌ๊ธฐ๋ -1๋ถํฐ 1๊น์ง ๋ฐ์ดํฐ ์ฆ๊ฐ, ๊ฐ์๊ด๊ณ์ ๋ฐ๋ผ ์์์ ์์๋ก ๋ํ๋๋ฉฐ, ์๊ด๊ณ์์ ์ ๋๊ฐ์ด ํด์๋ก
๋ ๋ณ์๋ค ์ฌ์ด์ ์ฐ๊ด์ฑ์ด ๋๋ค๋ ๊ฒ์ ์๋ฏธํ๋ค(13). ํ 2๋ SOH ์์ธก์ ์ํ ์์กด์ฉ๋๊ณผ ์ดํ ํ๋ผ๋ฏธํฐ 4๊ฐ ์ฌ์ด์ ์๊ด๊ณ์์ด๋ค, ์ ์ฒด์ ์ผ๋ก 0.9 ์ด์์ ๋์ ์๊ด๊ณ์๋ฅผ ๊ฐ์ผ๋ฉฐ, CV ์ถฉ์ ์๊ฐ์ด ๊ฐ์ฅ
๋์ ์๊ด ๊ณ์๋ฅผ ๊ฐ๋ ๊ฒ์ผ๋ก ๋ํ๋ฌ๋ค.
๊ทธ๋ฆผ. 6. ์ดํ ํ๋ผ๋ฏธํฐ (a) ์ง๋ ฌ์ ํญ (b) 1s ๋ถ๊ทน์ ํญ (c) 60s ๋ถ๊ทน์ ํญ (d) CV ์ถฉ์ ์๊ฐ (e) ๋ฐฉ์ ์ฉ๋
Fig. 6. Aging parameter (a) Series resistance (b) 1s polarization resistance (c)
60s polarization resistance (d) CV charging time (e) discharge capacity
ํ 2. ์์กด์ฉ๋๊ณผ ์ดํ ํ๋ผ๋ฏธํฐ ์ฌ์ด์ ์๊ด๊ณ์
Table 2. Correlation coefficient between residual capacity and aging parameter
|
Series resistance
|
1s polarization resistance
|
60s polarization resistance
|
CV charging time
|
Disgharge Capacity
|
-0.917
|
-0.944
|
-0.994
|
-0.996
|
3. ์ธ๊ณต์ ๊ฒฝ๋ง ๋ชจ๋ธ
๋ณธ ๋
ผ๋ฌธ์์๋ ๋น์ ํ์ ์ธ SOH ์์ธก์ ๊ฐ์ ์ ๊ฐ์ง๊ณ ์๋ ์ธ๊ณต์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ์ ์ ํ์์ผ๋ฉฐ, ์๊ณ์ด ๋ฐ์ดํฐ ์ถ์ ๋ฐ ์์ธก์ ๊ฐ์ฅ ์ต์ ํ๋์ด ์ฃผ๋ก ์์ฐ์ด
์ฒ๋ฆฌ์ ์ฌ์ฉ๋๋ RNN ๋ชจ๋ธ์ ์ ๋ชฉํ์ฌ SOH๋ฅผ ์์ธกํ์๋ค. RNN์ ๊ธฐ๋ณธ์ ์ธ ๋ค์ธต ํผ์
ํธ๋ก (multi-layer perceptron)์ ๋ชจ๋ ์
๊ฐ์ ์
์ถ๋ ฅ์ด ๋
๋ฆฝ์ ์ธ ๋ฐ๋ฉด ๊ทธ๋ฆผ 7์์์ ๊ฐ์ด ์ด์ ์ถ๋ ฅ ๊ฒฐ๊ณผ์ ์ํฅ์ ๋ฐ์์ผ๋ก์จ
๊ทธ๋ฆผ. 7. RNN ๊ตฌ์กฐ
Fig. 7. Architecture of the RNN
