KR102296993B1

KR102296993B1 - 배터리 저항 추정 장치 및 방법

Info

Publication number: KR102296993B1
Application number: KR1020170154009A
Authority: KR
Inventors: 서보경
Original assignee: 주식회사 엘지에너지솔루션
Priority date: 2017-11-17
Filing date: 2017-11-17
Publication date: 2021-09-01
Also published as: WO2019098722A1; KR20190056743A; EP3605127A1; JP2020514757A; EP3605127B1; US11105861B2; JP6863560B2; CN110462414A; CN110462414B; US20210103001A1; EP3605127A4

Abstract

배터리 저항 추정 장치와 방법을 개시한다. 본 발명에 따른 배터리 저항 추정 장치는, 배터리의 충전상태-온도(SOC-T) 조건에 따라 저항 데이터를 기록하고 있는 저항 룩업 테이블이 저장된 메모리부; 및 제어부를 포함하고, 상기 제어부는, 배터리가 충방전되는 동안 I-V 데이터를 측정하여 dV/dI에 의해 주기적으로 저항을 반복 계산하여 상기 메모리부에 저장하되, SOC-T 조건별로 구분하여 누적 저장하는 저항 누적 계산부; 및 상기 메모리부에 SOC-T 조건별로 저장된 복수의 저항 데이터들의 평균 값, 최대값과 최소값의 평균 값 또는 최대값 중 어느 하나인 신규 저항 데이터와, 이전에 저장된 저항 데이터 사이의 가중 평균 값을 산출한 후 해당하는 SOC-T 조건에 대응되는 저항 데이터를 상기 가중 평균 값으로 갱신하는 저항 데이터 갱신부를 포함하는 것이다.

Description

배터리 저항 추정 장치 및 방법{Apparatus and Method for Estimating Resistance of Secondary Battery}

본 발명은 배터리의 건강상태(State Of Health : SOH)를 나타내는 팩터 중 하나인 저항을 추정할 수 있는 장치 및 방법에 관한 것이다.

반복적인 충전과 방전이 가능한 배터리가 화석 에너지의 대체 수단으로서 각광을 받고 있다. 배터리는 휴대폰, 비디오 카메라, 전동 공구와 같은 전통적인 핸드 헬드 디바이스에 주로 사용되었다. 하지만, 최근에는 전기로 구동되는 자동차(EV, HEV, PHEV), 대용량의 전력 저장 장치(ESS), 무정전 전원 공급 시스템(UPS) 등으로 그 응용 분야가 점차 증가하는 추세이다.

배터리는 양극 및 음극, 전극 사이에 개재된 분리막, 양극과 음극에 코팅된 활물질과 전기화학적으로 반응하는 전해질을 포함하는데, 충방전 회수가 증가할수록 용량이 감소한다. 용량의 감소는, 전극에 코팅된 활물질의 열화, 전해질의 부 반응, 분리막의 기공 감소 등에서 그 원인을 찾을 수 있다.

배터리의 용량이 감소하면 저항이 증가하여 열로 소실되는 전기 에너지가 증가한다. 따라서, 배터리의 용량이 임계치 이하로 감소하면 배터리의 성능이 현저하게 떨어지고 발열량이 증가하여 점검 또는 교체가 필요하다.

배터리 기술 분야에서, 배터리의 용량 감소 정도는 SOH라는 팩터에 의해 정량적으로 나타낼 수 있다.

SOH는, 여러 가지 방법으로 계산이 가능한데, 그 중 하나가 현재 시점을 기준으로 한 배터리의 저항이 BOL(Beginning Of Life) 상태에 있을 때의 저항 대비 증가된 정도를 정량화하는 것으로 계산이 가능하다. 예를 들어, 배터리의 저항이 BOL 상태일 때의 저항 대비 20% 증가하였다면, SOH는 80%라고 추정할 수 있다.

배터리의 저항은 충전상태(State Of Charge : SOC)가 낮을 때 상대적으로 크고 온도가 높을 때 상대적으로 작아지는 경향이 있다. 배터리의 SOC가 낮아지면 작동 이온과 반응할 수 있는 활물질의 양이 감소하여 활물질 내에서 작동 이온의 확산 저항이 증가하고 배터리의 온도가 높아지면 작동 이온의 이동도(mobility)가 증가하기 때문이다. 참고로, 작동 이온은 배터리를 구성하는 화학 종(chemical species)의 종류에 따라 달라지는데, 리튬 계열 배터리의 경우 리튬 이온이 작동 이온에 해당한다.

배터리는 SOH에 의해 허용하는 최대 전류를 컨트롤함으로써 수명을 길게 할 수 있다. 이것을 실현하려면, 배터리의 저항을 정확하게 검출할 필요가 있다. 이처럼, 배터리의 저항은 배터리의 충전 출력이나 방전 출력을 계산하는 데 있어서 반드시 필요한 중요 파라미터이다.

종래에는 사전에 측정된 저항 데이터를 기반으로, 특정 온도, 특정 SOC 조건에서 추출된 저항 데이터가 BOL 상태에 있을 때의 저항 대비 증가된 정도, 즉 저항 퇴화율을 계산한다. 다른 온도, 다른 SOC 조건에도 동일 레벨로 퇴화되었다는 가정하에 이 저항 퇴화율을 모든 조건에 적용하여 SOH, 출력 추정에 사용하고 있다. 즉, SOC 및 온도에 따라서 배터리의 저항을 미리 측정하여 룩업 테이블을 구성한 후 저항 퇴화율을 일괄 반영해, 실시간 사용 환경에서 SOC 및 온도에 따라 저항을 룩업하는 방식을 사용한다.

그러나 이 방식은 실시간 저항 추정이 불가하고, 일괄 적용한 저항 퇴화율이 고온 또는 저온에서는 맞지 않아 배터리의 수명을 오판하는 경우가 생긴다. 이와 같은 배터리 저항 퇴화율에 대한 배터리 테스트 데이터 기반 사용의 한계를 극복하고자 RLS(Recursive Least Square) 방식에 따라 다이나믹하게 변화되는 I-V 데이터를 기초로 실시간 저항을 계산하여 SOH, 출력 추정에 사용하는 경우도 제안되어 있다. 즉, dV/dI를 실시간으로 계산하여 저항을 추정한다. 그런데, I-V 데이터의 변화가 작은 안정한(stable) 입력이 들어올 경우 RLS를 사용할 수 없다. 예를 들어, 전압 변화는 있지만 전류 변화가 없으면 저항을 계산할 수 없는 것이다. 그러한 경우, 추정되었던 마지막 저항 값으로 데이터가 유지되다가 다시 전류 변동할 때 실제 저항을 찾기 위해 크게 저항 오류가 발생하게 되는 문제도 있다.

본 발명이 해결하고자 하는 과제는 간단한 알고리즘으로 배터리의 저항을 신뢰성 있게 추정할 수 있는 장치를 제공하는 것이다.

본 발명이 해결하고자 하는 다른 과제는 간단한 알고리즘으로 배터리의 저항을 신뢰성 있게 추정할 수 있는 방법을 제공하는 것이다.

상기 과제를 해결하기 위한 본 발명에 따른 배터리 저항 추정 장치는, 배터리의 충전상태-온도(SOC-T) 조건에 따라 저항 데이터를 기록하고 있는 저항 룩업 테이블이 저장된 메모리부; 및 제어부를 포함한다. 상기 제어부는, 배터리가 충방전되는 동안 I-V 데이터를 측정하여 dV/dI에 의해 주기적으로 저항을 반복 계산하여 상기 메모리부에 저장하되, SOC-T 조건별로 구분하여 누적 저장하는 저항 누적 계산부; 및 상기 메모리부에 SOC-T 조건별로 저장된 복수의 저항 데이터들의 평균 값, 최대값과 최소값의 평균 값 또는 최대값 중 어느 하나인 신규 저항 데이터와, 이전에 저장된 저항 데이터 사이의 가중 평균 값(weighted average)을 산출한 후 해당하는 SOC-T 조건에 대응되는 저항 데이터를 상기 가중 평균 값으로 갱신하는 저항 데이터 갱신부를 포함한다.

바람직하게, 상기 저항 데이터 갱신부는, 가중 평균 값이 산출될 저항 데이터가 취합되지 않은 SOC-T 조건에 대해서는 인접하는 SOC-T 조건에 대해 계산된 저항 데이터의 가중 평균 값을 이용하여 내삽법(interpolation) 또는 외삽법(extrapolation)에 의해 저항 데이터를 갱신하도록 구성된 것일 수 있다.

더욱 바람직하게, 상기 저항 데이터 갱신부는, SOC-T 조건별로 저장된 저항 데이터가 실시간 계산된 저항 데이터인지 아니면 내삽법 또는 외삽법에 의해 추정된 저항 데이터인지 여부를 구분하는 플래그 값을 SOC-T 조건별로 할당하여 저장하는 것일 수 있다.

바람직하게, 상기 신규 저항 데이터와 이전에 저장된 저항 데이터 사이의 차이가 클수록 가중 평균 값을 산출하기 위해 상기 신규 저항 데이터에 부여되는 가중치가 증가할 수 있다. 가중치는 Pre R/R_@BOL 와 New R/R_@BOL 차이가 클수록 증가한다. 여기서, Pre R은 SOC-T에 대해 이전에 저장된 저항 값이고, R_@BOL은 배터리 초기 상태의 저항 값이며, New R은 신규 저항 데이터이다.

바람직하게, 본 발명에 따른 배터리 저항 추정 장치는 배터리의 전압을 측정하는 전압 측정부; 배터리의 전류를 측정하는 전류 측정부; 및 배터리의 온도를 측정하는 온도 측정부;를 더 포함하고, 상기 제어부는 전압 측정 값, 전류 측정 값 및 온도 측정 값을 상기 메모리부에 저장하도록 구성된 것일 수 있다.

이 때, 상기 제어부는 상기 메모리부에 저장된 전류 측정 값을 적산하여 배터리의 충전상태(SOC)를 결정하도록 구성된 것일 수 있다.

본 발명에 따른 배터리 저항 추정 장치에 있어서, 상기 제어부는, 상기 갱신된 저항 데이터를 이용하여 배터리의 출력을 결정하거나, 상기 갱신된 저항 데이터를 외부 디바이스로 전송하도록 구성된 것일 수 있다.

상기 다른 과제를 해결하기 위한 본 발명에 따른 배터리 저항 추정 방법은, (a) 배터리의 충전상태-온도(SOC-T) 조건에 따라 저항 데이터를 기록하고 있는 저항 룩업 테이블을 메모리부에 저장하는 단계; (b) 배터리가 충방전되는 동안 I-V 데이터를 측정하여 dV/dI에 의해 주기적으로 저항을 반복 계산하여 상기 메모리부에 저장하되, SOC-T 조건별로 구분하여 누적 저장하는 단계; (c) 상기 메모리부에 SOC-T 조건별로 저장된 복수의 저항 데이터들의 평균 값, 최대값과 최소값의 평균 값 또는 최대값 중 어느 하나인 신규 저항 데이터와, 이전에 저장된 저항 데이터 사이의 가중 평균 값을 산출하는 단계; 및 (d) 상기 메모리부에 SOC-T 조건별로 저장된 저항 데이터를 상기 가중 평균 값으로 갱신하는 단계를 포함한다.

본 발명의 과제들은 상기 배터리 저항 추정 장치를 포함하는 배터리 관리 시스템(Battery Management System : BMS)과, 상기 배터리 저항 추정 방법을 프로그램화하여 수록한 컴퓨터로 읽을 수 있는 기록매체에 의해서도 달성될 수 있다.

본 발명에 따르면, 배터리 초기 데이터로부터 환경 조건에 맞는 저항을 계산하고 그 축적 데이터를 저장함으로써 입력 조건의 제약 없이(실시간 저항 추정을 할 수 없는 환경 조건에 대해서도) SOC-T 조건별로 누적된 저항 값 혹은 BOL 상태에 있을 때의 저항 대비 증가된 정도를 이용하여 SOH, 출력을 추정하는 데 사용할 수 있다.

본 발명에 따르면, SOC-T 조건별로 서로 다른 저항 퇴화율이 고려되는 것이므로 이에 따른 정확한 저항 값을 추정해 배터리 상태 및 수명의 추정에 정확도를 높일 수 있다. 그리고, I-V 데이터의 변화가 작은 안정한 입력이 들어올 경우에도 실시간 저항 값과 유사한 저항 값을 사용할 수 있게 된다.

특히 본 발명에 따르면, 배터리의 저항 추정에 사용되는 저항 룩업 테이블을 변경할 때 신규 저항 데이터에 가중치를 부여해 반영함으로써, 배터리의 열화를 고려한 안정성 확보 관점에서 보수적인 접근을 한다. 이에 따라, 배터리의 퇴화 상태에 맞는 배터리의 저항을 항상 신뢰성 있게 추정할 수 있다.

본 명세서에 첨부되는 다음의 도면들은 본 발명의 실시예를 예시하는 것이며, 후술하는 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면들에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일 실시예에 따른 배터리 저항 추정 장치에 대한 구성을 개략적으로 도시한 블록 다이어그램이다.
도 2는 본 발명의 실시예에 따라 서로 다른 퇴화 조건을 갖는 배터리에 대해서 충전상태 별로 저항을 측정하여 나타낸 그래프이다.
도 3은 본 발명의 일 실시예에 따른 배터리 저항 추정 방법을 나타내는 순서도이다.

이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 출원을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 발명 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.

이하에서 설명되는 실시예에 있어서, 배터리는 리튬 배터리를 일컫는다. 여기서, 리튬 배터리라 함은 충전과 방전이 이루어지는 동안 리튬 이온이 작동 이온으로 작용하여 양극과 음극에서 전기화학적 반응을 유발하는 배터리를 총칭한다.

한편, 리튬 배터리에 사용된 전해질이나 분리막의 종류, 배터리를 포장하는데 사용된 포장재의 종류, 리튬 배터리의 내부 또는 외부의 구조 등에 따라 배터리의 명칭이 변경되더라도 리튬 이온이 작동 이온으로 사용되는 배터리라면 모두 상기 리튬 배터리의 범주에 포함되는 것으로 해석하여야 한다.

본 발명은 리튬 배터리 이외의 다른 배터리에도 적용이 가능하다. 따라서 작동 이온이 리튬 이온이 아니더라도 본 발명의 기술적 사상이 적용될 수 있는 배터리라면 그 종류에 상관 없이 모두 본 발명의 범주에 포함되는 것으로 해석하여야 한다.

또한, 배터리는 그것을 구성하는 요소의 수에 의해 한정되지 않는다. 따라서 배터리는 하나의 포장재 내에 양극/분리막/음극의 조립체 및 전해질이 포함된 단일 셀을 비롯하여 단일 셀의 어셈블리, 다수의 어셈블리가 직렬 및/또는 병렬로 연결된 모듈, 다수의 모듈이 직렬 및/또는 병렬로 연결된 팩, 다수의 팩이 직렬 및/또는 병렬로 연결된 전지 시스템 등도 포함하는 것으로 해석되어야 한다.

도 1은 본 발명의 일 실시예에 따른 배터리 저항 추정 장치에 대한 구성을 개략적으로 도시한 블록 다이어그램이다.

도 1을 참조하면, 본 발명에 따른 배터리 저항 추정 장치(100)는, 배터리(B)의 저항을 추정할 수 있는 장치로서 적어도 메모리부(110)와 제어부(120)를 포함한다.

상기 제어부(120)는 논리 연산을 수행할 수 있는 프로세서를 포함하고, 후술하는 제어 로직에 따라 배터리(B)의 충전상태(SOC) 및 온도(T)에 대응되는 저항을 추정할 수 있는 기능을 수행한다.

상기 메모리부(110)는, 전기적, 자기적, 광학적 또는 양자역학적으로 데이터를 기록하고 소거할 수 있는 저장매체이고, 비제한적인 예시로서, RAM, ROM 또는 레지스터일 수 있다.

바람직하게, 상기 메모리부(110)는 상기 제어부(120)에 의해 접근이 가능하도록 예컨대 데이터 버스 등을 통해 상기 제어부(120)와 연결될 수 있다.

상기 메모리부(110)는 상기 제어부(120)에 의해 실행되는 각종 제어 로직을 포함하는 프로그램과 미리 정의된 파라미터들, 및/또는 상기 제어 로직이 실행될 때 발생되는 데이터를 저장 및/또는 갱신 및/또는 소거할 수 있다.

상기 메모리부(110)는 논리적으로 2개 이상으로 분할 가능하고, 상기 제어 부(120) 내에 포함되는 것을 제한하지 않는다.

바람직하게, 상기 메모리부(110)는, 배터리(B)의 충전상태-온도(SOC-T) 조건에 따라 저항 데이터를 기록하고 있는 저항 룩업 테이블을 미리 저장하고 있다. 바람직하게, 저항 룩업 테이블은, SOC(또는 전압)와 T에 의해 저항을 맵핑할 수 있는 데이터 구조를 포함한다. 즉, 저항 데이터는 m[SOC(또는 전압)] x n[온도] 매트릭스로 구성한다.

표 1에 이러한 저항 룩업 테이블의 일 예를 나타내었다.

표 1에서 가로는 SOC(%), 세로는 온도(T, ℃)가 나열된 것이다. 각 칸의 저항 단위는 mΩ이다. 표 1에는 각 조건별로 저항 값이 저장된 경우를 예로 들었으나, 저항 룩업 테이블에 저장되는 저항 데이터는 BOL 상태에 있을 때의 저항 대비 증가된 정도(단위 없음)로 나타낼 수도 있다. 그리고 SOC-T 조건에 따라 저항을 맵핑한 구조를 예로 들었는데 전압-T에 의해 저항을 맵핑할 수 있는 데이터 구조로 되어 있어도 된다.

저항 룩업 테이블을 구성하는 데이터들은, 배터리(B)에 대한 충방전 실험을 통하여 사전에 측정될 수 있다.

예를 들어 도 2는 LiMnO₂와 그라파이트를 양극과 음극에 각각 포함하고 있는 리튬 배터리에 대해서 저항이 충전상태에 따라 어떻게 변화되는지를 보여주는 그래프이다.

도 2에서, 실선은 리튬 배터리가 BOL 상태에 있을 때 측정된 저항 프로파일이고, 점선은 리튬 배터리의 용량이 20% 정도 퇴화된 MOL(Middle Of Life) 상태에서 측정된 저항 프로파일이다.

각 저항 프로파일은, HPPC(Hybrid Pulse Power Characterization) 방전 테스트를 통해서 얻었으며, HPPC 테스트에 있어서 방전 시간은 10초, 방전 펄스의 크기는 5C-rate으로 설정하였고, HPPC 테스트가 진행되는 동안 리튬 배터리의 온도는 25℃로 유지시켰다.

도 2에 도시된 것과 같이, 리튬 배터리의 저항은 SOC가 감소함에 따라서 증가하며, SOC가 40 내지 80%의 범위에 속할 때에는 저항의 변화가 상대적으로 크지 않다는 것을 확인할 수 있다. 그리고 리튬 배터리의 용량이 퇴화되면 BOL 상태 대비 저항이 증가된 것을 확인할 수 있다.

표 1의 저항 룩업 테이블 중 25℃ 저항 데이터는 도 2의 실험 결과 중 BOL 상태를 반영한 것이라고 보면 된다. 이처럼 여러 온도별로 도 2와 같은 저항 프로파일을 실험적으로 측정하고 취합해 표 1과 같은 저항 룩업 테이블을 구성할 수 있다.

바람직하게, 상기 제어부(120)는, 배터리(B)의 충전상태 및 저항을 결정하기 위해, 전압 측정부(130), 전류 측정부(140) 및 온도 측정부(150)와 전기적으로 결합될 수 있다.

상기 전압 측정부(130)는 공지된 전압 측정 회로를 포함하고, 상기 제어부(120)의 통제하에 시간 간격을 두고 배터리(B)의 전압을 주기적으로 측정하고, 측정된 전압 값을 상기 제어부(120)로 출력한다. 그러면 상기 제어부(120)는 주기적으로 입력되는 전압 측정 값을 상기 메모리부(110)에 저장한다.

상기 전류 측정부(140)는 센스 저항이나 홀 센서를 포함하고, 상기 제어부(120)의 통제하에 시간 간격을 두고 배터리(B)의 충전 전류 또는 방전 전류의 크기를 측정하여 전류 측정 값을 상기 제어부(120)로 출력한다. 그러면 상기 제어부(120)는 주기적으로 입력되는 전류 측정 값을 상기 메모리부(110)에 저장한다.

상기 온도 측정부(150)는 온도 센서의 한 종류인 열전대(thermocouple)를 포함하고, 상기 제어부(120)의 통제하에 시간 간격을 두고 배터리(B)의 온도를 주기적으로 측정하여 온도 측정 값을 상기 제어부(120)로 출력한다. 그러면, 상기 제어부(120)는 주기적으로 입력되는 온도 측정 값을 상기 메모리부(110)에 저장한다.

바람직하게, 상기 제어부(120)는 상기 메모리부(110)에 저장된 전류 측정 값을 참조하여 주기적으로 전류 적산법에 의해 배터리(B)의 SOC를 결정할 수 있다.

구체적으로, 상기 제어부(120)는, 배터리(B)의 충전 또는 방전이 개시될 때 전압 측정부(130)를 제어하여 배터리(B)의 개방 전압(Open Circuit Voltage: OCV)을 측정하고, 상기 메모리부(110)에 미리 저장되어 있는 'OCV-SOC 룩업 테이블'을 참조하여 측정된 개방 전압에 대응되는 초기 충전상태(SOC₀)를 결정하고, 충전 또는 방전이 진행되는 동안에는 충전 전류와 방전 전류의 적산 값을 초기 충전상태(SOC₀)에 합산하여 현재의 충전상태를 결정하고, 결정된 충전상태를 상기 메모리부(110)에 저장할 수 있다.

물론, 배터리(B)의 충전상태는 전류 적산법 이외의 다른 방법으로도 결정될 수 있다. 일 예로, 상기 제어부(120)는 주기적으로 전압 측정값, 전류 측정값 및 온도 측정값을 적응적 필터, 예컨대 확장 칼만 필터에 입력하여 배터리(B)의 충전상태를 적응적으로 결정할 수 있다.

상기 제어부(120)의 저항 누적 계산부(122)는 배터리(B)가 충방전되는 동안, 즉 오퍼레이팅 사이클(Operating Cycle) 동안, 예를 들면 차량을 운행하는 동안, SOC 및 온도 별로 I-V 데이터를 측정해 상기 메모리부(110)에 저장시킨 값으로부터 dV/dI에 의해 저항 데이터를 주기적으로 계산하여 누적한다.

표 2는 본 발명에 따른 배터리 저항 추정 장치(100)의 저항 누적 계산부(122)에 의해 주기적으로 반복 계산된 저항이 SOC-T 조건별로 구분하여 누적 저장된 테이블을 예시한 것이다.

표 2를 참조하면, SOC-T 조건별로 주기적으로 반복 계산된 저항이 저장되어 있다.

상기 제어부(120)의 저항 데이터 갱신부(124)는 배터리(B)가 충방전되는 동안에 누적시킨 데이터들을 SOC-T 조건별로 저장되어 있는 기존의 저항 데이터에 가중치 비율로 반영한다. 이와 같은 저항 데이터의 갱신(업데이트)는 차량 시동 키가 오프(key off)되었을 때와 같이 배터리(B) 충방전이 종료되어 있을 때에 이루어질 수 있다.

이 때, 상기 저항 데이터 갱신부(124)는, 상기 메모리부(110)에 SOC-T 조건별로 저장된 복수의 저항 데이터들의 평균 값, 최대값과 최소값의 평균 값 또는 최대값 중 어느 하나인 신규 저항 데이터와, 이전에 저장된 저항 데이터 사이의 가중 평균 값을 산출한 후 해당하는 SOC-T 조건에 대응되는 저항 데이터를 상기 가중 평균 값으로 갱신한다.

가중 평균 값이란 평균을 내는 대상들의 중요도에 차등을 두어 중요한 대상이 평균에 더 큰 영향을 미치도록 하는 것으로, 중요한 대상에는 가중치를 부여해 평균을 내는 방식을 말한다. 즉, N개의 수치의 평균 값을 구할 때 중요도나 영향도에 해당하는 각각의 가중치를 곱하여 구한 평균 값이다.

이를테면, N개의 수치 x₁, x₂, …, x_n의 산술평균 M은, M=(x₁+x₂+…+x_n)/N 으로 구할 수 있다. 그런데 이 N개 중에 x₁이 f₁개, x₂가 f₂개, …, x_n이 f_n개 있다고 하면, f₁+f₂+…+f_n=N이 되고, 이 N개의 수치의 합계는, f₁x₁+f₂x₂+…+f_nx_n이 되므로 M의 식은 M=(f₁x₁ + f₂x₂+…+f_nx_n)/N이 된다. 이것을 서로 다른 n개의 수치 x₁,x₂…,x_n에 각각 f₁f₂…,f_n이라는 가중치가 붙었다고 생각하여, M의 식을 가중평균이라 한다. 이것은 수치 x₁, x₂, …, x_n의 중요도나 영향도가 각각 f_1,f_{2 ,}…, f_n 만큼 있다고 생각해도 좋다.

본 발명에서는 신규 저항 데이터와, 이전에 저장된 저항 데이터 사이의 가중 평균 값을 산출한다. A는 이전에 저장된 저항 값, B는 신규 저항 데이터이고, 가중치는 α라고 하면, 가중치 α를 이용한 A와 B의 가중 평균은 (1-α)*A+α*B가 된다. 이와 같이 신규 저항 데이터에 가중치를 부여하여 저항 추정에 이용한다. 신규 저항 데이터가 평균에 더 큰 영향을 미치도록 하는 것으로, 신규 저항 데이터에 가중치를 부여해 평균을 내는 것이다.

여기서, 신규 저항 데이터를 기존의 저항 데이터에 가중치(α) 비율로 반영하는 방식은 여러 가지가 있을 수 있다.

제1 실시예로, 운행 주기 동안 계산된 복수의 저항 데이터에 대해서 평균 값을 계산한 후 이 평균 값을 신규 저항 데이터로 삼아, 해당 평균 값과 이전에 저장된 저항 값 사이의 가중 평균 값을 해당 SOC-T의 저항 데이터로 저장할 수 있다. α값은 Pre R/R_@BOL와 New R/R_@BOL 차이가 클수록 증가하게 설정한다. 여기서, Pre R은 SOC-T에 대해 이전에 저장된 저항 값이고, R_@BOL은 배터리 초기 상태의 저항 값이며, New R은 신규 저항 데이터이다. 이러한 기준은 저항 추정이 배터리의 퇴화 및 안정성에 직결되므로 보수적으로 접근한다는 뜻이다. 즉, 최근에 계산된 저항 데이터를 더 신뢰한다는 뜻이다.

표 3은 신규 저항 데이터와 이전에 저장된 저항 데이터 사이의 가중 평균 값을 산출할 때에 신규 저항 데이터에 적용되는 가중치의 일 예를 보여주는 것으로, Pre R/R_@BOL 와 New R/R_@BOL 차이에 따라 미리 정해둔 α값의 일 예를 보여준다. 이 값들은 모두 메모리부(110)에 저장되어 있다.

표 3에 제시한 예에서는, α값은 0.5에서 1 사이의 값을 갖는다. 본 예에 따를 경우, 표 1의 룩업 테이블을 표 2와 같은 누적 테이블과 표 3의 가중치를 이용해 가중 평균 값으로 갱신한 후의 SOC-T 저항 데이터는 표 4와 같다.

표 4와 같이 갱신되는 이유를 설명하자면, 예를 들어, 표 2에서 SOC-T가 10%-15℃인 조건은 운행 주기 동안 계산된 복수의 저항 데이터에 대한 평균 값이 (1.58 + 1.6 + 1.61 + 1.64)/4이므로 1.608로 계산된다. 1.608은 SOC-T가 10%-15℃인 조건에서의 New R이 된다. 표 1 참조시 SOC-T가 10%-15℃인 조건에서의 Pre R은 1.58이다. Pre R/R_@BOL와 New R/R_@BOL 차이는 0.017 정도이고, 표 3 참조시 이러한 차이값에 해당하는 α값은 0.6이다. 신규 저항 데이터와 이전에 저장된 저항 값 사이의 가중 평균 값은 따라서, 0.4*1.58 + 0.6*1.608이고 그 값은 1.6이 된다. 가중 평균 값인 1.6이 SOC-T가 10%-15℃인 조건에서의 추정 저항 데이터로 갱신 저장되는 것이다.

마찬가지로, 다시 표 2를 참고하면, SOC-T가 20%-15℃인 조건에서, 운행 주기 동안 계산된 복수의 저항 데이터에 대한 평균 값은 (1.5 + 1.53 + 1.57 + 1.62)/4이므로 1.555이다. 1.555는 SOC-T가 20%-15℃인 조건에서의 New R이다. 표 1 참조시 SOC-T가 20%-15℃인 조건에서의 Pre R은 1.5이다. Pre R/R_@BOL와 New R/R_@BOL 차이는 0.037 정도로 계산되고, 표 3에 의하면 이 경우 α값은 0.8이다. 신규 저항 데이터와 이전에 저장된 저항 값 사이의 가중 평균 값은 따라서, 0.2*1.5 + 0.8*1.555를 계산한 결과 1.54가 된다. 가중 평균 값인 1.54가 SOC-T가 20%-15℃인 조건에서의 추정 저항 데이터로서 표 4에서와 같이 갱신 저장된다.

다른 예로, 다시 표 2를 참고하면, SOC-T가 20%-25℃인 조건에서, 운행 주기 동안 계산된 복수의 저항 데이터에 대한 평균 값은 (1.48 + 1.49)/2이므로 1.485이다. 1.485는 SOC-T가 20%-25℃인 조건에서의 New R이다. 표 1 참조시 SOC-T가 20%-25℃인 조건에서의 Pre R은 1.48이다. Pre R/R_@BOL와 New R/R_@BOL 차이는 0.003 정도가 되고, 표 3 참조시 여기에 해당하는 α값은 0.5이다. 신규 저항 데이터와 이전에 저장된 저항 값 사이의 가중 평균 값은 따라서, 0.5*1.48 + 0.5*1.485이고 계산하여 반올림하면 1.48이 된다. 가중 평균 값인 1.48이 SOC-T가 20%-25℃인 조건에서의 추정 저항 데이터로 표 4에서와 같이 갱신 저장된다.

여기에 예시하지 않은 다른 SOC-T 조건에 대해서도 위와 같은 계산 및 갱신 저장이 이루어져 최종적으로 표 4와 같은 새로운 저항 데이터 테이블을 얻을 수 있다. 이렇게 추정된 저항 데이터는 SOH, 출력 추정 등에 이용이 될 수 있다.

제2 실시예로, 운행 주기 동안 계산된 복수의 저항 데이터에 대해서 최대값과 최소값의 평균 값을 계산한 후 이 평균 값을 신규 저항 데이터로 삼아, 해당 평균 값과 이전에 저장된 저항 값 사이의 가중 평균 값을 해당 SOC-T의 저항 데이터로 저장할 수 있다. 운행 주기 동안 계산된 복수의 저항 데이터에 대해서 최대값과 최소값의 평균 값이 신규 저항 데이터가 되는 점을 제외하고는 가중 평균 값으로 저항 데이터를 갱신하는 점은 앞의 제1 실시예에서와 동일하다.

본 제2 실시예에 따를 경우, 표 1의 룩업 테이블을 표 2의 누적 테이블과 표 3의 가중치를 이용해 갱신한 후의 SOC-T 저항 데이터는 표 5와 같다.

표 5와 같이 되는 이유는 다음과 같다.

표 2를 참조하면, SOC-T가 10%-15℃인 조건에서, 운행 주기 동안 계산된 복수의 저항 데이터에 대해서 최대값과 최소값의 평균 값은 (1.58 + 1.64)/2이므로 1.61이다. 1.61은 SOC-T가 10%-15℃인 조건에서의 New R이다. 표 1 참조시 SOC-T가 10%-15℃인 조건에서의 Pre R은 1.58이다. Pre R/R_@BOL와 New R/R_@BOL 차이는 0.019 정도이므로 표 3 참조시 α값은 0.6이다. 신규 저항 데이터와 이전에 저장된 저항 값 사이의 가중 평균 값은 따라서, 0.4*1.58 + 0.6*1.61이고 계산하면 1.6이 된다. 가중 평균 값인 1.6이 SOC-T가 10%-15℃인 조건에서의 추정 저항 데이터로 갱신 저장된다.

마찬가지로, SOC-T가 20%-15℃인 조건은, 표 2 참고시, 운행 주기 동안 계산된 복수의 저항 데이터에 대해서 최대값과 최소값의 평균 값이 (1.5 + 1.62)/2이므로 1.56이다. 1.56는 SOC-T가 20%-15℃인 조건에서의 New R이다. 표 1 참조시 SOC-T가 20%-15℃인 조건에서의 Pre R은 1.5이다. Pre R/R_@BOL와 New R/R_@BOL 차이는 0.04 정도이므로 표 3에 의할 경우 해당 α값은 0.9이다. 신규 저항 데이터와 이전에 저장된 저항 값 사이의 가중 평균 값은 따라서, 0.1*1.5 + 0.9*1.56이며, 계산하면 1.55가 된다. 이와 같이, 가중 평균 값인 1.55가 SOC-T가 20%-15℃인 조건에서의 추정 저항 데이터로서 표 5에 갱신 저장된다.

다른 예로, SOC-T가 20%-25℃인 조건에서, 표 2를 참고하면, 운행 주기 동안 계산된 복수의 저항 데이터에 대해서 최대값과 최소값의 평균 값은 (1.48 + 1.49)/2이고 계산하면 1.485이다. 1.485는 SOC-T가 20%-25℃인 조건에서의 New R이다. 표 1 참조시 SOC-T가 20%-25℃인 조건에서의 Pre R은 1.48이다. Pre R/R_@BOL와 New R/R_@BOL 차이는 0.003 정도이므로 표 3 참조시 α값은 0.5이다. 신규 저항 데이터와 이전에 저장된 저항 값 사이의 가중 평균 값은 따라서, 0.5*1.48 + 0.5*1.485이고 계산하여 반올림하면 1.48이 된다. 가중 평균 값인 1.48이 SOC-T가 20%-25℃인 조건에서의 추정 저항 데이터로 표 5에서와 같이 갱신 저장된다.

다른 SOC-T 조건에 대해서도 위와 같은 계산 및 갱신 저장이 이루어져 표 5와 같은 새로운 저항 데이터 테이블을 얻을 수 있다. 제1 및 제2 실시예간에 신규 저항 데이터 선정 기준이 달라지면서 표 4와 표 5 사이에 작은 차이가 발생하였음을 알 수 있다.

제3 실시예로, 운행 주기 동안 계산된 복수의 저항 데이터들 중 최대값을 신규 저항 데이터로 삼아, 해당 최대값과 이전에 저장된 저항 값 사이의 가중 평균 값을 해당 SOC-T의 저항 데이터로 저장할 수 있다. 운행 주기 동안 계산된 복수의 저항 데이터에 대해서 최대값이 신규 저항 데이터가 되는 점을 제외하고는 가중 평균 값으로 저항 데이터를 갱신하는 점은 앞의 제1 및 제2 실시예에서와 동일하다.

본 제3 실시예에 따를 경우, 표 1의 룩업 테이블을 표 2의 누적 테이블과 표 3의 가중치를 이용해 갱신한 후의 SOC-T 저항 데이터는 표 6과 같다.

표 2를 참고하면, SOC-T가 10%-15℃인 조건에서, 운행 주기 동안 계산된 복수의 복수의 저항 데이터들 중 최대값은 1.64이다. 본 예에 따를 경우 1.64가 SOC-T 10%-15℃인 조건에서의 New R이다. 표 1 참조시 SOC-T가 10%-15℃인 조건에서의 Pre R은 1.58이다. Pre R/R_@BOL와 New R/R_@BOL 차이는 0.038 정도이므로 표 3 참조시 α값은 0.8이다. 신규 저항 데이터와 이전에 저장된 저항 값 사이의 가중 평균 값은 따라서, 0.2*1.58 + 0.8*1.64이고, 계산하면 1.63이 된다. 가중 평균 값인 1.63이 SOC-T가 10%-15℃인 조건에서의 추정 저항 데이터로 갱신 저장된다.

마찬가지로, 표 2 참조시, SOC-T가 20%-15℃인 조건에서, 운행 주기 동안 계산된 복수의 복수의 저항 데이터들 중 최대값은 1.62이다. 1.62는 SOC-T가 20%-15℃인 조건에서의 New R이다. 표 1 참조시 SOC-T가 20%-15℃인 조건에서의 Pre R은 1.5이다. Pre R/R_@BOL와 New R/R_@BOL 차이는 0.08 정도이므로 표 3 참조시 α값은 1이다. 신규 저항 데이터와 이전에 저장된 저항 값 사이의 가중 평균 값은 따라서, 0*1.5 + 1*1.62이고, 계산 후 1.62가 된다. 가중 평균 값인 1.62가 SOC-T가 20%-15℃인 조건에서의 추정 저항 데이터로 갱신 저장된다.

다른 예로, 표 2에서 SOC-T가 20%-25℃인 조건을 보면, 운행 주기 동안 계산된 복수의 복수의 저항 데이터들 중 최대값은 1.49이다. 1.49는 SOC-T가 20%-25℃인 조건에서의 New R이다. 표 1 참조시 SOC-T가 20%-25℃인 조건에서의 Pre R은 1.48이다. Pre R/R_@BOL와 New R/R_@BOL 차이는 0.007 정도이므로 표 3 참조시 α값은 0.5이다. 신규 저항 데이터와 이전에 저장된 저항 값 사이의 가중 평균 값은 따라서, 0.5*1.48 + 0.5*1.49이고 계산하면 1.49가 된다. 가중 평균 값인 1.49가 SOC-T가 20%-25℃인 조건에서의 추정 저항 데이터로 갱신 저장된다.

다른 SOC-T 조건에 대해서도 위와 같은 계산 및 갱신 저장이 이루어져 최종적으로 표 6과 같은 저항 데이터 테이블을 얻을 수 있다. 제1 내지 제3 실시예 비교시 신규 저항 데이터 선정 기준이 달라지면서 표 4 내지 표 6 사이에 작은 차이가 발생함을 알 수 있다. 가장 보수적인 접근은 최대값을 이용하는 제3 실시예이다. SOH, 출력을 추정하는 데 있어서 가장 큰 저항 데이터를 반영함으로써 추정 값을 엄격하게 가져가는 것이다.

앞에서 설명한 바와 같이 갱신된 저항 데이터는 SOH, 출력 추정에 이용이 된다. 한편, 표 4 내지 표 6과 같이 한 번 갱신된 이후, 다시 배터리(B)의 사용이 시작되면, 배터리(B)가 충방전되는 동안 SOC 및 온도 별로 I-V 데이터를 다시 측정해 메모리부(110)에 저장시킨 값으로부터 dV/dI에 의해 저항 데이터를 주기적으로 계산하여 누적하는 등, 저항 데이터 누적하는 단계 및, 배터리(B) 키 오프(key off)시 저항 데이터 갱신하는 단계를 다시 수행하여 저항 데이터를 업데이트한다.

예를 들어, 표 4와 같이 한번 갱신된 저항 데이터를 갖는 배터리를 다시 충방전 사용하면서 주기적으로 반복 계산된 저항을 SOC-T 조건별로 구분하여 재차 누적 저장하면 표 7과 같은 테이블을 얻을 수 있다고 가정하자.

표 4의 룩업 테이블에 저장된 저항 데이터가 Pre R이 된다. 표 7의 누적 테이블과 표 3의 가중치를 이용하고, 복수의 저항 데이터들의 평균 값을 신규 저항 데이터로 선택하는 앞의 제1 실시예에 따라 표 4의 룩업 테이블을 갱신하는 경우라고 하면, 갱신한 후의 SOC-T 저항 데이터는 표 8과 같다.

예를 들어, 표 7 참고시, SOC-T가 10%-15℃인 조건에서, 운행 주기 동안 계산된 복수의 저항 데이터에 대한 평균 값은 (1.6 + 1.62)/2이므로 1.61이다. 1.61은 SOC-T가 10%-15℃인 조건에서의 New R이다. 표 4 참조시 SOC-T가 10%-15℃인 조건에서의 Pre R은 1.6이고 표 1 참조시 R_@BOL은 1.58이다. Pre R/R_@BOL와 New R/R_@BOL 차이는 0.006 정도이므로 표 3 참조시 α값은 0.5가 된다. 신규 저항 데이터와 이전에 저장된 저항 값 사이의 가중 평균 값은 따라서, 0.5*1.6 + 0.5*1.61이고, 계산하면 1.61이 된다. 가중 평균 값인 1.61이 SOC-T가 10%-15℃인 조건에서의 추정 저항 데이터로 갱신 저장된다.

마찬가지로, 표 7에서 SOC-T 20%-15℃인 조건에 대해서는, 운행 주기 동안 계산된 복수의 저항 데이터에 대한 평균 값이 (1.54 + 1.55 + 1.56)/3이므로 1.55이다. 1.55는 SOC-T가 20%-15℃인 조건에서의 New R이다. 표 4 참조시 SOC-T가 20%-15℃인 조건에서의 Pre R은 1.54이고 표 1 참고시 R_@BOL은 1.5이다. Pre R/R_@BOL 와 New R/R_@BOL 차이는 0.007 정도이므로 표 3 참조시 α값은 0.5이다. 신규 저항 데이터와 이전에 저장된 저항 값 사이의 가중 평균 값은 따라서, 0.5*1.54 + 0.5*1.55이고 1.55가 된다. 가중 평균 값인 1.55가 SOC-T가 20%-15℃인 조건에서의 추정 저항 데이터로 갱신 저장된다.

다른 예로, SOC-T가 20%-25℃인 조건에서 표 7에 의하면, 운행 주기 동안 계산된 복수의 저항 데이터에 대한 평균 값은 (1.48 + 1.5 + 1.51)/3이므로 1.5이다. 1.5는 SOC-T가 20%-25℃인 조건에서의 New R이다. 표 4 참조시 SOC-T가 20%-25℃인 조건에서의 Pre R은 1.48이고 표 1에 의하면 R_@BOL도 1.48이다. Pre R/R_@BOL와 New R/R_@BOL차이는 0.01이므로 표 3 참조시 α값은 0.6이다. 신규 저항 데이터와 이전에 저장된 저항 값 사이의 가중 평균 값은 따라서, 0.4*1.48 + 0.6*1.5이고 1.49가 된다. 가중 평균 값인 1.49가 SOC-T가 20%-25℃인 조건에서의 추정 저항 데이터로 갱신 저장된다.

다른 SOC-T 조건에 대해서도 위와 같은 계산 및 갱신 저장이 이루어져 표 8과 같은 새로운 저항 데이터 테이블이 얻어지는 것이다.

이처럼 배터리가 충방전되면서 사용되는 동안 누적된 저항 데이터를 이용해 배터리가 사용되지 않는 동안 가중치를 적용, 업데이트하는 과정을 배터리 교체 전까지는 반복적으로 수행하도록 해 항상 가장 신뢰성있는 저항 데이터로 보유할 수 있도록 한다.

경우에 따라서는 I-V 데이터의 변화가 작은 안정한 입력이 들어오게 되어 저항의 누적 데이터가 취합되지 않을 수 있다. 또한 배터리(B)가 사용되지 않은 SOC 조건에 대해서는 누적 데이터가 취합되지 않는다. 이와 같이 저항 누적 데이터가 취합되지 않은 일부 SOC-T 조건에 대해서는 저항 데이터가 취합된 다른 SOC-T 조건의 추정 저항 데이터를 기반으로 확산 추정한다. 즉, 인접하는 SOC-T 조건에 대응되는 추정된 새로운 저항 데이터를 이용하여 SOC, T에 의해 저항(R)을 산출하는 함수를 산출한 후 해당 함수에 근거한 내삽법 또는 외삽법에 의해 저항 데이터가 취합되지 않은 SOC-T 조건에 대한 저항 데이터를 업데이트 및 저장한다.

예를 들어 표 9는 표 2 대비 일부 SOC-T 조건에 대하여는 저항의 누적 데이터가 취합되지 않은 경우이다.

예시한 바와 같이, 표 9에서 SOC-T 10%-25℃인 경우와 30%-25℃인 경우는 저항의 누적 데이터가 표 2와 동일하게 취합이 되었지만 20%-25℃인 경우는 저항의 누적 데이터가 취합되지 않았다(이전 저항 데이터만 저장이 되어 있음을 굵은 글씨체로 표시함). 그런 경우, SOC-T 20%-25℃에 인접하는 10%-25℃와 30%-25℃의 갱신 저항 데이터를 이용하여 SOC, T에 의해 R을 산출하는 함수를 산출한 후 해당 함수에 근거한 내삽법으로 20%-25℃ 저항 데이터를 업데이트한다.

먼저, 저항의 누적 데이터가 취합된 SOC-T 조건들에 대해서는 앞서 표 1 내지 표 4를 참조하여 설명한 바와 같은 과정을 거쳐 저항 데이터를 갱신 저장한다. 그러면 저항의 누적 데이터가 취합된 SOC-T 조건들에 대해서는 표 10과 같은 중간 단계의 새로운 저항 추정 값들을 얻을 수 있을 것이다.

표 10을 참조하면 25℃에서 SOC 10%인 경우의 갱신 저항 데이터는 1.57이고 SOC 30%인 경우의 갱신 저항 데이터는 1.45이다. 이 두 조건에서, 가장 간단하게는, 저항(R)=1.63-0.006*SOC라는 공식을 구할 수 있다. 누적 데이터가 취합되지 않은 SOC 20%인 경우 이 공식에 따라 SOC에 20을 대입하면 저항이 1.51로 계산된다. 따라서, SOC-T가 20%-25℃ 조건에 표 1과 같이 저장되어 있던 직전 저항 1.48을, 확산 추정한 값인 새로운 저항 1.51로 갱신하여 표 11을 얻는다.

또, 표 9를 다시 참조하면, 35℃에서 SOC 10%인 경우와 SOC 20%인 경우는 저항의 누적 데이터가 취합이 되었지만 SOC 30%인 경우는 저항의 누적 데이터가 취합되지 않았다. 그런 경우, SOC 30%인 경우에 인접하는 SOC 10%인 경우와 SOC 20%인 경우의 갱신 저항 데이터를 이용하여 SOC, T에 의해 R을 산출하는 함수를 산출한 후 해당 함수에 근거한 외삽법으로 SOC 30%인 경우의 저항 데이터를 업데이트한다.

표 10 참조시 35℃에서 SOC 10%인 경우의 갱신 저항 데이터는 1.55이고 SOC 20%인 경우의 갱신 저항 데이터는 1.47이다. 이 두 조건에서 저항(R)=1.63-0.008*SOC라는 공식을 구할 수 있다. SOC가 30%인 경우 이 공식에 따르면 저항이 1.39로 계산된다. 따라서, SOC-T가 30%-35℃ 조건에 표 1과 같이 저장되어 있던 직전 저항 1.44를 여기서는 새로운 저항 1.39로 갱신하여 표 11을 얻는다.

이와 같이, 표 11은 표 1의 룩업 테이블을 표 9의 누적 테이블과 표 3의 가중치를 이용해 갱신하고, 상기 방법에 따라 확산 추정까지 한 후의 SOC-T 저항 데이터를 나타낸다. 이 때, 실시간 추정된 저항이 확산 추정된 데이터에 우선시하기 위하여 확산 추정 데이터인지 실시간 추정 데이터인지 구분하는 플래그 값을 설정하여 저항 데이터를 저장하는 것이 바람직하다. 플래그 값 저장과 관계된 플래그 레지스트는 통상의 지식을 가진 자라면 구현할 수 있는 것이므로 자세한 설명은 생략한다.

이와 같이 본 발명에 따르면, 배터리 초기 데이터로부터 환경 조건에 맞는 저항을 계산하고 그 축적 데이터를 저장함으로써 입력 조건의 제약 없이(실시간 저항 추정을 할 수 없는 환경 조건에 대해서도) SOC-T 조건별로 누적된 저항 값 혹은 BOL 상태에 있을 때의 저항 대비 증가된 정도를 이용하여 SOH, 출력을 추정하는 데 사용할 수 있다.

본 발명에 따르면, SOC-T 조건별로 서로 다른 저항 퇴화율이 발생됨을 고려하여 그에 맞는 저항 값을 추정해 배터리 상태 및 수명의 추정에 정확도를 높일 수 있다. 그리고, I-V 데이터의 변화가 작은 안정한 입력이 들어올 경우에도, 저항 데이터를 얻을 수 없는 조건에도 실시간 저항 값과 유사한 저항 값을 사용할 수 있게 된다.

특히 본 발명에 따르면, 배터리의 저항 추정에 사용되는 저항 룩업 테이블을 변경할 때 신규 저항 데이터에 가중치를 부여해 반영함으로써, 배터리의 열화를 고려한 안정성 확보 관점에서 보수적인 접근을 한다. 이에 따라, 배터리의 퇴화 상태에 맞는 배터리의 저항을 신뢰성 있게 추정할 수 있다.

상기 제어부(120)는 또한 상기와 같이 추정하여 갱신된 배터리(B)의 저항을 활용하여 배터리(B)의 출력을 결정하고, 결정된 출력 정보를 상기 메모리부(110)에 저장할 수도 있다.

일 예로서, 배터리(B)의 출력은, 하기 수학식을 이용하여 계산이 가능하다.

배터리의 출력 =

상기 수학식에 있어서, I는 배터리(B)의 충전 전류 또는 방전 전류의 크기를 나타낸다. OCV_@SOC는 배터리(B)의 현재 충전상태에 대응되는 개방 전압으로서, 메모리부(110)에 저장된 'OCV-SOC 룩업 테이블'로부터 참조될 수 있다. V_cut _{_off}는 배터리의 충전 또는 방전이 차단되는 전압으로서, 배터리(B)가 충전될 때에는 최대 충전 전압(Vmax)을, 배터리(B)가 방전될 때에는 최소 방전 전압(Vmin)을 나타낸다. R_@SOC,T는 배터리(B)의 현재 충전상태 및 온도에 대응되는 저항을 나타내는 것으로서 본 발명에 의해 추정된 것, 즉 신규 저항 데이터와 이전에 저장된 저항 데이터의 가중 평균 값으로 갱신된 것이다.

상기 제어부(120)는 또한 상기 추정된 배터리(B)의 저항을 이용하여 배터리(B)의 SOH를 정량적으로 추정할 수 있다.

일 예로서, 배터리(B)의 건강상태(%)는 하기 수학식을 이용하여 계산이 가능하다.

건강상태(SOH) = 100*(R_@BOL/ R_@SOC,T)

상기 수학식에 있어서, R_@SOC,T는 배터리(B)의 현재 충전상태 및 온도에 대응되는 배터리(B)의 저항으로서 본 발명에 의해 추정된 것, 즉 신규 저항 데이터와 이전에 저장된 저항 데이터의 가중 평균 값으로 갱신된 것이다.

다른 측면에 따르면, 상기 제어부(120)는 통신 인터페이스(I/F, 160)와 결합될 수 있고, 추정된 저항 값, 출력 값 및 건강상태 값들 중에서 적어도 하나를 상기 통신 인터페이스(160)를 통해서 외부 디바이스(미도시) 측으로 출력할 수 있다.

바람직하게, 상기 외부 디바이스는 배터리(B)로부터 전기 에너지를 공급 받는 부하 장치의 제어기일 수 있는데, 본 발명이 이에 한정되는 것은 아니다.

한편, 상기 제어부(120)는, 본 명세서에 개시된 다양한 제어 로직들을 실행하기 위해 당업계에 알려진 프로세서, ASIC(Application-Specific Integrated Circuit), 다른 칩셋, 논리 회로, 레지스터, 통신 모뎀, 데이터 처리 장치 등을 선택적으로 포함할 수 있다.

또한, 상기 제어 로직이 소프트웨어로 구현될 때, 상기 제어부(120)는 프로그램 모듈의 집합으로 구현될 수 있다. 이 때, 프로그램 모듈은 상기 메모리부(110)에 저장되고, 프로세서에 의해 실행될 수 있다. 상기 메모리부(110)는 프로세서 내부 또는 외부에 있을 수 있고, 잘 알려진 다양한 수단으로 프로세서와 연결될 수 있다.

그러면, 이하에서는, 상술한 구성을 바탕으로 도 3을 참조하여 본 발명에 따른 배터리 저항 추정 방법을 구체적으로 설명하기로 한다.

도 3은 본 발명의 일 실시예에 따른 배터리 저항 추정 방법을 나타내는 순서도이다.

먼저, 제어부(120)는 메모리부(110)에 저장된 배터리(B)의 전류 측정 값을 참조하여 배터리(B)의 충방전이 개시되었는지 체크한다(S10).

만약, 충방전이 개시되었으면, 제어부(120)는 전압 측정부(130), 전류 측정부(140) 및 온도 측정부(150)를 제어하여 배터리(B)의 전압, 전류 및 온도를 측정하고, 전압 측정 값, 전류 측정 값 및 온도 측정 값을 메모리부(110)에 저장한다(S20). 메모리부(110)에는 배터리(B)의 충전상태-온도(SOC-T) 조건에 따라 저항 데이터를 기록하고 있는 저항 룩업 테이블이 미리 저장되어 있다.

이어서, 제어부(120)의 저항누적 계산부(122)는 메모리부(110)에 저장된 값으로부터 SOC와 저항을 계산하고 SOC-T 조건별로 구분하여 메모리부(110)에 누적 저장한다(S30). 제어부(120)는 메모리부(110)에 저장된 전류 측정 값을 참조하여 주기적으로 전류 적산법에 의해 배터리(B)의 충전상태인 SOC를 결정할 수 있다. 저항은 dV/dI로부터 계산할 수 있다.

다음, 제어부(120)는 배터리(B)의 충방전이 계속되고 있는지 체크한다(S40). 제어부(120)는 전류 측정부(140)를 통해 배터리(B)의 충전 또는 방전 전류의 크기를 측정하여 배터리(B)의 충방전이 계속되는지 판별할 수 있다.

배터리(B)의 충방전이 계속되는 동안에는 단계 S20과 S30을 주기적으로 반복 수행한다.

반대로 배터리(B)의 충방전이 멈추고, 이를테면 배터리 키 오프인 경우, 저항 데이터 갱신부(124)는 메모리부(110)에 SOC-T 조건별로 저장된 복수의 저항 데이터들의 평균 값, 최대값과 최소값의 평균 값 또는 최대값 중 어느 하나인 신규 저항 데이터와, 이전에 저장된 저항 데이터 사이의 가중 평균 값을 산출한다(S60). 가중 평균 값을 산출하는 자세한 내용은 앞서 설명한 바와 같고, 여기에 이용되는 가중치는 미리 메모리부(110)에 저장되어 있다. 이 때, 가중 평균 값이 산출될 저항 데이터가 취합되지 않은 SOC-T 조건에 대해서는 스킵을 한다. 즉, 가중 평균 값이 산출될 저항 데이터가 취합되지 않은 SOC-T 조건인지를 미리 판단하여(S50), 저항 데이터가 취합된 SOC-T 조건에 대해서만 단계 S60을 수행한다.

이후, 저항 데이터 갱신부(124)는 메모리부(110)에 SOC-T 조건별로 저장된 저항 데이터를 상기 가중 평균 값으로 갱신한다(S70). 단계 S50에서 저항 데이터가 취합되지 않은 SOC-T 조건이라고 판단된 조건에 대해서는, 내삽법 또는 외삽법을 이용해, 단계 S60에서 구한 인접 조건의 추정 저항 값으로부터 확산 추정을 해 갱신한다(S80).

제어부(120)는 또한 S60, S70 및 S80 단계에서 추정된 저항을 메모리부(110)에 저장하거나, 통신 인터페이스(160)를 통해 외부 디바이스 측으로 전송하거나, 추정된 저항을 이용하여 배터리(B)의 출력이나 건강상태와 같은 다른 파라미터를 추정할 수 있다.

제어부(120)는 모든 SOC-T 조건에 대해 상기와 같은 저항 데이터 갱신이 이루어졌는지 판단하여(S90), 모든 조건에 대한 갱신 완료로 판단시 본 발명에 따른 저항 추정 프로세스를 종료한다.

도 3에 예시된 제어 로직들은 적어도 하나 이상이 조합되고, 조합된 제어 로직들은 컴퓨터가 읽을 수 있는 코드 체계로 작성되어 컴퓨터가 읽을 수 있는 기록매체에 수록될 수 있다. 상기 기록매체는 컴퓨터에 포함된 프로세서에 의해 접근이 가능한 것이라면 그 종류에 특별한 제한이 없다. 일 예시로서, 상기 기록매체는 ROM, RAM, 레지스터, CD-ROM, 자기 테이프, 하드 디스크, 플로피디스크 및 광 데이터 기록장치를 포함하는 군에서 선택된 적어도 하나 이상을 포함한다. 또한, 상기 코드 체계는 캐리어 신호로 변조되어 특정한 시점에 통신 캐리어에 포함될 수 있고, 네트워크로 연결된 컴퓨터에 분산되어 저장되고 실행될 수 있다. 또한, 상기 조합된 제어 로직들을 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.

본 발명에 따른 배터리 저항 추정 장치는, BMS라고 불리는 시스템의 일부로서 포함될 수 있다. 또한, 상기 BMS는 배터리(B)가 제공하는 전기 에너지로 동작이 가능한 다양한 종류의 전기구동 장치에 탑재될 수 있다.

일 측면에 따르면, 상기 전기구동 장치는, 휴대폰, 랩탑 컴퓨터, 태블릿 컴퓨터 등의 모바일 컴퓨터 장치, 또는 디지털 카메라, 비디오 카메라, 오디오/비디오 재생 장치 등을 포함한 핸드 헬드 멀티미디어 장치일 수 있다.

다른 측면에 따르면, 상기 전기 구동 장치는, 전기 자동차, 하이브리드 자동차, 전기 자전거, 전기 오토바이, 전기 열차, 전기 배, 전기 비행기 등과 같이 전기에 의해 이동이 가능한 전기 동력 장치, 또는 전기 드릴, 전기 그라인더 등과 같이 모터가 포함된 파워 툴일 수 있다.

또 다른 측면에 따르면, 상기 전기 구동 장치는, 전력 그리드에 설치되어 신재생 에너지나 잉여 발전 전력을 저장하는 대용량 전력 저장 장치, 또는 정전 등의 비상 상황에서 서버 컴퓨터나 이동 통신 장비 등을 포함한 각종 정보 통신 장치의 전원을 공급하는 무정전 전원 공급 장치일 수 있다.

본 발명의 다양한 실시 양태를 설명함에 있어서, '~부'라고 명명된 구성 요소들은 물리적으로 구분되는 요소들이라고 하기 보다 기능적으로 구분되는 요소들로 이해되어야 한다. 따라서 각각의 구성요소는 다른 구성요소와 선택적으로 통합되거나 각각의 구성요소가 제어 로직(들)의 효율적인 실행을 위해 서브 구성요소들로 분할될 수 있다. 하지만 구성요소들이 통합 또는 분할되더라도 기능의 동일성이 인정될 수 있다면 통합 또는 분할된 구성요소들도 본 발명의 범위 내에 있다고 해석되어야 함은 당업자에게 자명하다.

이상에서 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.

100: 배터리 저항 추정 장치 110: 메모리부
120: 제어부 122: 저항 누적 계산부
124: 저항 데이터 갱신부 130: 전압 측정부
140: 전류 측정부 150: 온도 측정부
160: 통신 인터페이스

Claims

배터리의 충전상태-온도(SOC-T) 조건에 따라 저항 데이터를 기록하고 있는 저항 룩업 테이블이 저장된 메모리부; 및
제어부를 포함하고,
상기 제어부는,
배터리가 충방전되는 동안 I-V 데이터를 측정하여 dV/dI에 의해 주기적으로 저항을 반복 계산하여 상기 메모리부에 저장하되, SOC-T 조건별로 구분하여 누적 저장하는 저항 누적 계산부; 및
상기 메모리부에 SOC-T 조건별로 저장된 복수의 저항 데이터들의 평균 값, 최대값과 최소값의 평균 값 또는 최대값 중 어느 하나인 신규 저항 데이터와, 이전에 저장된 저항 데이터 사이의 가중 평균 값을 산출한 후 해당하는 SOC-T 조건에 대응되는 저항 데이터를 상기 가중 평균 값으로 갱신하는 저항 데이터 갱신부를 포함하고,
상기 신규 저항 데이터와 이전에 저장된 저항 데이터 사이의 차이가 클수록 가중 평균 값을 산출하기 위해 상기 신규 저항 데이터에 부여되는 가중치가 증가하는 것을 특징으로 하는 배터리 저항 추정 장치.
제1항에 있어서, 상기 저항 데이터 갱신부는, 가중 평균 값이 산출될 저항 데이터가 취합되지 않은 SOC-T 조건에 대해서는 인접하는 SOC-T 조건에 대해 계산된 저항 데이터의 가중 평균 값을 이용하여 내삽법 또는 외삽법에 의해 저항 데이터를 갱신하도록 구성된 것을 특징으로 하는 배터리 저항 추정 장치.
제2항에 있어서, 상기 저항 데이터 갱신부는, SOC-T 조건별로 저장된 저항 데이터가 실시간 계산된 저항 데이터인지 아니면 내삽법 또는 외삽법에 의해 추정된 저항 데이터인지 여부를 구분하는 플래그 값을 SOC-T 조건별로 할당하여 저장하는 것을 특징으로 하는 배터리 저항 추정 장치.
삭제
(a) 배터리의 충전상태-온도(SOC-T) 조건에 따라 저항 데이터를 기록하고 있는 저항 룩업 테이블을 메모리부에 저장하는 단계;
(b) 배터리가 충방전되는 동안 I-V 데이터를 측정하여 dV/dI에 의해 주기적으로 저항을 반복 계산하여 상기 메모리부에 저장하되, SOC-T 조건별로 구분하여 누적 저장하는 단계;
(c) 상기 메모리부에 SOC-T 조건별로 저장된 복수의 저항 데이터들의 평균 값, 최대값과 최소값의 평균 값 또는 최대값 중 어느 하나인 신규 저항 데이터와, 이전에 저장된 저항 데이터 사이의 가중 평균 값을 산출하는 단계; 및
(d) 상기 메모리부에 SOC-T 조건별로 저장된 저항 데이터를 상기 가중 평균 값으로 갱신하는 단계를 포함하고,
상기 신규 저항 데이터와 이전에 저장된 저항 데이터 사이의 차이가 클수록 가중 평균 값을 산출하기 위해 상기 신규 저항 데이터에 부여되는 가중치가 증가하는 것을 특징으로 하는 배터리 저항 추정 방법.
제5항에 있어서, 상기 (d) 단계에서, 가중 평균 값이 산출될 저항 데이터가 취합되지 않은 SOC-T 조건에 대해서는 인접하는 SOC-T 조건에 대해 계산된 저항 데이터의 가중 평균 값을 이용하여 내삽법 또는 외삽법에 의해 저항 데이터를 갱신하는 것을 특징으로 하는 배터리 저항 추정 방법.
제6항에 있어서, 상기 (d) 단계에서, SOC-T 조건별로 저장된 저항 데이터가 실시간 계산된 저항 데이터인지 아니면 내삽법 또는 외삽법에 의해 추정된 저항 데이터인지 여부를 구분하는 플래그 값을 SOC-T 조건별로 할당하여 저장하는 것을 특징으로 하는 배터리 저항 추정 방법.
삭제
제1항 내지 제3항 중 어느 한 항에 따른 배터리 저항 추정 장치를 포함하는 배터리 관리 시스템.
제5항 내지 제7항 중 어느 한 항에 따른 배터리 저항 추정 방법을 프로그램화하여 수록한 컴퓨터로 읽을 수 있는 기록매체.