리튬 이온 배터리 에너지 저장 시스템의 전체 생애 주기 건강 상태 추정을 위한 개선된 전기화학 임피던스 분광법-뻐꾸기 탐색-엘맨 신경망 모델링 방법에 대한 비판적 검토

효율적이고 정확한 건강 상태 추정은 리튬 이온 배터리(LIB) 성능 모니터링 및 경제적 평가에 매우 중요합니다. LIB의 건강 상태를 온라인으로 효과적으로 추정하는 것은 핵심이지만 에너지 저장 시스템에 있어 가장 어려운 작업이기도 합니다. 높은 적응성과 적용 가능성으로 인해 데이터 기반 기술에 기반한 배터리 건강 상태 추정이 전 세계 연구자들로부터 많은 주목을 받고 있습니다. 인공 신경망(ANN) 기반 방법이 LIB의 상태 추정에 자주 사용됩니다. ANN 방법 중 하나인 엘맨 신경망(ENN) 모델이 배터리 상태를 보다 효율적이고 정확하게 추정하도록 개선되었습니다. 이 논문에서는 전기화학 임피던스 분광법(EIS)과 뻐꾸기 탐색(CS)을 기반으로 한 개선된 ENN 추정 방법을 EIS-CS-ENN 모델로 설정하여 LIB의 건강 상태를 추정합니다. 또한, 이 논문은 EIS-CS-ENN 모델에 대한 다양한 ANN 모델의 비판적 검토를 수행합니다. 이는 EIS-CS-ENN 모델이 다른 모델보다 우수하다는 것을 입증합니다. 이 검토는 또한 동일한 조건 하에 수학적 모델링 능력과 상태 요구 사항에 따라 적절한 건강 지표(HI)를 선택하는 것이 효율적인 건강 상태 추정의 핵심이라는 것을 입증합니다. 계산 과정에서는 여러 평가 지표가 채택되어 다른 기존 방법들과의 모델링 정확성을 분석하고 비교합니다. 평가 결과 분석과 HI 선정 과정을 통해 결론과 제안이 제시됩니다. 또한, LIB의 건강 상태 추정을 위한 EIS-CS-ENN 모델의 강건성이 검증됩니다.