๊ทธ๋ฆผ. 8. LSTM ๊ตฌ์กฐ
Fig. 8. Architecture of the LSTM
๊ณผ๊ฑฐ์ ๋ฐ์ดํฐ๊ฐ ๋ฏธ๋์ ์ํฅ์ ์ค ์ ์๋ ๊ตฌ์กฐ์ด๋ค. ํ์ง๋ง ์ฐ์ํด์ ์ด์ด์ง๋ ์ฒด์ธํ์ ๋ชจ๋ธ ํน์ง์ ๋ฐ์ดํฐ๊ฐ ๊ธธ์ด์ง์๋ก ๊ณผ๊ฑฐ์ ํ์ต๊ฒฐ๊ณผ๊ฐ ์ฌ๋ผ์ง๋
vanishing gradient ๋ฌธ์ ๊ฐ ๋ฐ์ํ ๊ฐ๋ฅ์ฑ์ด ์๋ค.
๋ฐ๋ผ์ ๋ณธ ์ฐ๊ตฌ์์๋ vanishing gradient ๋ฌธ์ ์ ํด๊ฒฐ ๋ฐฉ์์ผ๋ก ์ ์๋ LSTM(long short term memory)๋ชจ๋ธ์ ํตํด
์์ธก ์ฑ๋ฅ์ ์์น์์ผฐ์ผ๋ฉฐ. RNN๊ณผ์ ์ฑ๋ฅ์ ๋น๊ตํ์๋ค. ๊ทธ๋ฆผ 8์ LSTM ๊ตฌ์กฐ๋ ๊ธฐ์กด RNN๋ณด๋ค ๋ณต์กํ ๋ด๋ถ๊ตฌ์กฐ๋ฅผ ๊ฐ์ง๊ณ ์๋ ๊ฒ์ ํ์ธํ ์ ์์ผ๋ฉฐ, ์ด 4๊ฐ์ ๋ ์ด์ด๋ก ๊ตฌ๋ถ๋๋ค. ์ฒซ ๋ฒ์งธ๋ก forget gate
layer๋ ์ด์ ์ถ๋ ฅ๊ณผ ํ์ฌ์ ์
๋ ฅ์ sigmoid ํจ์๋ฅผ ํตํด ์ญ์ ํ๊ฑฐ๋ ๋ณด๊ดํ ์ ๋ณด๋ฅผ ๊ฒฐ์ ํ๋ค. ๋ ๋ฒ์งธ๋ก input gate layer๋ ์ด์
์ถ๋ ฅ๊ณผ ํ์ฌ์ ์
๋ ฅ์ sigmoid ํจ์์ tanh ํจ์๋ฅผ ํตํ ๊ฒฐ๊ณผ ๊ฐ์ ๊ณฑ์ผ๋ก ์
์คํ
์ดํธ์ ์ ์ฅ๋ ๋ฐ์ดํฐ๋ฅผ ๊ฒฐ์ ํ๋ค. ์ธ ๋ฒ์งธ๋ก forget
gate layer์ input gate layer์์ ์ป์ ์ ๋ณด๋ฅผ ํ ๋๋ก ์
์คํ
์ดํธ๋ฅผ ์
๋ฐ์ดํธํ๋ค. ๋ค ๋ฒ์งธ๋ก output gate layer์์๋
์ด์ ์ถ๋ ฅ๊ณผ ํ์ฌ์ ์
๋ ฅ์ sigmoid ํจ์ ๊ฒฐ๊ณผ ๊ฐ๊ณผ ์
๋ฐ์ดํธ๋ ์
์คํ
์ดํธ์ tanh ํจ์ ๊ฒฐ๊ณผ ๊ฐ์ ๊ณฑ์ผ๋ก ์ต์ข
์ถ๋ ฅ ๊ฐ์ ๊ฒฐ์ ํ๋ค(14).
4. ์คํ ๋ฐ ๊ฒฐ๊ณผ
์ธ๊ณต์ ๊ฒฝ๋ง ๊ธฐ๋ฐ ๋ชจ๋ธ์ ๋์ ์ถ์ ๋ฐ ์์ธก ์ฑ๋ฅ์ ๊ธฐ๋ํ ์ ์์ง๋ง, ํ์ต๋ฐ์ดํฐ์ ์๊ณผ ์ง์ ๋ง์ ์ํฅ์ ๋ฐ๋๋ค. ๋ฐ๋ผ์ ๋ณธ ๋
ผ๋ฌธ์ ๋ฐ์ดํฐ ์
์ ์ด
400 ์ฌ์ดํด์ ์ดํ์คํ ๋ถ์์ ํตํด 10 ์ฌ์ดํด ์ดํ ์งํ๋ ์ฉ๋ ์คํ์์ ๋์ ์๊ด๊ด๊ณ์ ์ดํ ํ๋จ ํ๋ผ๋ฏธํฐ๋ฅผ ์ถ์ถํ์ฌ ๊ตฌ์ฑํ์๋ค. ์
