KR102573964B1 - Apparatus and method for estimating battery soh - Google Patents
Apparatus and method for estimating battery soh Download PDFInfo
- Publication number
- KR102573964B1 KR102573964B1 KR1020210033467A KR20210033467A KR102573964B1 KR 102573964 B1 KR102573964 B1 KR 102573964B1 KR 1020210033467 A KR1020210033467 A KR 1020210033467A KR 20210033467 A KR20210033467 A KR 20210033467A KR 102573964 B1 KR102573964 B1 KR 102573964B1
- Authority
- KR
- South Korea
- Prior art keywords
- soh
- battery
- control unit
- internal resistance
- current
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
- Measurement Of Current Or Voltage (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
본 발명은 배터리 SOH 예측 장치에 관한 것으로, 배터리의 전압, 전류, 용량, 및 내부 저항(IR) 중 적어도 하나 이상을 측정하는 배터리 정보 입력부; 상기 배터리 정보 입력부에서 측정한 배터리 정보를 입력받은 후, 배터리의 용량을 바탕으로 SOHc를 예측하고, 배터리의 내부 저항을 바탕으로 SOHr을 예측한 후, 상기 SOHc와 상기 SOHr을 바탕으로 최종적인 SOH(State of Health)를 예측하는 제어부; 및 상기 제어부에서 예측한 SOH를 지정된 장치에 출력하는 SOH 출력부;를 포함한다.The present invention relates to an apparatus for predicting SOH of a battery, comprising: a battery information input unit for measuring at least one of voltage, current, capacity, and internal resistance (IR) of a battery; After receiving the battery information measured by the battery information input unit, SOH c is predicted based on the capacity of the battery, and SOH r is predicted based on the internal resistance of the battery, and then based on the SOH c and the SOH r A controller that predicts a final state of health (SOH); and an SOH output unit outputting the SOH predicted by the control unit to a designated device.
Description
본 발명은 배터리 SOH 예측 장치 및 방법에 관한 것으로, 보다 상세하게는 배터리의 용량을 바탕으로 SOHc를 예측하고, 배터리의 저항을 바탕으로 SOHr을 예측한 후, 상기 SOHc(즉, 배터리 용량에 관한 SOH)와 상기 SOHr(즉, 배터리 저항 성장에 관한 SOH)을 바탕으로 최종적인 SOH(State of Health)를 예측할 수 있도록 하는, 배터리 SOH 예측 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for predicting SOH of a battery, and more particularly, to predicting SOH c based on the capacity of a battery, predicting SOH r based on the resistance of the battery, and then predicting the SOH c (i.e., battery capacity) It relates to an apparatus and method for predicting a battery SOH, which enables to predict a final SOH (State of Health) based on the SOH) and the SOH r (ie, SOH related to battery resistance growth).
최근 스마트폰, 노트북, PDA 등의 휴대용 전자기기 분야뿐만 아니라, 전기 자동차, 에너지 저장 시스템(ESS) 등에 이르기까지 다양한 분야에서 충전이 가능한 이차전지(이하, '배터리'라 함)(예 : 리튬 배터리)의 사용이 증가되고 있다.Recently, secondary batteries (hereinafter referred to as 'batteries') that can be charged in various fields ranging from portable electronic devices such as smartphones, laptops, and PDAs to electric vehicles and energy storage systems (ESS) (e.g., lithium batteries) ) is increasingly used.
그런데 이러한 배터리는 지속적인 사용기간이 길수록, 충/방전을 거듭할수록 수명이 단축되는 특성이 있고, 이로 인해 배터리의 용량/성능이 점차 저하되는 단점이 있다.However, such a battery has a characteristic in that the lifespan of the battery is shortened as the continuous use period is long and repeated charge/discharge cycles, and thus, the capacity/performance of the battery gradually deteriorates.
따라서 배터리의 SOH(State of Health)를 정확하게 예측하는 것은 배터리의 교체가 필요한 시기를 파악할 수 있게 하고, 이에 따라 배터리의 용량/성능 저하로 인해 발생할 수 있는 부정적인 영향을 최소화함으로써 배터리를 이용하는 시스템이 안정적으로 운영될 수 있도록 한다.Therefore, accurately predicting the SOH (State of Health) of the battery enables the time when the battery needs to be replaced, thereby minimizing the negative effects that may occur due to the battery's capacity/performance degradation, so that the system using the battery is stable. enable it to operate as
그런데 종래에는 배터리의 SOH(State of Health)를 예측함에 있어서, 배터리의 전압과 전류의 모든 데이터(즉, 완충 상태의 배터리에서 완전 방전 상태까지 지정된 시간 간격으로 측정된 모든 데이터)를 이용하여 배터리의 용량 또는 내부저항을 계산하여(즉, SOHr 또는 SOHc 중 하나만 이용하여) SOH를 예측하였다. 즉, 기존에는 전압과 전류의 모든 데이터를 이용하여 SOH를 예측하기 때문에 연산 복잡도가 높았으며, 이로 인해 SOH 예측(추정) 장치의 효율이 떨어지고 비용이 증가되는 등의 문제점이 있었다.However, conventionally, in predicting the SOH (State of Health) of a battery, all data of the battery's voltage and current (that is, all data measured at designated time intervals from the fully charged battery to the fully discharged state) is used to SOH was predicted by calculating the capacity or internal resistance (ie, using only one of SOH r or SOH c ). That is, in the past, since SOH is predicted using all data of voltage and current, computational complexity is high, which causes problems such as low efficiency and increased cost of SOH prediction (estimation) devices.
예컨대 기존에 일부에서는 전기 화학적 모델과 등가 회로 모델(ECM) 기반 방법을 사용하여, 배터리의 내부 저항(IR)(이하, 간단히 저항으로 기재할 수 있음) 성장(또는 상승)을 기반으로 SOH 추정을 위한 방식(예 : ECM)을 제안하기도 하였으나, 이는 내부 저항(IR)의 동작을 표현하기 위해 복잡한 배터리 데이터 분석이 필요하며, 다른 유형의 배터리에 대해 정확하게 일반화 할 수 없는 문제점이 있었으며, 그 대신 데이터 기반 방법을 사용하기도 하였으나 이는 시간이 많이 걸리고 전력이 많이 소요되기 때문에 임베디드 시스템의 실시간 애플리케이션에는 적합하지 않은 문제점이 있었다. For example, in the past, some have used an electrochemical model and an equivalent circuit model (ECM)-based method to estimate SOH based on the growth (or rise) of the battery's internal resistance (IR) (hereinafter simply referred to as resistance). However, it requires complex battery data analysis to express the operation of internal resistance (IR), and has problems in that it cannot be accurately generalized to other types of batteries. The base method was also used, but it took a lot of time and consumed a lot of power, so it was not suitable for real-time applications in embedded systems.
따라서 보다 덜 복잡한 계산으로 저성능의 임베디드 시스템에서도 용량 저하와 내부 저항(IR) 상승(성장)을 모두 고려하되 복잡성이 더 낮은 SOH 예측 방법이 필요한 상황이다.Therefore, there is a need for a less complex SOH prediction method that considers both capacitance degradation and internal resistance (IR) increase (growth) even in low-performance embedded systems with less complex calculations.
본 발명의 배경기술은 대한민국 공개특허 10-2019-0099904호(2019.08.28. 공개, 배터리 관리 시스템)에 개시되어 있다. The background art of the present invention is disclosed in Korean Patent Publication No. 10-2019-0099904 (published on August 28, 2019, battery management system).
본 발명의 일 측면에 따르면, 본 발명은 상기와 같은 문제점을 해결하기 위해 창작된 것으로서, 배터리의 용량을 바탕으로 SOHc를 예측하고, 배터리의 저항을 바탕으로 SOHr을 예측한 후, 상기 SOHc(즉, 배터리 용량에 관한 SOH)와 상기 SOHr(즉, 배터리 저항 성장에 관한 SOH)을 바탕으로 최종적인 SOH(State of Health)를 예측할 수 있도록 하는, 배터리 SOH 예측 장치 및 방법을 제공하는 데 그 목적이 있다. According to one aspect of the present invention, the present invention was created to solve the above problems, predicting SOH c based on the capacity of the battery, predicting SOH r based on the resistance of the battery, and then predicting the SOH c (ie, SOH related to battery capacity) and the SOH r (ie, SOH related to battery resistance growth) to predict the final SOH (State of Health) based on, to provide a battery SOH prediction device and method It has its purpose.
본 발명의 일 측면에 따른 배터리 SOH 예측 장치는, 배터리의 전압, 전류, 용량, 및 내부 저항(IR) 중 적어도 하나 이상을 측정하는 배터리 정보 입력부; 상기 배터리 정보 입력부에서 측정한 배터리 정보를 입력받은 후, 배터리의 용량을 바탕으로 SOHc를 예측하고, 배터리의 내부 저항을 바탕으로 SOHr을 예측한 후, 상기 SOHc와 상기 SOHr을 바탕으로 최종적인 SOH(State of Health)를 예측하는 제어부; 및 상기 제어부에서 예측한 SOH를 지정된 장치에 출력하는 SOH 출력부;를 포함하는 것을 특징으로 한다.An apparatus for predicting SOH of a battery according to an aspect of the present invention includes a battery information input unit for measuring at least one of voltage, current, capacity, and internal resistance (IR) of a battery; After receiving the battery information measured by the battery information input unit, SOH c is predicted based on the capacity of the battery, and SOH r is predicted based on the internal resistance of the battery, and then based on the SOH c and the SOH r A controller that predicts a final state of health (SOH); and an SOH output unit outputting the SOH predicted by the control unit to a designated device.
본 발명에 있어서, 상기 제어부는, 딥러닝을 수행하도록 구현된 것을 특징으로 한다.In the present invention, the control unit is characterized in that it is implemented to perform deep learning.
본 발명에 있어서, 상기 제어부는, 배터리의 원시 전압 및 전류 데이터 수집하고, 상기 수집한 원시 전압 및 전류에 대한 전처리 작업을 수행하여 배터리 건강 표시기(HI)의 특징을 추출하며, 상기 추출한 특징을 딥러닝을 통해 SOHc와 SOHr을 예측하고, 상기 예측한 SOHc 및 SOHr을 바탕으로 SOH를 예측하는 것을 특징으로 한다.In the present invention, the control unit collects the raw voltage and current data of the battery, performs preprocessing on the collected raw voltage and current, extracts the characteristics of the battery health indicator (HI), and deepens the extracted characteristics. It is characterized in that SOH c and SOH r are predicted through running, and SOH is predicted based on the predicted SOH c and SOH r .
본 발명에 있어서, 상기 원시 전압 및 전류는, 각기 충전 및 방전 과정의 처음 지정된 초기 시간 동안에 측정된 전압 및 전류 값인 것을 특징으로 한다.In the present invention, the raw voltage and current are characterized in that they are voltage and current values measured during the first designated initial time of the charging and discharging process, respectively.
본 발명에 있어서, 상기 전처리 작업은, 데이터 정리 및 정규화를 포함하며, 상기 데이터 정리는 과소 적합을 방지하기 위해 데이터에서 특이 값을 제거하는 과정이며, 상기 정규화는 데이터를 0과 1 사이의 값으로 조정하는 과정인 것을 특징으로 한다.In the present invention, the preprocessing operation includes data cleaning and normalization, wherein the data cleaning is a process of removing singular values from data to prevent underfitting, and the normalization converts data into values between 0 and 1. It is characterized by an adjustment process.
본 발명에 있어서, 상기 SOHc는, 초기 배터리 용량과 정격 용량의 비율로 정의되며, 아래의 수학식 1과 같이 표현되는 것을 특징으로 한다.In the present invention, the SOH c is defined as the ratio of the initial battery capacity to the rated capacity, and is characterized in that it is expressed as in Equation 1 below.
(수학식 1)(Equation 1)
여기서 Cint는 배터리 용량의 초기 값이고, Ck는 현재 사이클에서의 용량을 의미한다.Here, C int is the initial value of the battery capacity, and C k means the capacity in the current cycle.
본 발명에 있어서, 상기 SOHr은, 배터리 내부 저항(IR) 증가와 초기 내부 저항(IR) 증가 비율로 정의되며, 아래의 수학식 2와 같이 표현되는 것을 특징으로 한다.In the present invention, the SOH r is defined as a ratio between an increase in battery internal resistance (IR) and an increase in initial internal resistance (IR), and is characterized in that it is expressed as in Equation 2 below.
(수학식 2)(Equation 2)
여기서 IRk는 현재 주기의 내부 저항(IR)이고, IRint는 새 배터리의 내부 저항(IR), IREOL은 배터리 수명이 끝날 때의 내부 저항(IR)을 의미한다.Here, IR k is the internal resistance (IR) of the current cycle, IR int is the internal resistance (IR) of the new battery, and IR EOL is the internal resistance (IR) at the end of the battery life.
본 발명에 있어서, 상기 제어부는, 상기 SOH, SOHc 및 SOHr 사이의 관계를 모델링하기 위해 커브 피팅 방법을 사용하며, 아래의 수학식 3과 같이 모델링된 다항식 함수 의 연산을 통해 SOH를 예측하는 것을 특징으로 한다.In the present invention, the control unit uses a curve fitting method to model the relationship between the SOH, SOH c , and SOH r , and a polynomial function modeled as in Equation 3 below. It is characterized in that SOH is predicted through the operation of.
(수학식 3)(Equation 3)
여기서 X는 SOHc이고, Y는 SOHr이며, cn(n = 1, ..., 6)은 모델의 계수를 의미한다.where X is SOH c , Y is SOH r , and c n (n = 1, ..., 6) means the coefficients of the model.
본 발명의 다른 측면에 따른 배터리 SOH 예측 방법은, 제어부가 배터리의 원시 전압 및 전류 데이터 수집하는 단계; 상기 제어부가 상기 수집한 원시 전압 및 전류에 대한 전처리 작업을 수행하여 배터리 건강 표시기(HI)의 특징을 추출하는 단계; 상기 제어부가 상기 추출한 특징을 딥러닝을 통해 SOHc와 SOHr을 예측하는 단계; 및 상기 제어부가 상기 예측한 SOHc 및 SOHr을 바탕으로 SOH를 예측하는 단계;를 포함하는 것을 특징으로 한다.A method for predicting SOH of a battery according to another aspect of the present invention includes collecting raw voltage and current data of a battery by a control unit; extracting characteristics of a battery health indicator (HI) by performing pre-processing on the collected raw voltage and current by the control unit; predicting, by the control unit, SOH c and SOH r using the extracted features through deep learning; and predicting SOH based on the predicted SOH c and SOH r by the control unit.
본 발명에 있어서, 상기 원시 전압 및 전류는, 각기 충전 및 방전 과정의 처음 지정된 초기 시간 동안에 측정된 전압 및 전류 값인 것을 특징으로 한다.In the present invention, the raw voltage and current are characterized in that they are voltage and current values measured during the first designated initial time of the charging and discharging process, respectively.
본 발명에 있어서, 상기 전처리 작업은, 데이터 정리 및 정규화를 포함하며, 상기 데이터 정리는 과소 적합을 방지하기 위해 데이터에서 특이 값을 제거하는 과정이며, 상기 정규화는 데이터를 0과 1 사이의 값으로 조정하는 과정인 것을 특징으로 한다.In the present invention, the preprocessing operation includes data cleaning and normalization, wherein the data cleaning is a process of removing singular values from data to prevent underfitting, and the normalization converts data into values between 0 and 1. It is characterized by an adjustment process.
본 발명에 있어서, 상기 SOHc는, 초기 배터리 용량과 정격 용량의 비율로 정의되며, 아래의 수학식 1과 같이 표현되는 것을 특징으로 한다.In the present invention, the SOH c is defined as the ratio of the initial battery capacity to the rated capacity, and is characterized in that it is expressed as in Equation 1 below.
(수학식 1)(Equation 1)
여기서 Cint는 배터리 용량의 초기 값이고, Ck는 현재 사이클에서의 용량을 의미한다.Here, C int is the initial value of the battery capacity, and C k means the capacity in the current cycle.
본 발명에 있어서, 상기 SOHr은, 배터리 내부 저항(IR) 증가와 초기 내부 저항(IR) 증가 비율로 정의되며, 아래의 수학식 2와 같이 표현되는 것을 특징으로 한다.In the present invention, the SOH r is defined as a ratio between an increase in battery internal resistance (IR) and an increase in initial internal resistance (IR), and is characterized in that it is expressed as in Equation 2 below.
(수학식 2)(Equation 2)
여기서 IRk는 현재 주기의 내부 저항(IR)이고, IRint는 새 배터리의 내부 저항(IR), IREOL은 배터리 수명이 끝날 때의 내부 저항(IR)을 의미한다.Here, IR k is the internal resistance (IR) of the current cycle, IR int is the internal resistance (IR) of the new battery, and IR EOL is the internal resistance (IR) at the end of the battery life.
본 발명에 있어서, 상기 SOH를 예측하는 단계에서, 상기 제어부는, 상기 SOH, SOHc 및 SOHr 사이의 관계를 모델링하기 위해 커브 피팅 방법을 사용하며, 아래의 수학식 3과 같이 모델링된 다항식 함수 의 연산을 통해 SOH를 예측하는 것을 특징으로 한다.In the present invention, in the step of predicting the SOH, the control unit uses a curve fitting method to model the relationship between the SOH, SOH c , and SOH r , and a polynomial function modeled as in Equation 3 below. It is characterized in that SOH is predicted through the operation of.
(수학식 3)(Equation 3)
여기서 X는 SOHc이고, Y는 SOHr이며, cn(n = 1, ..., 6)은 모델의 계수를 의미한다.where X is SOH c , Y is SOH r , and c n (n = 1, ..., 6) means the coefficients of the model.
