배동민
(Dong-Min Bae)
1iD
이교범
(Kyo-Beum Lee)
†iD
-
(Senior Researcher, Electronics R&D Cneter Sebang Lithium Battery Corporation in Korea)
Copyright © The Korean Institute of Illuminating and Electrical Engineers(KIIEE)
Key words
Compensation of estimation error, Coulomb counting method for vehicle system
1. 서 론
인간의 화석 연료 사용으로 인한 대기환경 오염이 증가함에 따라 최근에는 전기차 시장이 확대되고 신재생 에너지를 활용한 발전 시스템과 배터리 기술에
대한 관심이 높아지고 있다[1].
배터리 기술의 주요한 이슈는 배터리의 성능과 수명인데 최근 여러 가지 2차 전지 중 리튬이온 배터리가 높은 에너지 밀도와 긴 수명을 가지는 장점으로
전기 자동차 분야 및 에너지 저장 장치에서 널리 사용되고 있다[2].
배터리의 성능과 수명을 향상시키기 위해서는 정확한 배터리 잔존용량 (SOC: State of Charge) 추정 방법이 필요하다. 배터리 효율을 증가시키기
위한 SOC 추정 방법으로 개방회로 전압 (OCV: Open Circuit Voltage) 방법, 확장 칼만필터 (EKF: Extended Kal
man Filter)를 이용한 배터리 SOC 추정 방법, 그리고 전류 적산법 (Coulomb Counter)이 있다[3]. OCV 방법을 이용한 배터리 SOC 추정은 LUT (Look-Up Table)을 사용하여 쉽게 SOC를 측정할 수 있다. 그러나 OCV 방법은
측정 전압과 SOC가 선형적 특성을 갖고, 배터리가 안정화 상태가 되었을 때 사용하는 방법으로서 실시간 SOC를 추정할 수 없다[3]. 확장 칼만필터를 활용한 SOC 추정 방법은 실시간으로 정확한 SOC를 추정가능 하지만 복잡한 계산 수식이 적용되어 구현이 어렵고 배터리 모델이
필요하다. 반면에 전류 적산법은 배터리의 초기값 오차와 전류 측정 노이즈에 의한 오차 누적 등의 문제점이 있지만 오차 누적 문제를 해결하면 간단한
알고리즘 적용과 적은 비용으로 정확한 실시간 결과를 도출할 수 있다.
본 논문에서는 차량 시스템에서 리튬이온 배터리의 SOC를 추정하기 위한 방법으로 전류 적산법과 OCV측정법을 사용한다. 전류 적산법의 문제로 지적되는
SOC 오차를 보정하기 위해 배터리의 충전과 방전을 진행하지 않는 차량 시스템의 전원 차단 시간을 측정한다. 전원 차단 시간을 배터리 휴지 시간으로
간주하고 30분 이상의 휴지 시간이 경과한 후 전원이 인가되었을 때 배터리의 OCV를 측정한다. 측정된 OCV는 LUT(Look- Up Table)
기반의 SOC-OCV 정보로 누적 오차를 보정하는 방법을 제안한다. 제안된 알고리즘의 성능을 검증하기 위해 BMS 실험 시스템을 구축하고 배터리 팩의
충전 및 방전 실험을 진행하여 SOC 추정값을 검증한다.
2. 리튬이온 배터리 개요
리튬이온 배터리(Lithium Ion Battery)는 전기 에너지를 화학 에너지로 변환하여 저장하며, 다수의 충전과 방전이 가능한 2차 전지이다.
2차 전지는 전지의 전극에 삽입된 이온이 전자와 전하적으로 중성(Charge Neutrality)을 이루어 전기 에너지를 저장한다[4]. 이렇게 저장된 전원을 방전할 때 전기화학적으로 산화와 환원 반응을 통하여 화학 에너지를 전기 에너지로 변화시켜 전원을 방전한다. 방전된 배터리는
외부 전원 공급을 통해 전기 에너지를 화학 에너지로 변환시켜 전기 저장이 가능한 배터리이다.
2.1 리튬이온 배터리 구성
리튬이온 배터리의 내부는 Fig. 1과 같이 크게 양극과 음극 그리고 전해질과 분리막으로 구성되어 있으며, 이를 리튬이온 배터리의 4대 구성요소라 한다.
Fig. 1. Components of Lithium-ion battery
양극재는 배터리의 에너지 밀도와 안정성, 수명, 전압을 결정하는 성분으로 이루어져 있으며, 음극재는 리튬이온을 저장하는 역할을 한다. 또한 전해질은
리튬이온 배터리의 이온이 양극과 음극 사이를 이동할 수 있는 역할을 한다. 분리막은 양극과 음극이 물리적으로 접촉되지 않도록 차단하며, 아주 미세한
기공으로 리튬이온의 이동이 가능하다.
2.2 리튬이온 배터리 동작
리튬이온 배터리는 양극재와 음극재 간의 산화와 환원의 화학적 반응을 통화여 전자가 이동하며 전기를 발생시킨다.
Fig. 2는 충전 동작을 표현하였으며, 리튬이온 배터리가 외부 전기 에너지로 배터리를 충전하는 과정에서 배터리의 양극재에 위치한 리튬이온(Li+)이 분리막을
통과하여 음극재인 흑연의 층에 자리 잡아 안착한다. 이때 전자(e-)가 도선을 통하여 음극으로 이동하는 동안 양극에서는 전자를 잃는 산화 반응이 일어나고
음극에서는 전자를 얻는 환원 반응이 발생한다. 이러한 과정을 통해 리튬이온 배터리는 화학 에너지를 저장하고, 필요할 때 전기 에너지로 변환하여 사용
한다. 식(1)은 리튬이온 배터리가 충전될 때의 전기 화학 반응식을 나타낸다[5].
Fig. 2. Charging Lithium-ion battery
Fig. 3. Discharging of Lithium-ion battery
Fig. 3은 방전 동작을 나타내며 방전은 충전과 반대로 충전 완료 후 배터리의 전기를 사용할 때 음극재에 있던 리튬이온($Li^{+}$)이 분리막을 통과하여
다시 양극재로 이동한다.
음극재인 흑연에 있던 리튬이온($Li^{+}$)이 전자를 잃을 때 산화 반응이 발생하고, 이동된 리튬이온이 양극층으로 다시 삽입되어 환원 반응이 일어난다.
이러한 방전 동작을 통해 리튬이온 배터리는 저장된 화학 에너지를 전기 에너지로 변환하여 전원을 제공한다.
식(2)의 전기 화학 반응식은 리튬이온 배터리의 방전을 나타내는 식이다[5].
3. 리튬이온 배터리 SOC 추정법
정확한 SOC(State of Charge) 추정은 BMS (Battery Management System) 설계에서 가장 중요한 역할 중 하나이다.
SOC 추정은 배터리의 유용한 에너지 정보를 제공할 뿐만 아니라, 과충전 또는 과방전을 방지하는 기본 자료로 사용한다. 다양한 연구에서는 각종 모니터링
요소들을 정확하게 측정하기 위한 알고리즘과 방법들이 연구되고 있으며, 현재까지 정확한 SOC 추정을 위한 다양한 알고리즘이 제안되었다[6]. 3장에서는 리튬이온 배터리의 SOC추정 방법 중 많이 활용되는 추정법에 대하여 설명한다.
3.1 개방회로 전압을 이용한 SOC 추정법
개방회로 전압(OCV: Open Circuit Voltage)을 이용한 SOC 추정법은 배터리의 개방전압을 측정하여 SOC를 계산하는 방법으로 측정이
쉽고 높은 정확도를 보장한다. 개방회로 전압측정은 Fig. 4와 같이 배터리에 어떠한 회로 부하도 연결되어 있지 않은 상태에서 배터리의 단자 전압을 측정한다. 회로 부하가 연결되어 있을 경우 전압강하가 발생하기
때문에 정확한 배터리 전압을 측정하기 어렵다.
Fig. 4. Open circuit voltage measurement
식(3)은 개방전압 측정 산출 식이다.
식(3)에서 Vterm은 배터리 단자 전압을 나타내며, I는 실제 배터리 전류, Ri는 배터리 내부저항을 나타낸다. 개방회로전압 SOC 추정법은 각각의 SOC에
따른 개방전압을 측정하여 Fig. 5와 같이 SOC-OCV데이터 테이블을 만들어 간단하고 정확하게 SOC를 추정한다.
하지만 충전 방전으로 인한 배터리 내부의 화학 반응이 안정화되고 외부 영향이 최소화되는 긴 휴지 시간이 필요하기 때문에 실시간 SOC 측정방법으로
부적합하다.
개방전압 측정법은 주로 배터리 특성 평가나 보정 보조기술로 활용된다[2]. 본 논문에서 보정 보조기술로 적용한 LUT기반의 추정 보정은 LUT를 작성하기 위한 배터리 특성 데이터를 추출할 때 많은 시간과 노력이 필요하지만
정작 LUT를 이용한 SOC 보정 방법은 구현이 간단하다. 또한 LUT를 적용한 알고리즘을 사용하지 않더라도 배터리의 온도별 SOC-OCV 데이터는
다양한 배터리에 맞는 SOC 알고리즘을 도출하기 위한 데이터로 활용하기 위해 필요하다.
Fig. 5. SOC-OCV table and curves
3.2 칼만필터를 이용한 SOC 추정법
칼만필터는 선형 시스템에 대해 뛰어난 잡음 제거 성능을 보인다. 또한 효과적으로 상태 변수를 추정하고 누락된 정보를 추론하기 때문에 동적 시스템의
상태를 추정할 때 많이 활용된다[7]. 최근 리튬이온 배터리의 SOC 추정에서도 칼만필터가 많이 사용되고 있으나, 칼만필터를 사용하여 비선형 시스템인 배터리의 상태를 추정하는 경우에는
주변 환경에 영향을 많이 받아 오차가 크게 발생한다[7]. 이러한 비선형 시스템에서의 오차가 발생하는 단점을 해결하기 위해 비선형 시스템에서 구간별 선형화를 적용하여 칼만필터를 사용할 수 있도록 개선한
것이 확장 칼만필터이다[8]. 확장 칼만필터 알고리즘을 리튬이온 배터리에 적용하려면 배터리 셀의 전기적 동작 특성을 모사하기 위한 배터리 셀의 모델링이 선행되어야 한다. 배터리
셀을 모델링하기 위해 RC–Ladder 모델을 많이 사용한다. Fig. 6은 배터리의 OCV에 대한 직렬저항(RI)와 확산저항(RDiff)과 확산 커패시턴스(CDiff)를 배터리에 대한 내부 임피던스를 1차 RC 병렬 회로로
모델화한 것이다. 배터리의 전기화학적 특성을 반영한 등가회로는 비선형적인 배터리 전압 곡선 분석을 위해 필요하다[9].
Fig. 6. First RC-Ladder model
3.3 전류 적산법을 이용한 SOC 추정법
전류 적산법은 배터리의 초기 SOC값에 충전과 방전 시간동안 전류값을 측정하고 적분하여SOC를 추정하는 방법이다. 이 방법은 배터리 SOC 추정을
실시간으로 수행가능하고 구현이 간편하기 때문에 BMS에 많이 적용되는 방법이다[10]. 전류 적산법은 수식(4)와 같다.
식(4)에서 SOC(t)는 시간(t)에 따른 SOC를 나타내며, SOC(t0)는 초기 SOC이다. Cn은 배터리의 정격용량을 나타내며, I(t)는 시간에
따른 충전과 방전 전류이다. 전류 적산법은 간단한 방법이지만 SOC 추정 초기 단계에서 초기값을 정확히 모를 때 초기값 오류가 발생하며, 배터리 전류를
측정하는 전류 센서의 측정 오차와 아날로그 디지털 변환 과정에서의 오차가 누적된다[11]. 이러한 문제로 배터리 사용시간이 길어질수록 수식(4)의 정밀도가 감소한다. 이러한 단점을 극복하고 정확도를 높이는 방법으로 리셋을 수행 하거나 전류 센서와 ADC 변환 오차를 보정 하는 방법에 대한
연구가 진행되고 있다[12].
3.4 기존의 주요 SOC추정 방법의 비교
Table 1은 SOC추정 방식에 따른 장점과 단점 그리고 정확도와 견고성을 비교하였으며, 제시된 방법 중 모델기반의 방법이 균형 잡힌 성능을 갖음을 확인할 수
있다[13]. 최근 SOC 추정 알고리즘 개발에서 높은 정확도와 실시간 추정이 가능한 모델기반의 Kalman Filter알고리즘을 많이 적용하는 추세이다. 또한
가장 정확하다고 알려진 Data-driven 방식의 Machine Learning 기반 SOC 추정 알고리즘에 대한 많은 연구가 진행 중이다.
Table 1. Comparison of the main existing SOC estimation methods
|
추정 방법
|
장점
|
단점
|
정확도
|
강건성
|
|
Look-up Table method
|
간편한 구현
낮은 계산 비용
만족스러운 실시간 성능
|
온도, 노화 및 주행 사이클과 같은 불확실한 요인에 취약함
배터리 OCV, EIS 등에 대해 정기적인 보정이 필요함
고가의 테스트 장비가 필요함
|
Poor
|
Good
|
|
Ampere-hour
methods
|
간편한 구현
낮은 계산 비용
휼륭한 실시간 성능
|
정확한 초기값 필요
개루프 계산으로 인한 보정 방법의 부족
노이즈 및 노화에 따른 오차율 증가
|
Fair
|
Poor
|
|
Model-Base
methods
|
높은 정확도
폐루프 제어
우수한 실시간 성능
강한 적응력
|
배터리 모델이 필요
높은 계산비용
견고성과 신뢰성의 엄청난 차이
|
Good
|
Good
|
|
Data-driven
methods
|
높은 정확도
높은 비선형 예측 능력
|
높은 계산 복잡성
교육 데이터에 대한 의존도가 높음
|
Excellent
|
Poor
|
4. 리튬이온 배터리 SOC 추정 실험
제안한 알고리즘을 검증하기 위해 리튬이온 배터리팩 및 BMS를 제작하고 SOC 추정 실험을 한다.
4.1 BMS 실험 시스템 구성
실험을 실행 하고 데이터를 도출하기 위해 삼성SDI사의 21700 규격 4800mA 용량의 NCM 배터리 셀을 이용한 3S4P(3Serial 4Parallel)의
12.6V, 19200mA 용량의 배터리 팩을 제작 하였다. BMS 제어기는 Infineon사의 Tricore TC364 MCU Board를 사용하여
Fig. 7의 블록도와 같이 BMS 시스템을 구성 하였다.
Fig. 7. BMS block diagram
SOC 보정 알고리즘 구현 및 검증하기 위하여 Fig. 8과 같이 실험 시스템을 구성하였다. 배터리 팩과 BMS 상태를 실시간으로 모니터링하기 위해서 Vector사의 CANoe 장비로 CAN 통신 네트워크를
구성하였으며, MCU Debug 장비(Trace-32 Power Debugg er)를 이용하여 전류 적산법으로 산출한 SOC 값에 강제로 오차 발생이
가능하게 하였다. 또한 배터리 충전용 Power Supply와 배터리 방전용 Electronic Load로 BMS 실험 시스템을 구성하였다.
Fig. 8. Experimental system diagram
4.2 알고리즘 도출
적산법을 이용한 SOC 추정법에서 SOC를 추정하는데 발생하는 문제점을 해결하기 위하여 차량 시스템에서 적용 가능한 오차 보정 알고리즘을 Fig. 9와 같이 도출 하였다.
Fig. 9의 오차 보정 알고리즘 동작 방식은 다음과 같다. 먼저 차량의 시동 시그널을 확인하여 차량의 시동이 켜지면 대기모드 상태의 BMS에서 측정한 Sleep
Time을 확인한다. Sleep Time은 배터리 휴지 시간으로 간주하여 30분 이상 휴지 시간이 발생할 경우 OCV 값을 측정된 OCV 값은 기존
SOC-OCV 측정 실험으로 작성한 Table 값에 대입하여 SOC와 전류값을 환산하고 SOC 값을 보정한다. BMS는 보정된 값으로 배터리의 전류,
전압, 온도 데이터를 취합하여 계속 전류 적산 알고리즘을 추정한다. 반대로 차량의 시동이 꺼지면 BMS는 System 대기모드로 진입한다. 차량의
시동 시그널이 IGN_ON 될 때까지 BMS는 200초 주기로 대기모드에서 정상동작모드로 전환을 반복하며 Wakeup Count를 증가시키고 Sleep
Time을 계산한다. Sleep Time은 짧을수록 배터리의 분극 전압이 안정화 되지 않아 배터리의 분극 현상이 끝난 시간의 OCV 측정값 대비 오차가
증가한다. 또한 배터리의 특성에 따라 배터리 분극현상이 천천히 회복하는 구간이 존재 한다.
Fig. 10은 배터리의 방전 SOC - OCV를 측정한 자료이다. 자료에서 휴지시간에 따른 OCV 변화량을 확인해 보면 휴지시간이 시작되는 최초 OCV 측정값
대비 휴지시간이 끝나는 30분 이후의 OCV 측정값을 비교한 결과 2.32%(0.088v)의 전압 차이가 발생 하는것을 확인할 수 있다. 그러므로
Sleep Time을 30분 이상 갖을 경우 더 정확하게 SOC 오차를 보정 할 수 있다.
Fig. 9. SOC Compensation algorithm
Fig. 10. OCV curve and data by rest time
4.3 알고리즘 검증
구현된 알고리즘 검증 방법은 Fig. 11에서 나타내었으며, 다음과 같은 방법으로 실험을 진행한다.
먼저 배터리의 SOC를 95%로 충전한 상태에서 배터리를 방전시키며 배터리가 정상적으로 방전하는지 상태를 측정한다. 배터리 SOC가 75%에 도달하면
MCU Debugg er를 이용하여 배터리의 SOC 값에 해당하는 MCU 메모리에 강제로 SOC 오차값 -20%에 해당하는 SOC 값 55%를 입력하여
배터리 SOC 값이 55%로 변동되는 것을 확인한다. 배터리 SOC 오차값 입력 후 SOC 값이 35%가 될 때까지 방전시키며 SOC 추정에 이상이
없는지 확인한다. SOC 값이 35%에 도달하면 차량 시동시그널을 IGN_OFF하고, 200초 주기로 Sleep- Wakeup의 진행을 확인한다.
IGN_OFF 시간이 30분 경과하면 IGN_ON 입력 신호를 발생시켜 강제로 입력한 SOC 오차가 55%로 보정되는지 확인한다. SOC 값의 보정을
확인 후 배터리를 SOC값 25%까지 계속 방전하여 SOC 추정이 정상적으로 진행하는 확인하고 실험을 종료하여 알고리즘을 검증한다.
Fig. 11. Algorithm’s discharge experiment
Fig. 12는 구현한 알고리즘을 Fig 11의 실험 방법에 따라 실험 결과를 CAN 통신으로 모니터링한 자료이다. 알고리즘 실험 결과를 분석해보면 Fig. 12의 1)SOC 변경구간은 Fig. 11의 STEP5에 해당하는 구간이다. 이 구간에서는 MCU Debug 장비를 이용하여 BMS의 SOC 값을 75%에서 55%로 -20%만큼 강제로 변경된
것을 확인하였다. 또한 SOC 값을 55%로 변경 후 SOC 35%까지 방전을 진행하여 SOC 추정에 문제가 없음을 확인하였다. Fig. 12의 2)Sleep-Wakeup 구간은 Fig. 11의 Step8과 Step9에 해당하는 구간으로 BMS 제어기를 대기모드로 전환하여 200초 주기로 대기모드(Sleep)와 정상모드(Wakeup)의
동작을 반복하며 30분 이상의 휴지 시간을 가질 때까지 동작을 측정하였다. Fig. 12의 3) SOC 보정 구간은 30분간의 휴지 시간에 해당하는 대기 구간을 확인하고 BMS에 IGN_ON 신호를 전달하면 BMS는 대기 모드에서 정상
동작 모드로 전환하여 측정된 OCV 값을 기반으로 SOC 값을 보정한다. 보정된 SOC 값은 35%에서 53%로 보정됨을 확인 하였다. SOC값의
보정을 확인 후 배터리의 SOC를 25%까지 계속 방전하여 SOC 추정이 정상 동작됨을 확인하고 실험을 종료하여 알고리즘을 검증하였다.
Fig. 12. Algorithm experiment results
Fig. 13. SOC measurement comparison
Fig. 13은 앞에서 설명한 Fig. 12의 배터리 SOC (Reference_ SOC) 측정값과 알고리즘을 테스트한 SOC(Estimation_SOC) 측정값을 비교한 그래프로 제안한 알고리즘의
SOC 거동을 확인할 수 있다. Fig. 14는 Reference SOC 대비 Estimation SOC의 오차율을 나타낸 그래프이다. 중간 오차 20%에 해당하는 구간은 MCU Debugger를
이용한 강제 오차 입력 구간을 나타내고 있으며, 시동 Off로 인한 전원 차단 시간 30분 경과하여 보정된 SOC값의 최대 오차율이 2%이다. 본
논문에서는 테스트를 위하여 SOC 오차를 20%로 임의 발생하였다. 하지만 자동차용 리튬이온 보조 배터리를 제조하는 각 회사의 제품마다 차이가 있으나
SOC 오차를 5% 미만으로 관리하는 것을 가정하였다. 또한 차량운행 시간을 24시간 계속 운행하는 경우가 없을 것이며, 하루에 한번 이상 30분
초과하는 차량 시스템의 전원 차단 시간을 갖는 것으로 가정 하였다. 이러한 가정을 토대로 제안한 SOC 보정을 하루 한번 이상 실시하여 차량의 정상적인
차량시스템에서 5%이상 오차가 발생하지 않을 것으로 예측한다.
5. 결 론
본 논문에서는 전류 적산법을 사용한 SOC 추정 방법에서 지적된 초기값 오류와 측정 노이즈에 의한 오차 누적 등의 문제점을 개선하기 위한 방법으로
차량 시스템에 적용가능한 전류 적산법의 추정오차 보정 방법을 제안하였다. 제안된 알고리즘을 검증하기 위해 차량 시스템과 유사한 환경에서 시험할 수
있도록 실험 시나리오 작성 및 CAN 통신을 이용한 제어와 모니터링 환경을 구성하였다. 이러한 실험 환경을 기반으로 실험 시나리오에 따른 배터리 모니터링
시스템(BMS)의 SOC 오차 발생과 알고리즘을 통한 SOC 보정 후 정상적인 SOC 추정 동작 상태를 검증하였다.
References
K.-B. Lee, “Advanced power electronics,” Munundang, 2019.
K.-B. Lee, et al., “Smart inverter,” Munundang, 2021.
J, H, Park, W. C. Cha, U. R. Cho, and J. C. Kim, “State of charge estimation of Li-Ion
battery based on CIM and OCV using extended kalman filter,” Journal of the Korean
Institute of Illuminating and Electrical Installation Engineers, vol. 28, no. 11,
pp. 77-83, 2014.
S. K. Kim, “Battery cell balancing current control algorithm with SoC precision prediction,”
M.Sc. Thesis, Department of Computer Science and Engineering, Korea University, 2020.
H. J. Kang, H. B. Park, K. H. Han, and D. Y. Yoon, “A CFD modeling of heat generation
and charge-discharge behavior of a Li-ion secondary battery,” Journal of the Korean
Electrochemical Society, vol. 19, no 3, pp. 114- 121. 2016.
R. Xiong, et al., “Critical review on the battery state of charge Estimation Methods
for Electric Vehicles,” in IEEE Access, vol. 6, pp. 1832-1843, 2018.
K. S. Ryu, et al., “A state-of-charge estimation using extended kalman filter for
battery of electric vehicle,” Journal of the Korea Academia-Industrial cooperation
Society, vol. 18, no. 10, pp. 15-23, 2017.
C. W. Jeon and Y. M. Lee, “Secondary battery SOC estimation technique for an autonomous
system based on extended kalman filter,” Journal of Institute of Control, Robotics
and Systems, vol. 14, no. 9, pp. 904-908, 2008.
Y. J. Kim, S. H. Baek, and Y. S. Kwon, “A study on the parameters extraction method
of cylindrical lithium-ion battery cell for electric vehicles,” Journal of the Korea
Academia-Industrial cooperation Society, vol. 22, no. 10, pp. 609-618, 2021.
D. U. Jeong, H. N. Song, and J. J Yun, “A study on the comparison of battery SOC estimation
performance of column counting and extended kalman filter considering sensor errors,”
Journal of the Korean Institute of Illuminating and Electrical Installation Engineers,
vol. 34, no. 5, pp. 43-50, 2020.
D. U. Jeong, “A study on BMS circuit and SOC estimation algorithm,” M.Sc. Thesis,
Department of Electronic Engineering, Daegu University, 2020.
K. C Bae, et al., “OCV prediction method for SOC Estimation of li-ion battery,” in
Proc of Power Electronics Conference, pp. 528-529, 2014.
H. Mu, R. Xiong, and f. Sun, “A novel multi-model probability based battery state-of-charge
fusion estimation approach,” Energy Procedia, vol. 88, pp. 840-846, 2016.
Biography
He received the M.S. degree in IT Convergence engineering from Ajou University.
He works at Sebang Lithium Battery as a Senior Researcher. His research interests
are battery monitoring systems and vehicle electric control unit.
He received the B.S. and M.S. degrees in electrical and electronic engineering
from the Ajou University, Suwon, Korea, in 1997 and 1999, respectively. He received
the Ph.D. degree in electrical engineering from the Korea University, Seoul, Korea,
in 2003. From 2003 to 2006, he was with the Institute of Energy Technology, Aalborg
University, Aalborg, Denmark. From 2006 to 2007, he was with the Division of Electronics
and Information Engineering, Jeonbuk National University, Jeonju, Korea. In 2007,
he joined the Department of Electrical and Computer Engineering, Ajou University,
Suwon, Korea. He is an Editor- in-chief of the Journal of Power Electronics. He is
an associated editor of the IEEE Transactions on Power Electronics. His research interests
include electric machine drives, renewable power generations, and electric vehicle
applications.