๋ ฅ๊ฐ ๋ฐ์ดํฐ๋
4๊ฐ์ง ์ดํ ํ๋ผ๋ฏธํฐ(์ง๋ ฌ์ ํญ, 1s ๋ถ๊ทน์ ํญ, 60s ๋ถ๊ทน์ ํญ, CV ์ถฉ์ ์๊ฐ)๋ก ๊ฐ๊ฐ 40๊ฐ์ ๋ฐ์ดํฐ์ ์ถ๋ ฅ ๊ฐ ๋ฐ์ดํฐ๋ 40๊ฐ์ ์์กด ๋ฐฉ์ ์ฉ๋์ผ๋ก
ํ์ต ๋ฐ์ดํฐ ์
์ ๊ตฌ์ฑํ์๋ค.
์๋ก ํฌ๊ธฐ์ ๋จ์๊ฐ ๋ค๋ฅด๊ฒ ๊ตฌ์ฑ๋์ด์๋ ํ์ต ๋ฐ์ดํฐ ์
์ ํ๋ผ๋ฏธํฐ ํน์ง์ ๋ชจ๋ธ์ด ํ์ตํ๋ ๊ณผ์ ์์ ๊ฐ์ค์น๊ฐ ๋ค๋ฅด๊ฒ ์ ์ฉ๋๋ฉฐ, ํ์ต ์ฑ๋ฅ์ ์ ํ ์ํฌ
์ ์๋ค. ๋ฐ๋ผ์ ์(5)์ ๊ฐ์ด ์ ๊ทํ์ ํ ์ข
๋ฅ์ธ MinMaxScaler๋ฅผ ํตํด ํฌ๊ธฐ๋ฅผ ์ ๋ถ 0๋ถํฐ 1์ฌ์ด์ ๊ฐ์ผ๋ก ๋ณํ ์ดํ ํ์ต์ ์งํํ์๋ค.
๋ณธ ์ฐ๊ตฌ์ ์ธ๊ณต์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ๊ตฌ๊ธ์์ ์ ๊ณตํ๋ ์คํ์์ค์ธ ํ
์ํ๋ก์ฐ, ์ผ๋ผ์ค ํจํค์ง๋ฅผ ์ฌ์ฉํ์ฌ ๋ชจ๋ธ์ ๊ตฌ์ฑํ์๋ค. ์ ์ํ๋ ์ธ๊ณต์ ๊ฒฝ๋ง ๋ชจ๋ธ์ RNN๊ณผ
LSTM ๋ชจ๋ธ์ ์ฌ์ฉํ์ฌ ์์ธก ์ฑ๋ฅ์ ๋น๊ตํ์๋ค. ๋ ๋ชจ๋ธ ์ ๋ถ ๋จ์ผ ์๋์ธต ๊ตฌ์ฑ์ผ๋ก ๋ชจ๋ธ์ ๊ณผ์ ํฉ์ ๋ฐฉ์งํ๊ธฐ ์ํด ๋ฌด์์๋ก ๋
ธ๋์ ์ฐ๊ฒฐ์ ๋์ด์
ํ์ตํ๋ Dropout์ ์ ์ฉํ์๋ค. ๋ชจ๋ธ์ ํ์ต๊ณผ์ ์ ์ ๋ฐฉํฅ ํ์ต๊ณผ ์ญ๋ฐฉํฅ ํ์ต ๊ณผ์ ์ ํตํ์ด ์ ์ฒด ๋ฐ์ดํฐ ์
์ ํ์ต์๋ฃ ํ์๋ฅผ ํํํ๋ Epoch์
๊ฐ Epoch ๋ง๋ค ์
๋ ฅ๋๋ ๋ฐ์ดํฐ ์
์ ํฌ๊ธฐ๋ฅผ ํํํ๋ Batch๋ก ๋๋ ์ ์์ผ๋ฉฐ, ๋ณธ ๋ชจ๋ธ์ ํ๋ผ๋ฏธํฐ๋ค์ ์กฐํฉ์ ํ 3์ ์ ์ํ์๋ค.
ํ 1. SOH ์์ธก ๋ชจ๋ธ์ ํ๋ผ๋ฏธํฐ ์กฐํฉ
Table 1. Parameter combinations for SOH prediction model
Learning rate
|
Hidden neuron
|
Batch size
|
Epochs
|
Dropout
|
0.01
|
20
|
1
|
20
|
20%
|
RNN ๋ชจ๋ธ๊ณผ LSTM ๋ชจ๋ธ์ ์ฌ์ฉํ์ฌ ์์ธก ์ฑ๋ฅ์ ๋น๊ตํ์์ผ๋ฉฐ, ์ด 400์ฌ์ดํด์ ์ดํ ์คํ์ ํตํ ๋ฐ์ดํฐ ์
