충전상태 추정 (State of Charge Estimation)
쉽게 풀면
스마트폰 배터리 아이콘에 표시되는 잔량 퍼센트를 떠올리면 됩니다. 하지만 배터리 내부에 남은 에너지 양을 직접 잴 수 있는 계기는 없기 때문에, 전압이나 전류처럼 겉에서 측정 가능한 값을 바탕으로 남은 양을 추정해야 합니다. 이 추정 과정이 바로 충전상태 추정이며, 정확도가 떨어지면 실제보다 배터리가 더 남았거나 덜 남은 것처럼 잘못 표시될 수 있습니다.
왜 중요한가
전기차나 에너지저장장치처럼 배터리를 사용하는 시스템에서는 충전상태를 정확히 알아야 과충전이나 과방전을 막고 배터리 수명을 관리할 수 있습니다. 이 때문에 배터리 관리 시스템 관련 논문에서 충전상태 추정 알고리즘의 정확도와 강건성이 핵심 성능 지표로 다루어집니다.
논문에서는 이렇게 쓰입니다
충전상태 추정에 흔히 쓰이는 칼만 필터 계열 기법과 온도 영향을 함께 언급한 문장입니다.
서로 다른 추정 방식을 결합해 정확도를 높이는 접근을 보여주는 예문입니다.
조금 더 깊게 보면
대표적인 추정 방법으로는 전류를 시간에 따라 적분해 충전상태 변화를 계산하는 전류적산법과, 배터리 휴지 상태에서의 전압으로부터 충전상태를 역산하는 개방회로전압법이 있습니다. 이 둘은 각각 누적 오차나 응답 속도 측면에서 한계가 있어, 최근에는 배터리 모델과 관측 데이터를 결합하는 칼만 필터 계열의 추정 기법이 널리 연구되고 있습니다. 대표적인 추정 기법으로는 전류를 시간에 대해 적분해 누적 사용량을 계산하는 쿨롱 카운팅과, 배터리를 저항·커패시터로 모사한 등가회로 모델에 칼만 필터를 결합해 전압 오차를 실시간으로 보정하는 방식이 있습니다. 쿨롱 카운팅은 구현이 간단하지만 전류 센서 오차가 누적되는 단점이 있고, 칼만 필터 기반 방식은 계산량이 크지만 초기값 오차나 노이즈에 강건하다는 차이가 있습니다.
주의할 점
충전상태는 직접 측정할 수 없는 간접 추정값이므로, 어떤 방법을 쓰든 온도, 열화 상태, 측정 잡음 등에 따라 오차가 발생할 수 있다는 점을 유의해야 합니다. 충전상태와 배터리의 실제 노화 정도를 나타내는 건강상태(SOH)는 서로 다른 개념이며, SOC 추정 알고리즘은 대개 SOH가 일정하다고 가정하므로 셀이 노화될수록 추정 오차가 커질 수 있습니다.