KR102357351B1 - 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법 - Google Patents

복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법 Download PDF

Info

Publication number
KR102357351B1
KR102357351B1 KR1020150001976A KR20150001976A KR102357351B1 KR 102357351 B1 KR102357351 B1 KR 102357351B1 KR 1020150001976 A KR1020150001976 A KR 1020150001976A KR 20150001976 A KR20150001976 A KR 20150001976A KR 102357351 B1 KR102357351 B1 KR 102357351B1
Authority
KR
South Korea
Prior art keywords
battery
information
state
estimating
determining
Prior art date
Application number
KR1020150001976A
Other languages
English (en)
Other versions
KR20160085070A (ko
Inventor
이선재
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 KR1020150001976A priority Critical patent/KR102357351B1/ko
Priority to US14/990,210 priority patent/US10527678B2/en
Publication of KR20160085070A publication Critical patent/KR20160085070A/ko
Application granted granted Critical
Publication of KR102357351B1 publication Critical patent/KR102357351B1/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
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Abstract

배터리의 상태 정보를 추정하는 장치 및 방법이 제공된다. 일 실시예에 따르면, 배터리의 상태 정보를 추정하는 장치는 배터리 관리 시스템으로부터 측정된 배터리 정보를 분류 및 전처리한 정보로부터, 미리 학습된 배터리 열화 모델을 이용하여 상태 정보를 추정할 수 있다.

