KR102642738B1 - 인공지능을 이용한 이차전지 배터리팩의 수명추정 장치 - Google Patents

Abstract

본 발명의 실시예에 따른 따른 인공지능을 이용한 이차전지 배터리팩의 수명추정 장치는, 배터리팩의 전압을 측정하는 전압 측정부; 배터리팩의 특성 정보에 관한 배터리팩 빅데이터를 저장하는 빅데이터 저장부; 상기 배터리팩 빅데이터를 학습하는 인공지능 학습부; 상기 배터리팩 빅데이터의 학습 결과를 기반으로 배터리팩의 SOH(State Of Health)를 산출하는 SOH 산출부;를 포함한다.

Description

인공지능을 이용한 이차전지 배터리팩의 수명추정 장치{APPARATUS FOR ESTIMATING SOH OF BATTERY PACK BASED ON ARTIFICIAL INTELLIGENCE ANALYSIS}

본 발명은 이차전지 배터리팩의 수명 추정 장치에 관한 것으로서, 보다 상세하게는 인공지능을 기반으로 배터리팩의 충ㆍ방전시 전압 추이를 학습하여 배터리팩의 수명(SOH, State Of Health)을 추정하는 장치에 관한 것이다.

최근 환경 보호에 대한 관심도가 높아지면서 전기자동차(EV, HEV, PHEV)가 각광을 받고 있으며, 신재생에너지의 사용 확대 및 전력의 수요 증가로 인해 에너지 저장 장치(ESS)를 이용한 스마트 그리드 사업이 주목을 받고 있다.

특히 전기자동차의 보급 확대에 따라 전기자동차 폐차시 발생하는 이차전지의 재활용에 대한 관심이 폭발적으로 증가하고 있으며, 이러한 한 번 이상 사용된 전지를 다른 용도로 재사용하기 위해서는 불특정 전지의 수명을 보다 용이하게 추정하는 기술이 요구되고 있다.

기본적으로 배터리는 충방전을 반복함에 따라 노화되며, 다른 여러 가지 요인(배터리의 온도, 충전방법, 전류변화, 방전심도(Depth of Discharge) 등)으로 인해 배터리의 노화는 더 빨리 진행되기도 한다. 배터리 관리 시스템이 배터리를 최적으로 관리하고 운영하기 위해서는 배터리의 노화에 따른 수명을 정확하게 추정할 필요가 있다. 특히, 배터리 관리 시스템이 배터리의 충전 또는 방전 출력 및 잔존 용량(State of Charging; SOC) 사용 전략을 적절하게 조정하기 위해서는 배터리의 수명(State of Health; SOH)를 정확하게 예측할 수 있어야 한다.

배터리의 수명을 추정하는 선행기술로는 다음과 같은 기술들이 있다.

선행기술 1은, 배터리 충방전 횟수를 카운트하여 배터리 제조사가 보증한 충방전 횟수에 대비하여 해당 배터리의 노화도 및 수명을 예측하는 기술이다. 그러나, 실제 기계장치에 사용하는 배터리는 완전한 충전과 완전한 방전 형태의 명확한 충방전 사이클로 종료되지 아니하며, 일부 충전한 상태로 방전하기도 하고, 일부 방전하다가 다시 충전하기도 하므로, 정확한 충방전 횟수의 카운팅이 불가능하다. 따라서, 배터리 충방전 횟수를 기반으로 하여 배터리의 노화도 및 수명을 정확하게 추정하기에는 한계가 있다.

선행기술 2로서 한국공개특허 제10-2011-0084633호 "배터리의 수명 예측 장치 및 방법"은, 배터리의 OCV-SOC Table을 사용하여 측정된 전압, 전류 및 온도에 해당하는 OCV(Open Circuit Voltage)와 SOC(State Of Charge)를 계산하며, 배터리의 일정시간 동안의 전류 적산량과 계산된 SOC를 이용하여 배터리의 수명을 예측한다. 그러나, 이러한 선행기술 2는 배터리의 OCV-SOC 테이블이 배터리의 용량 열화 상태에 따라 달라질 수 있기 때문에, 배터리의 열화 상태에 따른 OCV-SOC 테이블의 불확실성으로 인해 배터리의 수명 추정값을 정확하게 추정하는 것이 불가능한 문제점이 있다.

