임희성
(Hee-Sung Lim)
1iD
윤진식
(Jin-Shik Yun)
2iD
이교범
(Kyo-Beum Lee)
†iD
-
(Dept. of IT Convergence Engineering, Ajou University, Korea.E-mail: heesunglim@ajou.ac.kr)
-
(Dept. of Battery Research Center, CM PARTNER, Korea.E-mail: jsyun@cmpartner.com
)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
LiFePO4, LFP, SOC, SOH, Linear Regression, Battery, BMS, DCIR
1. 서 론
최근 환경 문제와 자원 부족으로 배터리 기술에 관심도가 높아지고 있다(1). 리튬 인산철(LFP) 배터리는 안정성이 높고 생산비용이 저렴하지만 에너지 밀도가 낮아 전기버스등 여유공간이 많은 차량에 탑재되어 왔다(2)(3). 최근 중국 CATL은 배터리 셀을 바로 팩으로 만드는 CTP (Cell to Pack)기술로 에너지밀도 향상이 가능하다고 주장하였다. 미국 테슬라는
Model3의 중국 내 물량에 대해 리튬 인산철 배터리를 적용하였다. 향후 CTP기술이 적용된 리튬 인산철 배터리가 성공적으로 도입될 경우, 전기차용
배터리 시장 및 전기차 보급에 파급력이 있을 것으로 전망된다(4).
배터리를 안전하게 사용하기 위해서는 배터리관리시스템(BMS)이 필요하다(3). BMS는 배터리의 상태를 모니터링하며 과충전 과방전 방지를 위하여 충전 상태 (SOC : State of Charge)와 노후화 상태(SOH :
Stage of Health)를 추정하여 위험요소를 판단한다(5). 리튬인산철 배터리는 다른 리튬계열 이차전지에 비해서 전압곡선의 기울기가 낮아서 보다 정밀한 상태추정 알고리즘이 필요하다(3).
최근 학습 데이터를 이용하여 SOH를 추정하는 머신러닝 기반의 알고리즘이 활발히 연구되고 있다(9). 최근 제안된 알고리즘은 노후화에 따른 개방회로전압(OCV:Open Circuit Voltage) 곡선의 기울기와 SOH 사이의 관계식을 도출하고
선형 회귀 분석 기법을 통해 SOH를 구한다(6)(7)(12).
본 논문에서는 리튬인산철 배터리관리시스템에서 고장진단 및 예측에 활용하기 위한 머신러닝 기반의 정밀한 배터리 상태추정 알고리즘을 제안하였다. 제안한
알고리즘은 무 부하 단자전압(OCV : Open circuit voltage)과 충전상태(SOC)간의 관계 데이터를 학습하고 내부 저항 (DCIR
: Direct Current Internal Resistance)값을 활용하여 노후화 상태(SOH)를 추정하며 고장데이터와의 관계를 규칙이나 함수로
표현한다. 이후 사용 중 변화되는 전압, 전류, 온도, 압력 등의 데이터에 내재되어 있는 패턴을 발견하여 고장을 예측한다. 알고리즘의 타당성을 검증하기
위해 24셀의 배터리를 직렬로 연결하여 배터리 팩을 제작하고 실험과 시뮬레이션을 수행한다.
2. 리튬인산철 배터리의 특징 및 상태분석
본 장에서는 리튬인산철 배터리의 전기적특성에 대하여 정리하고 배터리 내부저항(DCIR)을 측정하여 배터리의 노후화 상태(SOH)와의 관계를 분석 한다.
배터리의 상태 분석을 통하여 배터리의 고장 원인 별 내부저항 데이터를 확보하고 3장에서는 선형회귀법을 이용하여 분석한다.
