KR102399602B1 - 배터리 상태 추정 방법 및 장치 - Google Patents

배터리 상태 추정 방법 및 장치 Download PDF

Info

Publication number
KR102399602B1
KR102399602B1 KR1020170104046A KR20170104046A KR102399602B1 KR 102399602 B1 KR102399602 B1 KR 102399602B1 KR 1020170104046 A KR1020170104046 A KR 1020170104046A KR 20170104046 A KR20170104046 A KR 20170104046A KR 102399602 B1 KR102399602 B1 KR 102399602B1
Authority
KR
South Korea
Prior art keywords
battery
feature vectors
data
weights
state information
Prior art date
Application number
KR1020170104046A
Other languages
English (en)
Other versions
KR20190019316A (ko
Inventor
유개원
박상도
성영훈
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 KR1020170104046A priority Critical patent/KR102399602B1/ko
Priority to US15/864,405 priority patent/US10928456B2/en
Priority to EP18170329.9A priority patent/EP3444626A1/en
Priority to JP2018101563A priority patent/JP7044634B2/ja
Priority to CN201810916398.1A priority patent/CN109425836B/zh
Publication of KR20190019316A publication Critical patent/KR20190019316A/ko
Application granted granted Critical
Publication of KR102399602B1 publication Critical patent/KR102399602B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
    • 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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/549—Current
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles

Abstract

배터리 상태 추정 방법 및 장치가 개시된다. 일 실시예는 배터리의 센싱 데이터에 설정된 타겟 구간들 각각에서 데이터를 추출하고, 상기 추출된 데이터들에 대한 특징(feature) 벡터들을 생성하며 상기 특징 벡터들에 가중치를 적용하고, 상기 가중치가 적용된 특징 벡터들을 머지(merge)하고, 상기 머지 결과를 기초로 상기 배터리의 상태 정보를 결정한다.

Description

배터리 상태 추정 방법 및 장치{METHOD AND APPARATUS FOR ESTIMATING STATE OF BATTERY}
아래 실시예들은 배터리 상태 추정에 관한 것이다.
환경문제와 에너지 자원 문제가 중요시되는 가운데 전기 자동차 (Electric Vehicle)가 미래의 운송 수단으로 각광받고 있다. 전기 자동차는 충방전이 가능한 다수의 2차 전지(cell)가 하나의 팩(pack)으로 형성된 배터리를 주동력원으로 이용하기 때문에 배기가스가 없고, 소음이 작다.
전기 자동차에서 배터리는 가솔린 자동차의 엔진 및 연료 탱크와 같은 역할을 하므로, 전기 자동차 사용자의 안전을 위하여, 배터리의 상태를 추정하는 것이 중요할 수 있다.
최근에는, 배터리의 상태를 보다 정확히 추정하기 위한 연구가 계속되고 있다.
일 측에 따른 배터리 상태 추정 방법은 배터리의 센싱 데이터에 설정된 타겟 구간들 각각에서 데이터를 추출하는 단계; 상기 추출된 데이터들에 대한 특징(feature) 벡터들을 생성하는 단계; 상기 생성된 특징 벡터들에 가중치를 적용하는 단계; 상기 가중치가 적용된 특징 벡터들을 머지(merge)하는 단계; 및 상기 머지 결과를 기초로 상기 배터리의 상태 정보를 결정하는 단계를 포함한다.
상기 특징 벡터들을 생성하는 단계는, 상기 추출된 데이터들을 샘플링하는 단계; 및 상기 샘플링된 데이터들을 인코딩하여 상기 특징 벡터들을 생성하는 단계를 포함할 수 있다.
상기 생성된 특징 벡터들에 가중치를 적용하는 단계는, 상기 생성된 특징 벡터들 및 상기 배터리의 이전 상태 정보를 기초로 가중치들을 계산하는 단계; 및 상기 생성된 특징 벡터들 각각에 상기 계산된 가중치들 각각을 적용하는 단계를 포함할 수 있다.
상기 배터리 상태 추정 방법은 상기 상태 정보에 대한 업데이트 이벤트가 발생한 경우, 상기 센싱 데이터에 추가 타겟 구간을 설정하고, 상기 추가 타겟 구간에서 데이터를 추출하는 단계; 상기 추가 타겟 구간에서 추출된 데이터를 인코딩하여 추가 특징 벡터를 생성하는 단계; 및 상기 생성된 추가 특징 벡터에 가중치를 적용한 결과 및 상기 생성된 특징 벡터들 중 일부에 가중치를 적용한 결과를 기초로, 상기 상태 정보를 업데이트하는 단계를 더 포함할 수 있다.
상기 배터리 상태 추정 방법은 상기 센싱 데이터에 상기 타겟 구간들 각각을 랜덤하게 설정하는 단계를 더 포함할 수 있다.
상기 타겟 구간들 각각의 길이는 서로 다를 수 있다.
상기 타겟 구간들 중 가장 안정적인 패턴 변화를 보이는 타겟 구간과 관련된 특징 벡터에 최대 가중치가 적용될 수 있다.
일 측에 따른 배터리 상태 추정 장치는 배터리의 센싱 데이터에 설정된 타겟 구간들 각각에서 데이터를 추출하고, 상기 추출된 데이터들에 대한 특징(feature) 벡터들을 생성하며, 상기 생성된 특징 벡터들에 가중치를 적용하고, 상기 가중치가 적용된 특징 벡터들을 머지(merge)하고, 상기 머지 결과를 기초로 상기 배터리의 상태 정보를 결정하는 컨트롤러를 포함한다.
상기 컨트롤러는 상기 추출된 데이터들을 샘플링하고, 상기 샘플링된 데이터들을 인코딩하여 상기 특징 벡터들을 생성할 수 있다.
상기 컨트롤러는 상기 생성된 특징 벡터들 및 상기 배터리의 이전 상태 정보를 기초로 가중치들을 계산하고, 상기 생성된 특징 벡터들 각각에 상기 계산된 가중치들 각각을 적용할 수 있다.
상기 컨트롤러는, 상기 상태 정보에 대한 업데이트 이벤트가 발생한 경우, 상기 센싱 데이터에 추가 타겟 구간을 설정하고, 상기 추가 타겟 구간에서 데이터를 추출하며, 상기 추가 타겟 구간에서 추출된 데이터를 인코딩하여 추가 특징 벡터를 생성하고, 상기 생성된 추가 특징 벡터에 가중치를 적용한 결과 및 상기 특징 벡터들 중 일부에 가중치를 적용한 결과를 기초로, 상기 상태 정보를 업데이트할 수 있다.
상기 컨트롤러는 상기 센싱 데이터에 상기 타겟 구간들 각각을 랜덤하게 설정할 수 있다.
상기 타겟 구간들 각각의 길이는 서로 다를 수 있다.
상기 타겟 구간들 중 가장 안정적인 패턴 변화를 보이는 타겟 구간과 관련된 특징 벡터에 최대 가중치가 적용될 수 있다.
다른 일 측에 따른 배터리 상태 추정 장치는 배터리의 센싱 데이터에 설정된 타겟 구간들 각각에서 데이터를 추출하고, 상기 추출된 데이터들 및 상태 추정 모델을 기초로 상기 배터리의 상태 정보를 결정하는 컨트롤러를 포함하고, 상기 상태 추정 모델은, 상기 추출된 데이터들에 대한 특징(feature) 벡터들을 생성하는 제1 레이어; 상기 생성된 특징 벡터들에 가중치를 적용하고, 상기 가중치가 적용된 특징 벡터들을 머지(merge)하는 제2 레이어; 및 상기 머지 결과를 기초로 상기 배터리의 상태 정보를 결정하는 제3 레이어를 포함한다.
상기 제1 레이어는 상기 추출된 데이터들 각각의 패턴 변화를 인식할 수 있다.
상기 제2 레이어는 상기 생성된 특징 벡터들 및 상기 배터리의 이전 상태 정보를 기초로 가중치들을 계산하고, 상기 생성된 특징 벡터들 각각에 상기 계산된 가중치들 각각을 적용할 수 있다.
상기 제3 레이어는 상기 머지 결과에 회귀(regression)를 수행하여 상기 상태 정보를 결정할 수 있다.
도 1은 일 실시예에 따른 배터리 시스템을 설명하기 위한 도면이다.
도 2 내지 도 5는 일 실시예에 따른 배터리 상태 추정 장치의 동작을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 배터리 상태 추정 장치를 설명하기 위한 블록도이다.
도 7은 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 순서도이다.
도 8a 내지 도 8b는 일 실시예에 따른 차량을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 단말을 설명하기 위한 도면이다.
도 10은 일 실시예에 따른 학습 장치를 설명하기 위한 블록도이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
아래 설명하는 실시예들로만 실시 형태가 한정되는 것은 아니며 다양한 변경이 가해질 수 있다. 실시 형태는 실시예들의 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 배터리 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 일 실시예에 따른 배터리 시스템(100)은 배터리 상태 추정 장치(110) 및 배터리(120)를 포함한다. 배터리(120)는 배터리 셀, 배터리 모듈, 또는 배터리 팩을 나타낼 수 있다.
배터리 상태 추정 장치(110)는 배터리(120)의 센싱 데이터에 타겟 구간들을 설정하고, 타겟 구간들에서 추출된 데이터들로부터 배터리(120)의 상태 정보를 결정한다. 이 때, 배터리 상태 추정 장치(110)는 추출된 데이터들 중 가장 안정적인 패턴 변화를 보이는 데이터에 집중(attention)함으로써 배터리(120)의 상태 정보를 보다 정확하게 결정할 수 있다.
이하, 도 2 내지 도 5를 참조하면서, 배터리 상태 추정 장치(110)의 동작에 대해 구체적으로 설명한다.
도 2 내지 도 5는 일 실시예에 따른 배터리 상태 추정 장치의 동작을 설명하기 위한 도면이다.
도 2를 참조하면, 배터리 상태 추정 장치(110)는 입력 버퍼(210), 추출기(220), 인코더(230), 제1 메모리(240), 제2 메모리(250), 벡터 병합기(merger)(260), 추정기(270), 및 출력 버퍼(280)를 포함한다.
추출기(220), 인코더(230), 벡터 병합기(260), 및 추정기(270)는 하나 이상의 컨트롤러 또는 하나 이상의 프로세서에 의해 구현될 수 있다. 입력 버퍼(210) 및 출력 버퍼(280)는 서로 물리적으로 구분되거나 하나의 버퍼 내에서 논리적으로 구분될 수 있다. 또한, 제1 메모리(240) 및 제2 메모리(250)는 서로 물리적으로 구분되거나 하나의 메모리 내에서 논리적으로 구분될 수 있다.
입력 버퍼(210)는 센서들(201~203)로부터 센싱 데이터를 수신하고, 저장한다. 센싱 데이터는, 일례로, 배터리(120)의 전압 데이터, 전류 데이터, 및 온도 데이터 중 어느 하나 또는 이들의 조합을 포함할 수 있다.
추출기(220)는 입력 버퍼(220)로부터 센싱 데이터를 수신하고, 센싱 데이터에 타겟 구간들을 설정한다. 추출기(220)는 도 3에 도시된 예와 같이 전류 데이터(310) 및 전압 데이터(311)에 타겟 구간들(320~324)을 설정할 수 있다. 여기서, 타겟 구간들(320~324) 각각의 길이는 서로 동일하거나 서로 다를 수 있다. 일 실시예에 따르면, 추출기(220)는 센싱 데이터에 타겟 구간들(320~324)을 랜덤하게 설정할 수 있다.
추출기(220)는 타겟 구간들(320~324) 각각에 속한 데이터를 추출한다. 달리 표현하면, 추출기(220)는 타겟 구간들(320~324) 각각에 해당하는 구간 데이터를 추출한다. 추출기(220)는 추출된 데이터들을 인코더(230)로 출력한다.
구현에 따라, 추출기(220)는 추출된 데이터들 각각을 샘플링할 수 있고, 샘플링된 데이터들을 인코더(230)에 출력할 수 있다.
인코더(230)는 추출된 데이터들을 인코딩하여 특징 벡터들을 생성한다. 인코더(230)는 입력의 패턴 변화 인식(또는 패턴 인식)이 가능하도록 학습되었으므로, 추출된 데이터들 각각의 패턴 변화를 표현하는 특징 벡터들을 생성할 수 있다. 실시예에 따라, 인코더(230)는, 예를 들어, 뉴럴 네트워크에 기반할 수 있다. 도 3을 참조하면, 인코더(230)는 LSTM(Long Short Term Memory)(360)에 기반할 수 있고, 제1 메모리(240)에 저장된 하나 이상의 파라미터를 LSTM(360)에 적용할 수 있다. 인코더(230)의 LSTM(360)은 타겟 구간 1(320)에서 추출된 전류 데이터 및 전압 데이터를 인코딩하여 특징 벡터 h1을 생성할 수 있다. 여기서, 특징 벡터 h1은 타겟 구간 1(320) 내에서 전류 데이터(310) 및 전압 데이터(311) 각각의 패턴 변화를 표현할 수 있다. 이와 유사하게, 인코더(230)의 LSTM(360)은 타겟 구간들(321~324) 각각에서 추출한 전류 데이터 및 전압 데이터를 인코딩하여 특징 벡터들 h2, h3, h4, h5를 생성할 수 있다. 인코더(230)는 특징 벡터들 h1, h2, h3, h4, h5를 제2 메모리(250)에 저장할 수 있다.
벡터 병합기(260)는 특징 벡터들에 가중치를 적용하고, 가중치가 적용된 특징 벡터들을 머지한다. 실시예에 따라, 벡터 병합기(260)는 뉴럴 네트워크에 기반할 수 있다. 도 3을 참조하면, 벡터 병합기(260)는 attention 네트워크(340)에 기반할 수 있고, 이러한 벡터 병합기(260)는 특징 벡터들 h1, h2, h3, h4, h5과 배터리(120)의 이전 상태 정보를 기초로 가중치들 α1, α2, α3, α4, α5를 계산할 수 있다. 이 때, 가중치들 α1, α2, α3, α4, α5 각각은 특징 벡터들 h1, h2, h3, h4, h5 각각과 매칭되는데, 추출된 데이터들 중 가장 안정적인 패턴 변화를 갖는 데이터에 대한 특징 벡터와 매칭되는 가중치가 가장 클 수 있다. 일례로, 타겟 구간들(321~324) 보다 타겟 구간 1(320)에 노이즈가 상대적으로 적어 타겟 구간 1(320)이 가장 안정적인 패턴 변화를 보인다면, 타겟 구간 1(320)과 관련된 특징 벡터 h1(다시 말해, 타겟 구간 1(320)에서 추출된 데이터에 대한 특징 벡터 h1)와 매칭되는 가중치 α1이 α1, α2, α3, α4, α5 중에서 가장 클 수 있다. 벡터 병합기(260)는 특징 벡터들 h1, h2, h3, h4, h5 각각에 α1, α2, α3, α4, α5를 적용할 수 있다. 특히, 가장 안정적인 패턴 변화를 보이는데 데이터에 대한 특징 벡터에 최대 가중치가 적용되므로, 배터리 상태 추정 장치(110)는 배터리(120)의 상태 정보를 결정할 때, 가장 안정적인 패턴 변화를 보이는데 데이터에 보다 집중할 수 있다. 벡터 병합기(260)는 가중치가 적용된 특징 벡터들 α1h1, α2h2, α3h3, α4h4, α5h5를 머지할 수 있다. 일례로, 벡터 병합기(260)는 α1h1, α2h2, α3h3, α4h4, α5h5를 더할 수 있다. 벡터 병합기(260)는 머지 결과를 추정기(270)로 출력한다.
추정기(270)는 머지 결과를 기초로 배터리(120)의 상태 정보를 결정한다. 예를 들어, 추정기(270)는 머지 결과 α1h1+α2h2+α3h3+α4h4+α5h5에 선형 회귀(linear regression)를 수행하고, linear regression 결과를 배터리(120)의 상태 정보로 결정할 수 있다. 실시예에 따라, 추정기(270)는 뉴럴 네트워크에 기반할 수 있다.
추정기(270)는 결정된 상태 정보를 출력 버퍼(280)에 저장한다. 추정기(270)는 타겟 구간들(320~324) 중 가장 오래된 타겟 구간 1(320)에서 추출된 데이터의 특징 벡터 h1을 제2 메모리(250)에서 삭제할 수 있다. 특징 벡터 h1은 배터리(120)의 상태 정보의 업데이트 시점에서 가장 오래된 데이터에 대한 특징 벡터이므로, 상태 정보를 업데이트할 때 적합하지 않을 수 있다. 추정기(270)는 특징 벡터 h1을 제2 메모리(250)에서 삭제할 수 있다. 이에 따라, 제2 메모리(250)에는 특징 벡터들 h2, h3, h4, h5이 저장되어 있다.
일 실시예에 있어서, 배터리 상태 추정 장치(110)는 상태 정보를 업데이트하는 경우, 제2 메모리(250)에 저장된 특징 벡터들 h2, h3, h4, h5를 다시 이용할 수 있다. 이로써, 배터리 상태 추정 장치(110)는 보다 적은 연산량 및 향상된 속도로 상태 정보를 업데이트할 수 있다. 이하, 도 4 내지 도 5를 참조하면서 설명한다.
도 4를 참조하면, 추출기(220)는 업데이트 이벤트가 발생하는 경우, 전류 데이터(310) 및 전압 데이터(311)에 타겟 구간 6(325)을 추가로 설정할 수 있다. 여기서, 업데이트 이벤트는 사용자의 요청에 의해 발생하거나 현재 시간이 업데이트 주기에 도달할 때 발생할 수 있다. 추출기(220)는 타겟 구간 6(325) 내의 전류 데이터 및 전압 데이터를 추출할 수 있고, 추출된 전류 데이터 및 전압 데이터를 인코더(230)에 출력할 수 있다.
인코더(230)는 추출된 전류 데이터 및 전압 데이터를 인코딩하여 특징 벡터 h6를 생성할 수 있다.
벡터 병합기(260)는 인코더(230)로부터 h6를 입력받고, 제2 메모리(250)로부터 h2, h3, h4, h5를 입력받는다. 도 5를 참조하여 달리 설명하면, 벡터 병합기(260)는 제2 메모리(250)에서 h2, h3, h4, h5를 로딩할 수 있고, 인코더(230)로부터 h6를 입력받을 수 있다.
벡터 병합기(260)는 특징 벡터들 h2, h3, h4, h5, h6 및 위에서 결정된 상태 정보를 이용하여 가중치들을 계산할 수 있다. 가중치들 β2, β3, β4, β5, β6이 계산된다고 할 때, 벡터 병합기(260)는 특징 벡터들 h2, h3, h4, h5, h6 각각에 가중치들 β2, β3, β4, β5, β6 각각을 적용할 수 있다.
벡터 병합기(260)는 가중치들이 적용된 특징 벡터들 β2h2, β3h3, β4h4, β5h5, β6h6을 머지할 수 있고, 머지 결과를 추정기(270)로 출력할 수 있다.
추정기(270)는 β2h2, β3h3, β4h4, β5h5, β6h6의 머지 결과를 기초로 배터리(120)의 상태 정보를 업데이트할 수 있다.
추정기(270)는 업데이트된 상태 정보를 출력 버퍼(280)에 저장할 수 있고, 타겟 구간들(321~325) 중 가장 오래된 타겟 구간 2(321)에 해당하는 데이터의 특징 벡터 h2를 제2 메모리(250)에서 삭제할 수 있다.
업데이트 이벤트가 발생할 때마다, 도 4를 통해 설명한 추출기(220), 인코더(230), 벡터 병합기(260), 및 추정기(270)의 동작이 반복될 수 있다.
도 1 내지 도 3을 통해 기술된 사항들은 도 4를 통해 기술된 사항들에 적용될 수 있으므로, 상세한 설명을 생략한다.
도 6은 일 실시예에 따른 배터리 상태 추정 장치를 설명하기 위한 블록도이다.
도 6을 참조하면, 배터리 상태 추정 장치(110)는 메모리(610) 및 컨트롤러(620)를 포함한다.
메모리(610)는 상태 추정 모델의 하나 이상의 파라미터를 저장한다. 메모리(610)는 컴퓨터 판독 가능한 저장 매체 또는 컴퓨터 판독 가능한 저장 장치를 포함할 수 있다. 예를 들어, 메모리(610)는 RAM(random access memories), DRAM(dynamic random access memories), SRAM(static random access memories) 또는 이 기술 분야에서 알려진 다른 형태의 비휘발성 메모리를 포함할 수 있다. 또한, 메모리(610)는 컨트롤러(620)에 의해 실행되는 인스트럭션들을 저장할 수 있다.
컨트롤러(620)는 배터리(120)의 센싱 데이터에 타겟 구간들을 설정하고, 설정된 타겟 구간들 각각에서 데이터를 추출한다.
컨트롤러(620)는 추출된 데이터들 및 상태 추정 모델을 기초로 배터리(120)의 상태 정보를 결정한다. 이 때, 컨트롤러(620)는 메모리(610)에 저장된 파라미터를 상태 추정 모델에 적용한다.
일 실시예에 따르면, 상태 추정 모델은 제1 내지 제3 레이어(layer)를 포함한다. 제1 레이어는 추출된 데이터들에 대한 특징 벡터들을 생성한다. 제1 레이어는 입력의 패턴 변화 인식 또는 패턴 인식이 가능하도록 학습되어, 추출된 데이터들 각각의 패턴 변화를 인식할 수 있다. 이로 인해, 제1 레이어는 추출된 데이터들 각각의 패턴 변화와 관련된 특징 벡터를 생성할 수 있다. 제1 레이어는 뉴럴 네트워크(일례로, LSTM)에 해당할 수 있다. 제1 레이어는 인코더(230)에 대응될 수 있으므로, 자세한 설명을 생략한다.
제2 레이어는 특징 벡터들에 가중치를 적용하고, 가중치가 적용된 특징 벡터들을 머지한다. 제2 레이어는 뉴럴 네트워크(일례로, attention 네트워크)에 해당할 수 있다. 제2 레이어는 벡터 병합기(260)에 대응될 수 있으므로, 자세한 설명을 생략한다.
제3 레이어는 머지 결과를 기초로 배터리(120)의 상태 정보를 결정한다. 제3 레이어는 추정기(270)에 대응될 수 있으므로, 자세한 설명을 생략한다.
상태 추정 모델은 학습 장치에 의해 학습이 완료된 것이다. 학습에 대해선 도 10를 통해 후술한다.
도 1 내지 도 5를 통해 기술된 사항들은 도 6을 통해 기술된 사항들에 적용될 수 있으므로, 상세한 설명을 생략한다.
도 7은 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 순서도이다.
배터리 상태 추정 방법은 배터리 상태 추정 장치(110)에 의해 수행될 수 있다.
도 7을 참조하면, 배터리 상태 추정 장치(110)는 배터리(120)의 센싱 데이터에 설정된 타겟 구간들 각각에서 데이터를 추출한다(710).
배터리 상태 추정 장치(110)는 추출된 데이터들에 대한 특징 벡터들을 생성한다(720).
배터리 상태 추정 장치(110)는 특징 벡터들에 가중치를 적용한다(730).
배터리 상태 추정 장치(110)는 가중치가 적용된 특징 벡터들을 머지한다(740).
배터리 상태 추정 장치(110)는 머지 결과를 기초로 배터리(120)의 상태 정보를 결정한다(750).
도 1 내지 도 6을 통해 기술된 사항은 도 7을 통해 기술된 사항에 적용될 수 있으므로, 상세한 설명은 생략한다.
도 8a 및 도 8b는 일 실시예에 따른 차량을 설명하기 위한 도면이다.
도 8a를 참조하면, 차량(800)은 배터리 팩(810) 및 배터리 관리 시스템(Battery Management System, BMS)(820)을 포함한다. 차량(800)은 배터리 팩(810)을 전력원(power source)으로 이용할 수 있다. 차량(800)은, 예를 들어, 전기 자동차 또는 하이브리드 자동차일 수 있다.
배터리 팩(810)은 하나 이상의 배터리 모듈을 포함할 수 있다. 여기서, 배터리 모듈은 하나 이상의 배터리 셀을 포함할 수 있다.
배터리 관리 시스템(820)은 배터리 팩(810)에 이상(abnormality)이 발생하였는지 모니터링할 수 있고, 배터리 팩(810)이 과충전(over-charging) 또는 과방전(over-discharging)되지 않도록 할 수 있다. 또한, 배터리 관리 시스템(820)은 배터리 팩(810)의 온도가 제1 온도(일례로, 40℃)를 초과하거나 제2 온도(일례로, -10℃) 미만이면 배터리 팩(810)에 대해 열 제어를 수행할 수 있다. 또한, 배터리 관리 시스템(820)은 셀 밸런싱을 수행하여 배터리 팩(810)에 포함된 배터리 셀들 간의 충전 상태가 균등해지도록 할 수 있다.
일 실시예에 따르면, 배터리 관리 시스템(820)은 배터리 상태 추정 장치(110)를 포함할 수 있다. 배터리 관리 시스템(820)은 배터리 상태 추정 장치(110)를 이용하여 배터리 팩(810)의 상태 정보 또는 배터리 팩(810)에 포함된 배터리 셀의 상태 정보를 결정할 수 있다. 배터리 관리 시스템(820)은 차량(800)이 주행하고 있을 때 또는 배터리 팩(810)이 부분 충방전 되었을 때, 배터리 팩(810)의 상태 정보 또는 배터리 팩(810)에 포함된 배터리 셀의 상태 정보를 결정할 수 있다.
배터리 관리 시스템(820)은 결정된 상태 정보를 차량(800)의 ECU(Electronic Control Unit) 또는 VCU(Vehicle Electronic Control Unit)로 전송할 수 있다. 차량(800)의 ECU 또는 VCU는 결정된 상태 정보를 디스플레이에 출력할 수 있다. 도 8b에 도시된 예와 같이, ECU 또는 VCU는 배터리 팩(810)의 상태 정보(830)를 차량(800) 내의 계기판에 표시할 수 있다. 또한, 도 8b에 도시되지 않았으나, ECU 또는 VCU는 배터리 팩(810)의 상태 정보(830)를 차량(800)의 헤드업 디스플레이에 표시할 수 있다.
구현에 따라, ECU 또는 VCU는 배터리 상태 추정 장치(110)에 의해 결정된 상태 정보를 차량(800)의 무선 통신 인터페이스를 통해 사용자의 단말로 전송할 수 있다. 이로 인해, 사용자는 차량(800) 외부에서 배터리 팩(810)의 상태 정보 또는 배터리 팩(810)에 포함된 배터리 셀의 상태 정보를 체크할 수 있다.
도 1 내지 도 7을 통해 기술된 사항은 도 8a 내지 도 8b를 통해 기술된 사항에 적용될 수 있으므로, 상세한 설명은 생략한다.
도 9는 일 실시예에 따른 단말을 설명하기 위한 도면이다.
도 9를 참조하면, 단말(900)은 배터리 상태 추정 장치(110) 및 배터리(120)를 포함한다. 단말(900)은 예를 들어, 스마트폰, 웨어러블 디바이스(wearable device), 태블릿 컴퓨터, 넷북, 랩탑, PDA(personal digital assistant) 등을 포함할 수 있다.
배터리(120)는 탈착형 배터리(removable battery) 또는 내장형 배터리(embedded battery)일 수 있다.
단말(900)은 배터리 상태 추정 장치(110)를 이용하여 배터리(120)의 상태 정보를 결정할 수 있고, 결정된 상태 정보를 디스플레이에 출력할 수 있다. 예를 들어, 단말(900)은 배터리 상태 추정 장치(110)를 이용하여 배터리(120)의 잔존 수명을 추정할 수 있고, 추정된 잔존 수명을 디스플레이에 표시할 수 있다.
또한, 단말(900)은 결정된 상태 정보를 통해 알림 정보를 생성하여 디스플레이에 출력할 수 있다. 예를 들어, 단말(900)은 배터리(120)의 수명이 얼마 남지 않아 배터리(120)를 새로운 배터리로 교체하는 것이 필요하다는 메시지를 디스플레이에 출력할 수 있다.
도 1 내지 도 8을 통해 기술된 사항들은 도 9를 통해 기술된 사항들에 적용될 수 있으므로, 상세한 설명을 생략한다.
배터리 상태 추정 장치(110)는 차량(800)과 단말(900)뿐 아니라 충방전이 가능한 이차 전지를 전력원으로 이용하는 장치 또는 시스템에 포함될 수 있다. 또한, 배터리 상태 추정 장치(110)는 에너지 저장 시스템(Energy Storage System, ESS)에 포함될 수 있다.
도 10은 일 실시예에 따른 학습 장치를 설명하기 위한 블록도이다.
도 10을 참조하면, 학습 장치(1000)는 메모리(1010) 및 컨트롤러(1020)를 포함한다.
메모리(1010)는 학습 데이터를 저장한다. 여기서, 학습 데이터는 배터리(120)가 충방전되는 동안 센싱된 결과에 해당하는 전체 센싱 데이터를 나타낼 수 있다.
컨트롤러(1020)는 학습 데이터에 타겟 구간들을 설정하고, 설정된 타겟 구간들 각각에 속한 데이터를 추출한다. 컨트롤러(1020)는 추출된 데이터들을 기초로 제1 내지 제3 레이어를 포함하는 상태 추정 모델을 학습시킨다. 특히, 컨트롤러(1020)는 제1 레이어가 추출된 데이터들 각각의 패턴 변화를 인식할 수 있도록 제1 레이어를 학습시킬 수 있다. 이러한 학습에 의해 컨트롤러(1020)는 각 레이어의 하나 이상의 파라미터를 최적화할 수 있다. 최적화된 파라미터는 배터리 상태 추정 장치(110)의 제1 메모리(240) 또는 메모리(610)에 저장된다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 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. 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. 컴퓨터 판독 가능 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 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.

Claims (19)

  1. 배터리 상태 추정 장치에 의해 수행되는 배터리 상태 추정 방법에 있어서,
    배터리의 센싱 데이터에 설정된 타겟 구간들 각각에서 데이터를 추출하는 단계;
    상기 추출된 데이터들에 대한 특징(feature) 벡터들을 생성하는 단계;
    상기 생성된 특징 벡터들에 제1 가중치들을 적용하는 단계;
    상기 제1 가중치들이 적용된 특징 벡터들을 머지(merge)하는 단계;
    상기 머지 결과를 기초로 상기 배터리의 상태 정보를 결정하는 단계; 및
    상기 상태 정보에 대한 업데이트 이벤트가 발생한 경우 상기 상태 정보를 업데이트하는 단계
    를 포함하고,
    상기 업데이트하는 단계는,
    상기 센싱 데이터에 추가 타겟 구간을 설정하고, 상기 추가 타겟 구간에서 데이터를 추출하여 추가 특징 벡터를 생성하는 단계; 및
    상기 생성된 특징 벡터들 중 일부와 상기 생성된 추가 특징 벡터에 제2 가중치들을 적용한 결과를 기초로, 상기 상태 정보를 업데이트하는 단계
    를 포함하는,
    배터리 상태 추정 방법.
  2. 제1항에 있어서,
    상기 특징 벡터들을 생성하는 단계는,
    상기 타겟 구간들에서 추출된 데이터들을 샘플링하는 단계; 및
    상기 샘플링된 데이터들을 인코딩하여 상기 특징 벡터들을 생성하는 단계
    를 포함하는,
    배터리 상태 추정 방법.
  3. 제1항에 있어서,
    상기 생성된 특징 벡터들에 상기 제1 가중치들을 적용하는 단계는,
    상기 생성된 특징 벡터들 및 상기 배터리의 이전 상태 정보를 기초로 상기 제1 가중치들을 계산하는 단계; 및
    상기 생성된 특징 벡터들 각각에 상기 계산된 제1 가중치들 각각을 적용하는 단계
    를 포함하는,
    배터리 상태 추정 방법.
  4. 제1항에 있어서,
    상기 추가 특징 벡터를 생성하는 단계는,
    상기 추가 타겟 구간에서 추출된 데이터를 인코딩하여 상기 추가 특징 벡터를 생성하는 단계
    를 포함하는,
    배터리 상태 추정 방법.
  5. 제1항에 있어서,
    상기 센싱 데이터에 상기 타겟 구간들 각각을 랜덤하게 설정하는 단계
    를 더 포함하는,
    배터리 상태 추정 방법.
  6. 제1항에 있어서,
    상기 타겟 구간들 각각의 길이는 서로 다른,
    배터리 상태 추정 방법.
  7. 제1항에 있어서,
    상기 타겟 구간들 중 가장 안정적인 패턴 변화를 보이는 타겟 구간과 관련된 특징 벡터에 상기 제1 가중치들 중 최대 가중치가 적용되는,
    배터리 상태 추정 방법.
  8. 제1항 내지 제7항 중 어느 하나의 항의 방법을 실행하기 위한 인스트럭션들을 저장하는 컴퓨터 판독 가능한 저장 매체.
  9. 배터리의 센싱 데이터에 설정된 타겟 구간들 각각에서 데이터를 추출하고, 상기 추출된 데이터들에 대한 특징(feature) 벡터들을 생성하며, 상기 생성된 특징 벡터들에 제1 가중치들을 적용하고, 상기 제1 가중치들이 적용된 특징 벡터들을 머지(merge)하고, 상기 머지 결과를 기초로 상기 배터리의 상태 정보를 결정하는 컨트롤러
    를 포함하고,
    상기 컨트롤러는,
    상기 상태 정보에 대한 업데이트 이벤트가 발생한 경우 상기 센싱 데이터에 추가 타겟 구간을 설정하고, 상기 추가 타겟 구간에서 데이터를 추출하여 추가 특징 벡터를 생성하며, 상기 생성된 특징 벡터들 중 일부와 상기 생성된 추가 특징 벡터에 제2 가중치들을 적용한 결과를 기초로, 상기 상태 정보를 업데이트하는,
    배터리 상태 추정 장치.
  10. 제9항에 있어서,
    상기 컨트롤러는 상기 타겟 구간들에서 추출된 데이터들을 샘플링하고, 상기 샘플링된 데이터들을 인코딩하여 상기 특징 벡터들을 생성하는,
    배터리 상태 추정 장치.
  11. 제9항에 있어서,
    상기 컨트롤러는 상기 생성된 특징 벡터들 및 상기 배터리의 이전 상태 정보를 기초로 상기 제1 가중치들을 계산하고, 상기 생성된 특징 벡터들 각각에 상기 계산된 제1 가중치들 각각을 적용하는,
    배터리 상태 추정 장치.
  12. 제9항에 있어서,
    상기 컨트롤러는,
    상기 추가 타겟 구간에서 추출된 데이터를 인코딩하여 상기 추가 특징 벡터를 생성하는,
    배터리 상태 추정 장치.
  13. 제9항에 있어서,
    상기 컨트롤러는 상기 센싱 데이터에 상기 타겟 구간들 각각을 랜덤하게 설정하는,
    배터리 상태 추정 장치.
  14. 제9항에 있어서,
    상기 타겟 구간들 각각의 길이는 서로 다른,
    배터리 상태 추정 장치.
  15. 제9항에 있어서,
    상기 타겟 구간들 중 가장 안정적인 패턴 변화를 보이는 타겟 구간과 관련된 특징 벡터에 상기 제1 가중치들 중 최대 가중치가 적용되는,
    배터리 상태 추정 장치.
  16. 배터리의 센싱 데이터에 설정된 타겟 구간들 각각에서 데이터를 추출하고, 상기 추출된 데이터들 및 상태 추정 모델을 기초로 상기 배터리의 상태 정보를 결정하는 컨트롤러
    를 포함하고,
    상기 상태 추정 모델은,
    상기 추출된 데이터들에 대한 특징(feature) 벡터들을 생성하는 제1 레이어;
    상기 생성된 특징 벡터들에 제1 가중치들을 적용하고, 상기 제1 가중치들이 적용된 특징 벡터들을 머지(merge)하는 제2 레이어; 및
    상기 머지 결과를 기초로 상기 배터리의 상태 정보를 결정하는 제3 레이어
    를 포함하고,
    상기 상태 정보에 대한 업데이트 이벤트가 발생한 경우,
    상기 컨트롤러는 상기 센싱 데이터에 추가 타겟 구간을 설정하고, 상기 추가 타겟 구간에서 데이터를 추출하며,
    상기 제1 레이어는 상기 추가 타겟 구간에서 추출된 데이터에 대한 추가 특징 벡터를 생성하고,
    상기 제2 레이어는 상기 생성된 특징 벡터들 중 일부와 상기 생성된 추가 특징 벡터에 제2 가중치들을 적용하고,
    상기 제3 레이어는 상기 생성된 특징 벡터들 중 일부와 상기 생성된 추가 특징 벡터에 상기 제2 가중치들을 적용한 결과를 기초로 상기 상태 정보를 업데이트하는,
    배터리 상태 추정 장치.
  17. 제16항에 있어서,
    상기 제1 레이어는 상기 타겟 구간들에서 추출된 데이터들 각각의 패턴 변화를 인식하는,
    배터리 상태 추정 장치.
  18. 제16항에 있어서,
    상기 제2 레이어는 상기 생성된 특징 벡터들 및 상기 배터리의 이전 상태 정보를 기초로 상기 제1 가중치들을 계산하고, 상기 생성된 특징 벡터들 각각에 상기 계산된 제1 가중치들 각각을 적용하는,
    배터리 상태 추정 장치.
  19. 제16항에 있어서,
    상기 제3 레이어는 상기 머지 결과에 회귀(regression)를 수행하여 상기 상태 정보를 결정하는,
    배터리 상태 추정 장치.
KR1020170104046A 2017-08-17 2017-08-17 배터리 상태 추정 방법 및 장치 KR102399602B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020170104046A KR102399602B1 (ko) 2017-08-17 2017-08-17 배터리 상태 추정 방법 및 장치
US15/864,405 US10928456B2 (en) 2017-08-17 2018-01-08 Method and apparatus for estimating state of battery
EP18170329.9A EP3444626A1 (en) 2017-08-17 2018-05-02 Method and apparatus for estimating state of battery
JP2018101563A JP7044634B2 (ja) 2017-08-17 2018-05-28 バッテリ状態推定方法及び装置
CN201810916398.1A CN109425836B (zh) 2017-08-17 2018-08-13 用于估计电池的状态的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170104046A KR102399602B1 (ko) 2017-08-17 2017-08-17 배터리 상태 추정 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20190019316A KR20190019316A (ko) 2019-02-27
KR102399602B1 true KR102399602B1 (ko) 2022-05-18

Family

ID=62134066

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170104046A KR102399602B1 (ko) 2017-08-17 2017-08-17 배터리 상태 추정 방법 및 장치

Country Status (5)

Country Link
US (1) US10928456B2 (ko)
EP (1) EP3444626A1 (ko)
JP (1) JP7044634B2 (ko)
KR (1) KR102399602B1 (ko)
CN (1) CN109425836B (ko)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101904868B1 (ko) * 2017-04-28 2018-10-10 효성중공업 주식회사 변전소의 자산 관리 방법
US11131713B2 (en) * 2018-02-21 2021-09-28 Nec Corporation Deep learning approach for battery aging model
CN111086414A (zh) * 2019-11-21 2020-05-01 浙江大学宁波理工学院 一种基于极限神经网络的快速充电设备及其方法
CN111340975A (zh) * 2020-02-20 2020-06-26 东软睿驰汽车技术（沈阳）有限公司 异常数据特征提取方法、装置、设备及存储介质
KR20220049379A (ko) 2020-10-14 2022-04-21 주식회사 엘지에너지솔루션 모듈 변형도 추정 장치 및 방법
JP7136175B2 (ja) * 2020-12-22 2022-09-13 カシオ計算機株式会社 データ処理装置、電子機器、データ処理方法及びプログラム
KR102620444B1 (ko) * 2021-03-04 2024-01-03 한국에너지기술연구원 배터리 상태 추정 장치 및 배터리 상태 추정 모델 학습 장치
CN113866638A (zh) * 2021-08-24 2021-12-31 陈九廷 一种电池参数推测方法、装置、设备及介质
CN113589189B (zh) * 2021-08-30 2022-09-13 武汉理工大学 基于充放电数据特征的锂电池健康状况预测方法及装置
CN114266278B (zh) * 2021-12-29 2024-02-20 合肥工业大学 一种基于双重注意力网络的设备剩余使用寿命预测方法
KR20230109916A (ko) * 2022-01-14 2023-07-21 주식회사 엘지에너지솔루션 배터리 상태 추정 방법 및 그 방법을 제공하는 배터리 시스템
CN114744309B (zh) * 2022-06-09 2022-09-02 深圳凌奈智控有限公司 基于bms的电池安全管理方法、装置、设备及存储介质

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10335928B4 (de) * 2003-08-06 2006-11-09 Vb Autobatterie Gmbh Verfahren zur Ermittlung einer von der Elektrolytkonzentration und/oder Elektrolytverteilung abhängigen auf den Ladezustand einer Speicherbatterie bezogenen Kenngröße
JP4587299B2 (ja) 2005-02-14 2010-11-24 株式会社デンソー 車両用蓄電装置の内部状態検出方式
US8258751B2 (en) 2007-11-15 2012-09-04 Broadcom Corporation Method and system for tracking battery state-of-health based on charging information
US20130069660A1 (en) 2010-02-17 2013-03-21 Julien Bernard Method for in situ battery diagnostic by electrochemical impedance spectroscopy
JP5552449B2 (ja) 2011-01-31 2014-07-16 日本電信電話株式会社 データ分析及び機械学習処理装置及び方法及びプログラム
US20140180614A1 (en) * 2012-12-26 2014-06-26 Robert Bosch Gmbh System And Method For Selective Estimation Of Battery State With Reference To Persistence Of Excitation And Current Magnitude
US9483728B2 (en) 2013-12-06 2016-11-01 International Business Machines Corporation Systems and methods for combining stochastic average gradient and hessian-free optimization for sequence training of deep neural networks
KR102205293B1 (ko) * 2014-04-18 2021-01-20 삼성전자주식회사 배터리 수명의 추정에서 발생하는 오차를 보정하는 방법 및 장치
KR102215450B1 (ko) 2014-06-24 2021-02-15 삼성전자주식회사 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
KR102221756B1 (ko) * 2014-07-18 2021-03-02 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR102241683B1 (ko) * 2014-07-30 2021-04-19 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR102357351B1 (ko) * 2015-01-07 2022-01-28 삼성전자주식회사 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법
KR20160090140A (ko) * 2015-01-21 2016-07-29 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR102332399B1 (ko) * 2015-02-06 2021-11-29 삼성전자주식회사 배터리 상태 추정 장치 및 방법
KR20160101506A (ko) 2015-02-17 2016-08-25 삼성전자주식회사 배터리 신호 세그먼트 데이터의 확률 추론을 기반으로 한 배터리 상태 추정 방법 및 장치
KR102468895B1 (ko) 2015-07-21 2022-11-21 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
US10114079B2 (en) * 2016-02-24 2018-10-30 Ford Global Technologies, Llc System and method for identifying vehicle battery decay
CN106250103A (zh) 2016-08-04 2016-12-21 东南大学 一种卷积神经网络循环卷积计算数据重用的系统
CN106875098A (zh) * 2017-01-19 2017-06-20 华北电力大学 一种充电设施对动力电池安全事故预警能力量化评价方法

Also Published As

Publication number Publication date
CN109425836A (zh) 2019-03-05
US20190056452A1 (en) 2019-02-21
JP2019036527A (ja) 2019-03-07
US10928456B2 (en) 2021-02-23
JP7044634B2 (ja) 2022-03-30
CN109425836B (zh) 2022-12-13
KR20190019316A (ko) 2019-02-27
EP3444626A1 (en) 2019-02-20

Similar Documents

Publication Publication Date Title
KR102399602B1 (ko) 배터리 상태 추정 방법 및 장치
US10170924B2 (en) Modeling a change in battery degradation
KR102241683B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
US11813962B2 (en) Supplying power to an electric vehicle
Zhang et al. Long short-term memory recurrent neural network for remaining useful life prediction of lithium-ion batteries
US10101406B2 (en) Method and apparatus for estimating state of battery
KR20180128961A (ko) 다수의 옵저버를 갖는 배터리 관리 시스템
KR102636362B1 (ko) 배터리 상태 추정 방법 및 장치
CN110290972B (zh) 估计电池单体的充电状态的方法
KR102530223B1 (ko) 배터리의 잔존 유효 수명을 예측하는 방법 및 시스템
Mazzi et al. State of charge estimation of an electric vehicle's battery using tiny neural network embedded on small microcontroller units
KR20200087494A (ko) 배터리 관리 방법 및 장치
Li et al. State of charge estimation of Li-ion batteries based on deep learning methods and particle-swarm-optimized Kalman filter
CN110303941B (zh) 一种电池均衡方法、系统、设备以及介质
EP4160235A1 (en) Method and device with battery model optimization
KR20210016828A (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
CN117233657A (zh) 短路检测方法和设备、以及电子设备
US20220284747A1 (en) System and method for forecasting battery state with imperfect data
Yravedra et al. A complete machine learning approach for predicting lithium-ion cell combustion
Kim et al. Voltage prediction of drone battery reflecting internal temperature
EP4152558A1 (en) Smartcell battery architectures and methodologies
CN111626491B (zh) 交通工具的状态预测方法、装置、服务器和存储介质
Fan et al. State of charge prediction for lithium-ion batteries
CN116706281A (zh) 电池充电的方法、装置、电子设备及计算机可读存储介质
CN117668631A (zh) 输电线路的安全隐患监测方法、装置、系统、设备及介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right