리튬이온 배터리는 높은 에너지 밀도, 긴 사이클 수명, 효율성으로 인해 현대의 다양한 응용 분야에서 널리 사용되고 있다. 지속 가능한 에너지 저장 솔루션에 대한 수요가 증가함에 따라, 배터리 열화 및 이차 수명 관리와 관련된 문제를 해결하기 위해 상태건전도(State of Health, SOH)를 정확히 추정하는 것이 필수적이다. 전기화학 임피던스 분광법(Electrochemical Impedance Spectroscopy, EIS)은 단순성과 비용 효율성으로 인해 배터리 성능을 평가하는 데 널리 사용되는 진단 도구이다. 그러나 EIS는 종종 중첩된 전기화학적 과정들을 분리(디커플링)하는 데 어려움을 겪는다. 분산 이완 시간(Distribution of Relaxation Times, DRT) 방법은 무기성 저항(옴 저항), SEI 저항, 전하 전달 저항, 확산과 같은 핵심 과정들을 분리할 수 있게 하여, 배터리 노화 메커니즘에 대한 더 깊은 통찰을 제공하는 강력한 대안으로 부상하고 있다. 본 논문은 여러 상태충전량(State of Charge, SOC) 수준에 걸친 DRT 파라미터를 활용하여 배터리의 상태건전도(State of Health, SOH)를 추정하기 위한 새로운 접근법을 제시한다. 본 연구는 초기 용량이 서로 다른 리튬이온 배터리 3종의 데이터를 통합하여, 실제 배터리 성능에서 관찰되는 자연스러운 차이를 반영하는 변동성을 도입한다. 장단기 메모리(Long Short-Term Memory, LSTM) 기반 기계학습 모델을 적용함으로써, 제안된 프레임워크는 기존의 EIS 기반 방법에 비해 SOH 예측에서 더 우수한 정확도를 보인다. 결과는 DRT 파라미터가 SOH 열화에 대해 민감함을 보여주며, 배터리 건전도의 신뢰할 수 있는 지표로서의 유효성을 검증한다. 본 연구는 DRT 분석과 AI 기반 모델의 결합을 통해 확장 가능하고 정밀하며 해석 가능한 배터리 진단을 발전시킬 잠재력을 강조한다.

본 논문에서는 리튬이온 배터리의 노화 메커니즘을 이해하기 위한 강력한 도구로서 분포형 이완시간(Distribution of Relaxation Time, DRT) 분석을 제시하며, 이를 상태건전성(State of Health, SOH) 추정에 적용하는 데 초점을 둔다. DRT 분석으로부터 도출되는 새로운 파라미터인 특성 이완시간(characteristic relaxation time)을 도입하여 SOH 추정을 향상시켰다. 충전 이동(charge transfer) 피크와 확산(diffusion) 피크 사이의 중심 이완시간(τ) 비율을 분석함으로써, 과거 데이터의 필요 없이 배터리 상태를 판단할 수 있다. 18650 원통형 셀과 LR2032 코인 셀을 포함한 리튬이온 배터리의 실험 데이터를 수명 종료(end of their life) 시점까지 검토하였다. 다양한 주파수 범위에서의 Nyquist 및 DRT 플롯은 특히 충전 이동과 확산 과정에서 일관된 노화 경향을 보여주었다. 이러한 과정들은 DRT 플롯에서 피크의 이동과 병합으로 나타났으며, 이는 점진적 열화를 의미한다. τ 비율 그래프에 적합한 다항식 방정식은 높은 정확도(Adj. R2 = 0.9994)를 달성하여, 신뢰할 수 있는 배터리 수명 예측을 가능하게 했다. Samsung Galaxy S9+ 배터리로 검증한 결과, 해당 방법은 남은 수명을 추정할 수 있었고 총 수명은 약 2100 사이클로 예측되었는데(이미 완료된 1000 사이클과 비교), 이는 추가적인 신뢰성을 보여준다. 이러한 결과는 사전 데이터 없이도 SOH 추정이 가능함을 확인하며, 배터리 장기성(longevity)을 정확하고 정량적으로 예측하기 위한 DRT 분석의 잠재력을 부각한다.