Description

복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법{DEVICE AND APPARATUS TO ESTIMATE STATE OF BATTER PAKC INCLUDING THE PLURALITY OF BATTERY CELLS}
이하, 배터리 팩의 상태를 추정하는 기술이 제공된다.
전기를 에너지원으로 사용하는 전자 기기(예를 들어, 전기 자동차, 휴대폰 등)는 충전 및 방전이 가능한 이차 전지를 사용할 수 있다. 이차 전지는 예를 들어, 리튬 이온(Li-Ion)을 기반으로 하는 리튬 이온 이차 전지가 사용될 수 있다. 리튬 이온 이차 전지는 무게 대비 용량이 크고, 고출력을 나타낼 수 있다.
이차 전지인 배터리를 탑재한 기기를 사용하면 할 수록, 배터리 수명이 줄어들 수 있다. 배터리 수명이 줄어듦에 따라 초기 배터리 캐퍼시티(capacity)가 보장될 수 없고, 점차 감소하는 특성을 보일 수 있다. 더 나아가, 리튬 이온 이차 전지는 열 관리가 잘못되면, 폭발할 위험도 있다.
상술한 바와 같이, 캐퍼시티가 지속적으로 감소되면 해당 이차 전지는 사용자가 원하는 파워, 운용 시간, 안정성을 제공하지 못하게 되므로, 배터리 교체가 필요할 수 있다. 이러한 배터리를 교체하기 위한 시점을 결정하기 위해, 배터리의 상태를 정확하게 판단하는 기술이 요구된다.
일 실시예에 따르면 배터리의 상태 정보(state information)를 결정하는 장치는 복수의 배터리 셀들을 포함하는 배터리 팩의 배터리 정보가 수신되면 배터리 정보의 적어도 하나의 속성(attribute)에 대해 미리 학습된 배터리 열화 모델을 이용하여, 배터리 정보로부터 상태 정보를 결정하는 배터리 상태 결정부(battery state determiner)를 포함할 수 있다.
일 실시예에 따르면 배터리의 상태 정보를 결정하는 방법은 복수의 배터리 셀들을 포함하는 배터리 팩의 배터리 정보를 수신하는 단계; 및 배터리 정보의 적어도 하나의 속성(attribute)에 대해 미리 학습된 배터리 열화 모델을 이용하여, 배터리 정보로부터 상태 정보를 결정하는 단계를 포함할 수 있다.
일 실시예에 따르면, 배터리의 상태 정보를 추정하는 장치는 배터리 관리 시스템과 통신하는 통신부; 및 처리부를 포함하고, 처리부는, 통신부를 이용하여 배터리 정보를 수신하고, 배터리 정보와 연관된 적어도 하나의 속성(attribute)에 대해 미리 학습된 배터리 열화 모델을 이용하여 수신된 배터리 정보로부터 상태 정보를 결정하는 동작을 수행하기 위한 명령어들을 실행할 수 있다.
도 1은 일 실시예에 따른 배터리의 상태 정보를 추정하는 기기의 구성을 도시한 블럭도이다.
도 2는 일 실시예에 따른 배터리의 상태 정보를 추정하는 방법을 도시한 흐름도이다.
도 3은 일 실시예에 따른 배터리 정보의 분포 정보에 기초하여 상태 정보를 추정하는 방법을 도시한 흐름도이다.
도 4는 일 실시예에 따른 배터리 정보의 분포 정보의 예시를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 배터리 정보의 세그먼트 정보에 기초하여 상태 정보를 추정하는 방법을 도시한 흐름도이다.
도 6은 일 실시예에 따른 배터리 정보의 세그먼트 정보의 예시를 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 배터리 정보의 주파수 정보에 기초하여 상태 정보를 추정하는 방법을 도시한 흐름도이다.
도 8은 일 실시예에 따른 배터리 정보의 주파수 정보의 예시를 설명하기 위한 도면이다.
도 9는 다른 일 실시예에 따른 배터리의 상태 정보를 추정하는 기기의 세부적인 구성을 도시한 블럭도이다.
이하, 실시예들을 첨부된 도면을 참조하여 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, 복수 개의 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 배터리의 상태 정보를 추정하는 기기(apparatus)의 구성을 도시한 블럭도이다.
이하, 본 명세서에서 배터리의 상태 정보는 배터리의 수명과 연관된 정보 및 고장(malfunction)과 연관된 정보 등을 포함할 수 있다. 예를 들어, 배터리의 수명과 연관된 정보는 SOH(State of Health), SOC(State of Charge), 및 잔존수명(RUL, Remaining Useful Life) 등으로 나타낼 수 있다. SOH는 배터리의 초기 캐퍼시티(capacity) 대비 현재 캐퍼시티(capacity)의 비율로 표현될 수 있다. 고장과 연관된 정보는 배터리가 고장난 상태인지를 나타내는 정보로서, 예를 들어 배터리의 전류, 전압 및 온도가 지나치게 높거나 낮은 경우 등을 나타낼 수 있다. 이하, 본 명세서에서는 상태 정보의 예시로서, 배터리의 수명을 기준으로 설명하지만, 이로 한정하는 것은 아니다.
일 실시예에 따르면 배터리의 상태 정보를 추정하는 기기(100)는 배터리 팩(110), 배터리 정보 측정부(120) 및 배터리의 상태 정보를 결정하는 장치(device)(130)를 포함한다.
배터리 관리 시스템은 배터리의 전압, 전류, 및 온도 등의 측정 데이터를 센싱하고, 전압, 전류, 및 온도 등의 관리할 수 있다. 배터리 관리 시스템은 추가적으로 고전압 및 고전류를 차단하는 전기적 안전 장치 등을 탑재할 수 있다. 예를 들어, 배터리 관리 시스템은 이차 전지로서 리튬 이온 전지가 사용되는 경우, 배터리의 폭발 위험을 낮추기 위해 배터리를 관리할 수 있다. 또한, 배터리 관리 시스템은 배터리의 수명을 증가시키기 위해 SOC 추정, SOH 추정, 배터리의 온도 관리, 및 다중 셀 밸런싱 등을 수행할 수 있다.
일 실시예에 따르면, 배터리 관리 시스템은 배터리 팩(battery pack)(110)과 배터리 정보 측정부(120)를 포함할 수 있다. 다른 실시예에 따르면 배터리 관리 시스템은 배터리 팩(110), 배터리 정보 측정부(120), 및 배터리의 상태 정보를 결정하는 장치(130)을 모두 포함할 수 있다. 예를 들어, 배터리의 상태 정보를 결정하는 장치(130)는 배터리 관리 시스템 내부 또는 외부에 존재할 수 있다. 이하, 본 명세서에서는 배터리의 상태 정보를 결정하는 장치(130)가 배터리 관리 시스템 외부에 존재하는 예시를 설명하고 있으나, 이로 한정하는 것은 아니다.
예를 들어, 배터리 관리 시스템에 배터리 팩(110)이 포함되는 경우, 배터리 팩(110)을 구성하는 배터리 셀의 개수가 많지 않으면, 배터리 관리 시스템에 간단한 회로를 추가하여 배터리 수명(예를 들어, SOC, SOH 등) 등을 추정할 수 있다. 이 경우, 배터리 관리 시스템은 배터리에서 측정되는 데이터에 대한 이력을 관리하지 않을 수 있다. 배터리 관리 시스템은 낮은 사양을 가지므로, SOC 추정 및 SOH 추정 등의 기능을 간단한 연산으로만 수행할 수 있다. 다만, 낮은 사양의 배터리 관리 시스템은 배터리 셀들의 개수가 적을 때는, 배터리 수명을 정확하게 추정할 수 있으나, 대용량의 배터리 팩(110)(예를 들어, 수 많은 배터리 셀들을 포함하는 배터리 팩)에 대한 배터리 수명을 추정하기는 어려울 수 있다.
또한, 배터리 관리 시스템 자체는 배터리와 연관된 데이터의 이력을 관리하지 않으므로, 배터리 정보 측정부(120)의 계속해서 누적되는 오류를 고려하지 못할 수 있다. 배터리 관리 시스템만으로는 누적되는 오류에 의해 배터리 수명에 대한 추정의 정확도가 저하될 수 있다.
배터리 팩(110)은 복수의 배터리 셀들을 포함할 수 있다. 배터리 셀은 가격 대비 용량이 크고 부피가 작은 셀일 수 있다. 배터리 팩(110)은 가격에 비해 높은 출력 및 큰 용량을 가질 수 있다. 예를 들어, 배터리 팩(110)은 수천개의 배터리 셀들로 구성될 수 있다. 다만, 배터리 팩(110)에 포함되는 배터리 셀들의 개수를 이로 한정하는 것은 아니고, 설계에 따라 변경될 수 있다.
예를 들어, 용량 대비 가격이 싸고 부피가 작은 배터리 셀이 복수개 포함됨으로써, 가격이 상대적으로 저렴하면서 고용량을 가지는 배터리 팩(110)이 전자 기기에 적용될 수 있다. 이러한 배터리 팩(110)은 배터리 셀의 개수가 증가할 수록, 각 배터리 셀의 캐퍼시티의 열화 정도(degradation level)가 달라짐으로써, 배터리 팩(110) 전체의 수명이 변화될 수 있다. 본 명세서에서 배터리 팩(110)은 배터리로 혼용되어 사용될 수 있다.
