KR102399720B1 - 패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법 - Google Patents

패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법 Download PDF

Info

Publication number
KR102399720B1
KR102399720B1 KR1020140100821A KR20140100821A KR102399720B1 KR 102399720 B1 KR102399720 B1 KR 102399720B1 KR 1020140100821 A KR1020140100821 A KR 1020140100821A KR 20140100821 A KR20140100821 A KR 20140100821A KR 102399720 B1 KR102399720 B1 KR 102399720B1
Authority
KR
South Korea
Prior art keywords
battery
information
model
battery life
estimating
Prior art date
Application number
KR1020140100821A
Other languages
English (en)
Other versions
KR20160017416A (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 KR1020140100821A priority Critical patent/KR102399720B1/ko
Priority to US14/682,470 priority patent/US10598735B2/en
Publication of KR20160017416A publication Critical patent/KR20160017416A/ko
Application granted granted Critical
Publication of KR102399720B1 publication Critical patent/KR102399720B1/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

Abstract

배터리 수명을 추정하는 장치 및 방법이 제공된다. 일 실시예에 따른 배터리 수명을 추정하는 장치는, 미리 정한 인터벌에 대응하는 배터리 정보를 수집하고, 배터리 정보 및 패턴 정보를 비교하여 가장 유사한 패턴 정보를 가지는 배터리 열화 모델로부터 배터리 수명을 추정할 수 있다.

Description

패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법{METHOD AND DEVICE TO ESTIMATE BATTERY LIFE ABOUT USER CHARACTERISTIC BASED ON PATTERN INFORMATION}
이하, 배터리의 수명을 추정하는 장치 및 방법이 제공된다.
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. 캐퍼시티가 지속적으로 감소되면, 사용자가 원하는 파워, 운용 시간, 안정성을 제공하지 못하게 되므로, 배터리 교체가 필요할 수 있다.
휴대폰과 같은 소형 기기는 탑재된 배터리가 쉽게 교체될 수 있거나, 교체 시점을 사전에 알지 못하더라도 큰 불편이 없을 수 있다. 이와 달리, 전기 자동차는 배터리를 교체하기 위해 긴 시간 및 큰 비용이 소요될 수 있다. 따라서, 배터리를 교체하기 위한 시점을 결정하기 위해, 배터리의 수명 상태를 정확하게 판단하는 것이 중요할 수 있다.
일 실시예에 따르면 배터리 수명을 추정하는 방법은 미리 정한 인터벌(interval) 동안 배터리로부터 배터리 정보(battery information)를 수집하는 단계; 적어도 하나의 배터리 열화 모델로부터 상기 배터리 정보에 대응하는 패턴 정보를 나타내는 배터리 열화 모델을 선택하는 단계; 및 상기 선택된 배터리 열화 모델에 기초하여, 배터리 수명 정보를 추정하는 단계를 포함할 수 있다.
상기 적어도 하나의 배터리 열화 모델의 각각은, 사용자 특성에 의한 배터리의 열화가 기저장된 기준 정보에 기초하여 모델링될 수 있다.
상기 패턴 정보는, 상기 기준 정보가 미리 정한 인터벌마다 분할될 수 있다.
상기 배터리 열화 모델을 선택하는 단계는, 상기 수집된 배터리 정보를 상기 적어도 하나의 배터리 열화 모델 각각의 패턴 정보와 비교하는 단계; 및 상기 비교한 결과에 기초하여, 상기 적어도 하나의 배터리 열화 모델로부터 상기 수집된 배터리 정보와 가장 유사한 패턴 정보를 나타내는 배터리 열화 모델을 선택하는 단계를 포함할 수 있다.
상기 배터리 열화 모델을 선택하는 단계는, 상기 수집된 배터리 정보 및 상기 적어도 하나의 배터리 열화 모델 각각 간의 유사도(similarity level)를 산출하는 단계; 및 미리 정한 임계값을 초과하는 유사도에 대응하는 배터리 열화 모델을 선택하는 단계를 포함할 수 있다.
상기 유사도를 산출하는 단계는, 상기 수집된 배터리 정보 및 상기 적어도 하나의 배터리 열화 모델에 대응하는 패턴 정보 간의 거리(distance) 비교, 히스토그램 비교, 및 분포 비교 중 적어도 하나에 기초하여 상기 유사도를 산출하는 단계를 포함할 수 있다.
상기 배터리 열화 모델을 선택하는 단계는, 상기 배터리 정보에 대응하는 패턴 정보를 나타내는 복수의 배터리 열화 모델을 선택하는 단계; 및 상기 선택된 복수의 배터리 열화 모델 각각에 상기 수집된 배터리 정보와의 유사도에 기초한 가중치를 적용하는 단계를 포함할 수 있다.
상기 배터리 수명 정보를 추정하는 단계는, 상기 가중치가 적용된 복수의 배터리 열화 모델을 결합한 복합 모델에 기초하여, 상기 배터리 수명 정보를 추정하는 단계를 포함할 수 있다.
상기 배터리 수명 정보는, 배터리 수명 및 배터리 수명 변화량 중 적어도 하나를 포함할 수 있다.
다른 일 실시예에 따르면, 배터리 수명을 추정하는 장치는 미리 정한 인터벌 동안 배터리로부터 배터리 정보를 수집하는 배터리 정보 수집부(battery information collector); 적어도 하나의 배터리 열화 모델로부터 상기 배터리 정보에 대응하는 패턴 정보를 나타내는 배터리 열화 모델을 선택하는 모델 결정부(model determiner); 및 상기 선택된 배터리 열화 모델에 기초하여, 배터리 수명 정보를 추정하는 배터리 수명 추정부(battery life estimator)를 포함할 수 있다.
상기 적어도 하나의 배터리 열화 모델의 각각은, 사용자 특성에 의한 배터리의 열화가 기저장된 기준 정보에 기초하여 모델링될 수 있다.
상기 패턴 정보는, 상기 기준 정보가 미리 정한 인터벌마다 분할될 수 있다.
상기 모델 결정부는, 상기 수집된 배터리 정보를 상기 적어도 하나의 배터리 열화 모델 각각의 패턴 정보와 비교하여, 상기 적어도 하나의 배터리 열화 모델로부터 상기 수집된 배터리 정보와 가장 유사한 패턴 정보를 나타내는 배터리 열화 모델을 선택할 수 있다.
상기 모델 결정부는, 상기 수집된 배터리 정보 및 상기 적어도 하나의 배터리 열화 모델 각각 간의 유사도(similarity level)를 산출하고, 미리 정한 임계값을 초과하는 유사도에 대응하는 배터리 열화 모델을 선택할 수 있다.
상기 모델 결정부는, 상기 수집된 배터리 정보 및 상기 적어도 하나의 배터리 열화 모델에 대응하는 패턴 정보 간의 거리(distance) 비교, 히스토그램 비교, 및 분포 비교 중 적어도 하나에 기초하여 상기 유사도를 산출할 수 있다.
상기 모델 결정부는, 상기 배터리 정보에 대응하는 패턴 정보를 나타내는 복수의 배터리 열화 모델을 선택하고, 상기 선택된 복수의 배터리 열화 모델 각각에 상기 수집된 배터리 정보와의 유사도에 기초한 가중치를 적용할 수 있다.
상기 배터리 수명 추정부는, 상기 가중치가 적용된 복수의 배터리 열화 모델을 결합한 복합 모델에 기초하여, 상기 배터리 수명 정보를 추정할 수 있다.
상기 배터리 수명 정보는, 배터리 수명 및 배터리 수명 변화량 중 적어도 하나를 포함할 수 있다.
상기 배터리 정보는, 상기 배터리로부터 센싱되는 전압, 전류, 상기 배터리의 표면 온도, 및 상기 배터리의 주변 온도 중 적어도 하나를 포함할 수 있다.
도 1 내지 도 3은 일 실시예에 따른 패턴 정보들의 예시를 도시한다.
도 4는 일 실시예에 따른 테스트 패턴 정보를 도시한다.
도 5는 도 4에 도시된 테스트 패턴 정보에 대해 추정된 SOH(State of Health)를 도시한다.
도 6은 일 실시예에 따른 배터리 수명을 추정하는 장치의 구성을 도시한 블럭도이다.
도 7은 일 실시예에 따른 배터리 수명을 추정하는 장치가 적용된 기기(application)의 예시적인 구성을 도시한 블럭도이다.
도 8은 일 실시예에 따른 배터리 열화 모델을 학습하는 장치의 예시적인 구성을 도시한 블럭도이다.
도 9 내지 도 12는 일 실시예에 따른 사용자 특성에 대응하는 패턴 정보들의 예시를 도시한다.
도 13은 일 실시예에 따른 배터리 정보의 예시를 도시한다.
도 14는 일 실시예에 따른 기준 정보의 예시를 도시한다.
도 15는 다른 일 실시예에 따른 배터리 정보의 예시를 도시한다.
도 16은 일 실시예에 따른 배터리 정보 및 패턴 정보의 비교를 도시한다.
도 17은 일 실시예에 따른 기준 정보의 시분할(time-division)에 대응하는 패턴 정보의 예시를 도시한다.
도 18 및 도 19는 일 실시예에 따른 기준 정보의 구간 분할(section division)에 대응하는 패턴 정보의 예시를 도시한다.
도 20은 일 실시예에 따른 미리 정한 인터벌에 대응하는 배터리 수명 정보의 예시를 도시한다.
도 21은 일 실시예에 따른 배터리 수명을 추정하는 방법을 개괄적으로 도시한 순서도이다.
도 22는 일 실시예에 따른 배터리 수명을 추정하는 방법을 세부적으로 도시한 순서도이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
상술한 이차 전지(예를 들어, 리튬 이온 이차 전지)는 재충전이 가능할 수 있다. 리튬 이온 이차 전지는 열 관리가 잘못될 경우, 폭발할 위험성이 있을 수 있다. 이러한 리튬 이온 이차 전지가 폭발할 위험성을 최대한 낮추기 위해 배터리 관리 시스템(BMS, Battery Management System)을 통해 배터리를 관리할 수 있다. 이하에서, 배터리는 리튬 이온 이차 전지를 포함할 수 있으나, 이로 한정하는 것은 아니고, 충전 및 방전될 수 있는 모든 배터리를 포함할 수 있다.
