KR102468895B1 - 배터리의 상태를 추정하는 방법 및 장치 - Google Patents

배터리의 상태를 추정하는 방법 및 장치 Download PDF

Info

Publication number
KR102468895B1
KR102468895B1 KR1020150102854A KR20150102854A KR102468895B1 KR 102468895 B1 KR102468895 B1 KR 102468895B1 KR 1020150102854 A KR1020150102854 A KR 1020150102854A KR 20150102854 A KR20150102854 A KR 20150102854A KR 102468895 B1 KR102468895 B1 KR 102468895B1
Authority
KR
South Korea
Prior art keywords
density
battery
data
clusters
density data
Prior art date
Application number
KR1020150102854A
Other languages
English (en)
Other versions
KR20170011010A (ko
Inventor
유개원
박상도
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 KR1020150102854A priority Critical patent/KR102468895B1/ko
Priority to EP16155787.1A priority patent/EP3121614A1/en
Priority to CN201610288538.6A priority patent/CN106371021B/zh
Priority to US15/197,942 priority patent/US10444289B2/en
Priority to JP2016142361A priority patent/JP6803163B2/ja
Publication of KR20170011010A publication Critical patent/KR20170011010A/ko
Application granted granted Critical
Publication of KR102468895B1 publication Critical patent/KR102468895B1/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]
    • 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]
    • G01R31/367—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]
    • G01R31/374—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
    • 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]
    • G01R31/392—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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery

Abstract

배터리의 수명을 추정하는 방법 및 장치가 개시된다. 일 실시예에 따르면, 배터리 수명 추정 장치는 배터리 센싱 데이터에 기초하여 밀도 데이터를 획득할 수 있다. 배터리 수명 추정 장치는 복수의 배터리 운용 프로파일들에 기초한 밀도 데이터 세트가 클러스터링되어 생성된 클러스터들에 기초하여 밀도 데이터로부터 밀도 특징을 결정하고, 결정된 밀도 특징에 기초하여 배터리의 수명을 추정할 수 있다.

Description

배터리의 상태를 추정하는 방법 및 장치{METHOD AND APPARATUS FOR ESTIMATING STATE OF BATTERY}
아래의 설명은 배터리의 상태를 추정하는 방법 및 장치에 관한 것이다.
환경 문제와 에너지 자원 문제가 중요해지는 가운데, 전기 자동차(electric vehicle)가 미래의 운송 수단으로서 각광받고 있다. 전기 자동차는 충전 및 방전이 가능한 다수의 2차 전지가 하나의 팩(pack)으로 형성된 배터리를 주 동력원으로 이용하기 때문에 배기 가스가 없으며 소음이 작다는 장점이 있다.
전기 자동차에서 배터리는 가솔린 자동차의 엔진 및 연료 탱크와 같은 역할을 하므로, 전기 자동차의 이용에서 배터리의 상태를 확인하는 것은 중요하다. 2차 전지인 배터리를 이용할수록 배터리의 수명은 줄어들 수 있고, 배터리의 수명이 줄어듦에 따라 배터리의 초기 커패시티(capacity)가 보전되지 못하고 점차 감소될 수 있다. 배터리의 커패시티가 지속적으로 감소되어 운전자가 원하는 출력, 운용 시간 및 안전성을 제공하지 못하게 되면, 배터리를 교체할 필요가 있다. 배터리의 교체 시점을 결정하기 위해 배터리의 상태를 판단하는 것은 중요할 수 있다.
일 실시예에 따른 배터리 수명 추정 방법은, 배터리 센싱 데이터에 기초하여 밀도 데이터를 획득하는 단계; 복수의 배터리 운용 프로파일들에 기초한 밀도 데이터 세트가 클러스터링되어 생성된 클러스터들을 이용하여 상기 밀도 데이터로부터 밀도 특징을 결정하는 단계; 및 상기 밀도 특징에 기초하여 배터리의 수명을 추정하는 단계를 포함할 수 있다.
일 실시예에 따른 배터리 수명 추정 방법에서, 상기 밀도 특징을 결정하는 단계는, 각 클러스터들에 포함되는 상기 밀도 데이터의 데이터 개수에 기초하여 상기 밀도 특징을 결정할 수 있다.
일 실시예에 따른 배터리 수명 추정 방법에서, 상기 밀도 특징을 결정하는 단계는, 상기 클러스터들 각각에 포함되는 상기 밀도 데이터의 데이터 개수에 기초하여 히스토그램을 생성하는 단계; 및 상기 히스토그램에 기초하여 밀도 벡터를 결정하는 단계를 포함할 수 있다.
일 실시예에 따른 배터리 수명 추정 방법에서, 상기 밀도 데이터를 획득하는 단계는, 동일 시점에 센싱된 복수 종류의 배터리 센싱 데이터들을 결합하는 단계; 및 상기 결합된 배터리 센싱 데이터들을 시간에 따라 누적하여 상기 밀도 데이터를 획득하는 단계를 포함할 수 있다.
일 실시예에 따른 학습 방법은, 배터리 센싱 데이터에 기초한 복수의 밀도 데이터들을 결합하여 밀도 데이터 세트를 획득하는 단계; 상기 밀도 데이터 세트를 복수의 클러스터들로 클러스터링하는 단계; 상기 클러스터들에 기초하여 학습 데이터로부터 밀도 특징을 결정하는 단계; 및 상기 밀도 특징에 기초하여 배터리 수명 추정 모델을 학습시키는 단계를 포함할 수 있다.
일 실시예에 따른 학습 방법에서, 상기 밀도 특징을 결정하는 단계는, 각 클러스터들에 포함되는 상기 학습 데이터의 데이터 개수에 기초하여 상기 밀도 특징을 결정할 수 있다.
일 실시예에 따른 학습 방법은, 상기 클러스터들에 대한 정보와 상기 학습된 배터리 수명 추정 모델에 대한 정보를 저장하는 단계를 더 포함할 수 있다.
일 실시예에 따른 배터리 수명 추정 장치는, 배터리 센싱 데이터에 기초하여 밀도 데이터를 획득하는 밀도 데이터 획득부; 복수의 배터리 운용 프로파일들에 기초한 밀도 데이터 세트가 클러스터링되어 생성된 클러스터들을 이용하여 상기 밀도 데이터로부터 밀도 특징을 결정하는 밀도 특징 결정부; 및 상기 밀도 특징에 기초하여 배터리의 수명을 추정하는 배터리 수명 추정부를 포함할 수 있다.
일 실시예에 따른 학습 장치는, 배터리 센싱 데이터에 기초한 복수의 밀도 데이터들을 결합하여 밀도 데이터 세트를 획득하는 밀도 데이터 세트 획득부; 상기 밀도 데이터 세트를 복수의 클러스터들로 클러스터링하는 클러스터링부; 상기 클러스터들에 기초하여 학습 데이터로부터 밀도 특징을 결정하는 밀도 특징 결정부; 및 상기 밀도 특징에 기초하여 배터리 수명 추정 모델을 학습시키는 학습부를 포함할 수 있다.
도 1은 일 실시예에 따른 배터리 수명 추정 모델을 학습시키기 위한 장치의 구성을 도시한 도면이다.
도 2는 일 실시예에 따른 배터리의 수명을 추정하는 장치의 구성을 도시한 도면이다.
도 3은 일 실시예에 따른 배터리의 수명을 추정하는 시스템의 구성을 도시한 도면이다.
도 4는 일 실시예에 따른 배터리 센싱 데이터에 기초하여 밀도 데이터를 획득하는 과정을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 밀도 데이터들의 일례를 도시하는 도면이다.
도 6은 일 실시예에 따른 밀도 데이터 세트를 획득하고, 밀도 데이터 세트를 클러스터링하는 과정을 설명하기 위한 도면이다.
도 7a 및 도 7b는 일 실시예에 따른 밀도 특징을 결정하는 과정을 설명하기 위한 도면들이다.
도 8은 일 실시예에 따른 사용자 인터페이스를 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 배터리 수명 정보를 제공하기 위한 사용자 인터페이스를 설명하기 위한 도면이다.
도 10은 일 실시예에 따른 배터리 수명 추정 모델을 학습시키는 방법을 나타내는 동작 흐름도이다.
도 11은 일 실시예에 따른 배터리의 수명을 추정하는 방법을 나타내는 동작 흐름도이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 아래의 특정한 구조적 내지 기능적 설명들은 단지 실시예들을 설명하기 위한 목적으로 예시된 것으로, 권리 범위가 본문에 설명된 내용에 한정되는 것으로 해석되어서는 안된다. 설명한 분야에 속하는 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 본 명세서에서 "일 실시예" 또는 "실시예"에 대한 언급은 그 실시예와 관련하여 설명되는 특정한 특징, 구조 또는 특성이 적어도 하나의 실시예에 포함된다는 것을 의미하며, "일 실시예" 또는 "실시예"에 대한 언급이 모두 동일한 실시예를 지칭하는 것이라고 이해되어서는 안된다.
또한, 실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 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.
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 경우에는 그 상세한 설명을 생략한다.
이하에서는, 설명의 편의를 위해 전기 자동차에 구비된 배터리를 예로써 설명하지만, 실시예의 범위가 이에 한정되는 것으로 해석되어서는 안되며, 충전 및 방전이 가능한 이차 전지를 이용하는 모든 응용에 아래 기재된 실시예들이 적용될 수 있다.
배터리는 충전 및 방전되는 사이클(cycle)의 수가 증가할수록 노화되어 배터리의 수명이 줄어될 수 있다. 배터리의 수명은 배터리가 외부에 전력을 정상적으로 공급할 수 있는 기간을 나타낸다. 배터리의 수명은 배터리의 현재 커패시티(capacity) 값, 내부 저항 값 및 SoH(State-Of-Health) 등에 대응될 수 있다. 예를 들어, 배터리에 저장될 수 있는 최대 전하량인 커패시티(capacity)가 임계값 이하로 감소되면, 배터리가 어플리케이션에서 요구하는 요건을 만족하지 못하게 되어 배터리의 교체가 필요할 수 있다. 적절한 배터리 교체 시점을 결정하기 위해 배터리의 수명을 정확히 추정하는 것은 중요할 수 있다.
도 1은 일 실시예에 따른 배터리 수명 추정 모델을 학습시키기 위한 장치의 구성을 도시한 도면이다. 학습 장치(100)는 배터리 수명 추정 모델을 학습(training)시킨다. 학습 장치(100)는 배터리에 대한 센싱 데이터를 수집하고, 수집된 센싱 데이터의 밀도에 기초하여 배터리 수명 추정 모델을 학습시킬 수 있다. 배터리 수명 추정 모델은 학습이 완료된 이후에 배터리의 수명을 추정하는데 이용될 수 있다. 이하에서는, 학습 장치(100)의 동작을 보다 자세히 설명하도록 한다.
도 1을 참조하면, 학습 장치(100)는 밀도 데이터 세트 획득부(110), 클러스터링부(120), 밀도 특징 결정부(130) 및 배터리 수명 추정 모델 학습부(140)를 포함한다. 밀도 데이터 세트 획득부(110), 클러스터링부(120), 밀도 특징 결정부(130) 및 배터리 수명 추정 모델 학습부(140)는 하나 이상의 프로세서에 의해 수행될 수 있다.
밀도 데이터 세트 획득부(110)는 배터리 센싱 데이터들에 기초하여 밀도 데이터를 획득하고, 다양한 배터리 운용 상황에서 획득된 밀도 데이터들로부터 밀도 데이터 세트를 획득할 수 있다. 밀도 데이터는 수집된 배터리 센싱 데이터들이 특정(particular) 차원(예, 2차원 또는 3차원)의 공간 상에 분포된 정도를 나타내고, 밀도 데이터 세트는 밀도 데이터들의 집합을 나타낸다.
밀도 데이터 세트 획득부(110)는 먼저, 여러 종류의 배터리 센싱 데이터들을 수집하고, 수집된 배터리 센싱 데이터들로부터 밀도 데이터를 획득할 수 있다. 예를 들어, 밀도 데이터 세트 획득부(110)는 배터리에 대한 전압 데이터, 전류 데이터 및 온도 데이터를 수집하고, 동일 시점에 센싱된 전압 데이터, 전류 데이터 및 온도 데이터를 3차원 공간 상에 투영하여 밀도 데이터를 획득할 수 있다.
밀도 데이터 세트 획득부(110)는 다양한 배터리 운용 프로파일에 기초한 밀도 데이터들을 획득하고, 획득된 밀도 데이터들을 결합하여 밀도 데이터 세트를 획득할 수 있다. 밀도 데이터 세트가 나타내는 영역에서 서로 인접하게 위치하는 데이터들은 배터리의 열화(aging)에 유사한 영향을 미치는 것으로 생각할 수 있다.
배터리 운용 프로파일에 따라 다양한 패턴의 밀도 데이터들이 존재할 수 있다. 예를 들어, 전기 자동차의 경우 도심을 주행할 때의 배터리 운용과 고속도로를 주행할 때의 배터리 운용은 서로 다를 수 있고, 이에 따라 배터리 센싱 데이터 간의 패턴도 서로 다를 수 있다. 따라서, 배터리 센싱 데이터에 기초하는 밀도 데이터의 패턴도 배터리 운용에 따라 달라질 수 있다. 밀도 데이터 세트 획득부(110)는 이러한 다양한 패턴의 밀도 데이터들을 결합하여 밀도 데이터 세트를 생성할 수 있다.
클러스터링부(120)는 밀도 데이터 세트를 복수의 클러스터(cluster)들로 클러스터링할 수 있다. 클러스터링 과정을 통해 밀도 데이터 세트가 나타내는 전체 영역이 복수의 영역들로 분할되고, 어느 하나의 분할된 영역은 하나의 클러스터에 대응될 수 있다.
클러스터링부(120)는, 예를 들어, K-means 클러스터링 기법을 포함한 다양한 클러스터링 기법을 이용하여 밀도 데이터 세트가 나타내는 영역을 복수의 클러스터들로 분할할 수 있다. 각각의 클러스터들은 중심(centroid)을 가지고 있으며, 특정 클러스터에 포함된 데이터(밀도 데이터 세트의 데이터)들은 다른 클러스터들의 중심보다 해당 특정 클러스터의 중심과 가장 가까운 거리를 가질 수 있다. 각 클러스터들의 중심 위치에 대한 정보를 포함하는 클러스터 정보는 저장부(미도시)에 저장될 수 있다. 저장된 클러스터 정보는 배터리 수명 추정 모델을 학습시키는 과정뿐만 아니라 배터리의 수명을 추정하는 과정에서도 이용될 수 있다.
다른 실시예에 따르면, 클러스터링부(120)는 클러스터링을 수행하기 전에 밀도 데이터 세트의 분포를 정규화(normalization)할 수 있다. 예를 들어, 클러스터링부(120)는 밀도 데이터 세트를 구성하는 서로 다른 종류의 배터리 센싱 데이터들 간의 스케일(scale) 차이를 조정할 수 있다. 정규화 과정을 통해 배터리 센싱 데이터들 간의 스케일 차이에 의해 밀도 데이터 세트의 밀도가 특정 방향으로 편향(bias)되는 것이 방지될 수 있다.
밀도 특징 결정부(130)는 학습 데이터로부터 밀도 특징을 결정한다. 학습 데이터로서 특정 시간 구간에서의 배터리 센싱 데이터들에 기초하여 생성된 밀도 데이터가 이용될 수 있다. 예를 들어, 밀도 특징 결정부(130)는 동일 시점에 센싱된 배터리에 대한 전압 데이터, 전류 데이터 및 온도 데이터를 특정 차원의 공간에 투영한 밀도 데이터를 학습 데이터로서 이용할 수 있다. 밀도 데이터는 초기 시점부터 특정 시점까지 수집된 배터리 센싱 데이터들에 기초하여 생성될 수 있다.
밀도 특징 결정부(130)는 클러스터링부(120)에 의해 결정된 클러스터들에 기초하여 학습 데이터의 밀도 패턴을 정량화(quantification)할 수 있다. 밀도 특징 결정부(130)는 학습 데이터에 포함된 전체 데이터들에 대해 각 클러스터들에 포함되는 데이터의 개수를 카운트(count)하여 학습 데이터의 밀도 패턴을 정량화할 수 있다. 밀도 특징 결정부(130)는, 예를 들어, 각 클러스터들에 포함되는 데이터의 개수를 클러스터별로 구분하여 히스토그램을 생성할 수 있고, 생성된 히스토그램의 정보에 기초하여 밀도 특징을 결정할 수 있다. 밀도 특징 결정부(130)는 클러스터별로 포함되는 데이터의 개수를 벡터화한 밀도 벡터를 밀도 특징으로 결정할 수 있다.
배터리 수명 추정 모델 학습부(140)는 밀도 특징에 기초하여 배터리 수명 추정 모델을 학습시킨다. 학습 데이터에 대응하는 타겟 출력(target output) 값이 주어지면, 배터리 수명 추정 모델 학습부(140)는 배터리 수명 추정 모델로부터 해당 타겟 출력 값이 출력되도록 배터리 수명 추정 모델의 파라미터들을 학습시킬 수 있다. 학습 과정을 통해 배터리 수명 추정 모델에 입력되는 밀도 특징으로부터 미리 주어진 배터리 수명 값이 출력되도록 배터리 수명 추정 모델을 구성하는 파라미터들이 업데이트될 수 있다.
배터리 수명 추정 모델은 블랙박스 함수(black-box function)를 포함할 수 있고, 배터리 수명 추정 모델 학습부(140)는 블랙박스 함수에 대해 주어진 입력과 출력에 기초하여 블랙박스 함수의 파라미터들을 학습시킬 수 있다. 또한, 배터리 수명 추정 모델로서 뉴럴 네트워크(neural network) 모델, 서포트 벡터 머신(Support Vector Machine, SVM) 모델 또는 가우시안 프로세스 회귀(Gaussian Process Regression, GPR) 모델 등이 이용될 수 있으나, 배터리 수명 추정 모델로 이용되는 학습 모델은 이에 한정되지 않으며 다양한 학습 모델이 이용될 수 있다.
배터리 수명 추정 모델로서 뉴럴 네트워크 모델이 이용되는 경우, 학습 파라미터는 인공 뉴런(artificial neuron)들 간의 연결 패턴, 가중치 및 활성화 함수(activation functions)를 포함할 수 있다. SVM 모델이 배터리 수명 추정 모델로 이용되는 경우, 학습 파라미터는 커널 함수(kernel function) 및 페널티 파라미터(penalty parameters)를 포함할 수 있다. 또는, GPR 모델이 배터리 수명 추정 모델로 이용되는 경우, 학습 파라미터는 커널 함수 및 하이퍼 파라미터(hyper-parameters)를 포함할 수 있다.
배터리 수명 추정 모델 학습부(140)는 다양한 학습 데이터들에 기초하여 배터리 수명 추정 모델을 학습시킬 수 있고, 학습이 완료된 배터리 수명 추정 모델의 파라미터 정보를 저장부(미도시)에 저장할 수 있다. 저장부에 저장된 배터리 수명 추정 모델의 파라미터 정보는 배터리의 수명을 추정하기 위해 이용될 수 있다.
도 2는 일 실시예에 따른 배터리의 수명을 추정하는 장치의 구성을 도시한 도면이다. 배터리 수명 추정 장치(230)는 배터리(210)의 수명 또는 배터리(210)의 현재 열화 상태를 추정한다. 배터리 수명 추정 장치(230)는 배터리(210)에 대한 센싱 데이터를 수집하고, 수집된 센싱 데이터의 밀도를 분석하여 배터리(210)의 수명을 실시간으로 추정할 수 있다. 배터리(210)의 수명을 추정하는 과정에서, 도 1의 학습 장치(100)에 의해 결정된 각 클러스터들에 대한 정보와 학습된 배터리 수명 추정 모델이 이용될 수 있다. 이하에서는, 배터리 수명 장치의 동작을 보다 자세히 설명하도록 한다.
도 2를 참조하면, 배터리 수명 추정 장치(230)는 밀도 데이터 획득부(240), 밀도 특징 결정부(250) 및 배터리 수명 추정부(260)를 포함한다. 밀도 데이터 획득부(240), 밀도 특징 결정부(250) 및 배터리 수명 추정부(260)는 하나 이상의 프로세서에 의해 수행될 수 있다.
센싱부(220)는 배터리 센싱 데이터를 획득한다. 배터리 센싱 데이터는, 예를 들어, 배터리(210)에 대한 전압 데이터, 전류 데이터 및 온도 데이터 중 하나 이상을 포함할 수 있다. 또한, 배터리 센싱 데이터는 압력 센서로부터 획득된 압력 데이터 또는 습도 센서로부터 획득된 습도 데이터를 포함할 수 있다. 배터리 센싱 데이터는 특정 시간 구간 동안 센싱된 시계열적(time-series) 데이터의 형태를 가질 수 있다. 도 2에서는 센싱부(220)가 배터리 수명 추정 장치(230)의 외부에 존재하는 것으로 표현하였지만, 구현에 따라 센싱부(220)는 배터리 수명 추정 장치(230)에 포함될 수 있다.
밀도 데이터 획득부(240)는 여러 종류의 배터리 센싱 데이터들에 기초하여 밀도 데이터를 획득한다. 예를 들어, 밀도 데이터 획득부(240)는 특정 시간 구간 내에서 동일 시점에 센싱된 배터리(210)에 대한 전압 데이터, 전류 데이터 및 온도 데이터를 특정 차원의 공간에 투영하여 밀도 데이터를 생성할 수 있다. 공간에 투영된 각각의 데이터들은 포인트로서 표현될 수 있다.
밀도 특징 결정부(250)는 밀도 데이터로부터 밀도 특징을 결정한다. 밀도 특징 결정부(250)는 배터리 수명 추정 모델의 학습 과정에서 결정된 클러스터 정보에 기초하여 밀도 데이터의 밀도 패턴을 정량화할 수 있다. 밀도 특징 결정부(250)는 미리 저장된 클러스터들에 대한 정보를 이용하여 클러스터별 밀도를 결정하고, 결정된 클러스터별 밀도에 기초하여 밀도 데이터의 밀도 특징을 나타내는 특징 벡터를 결정할 수 있다.
일 실시예에 따르면, 밀도 특징 결정부(250)는 밀도 데이터에 포함된 전체 데이터들에 대해 각 클러스터들에 포함되는 데이터의 개수를 카운트하고, 클러스터별로 카운트된 값에 기초하여 밀도 벡터를 결정할 수 있다. 밀도 데이터에 포함된 데이터는 특정한 공간적 위치를 가지는 포인트로 표현될 수 있다. 밀도 특징 결정부(250)는 해당 포인트와 각 클러스터들의 중심 위치들 간의 거리를 계산하고, 가장 거리가 짧은 중심 위치를 가지는 클러스터에 해당 포인트가 포함되는 것으로 결정할 수 있다. 밀도 특징 결정부(250)는 밀도 데이터에 포함된 전체 데이터들에 대해 이와 같은 과정을 반복하여 각 클러스터별로 클러스터 영역에 포함되는 데이터의 개수를 카운트할 수 있다. 밀도 특징 결정부(250)는 클러스터별로 카운트된 개수 정보에 기초하여 밀도 벡터를 결정할 수 있다.
배터리 수명 추정부(260)는 밀도 특징에 기초하여 배터리(210)의 수명을 추정한다. 배터리 수명 추정부(260)는 미리 학습된 배터리 수명 추정 모델에 밀도 특징을 입력하여 현재 배터리(210)의 수명을 추정할 수 있다. 일 실시예에 따르면, 배터리 수명 추정 모델은 도 1에 설명된 학습 과정에 의해 미리 학습될 수 있다.
일 실시예에 따르면, 배터리 수명 추정부(260)는 미리 학습된 배터리 수명 추정 모델의 파라미터 정보에 기초하여 배터리 수명 추정 모델을 구성할 수 있다. 배터리 수명 추정 모델은 밀도 벡터와 같은 밀도 특징에 기초하여 배터리(210)의 수명을 예측하고, 예측 결과를 출력할 수 있다. 배터리(210)의 수명에 대한 정보는 인터페이스를 통해 사용자에게 제공되거나 또는 저장부(미도시)에 저장될 수 있다.
배터리 수명 추정 장치(230)는 위와 같은 과정을 통해 배터리 센싱 데이터에 기초하여 배터리(210)의 수명을 실시간으로 추정할 수 있고, 배터리(210)가 부분 충전된 경우에도 배터리(210)의 수명의 추정할 수 있다. 또한, 배터리 수명 추정 장치(230)는 서로 연관성을 가지는 여러 종류의 배터리 센싱 데이터들을 이용함으로써, 특정 배터리 센싱 데이터에 민감하지 않게 배터리(210)의 수명을 추정할 수 있다. 특정 시점까지 수집된 배터리 센싱 데이터에 기초하여 배터리(210)의 수명이 추정되고, 추정된 배터리(210)의 수명이 기록됨으로써 배터리 운용에 대한 이력 관리가 용이해질 수 있다.
도 3은 일 실시예에 따른 배터리의 수명을 추정하는 시스템의 구성을 도시한 도면이다. 도 3을 참조하면, 배터리 시스템(300)은 배터리(330), 전압 센서(342), 전류 센서(344), 온도 센서(346), 배터리 제어 장치(310)를 포함할 수 있다. 도 3에서는 위 센서들(342, 344, 346)이 배터리 제어 장치(310)의 외부에 존재하는 것으로 표현되었지만, 구현에 따라 센서들(342, 344, 346)은 배터리 제어 장치(310)에 포함될 수 있다.
배터리(330)는 배터리(330)가 장착된 장치(기기 또는 기계)에 전력을 공급하고, 복수 개의 배터리 모듈을 포함할 수 있다. 복수 개의 배터리 모듈의 용량은 서로 동일할 수도 있고, 서로 다를 수도 있다.
