KR102591821B1 - 드론의 비행 패턴을 안내하는 방법 및 장치와 드론 - Google Patents

드론의 비행 패턴을 안내하는 방법 및 장치와 드론 Download PDF

Info

Publication number
KR102591821B1
KR102591821B1 KR1020210087734A KR20210087734A KR102591821B1 KR 102591821 B1 KR102591821 B1 KR 102591821B1 KR 1020210087734 A KR1020210087734 A KR 1020210087734A KR 20210087734 A KR20210087734 A KR 20210087734A KR 102591821 B1 KR102591821 B1 KR 102591821B1
Authority
KR
South Korea
Prior art keywords
battery pack
drone
temperature
flight pattern
flight
Prior art date
Application number
KR1020210087734A
Other languages
English (en)
Other versions
KR20220107901A (ko
Inventor
장래혁
백돈규
박병수
이찬욱
정민재
Original Assignee
한국과학기술원
충북대학교 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 한국과학기술원, 충북대학교 산학협력단 filed Critical 한국과학기술원
Publication of KR20220107901A publication Critical patent/KR20220107901A/ko
Application granted granted Critical
Publication of KR102591821B1 publication Critical patent/KR102591821B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D27/00—Arrangement or mounting of power plants in aircraft; Aircraft characterised by the type or position of power plants
    • B64D27/02—Aircraft characterised by the type or position of power plants
    • B64D27/24—Aircraft characterised by the type or position of power plants using steam or spring force
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U50/00—Propulsion; Power supply
    • B64U50/10—Propulsion
    • B64U50/19—Propulsion using electrically powered motors
    • 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]
    • G01R31/382—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]
    • G01R31/392—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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T50/00—Aeronautics or air transport
    • Y02T50/60—Efficient propulsion technologies, e.g. for aircraft

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Secondary Cells (AREA)

Abstract

일 실시예에 따르면, 드론의 비행 패턴을 안내하는 방법 및 장치는 심층 신경망 모델을 이용하여 드론의 비행 상태에 따른 배터리 팩의 전류 소모량을 예측하고, 배터리 단일 셀의 전기적 등가 회로 모델에 기초하여 전류 소모량에 따른 배터리 팩의 발열량을 예측하고, 배터리 팩의 발열량에 기초하여 드론의 내부 열 유동을 분석함으로써 배터리 팩의 온도를 예측하고, 배터리 팩의 온도에 따른 배터리 팩의 내부 저항 및 수명 감소 특성의 변화에 기초하여 배터리 팩의 가용 용량을 예측하며, 가용 용량에 기초하여 드론의 비행 패턴을 안내한다.

Description

드론의 비행 패턴을 안내하는 방법 및 장치와 드론{METHOD AND APPARATUS OF GUIDING FLIGHT PATTERN OF DRONE, AND DRONE}
실시예들에 따르면, 드론의 비행 패턴을 안내하는 방법 및 장치와 드론을 제공할 수 있다.
드론은 높은 기동성으로 인해 다양한 분야에서 활용되고 있지만, 배터리 용량의 한계로 인해 장시간 운용이 힘들다. 특히, 주 전력원인 리튬 이온 배터리의 가용 용량을 결정하는 내부 화학 반응 특성이 배터리 온도에 의해 장, 단기적인 영향을 받으므로 이를 고려하지 않고 드론의 성능을 분석한다면 그 실용성이 잠재력에 비해 더욱 낮게 평가될 수 있다.
배터리의 온도는 외기 온도에 의해 영향을 받기도 하지만, 드론이 비행할 때 소비하는 배터리의 방전 전류에 의해 가장 크게 영향을 받을 수 있다. 따라서, 실질적인 배터리의 가용 용량 변화를 파악하기 위해서는 드론의 비행 상태가 배터리 온도에 미치는 영향을 파악하는 것이 중요하다.
전술한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.
일 실시예에 따르면, 드론의 비행 상태가 배터리 온도에 미치는 영향을 분석하여 실제 비행이 없이도 드론의 비행 패턴에 따른 실질적인 배터리 가용 용량을 파악할 수 있다.
일 실시예에 따르면, 배터리 팩의 소모 전류량, 발열량, 및 배터리 온도를 단계적으로 예측하는 모델을 이용하여 드론의 비행 특성에 따른 배터리 가용 용량의 변화를 예측함으로써 배터리의 수명을 최대화하는 드론을 위한 최적의 비행 패턴을 안내할 수 있다.
일 실시예에 따르면, 드론의 비행 패턴을 안내하는 방법은 심층 신경망(DNN) 모델을 이용하여 드론(drone)의 비행 상태에 따른 배터리 팩의 전류 소모량을 예측하는 단계; 배터리 단일 셀의 전기적 등가 회로 모델에 기초하여, 상기 전류 소모량에 따른 상기 배터리 팩의 발열량을 예측하는 단계; 상기 배터리 팩의 발열량에 기초하여 상기 드론의 내부 열 유동을 분석함으로써 상기 배터리 팩의 온도를 예측하는 단계; 상기 예측된 배터리 팩의 온도에 따른 상기 배터리 팩의 내부 저항 및 수명 감소 특성의 변화에 기초하여, 상기 배터리 팩의 가용 용량을 예측하는 단계; 및 상기 가용 용량에 기초하여, 상기 드론의 비행 패턴을 안내하는 단계를 포함한다.
상기 배터리 팩의 발열량을 예측하는 단계는 개방 회로 전압과 상기 전기적 등가 회로 모델의 개별적인 매개 변수를 잔존 용량(State Of Charge; SOC)과 온도에 따라 측정한 결과를 저장하는 룩업 테이블(Look-Up Table; LUT)을 이용하여 상기 배터리 팩의 발열량을 예측하는 단계를 포함할 수 있다.
상기 배터리 팩의 온도를 예측하는 단계는 상기 배터리 팩의 발열량을 열 RC 등가 회로 모델에 적용하여 상기 드론의 내부 열 유동을 분석함으로써 상기 배터리 팩의 온도를 예측하는 단계를 포함할 수 있다.
상기 열 RC 등가 회로 모델은 상기 배터리 팩의 발열량에 기초한 열저항과 열용량에 의한 열 유동에 따른 상기 배터리 팩의 평균 온도를 출력할 수 있다.
상기 열저항 및 상기 열용량은 상기 드론의 비행을 통해 측정한 전류값 및 온도 데이터에 의해 추출될 수 있다.
상기 배터리 팩의 평균 온도는 상기 배터리 팩의 평균 발열량과, 상기 배터리 팩의 평균 온도와 대기 온도 간의 차이를 상기 배터리 팩과 상기 대기 온도 간의 열저항으로 나눈 값 간의 차이에 비례하고, 상기 배터리 팩의 열용량에 반비례할 수 있다.
상기 배터리 팩의 가용 용량을 예측하는 단계는 상기 배터리 팩의 운용 횟수에 따른 상기 배터리 팩의 충방전 사이클에 기초하여, 상기 배터리 팩의 온도에 따른 상기 배터리 팩의 가용 용량을 예측하는 단계를 포함할 수 있다.
상기 심층 신경망 모델은 상기 드론의 지면으로부터의 높이, 상기 드론의 3축 속도, 및 상기 드론의 3축 가속도가 입력됨에 따라 상기 배터리 팩의 예측한 전류 소모량을 출력할 수 있다.
상기 심층 신경망 모델은 상기 드론의 지면으로부터의 높이, 상기 드론의 3축 속도, 및 상기 드론의 3축 가속도가 입력됨에 따라 상기 예측한 전력 소모량과 상기 드론의 실제 비행에 따른 소모 전류 간의 차이에 기초하여 트레이닝될 수 있다.
일 실시예에 따르면, 드론의 비행 패턴을 안내하는 장치는 심층 신경망 모델을 이용하여 드론의 비행 상태에 따른 배터리 팩의 전류 소모량을 예측하고, 배터리 단일 셀의 전기적 등가 회로 모델에 기초하여 상기 전류 소모량에 따른 상기 배터리 팩의 발열량을 예측하고, 상기 배터리 팩의 발열량에 기초하여 상기 드론의 내부 열 유동을 분석함으로써 상기 배터리 팩의 온도를 예측하고, 상기 예측된 배터리 팩의 온도에 따른 상기 배터리 팩의 내부 저항 및 수명 감소 특성의 변화에 기초하여, 상기 배터리 팩의 가용 용량을 예측하며, 상기 가용 용량에 기초하여, 상기 드론의 비행 패턴을 생성하는 프로세서; 및 상기 드론의 비행 패턴을 안내하는 출력 장치를 포함한다.
상기 프로세서는 개방 회로 전압과 상기 전기적 등가 회로 모델의 개별적인 매개 변수를 잔존 용량(SOC)과 온도에 따라 측정한 결과를 저장하는 룩업 테이블(LUT)을 이용하여 상기 배터리 팩의 발열량을 예측할 수 있다.
상기 프로세서는 상기 배터리 팩의 발열량을 열 RC 등가 회로 모델에 적용하여 상기 드론의 내부 열 유동을 분석함으로써 상기 배터리 팩의 온도를 예측할 수 있다.
상기 열 RC 등가 회로 모델은 상기 배터리 팩의 발열량에 기초한 열저항과 열용량에 의한 열 유동에 따른 상기 배터리 팩의 평균 온도를 출력할 수 있다.
상기 열저항 및 상기 열용량은 상기 드론의 비행을 통해 측정한 전류값 및 온도 데이터에 의해 추출될 수 있다.
상기 배터리 팩의 평균 온도는 상기 배터리 팩의 평균 발열량과, 상기 배터리 팩의 평균 온도와 대기 온도 간의 차이를 상기 배터리 팩과 상기 대기 온도 간의 열저항으로 나눈 값 간의 차이에 비례하고, 상기 배터리 팩의 열용량에 반비례할 수 있다.
상기 프로세서는 상기 배터리 팩의 운용 횟수에 따른 상기 배터리 팩의 충방전 사이클에 기초하여, 상기 배터리 팩의 온도에 따른 상기 배터리 팩의 가용 용량을 예측할 수 있다.
상기 심층 신경망 모델은 상기 드론의 지면으로부터의 높이, 상기 드론의 3축 속도, 및 상기 드론의 3축 가속도가 입력됨에 따라 상기 배터리 팩의 예측한 전류 소모량을 출력할 수 있다.
상기 심층 신경망 모델은 상기 드론의 지면으로부터의 높이, 상기 드론의 3축 속도, 및 상기 드론의 3축 가속도가 입력됨에 따라 상기 예측한 전력 소모량과 상기 드론의 실제 비행에 따른 소모 전류 간의 차이에 기초하여 트레이닝될 수 있다.
일 실시예에 따르면, 드론은 상기 드론에 전력을 공급하는 배터리 팩; 심층 신경망 모델을 이용하여 상기 드론의 비행 상태에 따른 상기 배터리 팩의 전류 소모량을 예측하고, 배터리 단일 셀의 전기적 등가 회로 모델에 기초하여 상기 전류 소모량에 따른 상기 배터리 팩의 발열량을 예측하고, 상기 배터리 팩의 발열량에 기초하여 상기 드론의 내부 열 유동을 분석함으로써 상기 배터리 팩의 온도를 예측하고, 상기 예측된 배터리 팩의 온도에 따른 상기 배터리 팩의 내부 저항 및 수명 감소 특성의 변화에 기초하여, 상기 배터리 팩의 가용 용량을 예측하며, 상기 가용 용량에 기초하여, 상기 드론의 비행 패턴을 안내하는 프로세서; 및 상기 비행 패턴에 따라 구동되는 모터를 포함한다.
일 측에 따르면, 드론의 비행 상태가 배터리 온도에 미치는 영향을 분석하여 실제 비행이 없이도 드론의 비행 패턴에 따른 실질적인 배터리 가용 용량을 파악할 수 있다.
일 측에 따르면, 배터리 팩의 소모 전류량, 발열량, 및 배터리 온도를 단계적으로 예측하는 모델을 이용하여 드론의 비행 특성에 따른 배터리 가용 용량의 변화를 예측함으로써 배터리의 수명을 최대화하는 드론을 위한 최적의 비행 패턴을 안내할 수 있다.
도 1은 일 실시예에 따른 드론의 비행 패턴을 안내하는 방법을 나타낸 흐름도.
도 2는 일 실시예에 따라 드론의 비행 패턴을 안내하는 과정에서 사용되는 모델 및 데이터의 흐름을 도시한 도면.
도 3은 일 실시예에 따른 심층 신경망 모델의 구조를 도시한 도면.
도 4는 일 실시예에 따라 배터리 팩의 발열량을 예측하는 방법을 설명하기 위한 도면.
도 5는 일 실시예에 따라 배터리 팩의 온도를 예측하는 방법을 설명하기 위한 도면.
도 6은 일 실시예에 따라 배터리 팩의 가용 용량을 예측하는 방법을 설명하기 위한 도면.
도 7은 일 실시예에 따른 드론의 비행 패턴을 안내하는 장치의 블록도.
도 8은 일 실시예에 따른 드론의 블록도.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안 된다. 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, 구성요소, 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
또한, 실시 예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
어느 하나의 실시 예에 포함된 구성요소와, 공통적인 기능을 포함하는 구성요소는, 다른 실시 예에서 동일한 명칭을 사용하여 설명하기로 한다. 반대되는 기재가 없는 이상, 어느 하나의 실시 예에 기재한 설명은 다른 실시 예에도 적용될 수 있으며, 중복되는 범위에서 구체적인 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 드론의 비행 패턴을 안내하는 방법을 나타낸 흐름도이다. 도 1을 참조하면, 일 실시예에 따른 드론의 비행 패턴을 안내하는 장치(이하, '안내 장치')가 단계(110) 내지 단계(150)을 통해 드론의 비행 패턴을 안내하는 과정이 도시된다.
단계(110)에서, 안내 장치는 심층 신경망(Deep Neural Network; DNN) 모델을 이용하여 드론(drone)의 비행 상태에 따른 배터리 팩의 전류 소모량을 예측한다. 심층 신경망 모델은 드론의 지면으로부터의 높이, 드론의 3축 속도, 및 드론의 3축 가속도가 입력됨에 따라 배터리 팩의 전류 소모량을 예측하여 출력할 수 있다. 심층 신경망 모델은 드론의 지면으로부터의 높이, 드론의 3축 속도, 및 드론의 3축 가속도가 입력됨에 따라 예측한 전력 소모량과 드론의 실제 비행에 따른 소모 전류 간의 차이에 기초하여 트레이닝될 수 있다.
배터리는 예를 들어, 셀(cell), 모듈(module), 및 팩(pack) 단위로 구성될 수 있다. 여기서, 셀, 모듈, 및 팩은 배터리를 모으는 단위에 해당할 수 있다. 수많은 배터리 셀을 안전하고 효율적으로 관리하기 위해 모듈과 팩이라는 형태로 구성할 수 있다. 여러 개의 배터리 셀들을 열과 진동 등 외부 충격에서 좀 더 보호될 수 있도록 하나로 묶어 프레임에 넣은 것을 '모듈'이라 부를 수 있다. 모듈을 여러 개를 모아 배터리의 온도나 전압 등을 관리해 주는 배터리 관리 시스템(BMS, Battery Management System)과 냉각 장치 등을 추가한 것이 '배터리 팩'에 해당할 수 있다. 전류 소모량 예측을 위한 심층 신경망의 구조 및 동작은 아래의 도 3을 참조하여 보다 구체적으로 설명한다.
단계(120)에서, 안내 장치는 배터리 단일 셀의 전기적 등가 회로 모델에 기초하여, 단계(110)에서 예측한 전류 소모량에 따른 배터리 팩의 발열량을 예측한다. 안내 장치는 예를 들어, 개방 회로 전압과 전기적 등가 회로 모델의 개별적인 매개 변수를 잔존 용량(State Of Charge; SOC)과 온도에 따라 측정한 결과를 저장하는 룩업 테이블(Look-Up Table; LUT)을 이용하여 배터리 팩의 발열량을 예측할 수 있다. 전기적 등가 회로 모델은 예를 들어, 열 RC 등가 회로 모델일 수 있으며, 반드시 이에 한정되지는 않는다. 안내 장치가 배터리 팩의 발열량을 예측하는 방법은 아래의 도 4를 참조하여 보다 구체적으로 설명한다.
단계(130)에서, 안내 장치는 단계(120)에서 예측한 배터리 팩의 발열량에 기초하여 드론의 내부 열 유동을 분석함으로써 배터리 팩의 온도를 예측한다. 안내 장치는 예를 들어, 배터리 팩의 발열량을 열 RC 등가 회로 모델에 적용하여 드론의 내부 열 유동을 분석함으로써 배터리 팩의 온도를 예측할 수 있다. 열 RC 등가 회로 모델은 배터리 팩의 발열량에 기초한 열저항과 열용량에 의한 열 유동에 따른 배터리 팩의 평균 온도를 출력할 수 있다. 안내 장치가 배터리 팩의 온도를 예측하는 방법은 아래의 도 5를 참조하여 보다 구체적으로 설명한다.
단계(140)에서, 안내 장치는 단계(130)에서 예측한 배터리 팩의 온도에 따른 배터리 팩의 내부 저항 및 수명 감소 특성의 변화에 기초하여, 배터리 팩의 가용 용량을 예측한다. 안내 장치는 예를 들어, 배터리 팩의 운용 횟수에 따른 배터리 팩의 충방전 사이클에 기초하여, 배터리 팩의 온도에 따른 배터리 팩의 가용 용량을 예측할 수 있다. 안내 장치가 배터리 팩의 가용 용량을 예측하는 방법은 아래의 도 6을 참조하여 보다 구체적으로 설명한다.
단계(150)에서, 안내 장치는 단계(140)에서 예측한 가용 용량에 기초하여, 드론의 비행 패턴을 안내한다.
이하, 도 2를 참조하여, 드론의 비행 특성에 따른 배터리 팩의 가용 용량을 예측하는 모델의 전체적인 구조 및 데이터 흐름을 설명한다.
도 2는 일 실시예에 따라 드론의 비행 패턴을 안내하는 과정에서 사용되는 모델 및 데이터의 흐름을 도시한 도면이다. 도 2를 참조하면, 안내 장치가 드론의 비행 상태로부터 배터리 팩의 가용 용량을 도출하는 과정이 도시된다.
안내 장치는 비행 상태(210)로부터 총 4단계의 예측 과정(예를 들어, 배터리 팩의 전류 소모량(230) 예측, 배터리 팩의 발열량(250) 예측, 배터리 팩의 온도(270) 예측, 및 배터리 팩의 가용 용량(290)의 변화 예측)을 통해 배터리 팩의 가용 용량을 예측할 수 있다. 안내 장치는 4 단계의 예측 과정에서 2개의 예측 모델(220, 260)을 적용하고, 2개의 실험 데이터들(240, 280)을 사용할 수 있다.
안내 장치는 비행 상태(210)를 심층 신경망(DNN) 모델(220)에 적용하여 배터리 팩의 전류 소모량(230)을 예측할 수 있다.
안내 장치는 배터리 팩의 전류 소모량(230)을 기초로, 배터리 셀의 내부 등가 저항에 대한 실험 데이터(240)를 적용하여 배터리 셀의 발열량(250)을 계산할 수 있다.
안내 장치는 배터리 셀의 발열량(250)을 기초로 내부 열 유동을 분석함으로써 배터리 셀의 온도(270)를 예측할 수 있다. 이때, 안내 장치는 배터리 셀의 온도를 예측하기 위해 열 RC 등가 회로 모델(260)을 사용할 수 있다.
마지막으로, 안내 장치는 배터리 셀의 온도(270)를 기초로, 온도에 따른 배터리 셀의 내부 저항 및 수명 감소 실험 데이터(280)를 고려하여 드론이 현재 사용 가능한 배터리 팩의 가용 용량(290)을 최종적으로 도출할 수 있다.
도 3은 일 실시예에 따른 심층 신경망 모델의 구조를 도시한 도면이다. 도 3을 참조하면, 일 실시예에 따라 전류 소모량을 예측하는 심층 신경망 모델(300)의 구조가 도시된다.
안내 장치는 드론의 비행 상태에 따른 배터리 팩의 소모 전류량을 예측하기 위해 심층 신경망 모델(300)을 이용할 수 있다. 심층 신경망 모델(300)은 입력 레이어(input layer)와 출력 레이어(output layer) 사이에 여러 개의 히든 레이어들(hidden layers)을 포함할 수 있다. 일 실시예에서는 심층 신경망을 사용함으로써 입력 레이어에 인가되는 입력 변수들 간의 복잡한 비선형 관계들을 모델링할 수 있다. 안내 장치는 아래의 표 1에 기재된 것과 같이, 드론의 3축 방향(예를 들어, N: 북쪽, E: 동쪽, U: 높이)에 대한 속도, 드론의 3축 방향에 대한 가속도, 및 비행 중인 드론의 지면으로부터의 높이의 총 7개의 입력 데이터를 심층 신경망 모델(300)에 입력하여 배터리 팩의 소모 전류량을 예측할 수 있다.
심층 신경망 모델(300)의 트레이닝을 위해 사용되는 입력 정보 및 출력 정보로는 실제 드론의 비행 실험을 통해 측정한 데이터를 사용할 수 있다. 심층 신경망 모델(300)의 트레이닝을 위한 손실 함수(loss function)로는 예측한 소비 전력과 실제 소비 전력 간의 평균 제곱 오차(Mean squared error)를 사용할 수 있다. 트레이닝 알고리즘으로는 예를 들어, 확률적 경사 하강법(Gradient descent)의 일종이며 안정적인 최적화를 수행할 수 있는 ADAM(Adaptive moment estimation) 기법을 사용할 수 있다.
도 4는 일 실시예에 따라 배터리 팩의 발열량을 예측하는 방법을 설명하기 위한 도면이다. 도 4를 참조하면, 일 실시예에 따른 배터리 단일 셀의 전기적 등가 회로 모델(Electrical equivalent circuit model; EECM)(이하, '전기적 등가 회로 모델')(400)이 도시된다.
안내 장치는 전기적 등가 회로 모델(400)을 이용하여 배터리 팩의 소모 전류량에 따른 발열량을 계산할 수 있다. 이때, 전기적 등가 회로 모델(400)의 파라미터는 실험을 통해 측정하거나, 또는 공개된 데이터시트(data sheet)를 참고하여 획득할 수 있다.
배터리는 실질적으로 비선형적인 특성을 가지고 동작하므로 선형적인 특성을 가지는 전기적 등가 회로의 정확도는 전기 화학적 모델보다 정확도가 떨어지지만 직관적인 모델링이 가능하므로 많은 분야에서 사용될 수 있다. 안내 장치는 전술한 과정을 통해 예측한 배터리 팩의 전류 소모량을 전기적 등가 회로 모델(400)에 입력하여 배터리 팩의 발열량을 예측할 수 있다.
전기적 등가 회로 모델(400)에 기재된 기호의 의미는 아래의 표 2와 같다.
등가적 내부 저항(Ri) 값을 공개된 배터리 단일 셀의 데이터시트 및 배터리 팩을 구성하는 셀의 직렬 및 병렬 구조를 참고하여 사용할 수 있다.
안내 장치는 전기적 등가 회로 모델(400)을 기반으로 배터리 팩에서 발생하는 발열량을, 아래의 수학식 1과 같은 전기적 저항의 일반적인 손실(Qloss)을 계산하는 계산식을 통해 산출할 수 있다.
이때, 단일 셀 전류(I)의 크기는 도 3을 통해 전술한 과정에서 도출한 소모 전류량을 사용할 수 있다.
일 실시예에서는 전기적 등가 회로를 2-RC 등가 회로 모델과 같이 저항과 커패시터의 병렬 구조를 기반으로 구축함으로써 배터리 셀의 시간에 따른 전기 화학의 동적인 특성을 반영할 수 있다. 또한, 일 실시예에서는 개방 회로 전압과 전기적 등가 회로 모델(400)의 개별적인 매개 변수를 잔존 용량(State Of Charge; SOC)과 온도에 따라 측정한 결과를 저장하는 룩업 테이블(Look-Up Table; LUT)을 이용하여 더욱 정확하게 배터리 팩의 발열량을 예측할 수 있다.
도 5는 일 실시예에 따라 배터리 팩의 온도를 예측하는 방법을 설명하기 위한 도면이다. 도 5를 참조하면, 일 실시예에 따른 열 RC 등가 회로 모델(500)이 도시된다.
안내 장치는 열 RC 등가 회로 모델(500)을 이용하여 배터리 팩의 발열량 및 외부 온도에 따른 배터리 팩의 온도 변화를 예측할 수 있다.
열 RC 등가 회로 모델(500)은 열 유동에 따른 온도 분포를 빠르게 예측하기 위해 전기적 RC 회로의 개념을 적용한 열 분석 집중 변수 모델(Lumped-parameter model)의 일종이다. 이때, 열역학적 관점의 열량 및 온도가 각각 전기적 관점의 전류와 전압에 대응될 수 있다. 일 실시예에서는 열저항과 열용량에 의해 매개 변수화된 모델을 기반으로 미분 방정식을 통해 수학적으로 열 거동 해석을 분석할 수 있다.
안내 장치는 전술한 도 4의 과정을 통해 예측한 배터리 팩의 발열량을 열 RC 등가 회로 모델(500)에 적용하여 드론의 내부 열 유동을 분석함으로써 배터리 팩의 온도를 예측할 수 있다. 열 RC 등가 회로 모델(500)은 배터리 팩의 발열량에 기초한 열저항과 열용량에 의한 열 유동에 따른 배터리 팩의 평균 온도를 출력할 수 있다.
열 RC 등가 회로 모델(500)에 기재된 기호의 의미는 아래의 표 3와 같다.
열 RC 등가 회로 모델(500)의 매개 변수인 배터리 팩의 열용량(Qth) 값과 배터리 팩과 외기 사이의 열저항(Rth) 값은 실제 드론의 비행 실험을 통해 측정한 전류 값과 온도 데이터를 사용하여 추출할 수 있다.
열 RC 등가 회로 모델(500)의 트레이닝을 위한 발열량 정보는 도 4을 통해 전술한 과정에서 측정한 소모 전류량을 적용하여 도출한 값(Q loss )을 사용하며, 외기 온도(T amb )는 실험 데이터 수집 당시의 대기 온도를 측정하여 사용할 수 있다.
열 RC 등가 회로 모델(500)의 트레이닝은 아래의 수학식 2와 같이 표현할 수 있다.
배터리 팩의 평균 온도(T battery )는 배터리 팩의 평균 발열량(Q loss )과, 배터리 팩의 평균 온도(T battery )와 대기 온도(T amb ) 간의 차이를 배터리 팩과 대기 온도 간의 열저항(R th )으로 나눈 값 간의 차이에 비례하고, 배터리 팩의 열용량(C th )에 반비례할 수 있다.
열 RC 등가 회로 모델(500)의 매개 변수는 예를 들어, 신뢰 영역 반사(trust region reflective)에 의한 비선형 최소 자승법 알고리즘을 사용하여 추출될 수 있으며, 실제 발열량과 예측된 발열량 간의 차이인 잔차(Residual) 값을 최소화하도록 트레이닝될 수 있다. 일 실시예에서는 열용량과 열저항의 물리적인 의미를 고려하여 매개 변수가 0 이상의 값을 가지도록 제한 조건을 설정할 수 있다.
도 6은 일 실시예에 따라 배터리 팩의 가용 용량을 예측하는 방법을 설명하기 위한 도면이다. 도 6을 참조하면, 일 실시예에 따른 온도 및 운용 횟수의 변화에 따른 배터리 팩의 내부 저항의 변화를 나타낸 그래프(600)가 도시된다.
일 실시예에서는 배터리 온도에 따른 가용 용량을 예측하기 위해 다양한 온도 및 운용 횟수에 따른 배터리 팩의 가용 용량을 측정한 실험 데이터를 사용할 수 있다.
온도는 배터리 셀의 내부 저항 및 수명 감소율에 영향을 끼치며 배터리 팩의 가용 용량을 변화시킬 수 있다. 하지만, 이러한 특성은 비선형적인 특성을 가지고 있으며, 배터리의 화학적 특성에 따라 크게 변화할 수 있다. 일 실시예에서는 모델링을 위해 사용하는 배터리 팩마다 별도로 진행된 실험 데이터를 이용할 수 있다. 일 실시예에서는 온도에 따른 배터리 팩의 가용 용량 변화를 예측하기 위해 그래프(600)과 같은 특성을 나타내는 실험 데이터를 이용할 수 있다.
안내 장치는 예를 들어, 배터리 팩의 운용 횟수에 따른 배터리 팩의 충방전 사이클에 기초하여, 배터리 팩의 온도에 따른 배터리 팩의 가용 용량을 예측할 수 있다.
안내 장치는 예를 들어, 전술한 도 5를 통해 예측한 배터리 팩의 온도 및 배터리 팩의 현재 운용 획수에 따라 그래프(600)과 같은 실험 데이터를 기반으로 배터리 팩의 가용 용량을 예측할 수 있다. 이때, 운용 횟수는 드론의 비행 상태로부터 배터리 팩의 가용 용량을 예측하는 것과는 별도로 내부적으로 기록하는 것으로 가정할 수 있다.
배터리 팩의 내부 저항은 온도에 따라 변화하며 단기적인 관점에서 배터리 팩의 가용 용량의 변화를 야기할 수 있다. 일반적으로 대부분의 내부 저항은 온도가 떨어질수록 상승하고, 온도가 올라가면 감소하는 특징을 가질 수 있다. 방전 종지 전압이 일정한 상황에서, 낮은 온도에서 상승한 내부 저항은 가용 용량을 감소시키며, 높은 온도에서 감소한 내부 저항은 가용 용량을 증가시킬 수 있다. 이러한 특징은 그래프(600)에서 동일한 운용 횟수에 대해 온도 조건을 변화시켜가며 측정한 가용 용량을 통해 확인할 수 있다.
또한, 배터리 팩의 용량 열화율은 온도에 따라 변화하며, 장기적인 관점에서 배터리 팩의 가용 용량의 변화를 야기할 수 있다. 예를 들어, 리튬 이온 배터리의 운용 과정에서 리튬 이온과 탄소의 화학 반응에 의해 전극 표면에 SEI(Solid electrolyte interface) 피막이 형성되고, 이러한 열화 현상에 의해 배터리의 가용 용량이 감소할 수 있다. 이때, 화합물의 생성량과 반응 속도는 온도에 따라 변화하며, 일반적으로 상온 이상의 온도 범위에 대해 온도가 높을수록 열화 현상이 더욱 빠르게 진행되는 것으로 알려져 있다. 이러한 사실은 그래프(600)에서 일정한 온도 조건에 대해 운용 횟수를 증가시켜가며 측정한 용량 열화율 정보를 비교함으로써 확인할 수 있다.
도 7은 일 실시예에 따른 드론의 비행 패턴을 안내하는 장치의 블록도이다. 도 7을 참조하면, 일 실시예에 따른 안내 장치(700)는 프로세서(710), 출력 장치(730), 메모리(750), 및 통신 인터페이스(770)를 포함한다. 프로세서(710), 출력 장치(730), 메모리(750), 및 통신 인터페이스(770)는 통신 버스(705)를 통해 서로 통신할 수 있다.
프로세서(710)는 심층 신경망 모델을 이용하여 드론의 비행 상태에 따른 배터리 팩의 전류 소모량을 예측한다. 심층 신경망 모델은 드론의 지면으로부터의 높이, 드론의 3축 속도, 및 드론의 3축 가속도가 입력됨에 따라 배터리 팩의 예측한 전류 소모량을 출력할 수 있다. 심층 신경망 모델은 드론의 지면으로부터의 높이, 드론의 3축 속도, 및 드론의 3축 가속도가 입력됨에 따라 예측한 전력 소모량과 드론의 실제 비행에 따른 소모 전류 간의 차이에 기초하여 트레이닝될 수 있다.
프로세서(710)는 배터리 단일 셀의 열 RC 등가 회로 모델에 기초하여 전류 소모량에 따른 배터리 팩의 발열량을 예측한다. 프로세서(710)는 개방 회로 전압과 열 RC 등가 회로 모델의 개별적인 매개 변수를 잔존 용량(SOC)과 온도에 따라 측정한 결과를 저장하는 룩업 테이블(LUT)을 이용하여 배터리 팩의 발열량을 예측할 수 있다.
프로세서(710)는 배터리 팩의 발열량에 기초하여 드론의 내부 열 유동을 분석함으로써 배터리 팩의 온도를 예측한다. 프로세서(710)는 배터리 팩의 발열량을 열 RC 등가 회로 모델에 적용하여 드론의 내부 열 유동을 분석함으로써 배터리 팩의 온도를 예측할 수 있다. 이때, 열 RC 등가 회로 모델은 배터리 팩의 발열량에 기초한 열저항과 열용량에 의한 열 유동에 따른 배터리 팩의 평균 온도를 출력할 수 있다. 열저항 및 열용량은 드론의 비행을 통해 측정한 전류값 및 온도 데이터에 의해 추출될 수 있다. 배터리 팩의 평균 온도는 배터리 팩의 평균 발열량과, 배터리 팩의 평균 온도와 대기 온도 간의 차이를 배터리 팩과 대기 온도 간의 열저항으로 나눈 값 간의 차이에 비례하고, 배터리 팩의 열용량에 반비례할 수 있다.
프로세서(710)는 예측된 배터리 팩의 온도에 따른 배터리 팩의 내부 저항 및 수명 감소 특성의 변화에 기초하여, 배터리 팩의 가용 용량을 예측한다. 프로세서(710)는 배터리 팩의 운용 횟수에 따른 배터리 팩의 충방전 사이클에 기초하여, 배터리 팩의 온도에 따른 배터리 팩의 가용 용량을 예측할 수 있다.
프로세서(710)는 배터리 팩의 가용 용량에 기초하여, 드론의 비행 패턴을 생성한다.
또한, 프로세서(710)는 도 1 내지 도 6을 통해 전술한 적어도 하나의 방법 또는 적어도 하나의 방법에 대응되는 알고리즘을 수행할 수 있다. 프로세서(710)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 드론의 비행 패턴을 안내하는 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다. 예를 들어, 하드웨어로 구현된 예측 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
프로세서(710)는 프로그램을 실행하고, 안내 장치(700)를 제어할 수 있다. 프로세서(710)에 의하여 실행되는 프로그램 코드는 메모리(750)에 저장될 수 있다.
출력 장치(730)는 프로세서(710)가 생성한 드론의 비행 패턴을 안내한다. 출력 장치(730)는 예를 들어, 디스플레이, 및/또는 스피커를 포함할 수 있으며, 반드시 이에 한정되지는 않는다. 출력 장치(730)는 음성, 텍스트 또는 영상의 형태로 드론의 비행 패턴을 안내할 수 있다.
메모리(750)는 프로세서(710)에서 예측된 배터리 팩의 전류 소모량, 배터리 팩의 발열량, 배터리 팩의 온도 및 배터리 팩의 가용 용량 중 적어도 하나를 저장할 수 있다. 또한, 메모리(750)는 드론의 비행 시에 드론의 지면으로부터의 높이, 드론의 3축 속도, 및 드론의 3축 가속도를 저장할 수 있다. 또한, 메모리(750)는 드론의 비행 시의 외기 온도(대기 온도)를 저장할 수 있다.
메모리(750)는 상술한 프로세서(710)의 처리 과정에서 생성되는 다양한 정보들을 저장할 수 있다. 이 밖에도, 메모리(750)는 각종 데이터와 프로그램 등을 저장할 수 있다. 메모리(750)는 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(750)는 하드 디스크 등과 같은 대용량 저장 매체를 구비하여 각종 데이터를 저장할 수 있다.
통신 인터페이스(770)는 프로세서(710)에 의해 프로세서(710)가 생성한 드론의 비행 패턴에 대한 정보를 안내 장치(700) 외부로 전송할 수 있다.
도 8은 일 실시예에 따른 드론의 블록도이다. 도 8을 참조하면, 일 실시예에 따른 드론(800)은 배터리 팩(810), 프로세서(830), 및 모터(850)를 포함한다. 배터리 팩(810), 프로세서(830), 및 모터(850)은 통신 버스(805)를 통해 서로 연결될 수 있다. 도 8에 도시하지 않았으나, 드론(800)은 메모리 및 통신 인터페이스를 더 포함할 수 있다.
배터리 팩(810)은 드론(800)에 전력을 공급한다.
프로세서(830)는 심층 신경망 모델을 이용하여 드론(800)의 비행 상태에 따른 배터리 팩(810)의 전류 소모량을 예측한다. 프로세서(830)는 배터리 단일 셀의 열 RC 등가 회로 모델에 기초하여 전류 소모량에 따른 배터리 팩(810)의 발열량을 예측한다. 프로세서(830)는 배터리 팩(810)의 발열량에 기초하여 드론(800)의 내부 열 유동을 분석함으로써 배터리 팩(810)의 온도를 예측한다. 프로세서(830)은 예측된 배터리 팩의 온도에 따른 배터리 팩의 내부 저항 및 수명 감소 특성의 변화에 기초하여, 배터리 팩(810)의 가용 용량을 예측한다. 프로세서(830)는 가용 용량에 기초하여, 드론(800)의 비행 패턴을 안내한다.
모터(850)는 프로세서(830)에서 안내하는 비행 패턴에 따라 구동된다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 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.
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.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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 청구범위의 범위에 속한다.
700: 안내 장치
705: 통신 버스
710: 프로세서
730: 출력 장치
750: 메모리
770: 통신 인터페이스

Claims (20)

  1. 심층 신경망(DNN) 모델을 이용하여 드론(drone)의 비행 상태에 따른 배터리 팩의 전류 소모량을 예측하는 단계;
    배터리 단일 셀의 전기적 등가 회로 모델에 기초하여, 상기 전류 소모량에 따른 상기 배터리 팩의 발열량을 예측하는 단계;
    상기 배터리 팩의 발열량에 기초하여 상기 드론의 내부 열 유동을 분석함으로써 상기 배터리 팩의 온도를 예측하는 단계;
    상기 예측된 배터리 팩의 온도에 따른 상기 배터리 팩의 내부 저항 및 수명 감소 특성의 변화에 기초하여, 상기 배터리 팩의 가용 용량을 예측하는 단계; 및
    상기 가용 용량에 기초하여, 상기 드론의 비행 패턴을 안내하는 단계
    를 포함하는, 드론의 비행 패턴을 안내하는 방법.
  2. 제1항에 있어서,
    상기 배터리 팩의 발열량을 예측하는 단계는
    개방 회로 전압과 상기 전기적 등가 회로 모델의 개별적인 매개 변수를 잔존 용량(State Of Charge; SOC)과 온도에 따라 측정한 결과를 저장하는 룩업 테이블(Look-Up Table; LUT)을 이용하여 상기 배터리 팩의 발열량을 예측하는 단계
    를 포함하는, 드론의 비행 패턴을 안내하는 방법.
  3. 제1항에 있어서,
    상기 배터리 팩의 온도를 예측하는 단계는
    상기 배터리 팩의 발열량을 열 RC 등가 회로 모델에 적용하여 상기 드론의 내부 열 유동을 분석함으로써 상기 배터리 팩의 온도를 예측하는 단계
    를 포함하는,
    드론의 비행 패턴을 안내하는 방법.
  4. 제3항에 있어서,
    상기 열 RC 등가 회로 모델은
    상기 배터리 팩의 발열량에 기초한 열저항과 열용량에 의한 열 유동에 따른 상기 배터리 팩의 평균 온도를 출력하는,
    드론의 비행 패턴을 안내하는 방법.
  5. 제4항에 있어서,
    상기 열저항 및 상기 열용량은
    상기 드론의 비행을 통해 측정한 전류값 및 온도 데이터에 의해 추출되는,
    드론의 비행 패턴을 안내하는 방법.
  6. 제4항에 있어서,
    상기 배터리 팩의 평균 온도는
    상기 배터리 팩의 평균 발열량과, 상기 배터리 팩의 평균 온도와 대기 온도 간의 차이를 상기 배터리 팩과 상기 대기 온도 간의 열저항으로 나눈 값 간의 차이에 비례하고, 상기 배터리 팩의 열용량에 반비례하는,
    드론의 비행 패턴을 안내하는 방법.
  7. 제1항에 있어서,
    상기 배터리 팩의 가용 용량을 예측하는 단계는
    상기 배터리 팩의 운용 횟수에 따른 상기 배터리 팩의 충방전 사이클에 기초하여, 상기 배터리 팩의 온도에 따른 상기 배터리 팩의 가용 용량을 예측하는 단계
    를 포함하는,
    드론의 비행 패턴을 안내하는 방법.
  8. 제1항에 있어서,
    상기 심층 신경망 모델은
    상기 드론의 지면으로부터의 높이, 상기 드론의 3축 속도, 및 상기 드론의 3축 가속도가 입력됨에 따라 상기 배터리 팩의 예측한 전류 소모량을 출력하는,
    드론의 비행 패턴을 안내하는 방법.
  9. 제8항에 있어서,
    상기 심층 신경망 모델은
    상기 드론의 지면으로부터의 높이, 상기 드론의 3축 속도, 및 상기 드론의 3축 가속도가 입력됨에 따라 상기 예측한 전력 소모량과 상기 드론의 실제 비행에 따른 소모 전류 간의 차이에 기초하여 트레이닝되는,
    드론의 비행 패턴을 안내하는 방법.
  10. 하드웨어와 결합되어 제1항 내지 제9항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  11. 심층 신경망 모델을 이용하여 드론의 비행 상태에 따른 배터리 팩의 전류 소모량을 예측하고, 배터리 단일 셀의 전기적 등가 회로 모델에 기초하여 상기 전류 소모량에 따른 상기 배터리 팩의 발열량을 예측하고, 상기 배터리 팩의 발열량에 기초하여 상기 드론의 내부 열 유동을 분석함으로써 상기 배터리 팩의 온도를 예측하고, 상기 예측된 배터리 팩의 온도에 따른 상기 배터리 팩의 내부 저항 및 수명 감소 특성의 변화에 기초하여, 상기 배터리 팩의 가용 용량을 예측하며, 상기 가용 용량에 기초하여, 상기 드론의 비행 패턴을 생성하는 프로세서; 및
    상기 드론의 비행 패턴을 안내하는 출력 장치
    를 포함하는, 드론의 비행 패턴을 안내하는 장치.
  12. 제11항에 있어서,
    상기 프로세서는
    개방 회로 전압과 상기 전기적 등가 회로 모델의 개별적인 매개 변수를 잔존 용량(SOC)과 온도에 따라 측정한 결과를 저장하는 룩업 테이블(LUT)을 이용하여 상기 배터리 팩의 발열량을 예측하는,
    드론의 비행 패턴을 안내하는 장치.
  13. 제11항에 있어서,
    상기 프로세서는
    상기 배터리 팩의 발열량을 열 RC 등가 회로 모델에 적용하여 상기 드론의 내부 열 유동을 분석함으로써 상기 배터리 팩의 온도를 예측하는,
    드론의 비행 패턴을 안내하는 장치.
  14. 제13항에 있어서,
    상기 열 RC 등가 회로 모델은
    상기 배터리 팩의 발열량에 기초한 열저항과 열용량에 의한 열 유동에 따른 상기 배터리 팩의 평균 온도를 출력하는,
    드론의 비행 패턴을 안내하는 장치.
  15. 제14항에 있어서,
    상기 열저항 및 상기 열용량은
    상기 드론의 비행을 통해 측정한 전류값 및 온도 데이터에 의해 추출되는,
    드론의 비행 패턴을 안내하는 장치.
  16. 제14항에 있어서,
    상기 배터리 팩의 평균 온도는
    상기 배터리 팩의 평균 발열량과, 상기 배터리 팩의 평균 온도와 대기 온도 간의 차이를 상기 배터리 팩과 상기 대기 온도 간의 열저항으로 나눈 값 간의 차이에 비례하고, 상기 배터리 팩의 열용량에 반비례하는,
    드론의 비행 패턴을 안내하는 장치.
  17. 제11항에 있어서,
    상기 프로세서는
    상기 배터리 팩의 운용 횟수에 따른 상기 배터리 팩의 충방전 사이클에 기초하여, 상기 배터리 팩의 온도에 따른 상기 배터리 팩의 가용 용량을 예측하는,
    드론의 비행 패턴을 안내하는 장치.
  18. 제11항에 있어서,
    상기 심층 신경망 모델은
    상기 드론의 지면으로부터의 높이, 상기 드론의 3축 속도, 및 상기 드론의 3축 가속도가 입력됨에 따라 상기 배터리 팩의 예측한 전류 소모량을 출력하는,
    드론의 비행 패턴을 안내하는 장치.
  19. 제18항에 있어서,
    상기 심층 신경망 모델은
    상기 드론의 지면으로부터의 높이, 상기 드론의 3축 속도, 및 상기 드론의 3축 가속도가 입력됨에 따라 상기 예측한 전력 소모량과 상기 드론의 실제 비행에 따른 소모 전류 간의 차이에 기초하여 트레이닝되는,
    드론의 비행 패턴을 안내하는 장치.
  20. 드론에 있어서,
    상기 드론에 전력을 공급하는 배터리 팩;
    심층 신경망 모델을 이용하여 상기 드론의 비행 상태에 따른 상기 배터리 팩의 전류 소모량을 예측하고, 배터리 단일 셀의 전기적 등가 회로 모델에 기초하여 상기 전류 소모량에 따른 상기 배터리 팩의 발열량을 예측하고, 상기 배터리 팩의 발열량에 기초하여 상기 드론의 내부 열 유동을 분석함으로써 상기 배터리 팩의 온도를 예측하고, 상기 예측된 배터리 팩의 온도에 따른 상기 배터리 팩의 내부 저항 및 수명 감소 특성의 변화에 기초하여, 상기 배터리 팩의 가용 용량을 예측하며, 상기 가용 용량에 기초하여, 상기 드론의 비행 패턴을 안내하는 프로세서; 및
    상기 비행 패턴에 따라 구동되는 모터
    를 포함하는, 드론.
KR1020210087734A 2021-01-26 2021-07-05 드론의 비행 패턴을 안내하는 방법 및 장치와 드론 KR102591821B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210010701 2021-01-26
KR20210010701 2021-01-26

Publications (2)

Publication Number Publication Date
KR20220107901A KR20220107901A (ko) 2022-08-02
KR102591821B1 true KR102591821B1 (ko) 2023-10-24

Family

ID=82845683

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210087734A KR102591821B1 (ko) 2021-01-26 2021-07-05 드론의 비행 패턴을 안내하는 방법 및 장치와 드론

Country Status (1)

Country Link
KR (1) KR102591821B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116068417B (zh) * 2022-12-05 2023-12-29 江苏拓米洛高端装备股份有限公司 一种电池发热量确定方法、装置和试验箱

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018147680A (ja) * 2017-03-03 2018-09-20 住友電気工業株式会社 温度異常判定装置、温度異常判定方法及びコンピュータプログラム
KR101983986B1 (ko) * 2018-02-08 2019-05-30 충남대학교산학협력단 드론 비행고도와 비행 모드 전환에 따른 배터리팩 충전상태 모니터링장치
JP2020513122A (ja) * 2017-07-06 2020-04-30 トップ フライト テクノロジーズ， インコーポレイテッド ドローンのためのナビゲーションシステム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018147680A (ja) * 2017-03-03 2018-09-20 住友電気工業株式会社 温度異常判定装置、温度異常判定方法及びコンピュータプログラム
JP2020513122A (ja) * 2017-07-06 2020-04-30 トップ フライト テクノロジーズ， インコーポレイテッド ドローンのためのナビゲーションシステム
KR101983986B1 (ko) * 2018-02-08 2019-05-30 충남대학교산학협력단 드론 비행고도와 비행 모드 전환에 따른 배터리팩 충전상태 모니터링장치

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
비특허문헌1, IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems Vol.39*
비특허문헌2, Journal of Power Sources Volume 400*
비특허문헌3, 2018 IEEE International Telecommunications Energy Conference (INTELEC)*
비특허문헌4, 한양대학교 대학원*
비특허문헌5, IFAC-PapersOnLine Volume 50, Issue 1*
비특허문헌6, 마이크로전자 및 패키징학회지 제24권 제3호*

Also Published As

Publication number Publication date
KR20220107901A (ko) 2022-08-02

Similar Documents

Publication Publication Date Title
KR102636362B1 (ko) 배터리 상태 추정 방법 및 장치
Cordoba-Arenas et al. A control-oriented lithium-ion battery pack model for plug-in hybrid electric vehicle cycle-life studies and system design with consideration of health management
Torchio et al. Lionsimba: a matlab framework based on a finite volume model suitable for li-ion battery design, simulation, and control
US11366171B2 (en) Battery state estimation method
CN103502829B (zh) 用于电化学存储系统热管理的优化方法
Xia et al. A computationally efficient implementation of a full and reduced-order electrochemistry-based model for Li-ion batteries
US20170244256A1 (en) Modeling a change in battery degradation
KR102574083B1 (ko) 배터리 관리 장치 및 방법
US20150266390A1 (en) Prediction of battery power requirements for electric vehicles
US11462929B2 (en) Systems and methods for direct estimation of battery parameters using only charge/discharge curves
KR20180134336A (ko) 전기 열 배터리 모델의 생성 및 사용을 위한 시스템 및 방법
KR20170085365A (ko) 배터리의 상태 추정 장치 및 방법
CN113794254B (zh) 一种热管理策略配置方法、装置、计算机设备和存储介质
Li et al. Discharge capacity estimation for Li-ion batteries based on particle filter under multi-operating conditions
KR102591821B1 (ko) 드론의 비행 패턴을 안내하는 방법 및 장치와 드론
CN106372272B (zh) 一种基于广义退化模型和多尺度分析的锂电池容量及寿命预测方法
Cai et al. TEA-DNN: the quest for time-energy-accuracy co-optimized deep neural networks
Parhizi et al. Accelerating the numerical solution of thermal runaway in Li-ion batteries
KR102577581B1 (ko) 배터리의 성능 상태를 추정하는 방법 및 장치
CN113515860B (zh) 一种锂离子电池组运行状态的数值模拟方法及系统
Wan TSSR algorithm based battery space optimization on thermal management system
KR102483644B1 (ko) 충전가능한 배터리의 용량 저하율을 예측하는 방법 및 장치
Kocsis Szürke et al. Numerical Optimization of Battery Heat Management of Electric Vehicles
KR20190015991A (ko) 배터리 상태를 예측하기 위한 배터리 관리 방법 및 시스템
US20230258733A1 (en) Predicting aging of batteries

Legal Events

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