Rint는 가장 단순한 모델이며, Thevenin은 과도 분극을 추가하고, PNGV는 장기적인 전압 거동을 위한 축전기(accumulator)를 추가합니다. 세 모델은 주로 저항 및 커패시터 요소의 수와 목적에서 차이가 납니다. 배터리 연구 장비는 제어된 전류 프로파일을 인가하고 전압 및 전류 응답을 기록한 뒤, 정의된 SOC 및 온도 조건에서 각 모델에 측정 데이터를 피팅하여 매개변수를 평가합니다.
Rint 모델은 정적 또는 느리게 변하는 분석에 적합하며, Thevenin 모델은 PNGV 모델과 관련된 누적 전압 드리프트 없이 과도 분극을 포착하므로 일반적으로 동적 리튬 이온 배터리 테스트를 위한 최선의 기준 모델입니다.
세 가지 등가 회로 모델의 차이점
Rint: 옴 근사 모델
Rint 모델은 내부 저항((R_0))과 직렬로 연결된 개방 회로 전압원((U_{OCV}))으로 구성됩니다.
단자 전압 관계식은 다음과 같습니다:
[ V_t = U_{OCV} - I R_0 ]
이 모델은 셀의 옴 저항을 통해 흐르는 전류로 인해 발생하는 즉각적인 전압 강하를 나타냅니다. 매개변수는 일반적으로 SOC, 온도, 때로는 전류 방향의 함수입니다.
Rint에는 커패시터가 포함되어 있지 않으므로 전류 펄스 후 전압 완화를 재현할 수 있는 내부 상태가 없습니다. 따라서 전하 전달 분극, 이중층 효과 또는 확산 관련 과도 현상을 정확하게 나타낼 수 없습니다.
Thevenin: 동적 분극 모델
Thevenin 모델은 전압원 및 옴 저항과 직렬로 병렬 저항-커패시터(RC) 분기를 추가하여 Rint를 확장합니다.
주요 요소는 다음과 같습니다:
- (U_{OCV}): 개방 회로 전압원
- (R_0): 순간 옴 저항
- (R_p): 분극 저항
- (C_p): 분극 커패시턴스
RC 분기는 시간 의존적인 분극 전압을 생성합니다. 일반적인 표현식은 다음과 같습니다:
[ V_t = U_{OCV} - I R_0 - V_p ]
여기서 (V_p)는 전류 및 RC 시상수에 따라 변화합니다:
[ \tau = R_p C_p ]
이 구조는 부하가 인가된 직후의 전압 강하와 부하가 제거되었을 때의 전압 회복을 포착합니다. 따라서 이 모델은 Rint보다 동적 전압 거동을 훨씬 더 잘 추적합니다.
PNGV: 축적 전압 상태를 포함한 Thevenin 모델
PNGV(Partnership for a New Generation of Vehicles) 모델은 Thevenin 유형 구조에 일반적으로 (C_{pb}) 또는 (C_b)로 표시되는 벌크 또는 직렬 커패시턴스를 추가합니다.
이 모델에는 다음이 포함됩니다:
- (U_{OCV}): 개방 회로 전압원
- (R_0): 옴 저항
- (R_p) 및 (C_p): 과도 분극 분기
- (C_{pb}) 또는 (C_b): 누적 전하 관련 전압 요소
분극 RC 쌍은 단기적인 동적 거동을 설명합니다. 추가된 커패시턴스는 시간에 따른 전류 적분과 관련된 셀 전압의 누적 변화를 나타냅니다.
개념적으로 PNGV 모델은 두 가지 효과를 분리합니다:
- 빠르거나 중간 정도의 과도 현상: (R_p) 및 (C_p)로 표현됨.
- 누적 전압 변화: 벌크 커패시턴스 상태로 표현됨.
이는 단기 펄스 모델링을 향상시킬 수 있지만, 장기 테스트에서 작은 매개변수 오류나 측정 오프셋이 적분될 경우 누적 상태가 장기적인 전압 드리프트를 유발할 수도 있습니다.
각 구성 요소의 물리적 의미
개방 회로 전압(OCV)
개방 회로 전압원은 특정 SOC 및 온도에서 셀의 평형 전압을 나타냅니다.
이는 일반적으로 OCV-SOC 특성 테스트를 통해 얻습니다. 평형 상태에 도달하려면 긴 휴지 기간이 필요할 수 있으므로, 측정값은 선택된 휴지 시간과 셀의 완화 거동에 따라 달라질 수 있습니다.