배터리 관리 시스템은 배터리의 폭발 위험성을 낮추고, 수명을 늘릴 수 있다. 예를 들어, 배터리 관리 시스템은 배터리의 교체 시기를 사용자에게 알릴 수 있다. 배터리를 일정기간 이상 사용하면 열화(예를 들어, 노화)가 되어 배터리의 성능이 저하되므로, 사용자는 배터리를 교체해야 할 수 있다.
예를 들어, 배터리가 제조되는 시점의 용량을 100%라면, 사용에 의해 배터리의 용량이 80% 정도가 되면, 해당 배터리는 교체가 필요한 시점에 다다른 것이다. 80% 이하의 용량에서는 배터리의 출력이 저하되고 충전 및 방전 시에 전력 손실이 증가되어 배터리의 사용이 사실상 어려울 수 있기 때문이다.
상술한 배터리의 교체 시기는 배터리 수명으로 나타낼 수 있다. 배터리 수명은 SOH(State Of Health)에 의해 정량화될 수 있다. 일반적으로 SOH는 배터리의 용량을 기준으로 추정될 수 있다. 여기서, SOH는 (배터리의 현재 용량)/(배터리의 초기 용량)*100 %로 나타낼 수 있다.
배터리 관리 시스템이 배터리 교체 시기를 사용자에 알려주기 위해서, SOH을 정확히 측정하는 것이 중요할 수 있다. 실생활에서 SOH는 배터리의 용량 감소에 기초하여 추정될 수 있다. 다만, 배터리의 용량 감소는 표준 충전/방전(charge/discharge) 조건, 예를 들어 완전 방전 후 완전 충전이 되는 조건을 만족하는 상태에서만 정확하게 측정될 수 있다.
다만, 실제 운용되고 있는 전기 자동차에서 상술한 표준 충전/방전 조건이 충족될 가능성은 크지 않을 수 있다. 예를 들어, 전기 자동차의 경우, 운전자가 전기 자동차를 운행하다가 배터리가 완전 방전되기 전(예를 들어, 전기 자동차가 도로 상에서 시동이 꺼지기 전)에 충전해야 하기 때문이다. 또한, 배터리의 완전 방전은 배터리 수명에 직접적인 영향을 주고, 배터리 수명 자체를 감소시킬 수 있다. 결과적으로 실생활에서 배터리의 완전 방전은 회피되어야 하므로, 표준 충전/방전 조건이 충족되기 어려울 수 있다..
일 실시예에 따르면, 배터리의 수명을 추정하기 위해, 배터리로부터 센싱한 데이터(예를 들어, 배터리의 전류, 전압, 온도 등)의 패턴 정보를 수집하고, 분석하며, 학습할 수 있다. 상술한 패턴 정보의 학습에 기초하여 배터리 수명(예를 들어, SOH)이 추정될 수 있다. 예를 들어, 배터리로부터 수집된 배터리 정보가 특정 패턴 정보에 대응하는 것으로 판단되는 경우, 배터리 정보를 특정 패턴 정보에 대응하는 배터리 열화 모델에 적용함으로써 배터리 수명이 추정될 수 있다.
상술한 패턴 정보를 분석하고 학습하는 방식은 배터리로부터 센싱된 데이터를 이용하여 배터리의 물리적인 특성 및 화학적인 특성과 무관하게 배터리의 용량 변화를 추정하여 SOH를 추정 할 수 있다.
이하, 본 명세서에서 패턴 정보는 미리 정한 인터벌 동안 임의의 사용자 특성을 가지고 열화되는 배터리 정보로서, 예를 들어, 임의의 사용자 특성을 가지고 열화되는 배터리의 전류, 전압, 온도 및 SOH 등을 포함할 수 있다. 예를 들어, 패턴은 임의의 사용자 특성을 가지고 열화되는 배터리 정보의 형태 및 경향 등을 포함할 수 있다.
이하, 본 명세서에서 배터리 정보는 배터리로부터 수집될 수 있는 모든 정보로서, 예를 들어, 배터리로부터 센싱한 전압, 전류 및 온도 등을 포함할 수 있다.
이하, 본 명세서에서 사용자 특성은, 사용자가 임의의 방식으로 배터리가 장착된 기기를 이용하는 동안 배터리 정보에서 나타나는 특성을 나타낼 수 있다. 예를 들어, 배터리가 장착된 기기가 전기 자동차인 경우, 사용자 특성은 시내 주행 특성, 고속도로 주행 특성, 교외 주행 특성, 및 저가속(low acceleration) 특성 등을 포함할 수 있다. 예를 들어, 배터리가 장착된 기기가 스마트 기기(예를 들어, 스마트폰 및 태블릿 PC 등)인 경우, 사용자 특성은 웹브라우징 특성, 게임 특성, 동영상 특성, 및 전화 특성 등을 포함할 수 있다.
예를 들어, 시내 주행 특성은 사용자가 전기 자동차를 시내에서 주행시키는 경우 배터리 정보에서 나타나는 특성을 나타낼 수 있다. 고속도로 주행 특성은 사용자가 전기 자동차를 고속도로에서 주행시키는 경우 배터리 정보에서 나타나는 특성을 나타낼 수 있다. 교외 주행 특성은 사용자가 전기 자동차를 교외에서 주행시키는 경우 배터리 정보에서 나타나는 특성을 나타낼 수 있다. 저가속 특성은 사용자가 전기 자동차를 저가속으로 주행시키는 경우 배터리 정보에서 나타나는 특성을 나타낼 수 있다.
예를 들어, 웹브라우징 특성은 사용자가 스마트 기기에서 웹브라우져를 구동하는 경우 배터리 정보에서 나타나는 특성을 나타낼 수 있다. 게임 특성은 사용자가 스마트 기기에서 게임 어플리케이션을 구동하는 경우 배터리 정보에서 나타나는 특성을 나타낼 수 있다. 동영상 특성은 사용자가 스마트 기기를 통해 동영상을 시청하는 경우 배터리 정보에서 나타나는 특성을 나타낼 수 있다. 전화 특성은 사용자가 스마트 기기를 전화 용도로만 사용하는 경우 나타나는 특성을 나타낼 수 있다.
도 1 내지 도 3은 일 실시예에 따른 패턴 정보들의 예시를 도시한다.
도 1 내지 도 3은 다양한 특성을 나타내는 예시적인 패턴 정보들로서, 패턴 정보들은 각각 서로 다른 특성을 가지고 열화되는 전류(110, 210, 310), 전압(120, 220, 320) 및 SOH(130, 230, 330)를 포함할 수 있다. 예를 들어, 도 1 내지 도 3에 도시된 바와 같은 많은 종류의 특성을 나타내는 패턴 정보들은 배터리 열화의 학습에 다양성 특성들을 반영하기 위해 이용될 수 있다.
다만, 패턴 정보의 종류는 배터리를 사용하는 개인의 수(예를 들어, 전기 자동차에 장착되는 배터리의 경우 전기 자동차를 보유한 개인의 수)만큼 다양할 수 있다. 또한, 모든 패턴 정보를 학습하기에는 패턴 정보의 길이도 지나치게 길 수 있는 바, 예를 들어, 배터리 수명을 약 10년으로 가정할 경우, 각 패턴 정보당 365일* 10년x24시간x3600초= 3억1536만 초의 길이에 해당하는 정보가 요구될 수 있다.
매우 다양한 종류의 패턴 정보가 학습에 적용되는 경우, 배터리 수명의 추정의 정확도가 저하될 수 있다. 구체적으로는 하기 도 4 및 도 5에서 상세히 설명한다.
도 4는 일 실시예에 따른 테스트 패턴 정보를 도시한다. 도 5는 도 4에 도시된 테스트 패턴 정보에 대해 추정된 SOH(State of Health)를 도시한다.
테스트 패턴 정보에 기초하여 학습된 배터리 열화 모델로부터 추정된 배터리 수명은 패턴의 변화에 대해 민감하여, 하나의 패턴 정보만 학습된 배터리 열화 모델에 대해 다른 종류의 패턴 정보를 나타내는 데이터가 입력될 경우 배터리 수명이 잘못 추정될 수 있다. 예를 들면, 온도, 전압 및 전류 등이 자주 바뀌는 특성을 나타내는 패턴 정보와 온도, 전압 및 전류가 일정하게 유지되는 특성을 나타내는 패턴 정보에 대해 학습된 배터리 열화 모델들로부터 추정되는 배터리 수명들(예를 들어, SOH)은 서로 다를 수 있다.
배터리 수명의 추정의 정확성 향상을 위해, 다양한 종류의 패턴 정보에 기초하여 배터리 열화 모델이 학습될 수 있다. 다만, 상술한 바와 같이 배터리를 사용하는 기기 및 개인의 수만큼의 많은 종류의 패턴 정보가 존재하므로, 모든 종류의 패턴 정보를 수집하여 배터리 열화 모델을 학습시키는 것을 불가능할 수 있다. 더 나아가, 학습되는 패턴 정보의 종류가 많아질 수록, 오버 피팅(over-fitting)이 발생하면서 오히려 배터리 수명 추정의 정확도가 저하될 수 있다.
예를 들어, 도 5에서는 많은 종류의 패턴 정보가 학습된 배터리 열화 모델로부터 도 4에 도시된 전류(410) 및 전압(420)에 대응하는 SOH(530)가 추정될 수 있다. 도 4에 도시된 패턴 정보의 실제 SOH(430)와 도 5에 도시된 패턴 정보에 대해 추정된 SOH(530)는 서로 전혀 상이할 수 있다. 이와 같이, 다양한 종류의 패턴 정보들이 혼합되어 학습될 수록, 배터리 수명의 추정 결과는 패턴 정보들의 평균적인 값으로 수렴하게 되므로 정확도가 저하될 수 있다.
도 6은 일 실시예에 따른 배터리 수명을 추정하는 장치의 구성을 도시한 블럭도이다.
배터리 수명을 추정하는 장치(600)는 배터리 정보 수집부(battery information collector)(610), 모델 결정부(model determiner)(620), 및 배터리 수명 추정부(battery life estimator)(630)를 포함할 수 있다.
배터리 정보 수집부(610)는 미리 정한 인터벌 동안 배터리로부터 배터리 정보를 수집할 수 있다. 여기서, 미리 정한 인터벌은 수집된 배터리 정보가 패턴을 나타낼 수 있는 시간적 길이로서, 패턴 정보의 인터벌과 동일한 길이로 결정될 수 있다.
모델 결정부(620)는 적어도 하나의 배터리 열화 모델로부터 상기 배터리 정보에 대응하는 패턴 정보를 나타내는 배터리 열화 모델을 선택할 수 있다. 여기서, 적어도 하나의 배터리 열화 모델의 각각은, 사용자 특성에 의한 배터리의 열화가 기저장된 기준 정보에 기초하여 모델링될 수 있다.
또한, 모델 결정부(620)는 배터리 정보에 대응하는 패턴 정보를 나타내는 복수의 배터리 열화 모델을 선택하고, 선택된 복수의 배터리 열화 모델 각각에 수집된 배터리 정보와의 유사도에 기초한 가중치를 적용할 수 있다.
기준 정보는 배터리 열화 모델의 학습에 이용되는 정보로서, 시뮬레이션된 배터리 정보 및 임의의 사용자가 배터리를 사용한 이력으로부터 기 수집된 배터리 정보 등을 포함할 수 있다. 패턴 정보는, 상술한 기준 정보가 미리 정한 인터벌마다 분할된 정보를 나타낼 수 있다.
일 실시예에 따르면, 임의의 사용자 특성을 나타내는 기준 정보의 패턴 정보에 맞춤화된 배터리 열화 모델이 생성될 수 있다. 기준 정보에 기초한 배터리 열화 모델의 학습은 하기 도 8에서 상세히 설명한다.
배터리 수명 추정부(630)는 선택된 배터리 열화 모델에 기초하여, 배터리 수명 정보를 추정할 수 있다. 여기서, 배터리 수명 정보는, 배터리 수명 및 배터리 수명 변화량을 포함할 수 있다.
또한, 배터리 수명 추정부(630)는 복수의 배터리 열화 모델이 선택된 경우, 가중치가 적용된 복수의 배터리 열화 모델을 결합한 복합 모델에 기초하여, 배터리 수명 정보를 추정할 수 있다. 여기서, 복합 모델은 복수의 열화 모델 각각에 대해 가중치를 적용하여 결합함으로써 생성될 수 있다. 예를 들어, 복합 모델의 파라미터가 선택된 복수의 열화 모델의 각 파라미터의 가중된 합(weighted sum)이거나, 복합 모델의 결과가 각 배터리 열화 모델의 배터리 수명 추정 결과의 가중된 합(weighted sum)일 수 있다.
일 실시예에 따른 배터리 수명을 추정하는 장치(600)는 실시간으로 배터리 정보를 수집하여 다양한 종류의 패턴 정보와의 일치 여부를 판단하고, 일치하는 패턴 정보에 해당하는 배터리 열화 모델을 사용하여 배터리 수명 정보를 추정할 수 있다.
예를 들어, 배터리가 전기 자동차에 장착되는 경우, 고속모드, 중속모드, 및 저속모드 등의 사용자 특성에 대응하는 배터리 열화 모델들이 생성될 수 있다. 배터리 수명을 추정하는 장치(600)는 실시간으로 수집된 미리 정한 인터벌의 배터리 정보를 각 배터리 열화 모델의 패턴 정보와 비교하여, 가장 유사한 패턴을 나타내는 배터리 열화 모델을 선택할 수 있다. 배터리 수명을 추정하는 장치(600)는 배터리 열화 모델로부터 배터리 용량 및 용량의 변화 중 적어도 하나를 추정함으로써 배터리의 SOH를 추정할 수 있다.
일 실시예에 따르면, 미리 정한 인터벌 동안 수집된 배터리 정보에 대해 맞춤형 배터리 열화 모델이 적용되어 배터리 수명이 추정되므로, 다양한 종류의 패턴 정보를 학습하는 경우 발생하는 오버피팅이 방지될 수 있다. 예를 들어, 배터리 수명을 추정하는 장치(600)는 사용자 특성에 따라 복수의 배터리 열화 모델을 생성하고, 미리 정한 인터벌 동안 수집된 실시간 배터리 정보에 대해 비슷한 패턴을 가진 배터리 열화 모델을 비교 및 선택함으로써 보다 정확한 배터리 수명 정보를 추정할 수 있다.
도 7은 일 실시예에 따른 배터리 수명을 추정하는 장치가 적용된 기기(application)의 예시적인 구성을 도시한 블럭도이다.
일 실시예에 따른 기기(700)는 배터리 수명을 추정하는 장치(701) 및 디스플레이부(702)를 포함할 수 있다. 여기서, 배터리 수명을 추정하는 장치(701)는 배터리 정보 수집부(710), 모델 결정부(720) 및 배터리 수명 추정부(730)를 포함할 수 있다. 예를 들어, 기기(700)는 배터리가 사용되는 모든 전기 기기로서, 전기 자동차, 스마트폰 등을 포함할 수 있다.
배터리 정보 수집부(710)는 배터리 정보 센싱부(711) 및 배터리 이력 수집부(712)를 포함할 수 있다.
배터리 정보 센싱부(711)는 배터리 정보를 실시간으로 센싱할 수 있다. 배터리 정보는 배터리로부터 센싱한 전압, 전류, 배터리의 표면 온도, 및 배터리의 주변 온도 등을 포함할 수 있다. 예를 들어, 배터리 정보 센싱부(711)는 배터리 정보를 디지털 형태로 센싱할 수 있고, 일정 단위(예를 들어, 1초 단위, 그 이상 단위 또는 그 이하 단위)로 배터리 정보를 센싱할 수 있다.
배터리 이력 수집부(712)는 배터리가 지속적으로 사용된 이력을 저장할 수 있다. 예를 들어, 배터리 이력 수집부(712)는 배터리 정보를 미리 정한 인터벌 단위로 구분하여 저장할 수 있다. 배터리 이력 수집부(712)는 배터리 정보를 일시적 또는 반영구적으로 저장할 수 있다. 예를 들어, 배터리 이력 수집부(712)는 임의의 미리 정한 인터벌 동안 수집된 배터리 정보에 대한 배터리 수명 정보의 추정이 완료되면, 해당 배터리 정보를 삭제하거나 유지할 수 있다.
모델 결정부(720)는 배터리 열화 모델 저장부(721), 패턴 정보 저장부(722), 및 패턴 비교부(723)를 포함할 수 있다.
배터리 열화 모델 저장부(721)는 다양한 사용자 특성에 대응하는 배터리 열화 모델을 저장할 수 있다. 예를 들어, 사용자 특성은 배터리가 장착된 기기(700)가 전기 자동차인 경우, 고속모드 특성, 중속모드 특성, 저속모드 특성, 초저속모드 특성, 시내 주행 특성, 고속도로 주행 특성, 교외 주행 특성, 및 저가속 특성 등을 포함할 수 있다. 예를 들어, 배터리가 장착된 기기(700)가 스마트폰인 경우, 사용자 특성은 웹브라우징 특성, 게임 특성, 동영상 특성, 및 전화 특성 등을 포함할 수 있다.
또한, 배터리 열화 모델 저장부(721)는 하기 도 8에 도시된 배터리 수명을 학습하는 장치(800)로부터 사용자 특성에 따른 패턴 정보가 학습된 배터리 열화 모델을 오프라인으로 수신하여 저장할 수 있다. 예를 들어, 배터리가 장착된 기기(700)의 제조시, 배터리 수명을 학습하는 장치(800)에 의해 학습된 배터리 열화 모델과 연관된 정보가 배터리 열화 모델 저장부(721)로 입력될 수 있다.
각 배터리 열화 모델은 모델에 적용되는 학습기의 종류 및 해당 학습기의 파라미터와 연관된 정보를 포함할 수 있다. 배터리 열화 모델에 적용되는 학습기의 종류 및 파라미터는 사용자 특성에 따라 결정될 수 있고, 구체적으로는 하기 도 8에서 상세히 설명한다.
패턴 정보 저장부(722)는 각 배터리 열화 모델에 대응하는 적어도 하나의 패턴 정보를 저장할 수 있다. 여기서, 패턴 정보는 각 배터리 열화 모델에 대응하는 기준 정보가 미리 정한 인터벌마다 분할된 정보를 나타낼 수 있다.
패턴 비교부(723)는 수집된 배터리 정보를 적어도 하나의 배터리 열화 모델 각각의 패턴 정보와 비교하여, 적어도 하나의 배터리 열화 모델로부터 수집된 배터리 정보와 가장 유사한 패턴 정보를 나타내는 배터리 열화 모델을 선택할 수 있다.
예를 들어, 패턴 비교부(723)는 수집된 배터리 정보 및 적어도 하나의 배터리 열화 모델 각각 간의 유사도(similarity level)를 산출하고, 가장 높은 유사도에 대응하는 배터리 열화 모델을 선택할 수 있다. 여기서, 유사도는 패턴 정보 및 배터리 정보가 유사한 정도를 나타낸 것으로서, 예를 들어 점수 또는 비율의 형태로 산출될 수 있다. 예를 들어, 유사도를 비율의 형태로 나타내는 경우, 패턴 정보 및 배터리 정보가 서로 완전히 일치하면 유사도를 100%로 나타낼 수 있다. 유사도의 산출은 하기 도 16에서 상세히 설명한다.
