KR102221756B1 - 배터리의 상태를 추정하는 방법 및 장치 - Google Patents

배터리의 상태를 추정하는 방법 및 장치 Download PDF

Info

Publication number
KR102221756B1
KR102221756B1 KR1020140091093A KR20140091093A KR102221756B1 KR 102221756 B1 KR102221756 B1 KR 102221756B1 KR 1020140091093 A KR1020140091093 A KR 1020140091093A KR 20140091093 A KR20140091093 A KR 20140091093A KR 102221756 B1 KR102221756 B1 KR 102221756B1
Authority
KR
South Korea
Prior art keywords
battery
data
sensing
state
sensing data
Prior art date
Application number
KR1020140091093A
Other languages
English (en)
Other versions
KR20160010132A (ko
Inventor
성재모
박정현
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020140091093A priority Critical patent/KR102221756B1/ko
Priority to EP15176229.1A priority patent/EP2975421A1/en
Priority to CN201510420335.3A priority patent/CN105277891B/zh
Priority to US14/802,478 priority patent/US10295601B2/en
Publication of KR20160010132A publication Critical patent/KR20160010132A/ko
Application granted granted Critical
Publication of KR102221756B1 publication Critical patent/KR102221756B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B60L58/15—Preventing overcharging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Abstract

배터리의 상태를 추정하는 방법 및 장치가 개시된다. 일 실시예에 따른 배터리 상태 추정 장치는 배터리에 대한 센싱 데이터를 근사화하고, 근사화된 센싱 데이터와 미리 정해진 참조 정보를 비교하여 배터리의 상태를 추정할 수 있다.

Description

배터리의 상태를 추정하는 방법 및 장치{METHOD AND APPARATUS FOR ESTIMATING STATE OF BATTERY}
아래의 실시 예들은 배터리의 상태를 추정하는 방법 및 장치에 관한 것이다.
환경문제와 에너지 자원 문제가 중요시되는 가운데 전기 자동차 (Electric Vehicle)가 미래의 운송 수단으로 각광받고 있다. 전기 자동차는 충방전이 가능한 다수의 2차 전지(cell)가 하나의 팩(pack)으로 형성된 배터리를 주동력원으로 이용하기 때문에 배기가스가 전혀 없으며 소음이 아주 작은 장점이 있다.
전기 자동차에서 배터리는 가솔린 자동차의 엔진 및 연료 탱크와 같은 역할을 하므로, 전기 자동차 사용자의 안전을 위하여, 배터리의 상태를 확인하는 것이 중요할 수 있다.
최근에는, 보다 정확하게 배터리의 상태를 확인하면서, 사용자의 편의성을 증대시키기 위한 연구가 계속되고 있다.
일 실시예에 따른 배터리 상태 추정 장치는, 외부로부터 미리 정해진 참조 정보를 수신하는 통신부; 배터리에 대한 센싱 데이터를 획득하는 센싱 데이터 획득부; 및 상기 센싱 데이터를 근사화하고, 상기 근사화된 센싱 데이터와 상기 미리 정해진 참조 정보를 비교하여 상기 배터리의 상태를 추정하는 배터리 상태 추정부를 포함할 수 있다.
상기 센싱 데이터는, 상기 배터리를 센싱하는 센서로부터 센싱된, 상기 배터리의 전압 데이터, 전류 데이터, 온도 데이터 또는 압력 데이터 중 적어도 하나를 포함할 수 있다.
상기 배터리 상태 추정부는, 상기 센싱 데이터를 미리 정해진 시간 간격에 따라 분할하고, 상기 분할된 구간마다 미리 정해진 크기의 세그먼트를 추출하여, 상기 세그먼트를 포함하는 세그먼트 벡터를 생성하는 센싱 데이터 분할부를 포함할 수 있다.
상기 배터리 상태 추정부는, 미리 정해진 캘리브레이션 주기를 기준으로 상기 센싱 데이터의 시간 오차를 보정하는 캘리브레이션부를 포함할 수 있다.
상기 캘리브레이션부는, 상기 센싱 데이터에 포함된 복수의 센싱값이 미리 정해진 캘리브레이션 주기와 대응하지 않는 경우, 상기 복수의 센싱값의 선형성을 기초로, 상기 미리 정해진 캘리브레이션 주기를 기준으로 상기 복수의 센싱값을 보간(interpolation)하여 상기 미리 정해진 캘리브레이션 주기와 대응하는 센싱값을 설정할 수 있다.
상기 캘리브레이션부는, 상기 센싱 데이터에 포함된 복수의 센싱값이 미리 정해진 캘리브레이션 주기와 대응하지 않는 경우, 상기 미리 정해진 캘리브레이션 주기와 가장 근접한 시간에 따른 센싱값의 크기를 상기 미리 정해진 캘리브레이션 주기와 대응하는 센싱값의 크기로 설정할 수 있다.
상기 캘리브레이션부는, 상기 센싱 데이터에 포함된 복수의 센싱값이 미리 정해진 캘리브레이션 주기와 대응하지 않는 경우, 상기 미리 정해진 캘리브레이션 주기와 근접한 시간에 따른 센싱값들의 평균 크기를 상기 미리 정해진 캘리브레이션 주기와 대응하는 센싱값의 크기로 설정할 수 있다.
상기 센싱 데이터 분할부는, 상기 센싱 데이터가 상기 전압 데이터, 상기 전류 데이터, 상기 온도 데이터 또는 상기 압력 데이터 중 적어도 두 개를 포함하는 경우, 상기 적어도 두 개의 데이터 각각에 대하여 상기 세그먼트를 추출하고, 상기 세그먼트를 기초로 상기 적어도 두 개의 데이터 각각에 대응하는 데이터 블록들을 생성하고, 상기 데이터 블록들을 조합하여 상기 세그먼트 벡터를 생성할 수 있다.
상기 배터리 상태 추정부는, 상기 센싱 데이터를 소정의 특징 공간에 매핑하여 상기 센싱 데이터를 근사화할 수 있다.
상기 배터리 상태 추정부는, 미리 정해진 매핑 파라미터를 이용하여 상기 세그먼트 벡터를 상기 소정의 특징 공간에 매핑하는 특징 공간 매핑부를 포함할 수 있다.
상기 미리 정해진 매핑 파라미터는, 미리 정해진 기준 매트릭스를 포함하고, 상기 특징 공간 매핑부는, 상기 세그먼트 벡터를 상기 미리 정해진 기준 매트릭스에 사영(project)하여, 상기 소정의 특징 공간과 대응되는 차원을 갖는 특징 벡터를 추출할 수 있다.
상기 미리 정해진 참조 정보는, 상기 소정의 특징 공간상에서의 상기 배터리의 상태 타입에 따른 패턴들에 대한 정보를 포함하고, 상기 배터리 상태 추정부는, 상기 패턴들에 대한 정보와 상기 특징 벡터를 비교하여 상기 배터리의 상태를 결정하는 배터리 상태 결정부를 포함할 수 있다.
상기 배터리의 상태 타입은, 정상(normal) 상태 타입, 비정상(abnormal) 상태 타입 및 고장(fault) 상태 타입을 포함하고, 상기 비정상 상태 타입 및 상기 고장 상태 타입은, 적어도 하나의 서브 타입을 포함할 수 있다.
상기 배터리 상태 결정부는, 상기 소정의 특징 공간상에서 상기 특징 벡터의 상기 패턴들 각각과의 유사도를 계산하고, 계산된 유사도들을 비교하여 상기 배터리의 상태를 결정할 수 있다.
일 실시예에 따른 배터리 상태 추정을 위한 전처리 장치는, 데이터베이스에 포함된 복수의 센싱 데이터를 근사화하기 위한 매핑 파라미터를 추출하고, 상기 추출된 매핑 파라미터를 기초로 상기 복수의 센싱 데이터를 근사화하는 근사화부; 상기 근사화된 복수의 센싱 데이터를 이용하여 배터리의 상태 타입에 따른 패턴들에 대한 정보를 생성하는 패턴 정보 생성부 및 외부에 상기 배터리의 상태 타입에 따른 패턴들에 대한 정보를 전송하는 통신부를 포함할 수 있다.
상기 근사화부는, 상기 복수의 센싱 데이터를 소정의 특징 공간에 매핑하여 상기 복수의 센싱 데이터를 근사화할 수 있다.
상기 근사화부는, 상기 복수의 센싱 데이터 각각을 미리 정해진 시간 간격에 따라 분할하고, 상기 분할된 구간마다 미리 정해진 크기의 세그먼트를 추출하고, 상기 세그먼트를 기초로 상기 복수의 센싱 데이터 각각에 대응하는 복수의 세그먼트 벡터를 생성하는 센싱 데이터 분할부를 포함할 수 있다.
상기 근사화부는, 미리 정해진 캘리브레이션 주기를 기준으로 상기 복수의 센싱 데이터의 시간 오차를 보정하는 캘리브레이션부를 포함할 수 있다.
상기 근사화부는, 복수의 매핑 파라미터 중 상기 소정의 특징 공간에 매핑된 상기 복수의 센싱 데이터의 복원 오류를 최소화하는 매핑 파라미터를 추출할 수 있다.
상기 근사화부는, 상기 추출된 매핑 파라미터를 이용하여 상기 복수의 세그먼트 벡터를 상기 소정의 특징 공간에 매핑하는 특징 공간 매핑부를 포함할 수 있다.
상기 매핑 파라미터는, 기준 매트릭스를 포함하고, 상기 특징 공간 매핑부는, 상기 복수의 세그먼트 벡터를 상기 기준 매트릭스에 사영하여, 상기 소정의 특징 공간과 대응되는 차원을 갖는 복수의 특징 벡터를 추출할 수 있다.
상기 패턴 정보 생성부는, 미리 정해진 모델 파라미터를 기초로 상기 복수의 특징 벡터를 모델링하여 상기 배터리의 상태 타입에 따른 패턴들에 대한 정보를 추출할 수 있다.
상기 배터리의 상태 타입은, 정상 상태 타입, 비정상 상태 타입 및 고장 상태 타입을 포함하고, 상기 비정상 상태 타입 및 상기 고장 상태 타입은, 적어도 하나의 서브 타입을 포함할 수 있다.
일 실시예에 따른 배터리 상태 추정 장치는, 데이터베이스에 포함된 복수의 센싱 데이터를 근사화하기 위한 매핑 파라미터를 추출하고, 상기 추출된 매핑 파라미터를 기초로 상기 복수의 센싱 데이터를 근사화하는 근사화부; 상기 근사화된 복수의 센싱 데이터를 이용하여 배터리의 상태 타입에 따른 패턴들에 대한 정보를 생성하는 패턴 정보 생성부; 상기 배터리에 대한 센싱 데이터를 획득하는 센싱 데이터 획득부; 및 상기 센싱 데이터 획득부에서 획득된 상기 센싱 데이터를 근사화하고, 상기 근사화된 센싱 데이터와 상기 배터리의 상태 타입에 따른 패턴들에 대한 정보를 비교하여 상기 배터리의 상태를 추정하는 배터리 상태 추정부를 포함할 수 있다.
일 실시예에 따른 배터리 상태 추정 방법은, 외부로부터 미리 정해진 참조 정보를 수신하는 단계; 배터리에 대한 센싱 데이터를 획득하는 단계; 상기 센싱 데이터를 소정의 특징 공간에 매핑하는 단계; 및 상기 매핑된 센싱 데이터와 상기 미리 정해진 참조 정보를 비교하여 상기 배터리의 상태를 추정하는 단계를 포함할 수 있다.
일 실시예에 따른 배터리 상태 추정을 위한 전처리 방법은, 데이터베이스에 포함된 복수의 센싱 데이터를 소정의 특징 공간에 매핑하기 위한 매핑 파라미터를 추출하는 단계; 상기 추출된 매핑 파라미터를 기초로 상기 복수의 센싱 데이터를 상기 소정의 특징 공간에 매핑하는 단계; 상기 소정의 특징 공간에 매핑된 상기 복수의 센싱 데이터를 이용하여 배터리의 상태 타입에 따른 패턴들에 대한 정보를 생성하는 단계; 및 외부에 상기 배터리의 상태 타입에 따른 패턴들에 대한 정보를 전송하는 단계를 포함할 수 있다.
일 실시예에 따른 배터리 상태 추정 장치는, 데이터베이스에 포함된 복수의 센싱 데이터를 소정의 특징 공간에 매핑하기 위한 매핑 파라미터를 추출하는 단계; 상기 추출된 매핑 파라미터를 기초로 상기 복수의 센싱 데이터를 상기 소정의 특징 공간에 매핑하는 단계; 상기 매핑된 상기 복수의 센싱 데이터를 이용하여 배터리의 상태 타입에 따른 패턴들에 대한 정보를 생성하는 단계; 상기 배터리에 대한 센싱 데이터를 획득하는 단계; 상기 센싱 데이터 획득부에서 획득된 상기 센싱 데이터를 상기 소정의 특징 공간에 매핑하는 단계; 및 상기 매핑된 센싱 데이터와 상기 배터리의 상태 타입에 따른 패턴들에 대한 정보를 비교하여 상기 배터리의 상태를 추정하는 단계를 포함할 수 있다.
도 1은 일 실시예에 따른 배터리 시스템 및 전처리 장치를 나타낸 블록도이다.
도 2는 일 실시예에 따른 배터리 상태를 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 배터리 상태 추정 장치를 나타낸 블록도이다.
도 4는 일 실시예에 따른 배터리 상태 추정을 위한 전처리 장치를 나타낸 블록도이다.
도 5는 일 실시예에 따른 캘리브레이션 기법을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 캘리브레이션을 설명하기 위한 도면이다.
도 7은 다른 일 실시예에 따른 캘리브레이션을 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 세그먼트 벡터의 생성을 설명하기 위한 도면이다.
도 9a 및 도 9b는 일 실시예에 따른 특징 공간으로의 매핑을 설명하기 위한 도면이다.
도 10은 일 실시예에 따른 배터리 상태의 추정을 설명하기 위한 도면이다.
도 11은 다른 일 실시예에 따른 배터리 상태 추정 장치를 나타낸 블록도이다.
도 12는 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 동작 흐름도이다.
도 13은 일 실시예에 따른 배터리 상태 추정을 위한 전처리 방법을 설명하기 위한 동작 흐름도이다.
도 14는 다른 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 동작 흐름도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 배터리 시스템 및 전처리 장치를 나타낸 블록도이다.
도 1을 참조하면, 배터리 시스템(110)은 배터리(120) 및 배터리 제어 장치(Battery Management System: BMS)(130)를 포함할 수 있다. 배터리(120)는 배터리 시스템(110)이 장착된 구동 수단(예를 들어, 전기 자동차)에 전력을 공급할 수 있고, 복수의 배터리 모듈을 포함할 수 있다. 복수의 배터리 모듈 각각은 복수의 셀을 포함할 수 있다. 복수의 배터리 모듈 상호간은 직렬 및 병렬로 혼합 연결될 수 있다. 일 실시예에서, 복수의 배터리 모듈은 리튬 이온 배터리와 같은 2차 전지일 수 있다. 또한, 복수의 배터리 모듈의 용량은 서로 동일할 수도 있고, 서로 상이할 수도 있다. 또한, 배터리 시스템(110)은 에너지 저장 시스템(Energy Storage System: ESS)를 의미할 수 있다.
배터리 제어 장치(130)는 배터리(120)의 상태를 모니터링하고, 배터리(120)를 제어할 수 있다. 일 실시예에서, 배터리 제어 장치(130)는 배터리(120)에 포함된 복수의 배터리 모듈의 열제어를 수행할 수 있다. 또한, 배터리 제어 장치(130)는 배터리의 과충전 및 과방전을 방지하고, 셀 밸런싱을 수행하여 배터리에 포함된 복수의 배터리 모듈간의 충전 상태가 균등하도록 제어할 수 있다. 이에 따라, 배터리의 에너지 효율이 높아지고, 배터리의 수명이 연장될 수 있다.
또한, 배터리 제어 장치(130)는 복수의 배터리 모듈의 수명 정보(State of Health: SoH), 충전 정보(State of Charge: SoC), 기능 정보(State of Function: SoF) 등을 추정할 수 있다. 여기서, 수명 정보는 배터리(120)의 성능이 제조 시에 비해 어느 정도 열화되었는지를 나타내고, 충전 정보는 배터리(120)에 수용된 전하량에 대한 정보를 나타내고, 기능 정보는 배터리(120)의 성능이 미리 정해진 조건에 얼마나 부합되는지에 대한 정보를 나타낼 수 있다.
배터리 제어 장치(130)는 수명 정보, 충전 정보, 기능 정보를 전자 제어 장치(Electronic Control Unit: ECU)에 제공할 수 있다. 일 실시예에서, 배터리 제어 장치(130)는 CAN(Controller Area Network) 통신을 이용하여 전자 제어 장치(ECU)와 통신을 수행할 수 있다.
배터리 제어 장치(130)는 배터리(120)에 대한 센싱 데이터를 이용하여, 배터리(120)의 상태를 추정할 수 있다. 여기서, 배터리(120)의 상태는 정상(normal) 상태, 비정상(abnormal) 상태 및 고장(fault) 상태를 포함할 수 있다. 정상 상태는 배터리(120)가 정상 기능을 수행하는 상태를 의미하고, 비정상 상태는 배터리(120)가 동작은 가능하나 정상 기능을 수행하지 못하는 상태를 의미하고, 고장 상태는 배터리(120)가 동작을 수행하지 못하는 상태를 의미할 수 있다. 예를 들어, 비정상 상태 및 고장 상태는 배터리(120)의 과충전, 과방전, 열 폭주, 폭발, 접촉 오류, 전력 감소 등을 포함할 수 있다. 또한, 비정상 상태 및 고장 상태는 다양한 원인에 의하여 발생될 수 있다. 예를 들어, 비정상 상태 및 고장 상태는 배터리(120) 타입에 따른 배터리(120) 내부의 화학적인 반응 상태, 배터리(120) 주변의 온도, 습도와 같은 주변 환경 및 배터리(120)의 충방전 내역 등 다양한 오류 요인에 기인할 수 있다.
일 실시예에서, 배터리 제어 장치(130)는 배터리(120)에 대한 센싱 데이터를 획득하고, 획득한 센싱 데이터를 근사화하여, 근사화된 센싱 데이터와 미리 정해진 참조 정보를 비교하여 배터리(120)의 상태를 추정할 수 있다. 여기서, 센싱 데이터는 배터리(120)의 전압 데이터, 전류 데이터, 온도 데이터 또는 압력 데이터 중 적어도 하나를 포함할 수 있다. 배터리 제어 장치(130)는 센싱 데이터를 미리 정해진 시간 간격 및 미리 정해진 크기로 분할하고, 분할된 데이터를 소정의 특징 공간에 매핑할 수 있다. 미리 정해진 참조 정보는 전처리 장치(140)에 의해 미리 획득될 수 있고, 배터리의 상태 타입에 따른 패턴들에 대한 정보를 포함할 수 있다. 배터리 제어 장치(130)는 소정의 특징 공간에 매핑된 데이터와 배터리의 상태 타입에 따른 패턴들에 대한 정보를 비교하여 배터리(120)의 상태를 결정할 수 있다. 이에 따라, 배터리 제어 장치(130)는 배터리(120)의 타입, 배터리(120)의 오류 원인 등에 관계없이 실시간으로 배터리(120)의 상태를 추정할 수 있고, 배터리(120) 레벨 단위뿐만 아니라, 배터리 팩 레벨 단위 및 배터리 셀 레벨 단위에 대해서도 상태를 추정할 수 있다.
전처리 장치(140)는 배터리 제어 장치(130)가 배터리(120)의 상태를 추정하기 위하여 필요한 정보를 배터리 제어 장치(130)에 제공할 수 있다. 도 1에서, 전처리 장치(140)는 배터리 시스템(110)과 분리하여 표현되었지만, 일 실시예에서, 전처리 장치(140)는 배터리 시스템(110)내에 포함될 수도 있다. 예를 들어, 전처리 장치(140)는 PC, 서버 또는 클라우드와 같이 배터리 시스템(110)의 외부에서 구현될 수도 있고, 모듈의 형태로 전처리 장치(140)의 내부에서 구현될 수도 있다.
전처리 장치(140)는 데이터베이스(미도시)에 포함된 복수의 센싱 데이터를 근사화하기 위한 매핑 파라미터를 추출하고, 추출된 매핑 파라미터를 기초로 복수의 센싱 데이터를 근사화고, 근사화된 복수의 센싱 데이터를 이용하여 배터리의 상태 타입에 따른 패턴들에 대한 정보를 생성할 수 있다. 전처리 장치(140)는 유선 인터페이스 또는 무선 인터페이스를 이용하여 배터리 제어 장치(130)와 데이터를 송수신할 수 있고, 이에 따라, 전처리 장치(140)는 배터리의 상태 타입에 따른 패턴들에 대한 정보를 배터리 제어 장치(130)에 전송할 수 있다. 배터리 제어 장치(130)는 배터리의 상태 타입에 따른 패턴들에 대한 정보를 미리 획득할 수 있고, 이에 따라, 배터리 제어 장치(130)가 배터리(120)의 상태를 추정하는데 소요되는 연산량 및 시간이 감소될 수 있다. 일 실시예에서, 전처리 장치(140)는 배터리의 상태 타입에 따른 패턴들에 대한 정보를 주기적으로 업데이트할 수도 있고, 미리 정해진 규칙에 따라 업데이트할 수도 있다. 예를 들어, 배터리(120)에 대한 새로운 센싱 데이터가 데이터베이스(미도시)에 입력된 경우, 전처리 장치(140)는 배터리(120)에 대한 새로운 센싱 데이터를 이용하여 배터리(120)의 상태 타입에 따른 패턴들에 대한 정보를 업데이트할 수 있다.
도 2는 일 실시예에 따른 배터리 상태를 설명하기 위한 도면이다.
도 2를 참조하면, 배터리의 상태는 배터리 상태 영역(200)과 같이 복수의 영역으로 표현될 수 있다. 배터리 상태 영역(200)은 정상 상태 영역(210), 비정상 상태 영역(220) 및 고장 상태 영역(230)으로 분류될 수 있다. 정상 상태 영역(210)에 있는 배터리(211)는 정상 기능을 수행할 수 있고, 비정상 상태 영역(220)에 있는 배터리(221)는 동작은 가능하나 정상 기능을 수행하지 못할 수 있고, 고장 상태 영역(230)에 있는 배터리(241, 242, 243)는 동작을 수행하지 못할 수 있다. 도 2의 예에서, 비정상 상태 영역(220)에 있는 배터리(221)는 제조시 정상 상태 영역(210)에 존재했으나 일정 시간이 흐른 후에 비정상 상태 영역(220)에 존재할 수 있다. 배터리(221)에 대한 오류 원인이 해결된 경우, 배터리(221)는 다시 정상 상태 영역(210)에 존재할 수 있다.
고장 상태 영역(230)은 세부 영역(231, 232)을 포함할 수 있다. 세부 영역(231, 232)은 복수의 고장 상태 타입 중 어느 하나를 나타낼 수 있다. 예를 들어, 제1 세부 영역(231)은 배터리가 완전 방전된 상태를 나타낼 수 있고, 제2 세부 영역(232)는 배터리가 열 폭주된 상태를 나타낼 수 있다. 배터리(241)가 제1 세부 영역(231)에 존재하는 것은 배터리(241)가 완전 방전된 상태임을 의미할 수 있고, 배터리(242)가 제2 세부 영역(232)에 존재하는 것은 배터리(242)가 열 폭주된 상태임을 의미할 수 있으며, 배터리(243)가 고장 상태 영역(230) 중 세부 영역(231, 232)를 제외한 영역에 존재하는 것은 배터리(243)가 동작을 수행하지 못하는 고장 상태이지만 배터리(243)의 고장 타입이 인지되지 못한 것을 의미할 수 있다.
도 3은 일 실시예에 따른 배터리 상태 추정 장치를 나타낸 블록도이다.
도 3을 참조하면, 배터리 추정 장치(300)는 통신부(310), 센싱 데이터 획득부(320) 및 배터리 상태 추정부(330)를 포함할 수 있다. 일 실시예에서, 배터리 추정 장치(300)는 도 1의 배터리 제어 장치(130)를 나타낼 수 있다.
통신부(310)는 유선 인터페이스 또는 무선 인터페이스를 이용하여 외부와 데이터를 송수신할 수 있다. 여기서, 외부는 배터리 추정 장치(300)를 제외한 모든 장치를 나타낼 수 있다. 예를 들어, 통신부(310)는 유선 인터페이스를 이용하여 배터리 추정 장치(300)가 장착된 구동 수단 내의 소정 장치와 데이터를 송수신할 수 있고, 무선 인터페이스를 이용하여 배터리 추정 장치(300)가 장착된 구동 수단 외부의 장치(예를 들어, 서버, 클라우드)와 데이터를 송수신할 수 있다.
센싱 데이터 획득부(320)는 배터리에 대한 센싱 데이터를 획득할 수 있다. 여기서, 센싱 데이터는 배터리를 센싱하는 센서로부터 센싱된, 배터리의 전압 데이터, 전류 데이터, 온도 데이터 또는 압력 데이터 중 적어도 하나를 포함할 수 있다. 센싱 데이터는 미리 정해진 시간 구간동안, 미리 정해진 시간 간격(예를 들어, 샘플링 시간)으로 센싱된 시계열적(time-series) 데이터를 의미할 수 있다. 예를 들어, 전압 센서는 센싱 데이터 획득부(320)의 제어에 따라 10초 동안, 1초의 시간 간격으로 배터리의 전압을 센싱할 수 있고, 센싱 데이터 획득부(320)는 전압 센서로부터 센싱 데이터를 수신할 수 있다. 센싱 데이터 획득부(320)는 획득한 센싱 데이터를 배터리 상태 추정부(330) 또는 통신부(310)에 제공할 수 있다.
배터리 상태 추정부(330)는 센싱 데이터를 근사화하고, 근사화된 센싱 데이터와 미리 정해진 참조 정보를 비교하여 배터리의 상태를 추정할 수 있다. 일 실시예에서, 배터리 상태 추정부(330)는 캘리브레이션부(340), 센싱 데이터 분할부(350), 특징 공간 매핑부(360) 및 배터리 상태 추정부(370)를 포함할 수 있다.
캘리브레이션부(340)는 미리 정해진 캘리브레이션 주기를 기준으로 센싱 데이터의 시간 오차를 보정할 수 있다. 센싱 데이터 획득부(320)가 획득한 센싱 데이터는 센서의 상태에 따라 센싱 지연이 발생될 수 있고, 센서들 간의 네트워크 상태에 따라 센서들 간의 센싱 시간이 비동기될 수 있다. 이에 따라, 센서들이 센싱 데이터 획득부(320)의 제어에도 불구하고, 서로 다른 주기 또는 서로 다른 시각에 따라 배터리를 센싱할 수 있다. 센싱 데이터 획득부(320)에서 획득한 원(raw) 센싱 데이터에 포함된 복수의 센싱값이 미리 정해진 캘리브레이션 주기와 대응하지 않는 경우, 캘리브레이션부(340)는 미리 정해진 캘리브레이션 주기를 기준으로 원 센싱 데이터의 시간 오차를 보정할 수 있다. 예를 들어, 캘리브레이션부(340)는 미리 정해진 샘플링 레이트(sampling rate)를 기준으로 원 센싱 데이터의 샘플링 레이트를 등간격으로 보정할 수 있다. 일 실시예에서, 캘리브레이션부(340)는 통신부(310)를 통해 외부(예를 들어, 전처리 장치)로부터 미리 정해진 캘리브레이션 주기와 같은 캘리브레이션 파라미터에 대한 정보를 수신할 수 있다.
또한, 일 실시예에서, 캘리브레이션부(340)는 캘리브레이션 주기를 조절할 수 있다. 예를 들어, 센서의 샘플링 레이트가 0.1초로 고정되어 있는 경우, 센싱 데이터 획득부(320)에서 획득한 센싱 데이터의 샘플링 레이트는 0.1초로 고정될 수 있다. 이 때, 샘플링 레이트가 0.2초가 되어도 배터리 상태 추정 장치(300)의 성능이 저하되지 않을 수 있다. 이 경우, 캘리브레이션부(340)는 캘리브레이션 주기를 0.2초로 설정하여 센싱 데이터를 캘리브레이션할 수 있다. 이에 따라, 센싱 데이터의 차원이 절반으로 줄어들게 되어, 배터리 상태 추정 장치(300)에서의 연산량이 감소될 수 있다.
일 실시예에서, 캘리브레이션부(340)는 보간(interpolation) 기법, 병합(merge) 기법 또는 평균(average) 기법과 같은 캘리브레이션 기법을 이용하여 원 센싱 데이터를 보정할 수 있다. 예를 들어, 보간 기법을 이용할 경우, 캘리브레이션부(340)는 원 센싱 데이터에 포함된 복수의 센싱값의 선형성을 기초로, 미리 정해진 캘리브레이션 주기를 기준으로 복수의 센싱값을 보간하여 미리 정해진 캘리브레이션 주기와 대응하는 센싱값을 설정할 수 있다. 다른 예로서, 병합 기법을 이용할 경우, 캘리브레이션부(340)는 미리 정해진 캘리브레이션 주기와 가장 근접한 시간에 따른 센싱값의 크기를 미리 정해진 캘리브레이션 주기와 대응하는 센싱값의 크기로 설정할 수 있다. 또 다른 예로서, 평균 기법을 이용할 경우, 캘리브레이션부(340)는 미리 정해진 캘리브레이션 주기와 근접한 시간에 따른 센싱값들의 평균 크기를 미리 정해진 캘리브레이션 주기와 대응하는 센싱값의 크기로 설정할 수 있다. 보간 기법, 병합 기법 및 평균 기법에 대해서는 도 5에서 보다 상세하게 설명한다.
일 실시예에서, 긴 시간동안 센싱된 센싱 데이터일수록 센싱 데이터의 시간 축의 차원이 증가할 수 있고, 시간 축의 차원이 증가할수록 센싱 데이터의 처리에 많은 연산량이 요구될 수 있다. 또한, 배터리의 특징상 상대적으로 짧은 시간동안 센싱된 센싱 데이터가 상대적으로 긴 시간동안 센싱된 센싱 데이터보다 배터리 상태의 추정에 적합할 수 있다. 이를 위해, 센싱 데이터 분할부(350)는 세그먼트 인터벌(segment interval) 및 세그먼트 사이즈(segment size)로 센싱 데이터를 분할할 수 있다. 여기서, 세그먼트 인터벌 및 세그먼트 사이즈는 미리 정해질 수 있다. 일 실시예에서, 센싱 데이터 분할부(350)는 센싱 데이터를 세그먼트 인터벌에 따라 분할하고, 분할된 구간마다 세그먼트 사이즈를 갖는 세그먼트를 추출하여, 세그먼트를 포함하는 세그먼트 벡터를 생성할 수 있다. 이에 따라, 센싱 데이터는 동일한 시간 구간의 정보 및 동일한 크기의 차원 형태로 분할될 수 있고, 따라서, 배터리 상태 추정부(330)가 추정하는 배터리 상태의 신뢰성이 향상될 수 있다. 세그먼트 벡터는 배터리 상태 추정부(330)에서 수행되는 배터리의 상태 추정의 기본 단위가 될 수 있다.
또한, 일 실시예에서, 센싱 데이터가 전압 데이터, 전류 데이터, 온도 데이터 또는 압력 데이터 중 적어도 두 개를 포함하는 경우, 센싱 데이터 분할부(350)는 적어도 두 개의 데이터 각각에 대하여 세그먼트를 추출하고, 추출된 세그먼트들을 기초로 적어도 두 개의 데이터 각각에 대응하는 데이터 블록들을 생성하고, 데이터 블록들을 조합하여 세그먼트 벡터를 생성할 수 있다. 예를 들어, 센싱 데이터가 전압 데이터 및 압력 데이터를 포함하는 경우, 센싱 데이터 분할부(350)는 전압 데이터 및 압력 데이터 각각을 세그먼트 인터벌로 분할하고, 분할된 구간마다 세그먼트 사이즈를 갖는 세그먼트를 추출할 수 있다. 센싱 데이터 분할부(350)는 전압 데이터의 세그먼트로 구성된 전압 데이터 블록 및 압력 데이터의 세그먼트로 구성된 압력 데이터 블록을 생성하고, 전압 데이터 블록 및 압력 데이터 블록을 조합하여 세그먼트 벡터를 생성할 수 있다.
일 실시예에서, 센싱 데이터 분할부(350)는 센싱 데이터의 분할에 이용되는 세그먼트 인터벌 및 세그먼트 사이즈와 같은 세그먼트 파라미터를 조절할 수 있다. 이에 따라, 세그먼트 벡터가 갖는 정보의 양과 세그먼트 벡터의 생성 속도는 조절될 수 있다. 일 예로, 센싱 데이터 분할부(350)는 세그먼트 파라미터를 설정할 수도 있고, 통신부(310)를 통해 외부(예를 들어, 전처리 장치)로부터 세그먼트 파라미터에 대한 정보를 수신할 수 있다. 또한, 일 실시예에서, 세그먼트 인터벌은 배터리 상태 추정부(330)가 배터리 상태를 추정하는 시간과 대응될 수 있다. 예를 들어, 미리 정해진 시간 간격이 5분으로 설정된 경우, 배터리 상태 추정부(330)는 5분마다 배터리의 상태를 추정할 수 있다.
특징 공간 매핑부(360)는 미리 정해진 매핑 파라미터를 이용하여 세그먼트 벡터를 소정의 특징 공간에 매핑할 수 있다. 여기서, 특징 공간은 센싱 데이터를 저차원으로 표현할 수 있는 공간을 의미할 수 있다. 일 예로, 특징 공간 매핑부(360)는 미리 정해진 매핑 파라미터를 설정할 수도 있고, 통신부(310)를 통해 외부(예를 들어, 전처리 장치)로부터 미리 정해진 매핑 파라미터에 대한 정보를 수신할 수도 있다. 세그먼트 벡터가 소정의 특징 공간으로 매핑됨에 따라, 적은 정보 손실로 고차원의 데이터가 저차원의 직교 공간에 압축적으로 표현될 수 있다. 이에 따라, 배터리 상태 추정부(330)에서 배터리 상태 추정을 위한 연산량이 감소될 수 있다.
일 실시예에서, 미리 정해진 매핑 파라미터는 미리 정해진 기준 매트릭스를 포함할 수 있고, 특징 공간 매핑부(360)는 세그먼트 벡터를 미리 정해진 기준 매트릭스에 사영(project)하여 소정의 특징 공간에 매핑함으로써, 소정의 특징 공간과 대응되는 차원을 갖는 특징 벡터를 추출할 수 있다. 예를 들어, 특징 공간 매핑부(360)는 전처리 장치로부터 PCA(Principle Component Analysis) 베이시스 매트릭스(PCA basis matrix)를 획득할 수 있다. 특징 공간 매핑부(360)는 세그먼트 벡터를 PCA 베이시스 매트릭스에 사영하여, 세그먼트 벡터를 PCA 특징 공간에 매핑할 수 있다. 다른 예로서, 특징 공간 매핑부(360)는 세그먼트 벡터를 LDA(Linear Discriminant Analysis) 베이시스 매트릭스에 사영하여, 세그먼트 벡터를 LDA 특징 공간에 매핑할 수 있다.
배터리 상태 추정부(370)는 소정의 특징 공간에 매핑된 특징 벡터와 미리 정해진 참조 정보를 비교하여 배터리의 상태를 추정할 수 있다. 여기서, 미리 정해진 참조 정보는 소정의 특징 공간상에서의 배터리의 상태 타입에 따른 패턴들에 대한 정보를 포함할 수 있다. 일 실시예에서, 미리 정해진 참조 정보는 소정의 특징 공간상에서 정량화된, 정상 상태 타입, 비정상 상태 타입 및 고장 상태 타입에 대한 데이터 패턴을 나타낼 수 있다. 비정상 상태 타입 및 고장 상태 타입은 각각 적어도 하나의 서브 타입을 포함할 수 있고, 이 경우, 미리 정해진 참조 정보는 각 서브 타입에 대한 데이터 패턴을 포함할 수 있다.
일 실시예에서, 미리 정해진 참조 정보는 복수의 센싱 데이터를 기초로 생성될 수 있으므로, 배터리 상태 추정부(370)가 미리 정해진 참조 정보를 생성하는 경우, 생성에 많은 시간이 소요될 수 있다. 배터리 상태 추정부(370)는 미리 정해진 참조 정보를 외부(예를 들어, 전처리 장치)로부터 수신할 수 있고, 이 경우, 배터리 상태 추정부(370)는 비교적 적은 시간으로 배터리의 상태를 추정할 수 있다.
또한, 배터리 상태 추정부(370)는 소정의 특징 공간상에서 정량화된, 정상 상태 타입, 비정상 상태 타입 및 고장 상태 타입에 대한 데이터 패턴과 특징 벡터를 비교하여 배터리의 상태를 결정할 수 있다. 일 실시예에서, 배터리 상태 추정부(370)는 소정의 특징 공간 내에서의 각각의 데이터 패턴과 특징 벡터간의 유사도를 계산하여 배터리의 상태를 결정할 수 있다. 일 예로, 배터리 상태 추정부(370)는 소정의 결정 모델(예를 들어, Support Vector Machine(SVM) Classifier Model, Neural Network Model, Decision Tree Model, K-nearest neighbor Model, Gaussian Process Model)을 이용하여 데이터 패턴들과 특징 벡터간의 유사도를 계산할 수 있다. 예를 들어, 배터리 상태 추정부(370)는 Gaussian Process Model을 이용하여 정상 상태 타입에 대한 데이터 패턴(제1 패턴), 비정상 상태 타입에 대한 데이터 패턴(제2 패턴) 및 고장 상태 타입에 대한 데이터 패턴(제3 패턴)과 특징 벡터간의 유사도를 계산할 수 있고, 이 중 제1 패턴과의 유사도가 나머지 패턴과의 유사도보다 높은 경우, 배터리 상태 추정부(370)는 배터리의 상태를 정상 상태로 결정할 수 있다.
일 실시예에서, 배터리 상태 추정부(370)는 배터리 상태 타입들에 대한 데이터 패턴들 각각에 특징 벡터가 분포할 확률값을 계산하고, 확률값이 가장 큰 데이터 패턴에 대응하는 배터리 상태 타입을 배터리의 상태로 결정할 수 있다.
다른 일 실시예에서, 배터리 상태 추정부(370)는 배터리 상태 타입들에 대한 데이터 패턴을 복수의 영역으로 분할하고, 복수의 영역 중 특징 벡터와 거리가 가까운 영역에 대응하는 배터리 상태 타입을 배터리의 상태로 결정할 수 있다.
도 4는 일 실시예에 따른 배터리 상태 추정을 위한 전처리 장치를 나타낸 블록도이다.
도 4를 참조하면, 전처리 장치(400)는 통신부(410), 근사화부(420) 및 패턴 정보 생성부(460)를 포함할 수 있다. 일 실시예에서, 전처리 장치(400)는 도 1의 전처리 장치(140)를 나타낼 수 있다.
통신부(410)는 유선 인터페이스 또는 무선 인터페이스를 이용하여 외부와 데이터를 송수신할 수 있다. 여기서, 외부는 전처리 장치(400)를 제외한 모든 장치를 나타낼 수 있다. 예를 들어, 통신부(410)는 유선 인터페이스 또는 무선 인터페이스를 이용하여 도 3의 배터리 상태 추정 장치(300)와 데이터를 송수신할 수 있다.
근사화부(420)는 데이터베이스에 포함된 복수의 센싱 데이터를 근사화하기 위한 매핑 파라미터를 추출하고, 추출된 매핑 파라미터를 기초로 복수의 센싱 데이터를 근사화할 수 있다. 근사화부(420)는 캘리브레이션부(430), 센싱 데이터 분할부(440) 및 특징 공간 매핑부(450)를 포함할 수 있다.
캘리브레이션부(430)는 미리 정해진 캘리브레이션 주기를 기준으로 센싱 데이터의 시간 오차를 보정할 수 있다. 복수의 센싱 데이터는 서로 다른 센싱 주기 또는 서로 다른 센싱 시각에 따라 생성되어 데이터베이스에 저장될 수 있다. 이를 위해, 복수의 원(raw) 센싱 데이터 각각에 포함된 복수의 센싱값이 미리 정해진 캘리브레이션 주기와 대응하지 않는 경우, 캘리브레이션부(430)는 미리 정해진 캘리브레이션 주기를 기준으로 복수의 원 센싱 데이터 각각의 시간 오차를 보정할 수 있다. 예를 들어, 캘리브레이션부(430)는 미리 정해진 샘플링 레이트로 원 센싱 데이터의 샘플링 레이트를 등간격으로 보정할 수 있다. 일 실시예에서, 캘리브레이션부(340)는 미리 정해진 캘리브레이션 주기를 설정할 수 있고, 통신부(410)를 통해 외부(예를 들어, 배터리 상태 추정 장치)에 미리 정해진 캘리브레이션 주기와 같은 캘리브레이션 파라미터에 대한 정보를 전송할 수 있다.
일 실시예에서, 캘리브레이션부(430)는 보간 기법, 병합 기법 또는 평균 기법을 이용하여 원 센싱 데이터를 보정할 수 있다. 예를 들어, 보간 기법을 이용할 경우, 캘리브레이션부(430)는 원 센싱 데이터에 포함된 복수의 센싱값의 선형성을 기초로, 미리 정해진 캘리브레이션 주기를 기준으로 복수의 센싱값을 보간하여 미리 정해진 캘리브레이션 주기와 대응하는 센싱값을 설정할 수 있다. 다른 예로서, 병합 기법을 이용할 경우, 캘리브레이션부(430)는 미리 정해진 캘리브레이션 주기와 가장 근접한 시간에 따른 센싱값의 크기를 미리 정해진 캘리브레이션 주기와 대응하는 센싱값의 크기로 설정할 수 있다. 또 다른 예로서, 평균 기법을 이용할 경우, 캘리브레이션부(430)는 미리 정해진 캘리브레이션 주기와 근접한 시간에 따른 센싱값들의 평균 크기를 미리 정해진 캘리브레이션 주기와 대응하는 센싱값의 크기로 설정할 수 있다.
일 실시예에서, 센싱 데이터 분할부(440)는 복수의 센싱 데이터 각각을 세그먼트 인터벌에 따라 분할하고, 분할된 구간마다 세그먼트 사이즈를 갖는 세그먼트를 추출하여, 세그먼트를 포함하는 세그먼트 벡터를 생성할 수 있다. 이에 따라, 복수의 센싱 데이터 각각은 동일한 시간 구간의 정보 및 동일한 크기의 차원 형태로 분할될 수 있고, 따라서, 패턴 정보 생성부(460)가 생성하는 배터리의 상태 타입에 따른 패턴들에 대한 정보의 신뢰성이 향상될 수 있다.
일 실시예에서, 복수의 센싱 데이터 각각이 전압 데이터, 전류 데이터, 온도 데이터 또는 압력 데이터 중 적어도 두 개를 포함하는 경우, 센싱 데이터 분할부(440)는 적어도 두 개의 데이터 각각에 대하여 세그먼트를 추출하고, 추출된 세그먼트들을 기초로 적어도 두 개의 데이터 각각에 대응하는 데이터 블록들을 생성하고, 데이터 블록들을 조합하여 세그먼트 벡터를 생성할 수 있다. 예를 들어, 센싱 데이터가 전압 데이터 및 온도 데이터를 포함하는 경우, 센싱 데이터 분할부(440)는 전압 데이터 및 온도 데이터 각각을 세그먼트 인터벌로 분할하고, 분할된 구간마다 세그먼트 사이즈를 갖는 세그먼트를 추출할 수 있다. 센싱 데이터 분할부(440)는 전압 데이터의 세그먼트로 구성된 전압 데이터 블록 및 온도 데이터의 세그먼트로 구성된 온도 데이터 블록을 생성하고, 전압 데이터 블록 및 온도 데이터 블록을 조합하여 세그먼트 벡터를 생성할 수 있다. 센싱 데이터 분할부(440)는 복수의 센싱 데이터 각각에 대한 세그먼트 벡터들을 세그먼트 데이터베이스(미도시)에 저장할 수 있다.
일 실시예에서, 센싱 데이터 분할부(440)는 센싱 데이터의 분할에 이용되는 세그먼트 인터벌 및 세그먼트 사이즈와 같은 세그먼트 파라미터를 조절할 수 있다. 또한, 세그먼트 인터벌은 배터리 상태 추정 장치가 배터리 상태를 추정하는 시간과 대응될 수 있다. 이에 따라, 센싱 데이터 분할부(440)는 세그먼트 인터벌을 조절함으로써, 세그먼트 벡터가 갖는 정보의 양, 세그먼트 벡터의 생성 속도 및 배터리 상태 추정 장치가 배터리 상태를 추정하는 시간을 조절할 수 있다.
일 실시예에서, 센싱 데이터 분할부(440)는 세그먼트 파라미터를 설정할 수도 있고, 통신부(410)를 통해 외부(예를 들어, 배터리 상태 추정 장치)에 세그먼트 파라미터에 대한 정보를 전송할 수 있다.
특징 공간 매핑부(450)는 미리 저장된 복수의 매핑 파라미터 중 소정의 특성 공간에 매핑된 복수의 센싱 데이터의 복원 오류를 최소화하는 매핑 파라미터를 추출할 수 있다. 예를 들어, 특징 공간 매핑부(450)는 세그먼트 데이터베이스에 저장된 복수의 세그먼트 벡터를 복수의 매핑 파라미터를 이용하여 소정의 특성 공간에 매핑시키고, 매핑된 복수의 세그먼트 벡터를 복원시킴으로써, 복수의 매핑 파라미터 중 복수의 센싱 데이터의 복원 오류를 최소화하는 매핑 파라미터를 추출할 수 있다. 다른 예로서, 특징 공간 매핑부(450)는 세그먼트 데이터베이스에 저장된 복수의 세그먼트 벡터의 샘플링 공분산(sampling covariance)를 계산하여 eigen decomposition을 수행함으로써, 복수의 매핑 파라미터 중 복수의 센싱 데이터의 복원 오류를 최소화하는 매핑 파라미터를 추출할 수 있다.
일 실시예에서, 특징 공간 매핑부(450)는 추출한 매핑 파라미터에 대한 정보를 통신부(410)를 통해 외부(예를 들어, 배터리 상태 추정 장치)에 전송할 수 있다.
특징 공간 매핑부(450)는 추출된 매핑 파라미터를 이용하여 복수의 세그먼트 벡터를 소정의 특징 공간에 매핑할 수 있다. 복수의 세그먼트 벡터가 소정의 특징 공간으로 매핑됨에 따라, 적은 정보 손실로 고차원의 데이터가 저차원의 직교 공간에 압축적으로 표현될 수 있다. 이에 따라, 배터리 상태 추정 장치에서의 배터리 상태 추정을 위한 연산량이 감소될 수 있다.
일 실시예에서, 매핑 파라미터는 기준 매트릭스를 포함할 수 있고, 특징 공간 매핑부(450)는 복수의 세그먼트 벡터를 기준 매트릭스에 사영하여 소정의 특징 공간에 매핑함으로써, 소정의 특징 공간과 대응되는 차원을 갖는 복수의 특징 벡터를 추출할 수 있다. 특징 공간 매핑부(450)는 추출한 복수의 특징 벡터를 특징 데이터베이스에 저장할 수 있다. 예를 들어, 특징 공간 매핑부(450)는 복수의 PCA 베이시스 매트릭스 중 복수의 센싱 데이터의 복원 오류를 최소화하는 PCA 베이시스 매트릭스를 추출하고, 복수의 세그먼트 벡터를 추출된 PCA 베이시스 매트릭스에 사영하여 PCA 특징 공간에 매핑할 수 있다. 다른 예로서, 특징 공간 매핑부(450)는 복수의 LDA 베이시스 매트릭스 중 복수의 센싱 데이터의 복원 오류를 최소화하는 LDA 베이시스 매트릭스를 추출하고, 복수의 세그먼트 벡터를 추출된 LDA 베이시스 매트릭스에 사영하여, 복수의 세그먼트 벡터를 LDA 특징 공간에 매핑할 수 있다. 또 다른 예로서, 특징 공간 매핑부(450)는 복수의 NMF(Nonnegative Matrix Factorization) 베이시스 매트릭스 중 복수의 센싱 데이터의 복원 오류를 최소화하는 NMF 베이시스 매트릭스를 추출하고, 복수의 세그먼트 벡터를 추출된 NMF 베이시스 매트릭스에 사영하여, 복수의 세그먼트 벡터를 NMF 특징 공간에 매핑할 수 있다.
패턴 정보 생성부(460)는 미리 정해진 모델 파라미터를 기초로 복수의 특징 벡터를 모델링하여 배터리의 상태 타입에 따른 패턴들에 대한 정보를 추출할 수 있다. 여기서, 배터리의 상태 타입에 따른 패턴들에 대한 정보는 소정의 특징 공간상에서 정량화된, 정상 상태 타입, 비정상 상태 타입 및 고장 상태 타입에 대한 데이터 패턴을 나타낼 수 있다. 비정상 상태 타입 및 고장 상태 타입은 각각 적어도 하나의 서브 타입을 포함할 수 있고, 배터리의 상태 타입에 따른 패턴들에 대한 정보는 각 서브 타입에 대한 데이터 패턴을 포함할 수 있다.
일 실시예에서, 패턴 정보 생성부(460)는 미리 저장된 복수의 모델 파라미터 중 배터리의 상태 타입에 따른 패턴들에 대한 정보의 추정 오류를 최소화하는 모델 파라미터를 추출할 수 있다. 예를 들어, 패턴 정보 생성부(460)는 특징 데이터베이스에 저장된 복수의 특징 벡터를 트레이닝 데이터로 구성하고, 복수의 모델 파라미터(예를 들어, 복수의 확률 밀도 모델(probability density model)에 트레이닝 데이터를 적용하여, 배터리 상태 타입 각각에 대응하는 모델 파라미터를 추출할 수 있다.
패턴 정보 생성부(460)는 생성한 배터리의 상태 타입에 따른 패턴들에 대한 정보를 통신부(410)를 통해 배터리 상태 추정 장치에 전송할 수 있다. 이에 따라, 배터리 상태 추정 장치가 배터리 상태 추정에 소요하는 시간은 감소될 수 있다.
도 5는 일 실시예에 따른 캘리브레이션 기법을 설명하기 위한 도면이다.
도 5를 참고하면, 그래프들(510, 530, 550)의 가로축은 시간을 나타내고, 세로축은 센싱 데이터의 크기(예를 들어, 전압값, 전류값, 온도값 또는 압력값)를 나타낼 수 있다.
그래프(510)는 캘리브레이션 기법 중 보간 기법을 설명하기 위한 도면이다. 배터리 상태 추정 장치는 센서로부터 배터리의 센싱 데이터의 복수의 센싱값을 획득할 수 있다. 이 때, 센싱값들(511, 512)은 미리 정해진 캘리브레이션 주기에 따라, 각 시점(513 내지 515)에 대응되어야 함에도 불구하고 대응되지 못할 수 있다. 이 경우, 배터리 상태 추정 장치는 보간 기법을 이용하여, 센싱값들(511, 512)이 각 시점(513 내지 515)에 대응되도록 보정할 수 있다. 배터리 상태 추정 장치는 센싱값들(511, 512)간의 선형 함수를 추정하여, 선형 함수를 기초로 센싱값들(511, 512)을 보간함으로써, 각 시점(513 내지 515)에 대응하는 센싱값들(521, 522, 523)을 추출할 수 있다. 배터리 상태 추정 장치는 센싱값들(511, 512)을 센싱값들(521, 522, 523)로 수정할 수 있고, 이에 따라 센싱 데이터에 포함된 복수의 센싱값은 미리 정해진 캘리브레이션 주기와 대응될 수 있다. 배터리 상태 추정 장치는 미리 정해진 캘리브레이션 주기와 대응되지 않는 센싱값들(511, 512)을 센싱 데이터에서 삭제할 수 있다.
그래프(530)는 캘리브레이션 기법 중 병합 기법을 설명하기 위한 도면이다. 배터리 상태 추정 장치는 센서로부터 배터리의 센싱 데이터의 복수의 센싱값을 획득할 수 있다. 이 때, 센싱값들(531, 532, 533)을 미리 정해진 캘리브레이션 주기에 따라 하나의 시간 구간 내에 하나의 센싱값이 존재하여야 함에도, 하나의 시간 구간 내에 복수의 센싱값(531, 532, 533)이 존재할 수 있다. 이 경우, 배터리 상태 추정 장치는 병합 기법을 이용하여, 하나의 시간 구간 내에 존재하는 복수의 센싱값(531, 532, 533) 중 미리 정해진 캘리브레이션 주기와 가장 근접한 시간에 대응하는 센싱값(533)을 선택할 수 있다. 이에 따라, 배터리 상태 추정 장치는 선택된 센싱값(533)의 크기를 미리 정해진 캘리브레이션 주기에 따른 시점(534)에 따른 센싱값(541)의 크기로 설정할 수 있다. 배터리 상태 추정 장치는 미리 정해진 캘리브레이션 주기와 대응되지 않는 센싱값들(531, 532, 533)을 센싱 데이터에서 삭제할 수 있다.
그래프(550)는 캘리브레이션 기법 중 평균 기법을 설명하기 위한 도면이다. 배터리 상태 추정 장치는 센서로부터 획득한 배터리의 센싱 데이터 중 센싱값들(551, 552, 553)은 미리 정해진 캘리브레이션 주기에 따라 하나의 시간 구간 내에 하나의 센싱값이 존재하여야 함에도, 하나의 시간 구간 내에 함께 존재할 수 있다. 이 경우, 배터리 상태 추정 장치는 평균 기법을 이용하여, 하나의 시간 구간 내에 존재하는 복수의 센싱값(551, 552, 553)의 평균 크기를 계산하고, 복수의 센싱값(551, 552, 553)의 평균 크기를 미리 정해진 캘리브레이션 주기에 따른 시점(554)에 따른 센싱값(561)의 크기로 설정할 수 있다. 배터리 상태 추정 장치는 미리 정해진 캘리브레이션 주기와 대응되지 않는 센싱값들(551, 552, 553)을 센싱 데이터에서 삭제할 수 있다.
도 6은 일 실시예에 따른 캘리브레이션을 설명하기 위한 도면이다.
도 6을 참조하면, 히스토그램(610)의 가로축은 샘플링 레이트를 나타내고, 세로축은 주파수를 나타낼 수 있다. 히스토그램(610)은 배터리 정보 추정 장치가 캘리브레이션을 수행하기 전의 원 센싱 데이터의 샘플링 레이트를 나타낸 것이다. 히스토그램(610)에서, 원 센싱 데이터는 10초를 전후로 샘플링 레이트의 편차가 나타날 수 있다. 배터리 상태 추정 장치는 캘리브레이션 주기를 10초로 설정하여 원 센싱 데이터에 대하여 캘리브레이션을 수행할 수 있다.
또한, 히스토그램(620)의 가로축은 샘플링 레이트를 나타내고, 세로축은 센싱 데이터의 개수를 나타낼 수 있다. 히스토그램(620)은 10초의 캘리브레이션 주기에 따라 캘리브레이션이 수행된 센싱 데이터의 개수를 나타낸 것이다. 히스토그램(620)에서 나타나는 것과 같이, 배터리 상태 추정 장치의 캘리브레이션에 의하여, 캘리브레이션된 센싱 데이터는 10초의 등간격 샘플링 레이트로 보정될 수 있다.
도 7은 다른 일 실시예에 따른 캘리브레이션을 설명하기 위한 도면이다.
도 7을 참조하면, 그래프(710)는 원 센싱 데이터와 캘리브레이션된 센싱 데이터를 나타낸 것이다. 그래프(710)의 가로축은 시간을 나타내고, 세로축은 전압 크기를 나타낼 수 있다.
배터리를 센싱하는 센서들의 상태 또는 센서들 간의 네트워크 상태에 따라, 원 센싱 데이터에 포함된 복수의 센싱값들은 미리 정해진 캘리브레이션 주기(또는, 미리 정해진 샘플링 레이트)에 대응되지 못할 수 있다. 이 경우, 배터리 상태 추정 장치에서 추정된 결과값의 신뢰성이 낮아질 수 있다. 이를 위해, 배터리 상태 추정 장치는 미리 정해진 캘리브레이션 주기를 기준으로 원 센싱 데이터를 캘리브레이션할 수 있다.
또한, 일 실시예에서, 배터리 상태 추정 장치는 캘리브레이션 주기를 조절할 수 있다. 예를 들어, 원 센싱 데이터(720)의 샘플링 레이트는 10초일 수 있다. 이 때, 샘플링 레이트가 20초가 되어도 배터리 상태 추정 장치의 성능은 저하되지 않을 수 있다. 이 경우, 배터리 상태 추정 장치는 캘리브레이션 주기를 20초로 설정하여 센싱 데이터를 캘리브레이션할 수 있다. 그래프(710)에서와 같이, 캘리브레이션된 센싱 데이터(730)의 정보량은 원 센싱 데이터(710)보다 감소될 수 있고, 이에 따라, 배터리 상태 추정 장치에서의 연산량이 감소될 수 있다.
도 8은 일 실시예에 따른 세그먼트 벡터의 생성을 설명하기 위한 도면이다.
도 8을 참조하면, 그래프(810)는 전압 데이터를 나타내고, 그래프(820)는 전류 데이터를 나타내고, 그래프(830)는 온도 데이터를 나타낼 수 있다. 그래프들(810, 820, 830)의 가로축은 시간을 나타낼 수 있다. 그래프(810)의 세로축은 전압 크기를 나타내고, 그래프(820)의 세로축은 전류 크기를 나타내고, 그래프(830)의 세로축은 온도 크기를 나타낼 수 있다.
배터리 상태 추정 장치는 전압 데이터, 전류 데이터 및 온도 데이터 각각을 세그먼트 인터벌(segment interval)에 따라 분할하고, 분할된 구간마다 세그먼트 사이즈(segment size)로 전압 데이터, 전류 데이터 및 온도 데이터 각각을 분할하여 세그먼트들(811, 821, 831)을 추출할 수 있다. 여기서, 세그먼트 인터벌 및 세그먼트 사이즈는 미리 설정될 수 있다. 이에 따라, 세그먼트들(811, 821, 831)은 동일한 시간 구간의 정보 및 동일한 크기의 차원을 가질 수 있다. 배터리 상태 추정 장치는 세그먼트들(811, 821, 831) 각각을 기초로, 세그먼트들(811, 821, 831) 각각에 대응하는 세그먼트 단위의 데이터 블록들(850, 860, 870)를 생성할 수 있다. 배터리 상태 추정 장치는 전압 데이터 블록(850), 전류 데이터 블록(860) 및 온도 데이터 블록(870)을 조합하여 하나의 세그먼트 벡터(880)를 생성할 수 있다. 이후, 배터리 상태 추정 장치는 생성된 세그먼트 벡터(880)를 기본 단위로 배터리의 상태를 추정할 수 있다.
도 9a 및 도 9b는 일 실시예에 따른 특징 공간으로의 매핑을 설명하기 위한 도면이다.
도 9a를 참고하면, 배터리 상태 추정 장치는 미리 정해진 매핑 파라미터를 이용하여 세그먼트 벡터(910)를 소정의 특징 공간에 매핑할 수 있다. 세그먼트 벡터(910)는 d차원으로, 전압 데이터에 대한 데이터 블록(911), 전류 데이터에 대한 데이터 블록(912) 및 온도 데이터에 대한 데이터 블록(913)으로 구성될 수 있다. 일 실시예에서, 미리 정해진 매핑 파라미터는 PCA 베이시스 매트릭스(920)를 나타낼 수 있다. PCA 베이시스 매트릭스(920)의 차원은 d x p 차원일 수 있다. 일 예로. 전처리 장치는 복수의 PCA 베이시스 매트릭스 중 세그먼트 벡터(910)의 복원 오류를 최소화하는 PCA 베이시스 매트릭스(920)를 추출하고, 추출한 PCA 베이시스 매트릭스(920)에 대한 정보를 배터리 상태 추정 장치에 전송할 수 있다. 배터리 상태 추정 장치가 별도로 복수의 PCA 베이시스 매트릭스 중 PCA 베이시스 매트릭스(920)를 추출하지 않고, 전처리 장치로부터 PCA 베이시스 매트릭스(920)를 수신함으로써, 배터리 상태 추정 장치의 연산량은 감소될 수 있다.
배터리 상태 추정 장치는 세그먼트 벡터(910)를 PCA 베이시스 매트릭스(920)에 사영하여, 세그먼트 벡터(910)를 PCA 특징 공간에 매핑함으로써, 특징 벡터(930)를 추출할 수 있다. 여기서, 특징 벡터(930)의 차원은 p 차원(p ≪ d)일 수 있다. 이에 따라, 고차원의 세그먼트 벡터(910)가 저차원의 특징 벡터로 변환되어, 배터리 상태 추정 장치의 배터리 상태 추정을 위한 연산량이 감소될 수 있다.
도 9b를 참고하면, 전처리 장치는 미리 저장된 복수의 매핑 파라미터 중 소정의 특성 공간에 매핑된 복수의 센싱 데이터의 복원 오류를 최소화하는 매핑 파라미터를 추출할 수 있다. 전처리 장치는 추출된 매핑 파라미터를 이용하여 복수의 세그먼트 벡터를 소정의 특징 공간에 매핑할 수 있다. 예를 들어, 전처리 장치는 정상 상태의 리튬 이온 배터리를 센싱한 복수의 전압 데이터, 전류 데이터 및 온도 데이터를 획득하고, 복수의 전압 데이터, 전류 데이터 및 온도 데이터로부터 복수의 세그먼트 벡터를 추출할 수 있다. 이 때, 복수의 세그먼트 벡터의 개수는 23570개 이고, 복수의 세그먼트 벡터의 차원은 180차원이며, 복수의 세그먼트 벡터의 세그먼트 사이즈는 11분일 수 있다. 전처리 장치는 복수의 PCA 베이시스 매트릭스 중 복수의 센싱 데이터의 복원 오류를 최소화하는 PCA 베이시스 매트릭스를 추출할 수 있고, 복수의 세그먼트 벡터를 추출된 PCA 베이시스 매트릭스에 사영하여, 복수의 세그먼트 벡터를 2차원의 PCA 공간(950)에 매핑할 수 있다. 이 경우, 복수의 세그먼트 벡터들은 2차원의 PCA 공간(950)에서 특징 벡터들로 변환될 수 있고, 특징 벡터들은 2차원의 PCA 공간(950)에서 군집화될 수 있다. 예를 들어, 2차원의 PCA 공간(950)에서, 특징 벡터들은 제1 군집(960), 제2 군집(970) 및 제3 군집(980)으로 분류될 수 있다. 제1 군집(960)은 리륨 이온 배터리의 온도가 24도이고, 방전 전류가 2A 일 때 센싱된 센싱 데이터에 대응되는 특징 벡터들로 구성되고, 제2 군집(970)은 리륨 이온 배터리의 온도가 24도이고, 방전 전류가 4A 일 때 센싱된 센싱 데이터에 대응되는 특징 벡터들로 구성되고, 제3 군집(980)은 리륨 이온 배터리의 온도가 43도이고, 방전 전류가 4A 일 때 센싱된 센싱 데이터에 대응되는 특징 벡터들로 구성될 수 있다. 전처리 장치는 특징 벡터들이 2차원 PCA 공간(950)상에서 복수의 군집으로 분류되는 특성을 이용하여, 미리 정해진 모델 파라미터를 기초로 복수의 특징 벡터를 모델링하여 배터리의 상태 타입에 따른 패턴들에 대한 정보를 추출할 수 있다.
도 10은 일 실시예에 따른 배터리 상태의 추정을 설명하기 위한 도면이다.
도 10을 참조하면, 전처리 장치는 복수의 센싱 데이터로부터 복수의 세그먼트 벡터를 추출하고, 복수의 세그먼트 벡터를 PCA 베이시스 매트릭스에 사영하여, 복수의 세그먼트 벡터를 PCA 공간에 매핑할 수 있다. 이에 따라, 복수의 세그먼트 벡터들은 PCA 공간에서 복수의 특징 벡터로 변환될 수 있다. 전처리 장치는 미리 정해진 모델 파라미터를 기초로 복수의 특징 벡터를 모델링하여 배터리의 상태 타입에 따른 패턴들에 대한 정보를 추출할 수 있다. 도 10의 예에서, 제1 패턴(1010)은 정상 상태 타입을 나타내고, 제2 패턴(1020)는 제1 비정상 상태 타입(예를 들어, 과충전에 따른 비정상 상태 타입)을 나타낼 수 있다. 전처리 장치는 배터리의 상태 타입에 따른 패턴들에 대한 정보를 배터리 상태 추정 장치에 전송할 수 있다.
배터리 상태 추정 장치는 배터리를 센싱하는 센서로부터 획득한 센싱 데이터로부터 세그먼트 벡터를 추출하고, 세그먼트 벡터를 소정의 특징 공간에 매핑하여 특징 벡터를 추출할 수 있다. 배터리 상태 추정 장치는 전처리 장치로부터 획득한 배터리의 상태 타입에 따른 패턴들에 대한 정보와 특징 벡터를 비교하여 배터리의 상태를 추정할 수 있다. 일 실시예에서, 배터리 상태 추정 장치는 제1 패턴(1010) 및 제2 패턴(1020)과 특징 벡터간의 유사도를 계산하여 배터리의 상태를 결정할 수 있다. 예를 들어, 특징 벡터(1031)의 경우, 제1 패턴(1010)과의 유사도 및 제2 패턴(1020)과의 유사도가 미리 정해진 임계값보다 작을 수 있다. 이 때, 배터리 상태 추정 장치는 특징 벡터(1031)에 대응하는 배터리의 상태를 정상 상태 및 제1 비정상 상태가 아닌 임의의 비정상 상태로 결정할 수 있다. 특징 벡터(1032)의 경우, 제1 패턴(1010)과의 유사도 및 제2 패턴(1020)과의 유사도가 미리 정해진 임계값 이상이고, 제1 패턴(1010)과의 유사도가 제2 패턴(1020)과의 유사도보다 높을 수 있다. 이 때, 배터리 상태 추정 장치는 특징 벡터(1032)에 대응하는 배터리 상태를 정상 상태로 결정할 수 있다.
특징 벡터(1033)의 경우, 제1 패턴(1010)과의 유사도 및 제2 패턴(1020)과의 유사도가 미리 정해진 임계값 이상이고, 제1 패턴(1010)과의 유사도가 제2 패턴(1020)과의 유사도보다 낮을 수 있다. 이 때, 배터리 상태 추정 장치는 특징 벡터(1033)에 대응하는 배터리 상태를 제1 비정상 상태로 결정할 수 있다.
도 11은 다른 일 실시예에 따른 배터리 상태 추정 장치를 나타낸 블록도이다.
도 11을 참조하면, 배터리 상태 추정 장치(1100)는 근사화부(1110), 패턴 정보 생성부(1120), 센싱 데이터 획득부(1130) 및 배터리 상태 추정부(1140)를 포함할 수 있다.
근사화부(1110)는 데이터베이스에 포함된 복수의 센싱 데이터를 근사화하기 위한 매핑 파라미터를 추출하고, 추출된 매핑 파라미터를 기초로 복수의 센싱 데이터를 근사화할 수 있다.
패턴 정보 생성부(1120)는 근사화된 복수의 센싱 데이터를 이용하여 배터리의 상태 타입에 따른 패턴들에 대한 정보를 생성할 수 있다.
센싱 데이터 획득부(1130)는 배터리에 대한 센싱 데이터를 획득할 수 있다.
배터리 상태 추정부(1140)는 센싱 데이터 획득부에서 획득된 센싱 데이터를 근사화하고, 근사화된 센싱 데이터와 배터리의 상태 타입에 따른 패턴들에 대한 정보를 비교하여 배터리의 상태를 추정할 수 있다.
도 11에 도시된 다른 일 실시예에 따른 배터리 상태 추정 장치에는 도 1 내지 도 10을 통해 설명된 내용이 그대로 적용될 수 있으므로, 보다 상세한 설명은 생략한다.
도 12는 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 동작 흐름도이다.
도 12를 참조하면, 배터리 상태 추정 장치는 외부로부터 미리 정해진 참조 정보를 수신할 수 있다(1210).
또한, 배터리 상태 추정 장치는 배터리에 대한 센싱 데이터를 획득할 수 있다(1220).
또한, 배터리 상태 추정 장치는 센싱 데이터를 소정의 특징 공간에 매핑할 수 있다(1230).
또한, 배터리 상태 추정 장치는 매핑된 센싱 데이터와 미리 정해진 참조 정보를 비교하여 배터리의 상태를 추정할 수 있다(1240).
도 12에 도시된 일 실시예에 따른 배터리 상태 추정 방법에는 도 1 내지 도 10을 통해 설명된 내용이 그대로 적용될 수 있으므로, 보다 상세한 설명은 생략한다.
도 13은 일 실시예에 따른 배터리 상태 추정을 위한 전처리 방법을 설명하기 위한 동작 흐름도이다.
도 13을 참조하면, 전처리 장치는 데이터베이스에 포함된 복수의 센싱 데이터를 소정의 특징 공간에 매핑하기 위한 매핑 파라미터를 추출할 수 있다(1310).
또한, 전처리 장치는 추출된 매핑 파라미터를 기초로 복수의 센싱 데이터를 소정의 특징 공간에 매핑할 수 있다(1320).
또한, 전처리 장치는 소정의 특징 공간에 매핑된 복수의 센싱 데이터를 이용하여 배터리의 상태 타입에 따른 패턴들에 대한 정보를 생성할 수 있다(1330).
또한, 전처리 장치는 외부에 배터리의 상태 타입에 따른 패턴들에 대한 정보를 전송할 수 있다(1340).
도 13에 도시된 일 실시예에 따른 배터리 상태 추정을 위한 전처리 방법에는 도 1 내지 도 10을 통해 설명된 내용이 그대로 적용될 수 있으므로, 보다 상세한 설명은 생략한다.
도 14는 다른 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 동작 흐름도이다.
도 14를 참조하면, 배터리 상태 추정 장치는 데이터베이스에 포함된 복수의 센싱 데이터를 소정의 특징 공간에 매핑하기 위한 매핑 파라미터를 추출할 수 있다(1410).
또한, 배터리 상태 추정 장치는 추출된 매핑 파라미터를 기초로 복수의 센싱 데이터를 소정의 특징 공간에 매핑할 수 있다(1420).
또한, 배터리 상태 추정 장치는 매핑된 상기 복수의 센싱 데이터를 이용하여 배터리의 상태 타입에 따른 패턴들에 대한 정보를 생성할 수 있다(1430).
또한, 배터리 상태 추정 장치는 배터리에 대한 센싱 데이터를 획득할 수 있다(1440).
또한, 배터리 상태 추정 장치는 센싱 데이터 획득부에서 획득된 센싱 데이터를 소정의 특징 공간에 매핑할 수 있다(1450).
또한, 배터리 상태 추정 장치는 매핑된 센싱 데이터와 배터리의 상태 타입에 따른 패턴들에 대한 정보를 비교하여 배터리의 상태를 추정할 수 있다(1460).
도 14에 도시된 다른 일 실시예에 따른 배터리 상태 추정 방법에는 도 1 내지 도 10을 통해 설명된 내용이 그대로 적용될 수 있으므로, 보다 상세한 설명은 생략한다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (28)