2.1 리튬인산철 배터리의 전기적 특성
리튬인산철배터리는 강한 P-O 결합에 의하여 층상계 양극 소재와 다르게 매우 안정적인 구조를 가지고 있다. 이에 따라 다른 층상계 양극 소재와 비교하여
안전성이 매우 높으며 수명 특성도 우수하다. 이론 용량 대비 실제 용량을 100 [%]에 가깝게 사용할 수 있다. 우수한 안정성과 수명특성으로 인하여
최근 전기자동차에 리튬인산철 배터리 적용이 확대되고 있다. 리튬이온전지는 리튬이온의 산화·환원 반응을 이용한다. 강한 P-O 결합은 안정적인 구조를
가지고 있으나 리튬이온의 이동을 위한 자유부피가 상대적으로 줄어들어 리튬인산철배터리는 상온의 매우 낮은 전류 밀도에서만 충·방전이 가능하다(3).
NCM계열 배터리의 경우 그림 1과 같이 SOC가 증가함에 따라 개방회로전압(OCV : Open Circuit Voltage)이 상승한다. SOC에 따라 OCV가 달라지기 때문에
SOC추정에 OCV 데이터를 활용한다. 이와 다르게 리튬인산철배터리는 그림 1과 같이 SOC 10 [%]이상의 구간에서 OCV의 차이가 거의 없고 평평한 형태의 특징을 나타낸다. 이로 인해 BMS 알고리즘 설계에서 매우 중요한
정보인 전압데이터의 활용이 어렵고 SOC- OCV 테이블을 이용한 SOC 추정도 어렵다.
그림. 1 NCM과 LFP의 SOC-OCV 곡선
Fig. 1 SOC-OCV curves of NCM and LFP
2.2 DCIR (Direct Current Internal Resistance)
DCIR은 배터리에 직류 전류가 흐를 때 전압 강하를 일으키는 직류 저항 성분을 나타낸다. 일반적으로 배터리의 내부 등가회로를 구현하는 경우 그림 2와 같이 직렬저항과 저항, 커패시터의 병렬연결로 구성된 형태로 나타낸다. 배터리에 직류 전류가 흐르면 커패시터의 영향이 제거되어 각각 저항의 직렬이
되고 이에 따라 DCIR은 직렬저항의 총합이 된다. 이러한 리튬인산철 배터리의 DCIR은 고정된 값이 아니라 충방전율 (C-rate : Current
rate)에 따라서 가변 된다. C-rate는 방전 또는 충전전류를 정격용량으로 나눈 값으로 C-rate 가 높아질수록 DCIR 값은 감소하고 C-rate가
낮아질수록 DCIR 값은 커진다. 이는 C-rate 가 증가함에 따라 직렬 저항에 의한 전압 강하 성분과 분극 현상에 의한 단자 전압 변화로 인하여
발생한다.
그림. 2 DCIR 배터리 등가모델
Fig. 2 DCIR Equivalence Model of battery
DCIR측정방법으로 정전류 간헐적 적정 기법 (GITT : galvanostatic intermittent titration technique)이
있다. 이 방법은 시간과 전류를 정확히 측정 가능하기 때문에 매우 정확한 방법이다
(13). GITT는 정전류 동작 후 일정한 휴지기간을 이용하여 개방 회로 전압을 확인한다.
GITT 실험은 충전 실험과 방전실험으로 나누어 진행하였다. 충전실험은 1분 1C-rate충전과 1시간 휴지 시간을 반복하여 완전충전 기준인 4 V까지
충전하였고 방전 실험은 같은 방법으로 1분 1C-rate방전과 1시간 휴지 시간을 반복하여 완전 방전 기준인 2 V까지 방전하였다. 그림 3은 충전방전 실험을 100회 진행한 배터리의 GITT테스트 결과이다. GITT 테스트를 통하여 OCV와 DCIR을 측정하였다. DCIR값은 C-rate에
의해서 가변 되고 배터리 내부 충전 상태(SOC)에 따라 변화하는 특성을 나타낸다.
그림. 3 GITT 테스트 결과
Fig. 3 GITT Result
2.3 OCV/DCIR과 SOC의 관계 분석
리튬인산철 배터리의 OCV특성은 SOC의 변화에 따라 증가하지만 중간영역에서 평형한 상태로 유지한다. 이는 OCV를 활용하여 SOC를 추정하기 어렵게
한다. 반면 DCIR 데이터는 변화의 폭이 크지 않지만 SOC의 변화에 따라 약간의 차이를 보인다. 본 절에서는 OCV와 SOC의 관계분석과 DCIR과
SOC의 관계를 분석하여 회귀분석을 통한 SOC의 추정치를 계산한다.
그림 4는 충전/방전 테스트를 100회 진행한 배터리의 충전 용량 별 OCV를 측정한 결과를 나타낸다. OCV 특성이 다른 4개의 구간으로 나누어 SOC추정을
위하여 회귀분석을 수행하였다. A구간은 다항 회귀분석을 B, C구간은 선형 회귀분석을 하였고 D구간은 OCV의 변화가 없어 회귀분석을 통한 SOC추정을
할 수 없다. D구간에서 일정한 OCV특성을 보여주기 때문에 정확한 SOC추정이 어렵지만 구간의 추정은 가능하다.
그림. 4 충전용량(Ah)-OCV
Fig. 4 Charge Capacity(Ah)-OCV
A, B, C구간에서 OCV와 충전용량간의 관계식을
식(1),
식(2),
식(3)과 같이 정의 할 수 있다.
그림 5는
그림 4와 동일한 배터리의 충전 용량 별 DCIR을 25℃에서 측정한 결과를 나타낸다. 측정된 값의 변화가 비슷한 3개의 구간으로 구분하고 회귀분석이 용이한
2구간과 3구간의 데이터만 활용하여 회귀분석을 수행하였다. 1구간에서는 측정되는 DCIR값이 불안정하고 2구간과 3구간에서 모두 동일한 값이 존재하여
회귀분석에서 제외하였다.
그림. 5 충전용량(Ah)-DCIR
Fig. 5 Charge Capacity(Ah)-DCIR
2구간에서는 SOC 추정 관계식이 다른 B와 C구간을 분리하여 표시하였고 선형회귀분석법을 이용하여 DCIR 데이터를 추정하였다. DCIR 추정치와
현재 충전되어 있는 용량과의 관계식을
식(4)와 같이 정의 할 수 있다. 2구간에서 측정된 DCIR값을 활용하여 충전 용량을 추정할 수 있다.
그림 6은 DCIR값에 따라 B구간과 C구간에서 선형회귀분석을 통하여 추정된 충전가능용량값의 결과이다. 이는
식(5)와
식(6)과 같이 정의된다.
그림. 6 DCIR-충전용량 선형회귀분석
Fig. 6 DCIR-Charge Capacity Linear Regression
3구간은 OCV데이터로 SOC를 추정할 수 없어 전류 적산 방식을 활용하여 SOC를 추정하였다. 3구간에서는 DCIR값의 기울기가 앞의 1구간과 2구간
보다 급격하게 증가하는 특성을 보여준다.
2.4 OCV/DCIR과 SOH의 관계 분석
그림 7은 리튬인산철 배터리의 수명 측정 진행 중 충/방전 테스트 1000회까지 SOH를 측정한 결과이다. 충/방전 횟수가 증가하면서 SOH가 선형적으로
감소한다. 이는 사용횟수에 따른 배터리의 수명을 추정할 수 있는 자료로 활용할 수 있다.
그림. 7 충방전 횟수 별 SOH
Fig. 7 SOH by number of charge and discharge
그림 4의 D구간에서 나타내는 것처럼 충전용량에 따른 OCV데이터는 변화가 없어 OCV로는 SOC의 차이를 확인할 수 없으며 SOH의 차이 또한 구분할 수
없다.
그림 8은 그림 5의 3구간에서 OCV와 DCIR의 변화를 나타낸 것으로 충전용량 21Ah 이상의 구간에서 DCIR값의 기울기가 점차 증가함을 보여준다. 이와 같은
특성은 DCIR 값의 측정 및 추정을 통하여 충전 용량을 계산할 수 있으며 SOC의 추정치를 함께 이용하여 SOH를 추정할 수 있는 자료로 활용한다.
3장에서는 DCIR 데이터를 기반으로 회귀분석법을 수행하여 배터리의 상태를 추정한다.
그림 8 충방전 횟수 별 DCIR/OCV
Fig. 8 DCIR/OCV by number of charge and discharge
3. 회귀분석을 이용한 배터리 상태추정
BMS에는 배터리의 수많은 센서데이터가 측정된다. 측정된 데이터를 사용자가 일일이 분석하기에는 시간적으로 한계가 있다. 데이터를 컴퓨터가 학습하도록
하고 학습된 정보를 바탕으로 분석하는 머신러닝은 매우 주목을 받고 있는 분야이다. 머신러닝은 사용자가 입력 및 출력데이터를 컴퓨터에 제공하고 학습하는지,
입력데이터만으로 학습하게 하는지에 따라 지도 학습과 비지도 학습으로 분류할 수 있으며, 다양한 기법이 존재한다. 이번 장에서는 지도 학습의 회귀분석기법
중 선형회귀 기법을 활용하여 배터리의 SOH를 추정한다.
배터리가 열화함에 따라 DCIR은 상승하게 되고, 배터리 온도를 상승시킨다. 이번 장에서는 학습을 위한 입력데이터로 1C-rate의 동작 중 충전
IR전압을 추출하여 사용하였고, 사이클에 따라 열화하는 배터리의 SOH 데이터를 출력 데이터로 사용하였다.
3.1 SOC 추정
그림 9는 DCIR값이 급격한 변화를 보이는 구간에서 배터리의 충전 가능한 용량 대비 DCIR값을 보여준다. 각각 배터리의 상태가 다르더라도 충전가능 용량에
따라 DCIR값이 거의 비슷한 경향을 나타낸다. 이에 따라 충전 후반부에서 DCIR값을 통하여 충전 가능한 용량을 예측하였다. 그림 10과 그림 11는 그림 9에서 기울기가 다른 a구간과 b구간으로 구분하여 DCIR에 따른 충전가능용량을 나타낸다. SOC추정을 위하여 각각 기울기가 다른 구간을 구분하여 다항회귀분석을
수행하였다.
그림 9 DCIR-충전가능용량(Ah)
Fig. 9 DCIR-Charge Capacity(Ah)
그림 10 DCIR-충전가능용량(a구역)
Fig. 10 DCIR-Charge Capacity(Area a)
그림 11 DCIR-충전가능용량(b구역)
Fig. 11 DCIR-Charge Capacity(Area b)
식(7)과
식(8)은 a와 b구간에서 배터리의 충전 가능한 용량과 DCIR값과의 관계식이다. SOC는 2.3절에서 도출된
식(1),
식(2),
식(3)을 이용하여 현재 충전된 용량을 추정하고
식(7),
식(8)를 활용하여 충전 가능한 용량을 추정하여 이를 합산하여 계산한다. 계산된 SOC는 DCIR 데이터의 선형회귀분석을 수행하는 구간 설정에 활용하였다.
3.2 선형회귀분석을 통한 SOH 추정
선형회귀분석은 하나의 독립 변수와 하나의 종속변수의 선형적인 관계를 파악하기 위한 분석방법이다. 식(9)는 선형회귀분석의 회귀 계수를 추정하기 위하여 가장 기본적인 최소평균 제곱법으로 추정값과 실측값의 오차 제곱합을 최소화하는 회귀 계수를 계산한다(14).
본 절에서는 DCIR의 기울기가 커지는 충전용량 25Ah이후의 구간에서 선형회귀분석을 활용하여 사용 횟수에 따라 증가하는 DCIR의 기울기 변화를
추정하고 이를 통해 배터리의 SOH 예측 알고리즘에 적합한지 검증한다.
