KR102508382B1 - 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법 - Google Patents

인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법 Download PDF

Info

Publication number
KR102508382B1
KR102508382B1 KR1020210001620A KR20210001620A KR102508382B1 KR 102508382 B1 KR102508382 B1 KR 102508382B1 KR 1020210001620 A KR1020210001620 A KR 1020210001620A KR 20210001620 A KR20210001620 A KR 20210001620A KR 102508382 B1 KR102508382 B1 KR 102508382B1
Authority
KR
South Korea
Prior art keywords
battery
charging
data set
model
neural network
Prior art date
Application number
KR1020210001620A
Other languages
English (en)
Other versions
KR20220099415A (ko
Inventor
신용준
김선혁
임수향
Original Assignee
연세대학교 산학협력단
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 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020210001620A priority Critical patent/KR102508382B1/ko
Publication of KR20220099415A publication Critical patent/KR20220099415A/ko
Application granted granted Critical
Publication of KR102508382B1 publication Critical patent/KR102508382B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/0071—Regulation of charging or discharging current or voltage with a programmable schedule
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

본 발명의 바람직한 실시예에 따른 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법은, 충전 프로파일을 통한 배터리의 충전 상태를 지속적으로 관찰하여 축적된 데이터로부터 추출된 배터리 특징을 이용하여 인공 신경망 기반의 배터리 충전 모델을 학습하고, 학습한 배터리 충전 모델을 기반으로 배터리의 충전 스케줄을 획득함으로써, 종래의 CC-CV 충전 방법보다 충전 시간을 단축할 수 있고, 종래의 BC 충전 방법보다 더 빠르고 안전하게 충전이 가능하다.

Description

인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법{Apparatus and method for improving high speed charging efficiency of battery based on Artificial Neural Network}
본 발명은 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법에 관한 것으로서, 더욱 상세하게는 배터리의 충전 스케줄을 획득하는, 장치 및 방법에 관한 것이다.
도 1은 종래의 충전 방법을 설명하기 위한 도면이다.
종래의 리튬 이온 배터리의 충전 방법은 정전류-정전압(Constant Current-Constant Voltage, CC-CV) 충전 방법이 표준 방식으로 채택되어 모바일, 에너지 저장 장치, 전기 자동차, 전기 추진 선박 등에 활용되고 있다. CC-CV 충전 방법은 현재까지 배터리를 정상적인 활용 범위 안에서 충전/방전할 때, 가장 안전하고 모든 유형의 배터리에 활용 가능한 방법으로 알려져 있다. 도 1을 참조하면, CC-CV 충전 방법은 초기에는 일정한 전류(Ich)로 배터리의 상태를 안정적으로 유지하면서 충전을 하고, 기준 최대 전압(Vmax)에 도달한 후에는 일정한 전압(Vch)으로 충전을 하면서 동시에 전류를 감소시켜 밀도 높은 충전을 가능하게 한다. CC-CV 충전 방법으로는 고용량 배터리를 충전하는데 오랜 시간이 걸리고, 동일한 패턴으로 리튬 이온 배터리의 모든 셀들을 충전하기 때문에 각 배터리 셀의 건강 상태를 반영하지 못해 궁극적으로 배터리의 수명을 감소시킬 수 있는 문제가 있다.
하지만, 리튬 이온 배터리 기반의 전기 자동차의 고용량 배터리를 충전하기 위해서는 급속 충전 방식의 충전소가 필요하다. 고용량의 리튬 이온 배터리를 충전하기 위하여 고속 충전(Boost Charging, BC) 방법이 제안되고 있다. 도 1을 참조하면, BC 충전 방법은 전류를 단계적으로 낮춰가면서(Iboost -> Ich) 충전하여 충전 시간을 단축할 수 있는 장점이 있지만, BC 충전 방법은 모든 유형의 배터리에 활용되기에 어렵고, 배터리의 수명을 크게 단축시킬 위험을 가지고 있다.
도 2는 종래의 충전 프로파일을 설명하기 위한 도면이다.
도 2를 참조하면, 종래의 충전 프로파일 중 하나인 Open-loop 시스템은 충전 프로파일의 표준 설계로서, 미리 설정된 충전 프로파일에 따라 수행되어, 배터리 상태를 반영하기 어려운 문제가 있다. 이에 반면, 종래의 충전 프로파일 중 하나인 Closed-loop 시스템은 배터리 상태를 기반으로 하는 PID 제어를 통해 충전 프로파일을 변경할 수 있지만, PID 제어 설계가 어려운 문제가 있다.
전기 자동차에 활용되는 리튬 이온 배터리는 고용량의 배터리로 수백개 단위의 셀이 포함되어 있기 때문에 각 셀마다의 충전 및 잔존 수명의 상태가 다를 수 있고, 고속 충전 방법은 각 배터리의 유형 및 상태를 반영하지 않아 배터리의 수명 감소 및 화재의 위험성이 존재한다.
따라서, 각 셀마다의 상태를 반영하여 충전할 수 있는 최적의 충전 방법의 개발이 필요하다.
본 발명이 이루고자 하는 목적은, 충전 프로파일을 통한 배터리의 충전 상태를 지속적으로 관찰하여 축적된 데이터로부터 추출된 배터리 특징을 이용하여 인공 신경망 기반의 배터리 충전 모델을 학습하고, 학습한 배터리 충전 모델을 기반으로 배터리의 충전 스케줄을 획득하는, 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법을 제공하는 데 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
상기의 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 인공 신경망 기반 배터리 고속 충전 효율 향상 장치는, 미리 설정된 충전 프로파일을 통해 배터리에 대하여 축적된 배터리 상태 정보로 이루어지는 데이터 세트를 이용하여, 충전 전류를 출력으로 하는 인공 신경망 기반 배터리 충전 모델을 학습하는 학습부; 및 상기 학습부를 통해 학습된 상기 배터리 충전 모델을 기반으로 스케줄링 대상의 충전 전류를 획득하고, 획득한 충전 전류를 기반으로 상기 스케줄링 대상에 대한 충전 스케줄을 획득하는 스케줄링부;를 포함하며, 상기 배터리 상태 정보는, 충전 전류(charging current), 배터리 전압(battery voltage) 및 배터리 온도(battery temperature)를 포함한다.
여기서, 상기 학습부는, 상기 배터리 상태 정보를 정규화(normalization)하고, 정규화된 상기 배터리 상태 정보에서 배터리 특징을 추출하며, 추출된 상기 배터리 특징으로 이루어지는 상기 데이터 세트를 획득하며, 상기 배터리 특징은, 충전 전류(charging current), 배터리 전압(battery voltage), 배터리 온도 증가(battery temperature increment) 및 배터리 온도 미분 계수(battery temperature differential coefficient)를 포함할 수 있다.
여기서, 상기 학습부는, 상기 데이터 세트를 학습 데이터 세트와 테스트 데이터 세트로 분할하고, 상기 학습 데이터 세트를 훈련 데이터 세트와 검증 데이터 세트로 분할하며, 상기 훈련 데이터 세트를 이용하여 상기 배터리 충전 모델을 구축하고, 구축된 상기 배터리 충전 모델의 오버피팅(overfitting)을 최소화하는 에포치(epoch)를 상기 검증 데이터 세트를 이용하여 K-fold 교차 검증(cross validation, CV)을 통해 획득하고, 획득한 에포치(epoch)를 기반으로 상기 배터리 충전 모델을 최적화하고, 최적화된 상기 배터리 충전 모델을 상기 테스트 데이터 세트를 이용하여 테스트하여, 상기 배터리 충전 모델을 학습할 수 있다.
여기서, 상기 배터리 충전 모델은, 순방향 신경망(Feedforward Neural Network, FNN) 또는 순환 신경망(Recurrent Neural Network, RNN)을 기반으로 하는 인공 신경망 모델일 수 있다.
상기의 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 인공 신경망 기반 배터리 고속 충전 효율 향상 방법은, 미리 설정된 충전 프로파일을 통해 배터리에 대하여 축적된 배터리 상태 정보로 이루어지는 데이터 세트를 이용하여, 충전 전류를 출력으로 하는 인공 신경망 기반 배터리 충전 모델을 학습하는 단계; 및 학습된 상기 배터리 충전 모델을 기반으로 스케줄링 대상의 충전 전류를 획득하고, 획득한 충전 전류를 기반으로 상기 스케줄링 대상에 대한 충전 스케줄을 획득하는 단계;를 포함하며, 상기 배터리 상태 정보는, 충전 전류(charging current), 배터리 전압(battery voltage) 및 배터리 온도(battery temperature)를 포함할 수 있다.
본 발명의 바람직한 실시예에 따른 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법에 의하면, 충전 프로파일을 통한 배터리의 충전 상태를 지속적으로 관찰하여 축적된 데이터로부터 추출된 배터리 특징을 이용하여 인공 신경망 기반의 배터리 충전 모델을 학습하고, 학습한 배터리 충전 모델을 기반으로 배터리의 충전 스케줄을 획득함으로써, 종래의 CC-CV 충전 방법보다 충전 시간을 단축할 수 있고, 종래의 BC 충전 방법보다 더 빠르고 안전하게 충전이 가능하다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 종래의 충전 방법을 설명하기 위한 도면이다.
도 2는 종래의 충전 프로파일을 설명하기 위한 도면이다.
도 3은 본 발명의 바람직한 실시예에 따른 인공 신경망 기반 배터리 고속 충전 효율 향상 장치를 설명하기 위한 블록도이다.
도 4는 본 발명의 바람직한 실시예에 따른 배터리 충전 모델의 학습 동작을 설명하기 위한 도면이다.
도 5는 본 발명의 바람직한 실시예에 따른 배터리 특징을 설명하기 위한 도면이다.
도 6은 본 발명의 바람직한 실시예에 따른 배터리 특징 간의 상관관계를 설명하기 위한 도면이다.
도 7은 본 발명의 바람직한 실시예에 따른 배터리 충전 모델의 구축 및 최적화 동작을 설명하기 위한 도면이다.
도 8은 본 발명의 바람직한 실시예에 따른 배터리 충전 모델의 테스트 동작을 설명하기 위한 도면이다.
도 9는 본 발명의 바람직한 실시예에 따른 배터리 충전 모델의 성능을 설명하기 위한 도면으로, 종래의 배터리 특징을 이용하여 학습한 경우를 나타낸다.
도 10은 본 발명의 바람직한 실시예에 따른 배터리 충전 모델의 성능을 설명하기 위한 도면으로, 본 발명에 따른 새로운 배터리 특징도 함께 이용하여 학습한 경우를 나타낸다.
도 11은 본 발명의 바람직한 실시예에 따른 인공 신경망 기반 배터리 고속 충전 효율 향상 방법을 설명하기 위한 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 명세서에서 "제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 명세서에서 각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 명세서에서, "가진다", "가질 수 있다", "포함한다" 또는 "포함할 수 있다"등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
또한, 본 명세서에 기재된 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터 구조들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다.
이하에서 첨부한 도면을 참조하여 본 발명에 따른 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법의 바람직한 실시예에 대해 상세하게 설명한다.
먼저, 도 3을 참조하여 본 발명의 바람직한 실시예에 따른 인공 신경망 기반 배터리 고속 충전 효율 향상 장치에 대하여 설명한다.
도 3은 본 발명의 바람직한 실시예에 따른 인공 신경망 기반 배터리 고속 충전 효율 향상 장치를 설명하기 위한 블록도이다.
도 3을 참조하면, 본 발명의 바람직한 실시예에 따른 인공 신경망 기반 배터리 고속 충전 효율 향상 장치(이하 '배터리 고속 충전 효율 향상 장치'라 한다)(100)는 충전 프로파일을 통한 배터리의 충전 상태를 지속적으로 관찰하여 축적된 데이터로부터 추출된 배터리 특징을 이용하여 인공 신경망 기반의 배터리 충전 모델을 학습하고, 학습한 배터리 충전 모델을 기반으로 배터리의 충전 스케줄을 획득한다.
이를 위해, 배터리 고속 충전 효율 향상 장치(100)는 학습부(110) 및 스케줄링부(130)를 포함할 수 있다.
학습부(110)는 미리 설정된 충전 프로파일을 통해 배터리에 대하여 축적된 배터리 상태 정보로 이루어지는 데이터 세트를 이용하여, 충전 전류를 출력으로 하는 인공 신경망 기반 배터리 충전 모델을 학습한다.
여기서, 배터리 상태 정보는 충전 전류(charging current), 배터리 전압(battery voltage) 및 배터리 온도(battery temperature)를 포함할 수 있다.
그리고, 배터리 충전 모델은 순방향 신경망(Feedforward Neural Network, FNN) 또는 LSTM(Long Short-Term Memory), GRU(Gated Recurrent Unit) 등과 같은 순환 신경망(Recurrent Neural Network, RNN)을 기반으로 하는 인공 신경망 모델일 수 있다.
그리고, 미리 설정된 충전 프로파일은 open-loop 시스템에 기반한 종래의 충전 프로파일을 말한다.
즉, 학습부(110)는 배터리 상태 정보를 정규화(normalization)하고, 정규화된 배터리 상태 정보에서 배터리 특징을 추출하며, 추출된 배터리 특징으로 이루어지는 데이터 세트를 획득할 수 있다.
여기서, 배터리 특징은 충전 전류(charging current), 배터리 전압(battery voltage), 배터리 온도 증가(battery temperature increment) 및 배터리 온도 미분 계수(battery temperature differential coefficient)를 포함할 수 있다.
그리고, 학습부(110)는 데이터 세트를 학습 데이터 세트와 테스트 데이터 세트로 분할하고, 학습 데이터 세트를 훈련 데이터 세트와 검증 데이터 세트로 분할할 수 있다.
그리고, 학습부(110)는 훈련 데이터 세트를 이용하여 배터리 충전 모델을 구축할 수 있다.
그리고, 학습부(110)는 구축된 배터리 충전 모델의 오버피팅(overfitting)을 최소화하는 에포치(epoch)를 검증 데이터 세트를 이용하여 K-fold 교차 검증(cross validation, CV)을 통해 획득하고, 획득한 에포치(epoch)를 기반으로 배터리 충전 모델을 최적화할 수 있다.
그리고, 학습부(110)는 최적화된 배터리 충전 모델을 테스트 데이터 세트를 이용하여 테스트하여, 배터리 충전 모델을 학습할 수 있다.
스케줄링부(130)는 학습부(110)를 통해 학습된 배터리 충전 모델을 기반으로 스케줄링 대상의 충전 전류를 획득하고, 획득한 충전 전류를 기반으로 스케줄링 대상에 대한 충전 스케줄을 획득한다.
여기서, 스케줄링 대상은 배터리 충전 모델의 학습에 이용되는 배터리 또는 배터리 충전 모델의 학습에 이용되는 배터리와 동일한 제품이 탑재된 객체(예컨대, 전기 자동차 등)를 말한다.
그러면, 도 4 내지 도 10을 참조하여 본 발명의 바람직한 실시예에 따른 배터리 충전 모델의 학습 동작에 대하여 보다 자세하게 설명한다.
도 4는 본 발명의 바람직한 실시예에 따른 배터리 충전 모델의 학습 동작을 설명하기 위한 도면이다.
도 4를 참조하면, 본 발명에 따른 배터리 충전 모델의 학습 동작은 아래와 같은 3개의 단계로 이루어질 수 있다.
STEP 1 : 배터리의 일반적인 충전 프로파일을 통해서 배터리 상태 정보를 축적하고, 이를 정규화하여 배터리 특징을 추출하여 데이터 세트를 획득함
STEP 2 : 데이터 세트를 학습 데이터 세트와 테스트 데이터 세트로 분할하고, 학습 데이터 세트를 훈련 데이터 세트와 검증 데이터 세트로 분할하며, 인공 신경만 기반 배터리 충전 모델을 학습하고, K-fold 교차 검증(CV) 방법과 지속적인 학습을 통해 배터리 충전 모델을 최적화함
STEP 3 : 최적화된 배터리 충전 모델을 기반으로 최적의 충전 스케줄을 획득하고, 서로 다른 인공 신경망(FNN, LSTM, GRU)으로 이루어지는 배터리 충전 모델의 성능을 비교함
데이터 세트로, 18650 원통형 리튬-이온 배터리(Cylindrical Li-ion Battery)를 이용하고, 샘플 데이터는 360,000 포인트로 이루어진다.
배터리 충전 모델의 입력 데이터는 충전 전류(charging current), 배터리 전압(battery voltage) 배터리 온도 증가(battery temperature increment) 및 배터리 온도 미분 계수(battery temperature differential coefficient)이다.
배터리 충전 모델의 출력 데이터는 예측된 충전 전류이다.
도 5는 본 발명의 바람직한 실시예에 따른 배터리 특징을 설명하기 위한 도면이고, 도 6은 본 발명의 바람직한 실시예에 따른 배터리 특징 간의 상관관계를 설명하기 위한 도면이다.
open-loop 시스템에 기반한 종래의 충전 프로파일을 통해 배터리를 충전하여, 배터리 상태 정보를 축적하여 데이터 세트를 획득한다.
그리고, 데이터 세트를 정규화하고, 도 5에 도시된 바와 같은 충전 전류(charging current), 배터리 전압(battery voltage) 배터리 온도 증가(battery temperature increment) 및 배터리 온도 미분 계수(battery temperature differential coefficient)로 이루어지는 배터리 특징을 추출한다.
Pearson의 상관 계수를 통해 배터리 특징 간의 상관관계를 정량적으로 비교한 결과는 도 6에 도시된 바와 같다. 배터리 충전 전류(도 6의 Current)는 배터리 전압(도 6의 Volt)과 배터리 온도 증가(도 6의 Tempp)보다 배터리 온도 미분 계수(도 6의 Tempd)와 가장 높은 관련성이 있는 것을 확인할 수 있다.
도 7은 본 발명의 바람직한 실시예에 따른 배터리 충전 모델의 구축 및 최적화 동작을 설명하기 위한 도면이다.
도 7을 참조하면, 데이터 세트를 학습 데이터 세트와 테스트 데이터 세트로 분할하고, 학습 데이터 세트를 훈련 데이터 세트와 검증 데이터 세트로 분할한다.
그리고, 훈련 데이터 세트를 이용하여 FNN 기반 배터리 충전 모델, LSTM 기반 배터리 충전 모델 및 GRU 기반 배터리 충전 모델 각각을 구축한다.
LSTM, GRU : 배터리 데이터는 외부 전압이 인가 될 때 시간에 따른 화학적 변화를 보여주며, 시계열 데이터 특성을 반영하는 모델은 RNN 중 LSTM과 GRU이다.
FNN : 입력 데이터의 시계열 데이터 특성을 확인하기 위한 기준선으로 이용한다.
그리고, K-fold 교차 검증(cross validation, CV)을 통해, 구축된 3개의 배터리 충전 모델의 오버피팅(overfitting)을 최소화하는 에포치(epoch)를 검증 데이터 세트를 이용하여 획득하고, 획득한 에포치(epoch)를 기반으로 3개의 배터리 충전 모델을 최적화한다.
이때, 입력 데이터를 2개의 그룹으로 나누고, 각각의 그룹에 해당하는 입력 데이터를 이용하여 그룹 별로 FNN 기반 배터리 충전 모델, LSTM 기반 배터리 충전 모델 및 GRU 기반 배터리 충전 모델 각각을 구축한다.
그룹 1(k=2) : 종래의 배터리 특징만을 입력 데이터로 이용하는 그룹이다. 즉, 입력 데이터로 배터리 온도 증가(battery temperature increment) 및 배터리 전압(battery voltage)의 2개의 배터리 특징을 이용한다.
그룹 2(k=4) : 본 발명에 따른 새로운 배터리 특징도 함께 입력 데이터로 이용하는 그룹이다. 즉, 입력 데이터로 배터리 온도 증가(battery temperature increment), 배터리 전압(battery voltage), 배터리 온도 미분 계수(battery temperature differential coefficient) 및 충전 전류(charging current)의 4개의 배터리 특징을 이용한다.
도 8은 본 발명의 바람직한 실시예에 따른 배터리 충전 모델의 테스트 동작을 설명하기 위한 도면이다.
도 8을 참조하면, 그룹 1(k=2) 및 그룹 2(k=3) 각각에 대해 구축 및 최적화된 3개의 배터리 충전 모델(FNN 기반 배터리 충전 모델, LSTM 기반 배터리 충전 모델 및 GRU 기반 배터리 충전 모델) 각각을 테스트 데이터 세트를 이용하여 테스트하여, 최종 배터리 충전 모델을 획득한다.
즉, 평균 절대 오차(mean absolute error, MAE)와 평균 절대 백분율 오차(mean absolute percentage error, MAPE)를 이용하여, 테스트 데이터 세트를 통해 6개의 배터리 충전 모델(그룹 1의 3개, 그룹 2의 3개)의 충전 프로파일 성능을 평가한다.
도 9는 본 발명의 바람직한 실시예에 따른 배터리 충전 모델의 성능을 설명하기 위한 도면으로, 종래의 배터리 특징을 이용하여 학습한 경우를 나타낸다.
도 9 및 아래의 [표 1]을 참조하면, LSTM 기반 배터리 충전 모델(LSTM-2)은 종래의 BC 충전 방법(Test set)과 유사하게 설계된 것을 확인할 수 있다. 이는 배터리 상태 데이터가 시계열 데이터이기 때문이다.
FNN 기반 모델은 종래의 BC 충전 방법(Test set)과 가장 유사하게 설계된 것을 확인할 수 있다.
이는, 더 많은 입력 파라미터가 필요하다는 것은 의미한다.
MAE MAPE(%)
FNN-2 0.0437 27.00
LSTM-2 0.0355 12.38
GRU-2 0.0651 50.35
도 10은 본 발명의 바람직한 실시예에 따른 배터리 충전 모델의 성능을 설명하기 위한 도면으로, 본 발명에 따른 새로운 배터리 특징도 함께 이용하여 학습한 경우를 나타낸다.
도 10 및 아래의 [표 2]를 참조하면, FNN 기반 배터리 충전 모델(FNN-4), LSTM 기반 배터리 충전 모델(LSTM-4) 및 GRU 기반 배터리 충전 모델(GRU-4)은 종래의 BC 충전 방법(Test set)과 유사한 충전 스케줄을 제시하지만, 각 배터리 셀의 상태를 반영하여 충전 전류를 변화시키기 때문에 SOC(State of Charge) 결과에서 같은 충전 시간 대비 높은 SOC를 보이는 것을 확인할 수 있다.
아울러, LSTM 기반 배터리 충전 모델(LSTM-4)는 사용된 모든 배터리 충전 모델 중 최고의 성능을 보여준다. 이는 4개의 배터리 특징을 입력하여 배터리 충전 프로파일을 예측하는 것이 더 정확하다는 것을 의미한다.
MAE MAPE(%)
FNN-4 0.0288 13.35
LSTM-4 0.0183 11.03
GRU-4 0.0511 25.67
즉, 본 발명에 따른 배터리 충전 모델은 종래의 CC-CV 충전 방법보다 충전 시간을 단축할 수 있다. 또한, 본 발명에 따른 배터리 충전 모델은 각 배터리 셀의 상태를 반영한 충전 스케줄을 제안하기 때문에, 종래의 BC 충전 방법보다 더 빠르고 안전하게 충전이 가능하다.
그러면, 도 11을 참조하여 본 발명의 바람직한 실시예에 따른 인공 신경망 기반 배터리 고속 충전 효율 향상 방법에 대하여 설명한다.
도 11은 본 발명의 바람직한 실시예에 따른 인공 신경망 기반 배터리 고속 충전 효율 향상 방법을 설명하기 위한 흐름도이다.
도 11을 참조하면, 배터리 고속 충전 효율 향상 장치(100)는 미리 설정된 충전 프로파일을 통해 배터리에 대하여 축적된 배터리 상태 정보로 이루어지는 데이터 세트를 이용하여, 충전 전류를 출력으로 하는 인공 신경망 기반 배터리 충전 모델을 학습한다(S110).
즉, 배터리 고속 충전 효율 향상 장치(100)는 배터리 상태 정보를 정규화(normalization)하고, 정규화된 배터리 상태 정보에서 배터리 특징을 추출하며, 추출된 배터리 특징으로 이루어지는 데이터 세트를 획득할 수 있다.
그리고, 배터리 고속 충전 효율 향상 장치(100)는 데이터 세트를 학습 데이터 세트와 테스트 데이터 세트로 분할하고, 학습 데이터 세트를 훈련 데이터 세트와 검증 데이터 세트로 분할하며, 훈련 데이터 세트를 이용하여 배터리 충전 모델을 구축하고, 구축된 배터리 충전 모델의 오버피팅(overfitting)을 최소화하는 에포치(epoch)를 검증 데이터 세트를 이용하여 K-fold 교차 검증(cross validation, CV)을 통해 획득하며, 획득한 에포치(epoch)를 기반으로 배터리 충전 모델을 최적화하고, 최적화된 배터리 충전 모델을 테스트 데이터 세트를 이용하여 테스트하여, 배터리 충전 모델을 학습할 수 있다.
그런 다음, 배터리 고속 충전 효율 향상 장치(100)는 학습된 배터리 충전 모델을 기반으로 스케줄링 대상의 충전 전류를 획득하고, 획득한 충전 전류를 기반으로 스케줄링 대상에 대한 충전 스케줄을 획득한다(S130).
이상에서 설명한 본 발명의 실시예를 구성하는 모든 구성요소들이 하나로 결합하거나 결합하여 동작하는 것으로 기재되어 있다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 또한, 이와 같은 컴퓨터 프로그램은 USB 메모리, CD 디스크, 플래쉬 메모리 등과 같은 컴퓨터가 읽을 수 있는 기록 매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 기록 매체로서는 자기기록매체, 광 기록매체 등이 포함될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 배터리 고속 충전 효율 향상 장치,
110 : 학습부,
130 : 스케줄링부

Claims (5)

  1. 미리 설정된 충전 프로파일을 통해, 배터리에 대하여 축적된 배터리 상태 정보로 이루어지는 데이터 세트를 이용하여, 충전 전류를 포함하는 출력을 제공하는 인공 신경망 기반 배터리 충전 모델을 학습하는 학습부; 및
    상기 학습된 배터리 충전 모델을 기반으로, 스케줄링 대상의 충전 전류를 획득하고, 획득된 충전 전류를 기반으로 상기 스케줄링 대상에 대한 충전 스케줄을 획득하는 스케줄링부를 포함하며,
    상기 배터리 상태 정보는, 충전 전류(charging current), 배터리 전압(battery voltage), 배터리 온도(battery temperature) 및 배터리 온도 미분 계수(battery temperature differential coefficient)를 포함하고,
    상기 학습부는 상기 배터리 충전 모델을 학습시키기 전에 상기 배터리 상태 정보들을 정규화(normalization)하고, 상기 정규화된 배터리 상태 정보들을 학습 데이터 세트(Learning data set)와 테스트 데이터 세트(Test data set)로 구별하며,
    상기 학습부가 배터리 충전 모델을 학습시키는 것은, 상기 학습 데이터 세트를 훈련 데이터 세트(Training data set)와 검증 데이터 세트(Validation data set)로 구별하고, 상기 훈련 데이터 세트를 이용하여 상기 배터리 충전 모델을 훈련시키되, 상기 배터리 충전 모델의 오버피팅(overfitting)을 고려하여 에포크(epoch)를 결정하고, 결정된 에포크를 기반으로 상기 배터리 충전 모델을 최적화시키는 것을 포함하는 것을 특징으로 하는,
    인공 신경망 기반 배터리 고속 충전 효율 향상 장치.
  2. 삭제
  3. 삭제
  4. 제1항에서,
    상기 배터리 충전 모델은,
    순방향 신경망(Feedforward Neural Network, FNN) 또는 순환 신경망(Recurrent Neural Network, RNN)을 기반으로 하는 인공 신경망 모델인,
    인공 신경망 기반 배터리 고속 충전 효율 향상 장치.
  5. 인공 신경망 기반 배터리 고속 충전 효율 향상 방법에 있어서, 상기 방법은 학습부 및 스케줄링부에 의하여 실행되는 것이고,
    상기 학습부가, 미리 설정된 충전 프로파일을 통해 배터리에 대하여 축적된 배터리 상태 정보로 이루어지는 데이터 세트를 이용하여, 충전 전류를 포함하는 출력을 제공하는 인공 신경망 기반 배터리 충전 모델을 학습시키는 단계; 및
    상기 스케줄링부가, 상기 학습된 배터리 충전 모델을 기반으로, 스케줄링 대상의 충전 전류를 획득하고, 획득된 충전 전류를 기반으로 상기 스케줄링 대상에 대한 충전 스케줄을 획득하는 단계를 포함하며,
    상기 배터리 상태 정보들은, 충전 전류(charging current), 배터리 전압(battery voltage), 배터리 온도(battery temperature) 및 배터리 온도 미분 계수(battery temperature differential coefficient)를 포함하고,
    상기 학습부는 상기 배터리 충전 모델을 학습시키기 전에 상기 배터리 상태 정보들을 정규화(normalization)하고, 상기 정규화된 배터리 상태 정보들을 학습 데이터 세트(Learning data set)와 테스트 데이터 세트(Test data set)로 구별하며,
    상기 학습부가 배터리 충전 모델을 학습시키는 것은,
    상기 학습 데이터 세트를 훈련 데이터 세트(Training data set)와 검증 데이터 세트(Validation data set)로 구별하고, 상기 훈련 데이터 세트를 이용하여 상기 배터리 충전 모델을 훈련시키되, 상기 배터리 충전 모델의 오버피팅(overfitting)을 고려하여 에포크(epoch)를 결정하고, 결정된 에포크를 기반으로 상기 배터리 충전 모델을 최적화시키는 것을 포함하는 것을 특징으로 하는,
    인공 신경망 기반 배터리 고속 충전 효율 향상 방법.
KR1020210001620A 2021-01-06 2021-01-06 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법 KR102508382B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210001620A KR102508382B1 (ko) 2021-01-06 2021-01-06 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210001620A KR102508382B1 (ko) 2021-01-06 2021-01-06 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220099415A KR20220099415A (ko) 2022-07-13
KR102508382B1 true KR102508382B1 (ko) 2023-03-08

