셀 시험 데이터를 통한 배터리 노화 예측 모델의 소개와 사례

소개

최근 전기차(EV)는 환경친화적이고 비용 효율적인 특성으로 인해 널리 인기를 얻고 있습니다. 그러나 다른 배터리 구동 기술과 마찬가지로 배터리 노후화는 전기 자동차용 배터리 팩 설계 시 고려해야 할 가장 중요한 문제 중 하나입니다. 사용 중에 배터리 용량이 감소하여 차량의 주행 가능 거리가 줄어듭니다.

수명 동안 배터리 용량 손실을 예측하기 위해 문헌에서 물리적 접근 방식과 경험적 접근 방식 등 다양한 모델링 접근 방식을 찾을 수 있습니다. 둘 다 장단점이 있지만, 물리적 접근 방식에 비해 경험적 접근 방식은 노화 메커니즘을 완전히 이해할 필요가 없습니다. 경험적 노화 법칙을 보정하는 데에는 노화 테스트 데이터만 있으면 충분합니다.

Physical approach (물리적 모델 기반 접근)	Emprical approach (경험 수식 모델 기반 접근)
전기화학 모델 기반	경험적 노화 법칙과 결합된 등가 회로 모델 기반
장점	장점
방법은 다양한 성능 저하 메커니즘에 대한 통찰력을 제공합니다.	노화법칙을 교정하기 위한 노화 테스트 데이터만 필요
단점	단점
노화 메커니즘에 대한 깊은 이해가 필요합니다. 성능 저하 메커니즘을 완전히 이해하기는 어렵습니다. 추가적인 실험적 테스트 노력이 필요함 에이징 테스트 데이터가 필요합니다	방법은 성능 저하 메커니즘과 거의 관련이 없습니다. 에이징 테스트 데이터가 필요합니다

 

배터리 등가 회로 모델의 교정은 상대적으로 간단하지만 경험적 노화 법칙의 교정에는 두 가지 과제가 있습니다.

1. 배터리마다 노화 동작이 다릅니다. 주어진 경험적 노화 법칙이 하나의 배터리에서는 잘 작동하더라도 다른 배터리에서는 적합하지 않을 수 있습니다.
2. 노화 테스트 데이터로부터 경험적 노화 법칙을 교정하려면 중요한 엔지니어링 시간과 노력이 필요합니다.

이러한 문제를 극복하기 위해 Simcenter Amesim 2304에는 배터리 노화 식별 도구가 함께 제공됩니다. 이 새로운 기능을 통해 배터리 구동 시스템에서 작업하는 사용자는 다음을 수행할 수 있습니다.

• 배터리에 적합한 맞춤형 경험적 노화 법칙을 얻으십시오.
  이 도구에는 일반적인 노화 법칙이 사용되며 해당 매개변수는 새로운 메커니즘에 자체적으로 적응할 수 있습니다. 예를 들어, 관련 노화 테스트 데이터가 있으면 저온 노화 메커니즘이 자동으로 고려됩니다.
• 경험적 노화 법칙 교정
  단계별 지원 노화 테스트 데이터를 사용하여 경험적 노화 법칙 교정

새로운 배터리 노화 식별 도구

새로운 배터리 노화 식별 도구는 사용 가능한 데이터를 신속하게 사용하고 이를 경험적 노화 모델로 변환할 수 있는 사용자 친화적인 그래픽 워크플로를 갖추고 있습니다.

1. 이 도구는 배터리 실험 노화 테스트 데이터를 입력으로 사용합니다.
   노화 테스트 데이터는 다양한 테스트 조건(예: 다양한 충전 상태, 다양한 주변 온도 및 다양한 전류)에서 시간에 따른 배터리 용량 손실에 해당합니다. 배터리 셀에 대한 실험 테스트를 수행하여 에이징 테스트 데이터를 얻을 수 있습니다.
2. 이 도구는 식별 프로세스를 통해 단계별 가이드를 제공합니다.
   이 프로세스에는 데이터 가져오기, 노화 법칙 식별, 배터리 모델로 노화 법칙 내보내기 등 다양한 단계가 포함됩니다.
3. 도구의 출력은 충전 상태(SoC), C-속도 및 온도의 함수로 표현되는 식별된 노화 법칙입니다. 노화 법칙을 도구에서 Simcenter Amesim의 배터리 모델로 직접 보낼 수 있습니다.

배터리 에이징 모델 식별 도구의 워크플로우

 

도구에 의해 식별된 일반적인 경험적 노화 법칙은 아래 방정식으로 설명됩니다.

• Q loss 은  [%] 단위의 상대적 용량 손실입니다.
• B coef  는 노화 전인자 B[%/년]입니다. 이는 SoC, C-rate 전류 및 온도에 따라 달라집니다.
• Z coef  는 노화 지수 Z[null]입니다. 이는 SoC, C-rate 전류 및 온도에 따라 달라집니다.
• t yr은  노화 시간 [년]입니다.

B coef  및  z coef는 입력된 에이징 테스트 데이터에 자체 적용 가능한 다항식입니다. 일반적인 경험적 노화 법칙에 대한 자세한 내용은 [2]에서 확인할 수 있습니다.

 

사례 연구

사례 연구는 공칭 용량이 26Ah인 리튬 이온 NMC/C 배터리 셀의 노화법 식별에 관한 것입니다[2,3]. 사례 연구에는 두 가지 실험 테스트 캠페인이 포함됩니다.

• 캘리브레이션 테스트 : 배터리 노화 식별 도구를 사용하여 노화 법칙 식별을 위한 데이터 세트를 수집합니다.
• 밸리데이션 테스트 : PHEV(플러그인 하이브리드 전기 자동차) 조건에서 확인된 노후화 법률 검증을 위한 데이터 세트를 수집합니다.

 

캘리브레이션 테스트 

경험적 노화 법칙을 보정하기 위해 실험실에서 보정 테스트 캠페인이 수행되었습니다. 노화 테스트에는 아래그림 같이 캘린더 및 주기 노화 테스트가 모두 포함되었습니다. 1년에 걸쳐 90개 이상의 셀이 테스트되었습니다. 각 조건에 대해 적어도 2개 또는 3개의 셀을 테스트했습니다. 각 사이클링 테스트 조건에 대해 셀은 +/-5% 창에서 평균 SoC를 중심으로 사이클링되었습니다. 이 노화 테스트 캠페인의 테스트 결과를 사용하여 배터리 노화 식별 도구를 사용하여 경험적 노화 법칙을 식별했습니다.

 

 

밸리데이션 테스트

실제 PHEV 조건에서 확인된 경험적 노화 법칙을 검증하기 위해 그림 3의 12개 직렬 셀(12S1P)이 있는 모듈에서 1년 동안 다양한 온도에서 반복적인 WLTC 프로파일을 사용한 노화 테스트를 수행했습니다.

 

배터리 모듈 테스트 세팅

 

이 검증 테스트에서는 4개의 WLTC 프로필을 포함하고 빠른 충전과 4시간의 휴식 기간이 포함된 일일 운행 시나리오가 선택되었습니다. 하루 운행에 해당하는 전체 주기는 6시간 동안 지속됩니다. 검증 테스트 중 주변 온도 프로파일은 2015년 프랑스 니스 시의 온도를 가속 계수 4로 반영하므로 24시간은 6시간의 테스트 기간에 해당합니다. 노화를 가속화하기 위해 5°C의 오프셋도 추가되었습니다.

 

모듈의 WLTC 속도 프로파일에 대해 계산된 전력(좌), 모듈 테스트 중 주변 온도(우)

 

검증 테스트 중 배터리 노화를 시뮬레이션하기 위해 경험적 노화 법칙을 적용한 배터리 셀 모델을 아래 스케치에 배치했습니다.

PHEV 주행 조건의 배터리 셀 스케치

다음은 실험과 시뮬레이션된 용량 손실을 비교한 것입니다. 시뮬레이션된 용량 손실은 실험 데이터와 잘 일치함을 보여줍니다.

PHEV 차량의 주행 시나리오에 대한 실험적 용량 손실과 시뮬레이션된 용량 손실 비교

 

 

 

 

Reference

1. How to accurately identify the battery model parameters while saving engineering time, Siemens
2. R. Mingant, M. Petit, S. Belaïd, and J. Bernard, “Data-driven model development to predict the aging of a Li-ion battery pack in electric vehicles representative conditions,” Journal of Energy Storage, vol. 39, p. 102592, Jul. 2021, doi: 10.1016/j.est.2021.102592.
3. R. Mingant, M. Petit, A. Li, G. Autefage, “Battery Aging Identification Tool, a new Simcenter Amesim feature on electric storage library,” Simcenter Amesim User Conference, Lyon, France, 2023
4. Identification example with the Battery Aging Identification Tool, Demo in Simcenter Amesim: qthelp://lmsimagine.lab/ame_dir/demo/Libraries/ESS/S08_Using_Battery_Aging_Tool.html