본 논문에서는 전기화학 임피던스 분광법(Electrochemical Impedance Spectroscopy, EIS) 데이터를 분포된 이완 시간(Distribution of Relaxation Times, DRT)으로 역분해하여 리튬이온 배터리의 열화 메커니즘을 보다 상세히 분석하고자 한다. 가우스 함수로 구성된 nth RC 모델을 사용하여, 본 연구는 기존의 구간별 선형 함수(piecewise linear functions)보다 가우스 함수가 더 매끄러운 전이를 제공하고 피크 식별을 보다 명확히 하므로, 중첩된 전기화학적 과정을 향상된 분리 성능으로 도출한다. 최대 엔트로피(Maximum Entropy, ME) 및 FFT 방법과 비교하여, 가우스 함수와 함께 티호노프 정칙화(Tikhonov Regularization, TR)를 사용하는 접근의 장점이 강조되는데, 이는 우수한 잡음 내성, 편향되지 않은 분석, 그리고 중요한 특징에 대한 향상된 분해능을 제공하기 때문이다. 이 접근법을 LIB 셀 데이터에 적용하여 DRT 플롯의 특징적 피크를 식별하고 그것들이 배터리 열화와 갖는 상관관계를 평가한다. 배터리 노화가 진행되는 동안 사이클에 따라 이러한 피크가 어떻게 변화하는지를 관찰함으로써, 특정 열화 메커니즘과 성능 저하에 대한 통찰을 얻는다. 본 연구는 실험적 측정과 DRT 피크 분석을 결합하여 LIB 내부의 임피던스 분포를 특성화함으로써 열화 경로의 가속된 탐지를 가능하게 하고 배터리 수명 및 신뢰성에 대한 예측 정확도를 향상시킨다. 본 분석은 LIB 열화 거동에 대한 정밀한 이해에 기여하며, 다양한 응용 분야에서 LIB의 운용 수명을 연장하고 배터리 성능을 최적화하며 안전성을 향상시키도록 설계된 고도화된 배터리 관리 시스템의 개발을 뒷받침한다.

최근 기후 제어에 대한 전 세계적 관심이 증가함에 따라 전기자동차(EV)의 사용이 늘어나고 있다. 그러나 경제성과 높은 에너지 효율을 달성하기 위해서는 EV에 대한 일관된 성능 분석이 필요하다. 이러한 성능 분석의 질은 전력 측정의 정확도와 정밀도에 좌우된다. EV의 전형적인 전기자동차 구동은 가변주파수 구동장치(VFD)로 구성되며, 이는 비정현(non-sinusoidal) 펄스폭 변조(PWM) 신호를 생성한다. 이러한 PWM 신호의 특성과 가변 주파수에서의 동작은 고조파 왜곡 및 영점 교차 오차(zero crossing error)를 유발하게 된다. 이러한 요인들에 근거할 때, 기존의 전력 측정 방법은 매우 높은 정확성과 정밀도를 갖는 측정 결과를 제공할 수 없다. 상기 문제를 해결하기 위해, 본 논문은 lock-in amplifier(LIA)와 lock-in amplifier frequency-locked loop(LIA-FLL)에 기반한 전기자동차 가변주파수 구동 시스템용의 새로운 전력 측정 방법을 제안한다. 이 방법은 정확한 주파수 추적과 성분 추출을 수행하여 정확한 전력 측정을 가능하게 한다. 제안된 방법의 성능은 VFD로 전원을 공급받는 1.5kW 유도전동기에 대해 서로 다른 세 가지 공급 주파수 (a) 50Hz, (b) 30Hz, (c) 70Hz에서 수행한 실험을 통해 검증되었다. 제안된 방법으로 얻은 측정 결과와 YOKOGAWA WT1600(기준 디지털 전력 측정 계측기)을 비교하여 비교 분석을 제시하였다. 분석 결과, 제안된 전력 측정 방법은 ±20Hz의 주파수 변동 및 높은 고조파 왜곡 하에서 상대 전력 측정 정확도 ±0.0338% 이하, 주파수 추적 정확도 ±0.0024% 이하를 나타내는 것으로 확인되었다.

본 논문에서는 전기화학 임피던스 분광법(Electrochemical Impedance Spectroscopy, EIS) 데이터를 분포된 이완 시간(Distribution of Relaxation Times, DRT)으로 역분해하여 리튬이온 배터리의 열화 메커니즘을 보다 상세히 분석하고자 한다. 가우스 함수로 구성된 nth RC 모델을 사용하여, 본 연구는 기존의 구간별 선형 함수(piecewise linear functions)보다 가우스 함수가 더 매끄러운 전이를 제공하고 피크 식별을 보다 명확히 하므로, 중첩된 전기화학적 과정을 향상된 분리 성능으로 도출한다. 최대 엔트로피(Maximum Entropy, ME) 및 FFT 방법과 비교하여, 가우스 함수와 함께 티호노프 정칙화(Tikhonov Regularization, TR)를 사용하는 접근의 장점이 강조되는데, 이는 우수한 잡음 내성, 편향되지 않은 분석, 그리고 중요한 특징에 대한 향상된 분해능을 제공하기 때문이다. 이 접근법을 LIB 셀 데이터에 적용하여 DRT 플롯의 특징적 피크를 식별하고 그것들이 배터리 열화와 갖는 상관관계를 평가한다. 배터리 노화가 진행되는 동안 사이클에 따라 이러한 피크가 어떻게 변화하는지를 관찰함으로써, 특정 열화 메커니즘과 성능 저하에 대한 통찰을 얻는다. 본 연구는 실험적 측정과 DRT 피크 분석을 결합하여 LIB 내부의 임피던스 분포를 특성화함으로써 열화 경로의 가속된 탐지를 가능하게 하고 배터리 수명 및 신뢰성에 대한 예측 정확도를 향상시킨다. 본 분석은 LIB 열화 거동에 대한 정밀한 이해에 기여하며, 다양한 응용 분야에서 LIB의 운용 수명을 연장하고 배터리 성능을 최적화하며 안전성을 향상시키도록 설계된 고도화된 배터리 관리 시스템의 개발을 뒷받침한다.

리튬이온 배터리는 높은 에너지 밀도, 긴 사이클 수명, 효율성으로 인해 현대의 다양한 응용 분야에서 널리 사용되고 있다. 지속 가능한 에너지 저장 솔루션에 대한 수요가 증가함에 따라, 배터리 열화 및 이차 수명 관리와 관련된 문제를 해결하기 위해 상태건전도(State of Health, SOH)를 정확히 추정하는 것이 필수적이다. 전기화학 임피던스 분광법(Electrochemical Impedance Spectroscopy, EIS)은 단순성과 비용 효율성으로 인해 배터리 성능을 평가하는 데 널리 사용되는 진단 도구이다. 그러나 EIS는 종종 중첩된 전기화학적 과정들을 분리(디커플링)하는 데 어려움을 겪는다. 분산 이완 시간(Distribution of Relaxation Times, DRT) 방법은 무기성 저항(옴 저항), SEI 저항, 전하 전달 저항, 확산과 같은 핵심 과정들을 분리할 수 있게 하여, 배터리 노화 메커니즘에 대한 더 깊은 통찰을 제공하는 강력한 대안으로 부상하고 있다. 본 논문은 여러 상태충전량(State of Charge, SOC) 수준에 걸친 DRT 파라미터를 활용하여 배터리의 상태건전도(State of Health, SOH)를 추정하기 위한 새로운 접근법을 제시한다. 본 연구는 초기 용량이 서로 다른 리튬이온 배터리 3종의 데이터를 통합하여, 실제 배터리 성능에서 관찰되는 자연스러운 차이를 반영하는 변동성을 도입한다. 장단기 메모리(Long Short-Term Memory, LSTM) 기반 기계학습 모델을 적용함으로써, 제안된 프레임워크는 기존의 EIS 기반 방법에 비해 SOH 예측에서 더 우수한 정확도를 보인다. 결과는 DRT 파라미터가 SOH 열화에 대해 민감함을 보여주며, 배터리 건전도의 신뢰할 수 있는 지표로서의 유효성을 검증한다. 본 연구는 DRT 분석과 AI 기반 모델의 결합을 통해 확장 가능하고 정밀하며 해석 가능한 배터리 진단을 발전시킬 잠재력을 강조한다.

본 논문에서는 리튬이온 배터리의 노화 메커니즘을 이해하기 위한 강력한 도구로서 분포형 이완시간(Distribution of Relaxation Time, DRT) 분석을 제시하며, 이를 상태건전성(State of Health, SOH) 추정에 적용하는 데 초점을 둔다. DRT 분석으로부터 도출되는 새로운 파라미터인 특성 이완시간(characteristic relaxation time)을 도입하여 SOH 추정을 향상시켰다. 충전 이동(charge transfer) 피크와 확산(diffusion) 피크 사이의 중심 이완시간(τ) 비율을 분석함으로써, 과거 데이터의 필요 없이 배터리 상태를 판단할 수 있다. 18650 원통형 셀과 LR2032 코인 셀을 포함한 리튬이온 배터리의 실험 데이터를 수명 종료(end of their life) 시점까지 검토하였다. 다양한 주파수 범위에서의 Nyquist 및 DRT 플롯은 특히 충전 이동과 확산 과정에서 일관된 노화 경향을 보여주었다. 이러한 과정들은 DRT 플롯에서 피크의 이동과 병합으로 나타났으며, 이는 점진적 열화를 의미한다. τ 비율 그래프에 적합한 다항식 방정식은 높은 정확도(Adj. R2 = 0.9994)를 달성하여, 신뢰할 수 있는 배터리 수명 예측을 가능하게 했다. Samsung Galaxy S9+ 배터리로 검증한 결과, 해당 방법은 남은 수명을 추정할 수 있었고 총 수명은 약 2100 사이클로 예측되었는데(이미 완료된 1000 사이클과 비교), 이는 추가적인 신뢰성을 보여준다. 이러한 결과는 사전 데이터 없이도 SOH 추정이 가능함을 확인하며, 배터리 장기성(longevity)을 정확하고 정량적으로 예측하기 위한 DRT 분석의 잠재력을 부각한다.

최근 기후 제어에 대한 전 세계적 관심이 증가함에 따라 전기자동차(EV)의 사용이 늘어나고 있다. 그러나 경제성과 높은 에너지 효율을 달성하기 위해서는 EV에 대한 일관된 성능 분석이 필요하다. 이러한 성능 분석의 질은 전력 측정의 정확도와 정밀도에 좌우된다. EV의 전형적인 전기자동차 구동은 가변주파수 구동장치(VFD)로 구성되며, 이는 비정현(non-sinusoidal) 펄스폭 변조(PWM) 신호를 생성한다. 이러한 PWM 신호의 특성과 가변 주파수에서의 동작은 고조파 왜곡 및 영점 교차 오차(zero crossing error)를 유발하게 된다. 이러한 요인들에 근거할 때, 기존의 전력 측정 방법은 매우 높은 정확성과 정밀도를 갖는 측정 결과를 제공할 수 없다. 상기 문제를 해결하기 위해, 본 논문은 lock-in amplifier(LIA)와 lock-in amplifier frequency-locked loop(LIA-FLL)에 기반한 전기자동차 가변주파수 구동 시스템용의 새로운 전력 측정 방법을 제안한다. 이 방법은 정확한 주파수 추적과 성분 추출을 수행하여 정확한 전력 측정을 가능하게 한다. 제안된 방법의 성능은 VFD로 전원을 공급받는 1.5kW 유도전동기에 대해 서로 다른 세 가지 공급 주파수 (a) 50Hz, (b) 30Hz, (c) 70Hz에서 수행한 실험을 통해 검증되었다. 제안된 방법으로 얻은 측정 결과와 YOKOGAWA WT1600(기준 디지털 전력 측정 계측기)을 비교하여 비교 분석을 제시하였다. 분석 결과, 제안된 전력 측정 방법은 ±20Hz의 주파수 변동 및 높은 고조파 왜곡 하에서 상대 전력 측정 정확도 ±0.0338% 이하, 주파수 추적 정확도 ±0.0024% 이하를 나타내는 것으로 확인되었다.

에너지 저장 시스템(ESS)과 전기자동차(EV)의 사용이 증가함에 따라 리튬이온(Li-ion) 배터리의 중요성 또한 커지고 있다. 배터리의 정확한 용량 추정은 예정된 유지보수와 교체를 위해 배터리의 열화 및 수명 종료(end-of-life)를 감지하는 데 유용하며, 이를 통해 배터리 구동 시스템의 신뢰성을 향상시킬 수 있다. 그러나 지금까지 개발된 많은 용량 추정 방법은 오프라인 방식이어서 온라인 모니터링에 적합하지 않다. 본 연구에서는 향상된 쿨롬 계수(enhanced coulomb counting, ECC) 방법에 기반한 리튬이온 배터리의 새로운 용량 추정 방법을 제안한다. 일반적으로 ECC로 계산된 배터리 용량은 상태충전(state of charge) 추정의 오차로 인해 오차가 크게 발생한다. 따라서 배터리 용량에 대한 정확한 값을 얻기 위해서는 추가적인 수단이 필요하다. 칼만 필터(Kalman filter)는 가우시안 잡음 하에서의 숨은 상태에 대한 최적 추정기이며, ECC 방법으로 계산된 용량 값에 적용한다. 제안된 방법의 용량 추정 성능은 표준 차량 주행 일정에 따라 구동되는 리튬이온 배터리를 대상으로 한 실험을 통해 검증하였다. 그 결과, 제안된 방법을 이용한 온라인 용량 추정은 10 h 이내에 1.7%의 오차로 성공적으로 수행되는 것으로 나타났다.

전기자동차의 저전압 DC-DC 컨버터(LDC)는 부하 및 입력 전압이 광범위하게 변동하는 조건에서도 높은 전력 밀도와 높은 효율의 동작을 요구한다. 본 논문은 주파수 변조 없이 출력 전압을 조정하기 위해 세 개의 1 MHz 하프브리지(HB) LLC 공진 컨버터와 인버팅 벅-부스트(IBB) 컨버터를 결합한 새로운 토폴로지를 제안한다. 제안하는 컨버터의 스위칭 주파수는 공진 컨버터의 일정 주파수 동작을 달성하기 위해 1 MHz로 고정된다. 제안 토폴로지에서는 고주파에서의 컨버터 동작 최적화를 위해 질화갈륨(Gallium Nitride, GaN) 소자와 플래너 트랜스포머를 사용한다. 제안된 LDC 토폴로지의 실현 가능성과 타당성을 검증하기 위해 1 MHz/1.8 kW-400/14 V 프로토타입 컨버터를 제작하였다.

본 논문은 CLL-C 공진 컨버터를 제1단으로, Time Division Multiple Control 회로를 제2단으로 사용하는 새로운 2단 다중 병렬 채널 LED 구동기를 제안한다. 제안된 컨버터 토폴로지의 제1단은 1차 측에 추가 인덕터를, 2차 측에 커패시터를 포함하도록 CLL-C 토폴로지에서 개발되었다. 이 컨버터는 Zero Phase Angle(ZPA)에서 공진 주파수의 일정한 전류를 제공함으로써 스위치의 턴온에 대해 Zero Voltage Switching(ZVS), 스위치의 턴오프에 대해 거의 Zero Current Switching(ZCS), 다이오드에 대해 ZCS를 달성한다. 제2단에는 Time Division Multiple Control(TDMC) 회로를 적용하여 각 LED 스트링에 균등한 전류를 분담하였다. 제안 토폴로지의 우수한 이점을 검증하기 위해 5개 출력 채널을 갖는 200 W 프로토타입을 구현하였으며, 최대 효율은 95.05%였다.

리튬이온 배터리는 높은 에너지 밀도, 긴 사이클 수명, 효율성으로 인해 현대의 다양한 응용 분야에서 널리 사용된다. 이러한 배터리에 대한 수요가 증가함에 따라, 이차 수명과 관련된 과제를 해결하고 정확한 상태 추정을 보장하는 일은 지속 가능한 사용을 위해 매우 중요해졌다. 전기화학적 임피던스 분광법(Electrochemical Impedance Spectroscopy, EIS)은 단순성과 비용 효율성으로 인해 배터리 수명 범위를 평가하는 데 흔히 사용되는 진단 기법으로 남아 있다. 그러나 EIS는 종종 중첩된 과정들을 분리(디코플링)하는 데 어려움을 겪는다. 분포 완화시간(Distribution of Relaxation Times, DRT)은 옴 저항, SEI 저항, 전하 전달, 확산과 같은 핵심 과정을 분리하기 위한 견고한 대안으로 부상하였으며, 이를 통해 EIS 데이터 분석을 향상시킨다. 본 논문은 여러 충전상태(State of Charge, SOC) 수준에 걸쳐 DRT 파라미터를 활용함으로써 배터리의 상태(Sate of Health, SOH)를 추정하기 위한 새로운 접근법을 제시한다. 본 연구는 초기 용량이 서로 다른 3개의 리튬이온 배터리 데이터를 포함하며, 이는 실제 환경에서 관찰되는 배터리 성능의 자연스러운 차이를 반영하는 변동성을 도입한다. 그 결과, 제안한 장단기메모리(Long Short-Term Memory, LSTM) 기반 모델은 기존의 EIS 기반 방법에 비해 더 높은 정확도를 달성함을 보여준다. 이는 DRT 기반 AI 모델이 확장 가능하고 신뢰할 수 있는 배터리 진단을 발전시킬 잠재력을 지닌다는 점을 시사한다.

본 논문에서는 리튬이온 배터리의 노화 메커니즘을 이해하기 위한 강력한 도구로서 분포 기반 이완시간(Distribution of Relaxation Time, DRT) 분석을 제시하고, 이를 상태건전도(State of Health, SOH) 추정에 적용하는 데 초점을 둔다. SOH 추정을 향상시키기 위해 DRT 분석에서 유도된 특성 이완시간(characteristic relaxation time)이라는 새로운 파라미터를 도입한다. 충전 전달과 확산 피크 사이의 중심 이완시간(τ) 비율을 분석함으로써, 과거 데이터의 필요 없이 배터리 상태를 규명할 수 있다. 18650 셀과 LR2032 코인 셀을 포함한 리튬이온 배터리의 실험 데이터를 수명 종료 시점까지 조사하였다. 다양한 주파수 범위에서의 Nyquist 및 DRT 플롯은 노화의 일관된 경향을 보여주었으며, 특히 충전 전달 및 확산 과정에서 두드러졌다. 이러한 과정은 DRT 플롯에서 이동 및 병합되는 피크로 나타나며, 이는 점진적인 열화를 시사한다. τ 비율 그래프에 다항식 방정식을 적합(fitting)함으로써 정확한 배터리 수명 예측이 가능해졌다. Samsung Galaxy S9+ 배터리를 통한 검증 결과, 사전 데이터 없이도 SOH 추정이 가능함이 확인되었고 배터리 장기(수명) 예측을 위한 DRT 분석의 잠재력이 강조되었다.