KR102297543B1 - 전지 충전 상태 예측 장치 및 방법 - Google Patents

전지 충전 상태 예측 장치 및 방법 Download PDF

Info

Publication number
KR102297543B1
KR102297543B1 KR1020190160689A KR20190160689A KR102297543B1 KR 102297543 B1 KR102297543 B1 KR 102297543B1 KR 1020190160689 A KR1020190160689 A KR 1020190160689A KR 20190160689 A KR20190160689 A KR 20190160689A KR 102297543 B1 KR102297543 B1 KR 102297543B1
Authority
KR
South Korea
Prior art keywords
cycle
voltage
data
voltage data
prediction
Prior art date
Application number
KR1020190160689A
Other languages
English (en)
Other versions
KR20210071161A (ko
Inventor
전준현
정대원
조운
김윤선
Original Assignee
동국대학교 산학협력단
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 동국대학교 산학협력단 filed Critical 동국대학교 산학협력단
Priority to KR1020190160689A priority Critical patent/KR102297543B1/ko
Publication of KR20210071161A publication Critical patent/KR20210071161A/ko
Application granted granted Critical
Publication of KR102297543B1 publication Critical patent/KR102297543B1/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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

전지 충전 상태 예측 장치 및 방법이 개시된다. 일 실시예에 따른 전지 충전 상태 예측 장치는 전지의 시간에 따른 전압 데이터를 기 설정된 최저 전압 값을 기준으로 시간 축 상에서 k개의 사이클(이때, k는 2 이상의 자연수)로 분절된 전압 데이터를 생성하는 데이터 분절부, k개의 사이클 각각에 대한 전압 데이터에 포함된 열 잡음을 제거하는 필터부, 인공 신경망 기반의 예측 모델을 이용하여 n-1번째 사이클(이때, n은 2≤n≤k를 만족하는 자연수)에 대한 전압 데이터로부터 n번째 사이클에 대한 전압 예측 데이터를 생성하고, n번째 사이클에 대한 전압 예측 데이터 및 열 잡음이 제거된 n번째 사이클에 대한 전압 데이터에 기초하여 예측 모델을 학습하는 학습부, 학습된 예측 모델을 이용하여 k+1번째 이후의 사이클에 대한 전압 예측 데이터를 생성하는 예측부를 포함한다.

Description

전지 충전 상태 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING STATE OF CHARGE OF BATTERY}
개시되는 실시예들은 전지의 충전 상태를 예측하는 기술에 관한 것이다.
세계적으로 소비 전력 수요가 증가함에 따라 전력 공급원의 불안정성을 보완할 수 있는 에너지 저장장치의 수요 또한 늘어나고 있다.
에너지 저장장치는 전기에너지의 저장과 소비에 대한 예측을 통해, 전력 품질을 일정한 수준으로 유지하며, 보다 경제적인 전력 공급을 가능하게 함으로써 전력 공급원의 불안정성을 보완한다.
그러나 현재까지 이와 같은 전기에너지의 저장과 소비에 대한 예측은 리튬 이온 배터리(Lithium Ion Battery, LIB)를 기준으로 개발된 충전 상태(State Of Charge, SOC) 알고리즘에 의존하고 있으며, LIB의 안전성 및 내구성에 대한 문제가 대두됨에 따라, 보다 안전성 및 내구성이 우수한 레독스 흐름 전지(Redox Flow Battery, RFB)에 적합한 SOC 예측 방법이 필요하다.
(특허 문헌 1) 대한민국 공개특허공보 제10-2014-0003325호 (2014.01.09.)
개시되는 실시예들은 전지의 충전 상태를 예측하기 위한 것이다.
일 실시예에 따른 전지 충전 상태 예측 장치는, 전지의 시간에 따른 전압 데이터를 기 설정된 최저 전압 값을 기준으로 시간 축 상에서 k개의 사이클(이때, k는 2 이상의 자연수)로 분절하여 상기 k개의 사이클 각각에 대한 전압 데이터를 생성하는 데이터 분절부, 상기 k개의 사이클 각각에 대한 전압 데이터에 포함된 열 잡음(thermos-noise)을 제거하는 필터부, 인공 신경망 기반의 예측 모델을 이용하여 상기 k개의 사이클 중 n-1번째 사이클(이때, n은 2≤n≤k를 만족하는 자연수)에 대한 전압 데이터로부터 n번째 사이클에 대한 전압 예측 데이터를 생성하고, 상기 n번째 사이클에 대한 전압 예측 데이터 및 상기 열 잡음이 제거된 상기 n번째 사이클에 대한 전압 데이터에 기초하여 상기 예측 모델을 학습하는 학습부, 상기 학습된 예측 모델을 이용하여 k+1번째 이후의 사이클에 대한 전압 예측 데이터를 생성하는 예측부를 포함한다.
다른 실시예에 따른 전지 충전 상태 예측 장치는, 상기 전지의 시간에 따른 전압 데이터를 기 설정된 범위 내의 값으로 정규화(normalization)하는 데이터 정규화부를 더 포함할 수 있다.
상기 데이터 분절부는, 상기 최저 전압 값이 측정되는 인접한 두 시점 간의 시간 축 상의 간격을 한 사이클로 판단할 수 있다.
상기 필터부는, 상기 k개의 사이클 각각에 대한 전압 데이터의 각 사이클 별 표본 표준편차 및 상기 표본 표준편차에 기초한 필터링 파라미터에 기초하여 상기 k개의 사이클 각각에 대한 전압 데이터를 필터링함으로써 상기 열 잡음을 제거할 수 있다.
상기 필터부는, 하기의 수학식 1에 기초하여 상기 k개의 사이클 각각에 대한 전압 데이터를 필터링할 수 있다.
[수학식 1]
Figure 112019125888826-pat00001
이때,
Figure 112019125888826-pat00002
는 한 사이클 내 특정 시점 t에서의 필터링된 전압 데이터,
Figure 112019125888826-pat00003
는 상기 한 사이클 내 특정 시점 t에서의 전압 데이터, t는 한 사이클 내 단위 시간 중 어느 하나,
Figure 112019125888826-pat00004
는 상기 필터링 파라미터를 나타낸다.
상기 필터링 파라미터는, 하기의 수학식 2에 기초하여 산출될 수 있다.
상기 표본 표준편차는, 하기의 수학식 3에 기초하여 산출될 수 있다.
[수학식 2]
Figure 112019125888826-pat00005
[수학식 3]
Figure 112019125888826-pat00006
이때,
Figure 112019125888826-pat00007
는 상기 표본 표준편차, N은 한 사이클의 종료 시점과 시작 시점의 차,
Figure 112019125888826-pat00008
는 상기 한 사이클 내 특정 시점 t에서의 전압 데이터,
Figure 112019125888826-pat00009
는 상기 한 사이클 내 전압 데이터의 평균값을 나타낸다.
상기 학습부는, 상기 n번째 사이클에 대한 전압 예측 데이터와 상기 열 잡음이 제거된 상기 n번째 사이클에 대한 전압 데이터 간의 평균 제곱 오차(Mean Squared Error, MSE)가 기 설정된 임계 값 이하가 되도록 상기 예측 모델의 학습 파라미터를 갱신할 수 있다.
상기 갱신된 학습 파라미터는, 상기 n-1번째 사이클까지 누적 갱신된 학습 파라미터와 상기 n번째 사이클 내에서 상기 평균 제곱 오차가 최초로 상기 임계 값 이하가 된 시점에서 산출된 학습 파라미터를 기 설정된 비율로 합산한 값일 수 있다.
일 실시예에 따른 전지 충전 상태 예측 방법은, 전지의 시간에 따른 전압 데이터를 기 설정된 최저 전압 값을 기준으로 시간 축 상에서 k개의 사이클(이때, k는 2 이상의 자연수)로 분절하여 상기 k개의 사이클 각각에 대한 전압 데이터를 생성하는 단계, 상기 k개의 사이클 각각에 대한 전압 데이터에 포함된 열 잡음(thermos-noise)을 제거하는 단계, 인공 신경망 기반의 예측 모델을 이용하여 상기 k개의 사이클 중 n-1번째 사이클(이때, n은 2≤n≤k를 만족하는 자연수)에 대한 전압 데이터로부터 n번째 사이클에 대한 전압 예측 데이터를 생성하는 단계, 상기 n번째 사이클에 대한 전압 예측 데이터 및 상기 열 잡음이 제거된 상기 n번째 사이클에 대한 전압 데이터에 기초하여 상기 예측 모델을 학습하는 단계, 상기 학습된 예측 모델을 이용하여 k+1번째 이후의 사이클에 대한 전압 예측 데이터를 생성하는 단계를 포함한다.
다른 실시예에 따른 전지 충전 상태 예측 방법은, 상기 전압 데이터를 생성하는 단계 이전에, 상기 전지의 시간에 따른 전압 데이터를 기 설정된 범위 내의 값으로 정규화하는 단계를 더 포함할 수 있다.
상기 전압 데이터를 생성하는 단계는, 상기 최저 전압 값이 측정되는 인접한 두 시점 간의 시간 축 상의 간격을 한 사이클로 판단할 수 있다.
상기 제거하는 단계는, 상기 k개의 사이클 각각에 대한 전압 데이터의 각 사이클 별 표본 표준편차 및 상기 표본 표준편차에 기초한 필터링 파라미터에 기초하여 상기 k개의 사이클 각각에 대한 전압 데이터를 필터링함으로써 상기 열 잡음을 제거할 수 있다.
상기 제거하는 단계는, 하기의 수학식 1에 기초하여 상기 k개의 사이클 각각에 대한 전압 데이터를 필터링할 수 있다.
[수학식 1]
Figure 112019125888826-pat00010
이때,
Figure 112019125888826-pat00011
는 한 사이클 내 특정 시점 t에서의 필터링된 전압 데이터,
Figure 112019125888826-pat00012
는 상기 한 사이클 내 특정 시점 t에서의 전압 데이터, t는 한 사이클 내 단위 시간 중 어느 하나,
Figure 112019125888826-pat00013
는 상기 필터링 파라미터를 나타낸다.
상기 필터링 파라미터는, 하기의 수학식 2에 기초하여 산출될 수 있다.
상기 표본 표준편차는, 하기의 수학식 3에 기초하여 산출될 수 있다.
[수학식 2]
Figure 112019125888826-pat00014
[수학식 3]
Figure 112019125888826-pat00015
이때,
Figure 112019125888826-pat00016
는 상기 표본 표준편차, N은 한 사이클의 종료 시점과 시작 시점의 차,
Figure 112019125888826-pat00017
는 상기 한 사이클 내 특정 시점 t에서의 전압 데이터,
Figure 112019125888826-pat00018
는 상기 한 사이클 내 전압 데이터의 평균값을 나타낸다.
상기 학습하는 단계는, 상기 n번째 사이클에 대한 전압 예측 데이터와 상기 열 잡음이 제거된 상기 n번째 사이클에 대한 전압 데이터 간의 평균 제곱 오차(Mean Squared Error, MSE)가 기 설정된 임계 값 이하가 되도록 상기 예측 모델의 학습 파라미터를 갱신할 수 있다.
상기 갱신된 학습 파라미터는, 상기 n-1번째 사이클까지 누적 갱신된 학습 파라미터와 상기 n번째 사이클 내에서 상기 평균 제곱 오차가 최초로 상기 임계 값 이하가 된 시점에서 산출된 학습 파라미터를 기 설정된 비율로 합산한 값일 수 있다.
개시되는 실시예들에 따르면, 기 설정된 최저 전압 값을 기준으로 전압 데이터를 분절함으로써, 연속적이고 반복적인 전지 충, 방전 전압 데이터의 변화에 가변적으로 대응되는 사이클 별 분절을 수행할 수 있고, 이에 따라 장기적인 전지 운용에 따른 특성 변화를 반영하여 전지의 충전 상태를 예측할 수 있다.
또한 개시되는 실시예들에 따르면, 입력되는 전압 데이터의 열 잡음을 제거함으로써, 보다 정확한 전지 충전 상태 학습 및 예측을 수행 할 수 있다.
또한 개시되는 실시예들에 따르면, 학습 파라미터를 재귀적으로 반복 학습 및 갱신함으로써, 기존의 LSTM(Long Short-Term Memory) 모델을 이용한 경우에 비해 다음 사이클의 전지 충전 상태 예측의 정확도를 향상시킬 수 있다.
도 1은 일 실시예에 따른 전지 충전 상태 예측 장치를 설명하기 위한 블록도
도 2는 다른 실시예에 따른 전지 충전 상태 예측 장치를 설명하기 위한 블록도
도 3은 일 실시예에 따른 전지 충전 상태 예측 방법을 설명하기 위한 흐름도
도 4는 다른 실시예에 따른 전지 충전 상태 예측 방법을 설명하기 위한 흐름도
도 5는 일 실시예에 따른 전지 충전 상태 예측 과정을 상세하게 설명하기 위한 도면
도 6은 일 실시예에 따른 전압 데이터를 나타낸 도면
도 7은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 개시되는 실시예들은 이에 제한되지 않는다.
실시예들을 설명함에 있어서, 관련된 공지기술에 대한 구체적인 설명이 개시되는 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 개시되는 실시예들에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
이하에서, '전지'는 전기 장치에 전원을 공급하기 위해 화학적 에너지를 전기로 변환하여 저장하는 장치를 의미한다. 또한, '레독스 흐름 전지(Redox Flow Battery, RFB)'는 전해액에 포함되어 있는 활성 물질의 산화 및 환원 반응을 통하여 활성 물질의 화학적 에너지를 전기 에너지로 변환하여 저장하는 장치로서, 기존의 리튬 이온 전지(Lithium Ion Battery, LIB)에 비해 안전성 및 내구성이 뛰어나다는 장점이 있다.
이하에서, '전지 충전 상태(State Of Charge, SOC)'는 전지가 충전된 정도를 나타내는 척도로서, 화학 측정법, 전압 측정법, 전류 적분법, 압력 측정법 등을 사용하여 간접적으로 측정이 가능하며, 이하의 실시예에서는 전지의 출력 전압을 측정함으로써 전지 충전 상태를 측정한다.
도 1은 일 실시예에 따른 전지 충전 상태 예측 장치(100)를 설명하기 위한 블록도이다.
도 1을 참조하면, 일 실시예에 따른 전지 충전 상태 예측 장치(100)는 데이터 분절부(110), 필터부(120), 학습부(130) 및 예측부(140)를 포함한다.
데이터 분절부(110)는 전지의 시간에 따른 전압 데이터를 기 설정된 최저 전압 값을 기준으로 시간 축 상에서 k개의 사이클(이하에서, k는 2 이상의 자연수)로 분절하여 k개의 사이클 각각에 대한 전압 데이터를 생성한다.
이때, '사이클'은 전지 전압이 증가 및 감소를 반복하는 시간 상의 주기를 의미하며, 전지가 운용됨에 따라 변화할 수 있다.
일 실시예에 따르면, 데이터 분절부(110)는 기 설정된 최저 전압 값이 측정되는 인접한 두 시점 간의 시간 축 상의 간격을 한 사이클로 판단할 수 있다.
구체적으로, 데이터 분절부(110)는 기 설정된 최저 전압 값이 측정되는 일 시점을 시작 시점으로 설정하고, 시작 시점부터 단위 시간이 경과할 때마다 전압을 측정하여 최저 전압 값이 다시 측정되는 시점으로부터 단위 시간 이전의 시점을 종료 시점으로 설정하여, 시작 시점부터 종료 시점까지를 한 사이클로 판단할 수 있다.
예를 들어, 데이터 분절부(110)는 전압 데이터를 획득할 때 기 설정된 최저 전압 값이 측정되는 일 시점을 0으로 설정하고, 이 시점부터 1초씩 경과할 때마다 전지 전압 값을 측정하여 측정 결과가 다시 기 설정된 최저 전압 값이 되는 시점 t를 탐색한다. 이후, 데이터 분절부(110)는 0초부터 t-1초까지를 전지의 충전 및 방전이 수행되는 한 사이클로 판단한다.
필터부(120)는 k개의 사이클 각각에 대한 전압 데이터에 포함된 열 잡음(thermos-noise)을 제거한다.
구체적으로, '열 잡음'은 전지 내의 전자의 열적 불규칙 운동에 의해 발생되는 잡음을 의미한다.
일 실시예에 따르면, 필터부(120)는 k개의 사이클 각각에 대한 전압 데이터의 각 사이클 별 표본 표준편차 및 각 사이클 별 표본 표준편차에 기초한 필터링 파라미터에 기초하여 k개의 사이클 각각에 대한 전압 데이터를 필터링함으로써 열 잡음을 제거할 수 있다.
구체적으로, 필터부(120)는 하기의 수학식 1에 기초하여 k개의 사이클 각각에 대한 전압 데이터를 필터링할 수 있다.
[수학식 1]
Figure 112019125888826-pat00019
이때,
Figure 112019125888826-pat00020
는 한 사이클 내 특정 시점 t에서의 필터링된 전압 데이터,
Figure 112019125888826-pat00021
는 한 사이클 내 특정 시점 t에서의 전압 데이터, t는 한 사이클 내 단위 시간 중 어느 하나,
Figure 112019125888826-pat00022
는 필터링 파라미터를 나타낸다.
더욱 상세하게, 필터링 파라미터는 하기의 수학식 2에 기초하여 산출되고, 표본 표준편차는 하기의 수학식 3에 기초하여 산출될 수 있다.
[수학식 2]
Figure 112019125888826-pat00023
[수학식 3]
Figure 112019125888826-pat00024
이때,
Figure 112019125888826-pat00025
는 표본 표준편차, N은 한 사이클의 종료 시점과 시작 시점의 차,
Figure 112019125888826-pat00026
는 한 사이클 내 특정 시점 t에서의 전압 데이터,
Figure 112019125888826-pat00027
는 한 사이클 내 전압 데이터의 평균값을 나타낸다.
예를 들어, 필터링 파라미터의 값은 0.25일 수 있다.
학습부(130)는 인공 신경망(Artificial Neural Network, ANN) 기반의 예측 모델을 이용하여 k개의 사이클 중 n-1번째 사이클(이하에서, n은 2≤n≤k를 만족하는 자연수)에 대한 전압 데이터로부터 n번째 사이클에 대한 전압 예측 데이터를 생성한다.
이어서, 학습부(130)는 n번째 사이클에 대한 전압 예측 데이터 및 열 잡음이 제거된 n번째 사이클에 대한 전압 데이터에 기초하여 예측 모델을 학습한다.
일 실시예에 따르면, 학습부(130)는 역전파(backpropagation) 알고리즘을 사용하여 예측 모델을 학습할 수 있다.
일 실시예에 따르면, 학습부(130)는 하나 이상의 입력층(input layer), 출력층(output layer) 및 은닉층(hidden layer) 구조를 포함할 수 있으며, 각 층(layer)에 대응되는 가중치(weight) 및 바이어스(bias) 값에 기초하여 각 층에서의 연산을 수행할 수 있다.
일 실시예에 따르면, 학습 파라미터는 ANN 구조 내에서의 가중치 및 바이어스의 집합일 수 있다.
이때, 가중치 및 바이어스는 전지 전압의 증가 패턴 또는 감소 패턴에 기초하여 계산되는 값일 수 있다.
일 실시예에 따르면, 학습부(130)는 계단 함수(step function), 시그모이드 함수(sigmoid function), tanh 함수(hyperbolic tangent function), ReLU 함수(Rectified Linear Unit function) 중 어느 하나를 활성화 함수(activation function)로 사용하여 학습을 수행할 수 있으나, 반드시 이에 한정되는 것은 아니며, 다른 비선형 함수를 활성화 함수로 사용할 수도 있다.
일 실시예에 따르면, 학습부(130)는 n번째 사이클에 대한 전압 예측 데이터와 열 잡음이 제거된 n번째 사이클에 대한 전압 데이터 간의 평균 제곱 오차(Mean Squared Error, MSE)가 기 설정된 임계 값 이하가 되도록 예측 모델의 학습 파라미터를 갱신할 수 있다.
이어서, 학습부(130)는 평균 제곱 오차가 기 설정된 임계 값 이하가 되는 경우 학습 파라미터의 갱신을 중단하고 갱신된 학습 파라미터 및 n번째 사이클에 대한 전압 데이터에 기초하여 n+1번째 사이클(단, 이때 n+1≤k)에 대한 전압 예측 데이터를 생성할 수 있다.
구체적으로, 학습부(130)는 평균 제곱 오차가 기 설정된 임계 값을 초과하는 경우, 평균 제곱 오차를 감소시키는 방향으로 학습 파라미터를 갱신하여, 갱신된 학습 파라미터를 이용하여 n번째 사이클에 대한 전압 예측 데이터를 다시 생성한다.
이어서, 학습부(130)는 다시 생성된 n번째 사이클에 대한 전압 예측 데이터와 n번째 사이클에 대한 전압 데이터 간의 평균 제곱 오차를 다시 계산하여, 평균 제곱 오차가 기 설정된 임계 값 이하인지 다시 확인하는 과정을 반복한다.
예를 들어, 기 설정된 임계 값은 1.0*10-5 일 수 있다.
일 실시예에 따르면, n번째 사이클에 대한 전압 예측 데이터 및 열 잡음이 제거된 n번째 사이클에 대한 전압 데이터를 이용하여 갱신된 학습 파라미터는, n-1번째 사이클까지 누적 갱신된 학습 파라미터와 n번째 사이클 내에서 평균 제곱 오차가 최초로 임계 값 이하가 된 시점에서 산출된 학습 파라미터를 기 설정된 비율로 합산한 값일 수 있다.
예를 들어, 학습부(130)는 n번째 사이클 내에서 평균 제곱 오차가 최초로 임계 값 이하가 된 시점에서 산출된 학습 파라미터에
Figure 112019125888826-pat00028
을 곱하고, n-1번째 사이클까지 누적 갱신된 학습 파라미터에
Figure 112019125888826-pat00029
을 곱하여, 두 연산 결과를 합산한 값을 갱신된 학습 파라미터로 결정한다.
예측부(140)는 학습된 예측 모델을 이용하여 k+1번째 이후의 사이클에 대한 전압 예측 데이터를 생성한다.
일 실시예에 따르면, 예측부(140)는 k번째 사이클까지 누적 갱신된 학습 파라미터 및 열 잡음이 제거된 k번째 사이클의 전압 데이터에 기초하여 중간 연산 결과를 생성하고, 중간 연산 결과 및 열 잡음이 제거된 k번째 사이클의 전압 데이터에 기초하여 k+1번째 사이클에 대한 전압 예측 데이터를 생성할 수 있다.
이어서, 예측부(140)는 k번째 사이클까지 누적 갱신된 학습 파라미터 및 k+1번째 사이클에 대한 전압 예측 데이터에 기초하여 중간 연산 결과를 생성하고, 중간 연산 결과 및 k+1번째 사이클에 대한 전압 예측 데이터에 기초하여 k+2번째 사이클에 대한 전압 예측 데이터를 생성할 수 있다. 이후 이 과정을 반복하여 k+3 이후의 사이클에 대한 전압 예측 데이터를 생성할 수 있다.
예를 들어, 갱신된 학습 파라미터가 ANN 구조에서의 가중치 집합 및 바이어스 집합인 경우, 예측부(140)는 갱신된 가중치 집합의 벡터 W, 갱신된 바이어스 집합의 벡터 b 및 k번째 사이클 내에서 단위 시간별 측정된 전압 데이터의 집합의 벡터 x를 이용하여 하기의 수학식 4에 의하여 중간 연산 결과를 생성할 수 있다.
[수학식 4]
Figure 112019125888826-pat00030
이때, Y는 중간 연산 결과를 나타낸다.
이어서, 예측부(140)는 벡터 x를 Y와 곱 연산이 가능하도록 확장하여 벡터 V를 산출하고, V 및 Y를 이용하여 하기의 수학식 5에 의하여 k+1번째 사이클에 대한 전압 예측 데이터의 집합의 벡터 P를 생성할 수 있다.
[수학식 5]
Figure 112019125888826-pat00031
이때, V는 벡터 x의 열 개수가 벡터 Y의 행 개수와 동일하게 되도록 벡터 x의 1행 원소들을 반복하여 이후의 행을 확장함으로써 생성된다.
도 2는 다른 실시예에 따른 전지 충전 상태 예측 장치(200)를 설명하기 위한 블록도이다. 도 1을 참조하여 설명하였던 위 실시예에서의 구성요소와 대응되는 구성요소는, 위 실시예에서 설명한 바와 동일 또는 유사한 기능을 수행하므로, 이에 대한 보다 구체적인 설명은 생략하도록 한다.
도 2를 참조하면, 다른 실시예에 따른 전지 충전 상태 예측 장치(200)는 데이터 정규화부(210)를 더 포함할 수 있다.
데이터 정규화부(210)는 전지의 시간에 따른 전압 데이터를 기 설정된 범위 내의 값으로 정규화(normalization)한다.
이때, '정규화'는 학습을 위한 데이터의 분포를 최적화하는 과정을 의미한다.
구체적으로, 데이터 정규화부(210)는 하기의 수학식 6에 의하여 전지의 시간에 따른 전압 데이터를 정규화할 수 있다.
[수학식 6]
Figure 112019125888826-pat00032
이때,
Figure 112019125888826-pat00033
는 정규화된 전압 데이터,
Figure 112019125888826-pat00034
는 정규화 전의 전압 데이터,
Figure 112019125888826-pat00035
는 전압 데이터의 최소값,
Figure 112019125888826-pat00036
는 전압 데이터의 최대값을 나타낸다.
도 3은 일 실시예에 따른 전지 충전 상태 예측 방법을 설명하기 위한 흐름도이다. 도 3에 도시된 방법은 예를 들어, 상술한 전지 충전 상태 예측 장치(100)에 의해 수행될 수 있다.
도 3을 참조하면, 우선 전지 충전 상태 예측 장치(100)는 전지의 시간에 따른 전압 데이터를 기 설정된 최저 전압 값을 기준으로 시간 축 상에서 k개의 사이클(이때, k는 2 이상의 자연수)로 분절하여 k개의 사이클 각각에 대한 전압 데이터를 생성한다(310).
이후, 전지 충전 상태 예측 장치(100)는 k개의 사이클 각각에 대한 전압 데이터에 포함된 열 잡음을 제거한다(320).
이후, 전지 충전 상태 예측 장치(100)는 인공 신경망 기반의 예측 모델을 이용하여 k개의 사이클 중 n-1번째 사이클(이때, n은 2≤n≤k를 만족하는 자연수)에 대한 전압 데이터로부터 n번째 사이클에 대한 전압 예측 데이터를 생성한다(330).
이후, 전지 충전 상태 예측 장치(100)는 n번째 사이클에 대한 전압 예측 데이터 및 열 잡음이 제거된 n번째 사이클에 대한 전압 데이터에 기초하여 예측 모델을 학습한다(340).
이후, 전지 충전 상태 예측 장치(100)는 학습된 예측 모델을 이용하여 k+1번째 이후의 사이클에 대한 전압 예측 데이터를 생성한다(350).
도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 4는 다른 실시예에 따른 전지 충전 상태 예측 방법을 설명하기 위한 흐름도이다. 도 4에 도시된 방법은 예를 들어, 상술한 전지 충전 상태 예측 장치(200)에 의해 수행될 수 있으며, 기재된 단계 420 내지 460은 도 3에서의 단계 310 내지 350과 동일 또는 유사한 단계이므로, 이에 대한 보다 구체적인 설명은 생략하도록 한다.
도 4를 참조하면, 전지 충전 상태 예측 장치(200)는 단계 420 내지 460에 앞서 전지의 시간에 따른 전압 데이터를 기 설정된 범위 내의 값으로 정규화할 수 있다(410).
도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 5는 일 실시예에 따른 전지 충전 상태 예측 과정을 상세하게 설명하기 위한 도면이다. 도 5에 도시된 과정은 예를 들어, 상술한 전지 충전 상태 예측 장치(200)에 의해 수행될 수 있다.
도 5를 참조하면, 우선, 전지 충전 상태 예측 장치(200)는 전지의 시간에 따른 전압 데이터를 획득하여 데이터 정규화 과정을 수행한다.
이후, 전지 충전 상태 예측 장치(200)는 정규화된 전압 데이터를 사이클 별로 분절하고, 초기 사이클(0 cycle)의 전압 데이터를 초기값으로 설정한다.
이후, 전지 충전 상태 예측 장치(200)는 0 이상 1 이하의 기 저장된 무작위 값(random value)인 초기 학습 파라미터와 초기 사이클의 전압 데이터에 기초하여, 1 cycle 부터 k번째 cycle까지에 걸쳐서 반복 학습 및 예측을 통한 모델 학습을 수행한다. 이 과정에서 각 사이클의 실제 전압 데이터와 전압 예측 데이터 간의 오차를 손실(loss)로 설정하여, 손실이 기 설정된 임계 값(ε) 이하가 되는 경우 그 때의 학습 파라미터를 기존의 학습 파라미터에 반영하여 학습 파라미터를 갱신한다.
이후, 전지 충전 상태 예측 장치(200)는 갱신된 학습 파라미터와 k번째 cycle의 실제 전압 데이터에 기초하여, 학습하지 않은 k+1번째 cycle의 전압 예측 데이터를 생성한다.
이후, 전지 충전 상태 예측 장치(200)는 k+1번째 cycle의 전압 예측 데이터 및 k번째 사이클까지 누적 갱신된 학습 파라미터에 기초하여, k+2번째 cycle의 전압 예측 데이터를 생성한다. 이후의 예측 또한 동일한 과정에 의해 이루어진다.
도 6은 일 실시예에 따른 전압 데이터를 나타낸 도면이다.
도 6을 참조하면, x축을 시간(단위: 초), y축을 전압(단위: 볼트)으로 하여 시간에 따른 전지의 충전 및 방전 전압이 도시되어 있다.
구체적으로, 전지의 충전 및 방전 전압은 약 350초 ~ 400초를 주기로 하여 증감을 반복하고 있다. 이때, 기 설정된 최저 전압 값에 도달하는 시점을 기준으로 산출되는 사이클의 일 예시를 그래프 상에 표시하였다.
이때, 레독스 흐름 전지 또는 리튬 이온 전지는 사용 기간이 늘어남에 따라, 전지 용량이 줄어들어 사이클 또한 변화하게 되는데, 상술한 최저 전압 값에 도달하는 시점을 기준으로 사이클을 계산하는 방식을 이용하면 이러한 변화에 따른 실제 사이클을 산출할 수 있다.
도 7은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 전지 충전 상태 예측 장치(100)일 수 있다. 또한, 컴퓨팅 장치(12)는 전지 충전 상태 예측 장치(200)일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(102)와 연결될 수도 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
10: 컴퓨팅 환경
12: 컴퓨팅 장치
14: 프로세서
16: 컴퓨터 판독 가능 저장 매체
18: 통신 버스
20: 프로그램
22: 입출력 인터페이스
24: 입출력 장치
26: 네트워크 통신 인터페이스
100, 200: 전지 충전 상태 예측 장치
110: 데이터 분절부
120: 필터부
130: 학습부
140: 예측부
210: 데이터 정규화부

Claims (16)

  1. 전지의 시간에 따른 전압 데이터를 기 설정된 최저 전압 값을 기준으로 시간 축 상에서 k개의 사이클(이때, k는 2 이상의 자연수)로 분절하여 상기 k개의 사이클 각각에 대한 전압 데이터를 생성하는 데이터 분절부;
    상기 k개의 사이클 각각에 대한 전압 데이터에 포함된 열 잡음(thermos-noise)을 제거하는 필터부;
    인공 신경망 기반의 예측 모델을 이용하여 상기 k개의 사이클 중 n-1번째 사이클(이때, n은 2≤n≤k를 만족하는 자연수)에 대한 전압 데이터로부터 n번째 사이클에 대한 전압 예측 데이터를 생성하고, 상기 n번째 사이클에 대한 전압 예측 데이터 및 상기 열 잡음이 제거된 상기 n번째 사이클에 대한 전압 데이터에 기초하여 상기 예측 모델을 학습하는 학습부;
    상기 학습된 예측 모델을 이용하여 k+1번째 이후의 사이클에 대한 전압 예측 데이터를 생성하는 예측부를 포함하는, 전지 충전 상태 예측 장치.
  2. 청구항 1에 있어서,
    상기 전지의 시간에 따른 전압 데이터를 기 설정된 범위 내의 값으로 정규화(normalization)하는 데이터 정규화부를 더 포함하는, 전지 충전 상태 예측 장치.
  3. 청구항 1에 있어서,
    상기 데이터 분절부는, 상기 최저 전압 값이 측정되는 인접한 두 시점 간의 시간 축 상의 간격을 한 사이클로 판단하는, 전지 충전 상태 예측 장치.
  4. 청구항 1에 있어서,
    상기 필터부는, 상기 k개의 사이클 각각에 대한 전압 데이터의 각 사이클 별 표본 표준편차 및 상기 표본 표준편차에 기초한 필터링 파라미터에 기초하여 상기 k개의 사이클 각각에 대한 전압 데이터를 필터링함으로써 상기 열 잡음을 제거하는, 전지 충전 상태 예측 장치.
  5. 청구항 4에 있어서,
    상기 필터부는, 하기의 수학식 1에 기초하여 상기 k개의 사이클 각각에 대한 전압 데이터를 필터링하는, 전지 충전 상태 예측 장치.
    [수학식 1]
    Figure 112019125888826-pat00037

    (이때,
    Figure 112019125888826-pat00038
    는 한 사이클 내 특정 시점 t에서의 필터링된 전압 데이터,
    Figure 112019125888826-pat00039
    는 상기 한 사이클 내 특정 시점 t에서의 전압 데이터, t는 한 사이클 내 단위 시간 중 어느 하나,
    Figure 112019125888826-pat00040
    는 상기 필터링 파라미터)
  6. 청구항 5에 있어서,
    상기 필터링 파라미터는, 하기의 수학식 2에 기초하여 산출되고,
    상기 표본 표준편차는, 하기의 수학식 3에 기초하여 산출되는, 전지 충전 상태 예측 장치.
    [수학식 2]
    Figure 112019125888826-pat00041

    [수학식 3]
    Figure 112019125888826-pat00042

    (이때,
    Figure 112019125888826-pat00043
    는 상기 표본 표준편차, N은 한 사이클의 종료 시점과 시작 시점의 차,
    Figure 112019125888826-pat00044
    는 상기 한 사이클 내 특정 시점 t에서의 전압 데이터,
    Figure 112019125888826-pat00045
    는 상기 한 사이클 내 전압 데이터의 평균값)
  7. 청구항 1에 있어서,
    상기 학습부는, 상기 n번째 사이클에 대한 전압 예측 데이터와 상기 열 잡음이 제거된 상기 n번째 사이클에 대한 전압 데이터 간의 평균 제곱 오차(Mean Squared Error, MSE)가 기 설정된 임계 값 이하가 되도록 상기 예측 모델의 학습 파라미터를 갱신하는, 전지 충전 상태 예측 장치.
  8. 청구항 7에 있어서,
    상기 갱신된 학습 파라미터는, 상기 n-1번째 사이클까지 누적 갱신된 학습 파라미터와 상기 n번째 사이클 내에서 상기 평균 제곱 오차가 최초로 상기 임계 값 이하가 된 시점에서 산출된 학습 파라미터를 기 설정된 비율로 합산한 값인, 전지 충전 상태 예측 장치.
  9. 전지의 시간에 따른 전압 데이터를 기 설정된 최저 전압 값을 기준으로 시간 축 상에서 k개의 사이클(이때, k는 2 이상의 자연수)로 분절하여 상기 k개의 사이클 각각에 대한 전압 데이터를 생성하는 단계;
    상기 k개의 사이클 각각에 대한 전압 데이터에 포함된 열 잡음(thermos-noise)을 제거하는 단계;
    인공 신경망 기반의 예측 모델을 이용하여 상기 k개의 사이클 중 n-1번째 사이클(이때, n은 2≤n≤k를 만족하는 자연수)에 대한 전압 데이터로부터 n번째 사이클에 대한 전압 예측 데이터를 생성하는 단계;
    상기 n번째 사이클에 대한 전압 예측 데이터 및 상기 열 잡음이 제거된 상기 n번째 사이클에 대한 전압 데이터에 기초하여 상기 예측 모델을 학습하는 단계;
    상기 학습된 예측 모델을 이용하여 k+1번째 이후의 사이클에 대한 전압 예측 데이터를 생성하는 단계를 포함하는, 전지 충전 상태 예측 방법.
  10. 청구항 9에 있어서,
    상기 전압 데이터를 생성하는 단계 이전에, 상기 전지의 시간에 따른 전압 데이터를 기 설정된 범위 내의 값으로 정규화하는 단계를 더 포함하는, 전지 충전 상태 예측 방법.
  11. 청구항 9에 있어서,
    상기 전압 데이터를 생성하는 단계는, 상기 최저 전압 값이 측정되는 인접한 두 시점 간의 시간 축 상의 간격을 한 사이클로 판단하는, 전지 충전 상태 예측 방법.
  12. 청구항 9에 있어서,
    상기 제거하는 단계는, 상기 k개의 사이클 각각에 대한 전압 데이터의 각 사이클 별 표본 표준편차 및 상기 표본 표준편차에 기초한 필터링 파라미터에 기초하여 상기 k개의 사이클 각각에 대한 전압 데이터를 필터링함으로써 상기 열 잡음을 제거하는, 전지 충전 상태 예측 방법.
  13. 청구항 12에 있어서,
    상기 제거하는 단계는, 하기의 수학식 1에 기초하여 상기 k개의 사이클 각각에 대한 전압 데이터를 필터링하는, 전지 충전 상태 예측 방법.
    [수학식 1]
    Figure 112019125888826-pat00046

    (이때,
    Figure 112019125888826-pat00047
    는 한 사이클 내 특정 시점 t에서의 필터링된 전압 데이터,
    Figure 112019125888826-pat00048
    는 상기 한 사이클 내 특정 시점 t에서의 전압 데이터, t는 한 사이클 내 단위 시간 중 어느 하나,
    Figure 112019125888826-pat00049
    는 상기 필터링 파라미터)
  14. 청구항 13에 있어서,
    상기 필터링 파라미터는, 하기의 수학식 2에 기초하여 산출되고,
    상기 표본 표준편차는, 하기의 수학식 3에 기초하여 산출되는, 전지 충전 상태 예측 방법.
    [수학식 2]
    Figure 112019125888826-pat00050

    [수학식 3]
    Figure 112019125888826-pat00051

    (이때,
    Figure 112019125888826-pat00052
    는 상기 표본 표준편차, N은 한 사이클의 종료 시점과 시작 시점의 차,
    Figure 112019125888826-pat00053
    는 상기 한 사이클 내 특정 시점 t에서의 전압 데이터,
    Figure 112019125888826-pat00054
    는 상기 한 사이클 내 전압 데이터의 평균값)
  15. 청구항 9에 있어서,
    상기 학습하는 단계는, 상기 n번째 사이클에 대한 전압 예측 데이터와 상기 열 잡음이 제거된 상기 n번째 사이클에 대한 전압 데이터 간의 평균 제곱 오차(Mean Squared Error, MSE)가 기 설정된 임계 값 이하가 되도록 상기 예측 모델의 학습 파라미터를 갱신하는, 전지 충전 상태 예측 방법.
  16. 청구항 15에 있어서,
    상기 갱신된 학습 파라미터는, 상기 n-1번째 사이클까지 누적 갱신된 학습 파라미터와 상기 n번째 사이클 내에서 상기 평균 제곱 오차가 최초로 상기 임계 값 이하가 된 시점에서 산출된 학습 파라미터를 기 설정된 비율로 합산한 값인, 전지 충전 상태 예측 방법.
KR1020190160689A 2019-12-05 2019-12-05 전지 충전 상태 예측 장치 및 방법 KR102297543B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190160689A KR102297543B1 (ko) 2019-12-05 2019-12-05 전지 충전 상태 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190160689A KR102297543B1 (ko) 2019-12-05 2019-12-05 전지 충전 상태 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210071161A KR20210071161A (ko) 2021-06-16
KR102297543B1 true KR102297543B1 (ko) 2021-09-02

Family

ID=76603163

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190160689A KR102297543B1 (ko) 2019-12-05 2019-12-05 전지 충전 상태 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102297543B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116148700B (zh) * 2023-01-10 2024-04-12 中国第一汽车股份有限公司 电池的状态预测方法及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006071306A (ja) * 2004-08-31 2006-03-16 Hioki Ee Corp 電池特性測定装置
JP2016536605A (ja) * 2013-09-11 2016-11-24 コミサリヤ・ア・レネルジ・アトミク・エ・オ・エネルジ・アルテルナテイブ 電池の充電状態を推定するための方法、装置およびシステム
JP2019113524A (ja) * 2017-10-17 2019-07-11 ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー リチウムイオン電池の容量低下と寿命予測のためのデータ駆動モデル

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9263908B2 (en) 2012-06-26 2016-02-16 Samsung Sdi Co., Ltd. Battery pack having linear voltage profile, and SOC algorithm applying to the battery pack
CA3031092C (en) * 2016-07-22 2023-01-17 Eos Energy Storage, Llc Battery management system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006071306A (ja) * 2004-08-31 2006-03-16 Hioki Ee Corp 電池特性測定装置
JP2016536605A (ja) * 2013-09-11 2016-11-24 コミサリヤ・ア・レネルジ・アトミク・エ・オ・エネルジ・アルテルナテイブ 電池の充電状態を推定するための方法、装置およびシステム
JP2019113524A (ja) * 2017-10-17 2019-07-11 ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー リチウムイオン電池の容量低下と寿命予測のためのデータ駆動モデル

Also Published As

Publication number Publication date
KR20210071161A (ko) 2021-06-16

Similar Documents

Publication Publication Date Title
CN111260030B (zh) 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质
CN112036084B (zh) 一种相似产品寿命迁移筛选方法和系统
CN107832581B (zh) 状态预测方法和装置
CN113574327B (zh) 通过选择控制设置来控制环境的方法及系统
CN110020717A (zh) 用于生成不动点神经网络的方法和装置
Wang et al. Rapid ultracapacitor life prediction with a convolutional neural network
CN111052152A (zh) 包含仿神经元件的阵列的控制装置、离散化步长的运算方法及程序
KR20220103739A (ko) 시뮬레이션의 계산 비용을 추정하기 위한 방법 및 시스템
Yuan et al. Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search
US20200395042A1 (en) Learning device, voice activity detector, and method for detecting voice activity
Tanaka et al. Automated structure discovery and parameter tuning of neural network language model based on evolution strategy
KR102297543B1 (ko) 전지 충전 상태 예측 장치 및 방법
CN115308628A (zh) 一种电池健康状态监测方法
WO2021055442A1 (en) Small and fast video processing networks via neural architecture search
US11914672B2 (en) Method of neural architecture search using continuous action reinforcement learning
CN113240194B (zh) 储能电池容量预测方法、服务端及计算机可读存储介质
CN112731183B (zh) 一种基于改进的elm的锂离子电池寿命预测方法
KR20180056013A (ko) 나노 물질의 독성을 예측하는 방법 및 장치
CN110059342B (zh) 一种锂离子电池p2d模型的参数估计方法
Galioto et al. Likelihood-based generalization of Markov parameter estimation and multiple shooting objectives in system identification
Liu et al. Towards a practical measure of interference for reinforcement learning
CN113821975A (zh) 一种燃料电池性能衰减预测方法及系统
CN113011674A (zh) 一种光伏发电预测方法、装置、电子设备及存储介质
Kruglov Channel-wise pruning of neural networks with tapering resource constraint
KR102583943B1 (ko) 태스크 간의 상관관계 분석 알고리즘을 이용하여 연속학습을 수행하는 신경망 장치 및 신경망 학습 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant