KR102335180B1 - 배터리의 노화 상태 추정 장치 및 방법 - Google Patents

배터리의 노화 상태 추정 장치 및 방법 Download PDF

Info

Publication number
KR102335180B1
KR102335180B1 KR1020190079599A KR20190079599A KR102335180B1 KR 102335180 B1 KR102335180 B1 KR 102335180B1 KR 1020190079599 A KR1020190079599 A KR 1020190079599A KR 20190079599 A KR20190079599 A KR 20190079599A KR 102335180 B1 KR102335180 B1 KR 102335180B1
Authority
KR
South Korea
Prior art keywords
battery
aging state
state estimation
learning
estimation model
Prior art date
Application number
KR1020190079599A
Other languages
English (en)
Other versions
KR20210003596A (ko
KR102335180B9 (ko
Inventor
이석한
박태준
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020190079599A priority Critical patent/KR102335180B1/ko
Publication of KR20210003596A publication Critical patent/KR20210003596A/ko
Application granted granted Critical
Publication of KR102335180B1 publication Critical patent/KR102335180B1/ko
Publication of KR102335180B9 publication Critical patent/KR102335180B9/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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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

배터리의 측정값을 수신하고, 배터리 노화 정보 엔트로피 인덱스를 계산하고, 배터리 노화 상태 추정 모델을 학습하고, 배터리의 노화 상태를 추정하는 배터리 노화 상태 추정 장치 및 방법을 제공한다. 본 발명에 의하면, 실환경 데이터의 수집이 어려운 상황에서도 시뮬레이션 및 LAB 데이터를 활용하여 실환경 데이터에 적용할 수 있는 배터리의 건강상태(SOH) 및 잔존 수명(RUL)을 정확하게 추정할 수 있다.

Description

배터리의 노화 상태 추정 장치 및 방법{APPARATUS AND METHOD FOR ESTIMATING AGING CONDITION OF BATTERY}
본 발명은 배터리의 노화 상태를 추정하는 장치 및 방법에 관한 것이다.
배터리의 노화 상태를 나타내는 지표로서 건강상태(State of Health, SOH)와 잔존 수명(Remaining Useful Life, RUL)이 있다. 건강상태(SOH)는 초기 상태를 100%, 최대 충전 용량이 초기 상태의 80%까지 감소한 상태를 0%로 표시할 수 있다. 또한, 잔존 수명(RUL)은 건강상태(SOH)가 0%에 도달할 때까지의 남은 수명으로 정의된다.
이러한 배터리의 노화 상태를 추정하는 방법으로는 직접 측정 접근 방법, 모델 기반 접근 방법, 데이터 기반 접근 방법 등이 있다.
직접 측정 접근 방법에는 배터리의 노화에 따른 임피던스 값의 변화를 측정하고 룩-업(look-up) 테이블을 작성하여 노화 정도를 예측하는 방법과 방전 시 전류를 적산하여 노화 상태를 추정하는 방법 등이 있다.
그러나, 직접 측정 접근 방법은 배터리의 동작을 중단시킨 상태에서 데이터를 측정하는 과정이 필요하기 때문에 실시간 추정이 어렵다는 문제점이 있다.
모델 기반 접근 방법은 칼만(Kalman) 필터 또는 파티클(particle) 필터를 활용한 방법이다. 모델 기반 접근 방법은 배터리의 상태 방정식을 기반으로 측정값을 업데이트 하여 노화 상태를 추정한다.
그러나, 모델 기반 접근 방법은 각 배터리마다 상이한 상태 방정식을 세워야 하고, 배터리의 파라미터가 시간 또는 노화 정도에 따라 지속적으로 변화하여 정확한 모델을 사용하기가 어려우므로 추정 정확도가 낮다는 문제점이 있다.
데이터 기반 접근 방법은 배터리의 측정값 데이터를 이용해 뉴럴 네트워크(Neural Network) 또는 서포트 벡터 머신(Support Vector Machine, SVM)과 같은 기계학습 모델을 학습시켜 배터리 노화 상태 추정 모델을 만드는 방법이다.
데이터 기반 접근 방법은 수집된 데이터의 질에 크게 의존한다. 그런데, 다양한 실환경 데이터 수집의 어려움으로 인하여 대부분의 경우 LAB 시뮬레이션 환경에서 수집된 데이터를 기반으로 추정이 이루어지고 있어, 실환경에 적용 시 오차를 야기하는 문제점이 있다.
한국 공개특허공보 제10-2013-0113296호 ("배터리의 수명 예측 시스템", 삼성에스디아이 주식회사, 공개일 2013.10.15.)
본 발명의 목적은 실환경 데이터의 수집이 어려운 상황에서 시뮬레이션 및 LAB데이터를 활용하여 실환경 데이터에 적용할 수 있는 배터리의 건강상태(State Of Health, SOH) 및 잔존 수명(Remaining Useful Life, RUL)을 추정하는 방법을 제공하는 것이다.
본 발명의 일 측면에 따르면, 배터리 노화 상태 추정 장치는 배터리관리 시스템(Battery Management System, BMS)으로부터 수신한 배터리의 측정값과 측정 시간을 이용하여 배터리 노화 정보 엔트로피 인덱스를 계산하고, 상기 측정값과 상기 배터리 노화 정보 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 배터리 노화 상태 추정 모델을 학습하고, 상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 프로세서를 포함한다.
상기 프로세서는 상기 측정값과 상기 측정 시간을 이용하여 배터리 노화 정보 엔트로피 인덱스를 계산하는 전처리부와, 상기 측정값과 상기 배터리 노화 정보 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 하는 배터리 노화 상태 추정 모델을 학습하는 학습부와, 상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 추정부를 포함할 수 있다.
상기 전처리부는 상기 측정값에 대하여 히스토그램을 생성하고, 상기 히스토그램의 각 빈(bin)의 확률을 계산하여 상기 배터리 노화 정보 엔트로피 인덱스를 계산할 수 있다.
상기 전처리부는 상기 측정값을 상기 배터리의 충전구간과 방전구간으로 나누고, 상기 충전구간과 방전구간 각각에 대하여 상기 배터리 노화 정보 엔트로피 인덱스를 계산할 수 있다.
또한, 상기 전처리부는 상기 배터리의 충방전 시간 및 입출력 전류 변화를 보상하기 위한 하기의 수학식
Figure 112019067905269-pat00001
에 의해 상기 배터리 노화 정보 엔트로피 인덱스를 계산할 수 있다.
상기 배터리 노화 상태 추정 장치는 상기 전처리부에서 전처리 된 데이터와 상기 학습부에서 학습된 상기 배터리 노화 상태 추정 모델 및 파라미터를 저장하는 메모리를 더 포함할 수 있다.
상기 배터리 노화 상태 추정 모델은 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest) 및 장단기 메모리(Long-Short Term Memory, LSTM) 중 어느 하나인 뉴럴 네트워크(Neural Network)일 수 있다.
상기 n 차원 벡터는 상기 배터리의 전압, 전류, 내부저항, 온도, 전력 및 충전상태(State of Charge, SOC) 중 적어도 어느 하나를 더 포함할 수 있다.
상기 학습부는 상기 배터리와 동일 모델의 배터리로 미리 수행된 실험 데이터를 학습할 수 있다.
또한, 상기 학습부는 상기 배터리의 노화에 따라 상기 배터리 노화 상태 추정 모델을 재학습할 수 있다.
상기 노화 상태는 상기 배터리의 건강상태(State of Health, SOH) 및 잔존 수명(Remaining Useful Life, RUL) 중 적어도 어느 하나를 포함할 수 있다.
상기 배터리 노화 상태 추정 장치는 상기 측정값을 수신하는 통신모듈을 더 포함할 수 있다.
본 발명의 다른 측면에 따르면, 배터리 노화 상태 추정 방법은 배터리관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하는 단계와, 상기 측정값과 측정 시간을 이용하여 배터리 노화 정보 엔트로피 인덱스를 계산하는 단계와, 상기 측정값과 상기 배터리 노화 정보 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 배터리 노화 상태 추정 모델을 학습하는 단계와, 상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 단계를 포함한다.
상기 배터리 노화 정보 엔트로피 인덱스를 계산하는 단계는 상기 측정값에 대하여 히스토그램을 생성하는 단계와, 상기 히스토그램의 각 빈(bin)의 확률을 계산하는 단계와, 상기 각 빈의 확률을 이용하여 상기 배터리 노화 정보 엔트로피 인덱스를 계산하는 단계를 포함할 수 있다.
상기 배터리 노화 정보 엔트로피 인덱스를 계산하는 단계는 상기 측정값을 상기 배터리의 충전구간과 방전구간으로 나누고, 상기 충전구간과 방전구간 각각에 대하여 상기 배터리 노화 정보 엔트로피 인덱스를 계산할 수 있다.
상기 배터리 노화 정보 엔트로피 인덱스를 계산하는 단계는 상기 배터리의 충방전 시간 및 입출력 전류 변화를 보상하기 위한 하기의 수학식
Figure 112019067905269-pat00002
에 의해 상기 배터리 노화 정보 엔트로피 인덱스를 계산할 수 있다.
상기 배터리 노화 상태 추정 모델은 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest) 및 장단기 메모리(Long-Short Term Memory, LSTM) 중 어느 하나인 뉴럴 네트워크(Neural Network)일 수 있다.
상기 n 차원 벡터는 상기 배터리의 전압, 전류, 내부저항, 온도, 전력 및 충전상태(State of Charge, SOC) 중 적어도 어느 하나를 더 포함할 수 있다.
상기 배터리 노화 상태 추정 모델을 학습하는 단계는 상기 배터리와 동일 모델의 배터리로 미리 수행된 실험 데이터를 학습할 수 있다.
또한, 상기 배터리 노화 상태 추정 모델을 학습하는 단계는 상기 배터리의 노화에 따라 상기 배터리 노화 상태 추정 모델을 재학습할 수 있다.
상기 노화 상태는 상기 배터리의 건강상태(State of Health, SOH) 및 잔존 수명(Remaining Useful Life, RUL) 중 적어도 어느 하나를 포함할 수 있다.
본 발명의 또 다른 측면에 따르면, 배터리 노화 상태 추정 장치는 배터리관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하는 통신모듈과, 상기 통신모듈로부터 무선통신을 통해 상기 측정값을 수신하고, 상기 측정값과 측정 시간을 이용하여 배터리 노화 정보 엔트로피 인덱스를 계산하고, 상기 측정값과 상기 배터리 노화 정보 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 배터리 노화 상태 추정 모델을 학습하고, 상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 외부 클라우드 서버를 포함한다.
상기 외부 클라우드 서버는 상기 측정값을 상기 배터리의 충전구간과 방전구간으로 나누고, 상기 충전구간과 방전구간 각각에 대하여 상기 측정값의 히스토그램을 생성하고, 상기 히스토그램의 각 빈(bin)의 확률을 계산하고, 상기 배터리의 충방전 시간 및 입출력 전류 변화를 보상하기 위한 하기의 수학식
Figure 112019067905269-pat00003
에 의해 상기 배터리 노화 정보 엔트로피 인덱스를 계산할 수 있다.
본 발명의 또 다른 측면에 따르면, 배터리가 설치된 운송수단의 외부 클라우드 서버에서 수행되는 배터리 노화 상태 추정 방법은 상기 배터리의 측정값을 수신하는 단계와, 상기 측정값과 측정 시간을 이용하여 배터리 노화 정보 엔트로피 인덱스를 계산하는 단계와, 상기 측정값과 상기 배터리 노화 정보 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 배터리 노화 상태 추정 모델을 학습하는 단계와, 상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 단계를 포함한다.
본 발명의 또 다른 측면에 의하면 배터리관리 시스템(Battery Management System, BMS)의 내부 모듈의 형태로 구현되는 배터리 노화 상태 추정 장치는, 상기 배터리관리 시스템(BMS)으로부터 배터리의 측정값을 수신하는 통신모듈과, 상기 측정값과 측정 시간을 이용하여 배터리 노화 정보 엔트로피 인덱스를 계산하고, 상기 측정값과 상기 배터리 노화 정보 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 하는 배터리 노화 상태 추정 모델을 학습하고, 상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 프로세서를 포함한다.
본 발명의 또 다른 측면에 의하면, 배터리관리 시스템(Battery Management System, BMS)에서 프로그램을 실행하여 수행되는 배터리 노화 상태 추정 방법은, 상기 배터리의 측정값을 수신하는 단계와, 상기 측정값과 측정 시간을 이용하여 배터리 노화 정보 엔트로피 인덱스를 계산하는 단계와, 상기 측정값과 상기 배터리 노화 정보 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 하는 배터리 노화 상태 추정 모델을 학습하는 단계와, 상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 단계를 포함한다.
본 발명의 실시예들에 따른 배터리의 노화 상태 추정 장치 및 방법에 따르면, 배터리 측정값에 기초한 배터리 노화 정보 엔트로피 인덱스를 입력으로 하는 기계학습 모델을 이용함으로써 실환경 데이터의 수집이 어려운 상황에서 시뮬레이션 및 LAB 데이터를 활용하여 실환경 데이터에 적용할 수 있는 배터리의 건강상태(SOH) 및 잔존 수명(RUL)을 추정할 수 있다.
또한, 배터리의 노화 상태에 대한 정확한 정보를 운전자에게 전달하여 운전자는 효율적인 운전 계획을 세울 수 있으며, 현재 상태에 맞는 정비(condition based maintenance)가 가능하다.
도 1은 본 발명의 일 실시예에 따른 배터리의 노화 상태 추정 시스템 및 노화상태 추정 장치의 구성을 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 장치가 외부 클라우드 서버의 형태로 구현된 일 예이다.
도 3은 본 발명의 본 발명의 일 실시예에 따른 배터리의 노화 상태 추정 방법의 알고리즘을 나타내는 순서도이다.
도 4는 배터리 노화 정보 엔트로피 인덱스의 계산 과정을 간략히 설명하기 위한 개념도이다.
도 5는 배터리 노화 정보 엔트로피 인덱스 계산 과정을 나타낸 순서도이다.
도 6은 배터리의 방전 횟수에 따른 배터리의 방전 시 전압 변화를 나타낸 그래프이다.
도 7은 방전 시 배터리의 전압 분포를 나타낸 히스토그램이다.
도 8은 방전 시 배터리의 전압 분포를 나타낸 확률분포표이다.
도 9는 배터리 동작 시간의 보상 유무에 따른 배터리 노화 정보 엔트로피 인덱스의 변화를 나타낸 그래프이다.
이하에서는 첨부된 도면을 참조하여 본 발명에 따른 배터리의 노화 상태 추정장치 및 방법에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람이 본 발명을 쉽게 실시할 수 있도록 명확하고 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 배터리의 노화 상태 추정 시스템 및 노화상태 추정 장치의 구성을 나타낸 블록도이다.
배터리(10)는 화학 에너지를 전기 에너지로 변환시키는 에너지 변환 장치이다. 예를 들어, 배터리(10)는 리튬-이온(Li-ion) 배터리일 수 있다. 배터리(10)는 패키지(package) 또는 셀(cell) 단위로 구성될 수 있다.
배터리(10)는 사용에 따라 최대 충전 용량이 점점 감소하는 노화 현상이 존재한다. 배터리(10)의 노화 상태를 나타내는 지표로서 건강상태(State of Health, SOH)와 잔존 수명(Remaining Useful Life, RUL)이 있다.
건강상태(SOH)는 하기의 수학식 1과 같이 초기의 최대 충전 용량 대비 현재의 최대 충전 용량을 백분율(%)로 표현한 것이다. 배터리(10)가 노화되지 않은 초기 상태를 "Fresh", 노화가 진행되어 더 이상 사용이 어려운 상태를 "Aged"라고 한다. 건강상태(SOH)는 Fresh에서 100% 값을, Aged에서 0% 값을 갖는다.
Figure 112019067905269-pat00004
여기서, Cmax는 현재 최대 충전 용량, Crated는 초기 최대 충전 용량을 나타낸다.
한편, 잔존 수명(RUL)은 배터리(10)의 최대 충전 용량이 초기 상태의 최대 충전 용량의 80%에 도달하는 시점까지 남은 시간을 의미한다.
배터리관리 시스템(Battery Management System, BMS)(30)은 배터리(10)의 상태를 모니터링하고 배터리(10)를 관리하기 위한 전자 시스템을 말한다. 예를 들어, 배터리관리 시스템(BMS)(30)은 배터리(10)의 전압, 전류, 내부저항, 온도, 전력 및 충전상태(State of Charge, SOC) 중 적어도 어느 하나를 측정하고, 측정값을 노화 상태 추정 장치(100)로 전송할 수 있다.
배터리 노화 상태 추정 장치(100)는 배터리관리 시스템(BMS)(30)으로부터 수신한 배터리(10)의 측정값을 이용해 배터리(10)의 노화 상태를 추정한다. 배터리 노화 상태 추정 장치(100)는 전기 자동차(Electric Vehicle, EV)의 내부에 모듈의 형태로 또는 외부 클라우드 서버의 형태로 구현될 수 있다. 배터리 노화 상태 추정 장치(100)는 배터리관리 시스템(BMS)(30)의 내부에 존재하거나 배터리관리 시스템(BMS)(30)의 외부에 별도의 장치로서 존재할 수 있다.
배터리 노화 상태 추정 장치(100)는 통신모듈(110), 프로세서(130) 및 메모리(150)를 포함할 수 있다.
통신모듈(110)은 배터리관리 시스템(BMS)(30)으로부터 배터리(10)의 측정값을 수신한다. 예를 들어, 통신모듈(110)은 배터리관리 시스템(BMS)(30)으로부터 배터리(10)의 전압, 전류, 내부저항, 온도, 전력 또는 충전상태(SOC) 측정값을 수신할 수 있다.
통신모듈(110)은 배터리 노화 상태 추정 장치(100)의 구현 형태에 적합한 통신 방식을 사용할 수 있다. 예를 들어, 통신모듈(110)은 배터리 노화 상태 추정 장치(100)가 전기 자동차(EV) 내부에 모듈 형태로 존재하는 경우 CAN(Controller Area Network) 또는 이더넷(ethernet)과 같은 유선 통신 방식을 사용할 수 있다. 또한, 예를 들어, 통신모듈(110)은 배터리 노화 상태 추정 장치(100)가 전기 자동차(EV) 외부에 존재하는 경우 원거리 무선 통신 방식을 사용할 수 있다.
프로세서(130)는 배터리(10)의 측정값을 이용하여 배터리(10)의 노화 상태를 추정한다. 프로세서(130)는 전처리부(131), 학습부(133) 및 추정부(135)를 포함할 수 있다.
전처리부(131)는 통신모듈(110)을 통해 수집한 데이터를 전처리(preprocessing)하는 단계이다. 전처리부(131)는 통신모듈(110)을 통해 수집한 데이터를 메모리(150)에 저장하고, 저장된 데이터로부터 배터리 노화 상태 추정에 필요한 배터리 노화 정보 엔트로피 인덱스를 계산한다.
학습부(133)는 배터리 노화 상태 추정 모델을 학습한다. 배터리 노화 상태 추정 모델은 배터리 노화 정보 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 한다. 배터리 노화 상태 추정 모델은, 예를 들어, 뉴럴 네트워크(Neural Network), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest) 또는 장단기 메모리(Long-Short Term Memory, LSTM) 등 기계학습(machine learning) 모델을 사용할 수 있다. 학습부(133)에 존재하는 모델은 기 학습된 모델일 수 있다. 학습부(133)는 배터리(10) 노화에 따라 배터리 노화 상태 추정 모델을 재학습할 수 있다.