전압 센서(342)는 배터리(330)의 전압을 센싱하여 전압 데이터를 획득하고, 전류 센서(344)는 배터리(330)의 전류를 센싱하여 전류 데이터를 획득한다. 온도 센서(346)는 배터리(330)의 온도를 센싱하여 온도 데이터를 획득한다. 센서들(342, 344, 346)은 배터리(330)의 상태를 실시간으로 측정할 수 있다.
배터리 제어 장치(310)는 RTC(Real Time Clock)(360), 버퍼(350), 배터리 수명 추정 장치(320) 및 인터페이스부(370)를 포함할 수 있다. 버퍼(350)는 센서들(342, 344, 346)로부터 수신한 배터리 센싱 데이터들을 저장할 수 있다. RTC(360)는 현재의 시간을 유지하고, 버퍼(350)에 시간 정보를 제공할 수 있다. 버퍼(350)는 RTC(360)로부터 수신한 시간 정보에 기초하여 센서들(342, 344, 346)로부터 배터리 센싱 데이터가 수신된 시간을 기록할 수 있다.
배터리 수명 추정 장치(320)는 저장부(322), 밀도 특징 결정부(324) 및 배터리 수명 추정부(326)를 포함할 수 있다. 저장부(322)는 학습 과정에서 결정된 클러스터들에 대한 정보와 미리 학습된 배터리 수명 추정 모델의 파라미터 정보를 저장할 수 있다. 클러스터들에 대한 정보는 각 클러스터들의 중심 위치에 대한 정보를 포함할 수 있다. 저장부(322)는, 예를 들어, DRAM 메모리, SRAM 메모리, FRAM 메모리, 플래쉬 메모리, HDD(Hard Disk Drive), SSD(Solid State Drive) 등을 포함할 수 있으나, 이에 한정되는 것은 아니며 데이터를 저장하기 위한 다양한 장치를 포함할 수 있다.
밀도 특징 결정부(324)는 서로 다른 종류의 배터리 센싱 데이터들로부터 밀도 데이터를 생성할 수 있다. 밀도 특징 결정부(324)는 저장부(322)에 저장된 클러스터들에 대한 정보에 기초하여 배터리 센싱 데이터의 밀도를 클러스터별로 정량화할 수 있다. 예를 들어, 밀도 특징 결정부(324)는 밀도 데이터에 포함된 데이터들이 각 클러스터들에 얼마나 포함되는지를 카운트하고, 카운트 결과에 기초하여 밀도 데이터에 대응하는 밀도 벡터를 결정할 수 있다.
배터리 수명 추정부(326)는 밀도 벡터와 같은 밀도 특징을 이용하여 배터리(330)의 수명을 추정할 수 있다. 배터리 수명 추정부(326)는 미리 학습된 배터리 수명 추정 모델에 밀도 특징을 입력하여 배터리(330)의 수명을 추정할 수 있다. 예를 들어, 배터리 수명 추정 모델로서 뉴럴 네트워크 모델이 이용되는 경우, 배터리 수명 추정부(326)는 저장부(322)에 저장된 뉴럴 네트워크 모델의 파라미터 정보를 배터리 수명 추정 모델에 적용할 수 있다. 배터리 수명 추정 모델은 입력된 밀도 특징에 기초하여 배터리(330)의 수명에 대한 추정 값을 출력할 수 있다.
인터페이스부(370)는 추정된 배터리(330)의 수명에 대한 정보를 다른 장치로 전송하거나 또는 디스플레이 장치를 통해 출력할 수 있다.
도 4는 일 실시예에 따른 배터리 센싱 데이터에 기초하여 밀도 데이터를 획득하는 과정을 설명하기 위한 도면이다. 학습 장치(100) 및 배터리 수명 추정 장치(230) 모두 배터리 센싱 데이터에 기초하여 밀도 데이터를 획득할 수 있다.
도 4를 참조하면, 배터리의 충전 및 방전이 반복되는 경우에 시간(x축)에 따라 센싱한 배터리 센싱 데이터들이 도시되어 있다. 그래프(410)는 시간에 따른 배터리 전압의 변화를 나타내고, 그래프(420)는 시간에 따른 배터리 전류의 변화를 나타낸다. 그래프(430)는 시간에 다른 배터리 온도의 변화를 나타낸다.
배터리로부터 센싱된 다양한 종류의 배터리 센싱 데이터들은 서로 유기적인 관계를 가질 수 있다. 그래프들(410, 420, 430)에 기초하여 배터리 센싱 데이터를 분석하면, 배터리를 방전하는 시기에는 전류 값이 음수의 값을 가지고, 전압 값은 하강하며, 온도 값은 상승한다. 배터리를 충전하는 시기에는 전류 값이 양수의 값을 가지고, 전압 값은 상승하며, 온도 값은 하강한다.
각각의 배터리 센싱 데이터들은 독립적으로 처리되지 않고, 다양한 종류의 배터리 센싱 데이터들이 특정 공간에 투영된 밀도 데이터(440)의 형태로 표현될 수 있다. 밀도 데이터(440)는, 예를 들어, 특정 시점(timestamp)에서 센싱된 배터리의 전압 데이터, 전류 데이터 및 온도 데이터를 3차원의 데이터(Vt, It, Tt)로 표현하여 공간 상에 투영(projection)하여 획득될 수 있다. 여기서, Vt, It 및 Tt는 각각 시점 t에서 센싱된 배터리의 전압 값, 전류 값 및 온도 값을 나타낸다. 밀도 데이터(440)에 포함된 각각의 포인트(450)들은 공간 상에 투영된 특정 시점에서의 배터리 센싱 데이터를 나타낸다. 여기서, 포인트(450)는 동일 시점에서 센싱된 배터리의 전압 정보, 전류 정보 및 온도 정보를 포함한다. 배터리 센싱 데이터는 계속적으로 누적되므로, 시간이 흘러갈수록 밀도 데이터(440)는 보다 많은 포인트들을 포함하게 된다.
도 4에서는 3개의 서로 다른 배터리 센싱 데이터들(전압, 전류 및 온도)에 기초하여 밀도 데이터를 생성하는 것을 설명하였지만, 실시예의 범위가 이에 한정되는 것으로 해석되어서는 안된다. 실시예에 따라, 2개 또는 4개 이상의 서로 다른 종류의 센싱 데이터에 기초하여 밀도 데이터가 생성될 수 있다. 예를 들어, 배터리의 전압 데이터 및 전류 데이터에 기초하여 밀도 데이터가 생성될 수 있다. 또는, 전압 데이터, 전류 데이터, 온도 데이터 및 가속도 센서로부터 측정된 가속도 데이터에 기초하여 밀도 데이터가 생성될 수도 있다.
도 5는 일 실시예에 따른 밀도 데이터들의 일례를 도시하는 도면이다. 도 5를 참조하면, 다양한 배터리 운용 프로파일에 기초하여 생성된 밀도 데이터들(510)이 도시되어 있다. 일 실시예에 따르면, 배터리 운용 프로파일은 주어진 배터리 운용 환경에서 배터리를 지속적으로 충전 및 방전하여 배터리의 특성(예, 배터리의 수명) 변화를 센싱하기 위한 프로파일일 수 있다.
배터리 센싱 데이터의 밀도는 배터리 운용 패턴에 따라 다양할 수 있고, 이는 배터리의 열화와 관련이 있다. 예를 들어, 전기 자동차가 시내 주행을 하는 경우의 배터리 운용 패턴은 고속 도로를 주행하는 경우의 배터리 운용 패턴과 다를 수 있고, 이에 따라 배터리 센싱 데이터에 기초한 밀도 데이터 및 배터리의 용량 감소 패턴도 서로 다르게 나타날 수 있다. 학습 장치(100)는 다양한 배터리 운용 프로파일에 따른 배터리 센싱 데이터들을 수집하고, 수집된 배터리 센싱 데이터들에 기초하여 다양한 배터리 운용 환경에서의 밀도 데이터들을 획득할 수 있다.
도 6은 일 실시예에 따른 밀도 데이터 세트를 획득하고, 밀도 데이터 세트를 클러스터링하는 과정을 설명하기 위한 도면이다.
도 6을 참조하면, 학습 장치(100)는 다양한 배터리 운용 패턴에 따른 밀도 데이터들(510)을 수집하고, 수집된 밀도 데이터들(510)에 나타난 데이터들을 결합하여 밀도 데이터 세트(610)를 생성할 수 있다. 학습 장치(100)는 밀도 데이터 세트(610)를 복수의 클러스터들로 클러스터링할 수 있다. 클러스터링을 통해 밀도 데이터 세트(610)가 나타내는 전체 영역이 복수의 서브 영역(sub region)들로 분할될 수 있다. 하나의 서브 영역은 하나의 클러스터를 형성한다.
다른 실시예에 따르면, 학습 장치(100)는 클러스터링을 수행하기 전에, 밀도 데이터 세트(610)의 분포를 각 축에 따라 정규화할 수 있다. 정규화 과정을 통해 배터리 센싱 데이터의 종류별로 스케일(scale)이 달라 특정 축으로 밀도 데이터 세트의 데이터들이 편향되는 것을 막을 수 있다. 학습 장치(100)는 정규화가 수행된 밀도 데이터 세트(610)를 복수의 클러스터들로 분할할 수 있다.
학습 장치(100)는, 예를 들어, K-means 클러스터링 기법을 포함하는 다양한 클러스터링 기법을 이용하여 밀도 데이터 세트(610)를 복수의 클러스터들로 분할할 수 있다. 도 6에 복수의 클러스터들로 클러스터링된 밀도 데이터 세트(620)가 도시되어 있다. 여기서는, K-means 클러스터링 기법을 이용하여 밀도 데이터 세트(610)가 50개의 클러스터들로 분할되었다고 가정한다. 특정 클러스터 영역 내에 위치한 포인트는 모든 클러스터들의 중심들 가운데 해당 특정 클러스터 영역의 중심에 가장 가깝게 위치하게 된다.
클러스터링 과정이 수행된 이후에, 학습 장치(100)는 각 클러스터들의 중심에 대한 위치 정보를 포함하는 클러스터 정보를 저장부에 저장할 수 있다. 예를 들어, 밀도 데이터 세트(610)가 50 개의 클러스터들로 분할된 경우, 학습 장치(100)는 50개 클러스터들 각각의 중심에 대한 위치 정보를 저장할 수 있다. 저장된 클러스터 정보는 배터리의 수명을 추정하는 과정에서 밀도 특징을 결정하는데 이용될 수 있다.
도 7a 및 도 7b는 일 실시예에 따른 밀도 특징을 결정하는 과정을 설명하기 위한 도면들이다.
도 7a를 참조하면, 학습 장치(100)는 특정 시점까지의 배터리 센싱 데이터들에 기초하여 밀도 데이터를 획득할 수 있고, 획득된 밀도 데이터를 학습 데이터(710)로 이용할 수 있다. 학습 장치(100)는 학습 데이터(710)와 복수의 클러스터들로 클러스터링된 밀도 데이터 세트(620)를 이용하여 학습 데이터(710)에 대응하는 밀도 특징을 결정할 수 있다.
학습 장치(100)는 학습 데이터(710)에서 각 클러스터들에 포함되는 데이터의 개수를 카운트하여 학습 데이터(710)를 정량화할 수 있다. 만약, 학습 데이터(710)에 포함된 어느 하나의 데이터가 임의의 포인트 p(Vt, It, Tt)로 표현된다면, 학습 장치(100)는 모든 클러스터들의 중심점들과 포인트 p 간의 거리들을 계산한 후, 가장 짧은 거리를 나타내는 클러스터가 포인트 p를 포함하는 것으로 결정할 수 있다.
학습 장치(100)는 카운트 결과의 분포를 히스토그램(720)으로 나타낼 수 있다. 히스토그램(720)은 학습 데이터(710)를 구성하는 데이터들이 각 클러스터들에 포함되는 개수에 대한 정보를 포함할 수 있다. 히스토그램(720)에서 빈(bin)의 크기는 각 클러스터들에 포함되는 데이터의 개수를 나타낸다. 학습 장치(100)는 각 클러스터별로 포함된 데이터의 개수에 기초하여 밀도 특징을 결정할 수 있다.
예를 들어, 학습 장치(100)는 학습 데이터(710)로부터 각 클러스터별로 포함되는 데이터의 개수를 원소로 하는 밀도 벡터를 결정할 수 있다. 만약, 클러스터링 과정을 통해 클러스터들이 50개가 생성되었다면, 학습 장치(100)는 50개의 클러스터별로 학습 데이터(710)의 데이터들이 포함되는 개수를 정량화하여 50 차원의 밀도 벡터를 결정할 수 있다. 예를 들어, 밀도 벡터는 다음의 수학식 1과 같이 나타낼 수 있다.
Figure 112015070554236-pat00001
수학식 1에서, Vt는 밀도 벡터를 나타내고, Vi t는 t 시점까지 i 번째 클러스터 영역에 포함되는 데이터의 개수를 나타낸다.
학습 장치(100)는 결정된 밀도 벡터에 기초하여 배터리 수명을 추정하기 위한 모델인 배터리 수명 추정 모델을 학습시킬 수 있다. 학습 장치(100)는 다양한 배터리 운용 상태에서 수집된 학습 데이터들과 각 학습 데이터들에 대응하는 배터리 수명의 실측 값을 이용하여 배터리 수명 추정 모델을 학습시킬 수 있다. 배터리 수명의 실측 값은, 예를 들어, 주기적으로 완전 충/방전을 수행하여 감소된 배터리의 용량(capacity)을 측정하거나 배터리의 증가된 내부 저항을 측정하여 획득될 수 있다.
학습 장치(100)는 학습 데이터(710)로부터 결정된 밀도 벡터를 배터리 수명 추정 모델에 입력하고, 배터리 수명 추정 모델로부터 출력된 결과 값과 배터리 수명의 실측 값(또는, 목적하는 결과 값) 간의 차이가 줄어들도록 배터리 수명 추정 모델을 학습시킬 수 있다. 학습 과정을 통해 배터리 수명 추정 모델의 파라미터들이 최적화될 수 있다.
배터리 수명 추정 모델로서 뉴럴 네트워크 모델이 이용되는 경우, 학습 장치(100)는 오류 역전파 학습(backpropagation learning) 기법 등을 이용하여 배터리 수명 추정 모델을 학습시킬 수 있다. 오류 역전파 학습 기법은, 주어진 학습 데이터에 대해 전방 계산(forward computation)으로 오류를 추정한 후 뉴럴 네트워크 모델의 출력 레이어에서 시작하여 히든 레이어(hidden layer)와 입력 레이어의 방향으로 역으로 전진하여 추정한 오류를 전파하고, 오류를 줄이는 방향으로 인공 뉴런들 간의 연결 가중치를 업데이트하는 기법이다.
일 실시예에 따르면, 위와 같은 과정을 통해 학습된 배터리 수명 추정 모델과 배터리 수명 추정 모델의 파라미터 정보는 배터리 수명 추정 장치(230)에 탑재될 수 있다. 예를 들어, 배터리 수명 추정 장치(230)는 전기 자동차가 운용되는 도중에 배터리로부터 센싱되는 배터리 센싱 데이터를 이용하여 배터리의 수명을 실시간으로 추정할 수 있다.
배터리 수명 추정 장치(230)는 배터리로부터 센싱된 센싱 데이터들에 기초하여 밀도 데이터를 생성하고, 미리 결정된 클러스터들에 포함되는 밀도 데이터의 데이터 개수(또는 엘리먼트 개수)를 정량화하여 밀도 특징을 결정할 수 있다. 밀도 데이터로부터 밀도 특징이 결정되는 과정은, 학습 데이터(710)로부터 밀도 특징이 결정되는 과정에 대한 설명이 그대로 적용될 수 있으므로 자세한 내용은 생략하도록 한다.
도 7b는 도 7a에서와 다른 배터리 운용 프로파일에 기초하여 획득된 학습 데이터(730)를 정량화하여 밀도 특징을 결정하는 일례를 도시한다. 도 7a에서와 유사하게, 학습 장치(100)는 학습 데이터(730)와 복수의 클러스터들로 클러스터링된 밀도 데이터 세트(620)에 기초하여 히스토그램(740)을 획득할 수 있다. 배터리 운용 프로파일에 따라 서로 상이한 밀도 특징이 나타날 수 있다.
도 8은 일 실시예에 따른 사용자 인터페이스를 설명하기 위한 도면이다.
도 8을 참조하면, 배터리 제어 장치는 외부로부터 트리거(trigger) 신호를 수신하고 트리거 신호의 수신에 응답하여 배터리 센싱 데이터를 획득할 수 있다. 배터리 제어 장치는 배터리가 부분 충/방전을 수행하는 경우에도 실시간으로 배터리의 수명 종료 시점을 추정할 수 있다. 예를 들어, 전자 제어 장치(Electronic Control Unit, ECU)는 배터리 및 배터리 제어 장치가 장착된 전기 자동차의 시동이 온(on) 상태일 때, 계기판에 사용자 인터페이스(810)를 디스플레이할 수 있다. 사용자 인터페이스(810)는 트리거 신호를 생성하기 위한 인터페이스(820)를 포함할 수 있다. 사용자로부터 인터페이스(820)가 선택된 경우, 전자 제어 장치는 배터리 제어 장치에 트리거 신호를 전송할 수 있다. 배터리 제어 장치는 배터리 센싱 데이터를 미리 정해진 구간으로 분할하고, 분할된 구간에 대응하는 시간 정보를 누적하고, 누적된 시간 정보로부터 적어도 하나의 주기에 대응하는 시간 정보를 추출할 수 있다. 또한, 배터리 제어 장치는 누적된 시간 정보, 적어도 하나의 주기에 대응하는 시간 정보 및 미리 정해진 학습 정보를 기초로, 배터리의 사용에 따른 누적된 시간 정보의 변화를 예측하여 예상 시간 정보를 추출하고, 예상 시간 정보를 기초로 배터리의 수명 종료 시점을 추정할 수 있다.
일 실시예에서, 배터리 제어 장치는 추정한 배터리의 수명 종료 시점을 전자 제어 장치(ECU)에 전송할 있고, 전자 제어 장치(ECU)는 배터리 제어 장치로부터 수신한 배터리의 수명 종료 시점을 디스플레이할 수 있다.
도 9는 일 실시예에 따른 배터리 수명 정보를 제공하기 위한 사용자 인터페이스를 설명하기 위한 도면이다.
도 9를 참조하면, 전기 자동차(910)는 배터리 시스템(920)을 포함할 수 있다. 배터리 시스템(920)은 배터리(930) 및 배터리 제어 장치(940)를 포함할 수 있다. 배터리 제어 장치(940)는 배터리(930)의 수명을 추정한 후 무선 인터페이스를 이용하여 단말 장치(950)에 배터리(930)의 수명을 전송할 수 있다.
일 실시예에서, 배터리 제어 장치(940)는 무선 인터페이스를 통하여 단말 장치(950)로부터 트리거 신호를 수신할 수 있고, 트리거 신호의 수신에 응답하여 배터리(930)의 수명을 추정할 수 있다. 배터리 제어 장치(940)는 추정한 배터리(930)의 수명을 무선 인터페이스를 이용하여 단말 장치(950)에 전송할 수 있다. 단말 장치(950)는 사용자 인터페이스(960)를 이용하여 배터리(910)의 수명을 디스플레이(970)할 수 있다.
도 10은 일 실시예에 따른 배터리 수명 추정 모델을 학습시키는 방법을 나타내는 동작 흐름도이다. 배터리 수명 추정 모델을 학습시키는 방법은 학습 장치(100)에 의해 수행될 수 있다.
도 10을 참조하면, 단계(1010)에서 학습 장치(100)는 배터리 센싱 데이터를 획득할 수 있다. 학습 장치(100)는 여러 종류의 배터리 센싱 데이터들을 수집하고, 수집된 배터리 센싱 데이터들에 기초하여 밀도 데이터를 생성할 수 있다.
단계(1020)에서 학습 장치(100)는 밀도 데이터들을 결합하여 밀도 데이터 세트를 획득할 수 있다. 학습 장치(100)는 다양한 배터리 운용 프로파일에 따른 밀도 데이터들을 획득하고, 밀도 데이터에 포함된 데이터들을 결합하여 밀도 데이터 세트를 생성할 수 있다.
단계(1030)에서 학습 장치(100)는 밀도 데이터 세트를 복수의 클러스터들로 클러스터링할 수 있다. 학습 장치(100)는 미리 설정된 개수의 클러스터들로 밀도 데이터 세트의 영역을 분할하고, 클러스터에 대한 정보를 저장할 수 있다. 학습 장치(100)는 클러스터링을 수행하기 전에 밀도 데이터 세트의 분포를 정규화할 수 있다.
단계(1040)에서 학습 장치(100)는 클러스터들에 기초하여 학습 데이터로부터 밀도 특징을 결정할 수 있다. 학습 장치(100)는 학습 데이터에 포함된 전체 데이터들에 대해 각 클러스터들에 포함되는 데이터의 개수를 카운트하여 학습 데이터의 밀도 패턴을 정량화하고, 정량화 결과에 기초하여 밀도 특징을 결정할 수 있다.
단계(1050)에서 학습 장치(100)는 결정된 밀도 특징에 기초하여 배터리 수명 추정 모델을 학습시킬 수 있다. 학습 장치(100)는 다양한 기계 학습 기법을 이용하여 배터리 수명 추정 모델을 학습시키고, 학습 결과로서 클러스터들에 대한 정보와 학습된 배터리 수명 추정 모델에 대한 정보를 저장할 수 있다.
도 10에 도시된 배터리 수명 추정 모델을 학습시키는 방법에는 도 1, 도 4 내지 도 7b를 통해 설명된 내용이 그대로 적용될 수 있으므로, 상세한 설명은 생략한다.
도 11은 일 실시예에 따른 배터리의 수명을 추정하는 방법을 나타내는 동작 흐름도이다.
도 11을 참조하면, 단계(1110)에서 배터리 수명 추정 장치(230)는 배터리 센싱 데이터를 획득할 수 있다. 배터리 수명 추정 장치(230)는, 예를 들어, 배터리에 대한 전압, 전류 및 온도에 대한 센싱 데이터를 획득할 수 있다.
단계(1120)에서 배터리 수명 추정 장치(230)는 배터리 센싱 데이터에 기초하여 밀도 데이터를 획득할 수 있다. 배터리 수명 추정 장치(230)는 여러 종류의 배터리 센싱 데이터들의 데이터를 결합하고, 결합된 배터리 센싱 데이터들을 시간에 따라 누적하여 밀도 데이터를 획득할 수 있다.
단계(1130)에서 배터리 수명 추정 장치(230)는 클러스터들을 이용하여 밀도 데이터로부터 밀도 특징을 결정할 수 있다. 배터리 수명 추정 장치(230)는 배터리 수명 추정 모델의 학습 과정에서 결정된 클러스터 정보에 기초하여 밀도 데이터의 밀도 패턴을 정량화할 수 있다. 배터리 수명 추정 장치(230)는 밀도 데이터를 벡터 데이터로 변환할 수 있다. 배터리 수명 추정 장치(230)는 밀도 데이터에 포함된 전체 데이터들에 대해 각 클러스터들에 포함되는 데이터의 개수를 카운트하고, 클러스터별로 카운트된 값에 기초하여 밀도 벡터를 결정할 수 있다.
단계(1140)에서 배터리 수명 추정 장치(230)는 밀도 특징에 기초하여 배터리의 수명을 추정할 수 있다. 배터리 수명 추정 장치(230)는 미리 학습된 배터리 수명 추정 모델에 밀도 특징을 입력하여 현재 배터리의 수명을 추정할 수 있다.
도 11에 도시된 배터리의 수명을 추정하는 방법에는 도 2 내지 도 5, 도 7a 내지 도 9를 통해 설명된 내용이 그대로 적용될 수 있으므로, 상세한 설명은 생략한다.
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. 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. 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 비록 한정된 도면에 의해 실시예들이 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (22)

