Design of Cooperative Converter with Optimized Deep Learning based Control Mechanism of Battery Cell Balancing for Automotive Applications

기술 요약: 배터리 셀 밸런싱을 위한 최적화된 딥러닝 기반 제어 메커니즘을 갖춘 협력형 컨버터 설계

문제 정의
본 논문은 전기차(EV) 배터리 관리 시스템(BMS)의 핵심 과제인 리튬 이온 배터리 팩 내의 셀 불균형 문제를 다룹다. 제조 편차, 노화 및 운전 스트레스의 차이로 인해 개별 셀은 충전 상태(SOC), 전압 및 내부 저항에서 불일치를 보일 수 있다. 이러한 불균형은 유효 팩 용량 감소, 용량 퇴화 가속화, 그리고 열 폭주와 같은 잠재적 안전 문제를 초래한다. 전통적인 밸런싱 방식은 수동형(passive)과 능동형(active) 방식으로 분류된다. 저항을 통해 과잉 에너지를 열로 소산시키는 수동형 밸런싱은 에너지 효율이 낮고 고성능 팩에는 부적합하다. 전력을 셀 간에 전달하기 위해 전력 전자 기술을 사용하는 능동형 밸런싱은 효율은 더 높지만, 종종 복잡하고 부피가 큰 하드웨어와 전압 조절 및 셀 밸런싱을 위한 별도의 제어 루프를 필요로 하여 시스템 비용과 복잡성을 증가시킨다. 또한, 기존의 모델 기반 SOC 및 건강 상태(SOH) 추정 방식은 동적인 환경 조건하에서 배터리 화학 성분의 비선형적이고 시변적인 특성을 처리하는 데 어려움이 있다.

방법론
저자들은 고출력 밀도의 협력형 듀얼 액티브 브리지(CO-DAB) 컨버터와 딥 밸런싱 네트워크(DBNet) 컨트롤러를 통합한 새로운 시스템 아키텍처를 제안한다.

1. 협력형 컨버터 토폴로지 (CO-DAB):

   • 본 시스템은 개별 배터리 셀에 연결된 여러 개의 듀얼 액티브 브리지(DAB) 모듈을 갖는 다중 입력, 단일 출력 컨버터 토폴로지를 활용한다.
   • 전력 공유 원리: 전체 출력 전력을 처리하는 기존의 승압 컨버터와 달리, CO-DAB는 전체 전력의 일부만을 처리한다. 이 "협력적 전력"은 원하는 출력 전압($V_{out}$)과 실제 배터리 팩 전압($V_{battery}$) 사이의 전압 차이에 비례한다.
   • 효율 메커니즘: 전압 차이만을 처리함으로써, 컨버터는 감소된 전력 스트레스 하에서 작동하여 물리적으로 더 작고 효율적인 장치를 구현할 수 있다. 시스템은 배터리 팩이 대부분의 전력을 손실 없이 전달한다고 가정하며, 컨버터는 그 차이를 보상한다.
   • 하드웨어: 설계에는 120 kHz에서 작동하는 다상 변압기 절연 DAB 토폴로지가 사용된다. 스위칭 손실을 최소화하기 위해 영전압 스위칭(ZVS) 및/또는 영전류 스위칭(ZCS)을 활용한다. 이 아키텍처는 변압기 누설 인덕턴스를 활용하여 부피와 무게를 줄이기 위해 별도의 인덕터를 제거할 수 있다.

2. 제어 메커니즘 (DBNet):

   • 단일 딥 밸런싱 네트워크(DBNet) 컨트롤러가 별도의 컨트롤러 없이 승압 변환과 셀 밸런싱을 동시에 관리한다.
   • 딥 러닝 아키텍처: DBNet은 라디알 기저 함수(RBF) 신경망 구조를 사용한다. 실시간 입력(셀 전압, 전류, 온도)과 과거 데이터를 처리하여 동적인 밸런싱 결정을 내린다.
   • 학습 전략: 네트워크는 두 단계의 학습 과정을 거친다. 첫째, 병렬 역전파 및 확률적 근사를 통해 은닉층 파라미터를 최적화한 후, 클러스터링을 통해 수용체 중심과 확산 파라미터를 결정한다.
   • 밸런싱 로직: 시스템은 셀 간의 SOC 차이를 모니터링한다. 차이가 임계값(0.55%)을 초과하면, DBNet은 높은 SOC를 가진 셀에서 낮은 SOC를 가진 셀로 에너지를 전달하기 위해 특정 스위칭 펄스를 트리거한다. 이는 구동(motoring), 회생 제동, 충전 모드에서의 능동 밸런싱뿐만 아니라 정지 상태에서의 수동 밸런싱도 지원한다.

3. 상태 추정:

   • 시스템은 직접 측정이 어려운 문제를 해결하기 위해 쿨롱 카운팅(Coulomb counting)과 칼만 필터(Kalman Filter)를 결합하여 SOC를 추정한다. 이 접근 방식은 노이즈와 배터리 동작의 동적 변화를 고려한다.

주요 기여

• 통합 토폴로지: 전압 승압과 능동 셀 밸런싱을 단일 컨버터 단계로 결합한 통합 CO-DAB 토폴로지를 도입하여 하드웨어 중복성을 줄였다.
• 최적화된 전력 처리: 전체 부하 전력이 아닌 전압 차이만을 처리함으로써, 기존의 DAB 또는 부스트 컨버터에 비해 더 작은 물리적 점유 면적과 높은 시스템 레벨 효율을 달성한다.
• 딥 러닝 제어: DBNet의 구현을 통해 데이터 기반의 적응형 밸런싱 전략을 가능하게 하며, 이는 과거 및 실시간 운전 데이터를 학습함으로써 정적 알고리즘보다 우수한 성능을 보인다.
• 통합 제어: 전압 조절과 셀 밸런싱을 위한 단일 컨트롤러 사용은 제어 아키텍처를 단순화하고 동기화를 개선한다.

결과
제안된 시스템은 MATLAB/Simulink 시뮬레이션과 24-48 V, 250 W 시스템을 시뮬레이션하기 위해 4개의 직렬 연결된 납축전지(각 6.2 V, 12 Ah)를 사용한 실험실 테스트 베드를 통해 검증되었다.

• 효율: CO-DAB 컨버터는 **96.4%**의 피크 효율을 달却했다. 시스템은 규제를 유지하고 밸런싱을 수행하기 위해 출력 전력의 약 **64%**만을 추출해야 함을 입증하여 전력 공유 가설을 확인했다.
• 성능: 시스템은 구동, 회생 제동, 충전 및 정지 모드 전반에 걸쳐 셀 밸런싱을 관리하면서 안정적인 48 V 출력 전압을 성공적으로 유지했다.
• 밸런싱 속도: 셀 쌍의 SOC 차이가 있는 특정 시뮬레이션 시나리오(54.5% 대 79.5%)에서, DBNet 컨트롤러는 전체 팩을 68초 만에 83.5%의 SOC로 밸런싱했다.
• 열 관리: 온도 모니터링 결과, 셀이 26°C에서 34°C 사이에서 안정화되었으며, 시스템은 열 발생과 소산이 균형을 이루는 열적 정상 상태에 도달했다.
• 파형 품질: 출력 전압은 매끄럽고 안정적으로 유지되었으며, 1차 측 전류는 위상 간 균등한 전력 공유를 보여 효과적인 부하 분산과 전류 스트레스 감소를 나타냈다.

의의
본 논문은 이 통합된 접근 방식이 전압 조절과 셀 밸런싱이라는 두 가지 과제를 동시에 해결함으로써 전기 모빌리티 애플리케이션을 위한 중요한 진전을 제공한다고 주장한다. 컨버터의 전력 처리 부담을 줄임으로써, 시스템은 더 작고 비용 효율적인 부품을 사용하면서도 개선된 열 관리와 신뢰성을 확보할 수 있게 한다. 딥 러닝을 이용한 제어는 성능에 영향을 미치기 전에 선제적으로 퇴화를 완화하는 밸런싱을 가능하게 하여 배터리 수명과 차량 주행 거리를 연장한다. 연구는 CO-DAB-DBNet 아키텍처가 기존의 다단계 또는 수동형 밸런싱 시스템에 비해 더 효율적이고 컴팩트하며 신뢰할 수 있는 EV 전력 관리 솔루션을 제공한다고 결론짓는다.