선행기술 3으로서 한국등록특허 제10-0740113호 "배터리 수명 판정 방법 및 이를 이용한 배터리 관리시스템"는, 복수의 전지 셀이 하나의 팩으로 형성된 배터리팩에 대해 팩 전류와 팩 전압을 측정하여 팩 내부저항을 산출하고, 산출된 팩 내부저항을 이용하여 해당 배터리팩의 최대 출력을 산출하며, 산출된 최대 출력과 기준 출력을 비교하여 배터리의 수명을 추정한다.

선행기술 4로서, 대한민국 공개출원 제10-2012-0075756호 "2차 전지의 잔존수명 연산 방법 및 장치"에서는, 전지의 내부저항, 잔존용량(SOC), 컨덕턴스 등의 파라미터를 이용하여 배터리의 수명을 산출하는 기술이 기재된다.

그러나, 배터리 전류와 배터리 전압을 기반으로 산출되는 내부저항은 실제 내부저항과 접촉저항으로 이루어지며, 이중 접촉저항은 배터리의 열화가 아닌 배터리와 배선의 접촉 상태에 따라 달라지기 때문에 전류와 전압을 기반으로 배터리의 열화에 따른 내부저항을 정확하게 계산하기는 매우 어렵다. 또한, 그 내부저항을 기반으로 잔존용량을 계산하거나 배터리의 수명을 정확하게 추정하기는 매우 어렵다. 따라서, 보다 정확하고 신뢰도가 높은 배터리의 수명을 추정하는 방법이 필요하다.

본 발명은 상술한 바와 같은 문제점을 해결하기 위해 안출된 것으로서, 이차전지 배터리팩의 전압 추이에 대한 빅데이터를 기반으로, 불특정 배터리팩의 충ㆍ방전 전압의 변화 추이를 통해 배터리팩의 수명을 추정하는 장치를 제공하기 위한 것이다.

본 발명의 실시예에 따른 따른 인공지능을 이용한 이차전지 배터리팩의 수명추정 장치는, 배터리팩의 전압을 측정하는 전압 측정부; 배터리팩의 특성 정보에 관한 배터리팩 빅데이터를 저장하는 빅데이터 저장부; 상기 배터리팩 빅데이터를 학습하는 인공지능 학습부; 상기 배터리팩 빅데이터의 학습 결과를 기반으로 배터리팩의 SOH(State Of Health)를 산출하는 SOH 산출부;를 포함한다.

일 실시예에서, 상기 SOH 산출부는, 상기 인공지능 학습부에 의해 기 학습한 빅데이터인 사이클에 따른 충전 시간, 충전 용량, 방전 시간, 방전 용량, 효율 및 기울기 크기 데이터를 기반으로, 수명 추정이 필요한 특정 배터리팩의 충전 시간, 충전 용량, 방전 시간, 방전 용량, 효율 및 상기 산출한 기울기 크기 데이터에 대한 사이클 횟수를 도출함으로써 배터리팩의 수명을 추정할 수 있다.

이때, 상기 SOH 산출부는, 상기 배터리팩 빅데이터 중 수명 추정이 필요한 특정 배터리팩의 상기 기울기와 유사한 기울기를 갖는 데이터에 따른 충전 곡선을 선택하여, 해당 충전 곡선에 따른 충ㆍ방전 사이클 횟수를 산출하여, 해당 배터리팩의 기대수명에 해당하는 상기 산출된 사이클 횟수와 현재 진행된 사이클 횟수 간을 대비함으로써, 배터리팩의 수명을 산출할 수 있다.

또한 이때, 상기 SOH 산출부는, 상기 충전 곡선을 선택함에 있어서, 수명 추정이 필요한 특정 배터리팩의 상기 기울기에 상기 배터리팩 빅데이터에 따른 보정 계수가 반영된 기울기를 이용함으로써, 배터리팩의 수명을 산출할 수 있다.