본 발명의 일 측면에 따르면, 본 발명은 배터리의 용량을 바탕으로 SOHc를 예측하고, 배터리의 저항을 바탕으로 SOHr을 예측한 후, 상기 SOHc(즉, 배터리 용량에 관한 SOH)와 상기 SOHr(즉, 배터리 저항 성장에 관한 SOH)을 바탕으로 최종적인 SOH(State of Health)를 예측할 수 있도록 함으로써 SOH의 예측 정확도를 향상시키며 SOH 예측 시간과 복잡도를 감소시키는 효과가 있다.According to one aspect of the present invention, the present invention predicts SOH c based on the capacity of the battery, predicts SOH r based on the resistance of the battery, and then calculates the SOH c (ie, SOH related to the battery capacity) and the By making it possible to predict the final state of health (SOH) based on SOH r (ie, SOH related to battery resistance growth), there is an effect of improving SOH prediction accuracy and reducing SOH prediction time and complexity.
또한 본 발명의 다른 측면에 따르면, 본 발명은 배터리 사용 시 전압과 전류 데이터의 처음 지정된 일부분의 전압 값들(즉, 매번 충전 과정과 방전 과정에서 지정된 초기 시간 동안에 측정된 전압 값들)에서 SOHr과 SOHc를 추출한 후, 이를 딥러닝을 이용한 학습을 통하여 최종적으로 SOH(State of Health)를 예측할 수 있도록 함으로써, SOH의 예측 정확도를 향상시키며 SOH 예측 시간과 복잡도를 감소시키는 효과가 있다.In addition, according to another aspect of the present invention, the present invention provides SOH r and SOH at the voltage values of the first designated part of the voltage and current data when the battery is used (ie, the voltage values measured during the initial designated time in each charging process and discharging process) After c is extracted, it is possible to finally predict the SOH (State of Health) through learning using deep learning, thereby improving the prediction accuracy of the SOH and reducing the SOH prediction time and complexity.
도 1은 본 발명의 일 실시예에 따른 배터리 SOH 예측 장치의 개략적인 구성을 보인 예시도.
도 2는 상기 도 1에 있어서, SOHc 와 SOHr을 바탕으로 SOH를 예측하는 이유를 설명하기 위한 예시도.
도 3은 본 발명의 일 실시예에 따른 배터리 SOH 예측 방법을 설명하기 위한 흐름도.1 is an exemplary view showing a schematic configuration of a battery SOH prediction device according to an embodiment of the present invention.
FIG. 2 is an exemplary diagram for explaining why SOH is predicted based on SOH c and SOH r in FIG. 1; FIG.
3 is a flowchart illustrating a method for predicting SOH of a battery according to an embodiment of the present invention.
이하, 첨부된 도면을 참조하여 본 발명에 따른 배터리 SOH 예측 장치 및 방법의 일 실시예를 설명한다. Hereinafter, an embodiment of an apparatus and method for predicting SOH of a battery according to the present invention will be described with reference to the accompanying drawings.
이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In this process, the thickness of lines or the size of components shown in the drawings may be exaggerated for clarity and convenience of explanation. In addition, terms to be described later are terms defined in consideration of functions in the present invention, which may vary according to the intention or custom of a user or operator. Therefore, definitions of these terms will have to be made based on the content throughout this specification.
도 1은 본 발명의 일 실시예에 따른 배터리 SOH 예측 장치의 개략적인 구성을 보인 예시도이다.1 is an exemplary diagram showing a schematic configuration of an apparatus for predicting SOH of a battery according to an embodiment of the present invention.
도 1에 도시된 바와 같이, 본 실시예에 따른 배터리 SOH 예측 장치는, 배터리 정보 입력부(110), 제어부(120), 및 SOH 출력부(130)를 포함한다.As shown in FIG. 1 , the apparatus for predicting SOH of a battery according to the present embodiment includes a battery
상기 배터리 정보 입력부(110)는 배터리의 전압, 전류, 용량, 및 내부 저항(IR) 중 적어도 하나 이상을 측정하여 상기 제어부(120)에 입력한다.The battery
상기 제어부(120)는 배터리의 전압과 전류를 입력받은 후, 배터리의 용량을 바탕으로 SOHc를 예측하고, 배터리의 저항(즉, 내부 저항(IR))을 바탕으로 SOHr을 예측한 후, 상기 SOHc(즉, 배터리 용량에 관한 SOH)와 상기 SOHr(즉, 배터리 저항 성장에 관한 SOH)을 바탕으로 최종적인 SOH(State of Health)를 예측한다.After receiving the voltage and current of the battery, the
이 때 상기 제어부(120)는 딥러닝 학습을 수행한다.At this time, the
상기 SOH 출력부(130)는 상기 제어부(120)에서 예측(추정)한 SOH(State of Health)를 지정된 장치(예 : 디스플레이 수단, 외부 제어 장치 등)에 출력한다.The
참고로, 본 실시예에 있어서, SOH 추정 측면에서 배터리 상태의 저하는 배터리 용량의 저하가 주요 요인이며, 계산 복잡성을 줄이기 위해 용량 저하는 방전 과정의 처음 지정된 일부분의 전압 값들(즉, 충전된 배터리의 방전 과정에서 지정된 초기 시간 동안에 측정된 전압 값들)로 대체된다. For reference, in this embodiment, in terms of SOH estimation, the main factor for the decrease in battery capacity is the decrease in battery capacity. voltage values measured during the specified initial time in the discharge process of
이 때 배터리 방전 과정(HIC)에서 첫 번째 전압 값과 충/방전 주기와 용량 저하 사이의 관계는 도 2의 (a)에 도시된 바와 같다. 즉, 도 2의 (a)에 도시된 바와 같이 배터리 용량은 방전 과정(HIC) 사이클 수가 증가함에 따라 저하된다. 따라서 방전 과정(HIC)은 용량 저하를 반영할 수 있으며, 용량을 기반으로 SOH를 추정하는 데 사용할 수 있다.At this time, the relationship between the first voltage value, the charge/discharge cycle, and the capacity decrease in the battery discharge process (HI C ) is shown in (a) of FIG. 2 . That is, as shown in (a) of FIG. 2 , the battery capacity decreases as the number of discharge cycles (HI C ) increases. Thus, the discharge process (HI C ) can reflect capacity degradation and can be used to estimate SOH based on capacity.
또한 배터리의 내부 저항(IR) 증가(또는 성장)는 배터리 건강 표시기(HI : Health Indicator)(또는 배터리 상태의 지표)로도 사용된다. 계산 복잡성을 줄이기 위해 내부 저항(IR)을 충전 과정(HIR)의 처음 지정된 일부분의 전압 값들(즉, 방전된 배터리의 충전 과정에서 지정된 초기 시간 동안에 측정된 전압 값들) 첫 번째 전압 값에 해당하는 값으로 대체된다.In addition, the increase (or growth) of the internal resistance (IR) of the battery is also used as a battery health indicator (HI: Health Indicator) (or an indicator of the battery condition). To reduce computational complexity, the internal resistance (IR) corresponds to the voltage values of the first specified part of the charging process (HI R ) (i.e., the voltage values measured during the initial specified time period in the charging process of a discharged battery). value is replaced by
이 때 배터리 내부 저항(IR)과 충전 과정(HIR) 사이클의 관계는 도 2의 (b)에 도시된 바와 같다. 즉, 도 2의 (b)에 도시된 바와 같이 내부 저항(IR)과 전압은 사이클 수에 따라 증가한다. 따라서 충전 과정(HIR)은 내부 저항(IR)의 증가를 반영할 수 있으며, 내부 저항(IR)을 기반으로 SOH를 추정하는 데 사용할 수 있다.At this time, the relationship between the battery internal resistance (IR) and the charging process (HI R ) cycle is as shown in (b) of FIG. That is, as shown in (b) of FIG. 2, the internal resistance (IR) and voltage increase according to the number of cycles. Therefore, the charging process (HI R ) can reflect an increase in the internal resistance (IR), and can be used to estimate SOH based on the internal resistance (IR).
한편, 기존 SOH 추정 방식에서 SOH 추정의 학습 과정은 용량 저하 또는 내부 저항(IR) 증가를 반영하는 단일 유형의 배터리 건강 표시기(HI)를 기반으로 하지만, 상술한 바와 같이 배터리의 용량 저하와 배터리의 내부 저항(IR) 증가는 서로 다른 동작을 나타내므로 배터리 SOH에 다른 영향을 미칠 수 있다. On the other hand, in the existing SOH estimation method, the learning process of SOH estimation is based on a single type of battery health indicator (HI) that reflects capacity degradation or internal resistance (IR) increase. Internal resistance (IR) increases exhibit different behavior and can have different effects on battery SOH.
따라서 본 실시예에서는 상기 두 요소(예 : 배터리 용량, 내부 저항)를 모두 고려하는 방식으로 SOH를 예측한다.Therefore, in this embodiment, SOH is predicted by considering both of the above two factors (eg, battery capacity and internal resistance).
즉, 본 실시예는 배터리 용량과 내부 저항(IR)을 모두 고려하여 SOH를 예측하는 방법을 제공하는 것으로, 이하 상기 제어부(120)의 동작에 대해서 도 3의 흐름도를 참조하여 보다 구체적으로 설명한다.That is, the present embodiment provides a method of predicting SOH by considering both battery capacity and internal resistance (IR), and the operation of the
도 3을 참조하면, 제어부(120)는 원시 전압 및 전류 데이터 수집한다(S101).Referring to FIG. 3 , the
또한 상기 제어부(120)는, 배터리 건강 표시기(HI)의 특징을 추출하기 위하여, 상기 수집한 원시 전압 및 전류에 대한 전처리 작업을 수행한다(S102).In addition, the
여기서 상기 원시 전압 및 전류는 각기 충전 및 방전 과정의 처음 지정된 초기 시간 동안에 측정된 전압 및 전류 값을 의미한다.Here, the raw voltage and current refer to voltage and current values measured during the first designated initial time of the charging and discharging processes, respectively.
그리고 상기 전처리 작업은 데이터 정리 및 정규화를 포함하며, 상기 데이터 정리는 과소 적합(under-fitting)을 방지하기 위해 데이터에서 특이 값을 제거하는 과정이며, 상기 정규화는 데이터를 0과 1 사이의 값으로 조정하는 과정이다.And the preprocessing includes data cleaning and normalization, wherein the data cleaning is a process of removing singular values from data to prevent under-fitting, and the normalization converts data into values between 0 and 1. It is an adjustment process.
상기 전처리 작업이 완료되면, 상기 제어부(120)는 상기 전처리 작업이 완료된 데이터에서 배터리 건강 표시기(HI)의 특징(예 : HIC, HIR)을 추출한다(S103).When the pre-processing is completed, the
그리고 상기 제어부(120)는 상기 추출한 특징(예 : HIC, HIR)을 딥러닝(예 : RNN, LSTM 등)을 통해 SOHc(즉, 배터리 용량에 관한 SOH)와 상기 SOHr(즉, 배터리 저항 성장에 관한 SOH)을 예측(추정)한다(S104, S105).In addition, the
여기서 상기 SOHc는 초기 배터리 용량과 정격 용량의 비율로 정의된다. Here, the SOH c is defined as the ratio of the initial battery capacity to the rated capacity.
따라서 SOHc는 새 배터리의 경우 100%(배터리 용량은 공칭 용량과 같음)이고, 용량이 공칭 용량의 80%로 저하되면 0%가 된다.Therefore, SOH c is 100% for a new battery (battery capacity equals nominal capacity) and becomes 0% when capacity degrades to 80% of nominal capacity.
상기 SOHc는 아래의 수학식 1과 같이 표현된다.The SOH c is expressed as in Equation 1 below.
여기서 Cint는 배터리 용량의 초기 값이고, Ck는 현재 사이클에서의 용량을 의미한다.Here, C int is the initial value of the battery capacity, and C k means the capacity in the current cycle.
한편 상기 SOHr은 배터리 내부 저항(IR) 증가와 초기 내부 저항(IR) 증가 비율로 정의되며, 아래의 수학식 2와 같이 표현된다.Meanwhile, the SOH r is defined as a ratio between an increase in the internal resistance (IR) of the battery and an increase in the initial internal resistance (IR), and is expressed as in Equation 2 below.
여기서 IRk는 현재 주기의 내부 저항(IR)이고, IRint는 새 배터리의 내부 저항(IR), IREOL은 배터리 수명이 끝날 때의 내부 저항(IR)을 의미한다.Here, IR k is the internal resistance (IR) of the current cycle, IR int is the internal resistance (IR) of the new battery, and IR EOL is the internal resistance (IR) at the end of the battery life.
또한 상기 제어부(120)는 상기 예측(추정)한 SOHc 및 SOHr을 바탕으로 SOH를 예측한다(S106, S107).In addition, the
이 때 상기 추정된 SOH는 SOHc 및 SOHr의 두 가지 구성 요소가 있는 변수로 처리하며, 이는 SOHc 및 SOHr가 SOH에 상당한 영향을 미치기 때문이다. At this time, the estimated SOH is treated as a variable having two components, SOH c and SOH r , because SOH c and SOH r have a significant effect on SOH.
가령, 상기 SOH, SOHc 및 SOHr 사이의 관계를 모델링하기 위해 커브 피팅 방법을 사용할 수 있으며, 아래의 수학식 3과 같이 다항식 함수 를 사용하여 모델링 할 수 있다. 즉, 아래의 수학식 3의 연산을 통해 SOH가 예측(추정)된다.For example, a curve fitting method may be used to model the relationship between the SOH, SOH c and SOH r , and a polynomial function as shown in Equation 3 below can be modeled using That is, the SOH is predicted (estimated) through the operation of Equation 3 below.
여기서 X는 SOHc이고, Y는 SOHr이며, cn(n = 1, ..., 6)은 모델의 계수를 의미한다.where X is SOH c , Y is SOH r , and c n (n = 1, ..., 6) means the coefficients of the model.
상기와 같이 본 실시예는 배터리의 용량을 바탕으로 SOHc를 예측하고, 배터리의 저항을 바탕으로 SOHr을 예측한 후, 상기 SOHc(즉, 배터리 용량에 관한 SOH)와 상기 SOHr(즉, 배터리 저항 성장에 관한 SOH)을 바탕으로 최종적인 SOH(State of Health)를 예측할 수 있도록 함으로써 SOH의 예측 정확도를 향상시키며 SOH 예측 시간과 복잡도를 감소시키는 효과가 있다.As described above, in this embodiment, after predicting SOH c based on the capacity of the battery and predicting SOH r based on the resistance of the battery, the SOH c (ie, SOH related to the battery capacity) and the SOH r (ie, , SOH related to battery resistance growth) to predict the final state of health (SOH), thereby improving the prediction accuracy of SOH and reducing the time and complexity of SOH prediction.
또한 본 실시예는 배터리 사용 시 전압과 전류 데이터의 처음 지정된 일부분의 전압 값들(즉, 매번 충전 과정과 방전 과정에서 지정된 초기 시간 동안에 측정된 전압 값들)에서 SOHr과 SOHc를 추출한 후, 이를 딥러닝을 이용한 학습을 통하여 최종적으로 SOH(State of Health)를 예측할 수 있도록 함으로써, SOH의 예측 정확도를 향상시키며 SOH 예측 시간과 복잡도를 감소시키는 효과가 있다.In addition, this embodiment extracts SOH r and SOH c from the voltage values of the first designated part of the voltage and current data when using the battery (that is, the voltage values measured during the initial designated time in each charging process and discharging process), and then extracts SOH r and SOH c By making it possible to finally predict SOH (State of Health) through learning using learning, there is an effect of improving SOH prediction accuracy and reducing SOH prediction time and complexity.
이상으로 본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다. 또한 본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍 가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.The present invention has been described above with reference to the embodiments shown in the drawings, but this is only exemplary, and those skilled in the art can make various modifications and equivalent other embodiments. you will understand the point. Therefore, the technical protection scope of the present invention should be determined by the claims below. Implementations described herein may also be embodied in, for example, a method or process, an apparatus, a software program, a data stream, or a signal. Even if discussed only in the context of a single form of implementation (eg, discussed only as a method), the implementation of features discussed may also be implemented in other forms (eg, an apparatus or program). The device may be implemented in suitable hardware, software and firmware. The method may be implemented in an apparatus such as a processor, which is generally referred to as a processing device including, for example, a computer, microprocessor, integrated circuit, programmable logic device, or the like. Processors also include communication devices such as computers, cell phones, personal digital assistants ("PDAs") and other devices that facilitate communication of information between end-users.
110 : 배터리 정보 입력부
120 : 제어부
130 : SOH 출력부110: battery information input unit
120: control unit
130: SOH output unit
Claims (14)
상기 배터리 정보 입력부에서 측정한 배터리 정보를 입력받은 후, 배터리의 용량을 바탕으로 SOHc를 예측하고, 배터리의 내부 저항을 바탕으로 SOHr을 예측한 후, 상기 SOHc와 상기 SOHr을 바탕으로 최종적인 SOH(State of Health)를 예측하는 제어부; 및
상기 제어부에서 예측한 SOH를 지정된 장치에 출력하는 SOH 출력부;를 포함하되,
상기 제어부는,
배터리의 원시 전압 및 전류 데이터를 수집하고, 상기 수집한 원시 전압 및 전류에 대한 전처리 작업을 수행하여 배터리 건강 표시기(HI)의 특징을 추출하며,
상기 추출한 특징을 딥러닝을 통해 SOHc와 SOHr을 예측하고,
상기 예측한 SOHc 및 SOHr을 바탕으로 SOH를 예측하며,
상기 SOHc는,
초기 배터리 용량과 정격 용량의 비율로 정의되며, 아래의 수학식 1과 같이 표현되는 것을 특징으로 하는 배터리 SOH 예측 장치.
(수학식 1)
여기서 Cint는 배터리 용량의 초기 값이고, Ck는 현재 사이클에서의 용량을 의미한다.
a battery information input unit for measuring at least one of voltage, current, capacity, and internal resistance (IR) of the battery;
After receiving the battery information measured by the battery information input unit, predicting SOHc based on the capacity of the battery, predicting SOHr based on the internal resistance of the battery, and then, based on the SOHc and the SOHr, a final A control unit that predicts SOH (State of Health); and
Including; SOH output unit for outputting the SOH predicted by the control unit to a designated device,
The control unit,
Collect raw voltage and current data of the battery, and perform preprocessing on the collected raw voltage and current to extract characteristics of a battery health indicator (HI);
Predicting SOH c and SOH r using the extracted features through deep learning,
SOH is predicted based on the predicted SOH c and SOH r ,
The SOH c is,
It is defined as the ratio of the initial battery capacity and the rated capacity, characterized in that the battery SOH prediction device is expressed as in Equation 1 below.
(Equation 1)
Here, C int is the initial value of the battery capacity, and C k means the capacity in the current cycle.
딥러닝을 수행하도록 구현된 것을 특징으로 하는 배터리 SOH 예측 장치.
The method of claim 1, wherein the control unit,
Battery SOH prediction device, characterized in that implemented to perform deep learning.
각기 충전 및 방전 과정의 처음 지정된 초기 시간 동안에 측정된 전압 및 전류 값인 것을 특징으로 하는 배터리 SOH 예측 장치.
The method of claim 1, wherein the raw voltage and current are,
Battery SOH prediction device, characterized in that the voltage and current values measured during the first designated initial time of each charge and discharge process.
데이터 정리 및 정규화를 포함하며,
상기 데이터 정리는 과소 적합을 방지하기 위해 데이터에서 특이 값을 제거하는 과정이며, 상기 정규화는 데이터를 0과 1 사이의 값으로 조정하는 과정인 것을 특징으로 하는 배터리 SOH 예측 장치.
The method of claim 1, wherein the preprocessing operation,
Includes data cleaning and normalization;
The data cleaning is a process of removing singular values from the data to prevent underfitting, and the normalization is a process of adjusting the data to a value between 0 and 1.
배터리 내부 저항(IR) 증가와 초기 내부 저항(IR) 증가 비율로 정의되며, 아래의 수학식 2와 같이 표현되는 것을 특징으로 하는 배터리 SOH 예측 장치.
(수학식 2)
여기서 IRk는 현재 주기의 내부 저항(IR)이고, IRint는 새 배터리의 내부 저항(IR), IREOL은 배터리 수명이 끝날 때의 내부 저항(IR)을 의미한다.
The method of claim 1, wherein the SOH r is,
Battery SOH prediction device, characterized in that it is defined as the ratio of the increase in the battery internal resistance (IR) and the increase in the initial internal resistance (IR), and is expressed as in Equation 2 below.
(Equation 2)
Here, IR k is the internal resistance (IR) of the current cycle, IR int is the internal resistance (IR) of the new battery, and IR EOL is the internal resistance (IR) at the end of the battery life.
상기 SOH, SOHc 및 SOHr 사이의 관계를 모델링하기 위해 커브 피팅 방법을 사용하며, 아래의 수학식 3과 같이 모델링된 다항식 함수 의 연산을 통해 SOH를 예측하는 것을 특징으로 하는 배터리 SOH 예측 장치.
(수학식 3)
여기서 X는 SOHc이고, Y는 SOHr이며, cn(n = 1, ..., 6)은 모델의 계수를 의미한다.
The method of claim 1, wherein the control unit,
A curve fitting method is used to model the relationship between the SOH, SOH c , and SOH r , and a polynomial function modeled as shown in Equation 3 below. Battery SOH prediction device, characterized in that for predicting the SOH through the operation of.
(Equation 3)
where X is SOH c , Y is SOH r , and c n (n = 1, ..., 6) means the coefficients of the model.
상기 제어부가 상기 수집한 원시 전압 및 전류에 대한 전처리 작업을 수행하여 배터리 건강 표시기(HI)의 특징을 추출하는 단계;
상기 제어부가 상기 추출한 특징을 딥러닝을 통해 SOHc와 SOHr을 예측하는 단계; 및
상기 제어부가 상기 예측한 SOHc 및 SOHr을 바탕으로 SOH를 예측하는 단계;를 포함하되,
상기 SOHc는,
초기 배터리 용량과 정격 용량의 비율로 정의되며, 아래의 수학식 1과 같이 표현되는 것을 특징으로 하는 배터리 SOH 예측 방법.
(수학식 1)
여기서 Cint는 배터리 용량의 초기 값이고, Ck는 현재 사이클에서의 용량을 의미한다.
Collecting raw voltage and current data of the battery by a control unit;
extracting characteristics of a battery health indicator (HI) by performing pre-processing on the collected raw voltage and current by the control unit;
predicting, by the control unit, SOH c and SOH r using the extracted features through deep learning; and
Predicting SOH based on the predicted SOH c and SOH r by the controller; Including,
The SOH c is,
A battery SOH prediction method, which is defined as the ratio of the initial battery capacity and the rated capacity, and is expressed as in Equation 1 below.
(Equation 1)
Here, C int is the initial value of the battery capacity, and C k means the capacity in the current cycle.
각기 충전 및 방전 과정의 처음 지정된 초기 시간 동안에 측정된 전압 및 전류 값인 것을 특징으로 하는 배터리 SOH 예측 방법.
10. The method of claim 9, wherein the raw voltage and current are,
Battery SOH prediction method, characterized in that the voltage and current values measured during the first designated initial time of each charge and discharge process.
데이터 정리 및 정규화를 포함하며,
상기 데이터 정리는 과소 적합을 방지하기 위해 데이터에서 특이 값을 제거하는 과정이며, 상기 정규화는 데이터를 0과 1 사이의 값으로 조정하는 과정인 것을 특징으로 하는 배터리 SOH 예측 방법.
The method of claim 9, wherein the preprocessing operation,
Includes data cleaning and normalization;
The data cleaning is a process of removing singular values from the data to prevent underfitting, and the normalization is a process of adjusting the data to a value between 0 and 1.
상기 제어부가 상기 수집한 원시 전압 및 전류에 대한 전처리 작업을 수행하여 배터리 건강 표시기(HI)의 특징을 추출하는 단계;
상기 제어부가 상기 추출한 특징을 딥러닝을 통해 SOHc와 SOHr을 예측하는 단계; 및
상기 제어부가 상기 예측한 SOHc 및 SOHr을 바탕으로 SOH를 예측하는 단계;를 포함하되,
상기 SOHr은,
배터리 내부 저항(IR) 증가와 초기 내부 저항(IR) 증가 비율로 정의되며, 아래의 수학식 2와 같이 표현되는 것을 특징으로 하는 배터리 SOH 예측 방법.