옴 저항
(R_0)는 전자 저항, 이온 저항, 집전체, 접점 및 기타 빠른 공정과 관련된 즉각적인 전압 응답을 나타냅니다.
전류 단계에서 이는 일반적으로 순간적인 전압 변화로부터 추정됩니다:
[ R_0 \approx \frac{\Delta V_{\text{instantaneous}}}{\Delta I} ]
이 추정치는 측정 대역폭, 스위칭 지연, 배선 저항, 충전 및 방전 거동 간의 차이를 고려해야 합니다.
분극 저항 및 커패시턴스
(R_p)와 (C_p)는 초기 옴 강하 이후에 발생하는 더 느린 전압 응답을 설명합니다.
저항은 분극 전압의 크기를 제어하고, 커패시턴스는 전압이 얼마나 빨리 발달하고 완화되는지를 제어합니다. 이들의 곱은 시상수를 정의합니다:
[ \tau = R_p C_p ]
시상수가 작으면 빠른 과도 현상이 발생하고, 시상수가 크면 더 느린 전압 완화가 발생합니다.
벌크 또는 누적 커패시턴스
PNGV 벌크 커패시턴스는 누적 전류와 관련된 전압 상태를 나타냅니다.
이 상태는 전류 적분에 의존하기 때문에 단일 Thevenin RC 분기가 포착하지 못할 수 있는 장기적인 전압 움직임을 재현할 수 있습니다. 그러나 전류 센서 바이어스, 부정확한 초기 조건 및 고정된 커패시턴스로 표현되지 않는 배터리 거동 변화에 민감합니다.
배터리 테스트 장비가 필요한 데이터를 생성하는 방법
제어된 전류 프로파일
배터리 사이클러 또는 정밀 배터리 테스트 시스템은 단자 전압, 전류 및 온도 등을 측정하면서 규정된 전류 프로파일을 인가합니다.
일반적인 프로파일은 다음과 같습니다:
- HPPC 테스트
- 정전류 펄스
- 충전 및 방전 펄스 시퀀스
- 율속(Rate-capability) 테스트
- 동적 스트레스 테스트(DST)
- 주행 사이클 또는 애플리케이션별 전류 프로파일
장비는 정확한 전류 제어, 동기화된 전압 및 전류 샘플링, 프로그래밍 가능한 휴지 기간, 즉각적인 옴 응답을 해결할 수 있는 충분한 대역폭을 제공해야 합니다.
SOC 및 온도 제어
(U_{OCV}), (R_0), (R_p), (C_p)가 작동 범위 전체에서 변하기 때문에 테스트는 일반적으로 여러 SOC 값에서 반복됩니다.
일반적인 특성 분석 시퀀스는 다음을 제어합니다:
- 초기 SOC.
- 셀 온도.
- 각 펄스 전의 휴지 시간.
- 펄스 진폭 및 지속 시간.
- 펄스 후 회복 기간.
온도 의존성을 특성화할 때는 챔버나 환경 테스트 시스템이 사용됩니다. 고정 저항과 셀 간 변동이 추출된 매개변수를 왜곡할 수 있으므로 일관된 셀 조립 및 접촉 조건도 중요합니다.
HPPC 펄스 해석
HPPC 프로파일은 매개변수 추출을 위한 뚜렷한 전압 특징을 생성하므로 특히 유용합니다.
전류 단계 후:
- 즉각적인 전압 변화는 주로 (R_0)와 관련이 있습니다.
- 더 느린 전압 변화는 분극 분기와 관련이 있습니다.
- 펄스 후 회복 응답은 (R_p), (C_p) 및 관련 시상수에 대한 정보를 제공합니다.
- PNGV 식별에서는 장기적인 전압 추세도 누적 커패시턴스 상태를 추정하는 데 사용됩니다.
동일한 접근 방식을 충전 및 방전 펄스에 적용할 수 있지만, 결과 매개변수가 동일하지 않을 수 있습니다.
매개변수 평가 방법
1단계: OCV-SOC 관계 설정
셀을 목표 SOC까지 충전하거나 방전한 후 단자 전압이 평형 상태에 가까워질 때까지 휴지시킵니다.
SOC 범위 전체에서 이 과정을 반복하면 OCV-SOC 룩업 테이블 또는 피팅된 함수가 생성됩니다. 이 테이블은 이후 모델 시뮬레이션 중에 (U_{OCV})를 제공합니다.
2단계: 옴 저항 추정
전류 전환 직전과 직후의 전압을 전류 변화와 비교합니다.
(I_1)에서 (I_2)로의 전류 단계의 경우:
[ R_0 \approx \frac{V(t_1^+) - V(t_1^-)}{I_2-I_1} ]
정확한 부호 규칙은 방전 전류를 양수로 정의하는지 음수로 정의하는지에 따라 다릅니다. 실제 연구에서는 지연을 보정하고 스위칭 아티팩트의 영향을 받는 샘플을 제외합니다.
3단계: 분극 응답 피팅
Thevenin 또는 PNGV 모델의 경우 펄스의 과도 부분을 지수 응답에 피팅합니다.
단일 RC 분기는 일반적인 형태를 가집니다:
[ V_p(t) = V_{p,0}e^{-t/\tau} + R_p I\left(1-e^{-t/\tau}\right) ]
측정된 전압을 모델 예측과 비교하면서 (R_p)와 (\tau)를 추정합니다. 그런 다음 커패시턴스는 다음과 같이 계산됩니다:
[ C_p = \frac{\tau}{R_p} ]
이 절차는 각 SOC 및 온도 지점에서 독립적으로 수행될 수 있습니다.
4단계: PNGV 누적 커패시턴스 추정
PNGV 식별의 경우, 더 긴 펄스 시퀀스에 걸친 측정된 전압 추세를 사용하여 추가 커패시턴스 매개변수를 추정합니다.
전류를 시간에 따라 적분하고, 결과적으로 누적된 전하는 (C_{pb}) 또는 (C_b)에 기인한 전압 변화와 연관됩니다. 초기 커패시터 전압이 잘못되면 매개변수 오류로 나타날 수 있으므로 초기 전압 조건을 신중하게 정의해야 합니다.
이 추정치는 장기간의 드리프트, 전류 측정 바이어스 및 셀의 변화하는 OCV-SOC 관계에 특히 민감합니다.
5단계: 최소 자승 매개변수 추정 사용
연구자들은 일반적으로 측정된 단자 전압과 시뮬레이션된 단자 전압 간의 차이를 최소화합니다:
[ J(\theta)=\sum_{k=1}^{N} \left[V_{\text{measured}}(k)-V_{\text{model}}(k,\theta)\right]^2 ]
여기서 (\theta)는 다음과 같은 모델 매개변수를 포함합니다:
[ \theta = \{R_0, R_p, C_p, C_{pb}, U_{OCV}\} ]
시상수 (\tau)는 스캔하거나 최적화할 수 있으며, 최상의 피팅을 생성하는 값이 선택됩니다. 결정 계수 (r^2)는 피팅된 모델이 측정된 전압 응답을 얼마나 잘 설명하는지 비교하는 데 사용되는 지표 중 하나입니다.
높은 (r^2) 값은 유용하지만 유일한 기준이 되어서는 안 됩니다. 연구자들은 최대 전압 오류, 평균 제곱근 오차, 펄스 회복 거동 및 식별 데이터와 다른 테스트 프로파일에서의 성능도 검토해야 합니다.
6단계: 룩업 테이블 구축
배터리 매개변수는 작동 조건에 따라 변하므로 추출된 값은 일반적으로 다음을 기준으로 인덱싱된 룩업 테이블로 저장됩니다:
- SOC
- 온도
- 충전 또는 방전 방향
- 때로는 전류 레벨 또는 노화 상태
모델은 전체 작동 범위에 대해 하나의 고정된 값 세트를 사용하는 대신 시뮬레이션 중에 매개변수를 보간할 수 있습니다.
트레이드오프 이해
Rint는 단순하지만 동적이지 않음
Rint는 계산량이 적고 식별하기 쉽습니다.
단순성 덕분에 대략적인 전압 추정, 정상 상태 분석 및 과도 정확도가 중요하지 않은 애플리케이션에 유용합니다. 펄스 전력 예측, 과도 전압 제한 또는 급격히 변하는 부하에서의 정확한 SOC 추정이 목표인 경우에는 적합하지 않습니다.
Thevenin은 정확도와 안정성의 균형
Thevenin 모델은 비교적 적은 매개변수로 지배적인 과도 분극 응답을 포착합니다.
일반적으로 PNGV 벌크 커패시턴스와 관련된 누적 적분 오류를 방지합니다. 이는 배터리 테스트, 동적 시뮬레이션 및 제작된 리튬 이온 셀의 검증을 위한 강력한 기준이 됩니다.
한계점은 하나의 RC 분기가 모든 전기화학적 시간 척도를 나타낼 수는 없다는 것입니다. 확산이 뚜렷하거나 다단계 완화를 보이는 셀은 두 개 이상의 RC 분기가 필요할 수 있습니다.
PNGV는 긴 시뮬레이션 중에 드리프트 발생 가능
PNGV는 과도 분극과 누적 전압 변화를 모두 나타낼 수 있습니다.
그러나 매개변수, 초기 조건, OCV 맵 또는 전류 측정이 부정확할 경우 누적 커패시턴스가 상당한 장기 오류를 생성할 수 있습니다. 반복적인 동적 사이클에서 큰 오류가 보고되는 것은 보편적이라기보다 테스트별 특성이지만, 누적 효과에 대한 모델의 민감도를 보여줍니다.
매개변수가 많을수록 식별 위험 증가
저항과 커패시터를 추가한다고 해서 자동으로 더 나은 모델이 되는 것은 아닙니다.
추가 매개변수는 서로 상관관계가 생길 수 있으며, 이는 서로 다른 매개변수 조합이 유사한 전압 곡선을 생성함을 의미합니다. 충분한 정보가 담긴 펄스, 독립적인 검증 및 우수한 측정 품질이 없으면 더 복잡한 모델은 식별 데이터에는 잘 맞지만 일반화 성능은 떨어질 수 있습니다.
목표에 맞는 올바른 선택
적절한 모델은 필요한 시간 척도, 정확도, 계산 예산 및 테스트 기간에 따라 다릅니다.
- 주된 초점이 단순한 정상 상태 전압 추정인 경우: Rint 모델을 사용하고 SOC 및 온도 전반에 걸쳐 (U_{OCV})와 (R_0)를 식별하십시오.
- 주된 초점이 동적 펄스 정확도인 경우: Thevenin 모델을 사용하고 동기화된 펄스 및 완화 데이터에서 (R_0), (R_p), (C_p)를 식별하십시오.
- 주된 초점이 누적 전압 효과를 포함한 단기 거동인 경우: PNGV 모델을 평가하되, 의도한 전체 작동 기간에 걸쳐 벌크 커패시턴스 상태를 검증하십시오.
- 주된 초점이 실시간 배터리 관리인 경우: 룩업 테이블과 작동 조건 변화 시 재귀적 온라인 매개변수 업데이트를 지원하는 Thevenin 모델 또는 개선된 다중 RC 파생 모델을 사용하십시오.
- 주된 초점이 연구 수준의 매개변수 식별인 경우: OCV-SOC 테스트, HPPC 펄스, 제어된 온도 조건, 최소 자승 피팅 및 독립적인 동적 검증을 결합하십시오.
핵심은 애플리케이션에 필요한 전압 거동을 재현하는 가장 단순한 등가 회로를 선택한 다음, 현실적인 작동 조건에서 해당 매개변수를 검증하는 것입니다.
요약 표:
| 모델 | 구성 요소 | 동적 거동 | 매개변수 평가 |
|---|---|---|---|
| Rint | OCV + R0 | 정적, 과도 현상 없음 | 순간 전압 변화로부터 R0 추출 |
| Thevenin | OCV + R0 + RC 분기 | 과도 분극 포착 (RC 시상수) | 과도 응답 피팅으로 Rp, Cp 획득; 순간 강하로부터 R0 획득 |
| PNGV | OCV + R0 + RC + 벌크 커패시턴스 | 과도 현상 및 누적 전압 변화 포착 | Thevenin 피팅 확장; 장기 전압 추세로부터 벌크 커패시턴스 추정 |
셀을 정확하게 모델링하기 위한 신뢰할 수 있는 배터리 테스트 장비가 필요하십니까?
KINTEK은 Rint, Thevenin 및 PNGV 매개변수를 효율적으로 특성화하도록 설계된 고급 사이클러, HPPC 지원 테스트 시스템 및 환경 챔버를 제공합니다. 당사의 솔루션은 리튬 이온 및 차세대 배터리를 위한 SOC/온도 매핑, 펄스 테스트 및 매개변수 피팅을 지원합니다. 오늘 전문가에게 문의하여 연구 워크플로우를 최적화하고 필요한 정밀 데이터를 얻으십시오.