멀티 채널 충전 프로파일과 방전 용량을 사용한 딥러닝 기반 리튬 이온 배터리 건강 상태 추정 (Deep-Learning Based Lithium-ion Battery SOH Estimation Using Multi-Channel Charging Profile and Discharge Capacity)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 47권 / 6호 / 862 ~ 869페이지
· 저자명 : 전지훈, 천호진, 추용주, 김홍석

초록

리튬 이온 배터리팩의 안전하고 효율적인 사용을 위해서는 배터리의 상태를 모니터링하는 것이 중요하다. 다양한 배터리의 상태지표 중에서도 배터리의 성능과 수명을 대표하는 SOH(State-of-Health)를 추정할 필요가 있다.
본 논문에서는 다양한 구조의 인공신경망을 사용하여 SOH를 추정하였다. SOH 추정을 위한 입력으로 배터리의충전중 전압, 전류, 온도의 측정치를 사용하였다. 또한 방전 중에 전류적산법을 통해 추정된 배터리의 용량을 충전중에 기록된 측정치와 함께 입력으로 사용하여 성능을 개선한 모델을 제안한다. 순방향 신경망, 합성곱 신경망, 장단기 메모리 모델의 SOH 추정 성능을 평가하였고, 방전 용량을 모델의 입력으로 사용하면 모델의 성능이 크게향상됨을 확인하였다.

영어초록

For safe and efficient use of lithium ion battery pack, it is important to monitor the states of battery.
Among various states of battery, it is required to estimate SOH (State-of-Health), which represents the performance and life of battery. In this paper, we estimate SOH using various structures of artificial neural network (ANN). We use the measured voltage, current, and temperature of battery cell during charging process as a feature to estimate SOH. We also use the discharged capacity, measured by the coulomb counting method, of battery cell as the feature. We evaluate the performance of various structures of ANN such as feedforward neural network (FNN), convolutional neural network (CNN) and long short-term memory (LSTM) and confirm that the use of discharged capacity significantly improves the SOH estimation performance.

참고자료

· 없음