1. 서 론
2. 전기자동차 실시간 데이터 수집
2.1. 실시간 데이터 수집 장치
2.2. 실시간 데이터 수집 차량
2.3. 실시간 데이터 전송
3. 배터리 가치평가 알고리즘
3.1. 회귀 최소 자승법(RLS) 알고리즘
3.2. 이중 확장 칼만필터(DEKF) 알고리즘
4. 알고리즘 적용을 통한 배터리 가치 평가
5. 결 론
1. 서 론
세계적으로 탄소저감 정책 등에 의하여 수송부문에서 탄소저감을 위한 다양한 정책이 이루어지고 있다. 기존 석유연료를 대체하는 기술들이 개발되고 있으며, 전기에너지만을 동력원으로 사용하는 전기자동차(EV)에 대한 기술이 많이 성장하고 있다.
전기자동차에서 주요부품은 전기에너지로만 운행되는 특성에 따라 전기에너지를 저장하는 배터리이며, 고전력 높은 밀도 효율 등에 대한 기술 개발이 활발히 이루어지고 있으며, 이와 더불어 배터리의 안전 및 성능 평가에 대한 기술개발도 같이 이루어지고 있다.
국내에서는 2020년도부터 전기자동차의 판매율이 급격히 증가하였으며, 자동차의 교환주기인 10년을 고려하였을 때, 2030년부터 폐차되는 전기자동차 대수가 급격히 증가할 것을 예상하고 있어, 폐차되는 전기자동차에서 생성되는 사용후 배터리에 대한 ESS로 재사용 또는 주요원료 추출 등과 같이 처리방안에 대해 모색하고 있다.(1~3)
폐차되는 전기자동차에서 생성되는 사용후 배터리를 ESS로 활용 또는 완전분해하여 원료만 추출하는 방안으로 사용하기 위해서는 전기자동차에서 탈거된 배터리의 건강상태(state of health; SOH)에 대한 평가가 이루어져야 한다.
환경부에서 제시하고 있는 평가방법은 Table 1과 같이 3가지의 분류로 나누어져 있으며, 전기자동차에서 배터리를 탈거한 단품 상태에서 이루어지는 평가 방법이다.(4)
Table 1.
Method of battery state of health
위의 방법은 배터리가 탈거된 상태에서 이루어지는 평가방법임에 따라, 차량에 장착된 상태에서는 배터리 SOH 평가가 불가능하다는 단점이 있다. 전기자동차의 판매량 증가에 따른 전기자동차 중고 판매시 배터리의 가치를 평가하기에는 애로사항이 있다.
따라서, 본 논문에서는 전기자동차 중고 판매시 배터리의 가치평가를 위해 운행되고 있는 전기자동차에 실시간 데이터 수집장치를 장착하고 수집된 데이터를 기반으로 배터리 가치평가를 위한 알고리즘을 개발하고자 한다.
2. 전기자동차 실시간 데이터 수집
전기자동차에서 배터리를 탈착하지 않고 배터리 가치평가를 위하여 배터리 정보 수집을 위하여 온보드 진단기(on-board diagnostics; OBD) 단자를 활용하여 배터리관리시스템(battery management system; BMS)의 주요 센서 데이터를 수집하였다.
데이터 수집에 사용된 전기자동차는 주행거리를 극대화하기 위하여 전라남도 목포지역에 운행 중인 전기 개인택시를 활용하였다.
2.1. 실시간 데이터 수집 장치
실시간 데이터 수집 장치의 하드웨어 구성은 차량의 위치정보 확인을 위한 GPS부분, 배터리정보 및 차량 운행 데이터 수집 부분, 데이터 송신을 위한 무선 부분으로 구성하였으며, 아래 Fig. 1과 같다.
실시간 데이터 수집장치에서 측정된 항목은 아래 Table 2와 같으며, 위치 데이터, 배터리 데이터, 모터 데이터, 누적 데이터로 구분하였으며 취득된 데이터 중에 주요 데이터를 선별하여 배터리 가치평가 알고리즘 개발에 사용하였다.
Table 2.
Electric vehicles of data acquisition items
2.2. 실시간 데이터 수집 차량
실시간 데이터 수집에 사용된 차량은 전라남도 목포시에 등록된 전기 개인택시의 현황을 분석하여 코나EV 차량과 아이오닉5 차량으로 진행하였으며, 아래 Fig. 2와 같다.
2.3. 실시간 데이터 전송
데이터 수집 장치에 무선 유심칩이 장착되어 있어 실시간으로 차량 운행시 측정되는 데이터가 데이터 수집 플랫폼 서버에 전송된다. 무선 통신 포로토콜은 MQTT(Message Queuing Telemetry Transport) 통신 프로토콜을 활용하였다.
아래 Fig. 3과 같이 MQTT 통신 프로토콜의 데이터 수신과정은
1) 클라이언트 연결: MQTT 클라이언트는 MQTT 브로커에 연결을 시도하는데, 연결 시도시 해당 브로커의 IP 주소와 포트 번호로 연결을 시도함.
2) 구독 요청: 클라이언트가 연결된 후, 해당 클라이언트는 특정 토픽을 구독하도록 MQTT 브로커에 구독 요청을 보냄.
3) 메시지 수신: MQTT 클라이언트는 자신이 구독한 토픽과 관련된 메시지를 수신하고 받을 수 있음.
4) QoS(Quality of Service) 확인: 수시한 메시지의 QoS 수준에 따라 클라리언트는 메시지 전달의 성공 여부를 확인하고, 필요에 따라 추가 동작을 수행
MQTT 통신 프로토콜을 활용하여 수집된 차량의 Table 2에서 제시한 운행데이터는 아래 Fig. 4와 같이 데이터 수집 플랫폼에 저장된다.
3. 배터리 가치평가 알고리즘
기존 배터리의 가치평가는 배터리 단품 상태에서 별도의 배터리 충/방전기 장비를 통하여 완전충/방전 방식으로 배터리 가치평가(SOH)를 실시하였다.
하지만 시간적/금전적 소요비용이 많음에 따라, 실시간으로 측정된 전기자동차 운행데이터를 기반으로 배터리 가치평가 알고리즘 개발 연구를 실시하였다.
이를 위하여 회귀 최소 자승법(recursive least squares; RLS) 알고리즘과 이중 확장 칼만필터(dual extended kalman filter; DEKF)을 활용하였다.(6,7)
3.1. 회귀 최소 자승법(RLS) 알고리즘
RLS 알고리즘은 추정값과 측정값 사이의 오차를 최소화하는 알고리즘으로 추정값과 측정값 사이의 오차 제곱의 합이 최소가 되도록 하는 최소 자승법을 재귀함수로 변환하여 측정하는 알고리즘이며, RLS 알고리즘의 흐름도는 아래 Fig. 5와 같다.(8~(11)
RLS 알고리즘은 재귀적으로 동작하기 때문에 과거 데이터를 포함하여 배터리 상태를 추정함에 따라, 알고리즘에 따른 예측 오차를 최소화 하기 위하여 이전의 추정 값과 측정값 사이의 관계를 모델링을 하였다.
3.2. 이중 확장 칼만필터(DEKF) 알고리즘
DEKF 알고리즘은 두 개의 EKF 알고리즘을 활용하여 배터리의 충전상태(state of charge; SOC) 및 용량(Capacity)를 추정하는데 사용하였으며, 첫 번째 EKF는 저속 변동상태를 추정하는데 사용하고, 두 번째 EKF는 고속 변동상태를 추정하였으며, 상태 변수는 SOC와 배터리의 공칭용량(Qn)을 서로 교환하면서 알고리즘을 진행하였으며, DEKF 알고리즘의 진행과정은 아래 Fig. 6, 흐름도는 Fig. 7과 같다.
4. 알고리즘 적용을 통한 배터리 가치 평가
실시간으로 측정된 데이터 기반으로 배터리 가치평가를 위하여 사용된 데이터는 SOC, SOH, 배터리 팩 전압과 배터리 팩 전류 값을 활용하였으며, 배터리 가치평가를 위한 시뮬링크 알고리즘 아래 Fig. 8이다.
알고리즘 검증은 약 3시간 동안 주행한 아이오닉5차량 주행 데이터와 약 3개월(2022년 11월~2023년 2월) 동안 주행한 코나EV 차량 데이터를 활용하였다.
아이오닉5의 3시간 동안 주행시 측정 된 배터리팩의 전압과 전류 데이터는 아래 Fig. 9, Fig. 10이며, 실측된 배터리 팩 전압 데이터와 알고리즘으로 도출된 배터리팩 전압의 비교 그래프는 Fig. 11이며, Fig. 12에서는 SOC의 BMS 데이터와 알고리즘 계산 데이터를 비교하였다.
아이오닉5의 배터리의 전압 측정데이터 보다 상태 추정에서 높은 전압 변동(Fluctuation)이 발생하는데, 이는 OBD단자에서 데이터 수집 샘플링 타임이 3초임에 따라 정밀한 데이터가 측정 되지 않은 것으로 판단된다.
또한, 배터리 SOC 추정단계에서 약 1% 정도의 gap이 발생하였는데, 이 원인은 설계한 DEKF 알고리즘이 초기 입력된 전압데이터를 개방회로전압(open circuit voltage; OCV)로 간주됨에 따라, 배터리 SOC 추정사이에 오차가 발생한 것으로 판단되며, 전압과 SOC에 대한 오차는 위의 Fig. 13과 Fig. 14에 나타내었다.(5)
코나EV 차량은 3개월 간 주행 데이터를 이용하였으며, 실시간으로 데이터 확인시 3개월 주행 기간 동안 OBD에서 측정된 SOH값이 94%에서 93%으로 1% 감소되었다.
OBD에서 측정된 SOH 값을 Reference 이용하여 알고리즘으로 분석한 데이터와의 비교하였으며, 코나EV차량의 배터리 SOC 비교는 아래 Fig. 15, SOH 비교는 Fig. 16에 나타내었다.
아래 Fig. 16와 같이 코나EV 차량의 SOH 실제값과 알고리즘값을 비교한 결과 알고리즘의 SOH 추정 성능이 좋다고는 볼 수 있으나, 실제 차량에서 감소된 SOH 변화값이 1%로 미비하기 때문에 제시한 알고리즘의 정확성을 확인하기 위해서는 장시간의 실시간 데이터 수집이 필요할 것으로 판단된다.
5. 결 론
본 논문에서는 전기자동차의 실시간 주행 데이터를 취득하여 전기자동차의 배터리 가치평가 알고리즘을 제시하였으며, 다음과 같은 결론을 내었다.
1) 전기자동차의 배터리 가치평가를 위하여 실시간 데이터 수집 장치를 전라남도 목포시에 운행하는 전기택시에 장착하였으며, MQTT 방식으로 데이터를 수집하였다.
2) 전기자동차 배터리 가치평가 사용된 알고리즘은 회귀 최소 자승법(RLS)알고리즘과 이중 확장 칼만필터(DEKF)알고리즘을 이용하였으며, 사용된 데이터는 OBD에서 측정된 SOC, SOH, 배터리 팩 전압과 배터리 팩 전류 값이다.
3) 주행거리가 짧은 아이오닉5 차량의 실제 전압과 SOC에 대하여 알고리즘 결과 값이 잘 추정하였으나, 데이터 받는 시기의 전압값과 알고리즘의 OCV의 차이 때문에 약간의 gap이 발생하는 것을 확인하였다.
4) 약 3개월 동안 주행한 코나EV에 대해서는 실측된 SOH값과 알고리즘을 결과 값을 비교한 결과 유사한 것을 확인하였으나, 실측된 SOH값의 감소가 1%밖에 되지 않아 비교하기에는 실측 데이터가 다소 부족하였다.
5) 지속적으로 전기자동차의 주행데이터를 수집할 예정이며, 추가 확보된 주행데이터를 이용하여 알고리즘 검증을 수행할 예정이다.