  1. 배터리에 대한 센싱 데이터를 획득하는 센싱 데이터 획득부; 및
    상기 센싱 데이터에서 복수의 세그먼트들을 추출하고, 상기 추출된 세그먼트들을 이용하여 세그먼트 벡터를 생성하며, 상기 생성된 세그먼트 벡터를 특징 공간에 매핑하여 특징 벡터를 획득하고, 상기 획득된 특징 벡터를 상기 특징 공간 상의 각 배터리 상태 타입에 대한 데이터 패턴과 비교하여 상기 배터리의 상태를 추정하는 배터리 상태 추정부
    를 포함하는,
    배터리 상태 추정 장치.
  2. 제1항에 있어서,
    상기 센싱 데이터는,
    상기 배터리를 센싱하는 센서로부터 센싱된, 상기 배터리의 전압 데이터, 전류 데이터, 온도 데이터 또는 압력 데이터 중 적어도 하나를 포함하는,
    배터리 상태 추정 장치.
  3. 제1항에 있어서,
    상기 배터리 상태 추정부는,
    상기 센싱 데이터를 미리 정해진 시간 간격에 따라 분할하고, 상기 분할된 구간마다 미리 정해진 크기의 상기 세그먼트들을 추출하는 센싱 데이터 분할부
    를 포함하는,
    배터리 상태 추정 장치.
  4. 제1항에 있어서,
    상기 배터리 상태 추정부는,
    미리 정해진 캘리브레이션 주기를 기준으로 상기 센싱 데이터의 시간 오차를 보정하는 캘리브레이션부
    를 포함하는,
    배터리 상태 추정 장치.
  5. 제4항에 있어서,
    상기 캘리브레이션부는,
    상기 센싱 데이터에 포함된 복수의 센싱값이 미리 정해진 캘리브레이션 주기와 대응하지 않는 경우, 상기 복수의 센싱값의 선형성을 기초로, 상기 미리 정해진 캘리브레이션 주기를 기준으로 상기 복수의 센싱값을 보간(interpolation)하여 상기 미리 정해진 캘리브레이션 주기와 대응하는 센싱값을 설정하는,
    배터리 상태 추정 장치.
  6. 제4항에 있어서,
    상기 캘리브레이션부는,
    상기 센싱 데이터에 포함된 복수의 센싱값이 미리 정해진 캘리브레이션 주기와 대응하지 않는 경우, 상기 미리 정해진 캘리브레이션 주기와 가장 근접한 시간에 따른 센싱값의 크기를 상기 미리 정해진 캘리브레이션 주기와 대응하는 센싱값의 크기로 설정하는,
    배터리 상태 추정 장치.
  7. 제4항에 있어서,
    상기 캘리브레이션부는,
    상기 센싱 데이터에 포함된 복수의 센싱값이 미리 정해진 캘리브레이션 주기와 대응하지 않는 경우, 상기 미리 정해진 캘리브레이션 주기와 근접한 시간에 따른 센싱값들의 평균 크기를 상기 미리 정해진 캘리브레이션 주기와 대응하는 센싱값의 크기로 설정하는,
    배터리 상태 추정 장치.
  8. 제1항에 있어서,
    상기 배터리 상태 추정부는,
    상기 센싱 데이터가 상기 배터리의 전압 데이터, 상기 배터리의 전류 데이터, 상기 배터리의 온도 데이터 또는 상기 배터리의 압력 데이터 중 적어도 두 개를 포함하는 경우,
    상기 적어도 두 개의 데이터 각각에 대하여 세그먼트들을 추출하고, 상기 적어도 두 개의 데이터 각각에 대하여 추출된 세그먼트들을 기초로 상기 적어도 두 개의 데이터 각각에 대응하는 데이터 블록들을 생성하며, 상기 데이터 블록들을 조합하여 상기 세그먼트 벡터를 생성하는,
    배터리 상태 추정 장치.
  9. 삭제
  10. 제1항에 있어서,
    상기 배터리 상태 추정부는,
    미리 정해진 매핑 파라미터를 이용하여 상기 세그먼트 벡터를 상기 특징 공간에 매핑하는 특징 공간 매핑부
    를 포함하는,
    배터리 상태 추정 장치.
  11. 제10항에 있어서,
    상기 미리 정해진 매핑 파라미터는,
    미리 정해진 기준 매트릭스를 포함하고,
    상기 특징 공간 매핑부는,
    상기 세그먼트 벡터를 상기 미리 정해진 기준 매트릭스에 사영(project)하여 상기 특징 벡터를 획득하는,
    배터리 상태 추정 장치.
  12. 삭제
  13. 제1항에 있어서,
    상기 각 배터리 상태 타입은,
    정상(normal) 상태 타입, 비정상(abnormal) 상태 타입, 또는 고장(fault) 상태 타입을 포함하고,
    상기 비정상 상태 타입 및 상기 고장 상태 타입은,
    적어도 하나의 서브 타입을 포함하는,
    배터리 상태 추정 장치.
  14. 제1항에 있어서,
    상기 배터리 상태 추정부는,
    상기 특징 공간상에서 상기 특징 벡터와 상기 각 배터리 상태 타입에 대한 데이터 패턴 사이의 유사도를 계산하고, 계산된 유사도들을 비교하여 상기 배터리의 상태를 결정하는,
    배터리 상태 추정 장치.
  15. 배터리 상태 추정 장치에 의해 수행되는 배터리 상태 추정 방법에 있어서,
    배터리에 대한 센싱 데이터를 획득하는 단계;
    상기 센싱 데이터에서 복수의 세그먼트들을 추출하는 단계;
    상기 추출된 세그먼트들을 이용하여 세그먼트 벡터를 생성하는 단계;
    상기 생성된 세그먼트 벡터를 특징 공간에 매핑하여 특징 벡터를 획득하는 단계; 및
    상기 획득된 특징 벡터를 상기 특징 공간 상의 각 배터리 상태 타입에 대한 데이터 패턴과 비교하여 상기 배터리의 상태를 추정하는 단계
    를 포함하는,
    배터리 상태 추정 방법.

  16. 제15항에 있어서,
    상기 센싱 데이터는,
    상기 배터리를 센싱하는 센서로부터 센싱된, 상기 배터리의 전압 데이터, 전류 데이터, 온도 데이터 또는 압력 데이터 중 적어도 하나를 포함하는,
    배터리 상태 추정 방법.
  17. 제15항에 있어서,
    상기 세그먼트 벡터를 생성하는 단계는,
    상기 센싱 데이터를 미리 정해진 시간 간격에 따라 분할하고, 상기 분할된 구간마다 미리 정해진 크기의 상기 세그먼트들을 추출하는 단계
    를 포함하는,
    배터리 상태 추정 방법.
  18. 제15항에 있어서,
    미리 정해진 캘리브레이션 주기를 기준으로 상기 센싱 데이터의 시간 오차를 보정하는 단계
    를 더 포함하는,
    배터리 상태 추정 방법.
  19. 제18항에 있어서,
    상기 보정하는 단계는,
    상기 센싱 데이터에 포함된 복수의 센싱값이 미리 정해진 캘리브레이션 주기와 대응하지 않는 경우, 상기 복수의 센싱값의 선형성을 기초로, 상기 미리 정해진 캘리브레이션 주기를 기준으로 상기 복수의 센싱값을 보간(interpolation)하여 상기 미리 정해진 캘리브레이션 주기와 대응하는 센싱값을 설정하는 단계
    를 포함하는,
    배터리 상태 추정 방법.
  20. 제18항에 있어서,
    상기 보정하는 단계는,
    상기 센싱 데이터에 포함된 복수의 센싱값이 미리 정해진 캘리브레이션 주기와 대응하지 않는 경우, 상기 미리 정해진 캘리브레이션 주기와 가장 근접한 시간에 따른 센싱값의 크기를 상기 미리 정해진 캘리브레이션 주기와 대응하는 센싱값의 크기로 설정하는 단계
    를 포함하는,
    배터리 상태 추정 방법.
  21. 제18항에 있어서,
    상기 보정하는 단계는,
    상기 센싱 데이터에 포함된 복수의 센싱값이 미리 정해진 캘리브레이션 주기와 대응하지 않는 경우, 상기 미리 정해진 캘리브레이션 주기와 근접한 시간에 따른 센싱값들의 평균 크기를 상기 미리 정해진 캘리브레이션 주기와 대응하는 센싱값의 크기로 설정하는 단계
    를 포함하는,
    배터리 상태 추정 방법.
  22. 제15항에 있어서,
    상기 센싱 데이터가 상기 배터리의 전압 데이터, 상기 배터리의 전류 데이터, 상기 배터리의 온도 데이터 또는 상기 배터리의 압력 데이터 중 적어도 두 개를 포함하는 경우,
    상기 세그먼트들을 추출하는 단계는,
    상기 적어도 두 개의 데이터 각각에 대하여 상기 세그먼트들을 추출하는 단계
    를 포함하고,
    상기 세그먼트 벡터를 생성하는 단계는,
    상기 적어도 두 개의 데이터 각각에 대하여 추출된 세그먼트들을 기초로 상기 적어도 두 개의 데이터 각각에 대응하는 데이터 블록들을 생성하고, 상기 데이터 블록들을 조합하여 상기 세그먼트 벡터를 생성하는 단계
    를 포함하는,
    배터리 상태 추정 방법.
  23. 제15항에 있어서,
    상기 특징 벡터를 획득하는 단계는,
    미리 정해진 매핑 파라미터를 이용하여 상기 세그먼트 벡터를 상기 특징 공간에 매핑하는 단계
    를 포함하는,
    배터리 상태 추정 방법.
  24. 제15항에 있어서,
    상기 각 배터리 상태 타입은,
    정상(normal) 상태 타입, 비정상(abnormal) 상태 타입, 또는 고장(fault) 상태 타입을 포함하고,
    상기 비정상 상태 타입 및 상기 고장 상태 타입은,
    적어도 하나의 서브 타입을 포함하는,
    를 포함하는,
    배터리 상태 추정 방법
  25. 제15항에 있어서,
    상기 추정하는 단계는,
    상기 특징 공간상에서 상기 특징 벡터와 상기 각 배터리 상태 타입에 대한 데이터 패턴 사이의 유사도를 계산하고, 계산된 유사도들을 비교하여 상기 배터리의 상태를 결정하는 단계
    를 포함하는,
    배터리 상태 추정 방법.
  26. 삭제
  27. 삭제
  28. 제15항 내지 제25항 중 하나의 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020140091093A 2014-07-18 2014-07-18 배터리의 상태를 추정하는 방법 및 장치 KR102221756B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020140091093A KR102221756B1 (ko) 2014-07-18 2014-07-18 배터리의 상태를 추정하는 방법 및 장치
EP15176229.1A EP2975421A1 (en) 2014-07-18 2015-07-10 Method and apparatus for estimating state of battery
CN201510420335.3A CN105277891B (zh) 2014-07-18 2015-07-16 用于估计电池的状态的方法和设备
US14/802,478 US10295601B2 (en) 2014-07-18 2015-07-17 Method and apparatus for estimating state of battery

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140091093A KR102221756B1 (ko) 2014-07-18 2014-07-18 배터리의 상태를 추정하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20160010132A KR20160010132A (ko) 2016-01-27
KR102221756B1 true KR102221756B1 (ko) 2021-03-02

Family

ID=53546143

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140091093A KR102221756B1 (ko) 2014-07-18 2014-07-18 배터리의 상태를 추정하는 방법 및 장치

Country Status (4)

Country Link
US (1) US10295601B2 (ko)
EP (1) EP2975421A1 (ko)
KR (1) KR102221756B1 (ko)
CN (1) CN105277891B (ko)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102468895B1 (ko) * 2015-07-21 2022-11-21 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
CN106154168B (zh) * 2016-04-01 2019-03-05 储盈新能源科技（上海）有限公司 数据驱动的动力电池荷电状态估计方法
CN106154180B (zh) * 2016-08-18 2019-02-05 中国科学院自动化研究所 储能电池充/放电异常行为检测方法及检测系统
KR20180055192A (ko) * 2016-11-16 2018-05-25 삼성전자주식회사 배터리 상태를 추정하는 방법 및 장치
KR20180085165A (ko) * 2017-01-18 2018-07-26 삼성전자주식회사 배터리 관리 방법 및 장치
US20190033377A1 (en) 2017-07-28 2019-01-31 Northstar Battery Company, Llc Systems and methods for utilizing battery operating data and exogenous data
KR102399602B1 (ko) 2017-08-17 2022-05-18 삼성전자주식회사 배터리 상태 추정 방법 및 장치
KR102608468B1 (ko) * 2017-11-28 2023-12-01 삼성전자주식회사 배터리 상태 추정 방법 및 장치
KR20190073253A (ko) * 2017-12-18 2019-06-26 삼성전자주식회사 배터리 상태 추정 방법 및 장치
WO2019235645A1 (ja) * 2018-06-08 2019-12-12 パナソニックＩｐマネジメント株式会社 バッテリ管理システム及びバッテリ管理方法
CN108805217B (zh) * 2018-06-20 2020-10-23 山东大学 一种基于支持向量机的锂离子电池健康状态估计方法及系统
CN109655749B (zh) * 2018-11-20 2021-03-09 惠州拓邦电气技术有限公司 采集数据矩阵智能跟踪校准方法及装置
CN109613446B (zh) * 2019-01-14 2020-12-08 中国计量大学 一种基于时间序列分析的锂电池老化检测方法
US11811247B2 (en) 2019-05-16 2023-11-07 Troes Corporation Method and system for dual equilibrium battery and battery pack performance management
WO2021168836A1 (zh) * 2020-02-28 2021-09-02 华为技术有限公司 异常检测方法和设备
CN111707956B (zh) * 2020-08-11 2022-08-30 中北大学 多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法
CN112379269B (zh) * 2020-10-14 2024-03-05 武汉蔚来能源有限公司 电池异常检测模型训练及其检测方法、装置
CN112379273B (zh) * 2020-11-16 2021-07-30 北京理工大学 基于人工智能的锂离子电池充电曲线重构及状态估计方法
CN114690047A (zh) * 2020-12-26 2022-07-01 华为技术有限公司 电池故障检测方法、系统、装置及设备
CN112818594B (zh) * 2021-01-28 2023-05-30 温州大学 一种基于神经网络的多目标优化电池包结构方法
CN113343633B (zh) * 2021-06-10 2022-04-26 上海交通大学 动力锂电池热失控故障分类及风险预测方法、系统
KR102436675B1 (ko) * 2021-06-28 2022-08-26 주식회사 테크코드 배터리 건전성 예측 시스템 및 방법
KR20230010545A (ko) * 2021-07-12 2023-01-19 주식회사 엘지에너지솔루션 배터리 진단 장치, 배터리 팩, 전기 차량 및 배터리 진단 방법
KR20230023395A (ko) * 2021-08-10 2023-02-17 주식회사 엘지에너지솔루션 불량 유형 분류 시스템 및 불량 유형 분류 방법
CN114509690A (zh) * 2022-04-19 2022-05-17 杭州宇谷科技有限公司 一种基于pca分解的锂电芯充放电异常检测方法及系统
CN116184216B (zh) * 2023-04-28 2023-07-14 广汽埃安新能源汽车股份有限公司 电池状态检测方法及装置
CN117054892B (zh) * 2023-10-11 2024-02-27 特变电工西安电气科技有限公司 一种储能电站电池健康状态的评估方法、装置及管理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004271410A (ja) * 2003-03-11 2004-09-30 Hitachi Ltd 電気車のバッテリ制御装置
US20100106357A1 (en) 2008-10-24 2010-04-29 Gm Global Technology Operations, Inc Combined evidence vehicle health monitoring
JP2012083179A (ja) * 2010-10-08 2012-04-26 Toyota Motor Corp 車両用バッテリ監視装置、車両用バッテリ監視システム及び車両用のバッテリ診断方法
JP2013081332A (ja) 2011-10-05 2013-05-02 Hitachi Ltd 充電制御機能を備えた電池システム、および充電システム
JP2014059270A (ja) * 2012-09-19 2014-04-03 Toshiba Corp 蓄電池診断装置およびその方法

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5977367A (ja) * 1982-10-26 1984-05-02 Sumitomo Metal Ind Ltd 設備劣化状況評価方法
JP3598873B2 (ja) * 1998-08-10 2004-12-08 トヨタ自動車株式会社 二次電池の状態判定方法及び状態判定装置、並びに二次電池の再生方法
JP3659484B2 (ja) * 2000-09-01 2005-06-15 光洋電子工業株式会社 サイクリック自動通信による複数局メモリデータ共有システム
DE602006002896D1 (de) * 2005-02-14 2008-11-13 Denso Corp Verfahren und Vorrichtung zur Erkennung des Ladestatus einer Sekundärbatterie auf Basis neuronaler Netzwerkkalkulation
JP4532416B2 (ja) * 2006-01-12 2010-08-25 古河電気工業株式会社 バッテリ放電能力判定方法、バッテリ放電能力判定装置、及び電源システム
JP5114884B2 (ja) 2006-07-10 2013-01-09 ソニー株式会社 電池パックおよび検出方法
JP2008058278A (ja) 2006-09-04 2008-03-13 Toyota Motor Corp 二次電池の内部状態推定装置、二次電池の内部状態推定方法、プログラム、および記録媒体
CN100492751C (zh) * 2007-03-09 2009-05-27 清华大学 基于标准电池模型的镍氢动力电池荷电状态的估计方法
JP4995643B2 (ja) 2007-06-11 2012-08-08 パナソニック株式会社 非水系電解質二次電池の内部短絡検知方法および装置
KR100911316B1 (ko) * 2007-08-23 2009-08-11 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
JP2009073465A (ja) 2007-08-28 2009-04-09 Fuji Heavy Ind Ltd 安全運転支援システム
JP5005492B2 (ja) 2007-10-17 2012-08-22 富士重工業株式会社 安全運転支援システム
US8972213B2 (en) * 2008-06-27 2015-03-03 GM Global Technology Operations LLC Pattern recognition approach to battery diagnosis and prognosis
FR2947357B1 (fr) * 2009-06-25 2016-01-22 Electricite De France Detection de defaut dans un dispositif electrochimique
DE102010040451A1 (de) * 2010-09-09 2012-03-15 Robert Bosch Gmbh Verfahren und Vorrichtung zur Ermittlung einer Zustandsgröße einer Fahrzeugbatterie
CN102749585B (zh) * 2011-04-21 2014-11-05 李昌 一种基于多层支持向量机的蓄电池在线监测方法
EP2703829B1 (en) * 2011-04-25 2015-10-21 LG Chem, Ltd. Device and method for estimating the degradation of battery capacity
US8168315B1 (en) 2011-08-23 2012-05-01 Tesla Motors, Inc. Method for detecting battery thermal events via battery pack isolation monitoring
US9176198B2 (en) * 2012-02-17 2015-11-03 GM Global Technology Operations LLC Battery state estimator with overpotential-based variable resistors
US9130248B2 (en) * 2012-05-25 2015-09-08 GM Global Technology Operations LLC Modeling changes in the state-of-charge open circuit voltage curve by using regressed parameters in a reduced order physics based model
US9395327B2 (en) * 2012-11-30 2016-07-19 GM Global Technology Operations LLC Systems and methods to protect against over-discharge in a battery system
US9377512B2 (en) * 2013-05-08 2016-06-28 GM Global Technology Operations LLC Battery state estimator combining electrochemical solid-state concentration model with empirical equivalent-circuit model
KR20130090861A (ko) 2013-06-28 2013-08-14 (주) 해피에너지 납축전지 등 2차 전지의 상태변화곡선 검출기법 및 활용과 충전기 감시 시스템
US10843574B2 (en) * 2013-12-12 2020-11-24 Midtronics, Inc. Calibration and programming of in-vehicle battery sensors

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004271410A (ja) * 2003-03-11 2004-09-30 Hitachi Ltd 電気車のバッテリ制御装置
US20100106357A1 (en) 2008-10-24 2010-04-29 Gm Global Technology Operations, Inc Combined evidence vehicle health monitoring
JP2012083179A (ja) * 2010-10-08 2012-04-26 Toyota Motor Corp 車両用バッテリ監視装置、車両用バッテリ監視システム及び車両用のバッテリ診断方法
JP2013081332A (ja) 2011-10-05 2013-05-02 Hitachi Ltd 充電制御機能を備えた電池システム、および充電システム
JP2014059270A (ja) * 2012-09-19 2014-04-03 Toshiba Corp 蓄電池診断装置およびその方法

Also Published As

Publication number Publication date
US20160018472A1 (en) 2016-01-21
CN105277891B (zh) 2020-03-17
CN105277891A (zh) 2016-01-27
KR20160010132A (ko) 2016-01-27
EP2975421A1 (en) 2016-01-20
US10295601B2 (en) 2019-05-21

Similar Documents

Publication Publication Date Title
KR102221756B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR102241683B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR102332399B1 (ko) 배터리 상태 추정 장치 및 방법
KR102357351B1 (ko) 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법
KR102343967B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR102559199B1 (ko) 배터리 관리 방법 및 배터리 관리 장치
KR102468895B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR20160101506A (ko) 배터리 신호 세그먼트 데이터의 확률 추론을 기반으로 한 배터리 상태 추정 방법 및 장치
KR102424528B1 (ko) 배터리의 상태를 추정하는 장치 및 방법
KR102574257B1 (ko) Soh 추정 장치 및 방법과, soh 추정 모델 생성 장치 및 방법
KR102399602B1 (ko) 배터리 상태 추정 방법 및 장치
US20210325469A1 (en) Learning apparatus, estimation apparatus, learning method, estimation method, recording medium having recorded thereon learning program, and recording medium having recorded thereon estimation program
KR20160090140A (ko) 배터리의 상태를 추정하는 방법 및 장치
US11360155B2 (en) Battery state of health estimator
EP3627169B1 (en) Apparatus and method with battery state estimation
KR20170134193A (ko) 배터리의 충전 상태를 추정하는 방법 및 그 방법을 실행하는 배터리 관리 시스템
CN115099684B (zh) 企业安全生产管理系统及其管理方法
KR20210047682A (ko) 배터리 상태 추정 방법 및 장치
EP4160235B1 (en) Method and device with battery model optimization
US11938838B2 (en) Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant