KR102424916B1 - 배터리 진단 방법 및 그 장치 - Google Patents

배터리 진단 방법 및 그 장치 Download PDF

Info

Publication number
KR102424916B1
KR102424916B1 KR1020210136823A KR20210136823A KR102424916B1 KR 102424916 B1 KR102424916 B1 KR 102424916B1 KR 1020210136823 A KR1020210136823 A KR 1020210136823A KR 20210136823 A KR20210136823 A KR 20210136823A KR 102424916 B1 KR102424916 B1 KR 102424916B1
Authority
KR
South Korea
Prior art keywords
battery
time series
series data
prediction model
data
Prior art date
Application number
KR1020210136823A
Other languages
English (en)
Inventor
송창희
Original Assignee
모나일렉트릭 주식회사
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 모나일렉트릭 주식회사 filed Critical 모나일렉트릭 주식회사
Priority to KR1020210136823A priority Critical patent/KR102424916B1/ko
Application granted granted Critical
Publication of KR102424916B1 publication Critical patent/KR102424916B1/ko
Priority to EP22843990.7A priority patent/EP4417986A1/en
Priority to CN202280006218.0A priority patent/CN116457674A/zh
Priority to PCT/KR2022/013472 priority patent/WO2023063587A1/ko
Priority to US18/161,903 priority patent/US11879945B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • 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
    • 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]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • 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
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Measurement Of Resistance Or Impedance (AREA)
  • Apparatuses And Processes For Manufacturing Resistors (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

배터리 진단 방법 및 그 장치가 개시된다. 배터리진단장치는 일정 기간 동안 측정된 배터리의 전압, 전류 및 온도 중 적어도 하나 이상을 포함하는 시계열 데이터를 입력받고, 일정 시점에 측정된 배터리 임피던스를 포함하는 비시계열 데이터를 입력받은 후 시계열 데이터와 비시계열 데이터를 배터리예측모델에 입력하여 배터리 상태정보를 예측한다.

Description

배터리 진단 방법 및 그 장치{Battery diagnostic method and apparatus}
본 발명의 실시 예는 배터리의 수명, 용량, 내부저항 등의 상태를 진단하는 방법 및 그 장치에 관한 것으로, 보다 상세하게는 인공지능을 이용하여 배터리 상태를 진단하는 방법 및 그 장치에 관한 것이다.
배터리의 전류나 전압, 온도 등의 측정값을 이용하여 배터리의 수명 등을 예측하는 다양한 방법이 종래에 존재한다. 그러나 배터리나 연료전지의 열화는 매우 큰 비선형성을 내포하기 때문에 기본적인 전류, 전압, 온도 등의 계측 정보를 이용하여 배터리의 열화상태를 정확하게 포착하기 어렵다.
본 발명의 실시 예가 이루고자 하는 기술적 과제는, 배터리의 전류, 전압, 온도 등의 시계열 데이터와 배터리의 임피던스를 포함하는 비시계열 데이터를 함께 고려하여 비선형성을 나타내는 배터리의 상태를 정확하게 파악할 수 있는 배터리 진단 방법 및 그 장치를 제공하는 데 있다.
상기의 기술적 과제를 달성하기 위한, 본 발명의 실시 예에 따른 배터리 진단 방법의 일 예는, 배터리 상태정보를 예측하도록 학습된 배터리예측모델을 구동하는 컴퓨팅 장치가 수행하는 배터리 진단 방법에 있어서, 일정 기간 동안 측정된 배터리의 전압, 전류 및 온도 중 적어도 하나 이상을 포함하는 시계열 데이터를 입력받는 단계; 일정 시점에 측정된 배터리 임피던스를 포함하는 비시계열 데이터를 입력받는 단계; 및 상기 시계열 데이터와 상기 비시계열 데이터를 상기 배터리예측모델에 입력하여 배터리 상태정보를 예측하는 단계;를 포함한다.
상기의 기술적 과제를 달성하기 위한, 본 발명의 실시 예에 따른 배터리 진단 장치의 일 예는, 배터리 상태정보를 예측하도록 학습된 배터리예측모델을 구동하는 컴퓨팅 장치가 수행하는 배터리 진단 방법에 있어서, 일정 기간 동안 측정된 배터리의 전압, 전류 및 온도 중 적어도 하나 이상을 포함하는 시계열 데이터를 입력받는 제1 입력부; 일정 시점에 측정한 배터리 임피던스를 포함하는 비시계열 데이터를 입력받는 제2 입력부; 및 상기 시계열 데이터와 상기 비시계열 데이터를 상기 배터리예측모델에 입력하여 배터리 상태정보를 예측하는 예측부;를 포함한다.
본 발명의 실시 예에 따르면, 시계열 데이터와 비시계열 데이터를 함께 고려하여 배터리의 상태를 정확하게 파악할 수 있다.
도 1은 본 발명의 실시 예에 따른 배터리 진단 방법의 개략적인 구조의 일 예를 도시한 도면,
도 2는 본 발명의 실시 예에 따른 배터리진단모델의 학습을 위한 시계열 데이터의 일 예를 도시한 도면,
도 3은 본 발명의 실시 예에 따른 배터리진단모델의 일 예를 도시한 도면,
도 4는 도 3의 배터리진단모델의 인공신경망을 RNN으로 구현한 예를 도시한 도면,
도 5는 본 발명의 실시 예에 따른 배터리진단모델의 다른 예를 도시한 도면,
도 6은 도 5의 배터리진단모델의 인공신경망을 CNN으로 구현한 예를 도시한 도면,
도 7은 본 발명의 실시 예에 따른 배터리진단모델의 하이퍼파라미터를 최적화는 방법이 일 예를 도시한 도면,
도 8은 본 발명의 실시 예에 따른 배터리진단장치의 일 예의 구성을 도시한 도면,
도 9는 본 발명의 실시 예에 따른 임피던스 측정장치의 일 예의 구성을 도시한 도면,
도 10은 본 발명의 실시 예에 따른 임피던스 측정장치의 구현 예를 도시한 도면,
도 11은 본 발명의 실시 예에 따른 임피던스 측정장치의 전력 공급의 일 예를 도시한 도면,
도 12는 본 발명의 실시 예에 따른 임피던스 측정방법의 일 예를 도시한 도면,
도 13은 본 발명의 실시 예에 따른 임피던스 측정을 위해 생성하는 정현파 신호의 일 예를 도시한 도면, 그리고,
도 14는 본 발명의 실시 예에 따른 저항부의 저항값 변화 방법의 일 예를 도시한 도면이다.
이하에서, 첨부된 도면들을 참조하여 본 발명의 실시 예에 따른 배터리 진단 방법 및 그 장치에 대해 상세히 살펴본다.
도 1은 본 발명의 실시 예에 따른 배터리 진단 방법의 개략적인 구조의 일 예를 도시한 도면이다.
도 1을 참조하면, 배터리진단장치(100)는 배터리 측정 데이터를 기반으로 배터리 상태를 예측하는 인공지능모델(또는 딥러닝모델)을 포함한다. 이하에서는 배터리 상태를 예측하는 인공지능모델을 배터리진단모델이라고 명명한다. 배터리진단모델은 회귀 모델(regression model)로 분류될 수 있다. 배터리진단모델의 구조에 대해서는 도 3 내지 도 6에서 다시 살펴본다.
배터리 측정 데이터는 크게 시계열 데이터(110)와 비시계열 데이터(120)로 구분된다. 시계열 데이터(110)는 일정 기간(예를 들어, 수 개월 또는 수 시간 등) 동안 측정된 배터리의 전류, 전압 및 온도 중 적어도 하나 이상을 포함할 수 있다. 시계열 데이터(110)는 시간의 흐름에 따라 순차적으로 측정되고 누적되는 데이터로서, 본 실시 예는 배터리의 전류, 전압, 온도 등을 예시적으로 제시하나 반드시 이에 한정되는 것은 아니다. 3차원 형태의 시계열 데이터(110)의 일 예가 도 2에 도시되어 있다.
비시계열 데이터(120)는 일정 시점에 측정된 배터리의 임피던스 데이터 등을 포함한다. 예를 들어, 비시계열 데이터(120)는 배터리의 상태정보(130)를 예측하고 할 때 측정된 배터리 임피던스에 대한 스펙트럼 데이터일 수 있다. 비시계열 데이터(120)는 시간의 흐름에 따라 누적된 정보가 아닌 특정 시점에 측정된 데이터이며, 본 실시 예는 비시계열 데이터(120)의 예로 임피던스 정보를 제시하나 반드시 이에 한정되는 것은 아니다. 비시계열 데이터(120)에 포함되는 배터리의 임피던스 정보는 서로 다른 복수의 정현파 신호를 이용하여 측정된 정보일 수 있다. 예를 들어, 비시계열 데이터(120)는 나이퀴스트(nyquist) 선도상의 주파수에 따른 실수측 값과 허수축 값으로 구성된 배열 구조(예를 들어, 임피던스 정보 = (주파수(f), 실수측값(Re), 허수측값(Im))일 수 있다. 임피던스 정보가 하나의 주파수에 대해서만 측정된다면 비시계열 데이터(120)에서 주파수 정보는 생략될 수 있다. 정현파 신호를 이용하여 배터리의 임피던스를 파악하는 방법에 대해서는 도 9 내지 도 14에서 다시 설명한다.
배터리진단장치(100)가 배터리진단모델을 이용하여 예측하는 배터리 상태정보(130)는 배터리의 수명, 용량 및 내부저항 중 적어도 하나 이상을 포함할 수 있다. 배터리 상태정보(130)는 이 외에도 실시 예에 따라 다양한 정보일 수도 있으며 반드시 이에 한정되는 것은 아니다.
배터리 상태 추론 모델인 배터리진단모델은 지도학습(supervised learning)으로 훈련될 수 있으며, 이를 위한 학습데이터는 타겟 데이터를 포함하다. 예를 들어, 학습데이터는 적어도 하나 이상의 배터리에 대한 시계열 데이터(110), 비시계열 데이터(120) 및 타겟 데이터로 사용되는 배터리 상태정보(130)를 포함할 수 있다. 배터리진단모델은 학습데이터에 포함된 시계열 데이터(110) 및 비시계열 데이터(120)를 이용하여 예측한 예측정보와 학습데이터에 포함된 타겟 데이터(즉, 정답지)인 배터리 상태정보를 비교하여 내부 파라미터 등을 조정하는 지도학습 과정을 통해 생성될 수 있다. 본원발명은 시계열 데이터(110)와 비시계열 데이터(120)를 효율적으로 결합하여 정확한 배터리 상태를 예측할 수 있도록 배터리진단모델의 내부 구조를 새롭게 제시하며 이에 대한 예가 도 3 내지 도 6에 도시되어 있다.
도 2는 본 발명의 실시 예에 따른 배터리진단모델의 학습을 위한 시계열 데이터의 일 예를 도시한 도면이다.
도 2를 참조하면, 시계열 데이터(110)는 배터리의 전압, 전류, 온도의 세 개의 특징(feature)으로 구성된다. 시계열 데이터(110)는 복수의 배터리에 대한 정보를 포함하고 또한 일정 시간 동안 측정된다. 따라서 시계열 데이터(110)는 복수 개의 특징(feature), 복수 개의 배터리(즉, 샘플 수), 측정 기간(즉, 시퀀스 길이)의 세 가지 축으로 구성된 3차원 데이터일 수 있다.
도 3은 본 발명의 실시 예에 따른 배터리진단모델의 일 예를 도시한 도면이다.
도 3을 참조하면, 배터리진단모델은 인공신경망(artifical neural network)(300)과 완전연결계층(fully connected layer)(310)을 포함한다. 인공신경망(300)은 RNN(Recurrent Neural Network) 등의 순환신경망으로 구성되거나 CNN(Convolutional Neural Network) 등으로 구성될 수 있다. 인공신경망(300)을 RNN으로 구현한 예가 도 4에 도시되어 있다. 물론 이 외에도 종래의 다양한 종류의 인공신경망이 본 실시 예에 적용될 수 있다.
완전연결계층(310)은 인공신경망 구조의 하나로 이전 층(layer)의 모든 뉴런이 다음 층의 모든 뉴런과 연결된 상태로 구성된 층이다. 예를 들어, 완전연결계층(310)은 2차원 배열의 특징값을 1차원 배열의 특징값으로 평탄화하고 최종 예측 값을 도출하는 역할로 사용될 수 있다. 본 실시 예에서 완전연결계층(310)은 비시계열 데이터와 시계열 데이터의 서로 다른 성질의 두 데이터를 통합하여 배터리 상태의 결과를 예측하기 위하여 사용된다. 종래의 다양한 형태의 완전연결계층이 본 실시 예에 사용될 수 있다.
본 실시 예는 시계열 데이터(350)와 비시계열 데이터(370)의 서로 다른 성질의 두 데이터를 배터리진단모델의 입력데이터로 사용한다. 인공신경망(300)의 입력 데이터는 시계열 데이터(350)이고, 완전연결계층(310)의 입력 데이터는 인공신경망(300)의 출력값(즉, 제1 특징값(360))과 비시계열 데이터(370)를 결합한 데이터이다.
배터리진단모델은 시계열 데이터에 대한 전처리 과정(예를 들어, 정규화, 이상치(outlier) 제거 등)을 수행하고 시계열 데이터를 벡터 형태로 만들어 인공신경망(300)에 입력할 수 있다. 예를 들어, 배터리진단모델은 학습의 불안정성을 방지하기 위하여 입력 데이터를 정규화하는 배치정규화층(batch normalizaton layer)을 인공신경망(300)의 입력층(input layer)에 도입할 수 있다. 배치정규화층은 입력 데이터의 평균값과 표준편차가 0과 1 부근에 분포하도록 처리하여 학습의 안정성을 높일 수 있다.
인공신경망(300)이 출력하는 제1 특징값(360)은 적어도 하나 이상의 특징(feature)으로 구성될 수 있으며 이는 실시 예에 따라 다양하게 구현할 수 있다. 배터리진단모델은 비시계열데이터(370)와 제1 특징값(360)을 결합(concatenate)한 제2 특징값을 생성하고, 그 제2 특징값을 완전연결계층(310)에 입력하여 배터리 상태정보(380)를 예측한다.
도 4는 도 3의 배터리진단모델의 인공신경망을 RNN으로 구현한 예를 도시한 도면이다.
도 4를 참조하면, 도 3의 배터리진단모델의 인공신경망(300)은 순환신경망인 RNN 계열의 셀(예를 들어, LSTM(long short term memory), GRU(gated recurrent unit) 등)로 구현될 수 있다. RNN은 과거 일정 일정시점까지의 시계열 데이터(400,402,404)를 반복 입력하므로 시계열 데이터에 대한 예측 모델에 효과적이다.
RNN에서는 각 타임스텝(time step)에 해당하는 RNN 셀별로 RNN 대표값이 생성되는데, 본 실시 예는 가장 최근의 타입스텝에 해당하는 마지막 RNN 셀의 RNN 특징값이 임피던스 데이터와 결합이 되는 네트워크 구조로 구현된다. 즉, 비시계열 데이터(즉, 임피던스 데이터)(420)는 시계열 데이터와 직접적으로 결합되기보다는 RNN을 통해 생성된 특징값(410)과 결합된다. RNN의 출력값(410)과 비시계열 데이터(420)를 결합한 특징값은 완전연결계층(430)에 입력되어 배터리 상태정보를 예측한다.
본 실시 예는 설명의 편의를 위하여 RNN 셀 및 스택 셀(stecked cell)을 각각 하나의 층으로 도시하고, 세 개의 시계열 데이터가 입력되는 예를 도시하고 있으나 이는 하나의 예일 뿐 이에 한정되는 것은 아니다.
도 5는 본 발명의 실시 예에 따른 배터리진단모델의 다른 예를 도시한 도면이다.
도 5를 참조하면, 배터리진단모델은 복수 개의 인공신경망(500,502) 및 완전연결계층(510)을 포함한다. 복수 개의 인공신경망(500,520)은 CNN으로 구현될 수 있으며 이에 대한 예가 도 6에 도시되어 있다.
각각의 인공신경망(500,502)은 시계열 데이터(550)와 비시계열 데이터(560)를 각각 입력받아 각각의 제1 특징값을 출력한다. 그리고, 배터리진단모델은 각각의 제1 특징값을 연결하여 제2 특징값을 생성하고, 제2 특징값을 완전연결계층(510)에 입력하여 배터리 상태정보(570)를 예측한다.
도 6은 도 5의 배터리진단모델의 인공신경망을 CNN으로 구현한 예를 도시한 도면이다.
도 6을 참조하면, 배터리진단모델은 1차원의 CNN로 구성된다. CNN을 이용하여 시계열 데이터(600,610,620)와 비시계열 데이터(620)를 포함하는 입력 데이터의 특징(feature) 간의 로컬 연결성(local connectivity)를 포착할 수 있다. 예를 들어, 시계열 데이터의 특징인 전압(600), 전류(610), 온도(620)의 시간에 대한 로컬 연결성을 파악하고 비시계열 데이터인 임피던스(630)에 대한 주파수의 로컬 연결성을 포착하기 위하여, 본 실시 예의 배터리진단모델은 1차원 합성곱 계층(1D convolutiona layer(1D Conv.)) 및 풀링계층(pooling layer)을 포함한다.
배터리진단모델은 시계열 데이터(600,610,620)와 비시계열 데이터(630)의 각 데이터를 1차원 합성곱 계층에 입력하여 얻은 각 특징값을 결합레이어(concatenation layer)를 통해 통합 및 평탄화(flatten)하고(640), 최종적으로 완전연결계층(650)을 통해 배터리 상태정보를 예측한다.
도 7은 본 발명의 실시 예에 따른 배터리진단모델의 하이퍼파라미터를 최적화는 방법이 일 예를 도시한 도면이다.
도 7을 참조하면, 배터리진단모델은 하이퍼파라미터(hyperparameter)에 따라 그 성능이 달라질 수 있다. 예를 들어, 시계열 데이터의 시퀀스 길이, 네트워크 구조(RNN의 스택 크기(stach size) 등), 학습률(learning rate), 드롭아웃 비율(drop-out ration) 등 많은 하이퍼파라미터들이 존재하므로 이들의 최적 조합을 통해 배터리진단모델의 성능을 높일 수 있다.
하이퍼파라미터의 수가 많으므로 하이퍼파라미터의 조합 가능한 모든 경우를 적용하여 최적의 하이퍼파라미터를 도출하는 brute-force 방식은 비효율적이다. 이에, 본 실시 예는 유전 알고리즘을 통해 최적의 하이퍼파라미터를 도출하는 방법을 제시한다.
먼저, 배터리진단장치는 복수의 후보 하이퍼파라미터(700)를 기반으로 배터리진단모델을 학습시킨다(710). 복수의 후보 하이퍼파라미터(700)는 다양한 방법으로 기 정의되어 있다고 가정한다. 예를 들어, 복수의 후보 하이퍼파라미터(700)는 임의의 값으로 구성될 수 있다.
배터리진단장치는 복수의 후보 하이퍼파라미터(700)를 이용하여 학습시킨 복수의 배터리진단모델의 적합도(fitness value)를 평가한다(710). 배터리진단모델의 학습 결과에 대한 적합도를 산출하는 종래의 다양한 방법이 본 실시 예에 적용될 수 있다. 배터리진단장치는 적합도를 기준으로 적어도 하나 이상의 후보 하이퍼파라미터를 부모 하이퍼파라미터로 선택한다. 예를 들어, 적합도가 높은 순으로 상위 2개의 배터리진단모델에서 사용된 후보 하이퍼파라미터를 부모 하이퍼파라미터로 선택할 수 있다.
배터리진단장치는 부모 하이퍼파라미터의 일부를 서로 교차(cross-over)하거나 부보 하이퍼파리미터의 변이(mutation) 과정 등을 통해 생성된 적어도 하나 이상의 자식 하이퍼파라미터를 새로운 후보 하이퍼파라미터로 추가한다(720).
배터리진단장치는 적어도 하나 이상의 새로운 후보 하이퍼라미터를 이용하여 배터리진단모델을 학습시킨 후 적합도를 평가하고, 적합도가 높은 배터리진단모델의 후보 하이퍼파라미터를 다시 부모 하이퍼파라미터를 선택하고, 부모 하이퍼라미터로부터 자식 하이퍼파라미터를 생성하는 과정을 기 정의된 조건 또는 기 정의된 횟수까지 반복 수행한다. 이러한 반복 과정을 통해 최적의 하이퍼파라미터를 도출할 수 있다. 예를 들어, 배터리진단장치는 매번 파악한 적합도를 연결하여 얻은 적합도 곡선이 포화(saturation)되는 지점(즉, 매번 반복 과정에서 적합도의 증가율이 일정 미만이 되는 지점)을 중단 지점으로 정의할 수 있다.
도 8은 본 발명의 실시 예에 따른 배터리진단장치의 일 예의 구성을 도시한 도면이다.
도 8을 참조하면, 배터리진단장치(800)는 제1 입력부(810), 제2 입력부(820) 및 예측부(830)를 포함한다. 배터리진단장치(800)는 메모리, 프로세서, 입출력장치 등을 포함하는 컴퓨팅장치로 구현될 수 있다. 이 경우에 각 구성은 소프트웨어로 구현된 후 메모리에 탑재되고 프로세서에 의해 수행될 수 있다.
제1 입력부(810)는 일정 기간 동안 측정된 배터리의 전압, 전류 또는 온도 등의 시계열 데이터를 입력받는다. 제2 입력부(820)는 일정 시점에 측정된 배티러의 임피던스 등의 비시계열 데이터를 입력받는다.
예측부(830)는 시계열 데이터와 비시계열 데이터를 학습 완룐된 배터리예측모델에 입력하여 배터리 상태정보를 예측한다. 일 예로, 예측부(830)는 도 3 또는 도 5와 같이 시계열 데이터를 배터리예측모델의 인공신경망에 입력하여 제1 특징값을 생성하고, 인공신경망의 제1 출력값과 배터리의 임피던스를 포함하는 비시계열 데이터를 결합한 제2 특징값을 생성하고, 제2 특징값을 배터리예측모델의 완전연결계층에 입력하여 배터리 상태정보를 출력할 수 있다.
도 9는 본 발명의 실시 예에 따른 임피던스 측정장치의 일 예의 구성을 도시한 도면이다.
도 9를 참조하면, 임피던스 측정장치(900)는 정현파발생부(910), 신호인가부(920), 전류측정부(930), 전압측정부(940), 임피던스산출부(950)를 포함한다. 다른 실시 예로, 임피던스 측정장치(900)는 제어부(960), 직류측정부(970) 및 온도측정부(980)를 더 포함할 수 있다. 본 실시 예는 설명의 편의를 위하여 제어부(960), 직류측정부(970) 및 온도측정부(980)를 포함하는 경우를 가정하여 설명하나, 해당 구성들은 생략될 수도 있다.
정현파발생부(910)는 일정 주파수 범위 내에서 정현파 신호를 발생한다. 예를 들어, 정현파발생부(910)는 0.1Hz에서 5kHz 까지의 다양한 주파수 범위에서 서로 다른 주파수를 가진 복수 개의 정현파 신호를 발생할 수 있다. 정현파 신호를 발생하는 주파수 범위는 이 외에도 실시 예에 따라 다양하게 변형할 수 있다. 정현파 신호의 크기는 수mV~수십V 등 실시 예에 따라 다양할 수 있다. 정현파발생부(110)가 일정 주파수 범위 내에서 발생하는 정현파 신호의 일 예가 도 13에 도시되어 있다. 다른 실시 예로, 정현파발생부(910)는 도 10과 같이 정현파를 발생하는 IC칩으로 구현될 수 있다. 이 외에도, 정현파발생부(910)는 정현파를 생성하는 종래의 다양한 기술을 적용하여 구현될 수 있다.
신호인가부(920)는 정현파 신호를 피측정대상(990)과 연결된 모스펫(MOSFET, Metal Oxide Semiconductor Field Effect Transistor)(925)의 게이트 전극에 인가한다. 즉, 모스펫(925)의 게이트 전극은 신호인가부(920)와 연결되고 드레인 전극은 피측정대상(990)과 연결된다. 피측정대상(990)은 임피던스를 파악하고자 하는 대상기기이며, 일 예로 배터리(즉, 2차 전지)가 있다. 본 실시 예는 설명의 편의를 위하여 피측정대상(990)이 배터리인 경우를 가정하여 설명하지만, 피측정대상(990)은 배터리 외에 다양할 수 있으며, 배터리로 한정되는 것은 아니다.
다른 실시 예로, 신호인가부(920)는 정현파발생부(910)에서 출력되는 작은 크기의 정현파 신호가 모스펫(925)의 구동에 적합한 크기의 게이트 전압이 되도록 증폭하는 증폭부와 증폭부의 출력이 일정 범위 내에 존재하도록 하는 피드백회로를 포함할 수 있다. 증폭부와 피드백회로를 포함하는 신호인가부(920)의 구성이 도 10에 도시되어 있으므로 이에 대해서는 도 10에서 다시 살펴본다.
전류측정부(930)는 모스펫(925)의 게이트 전극에 정현파 신호가 인가될 때 모스펫(925)의 소스 전극에서 출력되는 피측정대상(990)의 전류값을 측정한다. 모스펫(925)의 드레인 전극에는 피측정대상(990)의 일정 크기(예를 들어, 수십~수백V)의 직류 전압(예를 들어, 피측정대상이 배터리인 경우 배터리 전압)이 인가되고, 모스펫(925)의 게이트 전극에는 정현파 신호가 인가되며, 모스펫(925)은 선형의 동작 영역에서 정현파 신호의 크기에 따른 전류를 소스 전극을 통해 출력한다.
전류측정부(930)는 전류를 직접 측정하는 구성으로 구현될 수 있다. 다만, 본 실시 예에서 전류측정부(930)는 전류측정의 회로 구조를 간소화화기 위하여 저항값을 알고 있는 저항부를 이용하여 전류값을 산출한다. 예를 들어, 전류측정부(930)는 모스펫(925)의 소스 전극에 연결된 저항부의 전압을 측정한 후 "전류=전압/저항"의 공식을 통해 전류값을 파악할 수 있다. 다른 실시 예로, 복수의 저항을 병렬 연결하여 저항의 크기를 변경함으로써 전류 신호 크기를 변경할 수 있으며, 이에 대해서는 도 10에서 다시 살펴본다.
전압측정부(940)는 정현파 신호의 인가에 따른 피측정대상(990)의 전압값을 측정한다. 모스펫(925)의 게이트 전극에 정현파 신호가 인가됨에 따라 모스펫(925)에 전류가 흐르게 되며, 그에 따라 피측정대상(990)의 전압이 변화한다. 전압측정부(940)는 피측정대상(990)과 직렬 연결되어 피측정대상의 전압을 측정할 수 있다.
전류측정부(930)에서 측정한 전류값과 전압측정부(940)에서 측정한 전압값은 직류 성분이 제거된 교류 성분의 값일 수 있다. 직류 성분이 제거된 교류 성분의 값을 얻기 위하여, 전류측정부(930) 및 전압측정부(940)는 직류 성분을 제거하는 구성(예를 들어, 도 10의 AC 커플링부)를 더 포함할 수 있다. 이 외에도 전압값 및 전류값에서 직류 성분을 제거하여 교류 성분을 파악하는 종래의 다양한 방법이 본 실시 예에 적용될 수 있다.
임피던스산출부(950)는 전류측정부(930)에서 파악한 전류값과 전압측정부(940)에서 파악한 전압값을 기초로 피측정대상의 임피던스를 산출한다. 임피던스산출부(950)는 일정 간격으로 파악되는 유한 개의 전류값 및 전압값에 대해 해밍 윈도우 알고리즘과 이산 푸리에 변환(DFT, Discrete Fourier Transform) 등을 적용하고, 나이퀴스트 플롯(Nyquist Plot) 등을 이용하여 임피던스를 파악할 수 있다. 시간에 따라 변화하는 유한 개의 전류값과 전압값을 이용하여 임피던스를 구하는 방법 그 자체는 이미 널리 알려진 기술이므로 이에 대한 상세한 설명은 생략한다.
임피던스산출부(950)는 다양한 주파수의 정현파 신호에 대하여 피측정대상의 임피던스를 산출할 수 있다. 예를 들어, 임피던스산출부(950)는 제1 주파수의 정현파 신호를 인가하였을 때의 제1 임피더스를 산출하고, 제2 주파수의 정현파 신호를 인가하였을 때의 제2 임피더스를 산출할 수 있다. 제1 주파수와 제2 주파수의 간격은 도 5와 같이 로그 간격일 수 있다.
온도측정부(980)는 모스펫(925) 등의 온도를 측정한다. 온도측정부(980)가 온도를 측정하는 부위 등은 실시 예에 따라 다양하게 구현할 수 있다. 제어부(960)는 온도측정부(980)가 측정한 온도가 기 정의된 온도 이상이 되면 화재나 오작동 등을 방지하기 위하여 임피던스 측정대상(900)의 작동을 중지시킬 수 있다. 직류측정부(970)는 피측정대상(990)의 직류 전압 등을 측정한다.
제어부(960)는 정현파발생부(910) 등의 각 구성을 제어한다. 예를 들어, 정현파발생부(910)를 제어하여 다양한 주파수의 정현파 신호가 발생하도록 제어할 수 있다. 제어부(960)는 정현파발생부(910) 등 각 제어대상과 SPI(Serial Peripheral Interface) 통신으로 연결될 수 있다. 제어부(960)는 정현파 신호의 주파수 범위 및 측정 포인트 수 등을 정현파발생부(910)에 전송할 수 있다.
도 10은 본 발명의 실시 예에 따른 임피던스 측정장치의 구현 예를 도시한 도면이다.
도 10을 참조하면, 임피던스 측정장치(900)는 정현파 신호를 발생하는 IC 칩(1000), 정현파 신호를 증폭하는 증폭부(1020), 정현파 신호의 인가에 따른 전류와 전압 변화의 측정을 위한 모스펫(1030)과 병렬 연결된 복수의 저항을 포함하는 저항부(940), 각 저항 연결의 온/오프를 수행하는 스위치부(1050) 등을 포함한다. 본 실시 예는 도 9와의 대비를 위하여 제어부(960), 온도측정부(980), 직류측정부(990)의 구성을 모두 포함하고 있으나, 이들 구성은 실시 예에 따라 생략될 수 있다.
IC 칩(1000)은 정현파 신호를 발생한다. 즉, 도 9에서 살핀 정현파발생부(910)가 IC 칩으로 구현될 수 있다. 정현파 신호를 발생하는 종래의 다양한 IC 칩이 본 실시 예에 적용될 수 있다. IC 칩(1000)이 생성한 정현파 신호는 증폭부(1020)를 통해 모스펫(1030, 도 9의 925에 대응)의 게이트 전극에 입력되고, 모스펫(1030)의 소스 전극의 출력은 증폭부(1020)로 피드백된다. 즉, 도 9의 신호인가부(920)는 본 실시 예의 증폭부(1020) 및 피드백회로로 구성될 수 있다. IC 칩(1000)은 제어부(960)로부터 수신한 정현파 신호의 주파수 범위와 그 범위 내에서 발생할 서로 다른 주파수의 개수 등을 레지스터에 등록한 후 이를 기초로 정현파 신호를 발생하고 임피던스를 측정할 수 있다. 주파수 범위 내에서 발생하는 정현파 신호는 도 13의 예와 같이 로그 간격으로 분할되어 생성될 수 있다. IC 칩(1000)은 측정된 전압값과 전류값 등을 FIFO(First In First Out) 방식의 큐 등에 저장한 후 이를 기초로 정현파 신호의 주파수별 임피던스 값을 계산할 수 있다.
모스펫(1030)의 소스 전극은 피측정대상(990)과 연결되어 있고, 게이트 전극은 증폭부(1020)와 연결되어 있다. 모스펫(1030)은 게이트 전극에 입력되는 정현파 신호와 소스 전극에 연결된 피측정대상의 전압 신호에 의해 선형 영역에서 전류가 흐르게 된다.
피측정대상(990)과 병렬 연결된 저항부(1040)는 모스펫(1030)의 소스 전극에서 출력되는 전류의 측정에 사용된다. IC 칩(1000)은 저항부(1040)에 연결된 제3 선로(1074) 및 제4 선로(1076)를 통해 저항부(1040)의 전압값을 측정하고, 측정한 전압값과 저항부(1040)의 저항값을 이용하여 모스펫(1030)의 소스 전극에서 출력되는 전류값을 산출한다. 즉, 도 9의 전류측정부(930)는 본 실시 예의 저항부(1040) 및 IC 칩(1000)으로 구현될 수 있다. IC 칩(1000)이 교류 성분의 전류값만을 측정할 수 있도록 제3 선로(1074) 및 제4 선로(1076)에는 캐패시터(C2,C4)를 포함하는 AC 커플링부(1010)가 위치할 수 있다.
저항부(1040)의 병렬 연결되는 복수 개의 저항의 저항값은 IC칩(1000) 또는 제어부(960)에 미리 알려져 있다. 예를 들어, 저항부(1040)는 션트(shunt) 저항으로 구현될 수 있다. 본 실시 예는 측정할 수 있는 피측정대상(990)의 전압 범위가 다양할 수 있도록 저항부(1040)를 구성하는 각 저항의 연결의 온/오프를 제어할 수 있는 스위치부(1050)를 포함한다. 본 실시 예는 스위치부(1050)를 각 저항과 직렬 연결된 모스펫으로 구현한 예를 도시하고 있으나, 반드시 이에 한정되는 것은 아니다. 저항부(1040)의 각 저항의 저항값이 미리 알려져 있으므로, 스위치부(1050)의 각 스위치의 동작 상태(즉, 온/오프 상태)에 따라 저항부(1040)의 저항값을 구할 수 있다.
스위치부(1050)의 제어는 제어부(960)가 수행할 수 있다. 다른 실시 예로 제어부(960)와 IC 칩(1000)이 하나로 구현된 경우 IC 칩(1000)이 각 스위치를 제어할 수 있다. 이하에서는 설명의 편의를 위하여 제어부(960)가 스위치부(1050)를 제어하는 경우를 가정하여 설명한다. 제어부(960)가 피측정대상(990)의 전압 크기에 따라 스위치부(1050)를 제어하여 저항부(1040)의 저항값을 조정하는 방법에 대해서는 도 14에서 다시 살펴본다.
IC 칩(1000)은 정현파 신호의 인가에 따른 피측정대상(990)의 전압을 측정한다. 예를 들어, IC 칩(200)은 피측정대상(990)과 직렬 연결된 제1 선로(1070) 및 제5 선로(1078)를 통해 정현파 신호의 인가에 따른 피측정대상(990)의 전압값을 측정한다. 이때, IC 칩(1000)이 직류성분이 제거된 교류성분의 전압값을 측정할 수 있도록 제1 선로(1070) 및 제5 선로(1078)에는 캐패시터(C1,C4)를 포함하는 AC 커플링부(1010)가 존재할 수 있다. 모스펫(1030)과 피측정대상(990) 사이에는 역기전력 방지와 정류기 역할을 위한 다이오드(1060)를 더 포함할 수 있다.
도 11은 본 발명의 실시 예에 따른 임피던스 측정장치의 전력 공급의 일 예를 도시한 도면이다.
도 11을 참조하면, 전력공급부(1110)는 USB 포트(1100)를 통해 공급받은 전력을 임피던스 측정장치(900)에 제공한다. 예를 들어, 전력공급부(1110)는 USB 포트(1100)를 통해 공급받은 제1 전압(예를 들어, 4.2 ~ 5.5V)을 트랜스포머를 통해 전원 분리(isolation) 시키고, 분리된 전압을 임피던스 측정장치(900)가 필요로 하는 제2 전압(예를 들어, 5V와 15V 등의 정전압)으로 승압(예를 들어, DC-DC 컨버터 등)하여 임피더스 측정장치(900)에 공급할 수 있다. 임피던스 측정장치(900)는 도 9 및 도 10에서 설명한 바와 같이 모스펫(925,1030)의 게이트 전압에 수m~수V의 작은 크기의 정현파 신호를 인가하면 되므로 큰 전력을 요구하지 않으므로 USB 포트(1100)를 통해 공급받은 저전력으로 구동 가능하다.
임피던스 측정장치(900)는 USB 포트(1100)에 연결되어 구동 가능하므로, USB 포트(1100)가 존재하는 다양한 전자기기(예를 들어, 컴퓨터, 노트북, 테블릿PC, 스마트폰 등)에 연결되어 사용될 수 있으며, 또한 임피던스 측정장치(900)는 측정한 임피던스 값을 USB 포트(1100)를 통해 실시간 외부로 출력할 수 있다. USB 포트(1100)에 연결된 전자기기가 유무선 통신이 가능한 장치이면, 임피더스 측정장치(900)는 측정한 임피던스 값을 유무선 통신을 통해 실시간 외부 장치로 전송할 수도 있다.
다른 실시 예로, 임피던스 측정장치(900)는 USB 포트를 통해 다양한 전자기기와 연결 가능하므로, 임피던스 측정결과를 화면 등을 통해 출력하는 별도의 표시부를 구비하지 않고, USB 포트(1100)로 연결된 전자기기를 통해 표시할 수 있다. 물론 임피던스 측정장치(900)에 표시부가 존재할 수도 있다.
도 12는 본 발명의 실시 예에 따른 임피던스 측정방법의 일 예를 도시한 도면이다.
도 9 및 12를 함께 참조하면, 임피던스 측정장치(900)는 일정 주파수 범위 내에서 정현파 신호를 발생한다(S1200). 임피던스 측정장치(900)는 정현파 신호를 피측정대상과 연결된 모스펫(925)의 게이트 전압에 인가한다(S1210). 임피던스 측정장치(900)는 정현파 신호의 인가에 따라 모스펫(925)의 소스 전극에서 출력되는 전류값과 피측정대상(990)에서 출력되는 전압값을 각각 측정한다(S1220). 그리고 임피던스 측정장치(900)는 전류값과 전압값을 기초로 피측정대상(990)의 임피던스를 산출한다(S1230).
도 13은 본 발명의 실시 예에 따른 임피던스 측정을 위해 생성하는 정현파 신호의 일 예를 도시한 도면이다.
도 13을 참조하면, 임피던스 측정장치(900)는 일정 주파수 범위(1300)에서 로그 간격으로 복수의 정현파 신호를 발생할 수 있다. 예를 들어, 임피던스 측정장치(900)는 f0의 주파수(1310)를 가진 정현파 신호를 일정 시간 동안 출력하여 피측정대상의 임피던스를 측정한 후 f0보다 10배 큰 정현파 신호(즉 2f0(log))(1320)를 일정 시간 동안 출력하여 피측정대상의 임피던스를 측정한다. 이와 같은 방법으로 일정 주파수 범위 내에서 로그 간격의 주파수(1310,1320,1330)를 가진 정현파 신호를 발생하여 피측정대상의 임피던스를 측정한다. 정현파 신호를 발생하는 주파수 범위 및 서로 다른 주파수의 정현파 신호의 개수 등은 실시 예에 다라 다양하게 설정될 수 있으며, 반드시 로그 간격일 필요는 없다.
도 14는 본 발명의 실시 예에 따른 저항부의 저항값 변화 방법의 일 예를 도시한 도면이다.
도 9 및 도 14를 참조하면, 임피던스 측정장치(900)의 제어부(960)는 스위치부(1050)의 각 스위치를 온(on) 상태로 제어하여 요구되는 전류가 각 저항에 흐르도록 한다. 제어부(960)는 저항부(1040)의 전압값을 파악한다(S1400). 제어부(960)는 저항부(1040)의 전압값이 기 정의된 임계값보다 작으면, 연결된 복수의 스위치 중 적어도 하나 이상의 연결을 오프(off) 상태로 변경하여(S1420), 각 저항에 흐르는 전류의 크기가 증가하도록 한다. 즉, 전류의 크기가 증가하면 저항부의 전압값은 증가한다. 제어부(960)는 저항부(1040)의 전압값이 임계값보다 클 때까지 스위치의 상태 변경을 반복 수행한다. 예를 들어, 저항부(1040)의 병렬 연결된 각 저항은 모두 동일한 저항값을 가지거나 서로 다른 저항값을 가질 수 있다. 제어부(960)는 저항부(1040)의 각 저항에 흐르는 전류의 크기가 작은 값에서 순차적으로 커지도록 큰 저항값을 가진 저항의 연결부터 순차적으로 오프되도록 스위치부(1050)를 제어할 수 있다.
피측정대상(990)의 전압 등의 크기를 미리 설정하지 않아도 각 저항에 전류를 분산시켜 과도한 전류에 의해 임피던스 측정장치가 손상되는 것을 방지하면서, 피측정대상(990)의 임피던스의 측정에 적합하도록 저항부(1040)의 저항값의 크기를 조정할 수 있다.
본 발명의 각 실시 예는 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, SSD, 광데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (9)

  1. 배터리 상태정보를 예측하도록 학습된 배터리예측모델을 구동하는 컴퓨팅 장치가 수행하는 배터리 진단 방법에 있어서,
    일정 기간 동안 측정된 배터리의 전압, 전류 및 온도 중 적어도 하나 이상을 포함하는 시계열 데이터를 입력받는 단계;
    일정 시점에 측정된 배터리 임피던스를 포함하는 비시계열 데이터를 입력받는 단계; 및
    상기 시계열 데이터와 상기 비시계열 데이터를 상기 배터리예측모델에 입력하여 배터리 상태정보를 예측하는 단계;를 포함하고,
    상기 시계열 데이터는 상기 전압, 전류 및 온도 중 적어도 하나 이상을 서로 다른 시점에 측정한 정보를 포함하고,
    상기 비시계열 데이터는 동일 시점에 서로 다른 복수의 정현파 신호를 배터리에 인가하여 측정된 복수 개의 임피던스 데이터를 포함하고,
    상기 예측하는 단계는,
    상기 시계열 데이터를 상기 배터리예측모델의 인공신경망에 입력하여 제1 특징값을 생성하는 단계;
    상기 인공신경망의 제1 특징값과 상기 비시계열 데이터를 결합한 제2 특징값을 생성하는 단계; 및
    상기 제2 특징값을 상기 배터리예측모델의 완전연결계층에 입력하여 배터리 상태정보를 출력하는 단계;를 포함하는 것을 특징으로 하는 배터리 진단 방법.
  2. 삭제
  3. 제 1항에 있어서,
    상기 인공신경망은 순환신경망인 것을 특징으로 하는 배터리 진단 방법.
  4. 제1 항에 있어서,
    상기 배터리예측모델을 위한 학습데이터는, 복수 개의 배터리 샘플에 대해 일정 기간 동안 측정한 전압, 전류 및 온도 중 적어도 하나 이상의 시계열 학습데이터와, 복수 개의 배터리 샘플의 임피던스를 포함하는 비시계열 학습데이터와, 배터리 상태정보를 포함하는 검증데이터를 포함하고,
    상기 배터리예측모델은 상기 시계열학습데이터와 상기 비시계열학습데이터를 기반으로 한 예측데이터와 상기 검증데이터를 비교하여 이루어지는 지도학습모델인 것을 특징으로 하는 배터리 진단 방법.
  5. 삭제
  6. 제 1항에 있어서,
    상기 배터리예측모델의 하이퍼파라미터를 최적화하는 단계;를 더 포함하고,
    상기 최적화하는 단계는,
    기 정의된 학습데이터와 기 정의된 복수의 후보 하이퍼파라미터를 이용하여 상기 배터리예측모델을 학습시키는 단계;
    각각의 후보 하이퍼파라미터를 기반으로 학습된 배터리예측모델의 적합도평가를 기초로 상위 적어도 둘 이상의 후보 하이퍼파라미터를 부모 하이퍼파라미터로 선택하는 단계;
    상기 부모 하이퍼파라미터 사이의 교차 또는 변형을 통해 새로운 후보 하이퍼파라미터를 적어도 하나 이상 생성하는 단계;
    새로운 후보 하이퍼파라미터를 기반으로 학습된 배터리예측모델의 적합도평가를 기초로 다시 부모 하이퍼파라미터를 선택하고 새로운 후보 하이퍼파라미터를 생성하는 과정을 기 정의된 조건 또는 횟수까지 반복수행하는 단계;를 포함하는 것을 특징으로 하는 배터리 진단 방법.
  7. 일정 기간 동안 측정된 배터리의 전압, 전류 및 온도 중 적어도 하나 이상을 포함하는 시계열 데이터를 입력받는 제1 입력부;
    일정 시점에 측정한 배터리 임피던스를 포함하는 비시계열 데이터를 입력받는 제2 입력부; 및
    상기 시계열 데이터와 상기 비시계열 데이터를 배터리예측모델에 입력하여 배터리 상태정보를 예측하는 예측부;를 포함하고,
    상기 시계열 데이터는 상기 전압, 전류 및 온도 중 적어도 하나 이상을 서로 다른 시점에 측정한 정보를 포함하고,
    상기 비시계열 데이터는 동일 시점에 서로 다른 복수의 정현파 신호를 배터리에 인가하여 측정된 복수 개의 임피던스 데이터를 포함하고,
    상기 예측부는, 상기 시계열 데이터를 상기 배터리예측모델의 인공신경망에 입력하여 제1 특징값을 생성하고, 상기 인공신경망의 제1 특징값과 상기 비시계열 데이터를 결합한 제2 특징값을 생성하고, 상기 제2 특징값을 상기 배터리예측모델의 완전연결계층에 입력하여 배터리 상태정보를 출력하는 것을 특징으로 하는 배터리진단장치.
  8. 삭제
  9. 제 1항에 기재된 방법을 수행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.

KR1020210136823A 2021-10-14 2021-10-14 배터리 진단 방법 및 그 장치 KR102424916B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020210136823A KR102424916B1 (ko) 2021-10-14 2021-10-14 배터리 진단 방법 및 그 장치
EP22843990.7A EP4417986A1 (en) 2021-10-14 2022-09-07 Battery diagnosis method and device therefor
CN202280006218.0A CN116457674A (zh) 2021-10-14 2022-09-07 电池诊断方法以及其装置
PCT/KR2022/013472 WO2023063587A1 (ko) 2021-10-14 2022-09-07 배터리 진단 방법 및 그 장치
US18/161,903 US11879945B2 (en) 2021-10-14 2023-01-31 Battery diagnosis method and battery diagnosis apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210136823A KR102424916B1 (ko) 2021-10-14 2021-10-14 배터리 진단 방법 및 그 장치

Publications (1)

Publication Number Publication Date
KR102424916B1 true KR102424916B1 (ko) 2022-07-22

Family

ID=82606038

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210136823A KR102424916B1 (ko) 2021-10-14 2021-10-14 배터리 진단 방법 및 그 장치

Country Status (5)

Country Link
US (1) US11879945B2 (ko)
EP (1) EP4417986A1 (ko)
KR (1) KR102424916B1 (ko)
CN (1) CN116457674A (ko)
WO (1) WO2023063587A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023063587A1 (ko) * 2021-10-14 2023-04-20 모나 주식회사 배터리 진단 방법 및 그 장치
KR102522683B1 (ko) * 2022-08-16 2023-04-20 모나 주식회사 배터리진단방법 및 그 장치
KR102635946B1 (ko) * 2023-08-25 2024-02-13 서울시립대학교 산학협력단 이상 데이터 보정 장치 및 방법
WO2024037915A1 (de) * 2022-08-16 2024-02-22 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum überwachen von batteriezellen einer batterie eines kraftfahrzeugs, computerprogramm, datenverarbeitungsvorrichtung und kraftfahrzeug
KR102682629B1 (ko) * 2023-07-19 2024-07-08 주식회사 엘와이솔루션 배터리의 상태를 실시간으로 모니터링하는 방법 및 장치

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117878360B (zh) * 2024-03-12 2024-05-28 长春师范大学 一种燃料电池效率预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190022905A (ko) * 2016-07-22 2019-03-06 이오에스 에너지 스토리지 엘엘씨 배터리 관리 시스템
EP3044601B1 (fr) * 2013-09-11 2019-12-11 Commissariat à l'Énergie Atomique et aux Énergies Alternatives Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie
KR20200119383A (ko) * 2019-03-26 2020-10-20 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법
JP2021108246A (ja) * 2019-12-27 2021-07-29 東洋システム株式会社 模擬電池構築方法および模擬電池構築装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9177466B2 (en) * 2011-01-20 2015-11-03 Indiana University Research And Technology Corporation Advanced battery early warning and monitoring system
US20220188700A1 (en) * 2014-09-26 2022-06-16 Bombora, Inc. Distributed machine learning hyperparameter optimization
US11691518B2 (en) * 2017-07-21 2023-07-04 Quantumscape Battery, Inc. Predictive model for estimating battery states
JP6973334B2 (ja) 2018-08-30 2021-11-24 トヨタ自動車株式会社 二次電池の劣化状態推定方法および二次電池システム
KR102171199B1 (ko) 2018-12-27 2020-10-28 광운대학교 산학협력단 배터리의 충전 상태값을 추정하는 방법 및 배터리 관리 장치
US11119494B2 (en) * 2019-01-07 2021-09-14 Wing Aviation Llc Using machine learning techniques to estimate available energy for vehicles
KR20210077948A (ko) 2019-12-18 2021-06-28 주식회사 어스텍 배터리의 soh 진단 방법 및 장치
KR102140632B1 (ko) 2020-04-21 2020-08-03 (주) 한일프로텍 배터리의 상태를 진단하기 위한 장치
JP7414637B2 (ja) * 2020-05-19 2024-01-16 本田技研工業株式会社 制御装置、制御システム、制御方法、及びプログラム
US11360155B2 (en) * 2020-09-03 2022-06-14 Volkswagen Aktiengesellschaft Battery state of health estimator
KR102424916B1 (ko) * 2021-10-14 2022-07-22 모나일렉트릭 주식회사 배터리 진단 방법 및 그 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3044601B1 (fr) * 2013-09-11 2019-12-11 Commissariat à l'Énergie Atomique et aux Énergies Alternatives Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie
KR20190022905A (ko) * 2016-07-22 2019-03-06 이오에스 에너지 스토리지 엘엘씨 배터리 관리 시스템
KR20200119383A (ko) * 2019-03-26 2020-10-20 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법
JP2021108246A (ja) * 2019-12-27 2021-07-29 東洋システム株式会社 模擬電池構築方法および模擬電池構築装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023063587A1 (ko) * 2021-10-14 2023-04-20 모나 주식회사 배터리 진단 방법 및 그 장치
US11879945B2 (en) 2021-10-14 2024-01-23 Mona Inc. Battery diagnosis method and battery diagnosis apparatus
KR102522683B1 (ko) * 2022-08-16 2023-04-20 모나 주식회사 배터리진단방법 및 그 장치
WO2024037915A1 (de) * 2022-08-16 2024-02-22 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum überwachen von batteriezellen einer batterie eines kraftfahrzeugs, computerprogramm, datenverarbeitungsvorrichtung und kraftfahrzeug
KR102682629B1 (ko) * 2023-07-19 2024-07-08 주식회사 엘와이솔루션 배터리의 상태를 실시간으로 모니터링하는 방법 및 장치
KR102635946B1 (ko) * 2023-08-25 2024-02-13 서울시립대학교 산학협력단 이상 데이터 보정 장치 및 방법

Also Published As

Publication number Publication date
US20230168306A1 (en) 2023-06-01
EP4417986A1 (en) 2024-08-21
US11879945B2 (en) 2024-01-23
WO2023063587A1 (ko) 2023-04-20
CN116457674A (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
KR102424916B1 (ko) 배터리 진단 방법 및 그 장치
KR102439041B1 (ko) 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
KR102362532B1 (ko) 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치
US11092952B2 (en) Plant abnormality detection method and system
JP2020522817A (ja) 意味分析方法、装置、および記憶媒体
CN110377447A (zh) 一种异常数据检测方法、装置及服务器
Zhang et al. A cable fault recognition method based on a deep belief network
US20220360084A1 (en) Transient stability assessment method for an electric power system
US11606393B2 (en) Node classification in dynamic networks using graph factorization
KR102272573B1 (ko) 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법
CN113383338B (zh) 模拟电池构建方法及模拟电池构建装置
Godoy et al. Evaluation of stator winding faults severity in inverter-fed induction motors
Xiao et al. Multi-label classification for power quality disturbances by integrated deep learning
US11283401B2 (en) System and method for determining a state of a photovoltaic panel
CN113189513B (zh) 一种基于纹波的冗余电源均流状态识别方法
Babu et al. Implementation of anfis-mptc for 20 kwp spv power generation and comparison with flmppt under dissimilar conditions
Yang et al. IGBT modules fault prediction based on particle filter with an improved nonlinear characteristics representation of state-space model
KR20230142121A (ko) 신경망 기반의 배터리 사용량 예측 방법 및 장치
Tian et al. Adaptive boosting based on multi-class neural networks for IGBT health parameter prediction
Peter et al. Voltage stability assessment in power systems using Artificial Neural Networks
Khayat et al. Differentiating adaptive Neuro-Fuzzy Inference System for accurate function derivative approximation
Zequera et al. Data Science-based Techniques for Modelling and Diagnostics of Battery Cells Based on End-of-Life criteria
Obayuwana et al. A Comparative Study of Machine Learning Models for Solar Power Generation Forecasting Using Weather Parameters: A Case of Benin City
NL2028909B1 (en) Method for maximum power point tracking
CN117439146B (zh) 充电桩的数据分析控制方法及系统

Legal Events

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