(수학식 2)
여기서 IRk는 현재 주기의 내부 저항(IR)이고, IRint는 새 배터리의 내부 저항(IR), IREOL은 배터리 수명이 끝날 때의 내부 저항(IR)을 의미한다.
Collecting, by a control unit, raw voltage and current data of the battery;
extracting characteristics of a battery health indicator (HI) by performing pre-processing on the collected raw voltage and current by the control unit;
predicting, by the control unit, SOH c and SOH r using the extracted features through deep learning; and
Predicting SOH based on the predicted SOH c and SOH r by the control unit; including,
The SOH r is,
Battery SOH prediction method, characterized in that it is defined as the ratio of the increase in the battery internal resistance (IR) and the increase in the initial internal resistance (IR), and is expressed as in Equation 2 below.
(Equation 2)
Here, IR k is the internal resistance (IR) of the current cycle, IR int is the internal resistance (IR) of the new battery, and IR EOL is the internal resistance (IR) at the end of the battery life.
상기 제어부가 상기 수집한 원시 전압 및 전류에 대한 전처리 작업을 수행하여 배터리 건강 표시기(HI)의 특징을 추출하는 단계;
상기 제어부가 상기 추출한 특징을 딥러닝을 통해 SOHc와 SOHr을 예측하는 단계; 및
상기 제어부가 상기 예측한 SOHc 및 SOHr을 바탕으로 SOH를 예측하는 단계;를 포함하되,
상기 SOH를 예측하는 단계에서,
상기 제어부는,
상기 SOH, SOHc 및 SOHr 사이의 관계를 모델링하기 위해 커브 피팅 방법을 사용하며, 아래의 수학식 3과 같이 모델링된 다항식 함수 의 연산을 통해 SOH를 예측하는 것을 특징으로 하는 배터리 SOH 예측 방법.
(수학식 3)
여기서 X는 SOHc이고, Y는 SOHr이며, cn(n = 1, ..., 6)은 모델의 계수를 의미한다.Collecting, by a control unit, raw voltage and current data of the battery;
extracting characteristics of a battery health indicator (HI) by performing pre-processing on the collected raw voltage and current by the control unit;
predicting, by the control unit, SOH c and SOH r using the extracted features through deep learning; and
Predicting SOH based on the predicted SOH c and SOH r by the controller; Including,
In the step of predicting the SOH,
The control unit,
A curve fitting method is used to model the relationship between the SOH, SOH c , and SOH r , and a polynomial function modeled as shown in Equation 3 below. Battery SOH prediction method, characterized in that for predicting the SOH through the operation of.
(Equation 3)
where X is SOH c , Y is SOH r , and c n (n = 1, ..., 6) means the coefficients of the model.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210033467A KR102573964B1 (en) | 2021-03-15 | 2021-03-15 | Apparatus and method for estimating battery soh |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210033467A KR102573964B1 (en) | 2021-03-15 | 2021-03-15 | Apparatus and method for estimating battery soh |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220128828A KR20220128828A (en) | 2022-09-22 |
| KR102573964B1 true KR102573964B1 (en) | 2023-09-01 |
Family
ID=83445602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210033467A KR102573964B1 (en) | 2021-03-15 | 2021-03-15 | Apparatus and method for estimating battery soh |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102573964B1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016125932A (en) * | 2015-01-06 | 2016-07-11 | スズキ株式会社 | Deterioration state estimation device for secondary battery |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102357351B1 (en) * | 2015-01-07 | 2022-01-28 | 삼성전자주식회사 | Device and apparatus to estimate state of batter pakc including the plurality of battery cells |
| KR102238248B1 (en) * | 2019-07-31 | 2021-04-12 | 주식회사 에스제이 테크 | Battery diagnostic methods using machine learning |
-
2021
- 2021-03-15 KR KR1020210033467A patent/KR102573964B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016125932A (en) * | 2015-01-06 | 2016-07-11 | スズキ株式会社 | Deterioration state estimation device for secondary battery |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220128828A (en) | 2022-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11408942B2 (en) | Method for predicting service life of retired power battery | |
| EP3506452B1 (en) | Battery charging method and apparatus | |
| EP3018753B1 (en) | Battery control method based on ageing-adaptive operation window | |
| TWI420126B (en) | Device for battery capacity prediction and method for the same | |
| US10060986B2 (en) | Battery remaining power predicting device and battery pack | |
| WO2020198118A1 (en) | Methods, systems, and devices for estimating and predicting a remaining time to charge and a remaining time to discharge of a battery | |
| CN110346725B (en) | Construction method, evaluation method and device of battery health degree evaluation model | |
| KR20180115124A (en) | Apparatus and method for calculating soc | |
| CN111707955B (en) | Method, apparatus and medium for estimating remaining life of battery | |
| EP2956784A1 (en) | Method for determining a state of charge and remaining operation life of a battery | |
| WO2014161325A1 (en) | Method, device and terminal for detecting electric quantity of battery | |
| Mian Qaisar | A proficient Li-ion battery state of charge estimation based on event-driven processing | |
| KR20120046355A (en) | Apparatus and method for reporting exchange time of battery | |
| KR20120119598A (en) | Apparatus and method for estimating battery state and battery pack using it | |
| KR102573964B1 (en) | Apparatus and method for estimating battery soh | |
| CN113740745A (en) | Battery detection method, device, medium and system | |
| CN117233657A (en) | Short circuit detection method and device and electronic device | |
| CN113507154B (en) | Charging method and device, charger and electronic equipment | |
| CN116008836A (en) | Short circuit detection method and device for battery and storage medium | |
| CN115389954A (en) | Battery capacity estimation method, electronic equipment and readable storage medium | |
| CN114264961A (en) | Method and device for detecting short circuit in battery cell and electronic equipment | |
| KR20230093095A (en) | Apparatus for estimating soc and soh in edge device and cloud interworking system and method thereof | |
| CN115360793B (en) | Battery pack equalization method, device, battery system and storage medium | |
| KR102617005B1 (en) | Apparatus for estimating soh of electric vehicle battery and method thereof | |
| KR20220124619A (en) | Method and apparatus for estimating a state of battery |
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 |