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
- 학위논문
- 저자정보
- 지도교수
- 이인수.
- 발행연도
- 2021
- 저작권
- 경북대학교 논문은 저작권에 의해 보호받습니다.
이용수6
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 리튬배터리는 높은 전력 밀도, 낮은 자체 방전률, 긴 배터리의 수명주기 등의 장점과 환경 오염문제로 인한 효율적이고 자연 친화적인 대체 에너지 저장장치로 주목받고 있다. 리튬배터리는 스마트폰, 무선청소기, 무선 전동공구 등의 일상생활용품부터 전기자동차, 전기자전거 등 교통수단까지 다양한 분야에서 많이 사용되고 있다. 배터리 Cell의 문제가 생길 경우, 경제적 손실은 물론이고 신뢰성과 안전성을 침해하는 심각한 문제가 발생하게 되고, 배터리 Cell로 구성된 배터리 Pack 또한 문제 발생의 원인이 된다. 이러한 문제들을 해결하기 위해서 배터리의 SOC(State of Charge) 추정이 필요하다. 배터리의 SOC를 추정하는 것은 현재 배터리의 사용 가능한 잔존량을 나타낸다. 따라서 배터리의 SOC를 정확하게 추정하는 것은 배터리를 보다 안정적이고 효율적으로 사용할 수 있게 한다. 현재 배터리의 SOC를 추정하는 방법은 OCV(Open-Circuit Voltage)방식, 칼만 필터(Kalman Filter)방식, 신경회로망(Neural Network)방식 등의 SOC 추정방법이 사용되고 있다. 본 논문에서는 MNN(Multi-Layer Neural Networks)와 LSTM(Long Short-Term Memory) 두 종류의 신경회로망을 이용하여 리튬배터리 Pack에서의 각 Cell에 대한 SOC를 추정하였고, 실시간으로 SOC를 추정하였다. 총 3가지의 상황의 SOC 추정 성능을 비교하였다. 첫 번째로 입력 값의 개수 2개, 6개, 8개를 사용하여 SOC추정 오차율을 비교하였고, 전압데이터 6개만을 사용한 것과 온도 변수 데이터를 추가시켜 사용한 것에 따른 SOC 추정 오차율을 비교하였다. 마지막으로 MNN과 LSTM의 사용에 따른 SOC 추정 오차율을 비교하였다. 실험을 통해 각 상황에서 가장 낮은 수치의 SOC 추정 오차율 결과를 얻었고, 이후 얻어진 SOC 추정 알고리즘 모델을 사용하여 실시간 SOC를 추정하였다.
목차
Ⅰ. Introduction 1Ⅱ. Background 32.1 Lithium battery pack 32.2 Traditional SOC estimation method 5Ⅲ. Proposed SOC estimation method 83.1 Lithium battery SOC estimation method 83.1.1 Multi-Layer Neural Network 93.1.2 Long Short-Term Memory 11Ⅳ. Experimental Results and Discussion 144.1 Experiment process 144.2 SOC estimation of MNN and LSTM 174.2.1 SOC estimation performance comparison according to the number of inputs 174.2.2 Comparison of use/unused of temperature variable data 184.2.3 Comparison of SOC Estimation Performance of Multi-Layer Neural Networks and Long Short-Term Memory 234.3 Online SOC estimation by LSTM 25Ⅴ. Conclusion 27Ⅵ. Reference 29(초 록) 33
최근 본 자료
댓글(0)
0