배터리 수명 추정부(730)는 모델 결정부(720)에 의해 선택된 배터리 열화 모델에 기초하여, 배터리 정보로부터 배터리 수명 정보를 추정할 수 있다. 여기서, 배터리 열화 모델은 하나 또는 복수로 선택될 수 있다. 모델 결정부(720)가 복수의 배터리 열화 모델을 선택하는 경우, 배터리 수명 추정부(730)는 복수의 배터리 열화 모델이 결합된 복합 모델에 기초하여 배터리 수명 정보를 추정할 수 있다.
디스플레이부(702)는 배터리 수명 추정부(730)에 의해 추정된 배터리 수명 정보를 디스플레이할 수 있다.
도 8은 일 실시예에 따른 배터리 열화 모델을 학습하는 장치의 예시적인 구성을 도시한 블럭도이다.
배터리 열화 모델을 학습하는 장치(800)는 기준 정보 저장부(810), 모델 학습부(820), 및 배터리 열화 모델 저장부(830)를 포함할 수 있다.
기준 정보 저장부(810)는 배터리 열화 모델의 학습에 이용되는 기준 정보를 저장할 수 있다. 여기서, 기준 정보 저장부(810)는 미리 정의된 적어도 하나의 사용자 특성에 대응하여 기 수집된 기준 정보를 저장할 수 있다.
모델 학습부(820)는 상술한 기준 정보 및 기준 정보가 분할된 패턴 정보에 기초하여 각 사용자 특성에 대응하는 배터리 열화 모델을 학습할 수 있다. 모델 학습부(820)는 배터리 열화 모델을 학습하기 위한 학습기를 포함할 수 있다.
학습기는 블랙박스 함수(black-box function)를 포함할 수 있고, 블랙박스 함수에 대한 입력과 출력이 주어지면, 학습기는 해당 입력에 대응하는 출력을 생성하기 위한, 블랙박스 함수의 파라미터를 학습할 수 있다. 예를 들어, 블랙박스 함수의 파라미터는 배터리 열화 모델의 파라미터로서, 해당 배터리 열화 모델에 대응하는 사용자 특성이 반영될 수 있다. 예를 들어, 상술한 도 7의 배터리 수명 추정부(730)는 상술한 파라미터 및 학습기의 종류에 따른 블랙박스 함수에 기초하여, 배터리 정보의 입력에 응답하여 배터리 수명 정보를 출력할 수 있다.
여기서, 학습기는, 뉴럴 네트워크(Neural Network), 히든 마르코프 모델(Hidden Markov Model), 베이지안 네트워크(Beyesian Network), SVM (Support Vector Machine), 및 DT (Decision Tree) 중 하나를 포함할 수 있다.
배터리 열화 모델 저장부(830)는 상술한 모델 학습부(820)에 의해 학습된 배터리 열화 모델을 저장할 수 있다. 여기서, 배터리 열화 모델 저장부(830)에 의해 기저장된 배터리 열화 모델은 상술한 도 7의 배터리 수명을 추정하는 장치(700)로 전달될 수 있다.
도 9 내지 도 12는 일 실시예에 따른 사용자 특성에 대응하는 패턴 정보들의 예시를 도시한다.
도 9 내지 도 12에서는 예시적으로 패턴 정보 중 전류만을 도시하였으나, 이로 한정하는 것은 아니고 패턴 정보는 배터리의 전류, 전압, 온도 및 배터리 수명 등을 포함할 수 있다. 여기서, 배터리가 장착된 기기가 전기 자동차인 경우를 가정할 수 있다.
도 9는 전기 자동차가 시내를 주행하는 경우의 사용자 특성(예를 들어, 시내 주행 특성)이 나타난 패턴 정보로서, 전기 자동차가 자주 정지하게 되므로 전류가 0인 구간이 자주 나타날 수 있다.
도 10은 전기 자동차가 고속도로를 주행하는 경우의 사용자 특성(예를 들어, 고속도로 주행 특성)이 나타난 패턴 정보로서, 전기 자동차가 고속으로 주행하게 되므로 비교적 고전류가 유지되는 구간이 오래 나타날 수 있다.
도 11은 전기 자동차가 교외를 주행하는 경우의 사용자 특성(예를 들어, 교외 주행 특성)이 나타난 패턴 정보로서, 전기 자동차가 자주 가속 및 감속하게 되므로 전류 값이 도 9에 비해 비교적 크게 나타나면서도 전류가 0이 되는 구간이 자주 나타날 수 있다.
도 12는 전기 자동차가 저가속 주행하는 경우의 사용자 특성(예를 들어, 저가속 특성)이 나타난 패턴 정보로서, 전기 자동차가 저가속으로 주행하게 되므로, 전류가 0이 되는 구간이 거의 나타나지 않을 수 있다.
도 9 내지 도 12는 패턴 정보의 예시로서, 이로 한정하는 것은 아니고, 일 실시예에 따른 배터리 수명을 추정하는 장치는 다양한 사용자 특성에 대한 패턴 정보가 학습된 배터리 열화 모델을 이용할 수 있다.
도 13은 일 실시예에 따른 배터리 정보의 예시를 도시한다.
도 13은 예시적으로 배터리 정보 중 전류만을 도시하였으나, 이로 한정하는 것은 아니고 배터리 정보는 배터리의 전류, 전압, 온도 및 배터리 수명 등을 포함할 수 있다.
일 실시예에 따른 배터리 수명을 추정하는 장치는 실시간으로 배터리 정보(1301)를 센싱할 수 있고, 그 중에서 미리 정한 인터벌에 대응하는 배터리 정보(1310)를 패턴 정보와 비교할 수 있다.
도 14는 일 실시예에 따른 기준 정보의 예시를 도시한다.
도 14는 예시적으로 기준 정보 및 패턴 정보를 전류로만 도시하였으나, 이로 한정하는 것은 아니고 기준 정보 및 패턴 정보는 각각 배터리의 전류, 전압 및 온도 등을 포함할 수 있다.
일 실시예에 따르면 기준 정보(1420)는 사용자 특성에 따라 기저장된 배터리 정보(1402)를 포함할 수 있다. 또한, 기준 정보(1420)는 미리 정한 인터벌마다 분할되어 패턴 정보(1410)로서 저장될 수 있다.
도 15는 다른 일 실시예에 따른 배터리 정보의 예시를 도시한다.
예를 들어, 배터리 수명을 추정하는 장치는 배터리의 전류(1510), 전압(1520), 및 온도(1530)를 배터리 정보로서 실시간으로 센싱할 수 있다. 배터리 수명을 추정하는 장치는 패턴 정보와 비교하기 위해 미리 정한 인터벌에 대응하는 배터리 정보(1501)를 저장할 수 있다.
도 15에서는 예시적으로 미리 정한 인터벌 중 하나의 인터벌만 도시하였으나, 이로 한정하는 것은 아니고, 미리 정한 인터벌은 시간축을 따라 각 시간대의 패턴 정보에 대해 설정될 수 있다.
도 16은 일 실시예에 따른 배터리 정보 및 패턴 정보의 비교를 도시한다.
일 실시예에 따른 배터리 수명을 추정하는 장치는 수집된 배터리 정보 및 배터리 열화 모델에 대응하는 패턴 정보 간의 거리(distance) 비교, 히스토그램 비교, 및 분포 비교 등에 기초하여 배터리 정보 및 패턴 정보 간의 유사도를 산출할 수 있다. 여기서, 거리는 특정 시점에서 배터리 정보의 값 및 패턴 정보의 값 간의 차이를 나타낼 수 있다. 히스토그램은 각 구간에서 배터리 정보 및 패턴 정보가 누적된 것을 나타낼 수 있고, 예를 들면, 하기 도 19에 도시된 바와 같이 나타낼 수 있다. 분포는 배터리 정보 및 패턴 정보의 시간대별 분포, 구간별 분포 등을 포함할 수 있다.
도 16에서는 배터리 정보 및 패턴 정보 간의 거리 비교를 도시한다. 예를 들어, 배터리 수명을 추정하는 장치는 미리 정한 인터벌 동안 수집된 배터리 정보의 전류(1611), 전압(1621), 온도(1631)와 패턴 정보의 전류(1612), 전압(1622), 온도(1632) 간의 거리를 비교할 수 있다. 배터리 수명을 추정하는 장치는 각 점에 대한 거리의 합이 가장 적은 패턴 정보를 상술한 배터리 정보와 가장 유사한 패턴 정보로 판단할 수 있다.
도 17은 일 실시예에 따른 기준 정보의 시분할(time-division)에 대응하는 패턴 정보의 예시를 도시한다.
예를 들어, 패턴 정보는 기준 정보(1700)가 미리 정한 인터벌로 시분할된 것에 대응할 수 있다. 도 17에서 미리 정한 인터벌에 대응하는 제1 패턴 정보(1711) 및 제2 패턴 정보(1712)가 기준 정보(1700)로부터 분할될 수 있다. 제1 패턴 정보(1711) 및 제2 패턴 정보(1712)의 인터벌은
Figure 112014074285117-pat00001
간격으로 설정될 수 있다. 도 17에서는 미리 정한 인터벌이 두 개만 도시되었으나, 이로 한정하는 것은 아니고, 예를 들어, 기준 정보의 전체 시간 구간에 대해
Figure 112014074285117-pat00002
간격마다 설정될 수 있다.
도 18 및 도 19는 일 실시예에 따른 기준 정보의 구간 분할(section division)에 대응하는 패턴 정보의 예시를 도시한다.
여기서, 구간 분할에 대응하는 패턴 정보는 기준 시간의 전체 시간 구간에 대해 구간 분할될 것일 수 있다. 다만, 이로 한정하는 것은 아니고, 패턴 정보는 도 17에 도시된 미리 정한 인터벌에 포함된 기준 정보가 구간 분할된 것을 포함할 수 있다. 예를 들어, 구간 분할에 대응하는 패턴 정보는 기준 정보의 전체 시간 구간에 대한 구간 정보 또는 일부 시간 구간에 대한 구간 정보를 포함할 수 있다. 구간 정보는 하기에서 상세히 설명한다.
도 18은 일 실시예에 따라 배터리로부터 수집된 배터리 정보를 도시한 도면이다. 도 19은 일 실시예에 따라 배터리 정보를 분할한 구간 정보를 누적하여 도시한 도면이다.
예를 들면, 배터리 수명을 추정하는 장치는, 전압, 전류, 및 온도의 미리 정한 범위(예를 들면, 도 18의 구분선)에 대응하는 각 구간에서, 배터리가 사용된 시간을 누적(예를 들면, 도 19의 입력 벡터의 각 원소)할 수 있다. 각 구간에 누적된 구간 정보에 대응하는 배터리 수명 정보(예를 들면, SOH)을 학습기에 대한 패턴 정보로 활용함으로써, 배터리 열화 모델이 획득될 수 있다.
도 18은 수집된 배터리 정보로서, 배터리의 전압, 전류 및 온도를 시간 축 상에 도시할 수 있다. 도 19는 수집된 배터리의 전압, 전류 및 온도를 도 18에 도시된 미리 정한 범위에 따라 분할된 구간 정보를 누적한 것을 도시한 것으로서, 누적된 구간 정보는 입력 벡터(input vector)의 형태로 나타낼 수 있다. 도 18에 도시된 점선은 배터리 정보를 분할하기 위해 미리 정한 범위를 나타낼 수 있다.
여기서, 입력 벡터는 배터리 정보를 분할한 구간 정보가 누적된 데이터의 집합을 나타낼 수 있다. 구간 정보는 배터리 정보를 미리 정한 범위에 따라 분할한 정보로서, 특정 구간에 해당하는 배터리 정보를 나타낼 수 있다. 또한, 구간 정보는 특정 구간에서 배터리가 동작한 시간 정보를 포함할 수 있다.
예를 들어, 제1 지점(1st point), 제2 지점 및 제3 지점(예를 들면, 지점은 시점 내지 타임 윈도우를 나타낼 수 있음)에서 도 18의 특정 구간(1810)에 대응하는 전압(예를 들면, 구간 정보)이 측정될 때마다, 도 19의 입력 벡터에서 특정 구간(1810)에 대응하는 원소(1910)에 전압이 측정된 시간을 누적할 수 있다. 본 명세서에서는 입력 벡터의 원소에 특정 구간에 대응하는 배터리 정보(예를 들어, 구간 정보)가 측정된 시간을 합산하는 것을, 구간 정보를 누적한다고 나타낼 수 있다.
도 19에서는 입력 벡터에서 전압에 대응하여 누적된 구분 정보, 전류에 대응하여 누적된 구분 정보, 및 온도에 대응하여 누적된 구분 정보가 각각 3개의 원소로만 설명의 편의상 도시되었으나, 이로 한정하는 것은 아니고 각각의 구분 정보는 미리 정한 범위의 구간 갯수에 따라 구별되어 누적될 수 있다.
도 20은 일 실시예에 따른 미리 정한 인터벌에 대응하는 배터리 수명 정보의 예시를 도시한다.
상술한 도 15 및 도 16에서 설명한 바에 따라 배터리 열화 모델이 선택되면, 배터리 수명을 추정하는 장치는 배터리 수명 정보를 추정할 수 있다. 예를 들어, 배터리 수명을 추정하는 장치는 미리 정한 인터벌 내에서의 배터리 수명의 변화량 또는 배터리 수명 자체를 추정할 수 있다. 도 20에서 배터리 수명은 SOH로 도시될 수 있다.
도 21은 일 실시예에 따른 배터리 수명을 추정하는 방법을 개괄적으로 도시한 순서도이다.
우선, 단계(2110)에서 배터리 정보 수집부는 미리 정한 인터벌 동안 배터리 정보를 수집할 수 있다. 예를 들어, 배터리 정보 수집부는 미리 정한 인터벌마다 센싱된 배터리 정보를 저장할 수 있다.
그리고 단계(2120)에서 모델 결정부는 배터리 정보에 대응하는 패턴 정보를 나타내는 배터리 열화 모델을 선택할 수 있다. 예를 들어, 모델 결정부는 배터리 정보를 패턴 정보와 비교하여, 가장 유사한 패턴 정보를 가지는 배터리 열화 모델을 선택할 수 있다.
여기서, 모델 결정부는 배터리 정보 및 패턴 정보의 형태, 히스토그램 분포, 분포의 형태, 면적 등이 유사한 지 여부를 판단할 수 있다. 예를 들어, 히스토그램의 경우는, 배터리 정보 및 패턴 정보에서 임의의 시간 구간에 대한 데이터 크기(예를 들어, 전압 값, 전류 값, 온도 값 등)에 대한 분포의 통계가 고려도리 수 있다.
예를 들어, 모델 결정부는 배터리 정보와 패턴 정보가 유사한 정도를 유사도로 산출할 수 있다. 여기서, 모델 결정부는 유사도가 미리 정한 임계값을 초과하는 패턴 정보를 가지는 배터리 열화 모델을 선택할 수 있다. 이 때, 미리 정한 임계값을 초과하는 패턴 정보가 복수인 경우, 복수의 배터리 열화 모델이 선택될 수 있으며, 유사도에 따라 가중치가 적용될 수 있다.
이어서 단계(2130)에서 배터리 수명 추정부는 배터리 열화 모델에 기초하여 배터리 수명 정보를 추정할 수 있다. 배터리 수명 추정부는 배터리 수명 자체 또는 배터리 수명의 변화량을 추정할 수 있따.
도 22는 일 실시예에 따른 배터리 수명을 추정하는 방법을 세부적으로 도시한 순서도이다.
도 21에 도시된 단계들(2110, 2120, 2130)은 도 22에 도시된 바와 같이 구체화될 수 있다.
우선, 단계(2211)에서는 배터리 정보 센싱부가 배터리 정보를 실시간으로 센싱할 수 있다. 여기서, 배터리 정보는 배터리의 전류, 전압, 온도 등을 포함할 수 있다.
그리고 단계(2212)에서는 배터리 이력 수집부가 배터리 정보를 미리 정한 인터벌 동안 모았는지 판단할 수 있다. 예를 들어, 배터리 이력 수집부는 미리 정한 인터벌에 대응하는 배터리 정보를 저장할 수 있다.
이어서 단계(2221)에서는 패턴 비교부가 배터리 정보와 패턴 정보를 비교할 수 있다. 예를 들어, 패턴 비교부는 배터리 정보 및 패턴 정보 간의 유사도를 산출할 수 있다.
그리고 단계(2222)에서는 패턴 비교부가 배터리 열화 모델을 선택할 수 있다. 예를 들어, 패턴 비교부는 가장 유사한 패턴 정보를 가지는 배터리 열화 모델을 선택할 수 있다. 또한, 패턴 비교부는 유사도가 미리 정한 임계값을 초과하는 패턴 정보를 가지는 배터리 열화 모델을 선택할 수 있다.
이어서 단계(2231)에서는 배터리 수명 추정부가 선택된 배터리 열화 모델을 통해 용량 변화 값을 추정할 수 있다. 여기서, 용량 변화 값은 배터리 수명의 변화량으로서, 미리 정한 인터벌 동안 변화한 용량 변화 값을 나타낼 수 있다.
그리고 단계(2232)에서 배터리 수명 추정부가 SOH를 추정할 수 있다. 예를 들어, 배터리 수명 추정부는 미리 정한 인터벌 시작시의 초기 용량으로부터 상술한 용량 변화 값을 가감하고, 초기 용량과의 비율을 계산함으로써, SOH를 추정할 수 있다.
도 21 및 도 22에 도시된 각 단계들에는 도 1 내지 도 20을 통하여 기술된 사항들이 그대로 적용될 수 있으므로, 보다 상세한 설명은 생략한다. 또한, 도 22는 예시적인 실시예로서, 배터리 수명을 추정하는 장치의 동작을 도 22에 도시된 바로 한정하는 것은 아니다.
일 실시예에 따른 배터리 수명을 추정하는 장치는 재충전이 가능한 배터리의 SOH를 측정하는 장치, 배터리가 장착되는 이동수단 및 전자 기기 등에 적용될 수 있다. 예를 들어, 경량화된 배터리 관리 시스템(BMS, battery managing system)에도 적용될 수 있다.
일 실시예에 따른 배터리 수명을 추정하는 장치는 배터리의 사용 방법마다 상이한 수명을 정확히 추정해냄으로써, 배터리를 사용하는 기기의 사용자에게 정확한 배터리 교체 시기를 알려줄 수 있다. 이를 통해 사용자의 전기 자동차 등에 대한 거부감을 완화시킬 수 있다.
또한, 배터리 수명을 추정하는 장치는 배터리 교체 시기를 보다 정확히 추정함으로써 배터리 열화에 의한 문제를 사전에 차단할 수 있고, 배터리에 대한 안전성이 확보될 수 있다. 더 나아가, 배터리 수명 추정 정확도가 높으므로, 배터리 교체 시기 판단이 정확해져서 불필요한 교체 비용이 감소될 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.
600: 배터리 수명을 추정하는 장치
610: 배터리 정보 수집부
620: 모델 결정부
630: 배터리 수명 추정부

Claims (22)

  1. 배터리 수명을 추정하는 방법에 있어서,
    미리 정한 인터벌(interval) 동안 배터리로부터 센싱한 전압, 전류, 상기 배터리의 표면 온도, 및 상기 배터리의 주변 온도를 포함하는 배터리 정보(battery information)를 수집하는 단계;
    상기 배터리의 상기 수집된 배터리 정보와 관련된 시간에 따른 패턴 정보를 결정하는 단계;
    뉴럴 네트워크 기반의 적어도 하나의 배터리 열화 모델로부터, 상기 수집된 배터리 정보의 상기 결정된 패턴 정보에 대응하는 패턴 정보를 나타내는 배터리 열화 모델을 선택하는 단계; 및
    상기 선택된 배터리 열화 모델에 기초하여, 배터리 수명 정보를 추정하는 단계
    를 포함하고,
    상기 배터리 열화 모델을 선택하는 단계는,
    상기 수집된 배터리 정보 및 상기 적어도 하나의 배터리 열화 모델 각각에 대응하는 패턴 정보 간의 거리(distance) 비교 및 히스토그램 비교 중 적어도 하나에 기초하여 유사도(similarity level)를 산출하는 단계; 및
    미리 정한 임계값을 초과하는 유사도에 대응하는 배터리 열화 모델을 선택하는 단계
    를 포함하며,
    상기 히스토그램은,
    상기 수집된 배터리 정보 및 패턴 정보 각각에서 특정 구간에 대응하는 배터리 정보가 측정된 시간이 누적된 것을 나타내고,
    상기 적어도 하나의 배터리 열화 모델의 각각은,
    사용자 특성에 의한 배터리의 열화가 기저장된 기준 정보에 기초하여 모델링된,
    배터리 수명을 추정하는 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 사용자 특성은,
    시내 주행 특성, 고속도로 주행 특성, 교외 주행 특성, 저가속 특성, 웹브라우징 특성, 게임 특성, 동영상 특성, 및 전화 특성 중 적어도 하나를 포함하는,
    배터리 수명을 추정하는 방법.
  4. 제1항에 있어서,
    상기 패턴 정보는,
    상기 기준 정보가 미리 정한 인터벌마다 분할된,
    배터리 수명을 추정하는 방법.
  5. 제1항에 있어서,
    상기 배터리 열화 모델을 선택하는 단계는,
    상기 수집된 배터리 정보를 상기 적어도 하나의 배터리 열화 모델 각각의 패턴 정보와 비교하는 단계; 및
    상기 비교한 결과에 기초하여, 상기 적어도 하나의 배터리 열화 모델로부터 상기 수집된 배터리 정보와 가장 유사한 패턴 정보를 나타내는 배터리 열화 모델을 선택하는 단계
    를 포함하는 배터리 수명을 추정하는 방법.
  6. 삭제
  7. 삭제
  8. 제1항에 있어서,
    상기 배터리 열화 모델을 선택하는 단계는,
    상기 배터리 정보에 대응하는 패턴 정보를 나타내는 복수의 배터리 열화 모델을 선택하는 단계; 및
    상기 선택된 복수의 배터리 열화 모델 각각에 상기 수집된 배터리 정보와의 유사도에 기초한 가중치를 적용하는 단계
    를 포함하는 배터리 수명을 추정하는 방법.
  9. 제8항에 있어서,
    상기 배터리 수명 정보를 추정하는 단계는,
    상기 가중치가 적용된 복수의 배터리 열화 모델을 결합한 복합 모델에 기초하여, 상기 배터리 수명 정보를 추정하는 단계
    를 포함하는 배터리 수명을 추정하는 방법.
  10. 제1항에 있어서,
    상기 배터리 수명 정보는,
    배터리 수명 및 배터리 수명 변화량 중 적어도 하나
    를 포함하는 배터리 수명을 추정하는 방법.
  11. 제1항, 제3항 내지 제5항 및 제8항 내지 제10항 중 어느 한 항의 방법을 수행하도록 하는 명령어들을 포함하는 하나 이상의 프로그램을 저장한 컴퓨터 판독 가능 저장매체.
  12. 배터리 수명을 추정하는 장치에 있어서,
    미리 정한 인터벌 동안 배터리로부터 센싱한 전압, 전류, 상기 배터리의 표면 온도, 및 상기 배터리의 주변 온도를 포함하는 배터리 정보를 수집하는 배터리 정보 수집부(battery information collector);
    상기 배터리의 상기 수집된 배터리 정보와 관련된 시간에 따른 패턴 정보를 결정하고, 뉴럴 네트워크 기반의 적어도 하나의 배터리 열화 모델로부터, 상기 수집된 배터리 정보의 상기 결정된 패턴 정보에 대응하는 패턴 정보를 나타내는 배터리 열화 모델을 선택하는 모델 결정부(model determiner); 및
    상기 선택된 배터리 열화 모델에 기초하여, 배터리 수명 정보를 추정하는 배터리 수명 추정부(battery life estimator)
    를 포함하고,
    상기 모델 결정부는,
    상기 수집된 배터리 정보 및 상기 적어도 하나의 배터리 열화 모델 각각에 대응하는 패턴 정보 간의 거리(distance) 비교 및 히스토그램 비교 중 적어도 하나에 기초하여 유사도(similarity level)를 산출하고, 미리 정한 임계값을 초과하는 유사도에 대응하는 배터리 열화 모델을 선택하며,
    상기 히스토그램은,
    상기 수집된 배터리 정보 및 패턴 정보 각각에서 특정 구간에 대응하는 배터리 정보가 측정된 시간이 누적된 것을 나타내고,
    상기 적어도 하나의 배터리 열화 모델의 각각은,
    사용자 특성에 의한 배터리의 열화가 기저장된 기준 정보에 기초하여 모델링된,
    배터리 수명을 추정하는 장치.
  13. 삭제
  14. 제12항에 있어서,
    상기 사용자 특성은,
    시내 주행 특성, 고속도로 주행 특성, 교외 주행 특성, 저가속 특성, 웹브라우징 특성, 게임 특성, 동영상 특성, 및 전화 특성 중 적어도 하나를 포함하는,
    배터리 수명을 추정하는 장치.
  15. 제12항에 있어서,
    상기 패턴 정보는,
    상기 기준 정보가 미리 정한 인터벌마다 분할된,
    배터리 수명을 추정하는 장치.
  16. 제12항에 있어서,
    상기 모델 결정부는,
    상기 수집된 배터리 정보를 상기 적어도 하나의 배터리 열화 모델 각각의 패턴 정보와 비교하여, 상기 적어도 하나의 배터리 열화 모델로부터 상기 수집된 배터리 정보와 가장 유사한 패턴 정보를 나타내는 배터리 열화 모델을 선택하는,
    배터리 수명을 추정하는 장치.
  17. 삭제
  18. 삭제
  19. 제12항에 있어서,
    상기 모델 결정부는,
    상기 배터리 정보에 대응하는 패턴 정보를 나타내는 복수의 배터리 열화 모델을 선택하고, 상기 선택된 복수의 배터리 열화 모델 각각에 상기 수집된 배터리 정보와의 유사도에 기초한 가중치를 적용하는,
    배터리 수명을 추정하는 장치.
  20. 제19항에 있어서,
    상기 배터리 수명 추정부는,
    상기 가중치가 적용된 복수의 배터리 열화 모델을 결합한 복합 모델에 기초하여, 상기 배터리 수명 정보를 추정하는,
    배터리 수명을 추정하는 장치.
  21. 제12항에 있어서,
    상기 배터리 수명 정보는,
    배터리 수명 및 배터리 수명 변화량 중 적어도 하나
    를 포함하는 배터리 수명을 추정하는 장치.
  22. 제12항에 있어서,
    상기 배터리 정보는,
    상기 배터리로부터 센싱되는 전압, 전류, 상기 배터리의 표면 온도, 및 상기 배터리의 주변 온도 중 적어도 하나
    를 포함하는 배터리 수명을 추정하는 장치.
KR1020140100821A 2014-08-06 2014-08-06 패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법 KR102399720B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020140100821A KR102399720B1 (ko) 2014-08-06 2014-08-06 패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법
US14/682,470 US10598735B2 (en) 2014-08-06 2015-04-09 Method and apparatus for estimating battery life corresponding to characteristic of usage based on pattern information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140100821A KR102399720B1 (ko) 2014-08-06 2014-08-06 패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20160017416A KR20160017416A (ko) 2016-02-16
KR102399720B1 true KR102399720B1 (ko) 2022-05-19

Family

ID=55267254

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140100821A KR102399720B1 (ko) 2014-08-06 2014-08-06 패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법

Country Status (2)

Country Link
US (1) US10598735B2 (ko)
KR (1) KR102399720B1 (ko)

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3010532B1 (fr) * 2013-09-11 2017-06-09 Commissariat Energie Atomique Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie
KR102215450B1 (ko) * 2014-06-24 2021-02-15 삼성전자주식회사 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
US10197631B2 (en) * 2015-06-01 2019-02-05 Verizon Patent And Licensing Inc. Systems and methods for determining vehicle battery health
DE102016112173A1 (de) * 2016-07-04 2018-01-04 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zur Einstellung
KR101846690B1 (ko) 2016-08-01 2018-05-18 현대자동차주식회사 Ｗｌｓ 기반 ｓｏｈ 추정 시스템 및 방법
US20180113500A1 (en) * 2016-10-24 2018-04-26 Wandering WiFi LLC Systems and methods for monitoring battery life
FR3061307B1 (fr) 2016-12-22 2021-05-07 Electricite De France Caracterisation perfectionnee d'un dispositif electrochimique en operation pour un pronostic de fonctionnement futur du dispositif
US11215675B2 (en) * 2017-04-17 2022-01-04 The Regents Of The University Of Michigan Method to estimate battery health for mobile devices based on relaxing voltages
US11226374B2 (en) * 2017-10-17 2022-01-18 The Board Of Trustees Of The Leland Stanford Junior University Data-driven model for lithium-ion battery capacity fade and lifetime prediction
KR101949449B1 (ko) * 2017-11-07 2019-02-18 주식회사 스마트이앤엠 배터리 수명 예측 방법 및 그 장치
KR102416548B1 (ko) 2018-02-01 2022-07-01 주식회사 엘지에너지솔루션 배터리를 위한 등가 회로 모델의 파라미터 추정 방법 및 배터리 관리 시스템
KR102373458B1 (ko) * 2018-02-07 2022-03-10 주식회사 엘지에너지솔루션 배터리를 위한 등가 회로 모델의 파라미터 추정 방법 및 배터리 관리 시스템
US11437656B2 (en) 2018-10-29 2022-09-06 International Business Machines Corporation Optimizing performance of a data center battery system
JP2020095148A (ja) * 2018-12-12 2020-06-18 キヤノン株式会社 装置、装置の制御方法およびプログラム
KR20200100404A (ko) * 2019-02-18 2020-08-26 삼성전자주식회사 적응적 전력 관리를 위한 전자 장치
WO2020180317A1 (en) * 2019-03-06 2020-09-10 Johnson Controls Fire Protection LP Lithium battery passivation detection
WO2020180318A1 (en) 2019-03-06 2020-09-10 Johnson Controls Fire Protection LP Lithium battery activation and long-term maintenance
US10921383B2 (en) * 2019-03-07 2021-02-16 Mitsubishi Electric Research Laboratories, Inc. Battery diagnostic system for estimating capacity degradation of batteries
KR20210028476A (ko) * 2019-09-04 2021-03-12 삼성전자주식회사 배터리 충전 장치 및 방법
WO2021049905A1 (ko) * 2019-09-12 2021-03-18 삼성전자 주식회사 배터리 상태 측정 방법 및 배터리 관리 시스템
WO2021118170A1 (ko) * 2019-12-10 2021-06-17 경북대학교 산학협력단 배터리의 열화 모델에 따라 배터리의 상태를 추정하는 배터리 상태 추정 장치 및 방법, 배터리에서 측정되는 파라미터의 모델을 이용하는 배터리 이상 진단 장치 및 방법
KR102094359B1 (ko) * 2019-12-10 2020-03-27 경북대학교 산학협력단 배터리의 열화 모델에 따라 배터리의 상태를 추정하는 배터리 상태 추정 장치 및 방법
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
CN111459473B (zh) * 2020-03-31 2023-07-14 北京润科通用技术有限公司 一种模型实时化方法及装置
WO2021246816A1 (en) * 2020-06-04 2021-12-09 Samsung Electronics Co., Ltd. Method for enhancing performance of electronic device
US11313894B2 (en) * 2020-06-29 2022-04-26 Intelematics Australia Pty Limited Automobile battery failure prediction method and system
JP2022018264A (ja) * 2020-07-15 2022-01-27 パナソニックＩｐマネジメント株式会社 情報処理方法及び情報処理装置
KR102619797B1 (ko) * 2021-03-05 2023-12-29 연세대학교 산학협력단 Bms, 이를 위한 적응형 모델 제공 장치 및 방법
WO2023127396A1 (ja) * 2021-12-27 2023-07-06 ヌヴォトンテクノロジージャパン株式会社 蓄電器容量推定装置、蓄電器劣化度推定装置及びシステム
KR102497271B1 (ko) * 2021-12-28 2023-02-08 한국전자기술연구원 열화비용을 고려한 ess와 수전해설비 이용 비율 최적화 장치 및 방법
KR20230120034A (ko) * 2022-02-08 2023-08-16 주식회사 엘지에너지솔루션 배터리 관리 장치 및 그것의 동작 방법
KR20230136481A (ko) * 2022-03-18 2023-09-26 주식회사 엘지에너지솔루션 배터리 수명 예측 장치 및 그것의 동작 방법
KR20230143525A (ko) * 2022-04-05 2023-10-12 주식회사 엘지에너지솔루션 배터리 관리 장치 및 방법
KR20230145799A (ko) * 2022-04-11 2023-10-18 주식회사 엘지에너지솔루션 배터리에 대한 불량률 예측 장치 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007178333A (ja) * 2005-12-28 2007-07-12 Toyota Motor Corp 二次電池の劣化状態の推定方法と車載二次電池の劣化状態推定装置。
WO2013140781A1 (ja) * 2012-03-19 2013-09-26 パナソニック株式会社 蓄電池監視方法、蓄電池監視システム、および、蓄電池システム
JP2014013245A (ja) * 2013-08-12 2014-01-23 Panasonic Corp 電池劣化度モデルの生成及び更新方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0855642A (ja) * 1994-08-11 1996-02-27 Japan Storage Battery Co Ltd 鉛蓄電池の劣化状態検出方法
JP5493657B2 (ja) * 2009-09-30 2014-05-14 新神戸電機株式会社 蓄電池装置並びに蓄電池の電池状態評価装置及び方法
KR101227417B1 (ko) * 2010-09-14 2013-01-29 충북대학교 산학협력단 리튬이온전지의 충전상태 추정방법 및 이 방법을 구현하기 위한 시스템
MY158124A (en) 2010-11-10 2016-08-30 Nissan Motor Vehicle battery diagnosis apparatus
KR20120102460A (ko) 2011-03-08 2012-09-18 주식회사 리버트론 배터리 정보의 관리 장치 및 그 관리 방법
KR20130008701A (ko) * 2011-07-13 2013-01-23 현대자동차주식회사 차량 배터리수명 관리방법 및 관리시스템
JP5853548B2 (ja) 2011-09-29 2016-02-09 日産自動車株式会社 車両交換案内装置および車両交換案内方法
KR101419130B1 (ko) 2011-10-04 2014-07-11 주식회사 엘지화학 배터리 관리 시스템 및 배터리 관리 방법
KR20130066283A (ko) 2011-12-12 2013-06-20 삼성에스디아이 주식회사 배터리 시스템의 시뮬레이션 장치
US9316699B2 (en) * 2012-04-05 2016-04-19 Samsung Sdi Co., Ltd. System for predicting lifetime of battery
KR101481215B1 (ko) 2012-04-25 2015-01-09 엘에스산전 주식회사 전기 자동차, 전기 자동차의 충전 시스템 및 충전 방법
JP5737232B2 (ja) 2012-07-12 2015-06-17 トヨタ自動車株式会社 定置用蓄電池の余寿命判定装置
US9316694B2 (en) * 2013-02-12 2016-04-19 Johnson Controls Technology Company Battery monitoring system with time-based diagnostic activation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007178333A (ja) * 2005-12-28 2007-07-12 Toyota Motor Corp 二次電池の劣化状態の推定方法と車載二次電池の劣化状態推定装置。
WO2013140781A1 (ja) * 2012-03-19 2013-09-26 パナソニック株式会社 蓄電池監視方法、蓄電池監視システム、および、蓄電池システム
JP2014013245A (ja) * 2013-08-12 2014-01-23 Panasonic Corp 電池劣化度モデルの生成及び更新方法

Also Published As

Publication number Publication date
US10598735B2 (en) 2020-03-24
KR20160017416A (ko) 2016-02-16
US20160041231A1 (en) 2016-02-11

Similar Documents

Publication Publication Date Title
KR102399720B1 (ko) 패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법
KR102357351B1 (ko) 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법
CN106654405B (zh) 电池管理方法和设备
KR102468895B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
CN109196366B (zh) 使用高斯过程回归估计电池充电状态的方法和系统
KR102215450B1 (ko) 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
US11325494B2 (en) Systems, methods, and storage media for determining a target battery charging level for a drive route
CN105807227B (zh) 估计电池状态的方法和设备
US10044212B2 (en) Modeling a change in battery degradation
KR102241683B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR102386980B1 (ko) 배터리의 수명을 추정하는 방법 및 장치
US9493089B2 (en) Prediction of battery power requirements for electric vehicles
KR102574257B1 (ko) Soh 추정 장치 및 방법과, soh 추정 모델 생성 장치 및 방법
KR102627949B1 (ko) 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
KR20160067510A (ko) 배터리의 상태를 추정하는 방법 및 장치
US10830821B2 (en) Methods and apparatus for battery power and energy availability prediction
US10035425B2 (en) Apparatus and method for managing battery in consideration of rest period of battery
US20220187377A1 (en) Battery life learning device, battery life prediction device, method and non-transitory computer readable medium
WO2015041093A1 (ja) 蓄電池性能評価装置およびその方法
KR20180055192A (ko) 배터리 상태를 추정하는 방법 및 장치
KR20240010078A (ko) 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
US20220373609A1 (en) State Value for Rechargeable Batteries
US20220041078A1 (en) Energy storage device evaluation device, computer program, energy storage device evaluation method, learning method and generation method
US20150226808A1 (en) Method of Use for Electric Energy Stores, Arrangement for carrying out such a Method of Use, Battery and Motor Vehicle having such a Battery
JP6807017B2 (ja) 検出装置、検出方法、蓄電システムおよびプログラム

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant