Mobile QR Code QR CODE : The Transactions of the Korean Institute of Electrical Engineers

  1. (Digital Energy System Research Center, Korea Electrotechnology Research Institute, Korea.)



Predictive Maintenance, Lithium-ion Battery, Empirical data, Cell, Voltage Deviation

1. 서 론

ESS(Energy Storage System)는 재생에너지 확대로 인한 변동성 및 불확실성을 완화할 수 있는 자원으로 부각되고 있으며, DR(Demand Response) 및 재생에너지 발전량 예측 정산금 제도 등 많은 분야에 활용될 것으로 예상된다. 그러나 빈번히 발생하는 화재 및 폭발 사고로 인해 ESS의 시장규모는 축소하고 있는 상황이며, 이를 해결하기 위해 화재 사고의 원인 규명 및 대책마련 등 ESS 운영 및 관리에 관련한 많은 연구가 수행되고 있다(1-4).

선행 연구에 따르면, 안전하고 경제적으로 ESS를 운영하고 관리하기 위해 계측된 데이터를 통해 지속적으로 설비를 분석하고, 수리가 필요한 부분을 선정하여 설비를 보전하는 예측 유지 보수(Predictive Maintenance) 기술을 주목하고 있다(5-6). 현재 ESS는 사후 정비(Reactive Maintenance) 또는 예방 유지보수(Preventive Maintenance)를 통해 관리되고 있으나, 사후 정비의 경우에는 고장 및 화재가 발생한 이후에 ESS를 정비하므로 안전성 부분에 문제가 발생할 수 있으며, 예방 유지보수의 경우에는 ESS의 고장 및 화재에 대비하기 위해 주기적으로 설비를 정비하여 안전성을 확보할 수 있으나 사고 위험이 없음에도 불구하고 불필요한 비용이 발생하기 때문이다.

ESS 예측 유지보수는 주로 배터리 고장 및 열화 예측을 위해 배터리 잔존 유효 수명(Remaining Useful Life; RUL)을 예측하는 방향으로 연구가 진행되고 있다. 대부분의 연구는 규칙적인 실험을 통해 계측한 데이터를 사용하였으며, 임피던스 값을 측정 및 추정하여 활용하거나(7-8), 수식을 기반으로 SOH를 추정하여 배터리 용량 열화를 모델링하는 방법으로 수행되었다(9-10). 그렇지만 실증 ESS는 사용 목적에 따라 충ㆍ방전 스케줄이 다르므로 동일 조건하에서 계측 데이터를 비교 분석하기 어려우며, EMS(Energy Management System)와 BMS(Battery Management System)에서 배터리 또는 셀의 임피던스를 측정하지 않는 경우도 있고, 만약 임피던스 값을 추정하더라도 신뢰도가 낮기 때문에 실제 운용중인 ESS에 선행 기술들을 적용 및 검증하기에 어려움이 있을 수 있다.

데이터 추정 및 기술 검증의 어려움을 극복하기 위해서는 실증 데이터 기반의 예측 유지보수 기술 연구가 필요하다. 본 연구에서는 산업용 수용가에서 수요관리용으로 3년간 운영 중인 실증 ESS 데이터를 사용하여, 리튬이온 배터리의 특성을 분석하고 고장을 예측하고자 한다. 2장에서는 분석 대상 ESS의 운영 현황 및 보유 데이터에 대해 기술하였으며, 3장에서는 실증 데이터를 분석하고 머신러닝 기법을 사용하여 ESS 고장 발생 시점을 추정하였다.

2. ESS 실증 현황

2.1 실증 ESS 구성 및 데이터 계측 항목 검토

실증사이트는 2017년 12월 4일에 실증하여 현재까지 운영하고 있으며, 그림 1과 같이 EMS, BMS, PCS(Power Conversion System)와 배터리로 구성되어 있다. PCS의 출력전력은 250kW, 출력전압은 440V이며, 배터리의 사양은 표 1과 같다. 배터리는 랙 4개로 이루어져 있고, 랙 하나 당 17개의 모듈로 구성되어 있으며, 모듈의 경우 42개의 셀이 직/병렬(14S 3P)로 구성되어 있다.

그림. 1. ESS 구조

Fig. 1. ESS structure

../../Resources/kiee/KIEE.2021.70.11.1677/fig1.png

표 1. 배터리 제품 사양

Table 1. Battery specificatio

System Capacity

640kWh

Rack Rating Capacity

189Ah

Rack Rating Voltage

880.6V

End-of-Charge Voltage

999.6V

End-of-Discharge Voltage

714.0V

Cell Rating Capacity

63Ah

Cell Rating Voltage

3.7V

운영 데이터는 2018년 1월 30일부터 계측 값을 보유하고 있으며, ESS 구성단위 별 보유 데이터는 표 2와 같다. 셀과 모듈에 대한 상세 정보는 BMS에서 확인할 수 있는데, 셀 단위에서는 전압과 온도만을 계측하고, 모듈 단위에서는 SOC(State of Charge)와 SOH(State of Health), 온도 정보만을 알 수 있다. 이때, 셀 전압의 경우에는 3개의 병렬 연결된 셀의 전압 값으로, 개별 셀에 대한 전압이 아니며, 모듈 온도의 경우에는 모듈을 구성하는 모든 셀에서 측정한 온도 값이 아닌 임의의 두 지점에서 측정한 값으로, 실증 데이터 분석 시 이를 고려해야한다. 랙과 배터리, PCS에 대한 정보는 BMS 및 EMS에서 확인할 수 있다. 랙과 배터리 단위에서는 전압, 전류, 전력, SOC, SOH 등을 계측하고 있으며, PCS 단위에서는 전력과 전류, 전압 등의 정보를 계측하고 있다. 데이터 계측 항목에 따르면 모든 ESS 구성단위에서 임피던스는 계측하지 않았으며, 만약 실증 ESS를 대상으로 임피던스 기반의 ESS 예측 유지보수 기술을 개발한다고 해도 임피던스를 추정하여 사용해야하기 때문에 검증이 복잡할 것으로 사료된다.

표 2. ESS 구성단위 별 보유 데이터

Table 2. Empirical data by ESS component

Data

Cell

Module

Rack

Battery

PCS

SOC

O

O

O

Average SOC

O

SOH

O

O

O

Average SOH

O

Power

O

O

O

Current

O

O

O

Maximum Current

O

Minimun Current

O

Voltage

O

O

O

O

Average Voltage

O

O

Maximum Voltage

O

O

Minimum Voltage

O

O

Average Temperature

O

O

O

Maximum Temperature

O

O

Minimum Temperature

O

O

2.2 실증 ESS 운영 특성

실증 ESS는 수요관리를 목적으로 운영하며, EMS는 예측 부하 값을 활용하여 전기요금을 최소화하도록 일간 최적 운전계획을 수립하고 이에 따라 ESS의 충ㆍ방전량을 지령한다. 이 때, ESS의 과충전 및 과방전을 방지하기 위해 SOC 100% 충전 및 SOC 0% 방전을 수행하지 않고 제조사가 권장한 운전 범위에 따라 운전하였다. 계시별요금제인 산업용(을)요금제를 사용하여 최적 운전 계획을 수립하므로 부하에 따라 충ㆍ방전 스케줄과 충ㆍ방전량이 그림 2, 표 3과 같이 매일 변동하게 된다.

그림 2는 운전기간의 SOC를 보여준다. (a) 그림은 전체 운영 기간 동안의 SOC를 나타내며, (b) 그림은 임의로 선별한 날짜(2020년 10월 7일~2020년 10월 10일)의 SOC 이다. 두 그림에서 파란색 원은 실증 ESS에 있는 1번 RACK의 SOC이며, 주황색 원은 실증 ESS에 있는 4개 RACK들의 평균 SOC이다. (a) 그림에서는 2019년 1월 18일부터 2019년 11월 4일까지는 데이터가 비어있고, 2018년과 2020년의 SOC 운전범위가 약 SOC 15%-85%에서 SOC 5%-70%로 변화한 것을 볼 수 있는데, 데이터가 없는 것은 정부 지침에 따라 ESS 운영을 중단하였기 때문이며, 운전 범위가 변화한 것은 ESS 운영 시 정부 및 제조사 지침에 따르기 때문에 항상 동일한 범위내로 운전 할 수 없었다. (b) 그림에서는 2020년 10월 7일과 10월 8일은 충ㆍ방전 스케줄이 유사하나, 2020년 10월 9일은 충ㆍ방전 스케줄 이 다른 것을 볼 수 있다. 이는 부하에 따라 ESS 충ㆍ방전 스케줄이 변동하기 때문으로, 실증 ESS는 운영 시 매일 동일한 스케줄로 운전할 수 없다.

충ㆍ방전량의 경우에는 표 3과 같이 계절 별 일간 충ㆍ방전 Cycle 횟수를 통해 알 수 있다. SOC 0%에서 SOC 100%까지 충전 또는 방전한 것을 1 Cycle로 가정하였을 때, 실증 ESS의 2018년 겨울의 충ㆍ방전 Cycle 횟수는 1.58이었다. 이는 SOC 0%에서 100%까지 충전(또는 방전)을 한번 수행하고 SOC 100%에서 SOC 42%까지 방전(또는 충전)한 것을 의미하며, 나아가 겨울의 부하가 다른 계절에 비해 많기 때문에 하루 동안의 충ㆍ방전량이 많았음을 뜻한다. 이에 반해 2020년 가을의 충ㆍ방전 Cycle 횟수는 0.74%로, 하루 동안 SOC 0%에서 74%까지 충전(또는 방전)한 것을 의미하며, 이는 가을의 부하가 비교적 적기 때문에 하루 동안의 충ㆍ방전량이 적었음을 뜻한다. 이와 같이 실증 ESS는 부하에 따라 운전하므로 항상 일정한 양으로 충ㆍ방전할 수 없으며, 충ㆍ방전 스케줄과 충ㆍ방전량이 동일한 조건하에서 실증 ESS의 특성을 분석하는 것은 어려움이 있다.

그림. 2. 운영 기간 동안의 ESS SOC

Fig. 2. ESS SOC during operation period

../../Resources/kiee/KIEE.2021.70.11.1677/fig2.png

표 3. 계절별 일간 충ㆍ방전 Cycle 평균 횟수

Table 3. Number of daily charging/discharging average cycles by season

Year/Season

Spring

Summer

Fall

Winter

2018

0.93

0.95

0.93

1.58

2020

0.75

0.76

0.74

1.28

3. ESS 예측 유지보수를 위한 실증 데이터 분석

실증 ESS는 운영방법에 따라 일별, 계절별, 연도별로 충ㆍ방전 스케줄과 충ㆍ방전량이 상이하므로, ESS의 고장 및 화재 발생에 대한 예측을 수행할 때 동일한 조건하에서 특성을 분석하기 어렵다. 그러나 지난 2019년 9월 24일 강원도 평창에서 발생한 ESS 화재사고를 검토해보면, 화재 발생 전 2019년 3월 셀 전압 편차 경고 알림(제조사의 고장진단 조건: 0.3V 이상 시 경고/0.5V 이상 시 고장) 및 2019년 6월 24일 방전 하한전압 고장 알림(제조사의 고장진단 조건 : 2.7V 이하 시 고장) 이후, 2019년 9월 24일 저전압, 고온, 전압 불균형과 함께 화재가 발생한 것을 보아, 제조사에서 설정한 고장진단 조건을 활용한다면 고장에 대한 예측을 통해 화재 발생 전 유지보수가 가능할 것으로 사료된다(4). 따라서 본 연구에서는 제조사에서 설정한 고장 조건에 따라 실증 데이터를 분석하고, 고장을 예측할 수 있는 항목을 선정하여 예측 유지보수에 활용해보고자 한다.

3.1 ESS 예측 유지보수를 위한 실증 데이터 분석

실증 ESS는 BMS에서 배터리 고장 진단을 수행하고 있다. 표 4와 같이 온도 이상, 전압 이상, 전류 이상, 통신 이상, SOC 이상과 같은 고장현상을 제조사에서 설정한 고장 기준에 따라 경고(Warning) 및 고장(Fault) 알림을 보내도록 설정 되어있다. 전압 진단 방법 중 DVW(Deviation Voltage Warning)와 DTF(Deviation Voltage Fault)의 경우에는 셀 전압이 3.7V 이상일 때 모듈 별 셀 전압이 가장 큰 값과 셀 전압이 가장 낮은 값의 차가 0.3V 이상이면 배터리 고장을 경고하고, 0.5V 이상이면 배터리 고장으로 분류한다. 이 고장 진단 방법은 고장이 발생하기 전에 경고를 알리기 때문에 사고에 대비하여 설비 보전을 수행할 수 있으므로 예방 유지보수라고 할 수 있지만, 만약 경고 이후 고장이 발생하기 전까지 ESS를 더 운영할 수 있음에도 불구하고 설비를 수리한다면 불필요한 점검 및 수리비용이 발생하게 되므로, ESS를 점검할 적절한 시기를 예측해 볼 필요가 있다.

표 4. BMS 고장 종류

Table 4. Fault type of BMS

Fault

Type

Explain

Temperature

DTW(Deviation Temperature Warning)

Tray temperature difference 8℃ over

DTF(Deviation Temperature Fault)

Tray temperature difference 10℃ over

OTW(Over Temperature Warning)

Module temperature 53℃ over

OTF(Over Temperature Fault)

Module temperature 58℃ over

UTW(Under Temperature Warning)

Module temperature 10℃ under

UTF(Under Temperature Fault)

Module temperature -10℃ under

Voltage

DVW(Deviation Voltage Warning)

Battery cell voltage deviation 0.3V over

DVF(Deviation Voltage Fault)

Battery cell voltage deviation 0.5V over

OVW(Over Voltage Warning)

Highest cell voltage 4.24V over

OVF(Over Voltage Fault)

Highest cell voltage 4.3V over

UVW(Under Voltage Warning)

Lowest cell voltage 2.7V under

UVF(Under Voltage Fault)

Lowest cell voltage 2.4V under

Current

OCCW(Over Charge Current Warning)

Rack charging current 196A over

OCCF(Over Charge Current Fault)

Rack charging current 217.8A over

ODCW(Over Discharge Current Warning)

Rack discharging current 196A over

ODCF(Over Discharge Current Fault)

Rack discharging current 217.8A over

OCPW(Over Charge Power Warning)

Rack/Bank charging power for 10 Seconds 110% over

OCPF(Over Charge Power Fault)

Rack/Bank charging power for 20 Seconds 120% over

ODPW(Over Discharge Power Warning)

Rack/Bank discharging power for 10 Seconds 110% over

ODPF(Over Discharge Power Fault)

Rack/Bank discharging power for 20 Seconds 120% over

Communication

PCS-BSC Com LOC

Communication failure between PCS and BSC for more than 20 seconds

BSC-RBMS Com LOC

Communication failure between BSC and RBMS for more than 10 seconds

RBMS-MBMS Com LOC

Communication failure between RBMS and MBMS for more than 3 seconds

SOC

High SOC

Charging rate exceeds normal range (100%)

Low SOC

Charging rate below normal range (0%)

ESS 고장 시점 예측을 위해 보유 데이터 항목을 기반으로 제조사에서 설정한 고장 종류 및 고장 기준을 활용하여 모듈 온도(OTW, OTF, UTW, UTF), 셀 전압(DVW, DVF, OVW, OVF, UVW, UVF), 랙 전류(OCCW, OCCF, ODCW, ODCF), SOC(High SOC, Low SOC) 데이터를 분석해 보았다. 데이터 분석 시 운영 중단 기간인 2019년 1월 18일부터 2019년 11월 4일까지는 제외하였으며, 셀 전압의 경우에는 표 5와 같이 데이터 보유 기간 중 계절별로 데이터를 선정하여 분석하였다.

표 5. 데이터 분석 기간

Table 5. Analysis period of empirical data for ESS predictive maintenance

Module Temperature, Rack Current, SOC

Cell Voltage

Analysis Period

Analysis Period

Season

1/30/2018~1/17/2019

1/30/2018~2/12/2018

Winter 2018

4/23/2018~5/6/2018

Spring 2018

8/6/2018~8/19/2018

Summer 2018

10/28/2018~11/10/2018

Fall 2018

12/30/2018~1/12/2019

Winter1 2019

11/5/2019~3/14/2021

12/1/2019~12/14/2019

Winter2 2019

3/1/2020~3/14/2020

Spring 2020

5/1/2020~5/14/2020

Summer1 2020

8/2/2020~8/15/2020

Summer2 2020

10/5/2020~10/18/2020

Fall 2020

먼저, 운영 기간 동안의 모듈 온도는 그림 3과 같다. (a) 그림의 경우, 파란색 원은 1번 랙을 구성하는 모든 모듈(17개)의 평균 온도를 의미하며, 주황색 원은 전체 랙(4개)에 존재하는 모든 모듈(4개*17개=68개)의 평균 온도이다. 1번 랙들에 존재하는 모든 모듈의 평균 온도(파란색 원)는 전체 랙을 구성하는 모든 모듈의 평균 온도(주황색 원)와 거의 유사함을 볼 수 있다. (b) 그림의 경우, 파란색 원은 1번 랙을 구성하는 모듈 중 최대 온도 값을 의미하며, 주황색 원은 1번 랙을 구성하는 모듈 중 최소 온도 값을 뜻한다. 모듈 온도는 최대 53℃ 이상과 최소 10℃ 미만일 경우 각각 OTW(Over Temperature Warning)와 UTW(Under Temperature Warning) 경고 알림을 발생하는데, 운영 기간 동안 배터리를 구성하는 모든 모듈의 온도는 경고 알림 기준을 벗어나지 않았다. 이는 BMS의 냉각제를 통해 10℃~30℃ 범위 내로 모듈 온도가 유지되고 있음을 의미한다.

그림. 3. 운영기간 동안의 모듈 온도

Fig. 3. Module temperature during operation period

../../Resources/kiee/KIEE.2021.70.11.1677/fig3.png

운영 기간 동안의 셀 전압은 그림 4, 그림 5(a~d)와 같이 나타난다. 그림 4는 1번 랙을 구성하는 모든 셀 전압 중 가장 높은 셀 전압(파란색 원), 가장 낮은 셀 전압(주황색 원)을 보여주는데, 가장 높은 셀 전압이 OVW(Over Voltage Warning) 기준인 4.24V를 초과하지 않았으며, 가장 낮은 셀 전압이 UVW(Under Voltage Warning) 기준인 2.7V 미만이 되지 않음을 알 수 있다.

그림. 4. 운영 기간 동안의 셀 전압

Fig. 4. Cell voltage during operation period

../../Resources/kiee/KIEE.2021.70.11.1677/fig4.png

그림 4를 상세히 보면 그림 5와 같다. 그림 5(a~d)는 시간에 따른 최대 전압과 최소 전압의 편차를 보여주며, (a) 그림은 운영 초기인 2018년 1월, (b) 그림은 ESS 운영 중단 직전인 2019년 1월, (c) 그림은 ESS 운영 재시작 시점인 2019년 12월, (d) 그림은 운영 후기(보유 데이터 마지막 시점)인 2020년 10월의 하루이다. (a)~(d) 그림 모두 동일 스케줄로, 오전에 ESS를 충전하고 9시부터 휴지를 수행하여 10시부터 방전을 수행하고 있으며, 충ㆍ방전량은 해당 일의 최적 운전계획에 따라 다르지만, 시간이 지남에 따라 최대 전압과 최소 전압의 차이가 증가하는 경향을 볼 수 있다. 특히 충전 이후 휴지구간을 살펴보면, 셀 밸런싱을 통해 셀의 내부 전압을 균일하게 맞출 수 있는 구간임에도 불구하고 셀 전압 불균형이 나타나는 것을 볼 수 있다. 이는 배터리 열화로 인해 발생하는 현상으로(11), 셀 전압 불균형이 더욱 심화되어 셀 전압 차 경고 및 고장인 DVW(Deviation Voltage Warning)와 DVF(Deviation Voltage Fault)가 발생하게 된다면, 화재 및 폭발사고까지 발생할 수 있으므로, 고장 알림 발생 이전에 고장 발생 일을 추정해 볼 필요성이 있다.

그림. 5. 시간에 따른 최대 셀 전압 및 최소 셀 전압

Fig. 5. Maximum cell voltage and minimum cell voltage over time

../../Resources/kiee/KIEE.2021.70.11.1677/fig5_1.png

../../Resources/kiee/KIEE.2021.70.11.1677/fig5_2.png

랙 전류의 경우에는 그림 6과 같다. 그림의 파란색 원은 1번 랙의 전류이며, 주황색 원은 모든 랙의 평균 전류를 의미하고, 양수인 구간은 충전 전류, 음수인 구간은 방전 전류를 의미한다. 랙 전류는 ESS 최적 운전계획에 따라 변동하였지만, 전류 이상 항목인 OCCW(Over Charge Current Warning)와 ODCW(Over Discharge Current Warning) 기준인 ±196A를 초과하지 않음을 볼 수 있다.

그림. 6. ESS 전류

Fig. 6. ESS current during operation period

../../Resources/kiee/KIEE.2021.70.11.1677/fig6.png

SOC의 경우에는 그림 2와 같다. 전류와 마찬가지로 ESS 정부 지침 및 제조사의 권장 범위에 따라 최적 운전 계획을 수립하고 그에 따라 운전하고 있으므로, High SOC와 Low SOC 기준인 정상범위(100%-0%)를 벗어나지 않는다.

네 종류의 데이터를 분석한 결과, 모듈 온도, 셀 전압, 랙 전류, 배터리 SOC는 ESS 운전계획에 따라 제어가 수행되고 있으나, 셀 전압 편차의 경우에는 ESS 제어와 상관없이 편차가 증가하는 현상을 보였다. ESS 운영을 수행함에 따라 배터리가 열화되어 셀 전압 편차가 더욱 증가한다면, 향후에는 고장 및 화재까지 발생할 수 있을 것으로 예상되며, 셀 전압편차 모델링을 통해 고장발생 시점을 예측한다면 ESS 예측 유지보수가 가능할 것으로 생각된다.

3.2 실증 전압 데이터를 활용한 ESS 예측 유지보수

본 절에서는 ESS 예측 유지보수를 위해 실증 전압 데이터를 활용하여 고장 발생 시점을 추정해보고자 한다. 먼저, 배터리 셀 전압 차로 ESS 고장을 판단하는 DVW(Deviation Voltage Warning)와 DTF(Deviation Voltage Fault)의 기준에 따라, 셀 전압이 3.7V 이상일 때 1번 랙을 대상으로 전체 셀 중 최대 전압 값과 최소 전압 값의 편차를 계산해보았다. 그림 7과 같이, 셀 전압 편차는 ESS 전압 고장 기준인 0.5V와 경고 기준인 0.3V에는 도달하지 않았으나, 열화로 인해 시간에 따라 편차가 증가하는 추이를 보이고 있다.

그림. 7. 시간에 따른 셀 전압 편차 변화

Fig. 7. Cell voltage deviation variation over time

../../Resources/kiee/KIEE.2021.70.11.1677/fig7.png

ESS의 고장 발생 시점을 예측하기 위해 학습, 검증, 테스트 데이터를 분류하고, 머신러닝 기법 중 하나인 회귀를 활용하여 학습 데이터를 대상으로 시간에 따른 셀 전압편차를 모델링한 뒤, 검증 데이터로 모델 별 예측 오차를 검토해보았다. 이 때, 학습 데이터는 2018년 1월 30일부터 2020년 3월 14일까지, 검증데이터는 2020년 5월 1일부터 2020년 10월 18일까지, 테스트 데이터는 2020년 10월 19일부터 운영 시작일인 2017년 12월의 10년 뒤인 2027년 12월 31일까지로 분류하였으며, 회귀는 단순선형회귀와 다중선형회귀(2차 다항식, 3차 다항식, 4차 다항식)를 사용하였다.

표 6은 검증 데이터로 셀 전압 편차를 예측하였을 때, 모델 별 예측 오차를 계산한 결과이다. 오차 계산에는 MAPE(Mean Absolute Percentage Error)를 사용하였으며, 2차 다항식($y=0.006345x^{2}+0.01284x+0.02699$)을 사용하였을 때 가장 오차가 낮았음을 볼 수 있다.

표 6. 예측 모델 별 셀 전압 편차 예측 오차

Table 6. Cell voltage deviation prediction error by Forecasting model

Forecasting model

Error(MAPE)

Linear Regression

33.9718%

Quadric Polynomial

26.2800%

Cubic Polynomial

26.3303%

Fourth-order Polynomial

27.2716%

검증데이터의 결과에 따라, 2차 다항식을 셀 전압 편차를 예측하는 배터리 고장 곡선으로 선정하여 테스트 데이터에 대한 셀 전압 편차 변화를 예측해보았다. 이는 그림 8과 같으며, 향후에도 셀 전압 편차 변화가 배터리 고장 곡선과 같이 증가한다면, 셀 전압 편차 경고 발생 시점은 약 2024년 9월 13일 17시 41분, 고장 발생 시점은 2026년 11월 21일 3시 20분으로 추정된다. 예측 결과에 의하면 경고 이후 약 2년 2개월 뒤에 배터리 고장이 발생할 가능성이 높기 때문에, 경고 알림 이후에도 ESS를 조금 더 운영한 뒤 보전에 대한 계획을 수립해도 될 것으로 사료된다. 그렇지만, 해당 결과는 ESS 운영 초기부터 3년간의 데이터를 사용하여 고장 발생 시점을 예측한 결과이기 때문에, 더 많은 운영 데이터를 사용하여 주기적으로 배터리 고장 곡선을 수정할 필요가 있으며, 수정된 결과에 따라 고장 발생 이전에 설비 보전에 대한 장기 계획을 수립하고 화재와 같은 사고에 대처 방안을 마련한다면, ESS를 안전하고 효율적으로 사용할 수 있을 것으로 사료된다.

그림. 8. ESS 경고 및 고장 발생 시점 예측

Fig. 8. Warning and fault prediction for ESS predictive maintenance

../../Resources/kiee/KIEE.2021.70.11.1677/fig8.png

4. 결 론

ESS는 높은 에너지 밀도 및 빠른 응답 특성으로 재생에너지 보조, DR 등 다양한 분야에서 활용되고 있으나, 화재 및 폭발사고와 같은 문제로 인해 안전하고 경제적인 ESS 운영 및 관리의 중요성이 커지고 있다. 이를 위해 지속적으로 계측된 데이터를 통해 고장 발생 시점을 예측하고 고장 이전에 설비를 보전하는 예측 유지보수 기술이 대두되고 있으며, 실증 데이터를 이용하여 용도 및 목적에 따라 충ㆍ방전 스케줄이 일정하지 않은 ESS의 운전 특성을 고려한 예측 유지보수 기술 개발이 필요하다.

본 논문에서는 ESS 예측 유지보수를 위해 실증 데이터를 사용하여 셀 전압, 모듈 온도, 랙 SOC, 랙 전류의 특성을 검토하였다. 전압, 온도, SOC, 전류는 ESS에서 수행하고 있는 최적 제어에 따라 변화하고 있으나, 셀 전압 편차의 경우에는 ESS의 제어와 상관없이 그 편차가 증가하는 특성을 보였다. 또, 이 특성을 활용하여 셀 전압 편차 변화를 모델링하고 제조사의 고장 기준에 따라 ESS 고장 발생 시점을 추정해보았다. 머신러닝 중 회귀를 사용하여 셀 전압 편차 변화를 예측한 결과, 2차 다항식을 사용하였을 때 가장 정확도가 높았으며, ESS 고장 발생 시점 추정 결과에 따라 운영자가 ESS 유지보수에 대한 계획을 수립하고 화재 발생에 대한 대안을 마련한다면, ESS를 더욱 안전하고 경제적으로 사용할 수 있을 것으로 판단된다.

향후에는 더 많은 셀 전압 데이터를 사용하여 배터리 고장 곡선을 주기적으로 수정하고, 실증 ESS의 고장 발생 시 해당 기술을 검증하고자 하며, 온도, 전압, 전류, SOC 등과 같은 더 많은 운영 데이터들을 각 조건에 따라 분류하여 특성을 분석해보고 예측 유지보수에 활용해보고자 한다.

Acknowledgements

This research was supported by Korea Electrotechnology Research Institute(KERI) primary research program through the National Research Council of Science & Technology(NST) funded by the Ministry of Science and ICT (MSIT), Republic of Korea (No. 21A01074).

References

1 
Eui-Pyeong Lee, 2019, Analysis of Car Fire Cases Related to a Lithium Battery and Cause Investigation Technique, Korean Institute of Fire Science & EngineeringDOI
2 
Public-Private Joint ESS Fire Accident Cause Investigation Committee, 2019, Result of ESS fire accident cause investigationGoogle Search
3 
Man-Gun Kim, 2020, ESS Principles and Prevention Measures for Fire Statistics Analysis, The Korean Institute of Electrical Engineers ConferenceGoogle Search
4 
ESS Fire Accident Investigation Team, 2020, ESS Fire Accident Investigation Results ReportGoogle Search
5 
M. Gomez-Parra, P. Muñoz-Condes, C. Sancho, 2009, Implementation of a New Predictive Maintenance Methodology for batteries. Application to Railway Operations, IEEE Vehicle Power and Propulsion ConferenceDOI
6 
Fioravanti Richard, Kumar Kiran, Nakata Shinobu, 2020, Predictive- Maintenance Practices: For Operational Safety of Battery Energy Storage Systems, IEEE Power and Energy MagazineDOI
7 
Yohwan Choi, 2017, Prognostics and Health Management for Battery Remaining Useful Life Prediction Based on Electrochemistry Model: A Tutorial, The Journal of Korean Institute of Communications and Information SciencesDOI
8 
Saikrishna Goud J, Kalpana R, Singh Bhim, 2018, Modeling and Estimation of Remaining Useful Life of Single Cell Li-Ion battery, 2018 IEEE International Conference on Power ElectronicsDOI
9 
Chang-O Yoon, Jonghoon Kim, 2017, Lifetime Prediction and Internal Parameter Analysis of Lithium-Ion Cell for Spacecraft Application, Journal of advanced engineering and technologyGoogle Search
10 
Sanguk Kwon, Dongho Han, Jonghoon Kim, 2019, Long Short Term Memory-Based State-of-Health Prediction Algorithm of a Rechargeable Lithium-Ion Battery for Electric Vehicle, The Transactions of The Korean Institute of Electrical EngineersGoogle Search
11 
Sanguk Kwon, Dongho Han, Seongjun Lee, 2019, Voltage Deviation Analysis for Battery Pack Aging, Power Electronics Annual ConferenceGoogle Search

저자소개

이예림(Ye-Rim Lee)
../../Resources/kiee/KIEE.2021.70.11.1677/au1.png

She received her B.S. degrees in department of electrical engineering from Sang-myung University, South Korea in 2019.

Currently, She is a Researcher at Digital Energy System Research Center, Korea Electrotechnology Research Institute.

조경희(Kyeong-Hee Cho)
../../Resources/kiee/KIEE.2021.70.11.1677/au2.png

She received the M.S. degree from the Gyeong-sang National University, South Korea in 2012.

She is currently pursuing the Ph.D. degree in department of electrical engineering from Pusan National University, South Korea.

She is currently a Researcher at Digital Energy System Research Center, Korea Electrotechnology Research Institute.

변길성(Gil-Sung Byeon)
../../Resources/kiee/KIEE.2021.70.11.1677/au3.png

He received the B.S. and M.S. degree in department of electrical engineering form the Korea National University, South Korea in 2006, 2013.

He is currently a Senior Researcher at Digital Energy System Research Center, Korea Electrotechnology Research Institute.

김종율(Jong-Yul Kim)
../../Resources/kiee/KIEE.2021.70.11.1677/au4.png

He received the B.S. and M.S. degree in department of electrical engineering form the Pusan National University, South Korea in 2006, 2013.

He is currently a Director and Principal Researcher at Digital Energy System Research Center, Korea Electrotechnology Research Institute.