์์ ํ์ต ๋ฒ์์ ๋ฐ๋ผ ๋ชจ๋ธ ์ฑ๋ฅ์
๋น๊ตํ์๋ค. ์ ์ฒด ๋ฐ์ดํฐ ์
์ 50%์ธ 200์ฌ์ดํด์ ํ์ต ์ดํ ๋๋จธ์ง 200์ฌ์ดํด์ ๋ํ ์์ธก ์ฑ๋ฅ๊ณผ ์ ์ฒด ๋ฐ์ดํฐ ์
์ 80%์ธ 320์ฌ์ดํด์ ํ์ต
์ดํ ๋๋จธ์ง 80์ฌ์ดํด์ ๋ํ ์์ธก ์ฑ๋ฅ์ ๋น๊ตํ์๋ค. ๊ทธ๋ฆผ 9์์ RNN ๋ชจ๋ธ๊ณผ ๊ทธ๋ฆผ 10์์ LSTM ๋ชจ๋ธ์ ํ์ต๋ฒ์์ ๋ฐ๋ฅธ ์์ธก ๊ฐ๊ณผ ์ค์ ๊ฐ์ ๊ทธ๋ํ๋ฅผ ๋ํ๋ด์๋ค.
๊ทธ๋ฆผ. 9. (a), (b) 200 ์ฌ์ดํด ํ์ต RNN ๋ชจ๋ธ ์์ธก ๊ฐ ๊ทธ๋ํ (c), (d) 320 ์ฌ์ดํด ํ์ต RNN ๋ชจ๋ธ ์์ธก ๊ฐ ๊ทธ๋ํ
Fig. 9. (a), (b) 200 cycle training RNN model prediction graph (c), (d) 320 cycle
training RNN model prediction graph
๋ชจ๋ธ์ ์์ธก ์ฑ๋ฅ์ ํ๊ท ์ ๊ณฑ๊ทผ ์ค์ฐจ์จ(root mean square error: RMSE)์ผ๋ก ๊ณ์ฐํ์ฌ ํ 4์์ ์์น๋ก ๋ํ๋ด์๋ค. ํ๊ท ์ ๊ณฑ๊ทผ ์ค์ฐจ์จ์ ์์ธก๊ฐ๊ณผ ์ค์ ๊ฐ์ ์ฐจ์ด๋ฅผ ์(6)์ ๋ฐ๋ผ ๊ณ์ฐํ์ฌ ๋ชจ๋ธ์ ์ฑ๋ฅ์ ํ๋จํ๋ ์งํ๋ก ์ฌ์ฉ๋๋ค. ์ด์ ๋ฐ๋ฅธ ๋ชจ๋ธ ์ฑ๋ฅ ๋น๊ต ๊ฒฐ๊ณผ, RNN ๋ชจ๋ธ๋ณด๋ค LSTM๋ชจ๋ธ์ด ์์ธก ์ฑ๋ฅ์ด ๋ฐ์ด๋๋ฉฐ,
ํ์ต๋ฒ์๊ฐ ๋์ด๋ ์๋ก ์์ธก ์ฑ๋ฅ์ ์ฆ๊ฐํ๋ ๊ฒ์ ํ์ธํ ์ ์๋ค.
๊ทธ๋ฆผ. 10. (a), (b) 200 ์ฌ์ดํด ํ์ต LSTM ๋ชจ๋ธ ์์ธก ๊ฐ ๊ทธ๋ํ (c), (d) 320 ์ฌ์ดํด ํ์ต LSTM ๋ชจ๋ธ ์์ธก ๊ฐ ๊ทธ๋ํ
Fig. 10. (a), (b) 200 cycle training LSTM model prediction graph (c), (d) 320 cycle
training LSTM model prediction graph
ํ 4. RNN ๋ชจ๋ธ๊ณผ LSTM ๋ชจ๋ธ์ ํ์ต๋ฒ์์ ๋ฐ๋ฅธ ์ฑ๋ฅ ๋น๊ต(RMSE)
Table 4. Comparison of performance by learning rates between RNN model and LSTM model(RMSE)
|
200 cycle training
(50% data)
|
320 cycle training
(80% data)
|
RNN model
|
0.0507
|
0.0179
|
LSTM model
|
0.0407
|
0.006
|
5. ๊ฒฐ ๋ก
๋ณธ ์ฐ๊ตฌ๋ ์ค์ ๊ณ ์ถ๋ ฅ ์ดํ๋ฆฌ์ผ์ด์
์ ๋ค์ํ ํฌ๊ธฐ์ ์ถ๋ ฅ๊ณผ ๊ทธ์ ๋ฐ๋ฅธ ์ดํ ๋ถ์์ ์ํด UDDS ํ๋กํ์ผ์ ์ฌ์ฉํ์ฌ ์ด 400์ฌ์ดํด์ ์ดํ ์คํ์
์งํํ์๋ค. ์ค์ ์ดํ๋ฆฌ์ผ์ด์
์์ SOH ์ถ์ ์ ์ํ ๋ฐฉ์ ์ฉ๋ ์ธก์ ์ ์ด๋ ค์์ด ์์ผ๋ฉฐ, ๊ทธ์ ๋ฐ๋ผ SOH์ ์๊ด๊ด๊ณ๊ฐ ๋์ ์ดํ ํ๋จ ํน์ฑ ํ๋ผ๋ฏธํฐ๋ฅผ
ํตํด ๋ฐฉ์ ์ฉ๋์ ์ถ์ ํ๋ ๊ฒ์ด ์๊ตฌ๋๋ค. ๋ฐ๋ผ์ ์ ๊ธฐ์ ํน์ฑ ๊ธฐ๋ฐ ์ดํ ํ๋ผ๋ฏธํฐ ๋ถ์์ ํตํด ๊ณ์ฐ์ ์ฉ์ดํ๊ณ ์๊ด๊ณ์๊ฐ ๋์ ํน์ฑ ํ๋ผ๋ฏธํฐ๋ฅผ ์ถ์ถํ๊ณ
์ด๋ฅผ ํตํด SOH ์์ธก ๋ชจ๋ธ ๊ฒ์ฆ ๋ฐ์ดํฐ ์
์ ๊ตฌ์ฑํ์๋ค. ๋น์ ํ์ ์ผ๋ก ๋ณํํ๋ SOH๋ฅผ ์์ธกํ๊ธฐ ์ํ์ฌ ์๊ณ์ด ๋ฐ์ดํฐ ์ถ์ ์ ์ฃผ๋ก ์ฌ์ฉ๋๋ RNN,
LSTM ์ธ๊ณต์ ๊ฒฝ๋ง ๋ชจ๋ธ์ ์ ์ํ์์ผ๋ฉฐ, ๊ตฌ๊ธ์์ ์ ๊ณตํ๋ ํ
์ํ๋ก์ฐ, ์ผ๋ผ์ค ํจํค์ง๋ฅผ ์ฌ์ฉํ์ฌ ๋ชจ๋ธ์ ๊ตฌ์ฑํ์๋ค. RNN๊ณผ LSTM ๋ ๋ชจ๋ธ์ ์์ธก
์ฑ๋ฅ๊ณผ ๋ฐ์ดํฐ ์
์ ํ์ต ๋ฒ์์ ๋ฐ๋ผ ์์ธก ์ฑ๋ฅ์ ๋น๊ตํ ๊ฒฐ๊ณผ ํ์ต ๋ฒ์๊ฐ ์ฆ๊ฐํ ์๋ก ๋ชจ๋ธ ์ฑ๋ฅ์ ์ฆ๊ฐํ๋ฉฐ, RNN ๋ชจ๋ธ์ ๋น๊ตํ์ฌ LSTM ๋ชจ๋ธ์
์ฑ๋ฅ์ด ๋ ๋ฐ์ด๋ ๊ฒ์ ๊ฒ์ฆํ์๋ค.
Acknowledgements
์ด ์ฐ๊ตฌ๋ ์ถฉ๋จ๋ํ๊ต ํ์ ์ฐ๊ตฌ๋น์ ์ํด ์ง์๋์์.
References
A. Barrรฉ, B. Deguilhem, S. Grolleau, M. Gรฉrard, F. Suard, D. Riu, November 2013, A
review on lithium-ion battery ageing mechanisms and estimations for automotive ap-
plications, Journal of Power Sources, Vol. 241, pp. 680-689