Family

ID=82401232

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210001620A KR102508382B1 (ko) 2021-01-06 2021-01-06 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102508382B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116609686B (zh) * 2023-04-18 2024-01-05 江苏果下科技有限公司 一种基于云平台大数据的电芯一致性评估方法
CN116526617B (zh) * 2023-04-26 2024-02-02 广芯微电子（广州）股份有限公司 一种基于强化学习的锂电池充电控制方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200026607A (ko) * 2018-09-03 2020-03-11 엘지전자 주식회사 배터리를 포함하는 장치

Also Published As

Publication number Publication date
KR20220099415A (ko) 2022-07-13

Similar Documents

Publication Publication Date Title
KR102508382B1 (ko) 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법
Chen et al. A novel state-of-charge estimation method of lithium-ion batteries combining the grey model and genetic algorithms
Wang et al. A method for state-of-charge estimation of Li-ion batteries based on multi-model switching strategy
CN111856287B (zh) 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法
Zhang et al. Multi-objective decision analysis for data-driven based estimation of battery states: A case study of remaining useful life estimation
KR102439041B1 (ko) 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
Mamo et al. Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries
CN112630662B (zh) 一种基于数据驱动及多参数融合的动力电池soh估算方法
CN112782591A (zh) 基于多电池数据融合的锂电池soh长期预测方法
Lipu et al. Real-time state of charge estimation of lithium-ion batteries using optimized random forest regression algorithm
US20230118702A1 (en) Method, device and computer readable storage medium for estimating SOC of lithium battery
Wu et al. Reliability analysis of performance-based balanced systems with common bus performance sharing
CN113569939B (zh) 基于人工智能的电池分组方法、终端及存储介质
CN112215434A (zh) 一种lstm模型的生成方法、充电时长预测方法及介质
Zheng et al. A novel method for lithium-ion battery remaining useful life prediction using time window and gradient boosting decision trees
Mazzi et al. State of charge estimation of an electric vehicle's battery using tiny neural network embedded on small microcontroller units
EP4046856A1 (en) Power integrated circuit for electric vehicle applications
CN115113054A (zh) 一种梯次电池的安全评估方法、装置及电子设备
US11609273B2 (en) Method and system for optimizing BMS model, storage medium and electric vehicle
Yang et al. Balancing awareness fast charging control for lithium-ion battery pack using deep reinforcement learning
CN117054892B (zh) 一种储能电站电池健康状态的评估方法、装置及管理方法
Wang et al. A novel capacity estimation method for li-ion battery cell by applying ensemble learning to extremely sparse significant points
Hasanuzzaman A Software-Based Lifetime Prediction of Lithium Batteries Using Deep Learning for Wireless Networks
CN115078999B (zh) 基于自适应隐藏层bp神经网络的锂电池状况预测方法
US20220266717A1 (en) Controller integrated circuit for electric vehicle applications

Legal Events

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