인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2021.10
- 수록면
- 609 - 618 (10page)
- DOI
- 10.5762/KAIS.2021.22.10.609
이용수
초록· 키워드
배터리를 에너지원으로 사용하는 시스템의 안정적인 운용은 배터리의 충전상태(SOC: State of Charge)에 대한 정보를 기반으로 수행된다. 대표적인 SOC 추정기법으로는 실시간 추정이 가능하고 노이즈에 강한 확장 칼만필터 기법 (EKF: Extend Kalman Filter)이 사용되어왔다. EKF를 사용하여 높은 정확도의 SOC의 추정을 하기 위해서는 배터리의 내부 동작특성이 반영된 배터리 모델이 필요하다. 이는 배터리 내부 파라미터로부터 SOC의 추정 오차의 한계가 결정됨을 의미하므로, 보다 정확한 배터리 내부 파라미터 추출 기반의 등가회로 수립이 요구된다. 본 논문에서는 정확한 SOC 추정을 위해, 배터리 충·방전 시 나타나는 내부 동작특성을 반영한 단계별 파라미터 추출방법을 제시한다. 첫 단계에서는 내부의 비선형적 특성을 반영하기 위해 히스테리시스 및 확산 전압 특성을 고려한 모델을 수립하고, 다음 단계에서는 SOC 변화에 따른 파라미터들의 변동성을 고려하기 위해 SOC의 5%마다 방전하며 파라미터값들을 추출한다. 마지막 단계에서는 파라미터들의 변동성을 통계적 지표인 평균 절대비 편차(Mean Absolute Percentage Deviation, 이하 MAPD)로 수치화하여 분석한다. 추출시험 결과, Middle Level(배터리 SOC의 20% ~ 80% 구간)에서는 각 SOC값에 대한 파라미터의 선형적인 경향을 보였으며 Low Level(SOC의 0% ~ 20% 구간)에서는 경향성 없이 불규칙한 변동성을 보였다. Middle Level에서 파라미터들의 평균값으로 SOC를 추정하고, Low Level에서는 SOC 5%마다 파라미터를 업데이트하여 SOC를 추정하는 것이 연산량을 줄이면서 추정오차를 줄일 수 있다. 본 논문에서 제안한 배터리셀 파라미터의 단계별 추출법은 배터리 SOC 추정을 위한 EKF 기법 사용에 요구되는 연산 속도와 SOC 추정 정확도를 향상시킬 것으로 기대된다.
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
목차
- 요약
- Abstract
- 1. 서론
- 2. 본론
- 3. 결론
- References
참고문헌
참고문헌 신청최근 본 자료