배터리 정보 측정부(120)는 배터리 팩(110)의 각각의 배터리 셀로부터 배터리 정보를 측정할 수 있다. 배터리 정보는 예를 들어, 배터리의 온도, 배터리가 출력하는 전압 및 전류를 포함할 수 있다. 배터리 정보 측정부(120)는 마스터 유닛과 슬레이브 유닛으로 구분될 수 있고, 슬레이브 유닛이 일정 개수의 측정 데이터들을 수집하면 마스터 유닛이 수집된 전체 측정 데이터들을 배터리 정보로 통합하여 관리할 수 있다.
이하, 본 명세서에서 배터리 정보는 복수의 배터리 셀들의 각각으로부터 측정되는 복수의 측정 데이터들을 포함할 수 있다. 측정 데이터는 예를 들어, 임의의 시점에서 측정된 전압 신호 값, 전류 신호 값, 및 온도 신호 값 등을 나타낼 수 있다.
배터리의 상태 정보를 결정하는 장치(130)는 수신부(미도시됨), 배터리 정보 분류부(230), 및 배터리 상태 결정부(240)를 포함할 수 있다. 또한, 배터리의 상태 정보를 결정하는 장치(130)는 메모리에 배터리 열화 모델(250)을 저장할 수 있다.
예를 들어, 배터리의 상태 정보를 결정하는 장치(130)는 기계학습(ML, Machine Learning)을 통해 배터리에 대해 미리 수집된 기준 배터리 정보를 학습하고, 학습된 결과에 기초하여 대용량 배터리 팩(110)과 연관된 배터리 정보로부터 배터리의 상태 정보를 추정할 수 있다.
이하, 본 명세서에서 기계학습 및 기계학습 알고리즘은 기준 배터리 정보로부터, 기준 배터리 정보에 대응하는 기준 상태 정보를 출력하도록 학습기를 학습시키는 과정 및 동작 등을 나타낼 수 있다. 예를 들어, 학습기는 뉴럴 네트워크(Neural Network), 히든 마르코프 모델(Hidden Markov Model), 베이지안 네트워크(Beyesian Network), SVM (Support Vector Machine), 및 DT (Decision Tree) 중 하나의 기계학습 구조를 포함할 수 있다.
학습기가 학습된 결과는, 입력된 배터리 정보로부터 상태 정보가 출력되도록 구성되는 추정기로 전달될 수 있다. 추정기는 상술한 학습기와 동일한 기계학습 구조를 포함할 수 있다. 학습된 결과는 기계학습 구조의 파라미터일 수 있다. 기계학습 구조는 예를 들면, 특정 입력에 대해 파라미터에 기초하여 임의의 출력이 생성되는 블랙박스 함수로 표현될 수 있다.
기준 배터리 정보는 배터리의 충전 및 방전 프로파일(예를 들어, 배터리를 충전 및 방전시키는 일종의 시나리오)에 따라 변화되는 전류, 전압, 및 온도 등의 정보 및 해당 전류, 전압, 및 온도 등에 대응하는 수명 정보 및 고장 정보 등을 포함할 수 있다. 예를 들어, 기준 배터리 정보는 기계학습에 이용되는 정보로서, 시뮬레이션된 배터리 정보 및 임의의 사용자가 배터리를 사용한 이력으로부터 기 수집된 배터리 정보 등을 포함할 수 있다.
일 실시예에 따르면, 배터리의 상태 정보를 결정하는 장치(130)는 기계학습을 통해 학습된 배터리의 유니버셜 모델(Universal model)을 이용할 수 있다. 예를 들어, 유니버셜 모델은 특정한 종류의 배터리에 한정하지 않고, 임의의 배터리에 대해 미리 수집된 기준 배터리 정보가 학습된 모델을 나타낼 수 있다.
또한, 배터리의 상태 정보를 결정하는 장치(130)는 배터리의 상태 정보를 추정하기 위해, 고출력 및 고용량을 나타내는 복수의 배터리 셀들로 구성된 배터리 팩(110)에서 측정되는 복수의 배터리 정보들을 하기와 같이 분류하고 전처리할 수 있다.
수신부(미도시됨)는 배터리 정보 측정부(120)로부터 복수의 배터리 셀들을 포함하는 배터리 팩의 배터리 정보를 수신할 수 있다. 예를 들어, 수신부(미도시됨)는 하기 도 9의 통신부(1061)와 유사하게 동작할 수 있다.
배터리 정보 분류부(230)는 배터리 정보 측정부(120)로부터 수신된 배터리 정보를 분류할 수 있다. 예를 들어, 배터리 정보 분류부(230)는 배터리 정보가 측정된 시간, 배터리 정보의 크기, 및 배터리 정보의 특성 등에 기초하여, 배터리 정보를 분류할 수 있다. 배터리 정보의 분류는 복수의 배터리 셀들로부터 일관성 없이 수집되는 배터리 정보를 일정한 규칙에 따라 정렬 및 구분하는 동작을 나타낼 수 있다.
배터리 상태 결정부(240)는 분류된 배터리 정보에 기초하여 배터리의 상태 정보를 추정할 수 있다. 예를 들어, 배터리 상태 결정부는 복수의 배터리 셀들을 포함하는 배터리 팩의 배터리 정보가 수신되면 배터리 정보의 적어도 하나의 속성(attribute)에 대해 미리 학습된 배터리 열화 모델(250)을 이용하여, 배터리 정보로부터 상태 정보를 결정할 수 있다. 여기서, 속성은 배터리 정보의 시간 속성, 분포 속성, 주파수 속성 등을 포함할 수 있고, 반드시 이로 한정하는 것은 아니다. 배터리 상태 결정부(240)는 전처리부(241) 및 상태 추정부(242)를 포함할 수 있다.
전처리부(241)는 배터리 정보 분류부(230)에 의해 분류된 배터리 정보에 대해 전처리(pre-processing)를 수행할 수 있다.
전처리는 배터리 정보를 배터리 열화 모델(250)에 적용할 수 있는 데이터 형태로 변환하는 동작을 나타낼 수 있다. 예를 들어, 배터리 정보의 전처리는 배터리 정보를 일정 단위로 분할하는 동작을 포함할 수 있다. 분할된 배터리 정보는 사용자의 특정 사용 이력 및 특정 충방전 환경 등에 대응하는 패턴을 나타낼 수 있다. 패턴은 예를 들어, 사용자가 급속 방전하는 경우에 전류 신호에서 나타나는 특징적인 신호 변화 등일 수 있다.
배터리 정보를 일정 단위로 분할하는 동작은, 배터리 정보를 시계열로 분할하는 수직적 분할과, 배터리 정보의 히스토그램을 획득하기 위한 수평적 분할 등을 포함할 수 있다.
상태 추정부(242)는 미리 학습된 배터리 열화 모델(250)을 이용하여 전처리된 배터리 정보로부터 상태 정보를 추정할 수 있다. 예를 들어, 상태 추정부(242)는 배터리 열화 모델(250)의 파라미터를 가지는 추정기에 대해 전처리된 배터리 정보를 입력하여 상태 정보가 출력하는 동작들을 수행할 수 있다.
예를 들어, 상술한 배터리 정보 분류부(230)에 의해 배터리 정보가 분류된 개수만큼 상태 정보가 추정될 수 있다. 예를 들어, 배터리 정보 분류부(230)가 미리 정한 주기 동안 수집된 배터리 정보를 n개로 분류한 경우(여기서, n은 1 이상의 정수), 상태 추정부(242)는 n개로 분류된 배터리 정보의 각각에 대응하는 상태 정보를 추정할 수 있다. 상태 추정부(242)는 n개의 상태 정보의 통계값(예를 들어, 평균, 최대, 최소 등)을 배터리의 최종 상태 정보로 계산할 수 있다.
배터리 열화 모델(250)은 기계학습에 적용되는 모델로서, 임의의 요인(factor)에 대해 배터리의 상태(예를 들어, 수명, 고장 등)가 열화되는 정도를 출력하기 위한 모델을 나타낼 수 있다. 예를 들어, 배터리 열화 모델(250)은 기계학습 구조의 파라미터로서, 기계학습 구조로서 뉴럴 네트워크가 사용되는 경우 배터리 열화 모델(250)은 뉴럴 네트워크의 각 노드 간의 연결 가중치일 수 있다. 예를 들어, 배터리 열화 모델(250)은, 주어진 기계학습 구조에 대해, 기준 배터리 정보로부터 해당 기준 배터리 정보에 대응하는 기준 상태 정보가 출력되도록 학습된 학습기의 파라미터를 포함할 수 있다. 예를 들어, 기준 상태 정보는 기존의 프로파일 등에서 해당 기준 배터리 정보를 가지는 배터리가 나타냈던 상태 정보일 수 있다.
일 실시예에 따르면, 상술한 배터리 정보 분류부(230), 및 배터리 상태 결정부(240)의 동작들은 프로세서에 의해 수행될 수 있다.
도 2는 일 실시예에 따른 배터리의 상태 정보를 추정하는 방법을 도시한 흐름도이다.
우선, 단계(310)에서는 배터리 정보 측정부가 배터리 정보를 측정할 수 있다. 배터리 정보 측정부는 복수의 배터리 셀들의 각각에 대한 전류, 전압 및 온도 등을 측정할 수 있다.
그리고 단계(320)에서는 측정된 배터리 정보를 데이터 통신부(하기 도 9 참조)를 이용하여 송신할 수 있다. 배터리 상태 정보를 결정하는 장치는 배터리 팩의 배터리 정보를 수신할 수 있다.
이어서 단계(330)에서는 배터리 정보 분류부가 배터리 정보를 분류할 수 있다. 배터리 정보 분류부는 미리 정한 주기 동안 배터리 정보를 분류할 수 있다.
예를 들어, 단계(331)에서는 배터리 정보 분류부가 배터리 정보의 수신에 응답하여 배터리 정보를 분류할 수 있다. 단계(332)에서는 배터리 정보 분류부가 배터리 정보를 미리 정한 주기 동안 분류하였는지를 판단하여, 아직 미리 정한 주기가 경과되지 않은 경우에는 단계(331)로 돌아가 계속해서 배터리 정보를 분류할 수 있다.
일 실시예에 따르면, 배터리 정보 분류부는 배터리 정보 중 미리 정한 주기에 대응하는 배터리 정보를 분류할 수 있다. 예를 들어, 배터리 정보 분류부는 복수의 배터리 정보들을 시간, 및 단위 등에 기초하여 분류할 수 있다. 분류는 복수의 배터리 셀들로부터 측정되는 배터리 정보의 데이터 크기가 크기 때문에, 배터리 정보를 프로세서에 의해 처리가 가능한 크기로 나누기 위해 수행될 수 있다. 예를 들어, 배터리 팩을 구성하는 배터리 셀들의 개수가 많은 경우(예를 들어, 약 1만개), 개별 배터리 셀들로부터 측정된 모든 측정 데이터들을 처리하는 것은 비효율적이므로, 배터리 정보 분류부는 적절한 개수의 측정 데이터를 포함하도록 배터리 정보를 나눌 수 있다.
일 실시예에 따르면 배터리 정보 분류부는 배터리 정보를 미리 정한 데이터 크기 단위로 클러스터링하는 동작을 수행할 수 있다. 예를 들어, 하나의 클러스터가 100개의 측정 데이터들을 포함한다고 가정한다면, 100개의 측정 데이터들의 통계값(예를 들어, 평균)을 클러스터를 대표하는 값으로 사용할 수 있다. 클러스터는 클러스터를 대표하는 값에 의해 단일 데이터로서 처리될 수 있다. 각각의 클러스터에는 ID가 부여될 수 있다. 또한, 프로세서의 성능에 따라 클러스터의 크기(예를 들어, 포함되는 측정 데이터들의 개수)는 변경될 수 있다.
일 실시예에 따르면 배터리 정보 분류부는 배터리 정보를 미리 정한 시간 단위로 아카이빙하는 동작을 수행할 수 있다. 예를 들어, 배터리 정보 분류부는 측정 데이터와 함께 해당 측정 데이터에 매칭하는 시간 정보를 같이 기록하여 저장할 수 있다. 또한, 배터리 정보 분류부는 시간 정보에 기초하여, 측정 데이터를 시간 순으로 정렬할 수도 있다. 시간 정보는 측정 데이터가 측정된 날짜, 및 시각 등을 포함할 수 있다. 배터리 정보 분류부는 배터리 정보가 미리 정한 시간 단위(예를 들어, 1달, 1주일, 및 하루 단위 등)에 대응하는 측정 데이터를 포함하도록, 배터리 정보를 아카이빙할 수 있다.
또한, 배터리 정보 분류부는 상술한 클러스터링 및 아카이빙이 결합된 동작을 수행하여, 배터리 정보를 분류할 수도 있다.
그리고 단계(340)에서는 전처리부가 분류된 배터리 정보를 전처리할 수 있다. 예를 들어, 전처리부는 배터리 정보를 배터리 열화 모델에 적용하기에 적합한 데이터 형태로 변환할 수 있다. 또한, 전처리부는 배터리 정보가 가지는 노이즈 등을 감소시키기 위한 필터링 동작 등을 수행할 수 있다.
예를 들어, 전처리부는 배터리 정보가 측정되는 범위에서 특정 구간대를 미리 정의하고, 해당 구간대의 측정 데이터가 측정되면 해당 구간대에 대한 카운트를 증가시켜 누적한 분포 정보를 생성할 수 있다. 분포 정보는 배터리 정보의 히스토그램으로서, 특정 구간대에서 나타나는 패턴(예를 들어, 분포 속성)이 반영될 수 있다. 구체적으로는 하기 도 3 및 도 4에서 상세히 설명한다.
예를 들어, 전처리부는 미리 정한 주기 내의 배터리 정보에 대해 세그먼트 사이즈 단위로, 세그먼트 인터벌씩 슬라이딩하면서, 각 세그먼트에 대응하는 세그먼트 정보를 생성할 수 있다. 세그먼트 정보는 배터리 정보가 시간의 순서에 따라 전처리된 정보로서, 배터리 사용에 따른 시계열적 특성(예를 들어, 시간 속성)이 반영될 수 있다. 구체적으로는 하기 도 5 및 도 6에서 상세히 설명한다.
예를 들어, 전처리부는 시간 영역에 있는 배터리 정보를 주파수 영역으로 변환한 주파수 정보를 생성할 수 있다. 주파수 정보는 배터리 정보가 주파수 영역으로 변환된 것으로서, 주파수 속성이 반영될 수 있다. 주파수 정보는 예를 들어, 배터리 정보의 주기 및 진폭 등을 포함할 수 있다. 구체적으로는 하기 도 7 및 도 8에서 상세히 설명한다.
이어서 단계(350)에서는 상태 추정부가 배터리 열화 모델을 이용하여, 전처리된 배터리 정보로부터 배터리의 상태 정보를 추정할 수 있다. 예를 들어, 상태 추정부는 배터리 열화 모델을 파라미터로서 사용하는 추정기에 대해 전처리된 배터리 정보를 입력하여 배터리의 상태 정보를 출력하는 동작을 수행할 수 있다.
도 3은 일 실시예에 따른 배터리 정보의 분포 정보에 기초하여 상태 정보를 추정하는 방법을 도시한 흐름도이다.
우선, 단계(441)에서 전처리부는 배터리 정보가 구간 정보 단위로 누적된 분포 정보를 생성할 수 있다. 예를 들어, 전처리부는 배터리 정보가 적어도 하나의 미리 정한 구간마다 분할되어 누적된 분포 정보를 생성할 수 있다. 구간 정보는 미리 정한 주기 동안 미리 정한 구간에서 측정되는 측정 데이터를 누적한 정보를 나타낼 수 있다. 분포 정보는 적어도 하나의 구간에 대응하는 구간 정보의 집합을 나타낼 수 있다. 분포 정보는 예를 들어, 구간 정보들의 집합을 벡터의 형태로 나타낸 분포 벡터를 포함할 수 있고, 각 구간 정보는 분포 벡터의 원소일 수 있다.
그리고 단계(451)에서 상태 추정부는 제1 열화 모델을 이용하여 분포 정보로부터 상태 정보를 추정할 수 있다. 예를 들어, 상태 추정부는 제1 열화 모델을 추정기의 파라미터로 사용하여, 분포 정보로부터 상태 정보가 출력하는 연산을 수행할 수 있다.
제1 열화 모델은 기준 분포 정보(reference distribution information)에 기초하여, 배터리 정보의 분포 속성(distribution attribute)이 학습된 배터리 열화 모델일 수 있다. 기준 분포 정보는 배터리에 대해 미리 수집된 기준 배터리 정보가 적어도 하나의 미리 정한 구간(section)마다 분할되어 누적된 정보를 나타낼 수 있다. 분포 속성은 배터리 정보가 미리 정한 구간들에 분포되는 특성을 나타낸 것으로서, 예를 들어 히스토그램에 의해 표현될 수 있다. 예를 들어, 제1 열화 모델은 기준 분포 정보로부터 기준 분포 정보에 대응하는 기준 상태 정보를 출력하도록 학습된 학습기의 파라미터를 포함할 수 있다. 제1 열화모델은 추정기의 파라미터로서 이용될 수 있다.
도 4는 일 실시예에 따른 배터리 정보의 분포 정보의 예시를 설명하기 위한 도면이다.
도 4는 수집된 배터리 정보로서, 배터리의 전압 신호, 전류 신호 및 온도 신호를 시간 축 상에 도시할 수 있다. 각 구간은 점선으로 도시될 수 있다. 도 4의 그래프의 가로축은 시간을 의미할 수 있고, 세로축은 배터리의 전압 레벨, 전류 레벨 및 온도 레벨을 나타낼 수 있다
예를 들어, 전처리부는 분류된 배터리 정보 중, 미리 정한 구간(510)에 대응하는 측정 데이터가 나타나는 시간 및 횟수 등을 카운트하여 누적할 수 있다. 배터리 정보가 각 구간에 대해 누적된 구간 정보는, 해당 구간에서 미리 정한 주기 동안 배터리가 사용된 시간 또는 횟수를 나타낼 수 있다. 예를 들어, 도 4에서 미리 정한 구간(510)에서 배터리가 사용된 횟수는 2회일 수 있다.
전처리부는 각 구간에 대해 누적된 구간 정보들을 분포 정보로서 생성할 수 있다. 분포 정보는 벡터의 형태를 가지는 분포 벡터로 표현될 수 있다. 예를 들어, 분포 벡터의 원소는 구간 정보일 수 있다.
본 명세서에서는 분포 벡터의 원소(예를 들어, 구간 정보)에 특정 구간에 대응하는 배터리 정보(예를 들어, 측정 데이터)가 측정된 시간을 합산하는 것을, 구간 정보를 누적한다고 나타낼 수 있다.
도 5는 일 실시예에 따른 배터리 정보의 세그먼트 정보에 기초하여 상태 정보를 추정하는 방법을 도시한 흐름도이다.
우선, 단계(642)에서 전처리부는 배터리 정보가 시간 세그먼트 단위로 분할된 세그먼트 정보를 생성할 수 있다. 예를 들어, 전처리부는 배터리 정보를 미리 정한 시간 세그먼트로 분할하여 세그먼트 정보를 생성할 수 있다. 세그먼트 정보는 배터리 정보가 분할된 시간 세그먼트 내의 각 시점에서 측정된 측정 데이터들의 값들을 포함할 수 있다. 예를 들어, 세그먼트 정보는 시간 세그먼트 내의 각 지점에서 측정된 값들이 벡터 형태로 나타낸 세그먼트 벡터를 포함할 수 있다.
그리고 단계(652)에서 상태 추정부는 제2 열화 모델을 이용하여 세그먼트 정보로부터 상태 정보를 추정할 수 있다. 예를 들어, 상태 추정부는 제2 열화 모델을 추정기의 파라미터로 사용하여, 세그먼트 정보로부터 상태 정보를 출력하는 연산을 수행할 수 있다.
제2 열화 모델은 기준 세그먼트 정보에 기초하여, 배터리 정보의 시간 속성(time attribute)이 학습된 배터리 열화 모델일 수 있다. 기준 세그먼트 정보는 배터리에 대해 미리 수집된 기준 배터리 정보가 미리 정한 시간 세그먼트로 분할된 정보를 나타낼 수 있다. 시간 속성은 배터리 사용 중 배터리 정보가 나타내는 시계열적인 특성을 나타낸 것일 수 있다. 예를 들어, 제2 열화 모델은 기준 세그먼트 정보로부터 기준 세그먼트 정보에 대응하는 기준 상태 정보를 출력하도록 학습된 학습기의 파라미터를 포함할 수 있다. 제2 열화 모델은 추정기의 파라미터로서 사용될 수 있다.
도 6은 일 실시예에 따른 배터리 정보의 세그먼트 정보의 예시를 설명하기 위한 도면이다.
도 6을 참조하면, 그래프(700)는 부분 충방전이 수행되는 경우의 배터리의 상태 변화를 나타낼 수 있다. 그래프(700)의 가로축은 시간을 의미할 수 있고, 그래프(700)의 세로축은 배터리의 전압 레벨, 전류 레벨 및 온도 레벨을 나타낼 수 있다
전처리부는 전압 데이터(713), 전류 데이터(712) 및 온도 데이터(711)를 미리 정해진 시간 간격으로 분할할 수 있다. 예를 들어, 전처리부는 측정 데이터들(711, 712, 713)을 100초 간격으로 분할할 수 있다. 전처리부는 세그먼트 추출 시점을 시작 시점으로, 분할된 배터리 정보에 포함된 측정 데이터들을 미리 정해진 개수만큼 포함하는 시간 세그먼트를 미리 정해진 세그먼트 간격에 따라 시계열적으로 복수 개 추출할 수 있다. 예를 들어, 미리 정해진 개수를 나타내는 세그먼트 사이즈(722)가 7개 이고, 미리 정해진 세그먼트 간격을 나타내는 세그먼트 인터벌(721)이 300초인 경우, 전처리부는 세그먼트 추출 시점인 400초(723)부터 순차적으로 세그먼트를 추출할 수 있다.
전처리부가 첫번째로 추출하는 제1 시간 세그먼트(730)는 400초부터 1000초까지의 7개의 분할된 측정 데이터(400초, 500초, 600초, 700초, 800초, 900초, 1000초 각각에 대응하는 측정값)를 포함할 수 있다. 또한, 전처리부가 두번째로 추출하는 제2 시간 세그먼트(740)는 700초부터 1300초까지의 7개의 분할된 센싱 데이터(700초, 800초, 900초, 1000초, 1100초, 1200초, 1300초 각각에 대응하는 측정값)를 포함할 수 있다. 이 때, 세그먼트 인터벌(721)에 대응되는 측정 데이터의 개수가 세그먼트 사이즈(722)보다 적으므로, 제1 시간 세그먼트(730) 및 제2 시간 세그먼트(740)는 4개의 센싱 데이터(700초, 800초, 900초, 1000초 각각에 대응하는 측정값)를 중복하여 포함할 수 있다.
일 실시예에서, 상태 추정부는 각 시간 세그먼트에 대응하는 상태 정보를 추정할 수 있다. 예를 들어, 상태 추정부는 제1 시간 세그먼트(730)에 대응하는 상태 정보(예를 들어, SOHi -1(731)), 제2 시간 세그먼트(740)에 대응하는 상태 정보(SOHi(732)) 등을 추정할 수 있다.
도 7은 일 실시예에 따른 배터리 정보의 주파수 정보에 기초하여 상태 정보를 추정하는 방법을 도시한 흐름도이다.
우선, 단계(843)에서 전처리부는 배터리 정보를 주파수 영역으로 변환하여 주파수 정보를 생성할 수 있다. 주파수 정보는 배터리 정보가 주파수 영역으로 변환되었을 때 진폭 및 해당 진폭에 매칭하는 주파수와 연관된 정보를 포함할 수 있다.
그리고 단계(853)에서 상태 추정부는 제3 열화 모델을 이용하여 주파수 정보로부터 상태 정보를 추정할 수 있다. 예를 들어, 상태 추정부는 제3 열화 모델을 추정기의 파라미터로 사용하여, 주파수 정보로부터 상태 정보를 출력하는 연산을 수행할 수 있다.
제3 열화 모델은 기준 주파수 정보에 기초하여, 배터리 정보의 주파수 속성(frequency attribute)이 학습된 배터리 열화 모델일 수 있다. 기준 주파수 정보는 배터리에 대해 미리 수집된 기준 배터리 정보가 주파수 영역으로 변환된 정보를 나타낼 수 있다. 주파수 속성은 배터리 사용 중 배터리 정보가 특정 주파수에서 특정 진폭을 가지는 주파수 특성을 나타낸 것일 수 있다. 예를 들어, 제3 열화 모델은 기준 주파수 정보로부터 기준 주파수 정보에 대응하는 기준 상태 정보를 출력하도록 학습된 학습기의 파라미터를 포함할 수 있다. 제3 열화 모델은 추정기의 파라미터로서 이용될 수 있다.
도 8은 일 실시예에 따른 배터리 정보의 주파수 정보의 예시를 설명하기 위한 도면이다.
예를 들어, 도 8의 좌측에서는 배터리의 사이클(가로축으로서 도시됨)에 따른 배터리 정보 중 온도 신호(910)를 나타낼 수 있다. 도 8에서는 낮은 외부 온도 환경에서 배터리 셀의 온도를 일정한 범위 내로(예를 들어, 5도 전후) 관리하는 경우를 나타낼 수 있다. 여기서, 사이클은 배터리가 완전 충전 후 완전 방전되는 것을 나타낼 수 있다.
온도 신호(910)는 도 8의 우측에 도시된 바와 같이 전처리부에 의해 주파수 영역으로 변환된 주파수 신호(920)로 표현될 수 있다. 도 8의 우측 그래프에서 가로축은 주파수로서 단위는 Hz, 세로축은 진폭을 나타낼 수 있다. 도 8에 도시된 주파수 신호(920)는 주파수가 5Hz 아래에 있으며, 진폭은 0에서 1.5 사이로 나타날 수 있다. 이러한 주파수 신호(920)는 전처리부에 의해 진폭 및 해당 진폭에 대응하는 주파수를 가지는 주파수 정보(예를 들어, 벡터 형태)로서 생성될 수 있다.
도 9는 다른 일 실시예에 따른 배터리의 상태 정보를 추정하는 기기의 세부적인 구성을 도시한 블럭도이다.
다른 일 실시예에 따르면, 배터리의 상태 정보를 추정하는 기기(100)는 배터리 관리 시스템(1010) 및 배터리의 상태 정보를 결정하는 장치(130)를 포함한다.
배터리 관리 시스템(1010)은 배터리 팩(110), 배터리 정보 측정부(120), 및 데이터 통신부(1030)를 포함할 수 있다. 배터리 팩(110), 및 배터리 정보 측정부(120)는 도 1에서 상술한 바와 유사하게 동작할 수 있다.
데이터 통신부(1030)는 데이터 송신부(data transmitter)(1031) 및 제1 인터페이스(first interface)(1032)를 포함할 수 있다.
데이터 송신부(1031)는 배터리 정보 측정부(120)에 의해 측정된 배터리 정보를 배터리의 상태 정보를 결정하는 장치(130)로 송신하기 위한 형태의 데이터로 변환할 수 있다. 예를 들어, 데이터 송신부(1031)는 배터리 정보를, 배터리의 상태 정보를 결정하는 장치(130)에서 사용되는 통신 프로토콜에 대응하는 포맷의 데이터로 변환할 수 있다. 또한, 데이터 통신부(1030)는 데이터 통신이 끊기거나 지연되지 않도록, 일정한 데이터 크기의 배터리 정보를 버퍼링할 수 있다.
제1 인터페이스(1032)는 데이터 통신부(1030)에 의해 변환된 배터리 정보를 배터리의 상태 정보를 결정하는 장치(130)로 송신할 수 있다. 예를 들어, 제1 인터페이스(1032)는 배터리 정보의 송수신을 수행하기 위한, USB (Universal Serial Bus), CAN 버스(controller area network bus), 블루투스(Bluetooth) 및 IEEE (Institute of Electrical and Electronics Engineers)의 표준 등의 방식을 이용하는 장치를 포함할 수 있다.
배터리의 상태 정보를 결정하는 장치(130)의 하드웨어 장치(1060)는 통신부(1061) 및 처리부(1064)를 포함한다. 또한 하드웨어 장치(1060)는 브릿지부(1063) 및 저장부(1062)를 더 포함할 수 있다.
배터리의 상태 정보를 결정하는 장치(130)는 수신부(예를 들어, 통신부(1061))를 통해 배터리 관리 시스템(1010)으로부터 배터리 정보를 수신하고, 수신된 배터리 정보에 기초하여 배터리의 상태 정보를 결정할 수 있다. 배터리의 상태 정보를 결정하는 장치(130)는 배터리 관리 시스템(1010)과는 구별되는 장치로서, 복수의 배터리 셀들에서 출력되는 측정 데이터들의 연관 관계를 분석하고 이력을 추적함으로써, 보다 정밀하게 배터리의 상태 정보(예를 들어, SOH, SOC 등)를 추정할 수 있다.
통신부(1061)는 배터리 관리 시스템(1010)과 통신한다. 통신부(1061)는 복수의 배터리 셀들을 포함하는 배터리 팩(110)을 관리하는 배터리 관리 시스템(1010)으로부터 배터리 정보를 수신할 수 있다. 또한, 통신부(1061)는 상술한 배터리 관리 시스템(1010)의 데이터 통신부(1030)의 제1 인터페이스(1032)와 통신하기 위한 제3 인터페이스(미도시됨)를 포함할 수 있다. 제3 인터페이스(미도시됨)는 데이터 통신부(1030)와 동일한 방식(예를 들어, USB, CAN, 블루투스 등)을 이용하는 장치를 포함할 수 있다. 또한, 본 명세서에서 통신부(1061)는 수신부라고도 나타낼 수 있다.
처리부(1064)는 배터리 관리 시스템(1010)으로부터 수신된 배터리 정보를 처리할 수 있다. 예를 들어, 처리부(1064)는 하기 플랫폼 구동부(1050) 및 배터리 상태 결정부(1040)의 동작들을 수행할 수 있다. 또한, 처리부(1064)는 통신부(1061), 브릿지부(1063) 및 저장부(1062)의 동작들을 제어할 수 있다.
일 실시예에 따르면, 처리부(1064)는 통신부(1061)를 이용하여 배터리 정보를 수신하고, 배터리 정보와 연관된 적어도 하나의 속성(attribute)에 대해 미리 학습된 배터리 열화 모델을 이용하여 배터리 정보로부터 상태 정보를 결정하는 동작을 수행하기 위한 명령어들을 실행할 수 있다. 이하, 본 명세서에서 명령어들은 컴퓨팅 플랫폼 상에서 구동되는 어플리케이션에 대응할 수 있다.
브릿지부(1063)는 처리부(1064)와 저장부 간의 데이터 통신을 제공할 수 있다.
저장부(1062)는 수신된 배터리 정보를 저장할 수 있다. 예를 들어, 저장부(1062)는 수신된 배터리 정보를 영구적으로 저장할 수 있다. 배터리의 상태 정보를 결정하는 장치(130)는 저장부(1062)에 저장된 배터리 정보에 기초하여, 배터리의 이력을 관리할 수 있다.
제2 인터페이스(1070)는 처리부(1064)가 플랫폼 구동부(1050), 전처리부(1041), 및 상태 추정부(1042)의 동작들을 수행할 수 있도록 구성된 인터페이스일 수 있다. 예를 들어, 배터리 상태 결정부(1040)가 어플리케이션인 경우, 제2 인터페이스(1070)는 장치 드라이버일 수 있다. 배터리 상태 결정부(1040)가 하드웨어로 구현되는 경우, 제2 인터페이스(1070)는 하드웨어 간의 상호작용할 수 있게 하는 하드웨어 인터페이스일 수 있다.
배터리 상태 결정부(1040)는 배터리 열화 모델을 이용하여 배터리 정보로부터 상태 정보를 결정할 수 있다. 배터리 상태 결정부(1040)는 전처리부(1041) 및 상태 추정부(1042)를 포함할 수 있다. 이하, 본 명세서에서는, 배터리 상태 결정부(1040), 전처리부(1041) 및 상태 추정부(1042)의 예시를, 명령어들로 구성되는 어플리케이션으로서 설명하지만, 이로 한정하는 것은 아니다. 배터리 상태 결정부(1040), 전처리부(1041) 및 상태 결정부(1042)는 처리부(1064)의 제어에 따라 동작하는 도 1에 도시된 바와 같은 하드웨어로서 구현될 수도 있다.
전처리부(1041)는 배터리 정보를 전처리할 수 있다. 일 실시예에 따르면, 전처리부(1041)는 저장부(1062)에 저장된 배터리 정보를, 도 3 내지 도 8와 유사한 방식으로 전처리할 수 있다. 또한, 도 2의 단계(330)에서 분류된 배터리 정보를, 전처리부(1041)가 전처리할 수도 있다.
예를 들어, 전처리부(1041)는 처리부(1064)가 배터리 정보를 분류하는 동작을 수행하기 위한 명령어들을 포함하는 어플리케이션을 포함할 수 있다. 일 실시예에 따르면 전처리부(1041)는 배터리 정보가 적어도 하나의 미리 정한 구간마다 분할되어 누적된 분포 정보를 생성하는 동작을 수행하기 위한 명령어들을 포함하는 어플리케이션, 배터리 정보를 미리 정한 시간 세그먼트로 분할하여 세그먼트 정보를 생성하는 동작을 수행하기 위한 명령어들을 포함하는 어플리케이션, 및 배터리 정보를 주파수 영역으로 변환하여 주파수 정보를 생성하는 동작을 수행하기 위한 명령어들을 포함하는 어플리케이션 중 적어도 하나를 포함할 수 있다.
일 실시예에 따르면 전처리부(1041)는 상술한 어플리케이션들 중 하나로만 구성되거나, 복수의 어플리케이션들로 구성될 수 있다. 또한, 전처리부(1041)의 어플리케이션은 사용자의 선택에 따라 변경 및 업데이트될 수 있다.
상태 추정부(1042)는 전처리된 배터리 정보로부터 배터리 열화 모델을 이용하여 상태 정보를 추정할 수 있다. 일 실시예에 따르면, 상태 추정부(1042)는 도 3 내지 도 8와 유사한 방식으로 상태 정보를 추정할 수 있다.
예를 들어, 상태 추정부(1042)는 처리부(1064)가 배터리 열화 모델 및 기계학습 구조를 이용하여, 배터리 정보로부터 상태 정보를 추정하는 동작을 수행하기 위한 명령어들을 포함하는 어플리케이션을 포함할 수 있다. 일 실시예에 따르면 상태 추정부(1042)는 배터리 정보의 분포 속성이 학습된 제1 열화 모델을 이용하여 분포 정보부터 상태 정보를 추정하는 동작을 수행하기 위한 명령어들을 포함하는 어플리케이션, 배터리 정보의 시간 속성이 학습된 제2 열화 모델을 이용하여, 세그먼트 정보로부터 상태 정보를 추정하는 동작을 수행하기 위한 명령어들을 포함하는 어플리케이션, 및 배터리 정보의 주파수 속성이 학습된 제3 열화 모델을 이용하여, 주파수 정보로부터 상태 정보를 추정하는 동작을 수행하기 위한 명령어들을 포함하는 어플리케이션 중 적어도 하나를 포함할 수 있다.
일 실시예에 따르면 상태 추정부(1042)는 상술한 어플리케이션들 중 하나로만 구성되거나, 복수의 어플리케이션들로 구성될 수 있다. 또한, 상태 추정부(1042)의 어플리케이션은 사용자의 선택에 따라 변경 및 업데이트될 수 있다.
상술한 어플리케이션들은 하기 컴퓨팅 플랫폼에 종속될 수 있다. 또한, 어플리케이션들은 인공지능 학습 어플리케이션 및 검증 애플리케이션을 포함할 수 있다. 어플리케이션은 예를 들어, 배터리 정보의 전처리 및 상태를 추정하기 위한 연산을 수행하도록 구성되는 명령어들을 포함할 수 있다.
플랫폼 구동부(1050)는 명령어들이 실행 가능하도록 장치(130)를 제어하도록 구성될 수 있다. 처리부(1064)는, 컴퓨팅 플랫폼(computing platform)을 플랫폼 구동부(1050)로서 구동시킬 수 있다. 플랫폼 구동부(1050)는 예를 들어, 하드웨어 장치(1060)를 제어하여, 상술한 어플리케이션들을 동작시킬 수 있다. 예를 들어, 플랫폼 구동부(1050)는 리눅스, 윈도우, 안드로이드 등의 OS (operating system)과 같은 소프트웨어 플랫폼일 수 있다. 일 실시예에 따르면, 하드웨어의 성능에 따라 플랫폼 구동부(1050)는 튜닝될 수 있다.
일 실시예에 따르면, 처리부(1064)는 업데이트 신호에 응답하여, 배터리 열화 모델, 및 명령어들 중 적어도 하나를 업데이트할 수 있다. 예를 들어, 처리부(1064)는 사용자의 필요에 따라, 어플리케이션을 업데이트할 수 있다. 배터리 열화 모델 및 상태를 추정하는데 사용되는 알고리즘이 제한 없이(예를 들어, 기기(100)가 동작하는 동안에도) 업데이트될 수 있다. 업데이트 신호는 통신부(1061) 또는 별도의 입력 장치를 통해 사용자에 의해 또는 자동으로 수신될 수 있다.
상태 정보 출력부(1090)는 추정된 배터리의 상태 정보를 사용자에게 제공할 수 있다. 예를 들어, 상태 정보 출력부(1090)는, 소리, 음성, 및 영상 등을 출력할 수 있는 시각적 신호 출력 장치(예를 들어, 전자 계기판 및 기계식 계기판을 모두 포함) 및 청각적 신호 출력 장치 등을 이용하여, 사용자에게 상태 정보를 제공할 수 있다. 상태 정보 출력부(1090)가 디스플레이를 포함하는 경우, 상태 정보 출력부(1090)는 상태 정보에 대응하는 SOH값을 표시할 수 있다. 상태 정보 출력부(1090)는 배터리의 상태 정보를 추정하는 기기(100)의 내부 장치 또는 외부 장치로서 구성될 수 있다.
일 실시예에 따르면, 배터리의 상태 정보를 추정하는 기기(100)는 충전이 가능한 배터리의 상태(예를 들어, 수명 등)가 추정될 필요가 있는 모든 전자 기기에 적용될 수 있다. 예를 들어, 배터리를 에너지 원으로 사용하는 이동 수단, 및 배터리를 에너지 원으로 사용하는 전자 기기에 적용될 수 있다.
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 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 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 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. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 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 (20)

  1. 배터리의 상태 정보(state information)를 결정하는 장치에 있어서,
    배터리 팩의 전압, 전류, 및 온도 중 적어도 하나 또는 둘 이상의 조합을 포함하는 상기 배터리 팩의 측정된 배터리 정보를 수신하고, 배터리 정보 값의 범위에 기초한 상기 수신된 배터리 정보의 분할, 상기 배터리 정보가 측정되는 동안의 시간 세그먼트에 기초한 상기 수신된 배터리 정보의 분할, 및 시간 영역으로부터 주파수 영역으로 상기 수신된 배터리 정보의 변환 중 적어도 하나 또는 둘 이상의 조합에 의해 제1 정보를 생성하며, 상기 배터리 정보의 적어도 하나의 속성(attribute)에 대해 미리 학습된 배터리 열화 모델을 이용하여, 상기 생성된 제1 정보로부터 상기 상태 정보를 결정하는 배터리 상태 결정부(battery state determiner)
    를 포함하는 배터리의 상태 정보를 결정하는 장치.
  2. 제1항에 있어서,
    상기 배터리 정보 중 미리 정한 주기에 대응하는 배터리 정보를 분류하는 배터리 정보 분류부
    를 더 포함하고,
    상기 배터리 상태 결정부는,
    상기 분류된 배터리 정보로부터 상기 상태 정보를 추정하는,
    배터리의 상태 정보를 결정하는 장치.
  3. 제2항에 있어서,
    상기 배터리 정보 분류부는,
    상기 배터리 정보를 미리 정한 데이터 크기 단위로 클러스터링, 및 상기 배터리 정보를 미리 정한 시간 단위로 아카이빙 중 적어도 하나를 수행하는,
    배터리의 상태 정보를 결정하는 장치.
  4. 제1항에 있어서,
    상기 배터리 열화 모델은,
    상기 배터리에 대해 미리 수집된 기준 배터리 정보가 적어도 하나의 미리 정한 구간(section)마다 분할되어 누적된 기준 분포 정보(reference distribution information)에 기초하여, 상기 배터리 정보의 분포 속성(distribution attribute)이 학습된 제1 열화 모델
    을 포함하고,
    상기 배터리 상태 결정부는,
    상기 생성된 제1 정보를 누적하여 분포 정보를 생성하는 전처리부; 및
    상기 제1 열화 모델을 이용하여, 상기 분포 정보부터 상기 상태 정보를 추정하는 상태 추정부
    를 포함하는 배터리의 상태 정보를 결정하는 장치.
  5. 제1항에 있어서,
    상기 배터리 열화 모델은,
    상기 배터리에 대해 미리 수집된 기준 배터리 정보가 미리 정한 시간 세그먼트로 분할된 기준 세그먼트 정보에 기초하여, 상기 배터리 정보의 시간 속성(time attribute)이 학습된 제2 열화 모델
    을 포함하고,
    상기 배터리 상태 결정부는,
    상기 배터리 정보가 측정되는 동안의 시간 세그먼트에 기초하여 상기 수신된 배터리 정보를 분할함으로써 상기 제1 정보를 생성하는 전처리부; 및
    상기 제2 열화 모델을 이용하여, 상기 생성된 제1 정보로부터 상기 상태 정보를 추정하는 상태 추정부
    를 포함하는 배터리의 상태 정보를 결정하는 장치.
  6. 제1항에 있어서,
    상기 배터리 열화 모델은,
    상기 배터리에 대해 미리 수집된 기준 배터리 정보가 주파수 영역으로 변환된 기준 주파수 정보에 기초하여, 상기 배터리 정보의 주파수 속성(frequency attribute)이 학습된 제3 열화 모델
    을 포함하고,
    상기 배터리 상태 결정부는,
    상기 수신된 배터리 정보를 상기 시간 영역으로부터 상기 주파수 영역으로 변환하여 상기 제1 정보를 생성하는 전처리부; 및
    상기 제3 열화 모델을 이용하여, 상기 생성된 제1 정보로부터 상기 상태 정보를 추정하는 상태 추정부
    를 포함하는 배터리의 상태 정보를 결정하는 장치.
  7. 배터리의 상태 정보를 결정하는 방법에 있어서,
    배터리 팩의 전압, 전류, 및 온도 중 적어도 하나 또는 둘 이상의 조합을 포함하는 상기 배터리 팩의 측정된 배터리 정보를 수신하는 단계;
    배터리 정보 값의 범위에 기초한 상기 수신된 배터리 정보의 분할, 상기 배터리 정보가 측정되는 동안의 시간 세그먼트에 기초한 상기 수신된 배터리 정보의 분할, 및 시간 영역으로부터 주파수 영역으로 상기 수신된 배터리 정보의 변환 중 적어도 하나 또는 둘 이상의 조합에 의해 제1 정보를 생성하는 단계; 및
    상기 배터리 정보의 적어도 하나의 속성(attribute)에 대해 미리 학습된 배터리 열화 모델을 이용하여, 상기 생성된 제1 정보로부터 상기 상태 정보를 결정하는 단계
    를 포함하는 배터리의 상태 정보를 결정하는 방법.
  8. 제7항에 있어서,
    상기 배터리 정보 중 미리 정한 주기에 대응하는 배터리 정보를 분류하는 단계
    를 더 포함하고,
    상기 상태 정보를 결정하는 단계는,
    상기 분류된 배터리 정보로부터 상기 상태 정보를 추정하는 단계,
    를 더 포함하는 배터리의 상태 정보를 결정하는 방법.
  9. 제8항에 있어서,
    상기 배터리 정보를 분류하는 단계는,
    상기 배터리 정보를 미리 정한 데이터 크기 단위로 클러스터링, 및 상기 배터리 정보를 미리 정한 시간 단위로 아카이빙 중 적어도 하나를 수행하는 단계
    를 포함하는 배터리의 상태 정보를 결정하는 방법.
  10. 제7항에 있어서,
    상기 상태 정보를 결정하는 단계는,
    상기 생성된 제1 정보를 누적하여 분포 정보를 생성하는 단계; 및
    상기 배터리 정보의 분포 속성이 학습된 제1 열화 모델을 이용하여, 상기 분포 정보부터 상기 상태 정보를 추정하는 단계
    를 포함하는 배터리의 상태 정보를 결정하는 방법.
  11. 제7항에 있어서,
    상기 상태 정보를 결정하는 단계는,
    상기 배터리 정보가 측정되는 동안의 시간 세그먼트에 기초하여 상기 수신된 배터리 정보를 분할함으로써 상기 제1 정보를 생성하는 단계; 및
    상기 배터리 정보의 시간 속성이 학습된 제2 열화 모델을 이용하여, 상기 생성된 제1 정보로부터 상기 상태 정보를 추정하는 단계
    를 포함하는 배터리의 상태 정보를 결정하는 방법.
  12. 제7항에 있어서,
    상기 상태 정보를 결정하는 단계는,
    상기 수신된 배터리 정보를 상기 시간 영역으로부터 상기 주파수 영역으로 변환하여 상기 제1 정보를 생성하는 단계; 및
    상기 배터리 정보의 주파수 속성이 학습된 제3 열화 모델을 이용하여, 상기 생성된 제1 정보로부터 상기 상태 정보를 추정하는 단계
    를 포함하는 배터리의 상태 정보를 결정하는 방법.
  13. 배터리의 상태 정보를 추정하는 장치에 있어서,
    배터리 관리 시스템과 통신하는 통신부; 및
    처리부를 포함하고,
    상기 처리부는,
    상기 통신부를 이용하여 배터리의 전압, 전류, 및 온도 중 적어도 하나 또는 둘 이상의 조합을 포함하는 상기 배터리의 측정된 배터리 정보를 수신하고, 배터리 정보 값의 범위에 기초한 상기 수신된 배터리 정보의 분할, 상기 배터리 정보가 측정되는 동안의 시간 세그먼트에 기초한 상기 수신된 배터리 정보의 분할, 및 시간 영역으로부터 주파수 영역으로 상기 수신된 배터리 정보의 변환 중 적어도 하나 또는 둘 이상의 조합에 의해 제1 정보를 생성하며, 상기 배터리 정보와 연관된 적어도 하나의 속성(attribute)에 대해 미리 학습된 배터리 열화 모델을 이용하여, 상기 생성된 제1 정보로부터 상기 상태 정보를 결정하는 동작을 수행하기 위한 명령어들을 실행하는,
    배터리의 상태 정보를 추정하는 장치.
  14. 제13항에 있어서,
    복수의 배터리 셀들을 포함하는 배터리 팩을 포함하고, 상기 배터리 팩과 연관된 배터리 정보를 측정하며, 상기 측정된 배터리 정보를 송신하는 배터리 관리 시스템
    을 더 포함하는 배터리의 상태 정보를 추정하는 장치.
  15. 제14항에 있어서,
    상기 배터리 관리 시스템은,
    상기 복수의 배터리 셀들의 전압, 전류, 및 온도 중 적어도 하나를 측정하는 배터리 정보 측정부
    를 포함하는 배터리의 상태 정보를 추정하는 장치.
  16. 제13항에 있어서,
    상기 처리부는,
    상기 명령어들이 실행 가능하도록 상기 장치를 제어하는 컴퓨팅 플랫폼(computing platform)을 구동시키는,
    배터리의 상태 정보를 추정하는 장치.
  17. 제13항에 있어서,
    상기 처리부는,
    업데이트 신호에 응답하여, 상기 배터리 열화 모델, 및 상기 명령어들 중 적어도 하나를 업데이트하는,
    배터리의 상태 정보를 추정하는 장치.
  18. 제13항에 있어서,
    상기 처리부는,
    상기 생성된 제1 정보를 누적하여 분포 정보를 생성하고, 상기 배터리 정보의 분포 속성이 학습된 제1 열화 모델을 이용하여 상기 분포 정보부터 상기 상태 정보를 추정하는 동작을 수행하기 위한 명령어들을 실행하는,
    배터리의 상태 정보를 추정하는 장치.
  19. 제13항에 있어서,
    상기 처리부는,
    상기 배터리 정보가 측정되는 동안의 시간 세그먼트에 기초하여 상기 수신된 배터리 정보를 분할함으로써 상기 제1 정보를 생성하고, 상기 배터리 정보의 시간 속성이 학습된 제2 열화 모델을 이용하여, 상기 생성된 제1 정보로부터 상기 상태 정보를 추정하는 동작을 수행하기 위한 명령어들을 실행하는,
    배터리의 상태 정보를 추정하는 장치.
  20. 제13항에 있어서,
    상기 처리부는,
    상기 수신된 배터리 정보를 상기 시간 영역으로부터 상기 주파수 영역으로 변환하여 상기 제1 정보를 생성하고, 상기 배터리 정보의 주파수 속성이 학습된 제3 열화 모델을 이용하여, 상기 생성된 제1 정보로부터 상기 상태 정보를 추정하는 동작을 수행하기 위한 명령어들을 실행하는,
    배터리의 상태 정보를 추정하는 장치.
KR1020150001976A 2015-01-07 2015-01-07 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법 KR102357351B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150001976A KR102357351B1 (ko) 2015-01-07 2015-01-07 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법
US14/990,210 US10527678B2 (en) 2015-01-07 2016-01-07 Apparatus and method for estimating state of battery using battery degradation models