  1. 배터리 센싱 데이터에 기초하여 밀도 데이터를 획득하는 단계;
    복수의 배터리 운용 프로파일들에 기초한 밀도 데이터 세트가 클러스터링되어 생성된 클러스터들을 이용하여 상기 밀도 데이터로부터 밀도 특징을 결정하는 단계; 및
    상기 밀도 특징에 기초하여 배터리의 수명을 추정하는 단계를 포함하고,
    상기 밀도 특징을 결정하는 단계는,
    상기 밀도 데이터 세트에 포함되는 상기 밀도 데이터와 상기 생성된 클러스터들의 중심 위치들 간의 거리를 계산하여 가장 거리가 짧은 중심 위치를 가지는 클러스터에 상기 밀도 데이터가 포함된다고 결정하고, 상기 클러스터들 각각에 포함되는 상기 밀도 데이터의 데이터 개수에 기초하여 상기 밀도 특징을 결정하는 단계를 포함하는,
    배터리의 수명을 추정하는 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 밀도 특징을 결정하는 단계는,
    상기 클러스터들 각각에 포함되는 상기 밀도 데이터의 데이터 개수에 기초하여 히스토그램을 생성하는 단계; 및
    상기 히스토그램에 기초하여 밀도 벡터를 결정하는 단계
    를 포함하는 배터리의 수명을 추정하는 방법.
  5. 제1항에 있어서,
    상기 밀도 특징을 결정하는 단계는,
    상기 클러스터들에 기초하여 상기 밀도 데이터를 벡터 데이터로 변환하는, 배터리의 수명을 추정하는 방법.
  6. 제1항에 있어서,
    상기 밀도 데이터를 획득하는 단계는,
    동일 시점에 센싱된 복수 종류의 배터리 센싱 데이터들을 결합하는 단계; 및
    상기 결합된 배터리 센싱 데이터들을 시간에 따라 누적하여 상기 밀도 데이터를 획득하는 단계
    를 포함하는 배터리의 수명을 추정하는 방법.
  7. 제1항에 있어서,
    상기 밀도 데이터는,
    시간에 따른 배터리 센싱 데이터를 공간 상의 분포로 나타낸 데이터인, 배터리의 수명을 추정하는 방법.
  8. 제1항에 있어서,
    상기 배터리 센싱 데이터는,
    배터리의 전압 데이터, 전류 데이터 및 온도 데이터 중 적어도 하나를 포함하는, 배터리의 수명을 추정하는 방법.
  9. 제1항에 있어서,
    상기 밀도 데이터 세트는,
    복수의 배터리 운용 프로파일들에 기초한 밀도 데이터들이 결합된 것인, 배터리의 수명을 추정하는 방법.
  10. 제1항에 있어서,
    상기 배터리의 수명을 추정하는 단계는,
    배터리 수명 추정 모델을 이용하여 상기 밀도 특징으로부터 상기 배터리의 수명을 추정하고,
    상기 배터리 수명 추정 모델은, 뉴럴 네트워크 모델, 서포트 벡터 모신 모델 및 가우시안 프로세스 회귀 모델 중 어느 하나에 기초하는, 배터리의 수명을 추정하는 방법.
  11. 배터리 센싱 데이터에 기초한 복수의 밀도 데이터들을 결합하여 밀도 데이터 세트를 획득하는 단계;
    상기 밀도 데이터 세트를 복수의 클러스터들로 클러스터링하는 단계;
    상기 클러스터들에 기초하여 학습 데이터로부터 밀도 특징을 결정하는 단계; 및
    상기 밀도 특징에 기초하여 배터리 수명 추정 모델을 학습시키는 단계
    를 포함하고,
    상기 밀도 특징을 결정하는 단계는,
    상기 학습 데이터와 상기 클러스터들의 중심 위치들 간의 거리를 계산하여 가장 거리가 짧은 중심 위치를 가지는 클러스터에 상기 학습 데이터의 데이터가 포함된다고 결정하고, 상기 클러스터들 각각에 포함되는 상기 학습 데이터의 데이터 개수에 기초하여 상기 밀도 특징을 결정하는 단계를 포함하는,
    배터리 수명 추정 모델을 학습시키는 방법.
  12. 삭제
  13. 삭제
  14. 제11항에 있어서,
    상기 밀도 특징을 결정하는 단계는,
    상기 클러스터들 각각에 포함되는 상기 학습 데이터의 데이터 개수에 기초하여 히스토그램을 생성하는 단계; 및
    상기 히스토그램에 기초하여 밀도 벡터를 결정하는 단계
    를 포함하는 배터리 수명 추정 모델을 학습시키는 방법.
  15. 제11항에 있어서,
    상기 클러스터들에 대한 정보와 상기 학습된 배터리 수명 추정 모델에 대한 정보를 저장하는 단계
    를 더 포함하는 배터리 수명 추정 모델을 학습시키는 방법.
  16. 제11항에 있어서,
    상기 밀도 데이터 세트를 정규화하는 단계
    를 더 포함하고,
    상기 클러스터링하는 단계는,
    상기 정규화된 밀도 데이터 세트를 복수의 클러스터들로 클러스터링하는, 배터리 수명 추정 모델을 학습시키는 방법.
  17. 제11항에 있어서,
    상기 밀도 데이터 세트를 획득하는 단계는,
    복수의 배터리 운용 프로파일들에 기초한 밀도 데이터들을 획득하는 단계; 및
    상기 획득한 밀도 데이터들을 결합하여 상기 밀도 데이터 세트를 획득하는 단계
    를 포함하는 배터리 수명 추정 모델을 학습시키는 방법.
  18. 제11항에 있어서,
    상기 밀도 데이터 세트를 클러스터링하는 단계는,
    K-means 클러스터링 기법을 이용하여 상기 밀도 데이터 세트를 복수의 클러스터들로 클러스터링하는, 배터리 수명 추정 모델을 학습시키는 방법.
  19. 제11항에 있어서,
    상기 학습 데이터는,
    동일 시점에 센싱된 복수 종류의 배터리 센싱 데이터들을 결합하고, 상기 결합된 배터리 센싱 데이터들을 시간에 따라 누적하여 생성되는, 배터리 수명 추정 모델을 학습시키는 방법.
  20. 하드웨어와 결합되어 제1항, 제4항 내지 제11항 및 제14항 내지 제19항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
  21. 배터리 센싱 데이터에 기초하여 밀도 데이터를 획득하는 밀도 데이터 획득부;
    복수의 배터리 운용 프로파일들에 기초한 밀도 데이터 세트가 클러스터링되어 생성된 클러스터들을 이용하여 상기 밀도 데이터로부터 밀도 특징을 결정하는 밀도 특징 결정부; 및
    상기 밀도 특징에 기초하여 배터리의 수명을 추정하는 배터리 수명 추정부를 포함하고,
    상기 밀도 특징 결정부는,
    상기 밀도 데이터 세트에 포함되는 상기 밀도 데이터와 상기 생성된 클러스터들의 중심 위치들 간의 거리를 계산하여 가장 거리가 짧은 중심 위치를 가지는 클러스터에 상기 밀도 데이터가 포함된다고 결정하고, 상기 클러스터들 각각에 포함되는 상기 밀도 데이터의 데이터 개수에 기초하여 상기 밀도 특징을 결정하는,
    배터리의 수명을 추정하는 장치.
  22. 배터리 센싱 데이터에 기초한 복수의 밀도 데이터들을 결합하여 밀도 데이터 세트를 획득하는 밀도 데이터 세트 획득부;
    상기 밀도 데이터 세트를 복수의 클러스터들로 클러스터링하는 클러스터링부;
    상기 클러스터들에 기초하여 학습 데이터로부터 밀도 특징을 결정하는 밀도 특징 결정부; 및
    상기 밀도 특징에 기초하여 배터리 수명 추정 모델을 학습시키는 학습부를 포함하고,
    상기 밀도 특징 결정부는,
    상기 학습 데이터와 상기 클러스터들의 중심 위치들 간의 거리를 계산하여 가장 거리가 짧은 중심 위치를 가지는 클러스터에 상기 학습 데이터의 데이터가 포함된다고 결정하고, 상기 클러스터들 각각에 포함되는 상기 학습 데이터의 데이터 개수에 기초하여 상기 밀도 특징을 결정하는,
    배터리 수명 추정 모델을 학습시키는 장치.
KR1020150102854A 2015-07-21 2015-07-21 배터리의 상태를 추정하는 방법 및 장치 KR102468895B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020150102854A KR102468895B1 (ko) 2015-07-21 2015-07-21 배터리의 상태를 추정하는 방법 및 장치
EP16155787.1A EP3121614A1 (en) 2015-07-21 2016-02-16 Method and apparatus for estimating state of health of battery
CN201610288538.6A CN106371021B (zh) 2015-07-21 2016-05-04 用于估计电池的状态的方法和设备
US15/197,942 US10444289B2 (en) 2015-07-21 2016-06-30 Method and apparatus for estimating state of battery
JP2016142361A JP6803163B2 (ja) 2015-07-21 2016-07-20 バッテリの状態を推定する方法及び装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150102854A KR102468895B1 (ko) 2015-07-21 2015-07-21 배터리의 상태를 추정하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20170011010A KR20170011010A (ko) 2017-02-02
KR102468895B1 true KR102468895B1 (ko) 2022-11-21

Family

ID=55361390

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150102854A KR102468895B1 (ko) 2015-07-21 2015-07-21 배터리의 상태를 추정하는 방법 및 장치

Country Status (5)

Country Link
US (1) US10444289B2 (ko)
EP (1) EP3121614A1 (ko)
JP (1) JP6803163B2 (ko)
KR (1) KR102468895B1 (ko)
CN (1) CN106371021B (ko)

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10324135B2 (en) * 2016-06-06 2019-06-18 Mitsubishi Electric Research Laboratories, Inc. Methods and systems for data-driven battery state of charge (SoC) estimation
DE102016112173A1 (de) * 2016-07-04 2018-01-04 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zur Einstellung
GB2556076B (en) * 2016-11-17 2022-02-23 Bboxx Ltd Method
KR102252179B1 (ko) * 2017-03-07 2021-05-14 주식회사 엘지화학 외부 전원 없이 동작하는 배터리 모듈 데이터 저장장치
JP6403351B1 (ja) * 2017-04-07 2018-10-10 株式会社ミニ・ソリューション 電源監視システム
US11594770B2 (en) 2017-05-03 2023-02-28 Semiconductor Energy Laboratory Co., Ltd. Neural network, power storage system, vehicle, and electronic device
JP7235409B2 (ja) * 2017-06-16 2023-03-08 株式会社半導体エネルギー研究所 充電制御システム及び充電制御方法
CN107290679B (zh) * 2017-07-03 2019-11-12 南京能瑞电力科技有限公司 用于电动汽车共享充电桩的智能化电池健康状态检测方法
KR102399602B1 (ko) * 2017-08-17 2022-05-18 삼성전자주식회사 배터리 상태 추정 방법 및 장치
US11340306B2 (en) 2017-11-16 2022-05-24 Semiconductor Energy Laboratory Co., Ltd. Lifetime estimation device, lifetime estimation method, and abnormality detection method of secondary battery
US11637331B2 (en) 2017-11-20 2023-04-25 The Trustees Of Columbia University In The City Of New York Neural-network state-of-charge and state of health estimation
US11171498B2 (en) 2017-11-20 2021-11-09 The Trustees Of Columbia University In The City Of New York Neural-network state-of-charge estimation
JP6954448B2 (ja) 2018-03-15 2021-10-27 日本電気株式会社 異常検知装置、異常検知方法およびプログラム
CN109298351B (zh) * 2018-09-30 2021-07-27 清华大学深圳研究生院 一种基于模型学习的新能源车载电池剩余寿命估计方法
KR102079875B1 (ko) * 2018-10-10 2020-02-19 한국전력공사 배터리의 열화 모듈 또는 열화 셀 검출장치 및 방법
CN109324294A (zh) * 2018-11-22 2019-02-12 联想(北京)有限公司 数据处理方法及其装置
CN109633450B (zh) * 2018-11-23 2021-05-14 成都大超科技有限公司 一种基于神经网络的锂电池充电检测系统
JP7200762B2 (ja) * 2019-03-12 2023-01-10 トヨタ自動車株式会社 予測モデル生成装置、方法、プログラム、電池寿命予測装置、方法及びプログラム
JP7229062B2 (ja) * 2019-03-27 2023-02-27 本田技研工業株式会社 寿命予測装置、寿命予測方法、及びプログラム
CN112084459A (zh) * 2019-06-12 2020-12-15 电计贸易(上海)有限公司 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质
KR102335180B1 (ko) * 2019-07-02 2021-12-03 성균관대학교산학협력단 배터리의 노화 상태 추정 장치 및 방법
KR102089524B1 (ko) * 2019-07-15 2020-03-16 주식회사 에버정보기술 무정전 전원 공급 시스템
CN110687452B (zh) * 2019-09-05 2022-05-20 南京理工大学 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法
KR102246895B1 (ko) * 2019-09-23 2021-04-29 한전케이디엔주식회사 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법
US20230182575A1 (en) * 2020-06-02 2023-06-15 Lg Energy Solution, Ltd. Battery service providing system and method
KR102440442B1 (ko) * 2020-07-23 2022-09-06 주식회사 휴네이트 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템 및 방법
US11333712B2 (en) * 2020-08-28 2022-05-17 Sparkcognttion, Inc. Battery failure prediction
CN112347692B (zh) * 2020-09-21 2024-02-06 深圳有电物联科技有限公司 不间断电源的电池预测性维护的实现方法、装置和电子装置
CN112305441B (zh) * 2020-10-14 2023-06-16 北方工业大学 一种集成式聚类下的动力电池健康状态评估方法
CN112858919B (zh) * 2021-01-18 2022-04-01 北京理工大学 一种基于聚类分析的电池系统在线故障诊断方法和系统
TWI757161B (zh) * 2021-04-23 2022-03-01 國立中山大學 電池健康狀態估測方法
US11385694B1 (en) * 2021-08-17 2022-07-12 Beta Air, Llc Systems and methods for determining remaining useful energy in an electric aircraft
CN113900033B (zh) * 2021-09-23 2022-07-08 浙江大学 基于充电数据空间分布特征的锂电池在线寿命预测方法
CN113655385B (zh) * 2021-10-19 2022-02-08 深圳市德兰明海科技有限公司 锂电池soc估计方法、装置及计算机可读存储介质
CN114264957A (zh) * 2021-12-02 2022-04-01 东软集团股份有限公司 一种异常单体检测方法及其相关设备
KR20230145799A (ko) * 2022-04-11 2023-10-18 주식회사 엘지에너지솔루션 배터리에 대한 불량률 예측 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030184307A1 (en) 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
US20090326841A1 (en) * 2008-06-27 2009-12-31 Gm Global Technology Operations, Inc. Pattern recognition approach to battery diagnosis and prognosis

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3076118B2 (ja) * 1991-11-27 2000-08-14 シスメックス株式会社 粒子計数方法
JP4818808B2 (ja) * 2006-05-19 2011-11-16 富士電機株式会社 組電池状態測定装置、組電池劣化判定方法および組電池劣化判定プログラム
CN101067644B (zh) * 2007-04-20 2010-05-26 杭州高特电子设备有限公司 蓄电池性能分析专家诊断方法
US8258751B2 (en) 2007-11-15 2012-09-04 Broadcom Corporation Method and system for tracking battery state-of-health based on charging information
KR20100063343A (ko) 2008-12-03 2010-06-11 기아자동차주식회사 하이브리드 자동차의 배터리 건강상태 추정 시스템 및 방법
US8519674B2 (en) 2009-11-12 2013-08-27 GM Global Technology Operations LLC Method for estimating battery degradation in a vehicle battery pack
CN102088750B (zh) * 2009-12-08 2014-08-06 中国移动通信集团公司 一种多入多出技术中的传播径分簇方法和装置
KR101065551B1 (ko) 2010-01-08 2011-09-19 주식회사 엘지화학 배터리의 용량 추정 장치 및 방법
US20130069660A1 (en) 2010-02-17 2013-03-21 Julien Bernard Method for in situ battery diagnostic by electrochemical impedance spectroscopy
JP4689756B1 (ja) 2010-03-31 2011-05-25 古河電気工業株式会社 電池内部状態推定装置および電池内部状態推定方法
KR101671998B1 (ko) 2010-04-02 2016-11-04 에스케이이노베이션 주식회사 배터리의 용량 열화 상태 측정 장치 및 방법
US8346495B2 (en) * 2010-04-22 2013-01-01 Battelle Energy Alliance, Llc Systems, methods and computer-readable media to model kinetic performance of rechargeable electrochemical devices
DE102010031337A1 (de) * 2010-07-14 2012-01-19 Sb Limotive Company Ltd. Verfahren zur Ermittlung der voraussichtlichen Lebensdauer wenigstens einer Batteriezelle, Batterie mit einer Mehrzahl von Batteriezellen und Kraftfahrzeug
JP4845066B1 (ja) 2010-08-18 2011-12-28 古河電気工業株式会社 蓄電デバイスの状態検知方法及びその装置
CN102749585B (zh) * 2011-04-21 2014-11-05 李昌 一种基于多层支持向量机的蓄电池在线监测方法
KR20130021991A (ko) 2011-08-24 2013-03-06 현대모비스 주식회사 군집화 기법을 이용한 차량용 배터리의 방전시간을 예측하는 장치 및 그 방법
JP5852399B2 (ja) * 2011-10-17 2016-02-03 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ バッテリの状態予測システム、方法及びプログラム
KR101711028B1 (ko) 2012-05-04 2017-03-13 한국전자통신연구원 클러스터링 기법을 이용한 차량 이상상태 모니터링 장치 및 그 방법
JP2014190763A (ja) * 2013-03-26 2014-10-06 Toshiba Corp 電池寿命推定方法及び電池寿命推定装置
CN103325071A (zh) * 2013-06-09 2013-09-25 浙江大学 一种基于密度聚类的用户典型负荷曲线的构建方法
CN104237791A (zh) * 2013-06-20 2014-12-24 电子科技大学 一种锂电池荷电状态估算方法及电池管理系统和电池系统
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
CN103561419A (zh) * 2013-11-07 2014-02-05 东南大学 基于相关性的分布式事件检测方法
US9753511B2 (en) * 2013-11-26 2017-09-05 Nec Corporation Fuzzy logic based integrated power coordination system for hybrid energy storage system
FR3016218B1 (fr) * 2014-01-03 2016-01-01 Commissariat Energie Atomique Procede, dispositif et systeme d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride en condition d'utilisation, et procede de construction d'un modele pour une telle estimation
KR102221756B1 (ko) * 2014-07-18 2021-03-02 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
CN104133866A (zh) * 2014-07-18 2014-11-05 国家电网公司 一种面向智能电网的缺失数据填充方法
US9693308B2 (en) * 2014-09-18 2017-06-27 Samsung Electronics Co., Ltd. Method and mobile communication terminal for estimating battery consumption state
KR101720841B1 (ko) * 2014-10-24 2017-03-28 주식회사 엘지화학 배터리 관리 시스템의 태스크 스케쥴러 오작동 검출 장치 및 방법
KR20160090140A (ko) 2015-01-21 2016-07-29 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR101763502B1 (ko) * 2015-02-24 2017-07-31 가부시끼가이샤 도시바 축전지 관리 장치, 방법 및 프로그램

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030184307A1 (en) 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
US20090326841A1 (en) * 2008-06-27 2009-12-31 Gm Global Technology Operations, Inc. Pattern recognition approach to battery diagnosis and prognosis

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
uzzy Clustering based Multi-model Support Vector Regression State of Charge Estimator for Lithium-ion Battery of Electric Vehicle(IEEE, 2009.11.17. 공개)*

Also Published As

Publication number Publication date
CN106371021B (zh) 2021-01-01
US20170023649A1 (en) 2017-01-26
JP6803163B2 (ja) 2020-12-23
JP2017026616A (ja) 2017-02-02
EP3121614A1 (en) 2017-01-25
KR20170011010A (ko) 2017-02-02
CN106371021A (zh) 2017-02-01
US10444289B2 (en) 2019-10-15

Similar Documents

Publication Publication Date Title
KR102468895B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR102291222B1 (ko) 전기 차량의 배터리 전력 요구량 예측
US10408881B2 (en) Method and apparatus for estimating state of battery
KR102357351B1 (ko) 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법
KR102399720B1 (ko) 패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법
KR102241683B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR102343967B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
CN105807227B (zh) 估计电池状态的方法和设备
KR102215450B1 (ko) 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
KR20160101506A (ko) 배터리 신호 세그먼트 데이터의 확률 추론을 기반으로 한 배터리 상태 추정 방법 및 장치
US20170184680A1 (en) Sensor management apparatus and method
KR20170134193A (ko) 배터리의 충전 상태를 추정하는 방법 및 그 방법을 실행하는 배터리 관리 시스템
WO2015041093A1 (ja) 蓄電池性能評価装置およびその方法
CN111105037A (zh) 用于通过高斯过程进行机器学习的方法
Mazzi et al. State of charge estimation of an electric vehicle's battery using tiny neural network embedded on small microcontroller units
CN114879070A (zh) 一种电池状态评估方法及相关设备
US20230393204A1 (en) System and method for battery management
Pau et al. Microcontroller architectures for battery state of charge prediction with tiny neural networks
Ganesh et al. Prediction of Residual Energy in Batteries using CNN-BiGRU and Attention Mechanism Model
US11971454B2 (en) System and method for determining a battery condition
US11938838B2 (en) Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine
US20230351146A1 (en) Device and computer-implemented method for a neural architecture search
WO2020237077A1 (en) Closed loop adaptive particle forecasting
WO2023107710A2 (en) System and method for determining a battery condition

Legal Events

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