추정부(135)는 학습부(133)가 학습한 배터리 노화 상태 추정 모델과 파라미터를 이용해 배터리(10)의 노화 상태를 추정한다.
메모리(150)는 전처리부(131)에서 전처리 된 데이터와 학습부(133)에서 학습된 추정 모델 및 파라미터를 저장한다. 메모리(150)는 실시예에 따라 배터리 노화 상태 추정 장치(100) 내부에 구현될 수 있다. 또한, 메모리(150)는 실시예에 따라 배터리 노화 상태 추정 장치(100) 외부에 클라우드 또는 서버 형태로 구현될 수 있다.
도 2는 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 장치가 외부 클라우드 서버의 형태로 구현된 일 예이다.
예를 들어, 배터리 노화 상태 추정 장치(100)가 전기 자동차(EV) 등 운송수단에 적용되는 경우 통신모듈(110)과 무선통신으로 연결되는 외부 클라우드 서버(600)의 형태로 구현될 수 있다.
도 3은 본 발명의 일 실시예에 따른 배터리의 노화 상태 추정 방법의 알고리즘을 나타내는 순서도이다. 본 방법은 외부 클라우드 서버 상에서 사용될 수 있고, 배터리관리 시스템(BMS)(30)에서 프로그램의 형태로 사용될 수 있다.
단계 S310은 배터리관리 시스템(BMS)(30)으로부터 배터리 측정값을 수신하는 단계이다. 예를 들어, 배터리 측정값은 전압, 전류, 내부저항, 온도, 전력 및 충전상태(SOC) 중 적어도 어느 하나를 포함할 수 있다.
단계 S330은 수신한 배터리 측정값을 저장하는 단계이다.
단계 S350은 배터리(10)의 충방전 사이클 갱신 주기 도달여부를 확인하는 단계이다. 배터리(10)의 충방전 사이클 갱신 주기가 도달한 경우 저장된 배터리 측정값과 측정 시간을 이용해 배터리 노화 정보 엔트로피 인덱스를 계산하고(S370), 배터리(10)의 충방전 사이클 갱신 주기가 도달하지 않은 경우 수신된 배터리 측정값을 저장하는 단계(S350)를 반복한다. 단계 S350을 통해 배터리 노화 정보 엔트로피 인덱스를 계산할 때 필요한 만큼의 충분한 데이터를 수집하면 배터리(10) 노화 상태 추정 결과의 정확도가 향상된다. 여기서, 충방전 사이클은 배터리(10)의 충전과 방전을 한 번씩 수행하는 것을 의미한다. 갱신 주기는 필요에 따라 1회 이상으로 결정할 수 있다.
단계 S370은 배터리 노화 정보 엔트로피 인덱스를 계산하는 단계이다. 이에 대해서는 도 4 내지 도 8을 참조하여 후술하기로 한다.
단계 S390은 배터리(10)의 노화 상태를 추정하는 단계이다. 배터리의 측정값과 단계 S370에서 계산된 배터리 노화 정보 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 배터리 노화 상태 추정 모델을 통해 배터리(10)의 노화 상태를 추정한다. 배터리 노화 상태 추정 모델은 동일 모델의 배터리(10)로 미리 수행된 실험 데이터를 학습할 수 있다.
도 4는 배터리 노화 정보 엔트로피 인덱스의 계산 과정을 간략히 설명하기 위한 개념도이다. 배터리 노화 정보 엔트로피 인덱스는 배터리(10)의 노화 상태에 따른 배터리 측정값의 변화를 이용해 계산한다. 배터리 측정값으로는, 예를 들어, 전압, 전류, 내부저항, 온도, 전력 또는 충전상태(SOC)를 사용할 수 있으며, 본 명세서에서는 설명의 편의를 위해 배터리 측정값 중 전압을 이용해 배터리 노화 정보 엔트로피 인덱스를 계산하는 것으로 설명한다.
배터리(10)는 충방전 사이클이 반복되면서 최대 충전 전압이 감소한다(401). 노화된 배터리(10)는 그렇지 않은 배터리(10)보다 동일 방전 조건에서 방전 가능 시간이 짧아지고 전압 분포가 고르게 분포하는 특성이 있다.
이러한 특성을 나타내기 위해 배터리(10)의 충전 또는 방전 시 전압 분포를 각 사이클마다 히스토그램으로 표현할 수 있다(403). 배터리(10)의 전압 데이터를 충전구간과 방전구간으로 나누고, 각 사이클마다 최대 전압값과 최소 전압값을 설정하여 이 범위를 임의의 개수의 동일한 구간으로 나눈 후 각 구간에 대한 전압값의 빈도수를 표시하여 히스토그램을 얻을 수 있다.
히스토그램을 이용해 각 사이클마다 배터리 노화 정보 엔트로피 인덱스를 계산할 수 있다(405). 배터리 노화 정보 엔트로피 인덱스는 배터리(10)의 충방전 사이클이 진행될수록 증가하는 경향이 있다.
도 5는 배터리 노화 정보 엔트로피 인덱스의 계산 과정을 나타낸 순서도이다.
단계 S510 및 S530은 배터리 측정값을 불러온 후 해당 데이터를 배터리(10)의 충전구간과 방전구간으로 분리하는 단계이다. 충전구간과 방전구간 각각에 대해 배터리 노화 정보 엔트로피 인덱스를 계산할 수 있다.
도 6은 배터리(10)의 방전 횟수에 따른 방전 시 전압 변화를 나타낸 그래프이다. 도 6을 참조하면, 배터리(10)의 방전 횟수에 따라 배터리(10)의 방전 시 전압이 점점 감소하는 것을 알 수 있다. 또한, 방전 횟수가 증가할수록 한 사이클의 전압 변화가 커지는 것을 알 수 있다.
다시 도 5를 참조하면, 단계 S550은 배터리 측정값을 이용해 히스토그램을 생성하는 단계이다. 배터리(10)의 충방전 사이클의 각 사이클마다 최대 전압값과 최소 전압값을 설정하여 이 범위를 임의의 개수의 동일한 구간으로 나눈 후 각 구간에 대한 전압값의 빈도수를 표시하여 히스토그램을 얻을 수 있다.
예를 들어, 도 7에 도시된 바와 같이 방전 시 배터리(10)의 전압 분포를 나타내는 히스토그램을 얻을 수 있다. 도 6을 참조하면, 전압 분포는 평균값을 기준으로 우측에 치우쳐 있는 것을 알 수 있다. 히스토그램은, 도 6에서 확인한 바와 같이, 사이클이 진행될수록 평균값이 좌측으로 이동하며, 표준편차가 커져 점점 고른 분포로 표현된다.
다시 도 5를 참조하면, 단계 S570은 히스토그램에서 각 빈(bin)의 확률을 계산하는 단계이다. 각 빈(bin)에 해당하는 전압값의 빈도수를 모든 데이터의 수로 나누어 확률을 계산할 수 있으며, 도 8에 도시된 바와 같은, 방전 시 배터리(10)의 전압 확률분포표를 얻을 수 있다. 각 빈(bin)의 확률을 이용해 정보 엔트로피를 계산한다.
엔트로피는 시스템의 무질서도를 나타내는 값이다. 시스템이 열평형상태에 도달할 때 엔트로피는 최대값을 갖는다. 정보이론에서의 엔트로피는 어떤 정보를 표현하기 위해 필요한 비트(bit)수를 의미한다. 표현하려는 정보가 무질서하고 불규칙할수록 엔트로피의 크기는 증가한다.
정보 엔트로피는 하기의 수학식 2에 의해 계산할 수 있다. 여기서, H(k)는 k번째 사이클의 정보 엔트로피를 의미하고, xi는 i번째 빈(bin)을 의미하며, p(xi)는 각 빈(bin)에 해당하는 전압이 나타날 확률을 의미하고, M은 전체 빈(bin)의 개수를 의미한다.
Figure 112019067905269-pat00005
다시 도 5를 참조하면, 단계 S590은 배터리(10)의 충방전 시간 및 입출력 전류 변화를 보상하여 최종적으로 배터리 노화 정보 엔트로피 인덱스를 계산하는 단계이다. 배터리(10)는 동작 환경에 따라 동작 시간이 상이하여 정보 엔트로피 값에 편차(variation)가 발생할 수 있다. 또한, 정보 엔트로피는 데이터의 길이가 짧을수록 그 값이 감소하는 경향이 있다. 이를 보상하기 위해 하기의 수학식 3과 같이 표준화 항(normalization term)을 곱한다.
Figure 112019067905269-pat00006
여기서, Q(k)는 k번째 사이클의 배터리 노화 정보 엔트로피 인덱스고, α는 길이 계수(length coefficient)이며, C(k)는 방전 전류가 달라지는 경우의 전류 보상 항(term)이고, D(k)는 k번째 사이클의 방전 시간이다. 예를 들어, α는 데이터 내에서 가장 짧은 사이클의 동작 시간으로 결정할 수 있고, C(k)는 각 사이클의 방전 전류의 절대값을 사용할 수 있다.
도 9는 배터리 동작 시간의 보상 유무에 따른 배터리 노화 정보 엔트로피 인덱스의 변화를 나타낸 그래프이다. 사이클이 커질수록 최대 충전 용량(901)이 줄어들어 배터리(10)가 노화되는 것을 알 수 있다. 배터리의 노화 상태가 최대치에 가까워질수록 배터리 동작 시간을 보상하지 않은 방전 시 배터리 노화 정보 엔트로피 인덱스(903), 배터리 동작 시간을 보상하지 않은 충전 시 배터리 노화 정보 엔트로피 인덱스(905), 배터리 동작 시간을 보상한 방전 시 배터리 노화 정보 엔트로피 인덱스(907) 및 배터리 동작 시간을 보상한 충전 시 배터리 노화 정보 엔트로피 인덱스(909)의 변화량이 커진다. 또한, 배터리 동작 시간을 보상한 경우(907, 909)가 그렇지 않은 경우(903, 905)보다 변화 양상이 뚜렷하게 관찰된다.
10: 배터리
30: 배터리관리 시스템(BMS)
100: 배터리 노화 상태 추정 장치
110: 통신모듈
130: 프로세서
131: 전처리부
133: 학습부
135: 추정부
150: 메모리
600: 외부 클라우드 서버

Claims (26)

  1. 배터리 노화 상태를 추정하는 장치에 있어서,
    배터리관리 시스템(Battery Management System, BMS)으로부터 수신한 배터리의 측정값과 측정 시간을 이용하여 배터리 노화 상태를 나타내는 정보이론 엔트로피 인덱스를 계산하고, 상기 측정값과 상기 정보이론 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 배터리 노화 상태 추정 모델을 학습하고, 상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 프로세서를 포함하고,
    상기 프로세서는 상기 배터리의 노화에 따라 상기 배터리 노화 상태 추정 모델을 재학습하는 것을 특징으로 하는 배터리 노화 상태 추정 장치.
  2. 제1항에 있어서,
    상기 프로세서는
    상기 측정값과 상기 측정 시간을 이용하여 정보이론 엔트로피 인덱스를 계산하는 전처리부;
    상기 측정값과 상기 정보이론 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 하는 배터리 노화 상태 추정 모델을 학습하는 학습부; 및
    상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 추정부를 포함하는 것을 특징으로 하는 배터리 노화 상태 추정 장치.
  3. 제2항에 있어서,
    상기 전처리부는
    상기 측정값에 대하여 히스토그램을 생성하고, 상기 히스토그램의 각 빈(bin)의 확률을 계산하여 상기 정보이론 엔트로피 인덱스를 계산하는 것을 특징으로 하는 배터리 노화 상태 추정 장치.
  4. 제3항에 있어서,
    상기 전처리부는
    상기 측정값을 상기 배터리의 충전구간과 방전구간으로 나누고, 상기 충전구간과 방전구간 각각에 대하여 상기 정보이론 엔트로피 인덱스를 계산하는 것을 특징으로 하는 배터리 노화 상태 추정 장치.
  5. 제3항에 있어서,
    상기 전처리부는
    상기 배터리의 충방전 시간 및 입출력 전류 변화를 보상하기 위한 하기의 수학식
    Figure 112021033288203-pat00019

    에 의해 상기 정보이론 엔트로피 인덱스를 계산하는 것을 특징으로 하는 배터리 노화 상태 추정 장치.
  6. 제2항에 있어서,
    상기 배터리 노화 상태 추정 장치는
    상기 전처리부에서 전처리 된 데이터와 상기 학습부에서 학습된 상기 배터리 노화 상태 추정 모델 및 파라미터를 저장하는 메모리를 더 포함하는 것을 특징으로 하는 배터리 노화 상태 추정 장치.
  7. 제2항에 있어서,
    상기 배터리 노화 상태 추정 모델은
    서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest) 및 장단기 메모리(Long-Short Term Memory, LSTM) 중 어느 하나인 뉴럴 네트워크(Neural Network)인 것을 특징으로 하는 배터리 노화 상태 추정 장치.
  8. 제2항에 있어서,
    상기 n 차원 벡터는
    상기 배터리의 전압, 전류, 내부저항, 온도, 전력 및 충전상태(State of Charge, SOC) 중 적어도 어느 하나를 더 포함하는 것을 특징으로 하는 배터리 노화 상태 추정 장치.
  9. 제2항에 있어서,
    상기 학습부는
    상기 배터리와 동일 모델의 배터리로 미리 수행된 실험 데이터를 학습하는 것을 특징으로 하는 배터리 노화 상태 추정 장치.
  10. 삭제
  11. 제1항에 있어서,
    상기 노화 상태는
    상기 배터리의 건강상태(State of Health, SOH) 및 잔존 수명(Remaining Useful Life, RUL) 중 적어도 어느 하나를 포함하는 배터리 노화 상태 추정 장치.
  12. 제1항 내지 제9항 및 제11항 중 어느 한 항에 있어서,
    상기 측정값을 수신하는 통신모듈을 더 포함하는 것을 특징으로 하는 배터리 노화 상태 추정 장치.
  13. 배터리관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하는 단계;
    상기 측정값과 측정 시간을 이용하여 배터리 노화 상태를 나타내는 정보이론 엔트로피 인덱스를 계산하는 단계;
    상기 측정값과 상기 정보이론 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 배터리 노화 상태 추정 모델을 학습하는 단계; 및
    상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 단계를 포함하고,
    상기 배터리 노화 상태 추정 모델을 학습하는 단계는 상기 배터리의 노화에 따라 상기 배터리 노화 상태 추정 모델을 재학습하는 것을 특징으로 하는 배터리 노화 상태 추정 방법.
  14. 제13항에 있어서,
    상기 정보이론 엔트로피 인덱스를 계산하는 단계는
    상기 측정값에 대하여 히스토그램을 생성하는 단계;
    상기 히스토그램의 각 빈(bin)의 확률을 계산하는 단계; 및
    상기 각 빈의 확률을 이용하여 상기 정보이론 엔트로피 인덱스를 계산하는 단계를 포함하는 배터리 노화 상태 추정 방법.
  15. 제14항에 있어서,
    상기 정보이론 엔트로피 인덱스를 계산하는 단계는
    상기 측정값을 상기 배터리의 충전구간과 방전구간으로 나누고, 상기 충전구간과 방전구간 각각에 대하여 상기 정보이론 엔트로피 인덱스를 계산하는 것을 특징으로 하는 배터리 노화 상태 추정 방법.
  16. 제14항에 있어서,
    상기 정보이론 엔트로피 인덱스를 계산하는 단계는
    상기 배터리의 충방전 시간 및 입출력 전류 변화를 보상하기 위한 하기의 수학식
    Figure 112021033288203-pat00020

    에 의해 상기 정보이론 엔트로피 인덱스를 계산하는 것을 특징으로 하는 배터리 노화 상태 추정 방법.
  17. 제13항에 있어서,
    상기 배터리 노화 상태 추정 모델은
    서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest) 및 장단기 메모리(Long-Short Term Memory, LSTM) 중 어느 하나인 뉴럴 네트워크(Neural Network)인 것을 특징으로 하는 배터리 노화 상태 추정 방법.
  18. 제13항에 있어서,
    상기 n 차원 벡터는
    상기 배터리의 전압, 전류, 내부저항, 온도, 전력 및 충전상태(State of Charge, SOC) 중 적어도 어느 하나를 더 포함하는 것을 특징으로 하는 배터리 노화 상태 추정 방법.
  19. 제13항에 있어서,
    상기 배터리 노화 상태 추정 모델을 학습하는 단계는
    상기 배터리와 동일 모델의 배터리로 미리 수행된 실험 데이터를 학습하는 것을 특징으로 하는 배터리 노화 상태 추정 방법.
  20. 삭제
  21. 제13항에 있어서,
    상기 노화 상태는
    상기 배터리의 건강상태(State of Health, SOH) 및 잔존 수명(Remaining Useful Life, RUL) 중 적어도 어느 하나를 포함하는 배터리 노화 상태 추정 방법.
  22. 배터리관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하는 통신모듈; 및
    상기 통신모듈로부터 무선통신을 통해 상기 측정값을 수신하고, 상기 측정값과 측정 시간을 이용하여 배터리 노화 상태를 나타내는 정보이론 엔트로피 인덱스를 계산하고, 상기 측정값과 상기 정보이론 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 배터리 노화 상태 추정 모델을 학습하고, 상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 외부 클라우드 서버를 포함하고,
    상기 외부 클라우드 서버는 상기 배터리의 노화에 따라 상기 배터리 노화 상태 추정 모델을 재학습하는 것을 특징으로 하는 배터리 노화 상태 추정 장치.
  23. 제22항에 있어서,
    상기 외부 클라우드 서버는
    상기 측정값을 상기 배터리의 충전구간과 방전구간으로 나누고, 상기 충전구간과 방전구간 각각에 대하여 상기 측정값의 히스토그램을 생성하고, 상기 히스토그램의 각 빈(bin)의 확률을 계산하고, 상기 배터리의 충방전 시간 및 입출력 전류 변화를 보상하기 위한 하기의 수학식
    Figure 112021033288203-pat00021

    에 의해 상기 정보이론 엔트로피 인덱스를 계산하는 것을 특징으로 하는 배터리 노화 상태 추정 장치.
  24. 배터리가 설치된 운송수단의 외부 클라우드 서버에서 수행되는 배터리 노화 상태 추정 방법으로서,
    상기 배터리의 측정값을 수신하는 단계;
    상기 측정값과 측정 시간을 이용하여 배터리 노화 상태를 나타내는 정보이론 엔트로피 인덱스를 계산하는 단계;
    상기 측정값과 상기 정보이론 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 배터리 노화 상태 추정 모델을 학습하는 단계; 및
    상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 단계를 포함하고,
    상기 배터리 노화 상태 추정 모델을 학습하는 단계는 상기 배터리의 노화에 따라 상기 배터리 노화 상태 추정 모델을 재학습하는 것을 특징으로 하는 배터리 노화 상태 추정 방법.
  25. 배터리관리 시스템(Battery Management System, BMS)의 내부 모듈의 형태로 구현되는 배터리 노화 상태 추정 장치로서,
    상기 배터리관리 시스템(BMS)으로부터 배터리의 측정값을 수신하는 통신모듈; 및
    상기 측정값과 측정 시간을 이용하여 배터리 노화 상태를 나타내는 정보이론 엔트로피 인덱스를 계산하고, 상기 측정값과 상기 정보이론 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 하는 배터리 노화 상태 추정 모델을 학습하고, 상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 프로세서를 포함하고,
    상기 프로세서는 상기 배터리의 노화에 따라 상기 배터리 노화 상태 추정 모델을 재학습하는 것을 특징으로 하는 배터리 노화 상태 추정 장치.
  26. 배터리관리 시스템(Battery Management System, BMS)에서 프로그램을 실행하여 수행되는 배터리 노화 상태 추정 방법으로서,
    상기 배터리의 측정값을 수신하는 단계;
    상기 측정값과 측정 시간을 이용하여 배터리 노화 상태를 나타내는 정보이론 엔트로피 인덱스를 계산하는 단계;
    상기 측정값과 상기 정보이론 엔트로피 인덱스를 포함하는 n 차원 벡터-여기서, n은 자연수임-를 입력으로 하는 배터리 노화 상태 추정 모델을 학습하는 단계; 및
    상기 배터리 노화 상태 추정 모델에 따라 상기 배터리의 노화 상태를 추정하는 단계를 포함하고,
    상기 배터리 노화 상태 추정 모델을 학습하는 단계는 상기 배터리의 노화에 따라 상기 배터리 노화 상태 추정 모델을 재학습하는 것을 특징으로 하는 배터리 노화 상태 추정 방법.
KR1020190079599A 2019-07-02 2019-07-02 배터리의 노화 상태 추정 장치 및 방법 KR102335180B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190079599A KR102335180B1 (ko) 2019-07-02 2019-07-02 배터리의 노화 상태 추정 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190079599A KR102335180B1 (ko) 2019-07-02 2019-07-02 배터리의 노화 상태 추정 장치 및 방법

Publications (3)

Publication Number Publication Date
KR20210003596A KR20210003596A (ko) 2021-01-12
KR102335180B1 true KR102335180B1 (ko) 2021-12-03
KR102335180B9 KR102335180B9 (ko) 2022-03-15

Family

ID=74129584

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190079599A KR102335180B1 (ko) 2019-07-02 2019-07-02 배터리의 노화 상태 추정 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102335180B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102556671B1 (ko) * 2021-08-13 2023-07-19 한국에너지기술연구원 배터리 잔여유효수명 예측장치 및 예측방법
WO2023096045A1 (en) * 2021-11-23 2023-06-01 Samsung Electronics Co., Ltd. Method and electronic device for managing battery
KR102537219B1 (ko) * 2022-04-28 2023-05-30 가천대학교 산학협력단 배터리 중심의 모바일 로봇 귀소 알고리즘 제공방법
KR102579974B1 (ko) * 2022-09-27 2023-09-19 주식회사 알세미 뉴럴 컴팩트 모델링 방법 및 컴퓨팅 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013122450A (ja) * 2011-11-25 2013-06-20 Honeywell Internatl Inc オンラインで電池の充電状態および劣化状態の判定を行う方法および装置
CN103778280A (zh) * 2014-01-08 2014-05-07 上海交通大学 具有模型主动更新策略的锂离子电池剩余寿命预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9316699B2 (en) 2012-04-05 2016-04-19 Samsung Sdi Co., Ltd. System for predicting lifetime of battery
KR102241683B1 (ko) * 2014-07-30 2021-04-19 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR102468895B1 (ko) * 2015-07-21 2022-11-21 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013122450A (ja) * 2011-11-25 2013-06-20 Honeywell Internatl Inc オンラインで電池の充電状態および劣化状態の判定を行う方法および装置
CN103778280A (zh) * 2014-01-08 2014-05-07 上海交通大学 具有模型主动更新策略的锂离子电池剩余寿命预测方法

Also Published As

Publication number Publication date
KR20210003596A (ko) 2021-01-12
KR102335180B9 (ko) 2022-03-15

Similar Documents

Publication Publication Date Title
KR102335180B1 (ko) 배터리의 노화 상태 추정 장치 및 방법
EP3748380A1 (en) Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
US20220239122A1 (en) Server-side characterisation of rechargeable batteries
EP3542173B1 (en) Determining a state of health of a battery and providing an alert
US11555858B2 (en) Systems, methods, and storage media for predicting a discharge profile of a battery pack
CN109001640B (zh) 一种动力电池的数据处理方法和装置
US20220206078A1 (en) Method for estimating aging state of battery and apparatus for performing method therefor
EP4141460A1 (en) Battery capacity measuring device and method, and battery control system comprising battery capacity measuring device
CN107615562A (zh) 电池劣化程度估计装置以及估计方法
KR20220073829A (ko) 배터리 성능 예측
KR102090476B1 (ko) 클라우드 및 빅데이터를 활용한 bms 최적화 시스템
EP3940405A1 (en) Method for estimating state of health of battery
US11675017B2 (en) Method and apparatus for device-specific determination of an internal-resistance based state of health of a battery
US11835589B2 (en) Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine
CN115902642A (zh) 电池荷电状态估算方法、装置、电子设备及存储介质
CN115219904A (zh) 用于运行用来提供电化学电池组模型的系统的方法和装置
CN108693477A (zh) 用于电池充电状态计算的方法和系统
Sánchez et al. A model-based virtual sensor for condition monitoring of Li-Ion batteries in cyber-physical vehicle systems
Gruosso et al. State of charge estimation of lifepo4 battery used in electric vehicles using support vector regression, pca and dp battery model
CN115219932A (zh) 用于评价设备电池组的相对老化状态的方法和装置
US20230213587A1 (en) Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin
US11733313B2 (en) Method and apparatus for operating a system for providing states of health of electrical energy stores for a multiplicity of devices with the aid of machine learning methods
US20230305073A1 (en) Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern
EP4249929A1 (en) Determination of open circuit voltage curve for rechargeable batteries
KR20220132319A (ko) 차등 충전 상태에 기반하는 충전 상태 추정 장치 및 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]