고에너지 밀도 리튬의 모델링 및 시뮬레이션

Scientific Reports 12권, 기사 번호: 9800(2022) 이 기사 인용

2861 액세스

측정항목 세부정보

고에너지 밀도 저장 장치인 리튬 이온 배터리는 전기 및 전자 장치, 컴퓨터, 하이브리드 전기 자동차 및 전기 자동차에 광범위하게 응용됩니다. 본 논문에서는 두 개의 비선형 칼만 필터를 이용한 리튬이온 배터리의 다중 결함 검출을 제시합니다. 리튬 이온 배터리의 이산 비선형 수학적 모델이 개발되었으며 Unscented Kalman 필터(UKF)를 사용하여 모델 매개변수를 추정했습니다. 과충전, 과방전, 셀 간 전원 배터리 간의 단락 오류 등 다중 오류 발생은 시스템 모델의 매개변수 변화에 영향을 미칩니다. 일부 UKF(필터 뱅크)의 병렬 조합은 정상 상황과 결함 상황 간의 모델 매개변수 변화를 비교하고 다양한 결함을 나타내는 잔여 신호를 생성합니다. 잔차 기반 결함 진단 및 임계값 계산을 위해 여러 번의 통계 테스트에 대한 시뮬레이션 결과가 수행되었습니다. 그런 다음 UKF의 성능을 동일한 배터리 모델 및 오류 시나리오를 사용하여 확장 칼만 필터(EKF)와 비교합니다. 시뮬레이션 결과는 UKF 모델이 결함 진단에 있어서 EKF보다 더 좋고 더 빠르게 반응한다는 것을 증명합니다.

에너지원인 배터리는 200여년 전 발명된 이후 인류가 사용해 왔습니다. 많은 개발을 거쳐 현재 사용 가능한 배터리는 무게가 더 가벼워지고, 에너지 저장 용량이 더 높으며, 안전 기능이 강화되고, 내구성이 길어졌으며 광범위한 소비자 및 산업 응용 분야에 적합한 것으로 확인되었습니다1,2. 리튬전지는 리튬이온으로 변형되어 충전이 가능하게 되었으며, 전자기기, 컴퓨터, 하이브리드 전기자동차, 전기자동차 등에 적용되고 있습니다. 전기자동차의 신뢰성과 안전성 등의 측면을 고려할 때, 리튬이온 상태를 모니터링하는 것이 중요합니다. 작동 중 셀. 이는 필요한 데이터를 수집하고 배터리 관리 시스템(BMS)을 통해 셀 상태를 후속적으로 추정하여 관리할 수 있습니다. 배터리 셀의 성능은 전류, 전압 및 온도에 따라 달라지며, 셀 상태에는 SOC(충전 상태)5,6,7, SOH(상태)8,9,10 및 SOE(에너지 상태)11가 포함됩니다. 및 잔여 유효 수명(RUL)12,13. 전기 자동차의 결함은 (a) 과충전, (b) 과방전 (c) 내부 및 외부 단락으로 표시됩니다. 배터리 내부 및 외부 단락 결함으로 인해 엄청난 양의 열이 발생하여 열 활주로가 발생합니다. 확인되지 않은 배터리 결함은 본질적으로 되돌릴 수 없으며 심각할 경우 손상으로 이어질 수 있습니다14,15. 이러한 상황을 무효화하기 위해서는 배터리의 결함을 빠르고 정확하게 진단하는 것이 중요합니다. 리튬이온 배터리의 결함 진단은 산업계와 학계 모두에서 연구자들 사이에서 관심이 높아지고 있는 것으로 문헌을 통해 확인되었습니다. 연구원들은 고급 방법론과 기술을 사용하여 다양한 배터리 결함을 감지하려는 노력을 기울였습니다. 그러한 기술 중 하나는 배터리 오류 정보 손실을 방지하는 기능으로 인해 향상된 견고성을 제공하는 관찰자 기반 오류 진단입니다. 이는 알려지지 않은 교란 및 잘못된 초기 조건으로 인해 달성될 수 있습니다. 저렴한 비용과 높은 유연성이라는 고유한 장점으로 인해 모델 기반 결함 진단 기술은 정확한 결함 진단을 위한 실행 가능한 솔루션이 됩니다. 일련의 감소된 차수 관찰자를 사용하는 Luenberger 관찰자(LO)는 결함 감지를 위해 배터리 팩에 적용될 수 있습니다. 일부 연구자들은 압입18, 못 관통19, 결함 구조 제조20 및 극한 고온에서의 열 폭주21와 같은 고급 기술을 사용하여 모델 기반 단락 결함 분석을 제안했습니다. 다른 모델에서는 EV 작동 과정에서 출력 전압과 배터리의 실제 출력 전압을 비교할 수 있으며, 전압 차이의 절대값이 임계값을 초과하면 경보 시스템이 트리거됩니다22,23. 또한 칼만 필터는 특히 최적의 필터가 잡음이 있는 신호에 대해 강력한 견고성을 나타내는 경우 리튬 이온 배터리의 결함 진단에 효과적인 응용 프로그램을 찾습니다. 매우 높은 견고성으로 구현된 모델 기반 결함 감지 방법을 사용하면 배터리 결함을 정확하게 감지할 수 있습니다. 리튬 이온 배터리에 대한 적응형 칼만 필터 기반 결함 진단은 많은 연구자에 의해 고려되고 있습니다. 적응형 칼만 필터는 잡음 통계에 대한 정보가 필터의 적절한 기능을 위한 전제 조건으로 간주되는 확장 칼만 필터의 경우 불가능한 프로세스 및 측정 잡음 공분산 조정을 통해 배터리 매개변수의 상태를 추정할 수 있습니다. 부정확한 결과를 얻으려면 최근에는 배터리 결함의 과충전 및 과방전이 논의됩니다. 결함 메커니즘, 결함 특징 및 진단 절차에 대한 검토 논문이 논의됩니다.