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150001976A KR102357351B1 (ko) 2015-01-07 2015-01-07 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20160085070A KR20160085070A (ko) 2016-07-15
KR102357351B1 true KR102357351B1 (ko) 2022-01-28

Family

ID=56286364

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150001976A KR102357351B1 (ko) 2015-01-07 2015-01-07 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법

Country Status (2)

Country Link
US (1) US10527678B2 (ko)
KR (1) KR102357351B1 (ko)

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102046608B1 (ko) * 2016-08-12 2019-11-19 주식회사 엘지화학 배터리 팩을 위한 온도 모니터링 장치 및 방법
CN107064802A (zh) * 2016-12-02 2017-08-18 安徽波维电子科技有限公司 一种基于wifi网络报警的动力锂电池监测系统
CN106772080B (zh) * 2016-12-21 2020-04-14 哈尔滨工业大学 空间锂离子电池加速退化试验时间等效性建模方法
KR20180085165A (ko) * 2017-01-18 2018-07-26 삼성전자주식회사 배터리 관리 방법 및 장치
CN107132490B (zh) * 2017-07-05 2020-05-08 福州大学 一种实现锂电池组荷电状态估计的方法
US10878144B2 (en) * 2017-08-10 2020-12-29 Allstate Insurance Company Multi-platform model processing and execution management engine
KR102399602B1 (ko) * 2017-08-17 2022-05-18 삼성전자주식회사 배터리 상태 추정 방법 및 장치
EP3584106A1 (en) * 2018-06-19 2019-12-25 Einride Ab Predictive remote thermal managment
JP7310137B2 (ja) * 2018-12-28 2023-07-19 株式会社Ｇｓユアサ データ処理装置、データ処理方法、及びコンピュータプログラム
US11065978B2 (en) * 2019-02-25 2021-07-20 Toyota Research Institute, Inc. Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack
CN109742829A (zh) * 2019-03-12 2019-05-10 安徽卓越电气有限公司 基于物联网的电池管理系统
CN109713766A (zh) * 2019-03-12 2019-05-03 安徽卓越电气有限公司 电池管理系统
KR102354112B1 (ko) * 2019-03-26 2022-01-24 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법
US11967850B2 (en) * 2019-08-21 2024-04-23 SparkCognition, Inc. Systems and methods of applying artificial intelligence to battery technology
US11201489B2 (en) 2019-08-21 2021-12-14 Robert Bosch Gmbh System and method for fast charging of lithium-ion batteries
DE102019212909A1 (de) * 2019-08-28 2021-03-04 Audi Ag Verfahren zum Detektieren eines Fehlers in einem Batteriesystem sowie Batteriesystem und Kraftfahrzeug
KR20210041511A (ko) 2019-10-07 2021-04-15 삼성에스디아이 주식회사 배터리의 건강 상태를 추정하는 방법 및 장치
KR20210064770A (ko) 2019-11-26 2021-06-03 현대자동차주식회사 차량 및 차량의 제어 방법
TWI718783B (zh) * 2019-11-28 2021-02-11 新普科技股份有限公司 以視覺化圖像建立電池狀態模型的方法
JP7314822B2 (ja) * 2020-02-06 2023-07-26 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
JP2023522468A (ja) * 2020-04-24 2023-05-30 華為技術有限公司 バッテリ検出方法及び装置
KR102440442B1 (ko) * 2020-07-23 2022-09-06 주식회사 휴네이트 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템 및 방법
KR20220021248A (ko) * 2020-08-13 2022-02-22 주식회사 엘지에너지솔루션 배터리 용량 추정 장치 및 방법
CN112347692B (zh) * 2020-09-21 2024-02-06 深圳有电物联科技有限公司 不间断电源的电池预测性维护的实现方法、装置和电子装置
KR20220075123A (ko) * 2020-11-27 2022-06-07 주식회사 커넥토 전기 버스의 배터리 상태 분석 서비스 시스템
KR20220100470A (ko) * 2021-01-08 2022-07-15 주식회사 엘지에너지솔루션 배터리 관리 장치 및 방법
KR102619797B1 (ko) * 2021-03-05 2023-12-29 연세대학교 산학협력단 Bms, 이를 위한 적응형 모델 제공 장치 및 방법
KR102573964B1 (ko) * 2021-03-15 2023-09-01 금오공과대학교 산학협력단 배터리 soh 예측 장치 및 방법
KR20230023395A (ko) * 2021-08-10 2023-02-17 주식회사 엘지에너지솔루션 불량 유형 분류 시스템 및 불량 유형 분류 방법
CN114579644B (zh) * 2022-05-06 2022-07-22 中国汽车技术研究中心有限公司 基于深度学习的电池有效充电数据识别方法、设备和介质
WO2023234572A1 (ko) * 2022-05-31 2023-12-07 주식회사 엘지에너지솔루션 배터리 셀의 이상 진단 장치 및 방법
KR20240040991A (ko) * 2022-09-22 2024-03-29 주식회사 엘지에너지솔루션 배터리 장기 시험 분석 장치 및 방법
KR20240043846A (ko) * 2022-09-27 2024-04-04 주식회사 엘지에너지솔루션 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009097878A (ja) * 2007-10-12 2009-05-07 Fujitsu Ltd 電池の測定方法及び電池の製造方法
JP2013516614A (ja) * 2010-06-24 2013-05-13 パナソニック株式会社 電池の劣化度を取得するための方法及びそのシステム
JP2013225441A (ja) * 2012-04-23 2013-10-31 Hitachi Ltd 電池システムのメンテナンス管理システム及び方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101570420B1 (ko) * 2009-08-10 2015-11-20 엘지전자 주식회사 자동차의 배터리 제어 장치 및 그 방법
US8519674B2 (en) * 2009-11-12 2013-08-27 GM Global Technology Operations LLC Method for estimating battery degradation in a vehicle battery pack
FR2955670B1 (fr) 2010-01-27 2012-01-27 Commissariat Energie Atomique Procede de diagnostic de l'etat de sante d'une batterie
WO2012030455A2 (en) 2010-09-02 2012-03-08 Proterra Inc. System and methods for battery management
US8538613B2 (en) * 2010-11-15 2013-09-17 GM Global Technology Operations LLC Method for determining an estimated driving range for a vehicle
KR101293630B1 (ko) * 2011-04-25 2013-08-05 주식회사 엘지화학 배터리 용량 퇴화 추정 장치 및 방법
US8796993B2 (en) 2011-09-12 2014-08-05 Southwest Electronic Energy Corporation Historical analysis of battery cells for determining state of health
EP2607910B1 (en) * 2011-12-23 2016-03-23 Samsung SDI Co., Ltd. A device and method for estimating life of a secondary battery
KR101498761B1 (ko) 2012-02-02 2015-03-04 주식회사 엘지화학 배터리의 수명 예측 방법 및 장치, 이를 이용한 배터리 관리 시스템
KR101906928B1 (ko) 2012-02-08 2018-10-11 에스케이이노베이션 주식회사 배터리의 수명 추정 장치 및 방법
US9653759B2 (en) * 2012-03-29 2017-05-16 The Boeing Company Method and apparatus for optimized battery life cycle management
US10556510B2 (en) * 2012-04-27 2020-02-11 California Institute Of Technology Accurate assessment of the state of charge of electrochemical cells
CN104471415B (zh) * 2012-04-27 2017-09-01 加州理工学院 用于电池应用的嵌入式芯片
US20140097787A1 (en) 2012-10-09 2014-04-10 Yi-Ming Lin Active battery management system for a battery pack
US10330732B2 (en) * 2015-10-01 2019-06-25 California Institute Of Technology Systems and methods for monitoring characteristics of energy units
US10569660B2 (en) * 2016-02-26 2020-02-25 Ford Global Technologies, Llc Systems and methods for battery state-of-health monitoring

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009097878A (ja) * 2007-10-12 2009-05-07 Fujitsu Ltd 電池の測定方法及び電池の製造方法
JP2013516614A (ja) * 2010-06-24 2013-05-13 パナソニック株式会社 電池の劣化度を取得するための方法及びそのシステム
JP2013225441A (ja) * 2012-04-23 2013-10-31 Hitachi Ltd 電池システムのメンテナンス管理システム及び方法

Also Published As

Publication number Publication date
US20160195587A1 (en) 2016-07-07
KR20160085070A (ko) 2016-07-15
US10527678B2 (en) 2020-01-07

Similar Documents

Publication Publication Date Title
KR102357351B1 (ko) 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법
CN106249152B (zh) 用于估计电池状态的方法和设备
KR102343967B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR102241683B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR102215450B1 (ko) 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
KR102399720B1 (ko) 패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법
CN105277891B (zh) 用于估计电池的状态的方法和设备
JP6803163B2 (ja) バッテリの状態を推定する方法及び装置
KR20160090140A (ko) 배터리의 상태를 추정하는 방법 및 장치
CN108139446B (zh) 用于预测电池测试结果的电池测试系统
KR20180037760A (ko) 배터리 상태 추정 장치 및 방법
KR102225667B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR20180055192A (ko) 배터리 상태를 추정하는 방법 및 장치
KR20180056238A (ko) 배터리 충전 방법, 배터리 충전 정보 생성 방법 및 배터리 충전 장치
CN109100655B (zh) 一种动力电池的数据处理方法和装置
KR20180115124A (ko) 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법
KR20170134193A (ko) 배터리의 충전 상태를 추정하는 방법 및 그 방법을 실행하는 배터리 관리 시스템
KR20210080069A (ko) 배터리 진단 장치 및 방법
KR20230028017A (ko) 시변 부하전류 상황에 강인한 리튬 이온 배터리의 모델 기반 충전 상태 추정 장치 및 방법
KR20220086831A (ko) 배터리 최적화 방법 및 장치
Ng et al. Robust remaining useful life prediction for Li-ion batteries with a naïve Bayesian classifier
CN116125298A (zh) 电池故障检测方法及装置
CN116679209A (zh) 电池荷电状态的预测方法、装置、设备和存储介质
CN114415041A (zh) 电池剩余容量估算方法、装置及终端设备

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant