JP7269437B2 - 電気車充電ステーションを用いたバッテリー性能管理システム及び方法 - Google Patents

Description

本発明は、バッテリー性能管理システム及び方法に関し、より詳しくは、電気車充電ステーションで電気車の充電が行われる間に遠隔サーバーがバッテリー性能評価情報を収集してデータベースに保存し、ビックデータを用いて学習された人工知能モデルを用いてバッテリーの退化度（Ｓｔａｔｅ Ｏｆ Ｈｅａｌｔｈ：ＳＯＨ）を決定し、バッテリーの充放電制御に使用される制御ファクターを更新可能なシステム及びその方法に関する。

本出願は、２０２０年３月２４日出願の韓国特許出願第１０－２０２０－００３５８９２号及び２０２１年３月２３日出願の韓国特許出願第１０－２０２１－００３７６２５号に基づく優先権を主張し、該当出願の明細書及び図面に開示された内容は、すべて本出願に組み込まれる。

バッテリーは、携帯電話、ラップトップコンピューター、スマートフォン、スマートパッドなどのモバイルデバイスのみならず、電気で駆動される自動車（ＥＶ，ＨＥＶ，ＰＨＥＶ）や大容量電力貯蔵装置（ＥＳＳ）などの分野にまでその用途が急速に拡散しつつある。

電気車のバッテリーは、運転者の運転習慣や運行環境によって性能の退化速度が変わる。一例で、急加速が頻繁であるか、または山岳地域で運行する電気車または砂漠地域や寒冷地域で運行する電気車のバッテリーは、退化速度が相対的に速い。

バッテリー性能の退化度は、ＳＯＨというファクターとして定量化し得る。ＳＯＨとは、ＢＯＬ（Ｂｅｇｉｎｎｉｎｇ Ｏｆ Ｌｉｆｅ）状態にあるバッテリーの性能を基準でＭＯＬ状態（Ｍｉｄｄｌｅ Ｏｆ Ｌｉｆｅ）にあるバッテリーの性能を相対的な割合として示した数値である。

バッテリーの性能を示す指標としては、バッテリーの容量、内部抵抗などが用いられる。バッテリーの充放電サイクルが増加するほどバッテリーの容量は減少し、内部抵抗は増加する。したがって、ＳＯＨは、バッテリーの容量減少率や内部抵抗の増加率によって定量化し得る。

ＢＯＬ状態にあるバッテリーのＳＯＨは１００％に示し、ＭＯＬ状態にあるバッテリーのＳＯＨは１００％より低いパーセントで示す。もし、ＳＯＨが一定水準以下に下がると、バッテリーの性能が限界以上に低下したことを示すので、バッテリーの交替が必要である。

バッテリーは、性能の退化状態に応じて充放電制御ロジッグを相違に設定してこそバッテリーの退化速度を最大限に遅延させて使用寿命を延ばすことができる。このためには、同じモデルの複数のバッテリーの性能変化を中央集中式でモニターし、電気車バッテリーの充放電に使用される各種制御ロジッグのアップデートを効率的に行い得る方案が求められる。

本発明は、上記のような従来技術の背景下に創案されたものであって、電気車充電ステーションで電気車が充電される間に、充電ステーションからバッテリー性能評価情報を累積して収集し、収集されたビックデータに基づいてバッテリーの性能（例えば、退化度）を診断し、診断された性能に応じてバッテリーの充放電制御に使用される制御ファクターのアップデートをプラットフォーム基盤で行うことができるバッテリー性能管理システム及び方法を提供することを目的とする。

上記の課題を達成するための本発明による電気車充電ステーションを用いたバッテリー性能管理システムは、地域に分散して設けられた複数の充電ステーションとネットワークを介して通信可能に連結されたバッテリー性能管理サーバーと、バッテリー性能管理サーバーと連結され、電気車の退化度情報が保存されるデータベースと、を含む。

望ましくは、バッテリー性能管理サーバーは、充電ステーションからバッテリーの識別情報及び動作特性累積情報と、電気車の識別情報及び運行特性累積情報と、バッテリーの最新充電特性情報と、を含むバッテリー性能評価情報を、ネットワークを介して収集してデータベースに保存し、バッテリー性能評価情報を受けてバッテリーの退化度を出力するように予め学習された人工知能モデルを用いて収集されたバッテリー性能評価情報に対応する現在退化度を決定し、データベースを参照して、現在退化度が直前退化度に比べて基準値以上に増加した場合、バッテリー動作の制御に使われる制御ファクターと退化度との相関関係情報を用いて現在退化度に対応する最新制御ファクターを決定し、充電ステーションが電気車の制御システムに最新制御ファクターを伝達して制御ファクターを更新可能に、最新制御ファクターを、ネットワークを介して充電ステーションへ伝送するように構成され得る。

一面によると、バッテリーの動作特性累積情報は、電圧区間別の累積動作時間、電流区間別の累積動作時間及び温度区間別の累積動作時間を含む群より選択された少なくとも一つを含み得る。

他面によると、電気車の運行特性累積情報は、速度区間別の累積運行時間、運行地域別の累積運行時間及び湿度区間別の累積運行時間を含む群より選択された少なくとも一つを含み得る。

さらに他面によると、最新充電特性情報は、複数の時点で測定または予測されたバッテリーの充電状態、電圧、電流及び温度データを含む群より選択された少なくとも一つを含み得る。

望ましくは、バッテリー性能管理サーバーは、
複数の電気車充電ステーションからバッテリー性能評価情報が受信される度に、最新充電特性情報がバッテリーの現在退化度を決定できるほどのデータを含んでいると判断されると、最新充電特性情報からバッテリーの現在退化度を決定し、バッテリーの動作特性累積情報、電気車の運行特性累積情報及び最新充電特性情報を人工知能モデルの学習入力データとしてデータベースに保存し、バッテリーの現在退化度を人工知能モデルの学習出力データとしてデータベースに保存するように構成され得る。

望ましくは、バッテリー性能管理サーバーは、データベースに基準値以上の学習入力データ及び学習出力データが累積保存される度に人工知能モデルを反復的に学習させ得る。

一面によると、バッテリー性能管理サーバーは、バッテリーの識別情報及び／または電気車の識別情報及び／または電気車の運行地域とマッチングして学習入力データ及び学習出力データをデータベースに保存し、基準値以上の学習入力データ及び学習出力データがバッテリーの識別情報及び／または電気車の識別情報及び／または電気車の運行地域とマッチングされて累積保存される度に、バッテリーの識別情報及び／または電気車の識別情報及び／または電気車の運行地域に対応するように人工知能モデルを反復的に学習させ得る。

他面によると、バッテリー性能管理サーバーは、バッテリー性能評価情報を分析してバッテリーの識別情報及び／または電気車の識別情報及び／または電気車の運行地域に対応するように学習された人工知能モデルを用いてバッテリーの退化度を決定するように構成され得る。

本発明において、バッテリー性能管理サーバーは、ネットワークを介してバッテリーデータ提供サーバーからバッテリーに対する各充放電サイクルが行われる度に測定された動作特性累積情報及び最新充電特性情報を含むサイクル別の性能評価情報と、サイクル別の退化度と、を受信してデータベースに保存し得る。

この場合、バッテリー性能管理サーバーは、データベースに保存されたサイクル別の性能評価情報及びサイクル別の退化度を用いて、バッテリーの動作特性累積情報及び最新充電特性情報から退化度を出力するように学習された補助人工知能モデルをさらに含み得る。

望ましくは、バッテリー性能管理サーバーは、人工知能モデルの学習が完了しなかったとき、バッテリー性能評価情報に含まれたバッテリーの動作特性累積情報及び最新充電特性情報を補助人工知能モデルに入力してバッテリーの退化度を決定するように構成され得る。

また、バッテリー性能管理サーバーは、バッテリー性能評価情報に含まれたバッテリーの動作特性累積情報及び最新充電特性情報を補助人工知能モデルに入力してバッテリーの退化度を決定するように構成され、人工知能モデルから決定された退化度（第１値）と補助人工知能モデルから決定された退化度（第２値）との加重平均をバッテリーの退化度として決定するように構成され得る。

望ましくは、バッテリー性能管理サーバーは、人工知能モデルの学習量が増加するほど、加重平均の算出に際して人工知能モデルの退化度に付与されるウェイト（Ｗｅｉｇｈｔ）を増加させるように構成され得る。

一実施例において、人工知能モデルは、人工ニューラルネットワーク（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）であり得る。

本発明において、制御ファクターは、（ｉ）充電状態区間ごとに適用される充電電流の大きさ、充電上限電圧値、放電下限電圧値、最大充電電流、最大放電電流、最小充電電流、最小放電電流、最大温度、最小温度、充電状態別のパワーマップ及び充電状態別の内部抵抗マップより選択された少なくとも一つ、（ｉｉ）パルス電流デューティ比（パルス休止時間に対するパルス維持時間の割合）の上限、パルス電流デューティ比の下限、パルス電流デュレーションの上限、パルス電流デュレーションの下限、パルス電流の最大値及びパルス電流の最小値より選択された少なくとも一つ、または、（ｉｉｉ）定電流充電（ＣＣ）モードにおける電流の大きさ、定電流充電（ＣＣ）モードが終了するカットオフ電圧及び定電圧充電（ＣＶ）モードにおける電圧の大きさより選択された少なくとも一つ、を含み得る。

本発明の他の実施例において、バッテリー性能管理サーバーは、電気車の運行距離及び現在退化度と、電気車識別情報と、を保険会社のサーバーに伝送するように構成され、保険会社サーバーは、電気車の識別情報を参照して該当電気車の保険料を電気車の運行距離及び現在退化度を参照して算出するように構成され得る。

上記の課題を達成するための本発明の他面による電気車充電ステーションを用いたバッテリー性能管理方法は、電気車が充電ステーションで充電される間に、ネットワークを介して充電ステーションからバッテリーの識別情報及び動作特性累積情報と、電気車の識別情報及び運行特性累積情報と、バッテリーの最新充電特性情報と、を含むバッテリー性能評価情報を収集してデータベースに保存する段階と、バッテリー性能評価情報を受けてバッテリーの退化度を出力するように予め学習された人工知能モデルを用いて、収集されたバッテリー性能評価情報に対応する現在退化度を決定する段階と、現在退化度が直前退化度に比べて基準値以上に増加した場合、バッテリー動作の制御に使用される制御ファクターと退化度との相関関係情報を用いて現在退化度に対応する最新制御ファクターを決定する段階と、充電ステーションが電気車の制御システムへ最新制御ファクターを伝達して制御ファクターを更新可能に、最新制御ファクターを、ネットワークを介して充電ステーションに伝送する段階と、を含み得る。

上記技術的課題は、コンピューターデバイスによっても達成できる。コンピューターデバイスは、複数のプロセッサ実行命令を保存している非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）メモリデバイスと、複数のプロセッサ実行命令を実行するように構成されたプロセッサとを含み得る。プロセッサは、プロセッサ実行命令を実行することによって、（ａ）ネットワークを介して充電ステーションからバッテリーの識別情報及び動作特性累積情報と、電気車の識別情報及び運行特性累積情報と、バッテリーの最新充電特性情報と、を含むバッテリー性能評価情報を受信し、（ｂ）バッテリー性能評価情報からバッテリーの退化度を出力するように人工知能モデルを学習させ、（ｃ）学習された人工知能モデルを用いて、収集されたバッテリー性能評価情報に対応する現在退化度を決定し、（ｄ）データベースからバッテリーの直前退化度を読み出し、（ｅ）現在退化度が直前退化度に比べて基準値以上に増加した場合、バッテリー動作の制御に用いられる制御ファクターと退化度との相関関係情報を用いて現在退化度に対応する最新制御ファクターを決定し、（ｆ）最新制御ファクターを、ネットワークを介して充電ステーションへ伝送するように構成され得る。

本発明によると、複数の充電ステーションと連携されたビックデータ基盤の人工知能プラットフォームシステムを用いて、電気車の運行履歴とバッテリーの動作履歴によってバッテリーの性能を高い信頼性で評価し、バッテリーの充放電制御に使用される制御ファクターを最適化することができるので、バッテリーの使用寿命を延ばすことができるだけでなく安全性も増大させることができる。

信頼性の高いバッテリーの性能管理サービスを電気車使用者に提供することで、適切な時点でバッテリーの交替を誘導できるだけでなく、バッテリー製造社の信頼性も高めることができる。

電気車使用者の運転性向が反映されたバッテリー性能評価情報をビックデータ基盤のデータベースとして構築することで、自動車保険会社の正確な保険料算定資料として活用することができる。

本明細書に添付される次の図面は、本発明の望ましい実施例を例示するものであり、発明の詳細な説明とともに本発明の技術的な思想をさらに理解させる役割をするため、本発明は図面に記載された事項だけに限定されて解釈されてはならない。

本発明の一実施例による電気車充電ステーションを用いたバッテリー性能管理システムの構成を示したブロックダイヤグラムである。 本発明の一実施例による電気車バッテリーの動作特性累積情報から生成された度数分布データを例示したグラフである。 本発明の一実施例による電気車バッテリーの動作特性累積情報から生成された度数分布データを例示したグラフである。 本発明の一実施例による電気車バッテリーの動作特性累積情報から生成された度数分布データを例示したグラフである。 本発明の一実施例による電気車の運行特性累積情報から生成された度数分布データを例示したグラフである。 本発明の一実施例による電気車の運行特性累積情報から生成された度数分布データを例示したグラフである。 本発明の一実施例による電気車の運行特性累積情報から生成された度数分布データを例示したグラフである。 本発明の一実施例による人工ニューラルネットワークの構造を例示した図である。 本発明の一実施例による補助人工ニューラルネットワークの構造を例示した図である。 本発明の一実施例による電気車充電ステーションを用いたバッテリー性能管理方法に関するフローチャートである。 本発明の一実施例による電気車充電ステーションを用いたバッテリー性能管理方法に関するフローチャートである。

以下、添付された図面を参照して本発明の望ましい実施例を詳しく説明する。これに先立ち、本明細書及び特許請求の範囲に使われた用語や単語は通常的や辞書的な意味に限定して解釈されてはならず、発明者自らは発明を最善の方法で説明するために用語の概念を適切に定義できるという原則に則して本発明の技術的な思想に応ずる意味及び概念で解釈されねばならない。したがって、本明細書に記載された実施例及び図面に示された構成は、本発明のもっとも望ましい一実施例に過ぎず、本発明の技術的な思想のすべてを代弁するものではないため、本出願の時点においてこれらに代替できる多様な均等物及び変形例があり得ることを理解せねばならない。

図１は、本発明の一実施例による電気車充電ステーションを用いたバッテリー性能管理システムの構成を示したブロックダイヤグラムである。

図１を参照すると、本発明の実施例によるバッテリー性能管理システム１０は、複数の充電ステーションＥＶＣ_ｋと、バッテリー性能管理サーバー１１と、を含む。ｋは、図面符号で示された客体が複数であることを示すためのインデックスであって、充電ステーションＥＶＣ_ｋが１０，０００個所に設けられているとしたら、ｋは１～１０，０００である。

望ましくは、充電ステーションＥＶＣ_ｋ及びバッテリー性能管理サーバー１１は、ネットワーク１２を介して相互に通信が可能に連結され得る。

ネットワーク１２は、充電ステーションＥＶＣ_ｋとバッテリー性能管理サーバー１１との通信を支援するものであれば、その種類は制限されない。

ネットワーク１２は、有線ネットワーク、無線ネットワーク、またはこれらの組合せを含む。有線ネットワークは、ＴＣＰ／ＩＰプロトコールを支援する近距離または広域インターネットを含む。無線ネットワークは、基地局基盤の無線通信網、衛星通信網、Ｗｉ－Ｆｉ（登録商標）のような近距離無線通信網またはこれらの組合せを含む。

ネットワーク１２は、一例で、２Ｇ（ｓｅｃｏｎｄ ｇｅｎｅｒａｔｉｏｎ）～５Ｇ（ｆｉｆｔｈ ｇｅｎｅｒａｔｉｏｎ）ネットワーク、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）ネットワーク、ＧＳＭ（登録商標）（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ）ネットワーク、符号分割多重アクセス（Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓｅｓ）ネットワーク、ＥＶＤＯ（Ｅｖｏｌｕｔｉｏｎ－Ｄａｔａ Ｏｐｔｉｍｉｚａｔｉｏｎ）ネットワーク、パブリックランドモバイル（Ｐｕｂｌｉｃ Ｌａｎｄ Ｍｏｂｉｌｅ）ネットワーク及び／または他のネットワークを含み得る。

ネットワーク１２は、他の例で、ローカルエリアネットワーク（ＬＡＮ：Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、無線ＬＡＮネットワーク（ＷＬＡＮ： Ｗｉｒｅｌｅｓｓ Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、広域ネットワーク（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、メトロポリタン・エリア・ネットワーク（ＭＡＮ：Ｍｅｔｒｏｐｏｌｉｔａｎ Ｎｅｔｗｏｒｋ）、公衆交換電話網（ＰＳＴＮ：Ｐｕｂｌｉｃ Ｓｗｉｔｃｈｅｄ Ｔｅｌｅｐｈｏｎｅ Ｎｅｔｗｏｒｋ）、アドホックネットワーク（ａｄ－ｈｏｃ ｎｅｔｗｏｒｋ）、管理ＩＰネットワーク（ｍａｎａｇｅｄ ＩＰ ｎｅｔｗｏｒｋ）、仮想プライベートネットワーク（Ｖｉｒｔｕａｌ Ｐｒｉｖａｔｅ Ｎｅｔｗｏｒｋ）、イントラネット、インターネット、光ファイバ基盤ネットワーク、及び／またはこれらの組合せ、または他のタイプのネットワークを含み得る。

充電ステーションＥＶＣ_ｋは、電気車ＥＶ_ｎのバッテリーＢ_ｎを充電するために国内及び／または海外に設けられた充電デバイスである。ｎは、図面符号で示した客体が複数であることを示すためのインデックスであって、電気車の数が１００万であれば、ｎは１～１００万である。充電ステーションＥＶＣ_ｋは、国内及び／または海外の駐車場、ガソリンスタンド、公共機関、ビル、アパート、マンション、一戸建てなどに設けられ得る。充電ステーションＥＶＣ_ｋは、バッテリー性能管理サーバー１１と通信可能にネットワーク１２とカップルリングされ得る。

望ましくは、電気車ＥＶ_ｎはバッテリーＢ_ｎと制御システム１５を含む。制御システム１５は、コンピューターデバイスであって、バッテリーＢ_ｎの充放電動作を制御し、バッテリーＢ_ｎの充放電時にバッテリーＢ_ｎの電圧、電流及び温度を測定して保存手段１５ａに記録する。また、制御システム１５は、電気車ＥＶ_ｎの運行に関わる機械メカニズム及び／または電子メカニズムの制御動作を行い得る。

保存手段１５ａは、非一時的メモリデバイス（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｍｅｍｏｒｙ ｄｅｖｉｃｅ）であって、データを記録及び／または消去及び／または修正及び／または伝送可能なコンピューター保存媒体である。保存手段１５ａは一例で、フラッシュメモリー（登録商標）、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｉｓｋ）または他のタイプのデータ保存用ハードウェアであり得る。

電気車ＥＶ_ｎの制御システム１５は、バッテリーＢ_ｎが充電または放電される間にバッテリーＢ_ｎの動作特性情報を収集して保存手段１５ａに記録し得る。動作特性情報は、バッテリーＢ_ｎの電圧、電流及び温度より選択された一つ以上を含み得る。制御システム１５は、バッテリーＢ_ｎの動作特性情報をバッテリーＢ_ｎの充電状態ＳＯＣ及び／またはタイムスタンプと共に保存手段１５ａに記録し得る。制御システム１５は、当業界における公知のアンペアカウンティング法、ＯＣＶ法、拡張カルマンフィルターなどを用いてバッテリーＢ_ｎの充電状態を推定し得る。制御システム１５は、バッテリーＢ_ｎの動作特性情報を収集するためにバッテリーＢ_ｎに設けられた電圧センサー、電流センサー及び温度センサーと電気的に結合し得る。

制御システム１５は、電気車ＥＶ_ｎの運行特性情報を保存手段１５ａに記録し得る。運行特性情報は、電気車ＥＶ_ｎの速度、電気車ＥＶ_ｎの運行地域及び湿度からなる群より選択された少なくとも一つを含む。望ましくは、制御システム１５は、電気車ＥＶ_ｎの運行特性情報をタイムスタンプと共に保存手段１５ａに記録し得る。制御システム１５は、運行特性情報の収集及び保存のために、電気車ＥＶ_ｎの速度センサー、ＧＰＳセンサー及び湿度センサーと電気的に結合し得る。

充電ステーションＥＶＣ_ｋは、電気車ＥＶ_ｎの充電ポートを用いて電気車ＥＶ_ｎのバッテリーＢ_ｎを充電し、バッテリーＢ_ｎの充電が行われる間にバッテリー性能評価情報を収集してバッテリー性能管理サーバー１１へ伝送する。また、充電ステーションＥＶＣ_ｋは、バッテリー性能管理サーバー１１からバッテリーＢ_ｎの充放電制御時に使用される多様な制御ファクターを受けて電気車ＥＶ_ｎの制御システム１５へ伝達し得る。そうすると、電気車ＥＶ_ｎの制御システム１５は、バッテリーＢ_ｎの充放電制御に使用される制御ファクターを更新し得る。これについては、後述する。

望ましくは、バッテリー性能管理システム１０は、バッテリー性能管理サーバー１１と接続した大容量のデータベース１６を含み得る。

一面によると、バッテリー性能管理サーバー１１は、電気車ＥＶ_ｎが充電ステーションＥＶＣ_ｋで充電される間、ネットワーク１２を介して充電ステーションＥＶＣ_ｋから、電気車ＥＶ_ｎの運行特性累積情報と、バッテリーＢ_ｎの動作特性累積情報と、最新充電特性情報と、を含むバッテリー性能評価情報を収集して、データベース１６の性能評価情報保存部１６ａに保存し得る。

望ましくは、バッテリーＢ_ｎの動作特性累積情報は、電圧区間別の累積動作時間と、電流区間別の累積動作時間と、温度区間別の累積動作時間と、を含む群より選択された少なくとも一つを含み得る。

望ましくは、電気車ＥＶ_ｎの運行特性累積情報は、速度区間別の累積運行時間と、運行地域別の累積運行時間と、湿度区間別の累積運行時間と、を含む群より選択された少なくとも一つを含み得る。

望ましくは、最新充電特性情報は、バッテリーＢ_ｎが充電される間に測定または予測されたバッテリーＢ_ｎの動作特性情報であって、複数の時点で測定または予測されたバッテリーの充電状態、電圧、電流及び温度を含む群より選択された少なくとも一つを含み得る。

充電ステーションＥＶＣ_ｋは、電気車ＥＶ_ｎの充電が行われる間、電気車ＥＶ_ｎの制御システム１５と通信を行って情報及び／またはデータを交換し得る。一例で、通信は、充電ケーブルに含まれたデータ通信ラインによって行われる。または、通信は、充電ステーションＥＶＣ_ｋと電気車ＥＶ_ｎの相互間の無線通信によって行われる。このために、充電ステーションＥＶＣ_ｋと電気車ＥＶ_ｎは、近距離無線通信デバイスを含み得る。

充電ステーションＥＶＣ_ｋは、電気車ＥＶ_ｎから収集された情報及び／またはデータを、ネットワーク１２を介して予め定義された通信プロトコールによってバッテリー性能管理サーバー１１に伝送し得る。

バッテリー性能管理サーバー１１は、電気車ＥＶ_ｎが充電ステーションＥＶＣ_ｋで充電される間、充電ステーションＥＶＣ_ｋから、電気車ＥＶ_ｎの識別情報及びバッテリーＢ_ｎの識別情報と、バッテリーＢ_ｎの動作特性累積情報、電気車ＥＶ_ｎの運行特性累積情報及び最新充電特性情報を含むバッテリー性能評価情報と、を受けて、データベース１６の性能評価情報保存部１６ａに保存し得る。

ここで、電気車ＥＶ_ｎの識別情報は自動車モデルコードであり得、バッテリーＢ_ｎの識別情報はバッテリーＢ_ｎのモデルコードであり得る。

望ましくは、充電ステーションＥＶＣ_ｋは、電気車ＥＶ_ｎの識別情報及びバッテリーＢ_ｎの識別情報と、バッテリーＢ_ｎの動作特性累積情報、電気車ＥＶ_ｎの運行特性累積情報及び最新充電特性情報を含むバッテリー性能評価情報と、を電気車ＥＶ_ｎの充電が行われる間に電気車ＥＶ_ｎの制御システム１５から受信し得、受信された情報及び／またはデータを、ネットワーク１２を介してバッテリー性能管理サーバー１１に伝送し得る。

一面によると、バッテリー性能管理サーバー１１は、充電ステーションＥＶＣ_ｋから伝送された電気車ＥＶ_ｎの動作特性累積情報を分析して動作特性毎に度数分布データを生成した後、電気車ＥＶ_ｎの識別情報及び／またはバッテリーＢ_ｎの識別情報とマッチングしてデータベース１６の学習データ保存部１６ｂに記録し得る。

一面によると、動作特性累積情報に関わる度数分布データにおいて変量（ｖａｒｉａｂｌｅ）は、電圧、電流または温度であり、度数（ｆｒｅｑｕｅｎｃｙ）は各変量におけるバッテリーＢ_ｎの累積動作時間であり得る。

図２は、バッテリーＢ_ｎの動作特性累積情報のうち電圧に関わる度数分布データの一例を示したグラフであり、図３は、バッテリーＢ_ｎの動作特性累積情報のうち電流に関わる度数分布データの一例を示したグラフであり、図４は、バッテリーＢ_ｎの動作特性累積情報のうち温度に関わる度数分布データの一例を示したグラフである。

図２～図４を参照すると、度数分布データは、電気車ＥＶ_ｎが運行する間、電圧区間別のバッテリーＢ_ｎの累積動作時間、電流区間別のバッテリーＢ_ｎの累積動作時間及び温度区間別のバッテリーＢ_ｎの累積動作時間情報を提供し得る。度数分布データは、電気車ＥＶ_ｎの運行履歴を示し、バッテリー性能管理サーバー１１が人工知能モデルを学習させるのに使用され得る。これについては、後述する。

他の面によると、バッテリー性能管理サーバー１１は、充電ステーションＥＶＣ_ｋから伝送された電気車ＥＶ_ｎの運行特性累積情報を分析して運行特性毎に度数分布データを生成した後、電気車ＥＶ_ｎの識別情報及び／またはバッテリーＢ_ｎの識別情報とマッチングしてデータベース１６の学習データ保存部１６ｂに記録し得る。

運行特性に対する度数分布データにおいて、変量（ｖａｒｉａｂｌｅ）とは、電気車ＥＶ_ｎの速度、電気車ＥＶ_ｎの運行地域または電気車ＥＶ_ｎが運行される地域の湿度であり、度数（ｆｒｅｑｕｅｎｃｙ）は、各変量における電気車ＥＶ_ｎの累積運行時間であり得る。

図５は、電気車ＥＶ_ｎの運行特性累積情報のうち速度に関わる度数分布データの一例を示したグラフであり、図６は、電気車ＥＶ_ｎの運行特性累積情報のうち電気車ＥＶ_ｎの運行地域に関わる度数分布データの一例を示したグラフであり、図７は、電気車ＥＶ_ｎの運行特性累積情報のうち電気車ＥＶ_ｎが運行する地域の湿度に関わる度数分布データの一例を示したグラフである。

図５～図７を参照すると、度数分布データは、電気車ＥＶ_ｎが運行する間、電気車ＥＶ_ｎの速度区間別の累積運行時間、運行地域別の累積運行時間及び湿度区間別の累積運行時間に関わる情報を提供し得る。地域は、国内及び／または海外の行政区域であり得る。一例で、地域は、都市であり得るが、これに限定されない。度数分布データは、バッテリー性能管理サーバー１１が人工知能モデルを学習させるのに使用され得る。これについては、後述する。

さらに他面によると、バッテリー性能管理サーバー１１は、充電ステーションＥＶＣ_ｋから伝送された電気車ＥＶ_ｎの最新充電特性情報をデータベース１６の性能評価情報保存部１６ａに記録し得る。

望ましくは、最新充電特性情報は、電気車ＥＶ_ｎのバッテリーＢ_ｎが充電ステーションＥＶＣ_ｋで充電される間に複数の時点で測定または予測されたＳＯＣ、電圧、電流及び温度を含む群より選択された少なくとも一つの動作特性データを含む。

各測定時点で測定された動作特性データは、４次元ベクトルである、ＳＯＣ_ｋ、Ｉ_ｋ、Ｖ_ｋ、Ｔ_ｋで示し得る。ｋは、動作特性の測定時点に関わるインデックスである。測定回数がｎ回であれば、ｋは、自然数として１～ｎであり、最新充電特性情報に含まれるデータの数は、ｎである。

バッテリー性能管理サーバー１１は、所定の条件が満たされるとき、最新充電特性情報に含まれた動作特性データを用いてバッテリーＢ_ｎの退化度を決定し、退化度を電気車ＥＶ_ｎの識別情報及び／またはバッテリーＢ_ｎの識別情報と共にデータベース１６の学習データ保存部１６ｂに記録し得る。

一例で、バッテリー性能管理サーバー１１は、最新充電特性情報が予め設定された退化度の推定電圧区間で収集されたかを判断する。このために、バッテリー性能管理サーバー１１は、最新充電特性情報に含まれた電圧データＶ_ｋの分布を検査し得る。バッテリー性能管理サーバー１１は、この判断の結果が「はい」であると、退化度推定電圧区間で測定された電流データを積算して充電容量変化量を決定し、基準充電容量変化量に対する充電容量変化量の割合を退化度として決定し得る。基準充電容量変化量は、ＢＯＬ状態にあるバッテリーＢ_ｎが退化度推定電圧区間で充電される間に示す充電容量変化量であって、基準充電容量変化量は、バッテリーＢ_ｎのモデル毎にデータベース１６のパラメーター保存部１６ｃに予め記録され得る。

他の例で、バッテリー性能管理サーバー１１は、最新充電特性情報を分析して予め設定された退化度推定電圧区間内でバッテリーＢ_ｎが充電されており、可変充電電流条件下で複数の電圧データが測定されたかを判断する。このために、バッテリー性能管理サーバー１１は、最新充電特性情報に含まれた電圧データ Ｖ_ｋと電流データＩ_ｋの分布を検査し得る。バッテリー性能管理サーバー１１は、この判断の結果が「はい」であれば、最新充電特性情報のうち予め設定された退化度推定電圧区間内で測定された複数の電流及び電圧データに対して線形回帰分析を施して｜ｄＶ／ｄＩ｜の平均値をバッテリーＢ_ｎの内部抵抗値として決定し、内部抵抗値に対する基準内部抵抗値の割合をバッテリーＢ_ｎの退化度として決定し得る。本実施例で、充電ステーションＥＶＣ_ｋは、バッテリーＢ_ｎが予め設定された退化度推定電圧区間内で充電される間に、交流充電電流及び／または振幅が異なる充電パルスをバッテリーＢ_ｎに印加し得る。そうすると、可変充電電流条件下で、複数の電圧データが測定され得る。基準内部抵抗値は、ＢＯＬ状態にあるバッテリーＢ_ｎの内部抵抗値であり、基準内部抵抗値は、バッテリーモデルＢ_ｎ毎にデータベース１６のパラメーター保存部１６ｃに予め記録され得る。

バッテリー性能管理サーバー１１は、人工知能モデルを用いて充電ステーションＥＶＣ_ｋから伝送されたバッテリーＢ_ｎの動作特性累積情報、電気車ＥＶ_ｎの運行特性累積情報及び最新充電特性情報を含むバッテリー性能評価情報からバッテリーＢ_ｎの退化度を決定し得る。

本発明において、最新充電特性情報から計算される退化度は、人工知能モデルを学習させるのに使用されるビックデータの一部を構成する。したがって、本発明の技術的課題を達成するための退化度の決定は、実質的にビックデータに基づいて学習された人工知能モデルによって決定される。

その理由は、最新充電特性情報から計算される退化度は、所定の条件が足される場合のみに決定可能であるという制限があり、バッテリーＢ_ｎの過去使用履歴が十分に考慮されていないため、ビックデータに基づいて学習された人工知能モデルによって決定される退化度の方が正確度及び信頼性がさらに高いためである。

望ましくは、人工知能モデルは、プログラム言語でコーディングされたソフトウェアアルゴリズムであって、人工ニューラルネットワークであり得る。しかし、本発明はこれに限定されない。

図８は、本発明の一実施例による人工ニューラルネットワーク１００の構造を示した図である。

図８を参照すると、人工ニューラルネットワーク１００は、入力層１０１、複数の隠れ層１０２及び出力層１０３を含む。入力層１０１、複数の隠れ層１０２及び出力層１０３は、複数のノードを含む。

バッテリー性能管理サーバー１１は、人工ニューラルネットワーク１００を学習するとき、または人工ニューラルネットワーク１００を用いてバッテリーＢ_ｎの退化度を決定するとき、入力層１０１に充電ステーションＥＶＣ_ｋから収集されたバッテリーＢ_ｎの動作特性累積情報から生成された度数分布データ、電気車ＥＶ_ｎの運行特性累積情報から生成された度数分布データ及び最新充電特性情報に含まれたデータを入力し得る。

入力層１０１のノードに入力（割当）される動作特性累積情報は、電圧区間別の第１累積時間値及び／または電流区間別の第２累積時間値及び／または温度区間別の第３累積時間値を含み得る。第１～第３累積時間値は、バッテリーＢｎの保証寿命に対応する全体使用可能時間を基準にした割合であって、正規化（ｎｏｒｍａｌｉｚａｔｉｏｎ）することが望ましい。一例で、特定の電圧区間における累積時間値が１，０００時間であり、全体の使用可能時間が２０，０００時間であれば、正規化した累積時間値は１／２０（０．０５）である。

第１累積時間値の個数は電圧区間の数に対応し、第２累積時間値の個数は電流区間の数に対応し、第３累積時間値の個数は、温度区間の数に対応し得る。例えば、電圧区間の数が５個、電流区間の数が９個、温度区間の数が１０個であれば、第１～第３累積時間値の数は各々、５個、９個及び１０個である。

望ましくは、入力層１０１は、第１累積時間値の数及び／または第２累積時間値の数及び／または第３累積時間値の数に対応する数のノードを含み得る。

入力層１０１のノードに入力（割当）される運行特性累積情報は、速度区間別の第４累積時間値及び／または運行地域別の第５累積時間値及び／または湿度区間別の第６累積時間値を含み得る。第４～第６累積時間値は、バッテリーＢｎの保証寿命に対応する全体使用可能時間を基準にした割合として正規化することが望ましい。一例で、特定の速度区間における累積時間値が２，０００時間であり、全体の使用可能時間が２０，０００時間であれば、正規化した累積時間値は１／１０（０．１）である。

第４累積時間値の個数は、速度区間の数に対応し、第５累積時間値の個数は、電気車ＥＶ_ｎが運行される地域の数に対応し、第６累積時間値の個数は、湿度区間の数に対応し得る。例えば、速度区間の数が８個、運行地域の数が２０個、温度区間の数が６個であれば、第４～第６累積時間値の数は各々、８個、２０個及び６個である。

望ましくは、入力層１０１は、第４累積時間値の数及び／または第５累積時間値の数及び／または第６累積時間値の数に対応する数のノードを含み得る。

入力層１０１のノードに入力（割当）される最新充電特定情報は、電圧データ及び温度データを含み得る。バッテリーＢ_ｎの電圧と温度はいずれもＳＯＣ毎に測定されるため、電圧データの入力のために１００個のノードが割り当てられ得、温度データの入力のためにさらに他の１００個のノードが割り当てられ得る。

ここで、１００は、ＳＯＣが０％から１００％まで１％ずつ変化するとしたら、１％から１００％までのＳＯＣに対応するノードの数である。もし、３１～５０％のＳＯＣ区間でバッテリーＢ_ｎの電圧と温度が測定されたら、３１～５０％に対応する２０個のノードに電圧データが入力され、３１～５０％に対応するさらに他の２０個のノードに温度データが入力され得る。そして、１～３０％区間のＳＯＣと、５１～１００％区間のＳＯＣに対応するノードには、電圧データと温度データが入力されず、０が割り当てられ得る。

一方、小数点以下の値を含むＳＯＣで測定された電圧データと温度データは、内挿法（ｉｎｔｅｒｐｏｌａｔｉｏｎ）または外挿法（ｅｘｔｒａｐｏｌａｔｉｏｎ）を用いて小数点のない近くのＳＯＣの電圧データ及び温度データに変換し得る。場合によって、人工ニューラルネットワークの学習演算量を減らすために、温度データは入力データから除外してもよい。この場合、入力層１０１は、温度データが入力されるノードを含まなくてもよい。

出力層１０３は、バッテリーＢ_ｎの退化度情報が出力されるノードを含み得る。図８に示したように、人工ニューラルネットワーク１００が確率論的モデル（ｓｔｏｃｈａｓｔｉｃ ｍｏｄｅｌ）に基づいて設計された場合、出力層１０３は、バッテリーＢ_ｎ退化度の確率分布を出力するための複数のノードを含み得る。

一例で、人工ニューラルネットワーク１００が７１％から１００％までの退化度を１％単位で決定するように設計される場合、出力層１０３は合計３０個のノードを含み得る。この場合、３０個のノードのうち最も高い確率値が出力されるノードに対応する退化度がバッテリーＢ_ｎの退化度として決定され得る。例えば、１０番目のノードから出力される確率が最も高いと、バッテリーＢ_ｎの退化度は８０％として決定され得る。退化度の正確度を向上させるためにノードの数をさらに増加させてもよいことは当業者にとって自明である。

または、人工ニューラルネットワーク１００が決定論的モデル（ｄｅｔｅｒｍｉｎｉｓｔｉｃ ｍｏｄｅｌ）に基づいて設計された場合、出力層１０３は、バッテリーＢ_ｎの退化度を直接的に出力するための少なくても一つのノードを含み得る。

入力層１０１と出力層１０３との間に介在される隠れ層１０２の数と、各隠れ層１０２に含まれるノードの数は、人工ニューラルネットワーク１００の学習演算量と人工ニューラルネットワーク１００の正確度及び信頼性を考慮して適切に選択し得る。

人工ニューラルネットワーク１００において、活性化関数としてはシグモイド（Ｓｉｇｍｏｉｄ）関数が使用され得る。または、ＳｉＬＵ（Ｓｉｇｍｏｉｄ Ｌｉｎｅａｒ Ｕｎｉｔ）関数、ＲｅＬｕ（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ）関数、ソフトプラス（ｓｏｆｔｐｌｕｓ）関数、ＥＬＵ（Ｅｘｐｏｎｅｎｔｉａｌ Ｌｉｎｅａｒ Ｕｎｉｔ）関数、ＳＱＬＵ（Ｓｑｕａｒｅ Ｌｉｎｅａｒ Ｕｎｉｔ）関数など、当業界における公知の多様な活性化関数が使われ得る。

人工ニューラルネットワーク１００において、ノードの相互間の連結ウェート（ｗｅｉｇｈｔ）とバイアス（ｂｉａｓ）の初期値はランダムで設定され得る。また、連結ウェートとバイアスは、人工ニューラルネットワークの学習過程で最適化させ得る。

一実施例で、人工ニューラルネットワークは、逆伝播アルゴリズムによって学習され得る。また、人工ニューラルネットワークが学習される間に連結ウェートとバイアスは、オプティマイザーによって最適化され得る。

一実施例で、オプティマイザーとしてはＳＧＤ（Ｓｔｏｃｈａｓｔｉｃ Ｇｒａｄｉｅｎｔ Ｄｅｓｃｅｎｔ）アルゴリズムが使われ得る。または、ＮＡＧ（Ｎｅｓｔｅｒｏｖ Ａｃｃｅｌｅｒａｔｅｄ Ｇｒａｄｉｅｎｔ）アルゴリズム、Ｍｏｍｅｎｔｕｍアルゴリズム、Ｎａｄａｍアルゴリズム、Ａｄａｇｒａｄアルゴリズム、ＲＭＳＰｒｏｐアルゴリズム、Ａｄａｄｅｌｔａアルゴリズム、Ａｄａｍアルゴリズムなどが使われ得る。

バッテリー性能管理サーバー１１は、データベース１６の学習データ保存部１６ｂに保存された学習データを用いて人工ニューラルネットワーク１００を周期的に反復学習させ得る。

このために、バッテリー性能管理サーバー１１は、上述した方法を用いて複数の充電ステーションＥＶＣ_ｋから多くの電気車ＥＶ_ｎが充電される間に学習データを収集してデータベース１６の学習データ保存部１６ｂに累積して記録する。

学習データは、学習入力データと学習出力データから構成される。学習入力データは、電気車ＥＶ_ｎの運行特性累積情報から生成された度数分布データ、バッテリーＢ_ｎの動作特性累積情報から生成された度数分布データ及び最新充電特性情報に含まれたデータを含み得る。また、学習出力データは、バッテリーＢ_ｎの退化度を含む。学習データは、電気車ＥＶ_ｎが充電ステーションＥＶＣ_ｋで充電される間に得られる。

望ましくは、学習データは電気車ＥＶ_ｎの識別情報及び／またはバッテリーＢ_ｎの識別情報とマッチングされてデータベース１６の学習情報保存部１６ｂに記録され得る。したがって、学習データ保存部１６ｂには、同じモデルのバッテリーＢ_ｎを装着している同じモデルの電気車ＥＶ_ｎから収集された多くの学習データが記録され得る。また、学習データは、充電ステーションＥＶＣ_ｋで持続的に収集されるので、その量は次第に増加し得る。

望ましくは、バッテリー性能管理サーバー１１は、データの分散処理によって人工ニューラルネットワーク１００学習の演算量を減らし、人工ニューラルネットワーク１００が予測する出力の信頼性を向上させるために、電気車ＥＶ_ｎのモデル及び／またはバッテリーＢ_ｎのモデル毎に人工ニューラルネットワークを個別に学習させ得る。

即ち、バッテリー性能管理サーバー１１は、人工ニューラルネットワーク１００を周期的に学習させるとき、学習データ保存部１６ｂに保存された学習データのうち電気車ＥＶ_ｎのモデル及び／またはバッテリーＢ_ｎのモデルが同じ学習データのみを抽出し、該当電気車ＥＶ_ｎのモデル及び／またはバッテリーＢ_ｎのモデルに専属した人工ニューラルネットワーク１００を独立的に学習させ得る。また、バッテリー性能管理サーバー１１は、電気車ＥＶ_ｎのモデル及び／またはバッテリーＢ_ｎのモデルに対し、新規に収集された学習データの量が基準値以上に増加すると、該当人工ニューラルネットワーク１００の学習を再開して人工ニューラルネットワーク１００の正確度をさらに向上させることができる。

一方、電気車ＥＶ_ｎの運行特性累積情報のうち運行地域別の運行累積時間情報から生成される度数分布データ（図６参照）の変量が多すぎる場合、複数の地域をグルーピングした広域地域毎に人工ニューラルネットワーク１００を個別に学習させ得る。

一例で、電気車ＥＶ_ｎのモデルが総１００個であり、電気車ＥＶ_ｎに搭載されたバッテリーＢ_ｎのモデルが総１０個であり、電気車ＥＶ_ｎの運行都市が国内及び海外を含んで総１０００個である場合を仮定する。この場合、バッテリー性能管理サーバー１１は、都市を所定の基準によってグルーピングし、総「１００×１０×（地域のグルーピング数）」に対応する数の人工ニューラルネットワークを学習させ得る。一例で、都市のグルーピングは、国単位で行われ得る。他の例で、グルーピングは、同じ国家内で所定の数の隣接都市単位で行われ得る。

この場合、バッテリー性能管理サーバー１１は、人工ニューラルネットワーク１００を学習させるとき、学習データ保存部１６ｂに保存された学習データのうち電気車ＥＶ_ｎのモデル及び／またはバッテリーＢ_ｎのモデルが同一であり、かつ運行地域に対する度数分布データの変量（都市）が同じ学習データのみを抽出し、運行地域及び／または電気車ＥＶ_ｎのモデル及び／またはバッテリーＢ_ｎのモデルに専属した人工ニューラルネットワーク１００を独立的に学習させ得る。また、バッテリー性能管理サーバー１１は、運行地域及び／または電気車ＥＶ_ｎのモデル及び／またはバッテリーＢ_ｎのモデルが同じ新規学習データの量が基準値以上に増加すると、該当人工ニューラルネットワーク１００の学習を再開して人工ニューラルネットワーク１００の正確度をさらに向上させることができる。

本発明において、人工知能モデルは、人工ニューラルネットワークに限定されない。したがって、人工ニューラルネットワークの他にも、ガウス過程モデル（Ｇａｕｓｓｉａｎ Ｐｒｏｃｅｓｓ Ｍｏｄｅｌ）などが使用され得る。電気車ＥＶ_ｎの累積運行特性情報及び／またはバッテリーＢ_ｎの累積動作特性情報及び／または最新充電特性データと退化度との相関関係についての学習時には、サポートベクターマシン（ＳＶＭ；Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ｋ近傍法（Ｋ－Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ Ａｌｇｏｒｉｔｈｍ）、単純ベイズ分類器（Ｎａｉｖｅ－Ｂａｙｅｓ Ｃｌａｓｓｉｆｉｅｒ）などを活用し得る。学習に使用された退化度情報の信頼性に問題がある場合、ｋ平均法（Ｋ－Ｍｅａｎｓ Ｃｌｕｓｔｅｒｉｎｇ）などが退化度情報を得る補助手段として使用され得る。

一方、バッテリー性能管理サーバー１１は、バッテリー製造社から提供されたサイクル別の動作特性累積情報とサイクル別の最新充電特性情報を用いて学習された補助人工ニューラルネットワークを備え得る。

図９は、本発明の一実施例による補助人工ニューラルネットワーク１００'の構造を例示した図である。

図９を参照すると、補助人工ニューラルネットワーク１００'は、入力層１０１'、複数の隠れ層１０２'及び出力層１０３'を含む。補助人工ニューラルネットワーク１００'は、入力層１０１'に電気車ＥＶ_ｎの運行特性累積情報に対応するデータが入力されるノードがないということを除いては、図８に示した人工ニューラルネットワーク１００と実質的に同一である。

補助人工ニューラルネットワーク１００'は、人工ニューラルネットワーク１００の学習が充分に行われなかった場合、バッテリーＢ_ｎの退化度を決定するのに活用され得る。

バッテリー性能管理サーバー１１は、補助人工ニューラルネットワーク１００'の学習に使用されるデータを収集するために、ネットワーク１２を介してバッテリーデータ提供サーバー１７と通信可能に連結され得る。

望ましくは、バッテリーデータ提供サーバー１７は、バッテリー製造会社内に設けられ得る。バッテリーデータ提供サーバー１７は、電気車ＥＶ_ｎに搭載されるバッテリーＢ_ｎに関する充放電サイクル実験から得たサイクル別の動作特性累積情報、サイクル別の最新充電特性情報及びサイクル別のバッテリーＢ_ｎの退化度をバッテリーＢ_ｎの識別情報と共にネットワーク１２を介してバッテリー性能管理サーバー１１に伝送し得る。

充放電サイクル実験は、充放電シミューレーターという装備を用いてバッテリーＢ_ｎに対して多様な充放電条件下で充電と放電を所定の回数反復する実験を指す。充放電サイクル実験は、バッテリーＢ_ｎが商用化する前にバッテリー製造社で必須に行う実験である。充放電条件は、電気車ＥＶ_ｎの多様な運行条件（山岳走行、悪路走行、都心走行、高速道路走行など）と気候条件（温度、湿度など）に倣うことが望ましい。

充放電シミューレーターは、制御コンピューター、充放電装置及び温度／湿度調節チャンバが結合した自動化実験装備である。充放電シミューレーターは各サイクルの充電が行われる度に、電圧区間別の累積動作時間及び／または電流区間別の累積動作時間及び／または温度区間別の累積動作時間を積算して動作特性累積情報を生成し、充電が行われる間にＳＯＣ及び／または電圧及び／または電流及び／または温度を測定または予測して最新充電特性情報を生成して保存手段に記録し得る。

また、充放電シミューレーターは、各サイクルの充電が完了すると、充電完了時点を基準でバッテリーＢ_ｎの退化度を決定し得る。退化度は、所定の充電電圧区間でアンペアカウント法によって決定された充電容量の変化量または所定の充電電圧区間で測定した電圧及び電流データの線形回帰分析によって得たバッテリーの内部抵抗から算出でき、これについては前述した。

バッテリーデータ提供サーバー１７は、充放電サイクル実験によって得たデータを保存するデータベース１８を含み得る。バッテリーデータ提供サーバー１７は、バッテリーＢ_ｎに対して、各充放電サイクルにおいて、サイクル別の動作特性累積情報、サイクル別の最新充電特性情報及びサイクル別の退化度をバッテリーＢ_ｎの識別情報とマッチングしてデータベース１８に保存し得る。データベース１８に保存されるデータは、充放電シミューレーターからネットワーク１２を介して伝送され得る。

バッテリーデータ提供サーバー１７は、周期的にデータベース１８に保存されたサイクル別の動作特性累積情報、サイクル別の最新充電特性情報及びサイクル別の退化度を含む補助学習データを、バッテリーＢ_ｎの識別情報と共にネットワーク１２を介してバッテリー性能管理サーバー１１に伝送し得る。補助学習データの数は、充放電サイクル実験を行った回数に対応する。例えば、特定のモデルのバッテリーに対する充放電サイクル実験が２００回行われたら、補助学習データの数は２００個である。

バッテリー性能管理サーバー１１は、バッテリーデータ提供サーバー１７から伝送された補助学習データをバッテリーＢ_ｎの識別情報とマッチングしてデータベース１６の学習データ保存部１６ｂに記録し得る。

望ましくは、補助学習データのうち、動作特性累積情報に含まれた電圧区間別の累積動作時間及び／または電流区間別の累積動作時間及び／または温度区間別の累積動作時間に関わる情報は、度数分布データに変換されてデータベース１６の学習データ保存部１６ｂに保存され得る。

バッテリー性能管理サーバー１１は、データベース１６に補助学習データが保存された後、補助学習データを用いてバッテリーモデル毎に補助人工ニューラルネットワーク１００'を学習させ得る。

補助人工ニューラルネットワーク１００'の構造は、図８に示した人工ニューラルネットワーク１００の構造と類似である。相違点は、電気車ＥＶ_ｎの運行特性累積情報から生成された度数分布データが入力されるノードが非活性化されるということである。しかし、補助人工ニューラルネットワーク１００'についての学習方法や残りの特徴は、前述したことと実質的に同一である。

バッテリー性能管理サーバー１１は、バッテリーデータ提供サーバー１７から伝送された補助学習データによって学習された補助人工ニューラルネットワーク１００'と、複数の充電ステーションＥＶＣ_ｋから伝送されたデータによって学習された人工ニューラルネットワーク１００と、を相互補完的に使用して、充電ステーションＥＶＣ_ｋから電気車ＥＶ_ｎが充電された後にバッテリーＢ_ｎの退化度を決定し、決定された退化度によってバッテリーＢ_ｎの充放電制御に使用される制御ファクターを電気車ＥＶ_ｎの制御システム１５に提供し得る。

以下、図１０及び図１１を参照して、充電ステーションＥＶＣ_Ｋから電気車ＥＶ_ｎが充電される間に人工知能モデルの学習データが収集される過程、バッテリーＢ_ｎの退化度を決定する過程、決定された退化度によってバッテリーＢ_ｎの充放電制御に使用される制御ファクターがアップデートされる過程を詳しく説明する。

図１０を参照すると、段階Ｓ１０で、バッテリー性能管理サーバー１１は、充電ステーションＥＶＣ_ｋで電気車ＥＶ_ｎの充電中または充電完了後に、ネットワーク１２を介して充電ステーションＥＶＣ_ｋから、バッテリーＢ_ｎの識別情報及び電気車ＥＶ_ｎの識別情報と、電気車ＥＶ_ｎの運行特性累積情報、バッテリーＢ_ｎの動作特性累積情報及び最新充電特性情報を含むバッテリー性能評価情報と、を受ける。段階Ｓ１０で、バッテリー性能管理サーバー１１は、ネットワーク１２を介して伝送されたバッテリー性能評価情報をデータベース１６の性能評価情報保存部１６ａに記録し得る。

段階Ｓ２０で、バッテリー性能管理サーバー１１は、最新充電特性情報に含まれた電圧データＶ_ｋ及び／または電流データＩ_ｋを参照して退化度の算出が可能な条件が満たされるかを判断する。

一例で、退化度算出可能条件は、電圧データＶ_ｋが予め設定された退化度推定電圧区間内でバッテリーＢ_ｎが充電されたときに成立され得る。他の例で、退化度算出可能条件は、予め設定された退化度推定電圧区間内でバッテリーＢ_ｎが充電されており、かつ可変充電電流条件下で複数の電圧データＶ_ｋが測定されたときに成立され得る。

段階Ｓ２０の判断が「はい」であれば、段階Ｓ３０へ進み、段階Ｓ２０の判断が「いいえ」であれば、段階Ｓ６０へ進む。

段階Ｓ３０で、バッテリー性能管理サーバー１１は、最新充電特性情報に含まれた電圧データＶ_ｋ及び／または電流データＩ_ｋを用いてバッテリーＢ_ｎの退化度を決定する。退化度決定方法は、前述した。段階Ｓ３０の後に、段階Ｓ４０へ進む。

段階Ｓ４０で、バッテリー性能管理サーバー１１は、バッテリーＢ_ｎの動作特性累積情報から電圧及び／または電流及び／または温度に関わる度数分布データを生成し、電気車ＥＶ_ｎの運行特性累積情報から速度及び／または運行地域及び／または湿度に関わる度数分布データを生成する。段階Ｓ４０の後、段階Ｓ５０へ進む。

段階Ｓ５０で、バッテリー性能管理サーバー１１は、動作特性累積情報から生成された度数分布データ、運行特性累積情報から生成された度数分布データ、最新充電特性情報及び段階Ｓ３０で決定あれたバッテリーＢ_ｎの退化度を、バッテリーＢ_ｎの識別情報及び／または電気車ＥＶ_ｎの識別情報とマッチングしてデータベース１６の学習情報保存部１６ｂに記録する。ここで、動作特性累積情報から生成された度数分布データ、運行特性累積情報から生成された度数分布データ及び最新充電特性情報は、学習入力データとなり、バッテリーＢ_ｎの退化度は、学習出力データとなる。段階Ｓ５０の後、段階Ｓ６０へ進む。

段階Ｓ６０で、バッテリー性能管理サーバー１１は、バッテリーＢ_ｎの識別情報及び／または電気車ＥＶ_ｎの識別情報を参照し、バッテリーＢ_ｎのモデル及び／または電気車ＥＶ_ｎのモデルに対応する学習された人工ニューラルネットワーク１００が準備されているかを判断する。

一例で、バッテリーＢ_ｎのモデルがＢＢＢ００１であり、電気車ＥＶ_ｎのモデルがＥＶ００１であると仮定する。この場合、バッテリー性能管理サーバー１１は、ＢＢＢ００１モデルのバッテリーを搭載したＥＶ００１モデルの電気車が充電ステーションＥＶＣ_ｋで充電される過程で収集された基準値以上のデータを用いて学習された人工ニューラルネットワーク１００が存在するかを判断する。基準値は、一例で、数百～数千であり得る。

段階Ｓ６０で、バッテリー性能管理サーバー１１は、段階Ｓ４０で生成された運行地域別の度数分布データを参照し、バッテリーＢ_ｎのモデル及び／または電気車ＥＶ_ｎのモデルが同じであり、運行地域が同じ電気車ＥＶ_ｎから収集されたデータによって学習された人工ニューラルネットワーク１００が存在するかを判断し得る。

一例で、バッテリーＢ_ｎのモデルがＢＢＢ００１であり、電気車ＥＶ_ｎのモデルがＥＶ００１であり、電気車ＥＶ_ｎの運行地域から生成された度数分布データの地域変量が韓国内の都市であると仮定する。この場合、バッテリー性能管理サーバー１１は、ＢＢＢ００１モデルのバッテリーを搭載したＥＶ００１モデルの電気車が韓国内の充電ステーションＥＶＣ_ｋで充電される過程で収集された基準値以上のデータを用いて学習された人工ニューラルネットワーク１００が準備されているかを判断する。基準値は、一例で、数百～数千であり得る。

段階Ｓ６０の判断が「はい」であれば、段階Ｓ７０へ進む。

段階Ｓ７０で、バッテリー性能管理サーバー１１は、人工ニューラルネットワーク１００の入力層１０１に、電気車ＥＶ_ｎの運行特性累積情報から生成された度数分布データと、バッテリーＢ_ｎの動作特性累積情報から生成された度数分布データと、バッテリーＢ_ｎの最新充電特性情報に含まれた電圧データＶ_ｋと、温度データＴ_ｋと、を入力する。人工ニューラルネットワーク１００は、基準値以上の学習データによって学習された状態にあるため、入力層１０１からデータが入力されると、出力層１０３からバッテリーＢ_ｎの退化度を出力する。そうすると、バッテリー性能管理サーバー１１は、人工ニューラルネットワーク１００を介してバッテリーＢ_ｎの現在退化度を決定し得る。段階Ｓ７０の後、図１１の段階Ｓ８０へ進む。

一方、段階Ｓ６０の判断が「いいえ」であれば、バッテリー性能管理サーバー１１は、段階Ｓ７０'で、補助人工ニューラルネットワーク１００'の入力層１０１'に、バッテリーＢ_ｎの動作特性累積情報から生成された度数分布データ（図２～図５参照）と、バッテリーＢ_ｎの最新充電特性情報に含まれた電圧データＶ_ｋと、温度データＴ_ｋと、を入力して、バッテリーＢ_ｎの現在退化度を決定し得る。補助人工ニューラルネットワーク１００'は、バッテリーデータ提供サーバー１７から提供されたバッテリーＢ_ｎに対する充放電サイクル実験データを 用いて事前に学習された人工ニューラルネットワークであって、その学習方法については、前述した。

段階Ｓ７０または段階Ｓ７０'で、バッテリーＢ_ｎの現在退化度が決定されると、図１１の段階Ｓ８０へ進む。

段階Ｓ８０で、バッテリー性能管理サーバー１１は、データベース１６の退化度情報保存部１６ｄに、人工ニューラルネットワーク１００または補助人工ニューラルネットワーク１００'によって決定された退化度を、電気車ＥＶ_ｎの識別情報及び／またはバッテリーＢ_ｎの識別情報とマッチングして、タイムスタンプと共に保存する。段階Ｓ８０の後、段階Ｓ９０へ進む。

段階Ｓ９０で、バッテリー性能管理サーバー１１は、データベース１６の退化度情報保存部１６ｄに記録されたバッテリーＢ_ｎの以前退化度と現在退化度とを比較し、現在退化度が基準値以上に増加したかを判断する。

基準値とは、事前に定義される値であって、バッテリーＢ_ｎの充放電制御過程で使われる多様な制御ファクターに対する更新ロジッグを実行するか否かを決定するためのものである。一例で、基準値は３～５％であり得る。

一例で、制御ファクターは、充電状態区間毎に適用される充電電流の大きさ、充電上限電圧値、放電下限電圧値、最大充電電流、最大放電電流、最小充電電流、最小放電電流、最大温度、最小温度、充電状態別のパワーマップ及び充電状態別の内部抵抗マップのうち選択された少なくとも一つであり得る。

他の例で、制御ファクターは、バッテリーＢ_ｎがパルス充放電されるときに使用されるものであって、パルス電流デューティ比（パルス休止時間に対するパルス維持時間の割合）の上限、パルス電流デューティ比の下限、パルス電流デュレーションの上限、パルス電流デュレーションの下限、パルス電流の最大値及びパルス電流の最小値のうち選択された少なくとも一つを含み得る。

さらに他の例で、制御ファクターは、バッテリーＢ_ｎがステップ充電されるときに使用されるものであって、充電状態区間毎に適用される充電電流の大きさを含み得る。

さらに他の例で、制御ファクターは、バッテリーＢ_ｎがＣＣ／ＣＶモードで充電される場合に使用されるものであって、定電流充電（ＣＣ）モードにおける電流の大きさ、定電流充電（ＣＣ）モードが終了するカットオフ電圧及び定電圧充電（ＣＶ）モードにおける電圧の大きさのうち選択された少なくとも一つを含み得る。

段階Ｓ９０の判断が「はい」であれば、段階Ｓ１００へ進む。

段階Ｓ１００で、バッテリー性能管理サーバー１１は、データベース１６の制御ファクター保存部１６ｅを参照してバッテリーＢ_ｎの現在退化度に対応する最新制御ファクターを読み出し、現在退化度と最新制御ファクターを含むバッテリー性能評価結果を、ネットワーク１２を介して充電ステーションＥＶＣ_ｋに伝送する。

制御ファクター保存部１６ｅは、バッテリーＢ_ｎの退化度毎に制御ファクター情報を定義したルックアップテーブルを収録している。ルックアップテーブルは、バッテリーＢ_ｎの識別情報及び／または電気車ＥＶ_ｎの識別情報とマッチングされて記録される。これによって、制御ファクターは、バッテリーＢ_ｎのモデル及び／または電気車ＥＶ_ｎのモデルに対応するルックアップテーブルから読み出すことが望ましい。段階Ｓ１００の後、段階Ｓ１１０へ進む。

段階Ｓ１１０で、充電ステーションＥＶＣ_ｋは、バッテリーＢ_ｎの現在退化度及びこれに対応する最新制御ファクターを含むバッテリー性能評価結果を、ネットワーク１２を介して受けた後、充電ケーブルの通信ラインまたは近距離無線通信によって電気車ＥＶ_ｎの制御システム１５に伝送する。段階Ｓ１１０の後、段階Ｓ１２０へ進む。

段階Ｓ１２０で、電気車ＥＶ_ｎの制御システム１５は、バッテリー性能評価結果に含まれた最新制御ファクターを参照して、バッテリーＢ_ｎの充放電を制御するのに使用する、以前の制御ファクターを更新する。これによって、制御システム１５は、充電ステーションＥＶＣ_ｋで充電が完了した後には、バッテリーＢ_ｎの退化度に応じて最適に更新された最新制御ファクターを用いてバッテリーＢ_ｎの充放電が安全に制御可能になる。

一方、段階Ｓ９０の判断が「いいえ」であれば、段階Ｓ１３０へ進む。

段階Ｓ１３０で、バッテリー性能管理サーバー１１は、バッテリーＢ_ｎの現在退化度が基準値以上に増加しなかったため、制御ファクターの更新が不要であることを示すメッセージと、現在退化度を含むバッテリー性能評価結果とをネットワーク１２を介して充電ステーションＥＶＣ_ｋに伝送する。段階Ｓ１３０の後、段階Ｓ１４０へ進む。

段階Ｓ１４０で、充電ステーションＥＶＣ_ｋは、バッテリー性能評価結果が受信されると、充電ケーブルまたは近距離無線通信によって電気車ＥＶ_ｎの制御システム１５にバッテリー性能評価結果を伝達する。段階Ｓ１４０の後、段階Ｓ１５０へ進む。

段階Ｓ１５０で、電気車ＥＶ_ｎの制御システム１５は、バッテリー性能評価結果から以前の制御ファクターの更新が不要であるというメッセージを確認し、バッテリーＢ_ｎの充放電を制御するのに使用される制御ファクターをそのまま維持する。

図示していないが、バッテリー性能管理サーバー１１は、人工ニューラルネットワーク１００の学習が完了した後にも、バッテリーＢ_ｎの退化度を決定するとき、補助人工ニューラルネットワーク１００'を補助的に活用し得る。

即ち、バッテリー性能管理サーバー１１は、段階Ｓ７０で人工ニューラルネットワーク１００を用いてバッテリーＢ_ｎの退化度（第１値）を決定した後、段階Ｓ７０'をさらに行って補助人工ニューラルネットワーク１００'を用いてバッテリーＢ_ｎの退化度（第２値）を決定し得る。その後、第１値及び第２値の加重平均値をバッテリーＢ_ｎの退化度として決定し得る。この場合、第１値に付与される加重値（ｗｅｉｇｈｔ）は、人工ニューラルネットワーク１００を学習するのに使用される学習データの量が増加するほど、第２値に付与される加重値より次第に増加させ得る。

一例で、第１値に付与される加重値は、人工ニューラルネットワーク１００と補助人工ニューラルネットワーク１００'を学習させるのに使用されたデータの総量に対する人工ニューラルネットワーク１００の学習に使用されたデータの割合として決定し得る。

このような変形実施例によると、人工ニューラルネットワーク１００の学習が繰り返して行われるほど、バッテリーＢ_ｎの退化度（第１値）は、人工ニューラルネットワーク１００から決定された退化度に収斂する。逆に、人工ニューラルネットワーク１００の学習に使用された学習データの量が少ない場合、バッテリーＢ_ｎの退化度は、補助人工ニューラルネットワーク１００から決められた退化度（第２値）に収斂される。

本発明において、電気車ＥＶ_ｎの制御システム１５は、充電ステーションＥＶＣ_ｋから伝送されたバッテリー性能評価結果に含まれたバッテリーＢ_ｎの現在退化度を、電気車ＥＶ_ｎに設けられた統合制御ディスプレイパネルを用いて運転者にグラフィックユーザーインターフェースで提供できる。望ましくは、グラフィックユーザーインターフェースは、退化度を示す数字及び／またはグラフィックゲージを含み得る。

一方、前述した本発明の実施例によるバッテリー性能管理システム１０は、バッテリー性能管理サーバー１１とネットワーク１２を介して通信可能に連結された保険会社サーバー１９をさらに含み得る。

この場合、バッテリー性能管理サーバー１１は、電気車ＥＶ_ｎの退化度と総運行距離及び電気車ＥＶ_ｎの識別情報を保険会社サーバー１９へ伝送するように構成され得る。電気車ＥＶ_ｎの総運行距離は、電気車ＥＶ_ｎが充電ステーションＥＶＣ_ｋで充電される間、充電ステーションＥＶＣ_ｋを介して電気車ＥＶ_ｎの制御システム１５から受け得る。

保険会社サーバー１９は、電気車ＥＶ_ｎの識別情報を参照して、該当電気車ＥＶ_ｎに関わる保険料を、退化度情報を参照して算出するように構成され得る。
即ち、保険会社サーバー１９は、バッテリーＢ_ｎの退化度が高いほど電気車ＥＶ_ｎの減価償却の割合を増加させて電気車ＥＶ_ｎの値段を算定し得る。また、保険会社サーバー１９は、電気車ＥＶ_ｎの総運行距離に比べてバッテリーＢ_ｎの退化度が平均より大きい場合、運転者の運転習慣がよくないと判断して自動車事故による危険料率を増加させて保険料を増額し得る。

保険会社サーバー１９によって計算された保険料は、保険会社サーバー１９のデータベース（図示せず）に保存された後、電気車ＥＶ_ｎの保険更新過程で参照できることは自明である。

本発明の実施例による電気車充電ステーションを用いたバッテリー性能管理方法は、複数のプロセッサ実行命令でコーディングされた後、バッテリー性能管理サーバー１１に備えられた非一時的メモリデバイス（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｍｅｍｏｒｙ ｄｅｖｉｃｅ：図１の１１ａ）に保存され得る。プロセッサ実行命令は、バッテリー性能管理サーバー１１に備えられたプロセッサ（図１の１１ｂ）に、前述した段階の少なくとも一部を実行するようにし得る。または、ハードウェア論理回路がプロセッサ実行命令を代わりに、前述した段階の少なくとも一部を行うようにバッテリー性能管理サーバー１１内に提供され得る。ハードウェア論理回路は、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ－Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ，特定用途向け集積回路）、またはＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ，フィールドプログラマブルゲートアレイ）であり得る。しかし、実施例段階が特定のプロセッサ実行命令、特定のハードウェア回路またはその組合せのみならず、他の公知のソフトウェア、ハードウェア回路またはその組合せによっても実行可能であることは当業者に自明である。

本発明によると、複数充電ステーションと連携されたビックデータ基盤の人工知能プラットフォームシステムを用いて電気車の運行履歴とバッテリーの動作履歴によってバッテリーの性能を高い信頼性で評価し、バッテリーの充放電制御に使用される制御ファクターを最適化することができるので、バッテリーの使用寿命を延ばすだけでなく、安全性も増大させることができる。

信頼性の高いバッテリーの性能管理サービスを電気車の使用者に提供することで、適切な時点でバッテリーの交替を誘導できるだけでなく、バッテリー製造会社の信頼性も高めることができる。

電気車使用者の運転性向が反映されたバッテリー性能評価情報をビックデータ基盤のデータベースとして構築することで、自動車保険会社の正確な保険料算定資料として活用可能である。

本発明の多様な実施様態を説明するに際し、「～サーバー」と命名された構成要素は、物理的に区分される要素というよりは、機能的に区分される要素として理解されなければならない。したがって、各々の構成要素は、他の構成要素と選択的に統合されるか、または各々の構成要素が制御ロジッグの効率的な実行のためにサブ構成要素に分割され得る。しかし、構成要素が統合または分割されても機能の同一性が認められるなら、統合または分割された構成要素も本発明の範囲内にあると解釈すべきことは、当業者にとって自明である。

以上、本発明を限定された実施例と図面によって説明したが、本発明はこれに限定されず、本発明の属する技術分野における通常の知識を持つ者によって本発明の技術思想と特許請求の範囲の均等範囲内で多様な修正及び変形が可能であることは言うまでもない。

Claims (18)

1. 地域に分散して設けられた複数の充電ステーションとネットワークを介して通信可能に連結されたバッテリー性能管理サーバーと、
   前記バッテリー性能管理サーバーと連結され、電気車の退化度情報が保存されるデータベースと、を含み、
   前記バッテリー性能管理サーバーは、
   前記複数の充電ステーションからバッテリーの識別情報及び動作特性累積情報と、電気車の識別情報及び運行特性累積情報と、バッテリーの最新充電特性情報と、を含むバッテリー性能評価情報を、前記ネットワークを介して収集して前記データベースに保存し、
   バッテリー性能評価情報を受けてバッテリーの退化度を出力するように予め学習された人工知能モデルを用いて前記収集されたバッテリー性能評価情報に対応する現在退化度を決定し、
   前記データベースを参照して、現在退化度が直前退化度に比べて基準値以上に増加した場合、バッテリー動作の制御に使われる制御ファクターと退化度との相関関係情報を用いて現在退化度に対応する最新制御ファクターを決定し、
   前記複数の充電ステーションが電気車の制御システムに前記最新制御ファクターを伝達して制御ファクターを更新可能に、前記最新制御ファクターを、前記ネットワークを介して前記複数の充電ステーションへ伝送するように構成された、電気車充電ステーションを用いたバッテリー性能管理システム。
2. 前記バッテリーの動作特性累積情報が、電圧区間別の累積動作時間、電流区間別の累積動作時間及び温度区間別の累積動作時間を含む群より選択された少なくとも一つを含む、請求項１に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
3. 前記電気車の運行特性累積情報は、速度区間別の累積運行時間、運行地域別の累積運行時間及び湿度区間別の累積運行時間を含む群より選択された少なくとも一つを含む、請求項１または２に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
4. 前記最新充電特性情報が、複数の時点で測定または予測されたバッテリーの充電状態、電圧、電流、及び温度データを含む群より選択された少なくとも一つを含む、請求項１から３のいずれか一項に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
5. 前記バッテリー性能管理サーバーは、
   複数の電気車充電ステーションからバッテリー性能評価情報が受信される度に、前記最新充電特性情報がバッテリーの現在退化度を決定できるほどのデータを含んでいると判断されると、前記最新充電特性情報からバッテリーの現在退化度を決定し、前記バッテリーの動作特性累積情報から生成された度数分布データ、前記電気車の運行特性累積情報から生成された度数分布データ及び前記最新充電特性情報を前記人工知能モデルの学習入力データとして前記データベースに保存し、前記バッテリーの現在退化度を前記人工知能モデルの学習出力データとして前記データベースに保存するように構成される、請求項１から４のいずれか一項に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
6. 前記バッテリー性能管理サーバーは、
   前記データベースに基準値以上の学習入力データ及び学習出力データが累積保存される度に前記人工知能モデルを反復的に学習させる、請求項１から５のいずれか一項に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
7. 前記バッテリー性能管理サーバーは、
   前記バッテリーの識別情報、前記電気車の識別情報、及び前記電気車の運行地域の少なくとも一つとマッチングして前記学習入力データ及び前記学習出力データを前記データベースに保存し、
   基準値以上のマッチングされた前記学習入力データ及び前記学習出力データが累積保存される度に、前記バッテリーの識別情報、前記電気車の識別情報、及び前記電気車の運行地域の少なくとも一つに対応するように人工知能モデルを反復的に学習させる、請求項５または６に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
8. 前記バッテリー性能管理サーバーは、
   前記バッテリー性能評価情報を分析して前記バッテリーの識別情報、前記電気車の識別情報、及び前記電気車の運行地域の少なくとも一つに対応するように学習された人工知能モデルを用いてバッテリーの退化度を決定するように構成された、請求項１から７のいずれか一項に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
9. 前記バッテリー性能管理サーバーは、
   前記ネットワークを介してバッテリーデータ提供サーバーからバッテリーに対する各充放電サイクルが行われる度に測定された動作特性累積情報及び最新充電特性情報を含むサイクル別の性能評価情報と、サイクル別の退化度と、を受信して前記データベースに保存し、
   前記バッテリー性能管理サーバーは、前記データベースに保存された前記サイクル別の性能評価情報及びサイクル別の退化度を用いて、バッテリーの動作特性累積情報及び最新充電特性情報から退化度を出力するように学習された補助人工知能モデルをさらに含む、請求項１から８のいずれか一項に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
10. 前記バッテリー性能管理サーバーは、
    前記人工知能モデルの学習が完了しなかったとき、前記バッテリー性能評価情報に含まれたバッテリーの動作特性累積情報及び最新充電特性情報を前記補助人工知能モデルに入力してバッテリーの退化度を決定するように構成された、請求項９に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
11. 前記バッテリー性能管理サーバーは、前記バッテリー性能評価情報に含まれたバッテリーの動作特性累積情報及び最新充電特性情報を前記補助人工知能モデルに入力してバッテリーの退化度を決定するように構成され、
    前記人工知能モデルから決定された退化度と前記補助人工知能モデルから決定された退化度との加重平均をバッテリーの退化度として決定するように構成された、請求項９または１０に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
12. 前記バッテリー性能管理サーバーは、前記人工知能モデルの学習量が増加するほど、前記加重平均の算出に際して前記人工知能モデルの退化度に付与されるウェイトを増加させるように構成された、請求項１１に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
13. 前記人工知能モデルが、人工ニューラルネットワークである、請求項１から１２のいずれか一項に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
14. 前記制御ファクターは、
    充電状態区間ごとに適用される充電電流の大きさ、充電上限電圧値、放電下限電圧値、最大充電電流、最大放電電流、最小充電電流、最小放電電流、最大温度、最小温度、充電状態別のパワーマップ、及び前記充電状態別の内部抵抗マップより選択された少なくとも一つ、
    パルス休止時間に対するパルス維持時間の割合であるパルス電流デューティ比の上限、前記パルス電流デューティ比の下限、パルス電流デュレーションの上限、前記パルス電流デュレーションの下限、パルス電流の最大値、及び前記パルス電流の最小値より選択された少なくとも一つ、または、
    定電流充電（ＣＣ）モードにおける電流の大きさ、前記定電流充電（ＣＣ）モードが終了するカットオフ電圧、及び定電圧充電（ＣＶ）モードにおける電圧の大きさより選択された少なくとも一つ、を含む、請求項１から１３のいずれか一項に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
15. 前記バッテリー性能管理サーバーは、電気車の運行距離及び現在退化度と、電気車識別情報と、を保険会社のサーバーに伝送するように構成された、請求項１から１４のいずれか一項に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
16. 前記バッテリー性能管理システムが、保険会社のサーバーをさらに含み、
    前記保険会社のサーバーは、電気車の識別情報を参照して該当電気車の保険料を電気車の運行距離及び現在退化度を参照して算出するように構成された、請求項１から１５のいずれか一項に記載の電気車充電ステーションを用いたバッテリー性能管理システム。
17. 電気車が充電ステーションで充電される間に、ネットワークを介して充電ステーションからバッテリーの識別情報及び動作特性累積情報と、電気車の識別情報及び運行特性累積情報と、バッテリーの最新充電特性情報と、を含むバッテリー性能評価情報を収集してデータベースに保存する段階と、
    バッテリー性能評価情報を受けてバッテリーの退化度を出力するように予め学習された人工知能モデルを用いて、前記収集されたバッテリー性能評価情報に対応する現在退化度を決定する段階と、
    現在退化度が直前退化度に比べて基準値以上に増加した場合、バッテリー動作の制御に使用される制御ファクターと退化度との相関関係情報を用いて現在退化度に対応する最新制御ファクターを決定する段階と、
    前記充電ステーションが電気車の制御システムへ前記最新制御ファクターを伝達して制御ファクターを更新可能に、前記最新制御ファクターを、前記ネットワークを介して充電ステーションに伝送する段階と、を含む、電気車充電ステーションを用いたバッテリー性能管理方法。
18. 複数のプロセッサ実行命令を保存している非一時的メモリデバイスと、
    前記複数のプロセッサ実行命令を実行するように構成されたプロセッサと、を含み、
    前記プロセッサは、前記複数のプロセッサ実行命令を実行することによって、
    （ａ）ネットワークを介して充電ステーションからバッテリーの識別情報及び動作特性累積情報と、電気車の識別情報及び運行特性累積情報と、バッテリーの最新充電特性情報と、を含むバッテリー性能評価情報を受信し、
    （ｂ）前記バッテリー性能評価情報からバッテリーの退化度を出力するように人工知能モデルを学習させ、
    （ｃ）学習された人工知能モデルを用いて、収集されたバッテリー性能評価情報に対応する現在退化度を決定し、
    （ｄ）データベースからバッテリーの直前退化度を読み出し、
    （ｅ）現在退化度が直前退化度に比べて基準値以上に増加した場合、バッテリー動作の制御に用いられる制御ファクターと退化度との相関関係情報を用いて現在退化度に対応する最新制御ファクターを決定し、
    （ｆ）前記最新制御ファクターを、前記ネットワークを介して前記充電ステーションへ伝送するように構成された、コンピューターデバイス。

Images