그림 12는 제시하는 선형회귀분석법에 대한 SOH 추정 알고리즘의 순서도를 나타낸다. OCV와 DCIR을 측정한 후 측정된 값을 활용하여 SOC를 계산하고
DCIR의 선형성이 나타나는 SOC 85%~100% 구간이면 선형회귀 분석을 수행하여 SOH를 추정한다.
그림 12 알고리즘 순서도
Fig. 12 Algorithm flowchart
표 1은 충전용량 25Ah 이상의 구간에서 DCIR값의 기울기를 분석한 결과이다. 충방전 횟수가 증가할수록 점점 더 기울기가 증가한다. 이는 제한된 구간에서
발생하는 차이지만 배터리의 상태를 추정하는데 중요한 자료로 활용할 수 있다. 이 구간의 데이터를 본 논문에서 제시하고자 하는 배터리 상태 추정 알고리즘의
학습데이터로 활용하였다.
표 1에서 도출된 선형 함수의 기울기를 통해 DCIR 데이터의 기울기를 산출할 수 있다. 선형 함수는
식(10)과 같이 표현이 가능하며 $W$는 직선의 기울기를 의미하고 $b$는 편향 $i$는 배터리의 수명사이클을 나타낸다
(6).
표 1 충방전 횟수에 따른 DCIR의 선형회귀분석
Table 1 Linear regression of DCIR by number of cycle
|
Cycle
|
초기
|
300
|
500
|
800
|
1000
|
|
$W$
|
0.6708
|
1.1514
|
1.6331
|
2.0282
|
2.4616
|
식(10)에서 도출된 각 배터리의 $W$를 통하여 SOH와 DCIR기울기의 관계식은
식(11)과 같다. 배터리의 노화가 진행됨에 따라 $W$는 증가한다. 따라서 제안하는 알고리즘은 DCIR을 실시간으로 측정하고 측정된 DCIR의 $W$를 도출함으로써
식(11)을 통해 SOH를 추정한다.
그림 13 측정된 SOH와 추정된 SOH 비교
Fig. 13 Comparison of measured and estimated SOH
표 2는 추정된 SOH와 배터리 팩의 실제 SOH를 비교하여 나타내었고
그림 14는 추정된 배터리 상태의 정확도를 그래프로 나타내었다. 평균정확도는 99.43%, 평균오차 0.57%로 높은 정확도로 추정함을 보였다.
표 2 알고리즘을 활용한 SOH추정 정확도
Table 2 SOH estimation accuracy using algorithm
|
충방전 횟수(회)
|
측정 SOH(%)
|
추정 SOH(%)
|
오차
(%)
|
정확도 (%)
|
|
초기
|
100
|
98.03
|
1.97
|
98.03
|
|
300
|
95
|
95.33
|
0.33
|
99.67
|
|
500
|
93
|
92.83
|
0.17
|
99.83
|
|
800
|
90
|
89.87
|
0.13
|
99.87
|
|
1000
|
88
|
87.74
|
0.26
|
99.74
|
4. 실험을 통한 고장진단 검증
4.1 배터리 관리 시스템(BMS)
배터리 관리 시스템 (BMS:Battery Management System)은 배터리를 최적의 상태로 관리하여 위험을 방지하고 배터리 수명을 연장해주는
역할을 한다. 배터리 팩은 배터리 모듈로 구성되며 배터리 모듈은 단일 배터리 셀을 다수로 연결하여 구성한다. 배터리관리시스템은 배터리 셀의 보호와
위험을 예방하기 위하여 반드시 필요하다. 배터리 관리 시스템은 배터리의 전압, 전류와 온도를 실시간으로 모니터링하고 과충전, 과방전을 방지하는 배터리
보호 기능을 통하여 배터리의 안정성 및 신뢰성을 높여주는 역할을 한다. 또한 배터리의 SOC와 SOH를 추정하는 기능이 있으며 배터리의 SOC에 따라
밸런싱을 수행하여 배터리 셀 간의 불균형을 감소시킨다.
4.2 실험장비 구성
실험장비는 충방전 사이클장비(Infinit-P10MS)와 장비운용 PC용 UI프로그램, 온습도 관리를 위한 챔버로 구성하였다. BMS를 포함한 배터리팩을
충방전 사이클러 장비와 연결하고 CAN통신으로 PC와 연결하여 PC에서 모니터링을 한다. 모니터링 프로그램은 사이클장비에서 측정되는 팩의 전압, 전류
정보와 BMS에서 측정되는 셀 정보를 화면에 보여주며 설정된 시간단위로 데이터를 저장한다. 저장된 데이터는 배터리상태를 분석하는 용도와 머신러닝 알고리즘의
학습데이터로 활용한다.
4.3 실험을 통한 고장진단 알고리즘 검증
본 절에서는 고장진단 알고리즘의 검증을 위하여 장기간 보관되어 있는 배터리 팩을 활용하여 실험을 진행하였다. 배터리 팩은 셀을 24개 직렬(24S1P)로
연결하여 구성하였다. 사양은 76.8V/30Ah 이며 1세트를 준비하여 실험하였다. SOC을 추정을 위하여 OCV를 측정하고 실험 장비를 이용하여
1분간 1C-rate충전, 5분간 휴지 시간을 가지면서 DCIR을 측정하였다.
그림 14는 SOC40%, 50%, 60%, 70%에서 24개의 셀 중 6개의 셀의 DCIR을 측정하여 그래프에 표시하였다. 6번셀의 경우 동일한 SOC구간에서
DCIR값이 확연이 다르게 나타난다. 6번 셀은 나머지 5개 배터리와 특성이 다르기 때문에 배터리 모듈 및 팩의 제작 시 함께 연결하면 셀 밸런싱에
문제가 발생한다. 만약 동일한 특성의 배터리를 연결하여 팩을 제작할 경우 6번 셀과 같이 시간이 지나면서 진행성으로 DCIR값이 달라지는 배터리는
이상치 탐지 알고리즘을 통하여 고장 진단에 활용할 수 있다.
그림 14 DCIR을 활용한 고장진단
Fig. 14 Failure diagnosis using DCIR
5. 결 론
본 논문에서는 리튬인산철(LifePO4) 배터리 관리 시스템(BMS)에서 SOH추정 및 고장진단을 위하여 머신러닝 기반의 알고리즘을 제안하였다. 제안한
머신러닝 알고리즘은 BMS가 입력된 데이터로부터 정밀한 배터리상태를 분석하고 고장진단 및 예측을 위한 지식을 자동으로 추출해서 사용하는 기술이다.
제안한 인공지능 기반 고장진단 기법의 타당성을 검증하기 위해 리튬인산철 배터리 24셀을 직렬로 연결한 모듈을 제작하고 알고리즘이 적용된 배터리 관리시스템을
연결하여 실험을 수행하였다. 실험을 통해 제안한 리튬인산철 배터리의 DCIR값을 기반으로 선형회귀법을 이용한 고장진단과 SOH추정에 타당성이 있음을
보였다.
References
K. B. Lee, B. H. Seo, T. H. Nguyen, D. C. Lee, J. M. Kim, Sep 2012, Condition Monitoring
of Lithium Polymer Batteries Based on Sigma-Point Kalman filter, J. of Power Electronics,
Vol. 12, No. 5, pp. 778-786
J. J. Lee, Y. I. Lee, Mar 2016, Configuration and Operation about Battery of Electric
vehicle using LiFePO4 Battery, J. Institute of Control, Robotics and Systems Conference,
pp. 137-138
Y. S. Kim, Dec 2014, High-Efficiency Design for Electrical Energy Storage System with
LiFePO₄ Rechargeable Batteries, Ph. D. Dissertation, Department of Electrical Engineering,
Graduate School of Soongsil University, pp. 105
H. Lee, Aug 20, EV Price Parity and LFP Battery, Industry trend, Vol. 33
S. J. Park, G. S. Song, S. M. Park, Oct 2020, A Study on the Parameters Estimation
for SOC and SOH of the battery, J. Korean Soc. of Industry Convergence, Vol. 23, No.
5, pp. 853-863
S. H. Kang, D. H. Kim, J. H. Bae, T. W. Noh, B. K. Lee, Nov 2020, Machine Learning-based
SOH Estimation Algorithm Using a Linear Regression Analysis, J. Power Electronics
Conference, pp. 88-90
K. M. Lee, Apr 2019, Artificial intelligence : From Turing test to deep learning,
Saeng Reung Publisher, pp.847
J. L. Choi, S. K. Lee, Sep 2016, High safety battery management system of DC power
source for hybrid vessel, J. Korean Soc. of Marine Engineering, Vol. 40, No. 7, pp.
635-641
S. R. Hong, D. H. Han, M. S. Kang, J. B. Baek, H. G. Jeong, J. H. Kim, Jul 2019, OCV
Estimation Based on Artificial Neural Network in Lithium-Ion Battery, J. Power Electronics
Conference, pp. 445-446
S. J. Lee, J. H. Kim, Y. J. Jeon, D. J. Lee, Y. O. Choi, Jun 2017, Implementation
of the DCIR-SOC Relationship for Pulse Power Capability Prediction of a Li-Ion Cell,
J. advanced engineering and technology, Vol. 10, No. 2, pp. 225-230
Y. S. Kim, Aug 2019, A Study on SOH Prediction of Lithium Secondary Battery Based
on Numerical Analysis, Ph. D. Dissertation, Department of Mechatronics Engineering,
Graduate School of Korea University of Technology Education, pp. 182
S. Y. Park, J. H. Kim, S. B. Park, Y. M. Kim, Jul 2019, A study on SOH estimation
of Lithium-ion battery based on Bayesian Regression, J. Power Electronics Conference,
pp. 53-55
C. O. Yoon, P. Y. Lee, J. H. Kim, S. S. Jang, Jul 2017, An analysis of LFP(LifePO4)
battery based on GITT, J. Power Electronics Conference, pp. 455-456
S. W. Kim, P. Y. Lee, D. H. Han, J. H. Kim, Mar 2019, Multiple linear regression model-based
voltage imbalance estimation for high-power series battery pack, J. of IKEEE, Vol.
23, No. 1, pp. 1-8
저자소개
He received the B.S. in Computer engineering from the Hanyang Cyber University, Seoul,
Korea, in 2020.
He has been working as a research engineer in CMPartner Energy Solution. He is
currently working toward the M.S. degree in IT convergence engineering from Ajou University,
Suwon, Korea.
His research interests include A.I. Algorithm, and Battery management systems for
electric vehicle.
E-mail : bamtolwow@gmail.com
He received the B.S degree in chemical engineering from the Hongik University, Seoul,
Korea, in 2009.
He received the M.S degree in chemical engineering from the Korea University and
KIST, Seoul, Korea, in 2011.
He has been working as a research engineer in CMPartner Battery Research Center.
His research interests include LFP battery.
E-mail : yunjj77@gmail.com
He received the B.S. and M.S. degrees in electrical and electronic engineering from
the Ajou University, Suwon, Korea, in 1997 and 1999, respectively.
He received the Ph.D. degree in electrical engineering from the Korea University,
Seoul, Korea, in 2003.
From 2003 to 2006, he was with the Institute of Energy Technology, Aalborg University,
Aalborg, Denmark.
From 2006 to 2007, he was with the Division of Electronics and Information Engineering,
Jeonbuk National University, Jeonju, Korea.
In 2007, he joined the Department of Electrical and Computer Engineering, Ajou University,
Suwon, Korea.
He is an associated editor of the IEEE Transactions on Industrial Electronics, the
IEEE Transactions on Power Electronics, and the Journal of Power Elec- tronics.
His research interests include electric machine drives, renewable power generations,
and electric vehicle applications.
E-mail : kyl@ajou.ac.kr