T. Kodama, H. Sakaebe, September 1999, Present status and future prospect for national
project on lithium batteries, Journal of Power Sources, Vol. 81, pp. 144-149

L. Su, J. Zhang, C. Wang, Y. Zhang, Z. Li, Y. Song, Z. Ma, February 2016, Identifying
main factors of capacity fading in lithium ion cells using orthogonal design of experi-
ments, Applied Energy, Vol. 163, pp. 201-210

X. Han, M. Ouyang, L. Lu, J. Li, Y. Zheng, Z. Li, April 2014, A comparative study
of commercial lithium ion battery cycle life in electrical vehicle: Aging mechanism
identi- fication, Journal of Power Sources, Vol. 251, pp. 38-54

M. Berecibar, I. Gandiaga, I. Villarreal, N. Omar, J. van Mierlo, P. van den Bossche,
April 2016, Critical review of state of health estimation methods of Li-ion batteries
for real applications, Renewable and Sustainable Energy Reviews, Vol. 56, pp. 572-587

H. Chaoui, C. C. Ibe-Ekeocha, June 2017, State of charge and state of health estimation
for lithium batteries using re- current neural networks, IEEE Transactions on Vehicular
Technology, Vol. 66, No. 10, pp. 8773-8783

A. Nuhic, T. Terzimehic, T. Soczka-Guth, M. Buchholz, K. Dietmayer, October 2013,
Health diagnosis and remaining useful life prognostics of lithium-ion batteries using
data-driven methods, Journal of Power Sources, Vol. 239, pp. 680-688

R. Xiong, L. Li, J. Tian, November 2018, Towards a smarter battery management system:
a critical review on battery state of health monitoring methods, Journal of Power
Sources, Vol. 405, pp. 18-29

Y. Zhang, C. Y. Wang, X. Tang, 2011, Cycling degradation of an automotive LiFePO4
lithium-ion battery, Journal of Power Sources, Vol. 196, No. 3, pp. 1513-1520

Y. Gao, J. Jiang, C. Zhang, W. Zhang, Y. Jiang, October 2018, Aging mechanisms under
different state-of-charge ranges and the multi-indicators system of state-of-health
for lithium-ion battery with Li (NiMnCo) O2 cathode, Journal of Power Sources, Vol.
400, pp. 641-651

A. S. Mussa, M. Klett, M. Behm, G. Lindbergh, R. W. Lindstrรถm, October 2017, Fast-charging
to a partial state of charge in lithium-ion batteries: A comparative ageing study,
Journal of Energy Storage, Vol. 13, pp. 325-333

S. S. Zhang, October 2006, The effect of the charging protocol on the cycle life of
a Li-ion battery, Journal of Power Sources, Vol. 161, No. 2, pp. 1385-1391

K. Pearson, 1895, Notes on Regression and Inheritance in the Case of Two Parents,
Proceedings of the Royal Society of London, Vol. 58, pp. 240-242

Q. Lyu, J. Zhu, December 2014 publish- ed, Revisit long short-term memory:, in Advances
in Neural Informa- tion Processing Systems Workshop on Deep Learning and Representation
Learning, pp. 1-9

์ ์์๊ฐ
1995๋
4์ 22์ผ์.
2014~ ํ์ฌ ์ถฉ๋จ๋ํ๊ต ์ ๊ธฐ๊ณตํ๊ณผ ํ๋ถ๊ณผ์
1993๋
1์ 27์ผ์.
2018๋
์ถฉ๋จ๋ ์ ๊ธฐ๊ณตํ๊ณผ ์กธ์
.
2018๋
๏ฝํ์ฌ ์ถฉ๋จ๋ ์ ๊ธฐ๊ณตํ๊ณผ ์์ฌ๊ณผ์ .
๋ฐ์ฑ์ค (Seongyun Park)
1991๋
7์ 10์ผ์.
2016๋
ํ๊ตญ๊ธฐ์ ๊ต์ก๋ ๋ฉ์นดํธ๋ก๋์ค๊ณตํ๋ถ ์์ฐ์์คํ
์ ๊ณต ์กธ์
.
2018๋
โผํ์ฌ ์ถฉ๋จ๋ ์ ๊ธฐ๊ณตํ๊ณผ ์์ฌ๊ณผ์ .
1979๋
4์ 22์ผ์.
2005๋
์ถฉ๋จ๋ ์ ๋ณดํต์ ๊ณตํ๋ถ ์ ๊ธฐ์ ์์ ํ์ ๊ณต ์กธ์
.
2012๋
์์ธ๋ ์ ๊ธฐ์ปดํจํฐ๊ณตํ๋ถ ์กธ์
(๊ณต๋ฐ;์๋ฐํตํฉ๊ณผ์ ).
2012๋
โผ2013๋
์ผ์ฑSDI ES์ฌ์
๋ถ ์ฑ
์์ฐ๊ตฌ์.
2013๋
โผ2016๋
์กฐ์ ๋ ์ ๊ธฐ๊ณตํ๊ณผ ์กฐ๊ต์.
2016๋
โผํ์ฌ ์ถฉ๋จ๋ ์ ๊ธฐ๊ณตํ๊ณผ ์กฐ๊ต์.
2018๋
โผํ์ฌ ํ๊ตญ๊ณผํ๊ธฐ์ ์ ์นํ๊ฒฝ์ผํฐ์ค๋งํธ์๋์ฐจ์ฐ๊ตฌ์ผํฐ ๊ฒธ์ง๊ต์.
2015๋
โผํ์ฌ JPE Associate Editor.
2016๋
โผํ์ฌ ๋น ํํ ํธ์ง์์. 2017๋
๋น ํํ ํ์ ์์.
2019๋
โผํ์ฌ IEEE Senior Member.