본 발명의 실시예에 따른 인공지능을 이용한 이차전지 배터리팩의 수명추정 장치는 배터리팩의 전압 추이 정보를 이산적으로 저장하고 이를 학습하여 배터리팩의 SOH를 산출하기 때문에, 기존에 다른 용도로 사용된 후 2차 사용되는 전지라 할지라도 배터리팩의 수명을 보다 정확하게 추정할 수 있는 이점이 있다.

도 1은 본 발명의 일 실시예에 따른 배터리팩의 수명 추정 장치에 관한 개략적인 블록 구성도.
도 2는 배터리팩의 충ㅇ방전 그래프에 관한 일 예시의 그래프.
도 3 및 도 4는 배터리팩의 수명 추정에 활용될 수 있는 인공지능 학습 모델의 계층 구성을 예시한 도면.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 명세서 전체에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다. 또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하나 이상의 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 조합으로 구현될 수 있음을 의미한다.

도 1은 본 발명의 일 실시예에 따른 배터리팩의 수명 추정 장치에 관한 개략적인 블록 구성도이고, 도 2는 배터리팩의 충ㅇ방전 그래프에 관한 일 예시의 그래프이며, 도 3 및 도 4는 배터리팩의 수명 추정에 활용될 수 있는 인공지능 학습 모델의 계층 구성을 예시한 도면이다. 이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명한다.

통상적으로 배터리는 기계 장치에 사용되는 과정에서 완전한 충전과 완전한 방전 상태의 사이클을 수행하지 않는다. 실 사용 중 배터리는 일부 방전하다가 다시 충전하기도 하고, 일부 충전하다가 방전하기도 한다. 따라서 사용 중인 배터리팩의 현재 수명 상태를 예측하는 데는 한계가 있다. 특히 전기차 등으로 사용 후 수명이 종료된 배터리팩은 2차 사용 과정에서 배터리팩의 현재 수명 상태 정의하는데 더욱이 어려움이 있다.

배터리팩을 최적으로 관리하고 운영하기 위해서는 배터리 관리 시스템이 배터리팩의 노화에 따른 수명을 정확하게 추정할 필요가 있다. 특히, 배터리 관리 시스템이 배터리의 충전 또는 방전 출력 및 잔존 용량(State of Charging; SOC) 사용 전략을 적절하게 조정하기 위해서는 배터리팩의 수명(State of Health; SOH)을 정확하게 예측할 수 있어야 한다.

배터리팩은 제조사가 제시하는 충전 상한 전압과 방전 하한 전압 사이의 전압 범위에서 동작한다. 배터리팩은 해당 배터리가 일정하게 공급해 줄 수 있는 전류의 양으로 배터리 공급 가능 용량을 [Ah]로 표기한다. 예를 들어 80[Ah]는 8[A]의 전류를 10시간 동안 출력할 수 있음을 의미한다. 이때, 배터리는 사용 중 충ㅇ방전을 반복하면서 음극 소재의 구조 변형에 따라 에너지 밀도가 감소하여 용량이 저하되는 특성이 있다. 따라서 장기간 사용에 따른 배터리팩의 충ㆍ방전 전압 변화를 살펴보면, 충ㆍ방전 시간에 따른 전압 곡선의 기울기 크기가 증가하게 된다.

배터리팩의 장기간 사용에 따른 충ㆍ방전 전압에 대한 빅데이터는 배터리 사이클 시험을 통해 수집한다. 배터리팩의 방전 하한 전압 이상, 충전 상한 전압 이하의 범위 내에서 사용자는 특정 전압 범위 구간을 지정한다. 사이클 별 특정 전압 범위 구간에서의 시간에 따른 충전(또는 방전) 전압 추이에 대한 기울기를 산출한다. 상기 시험을 통해 사이클에 따른 충전 시간, 충전 용량, 방전 시간, 방전 용량, 효율 및 기울기 크기를 수집함으로써, 각 배터리팩의 특성 정보에 관한 빅데이터를 구축할 수 있다. 도 1에 의할 때, 이러한 배터리팩의 특성 정보에 관한 빅데이터는 빅데이터 저장부(12)에 저장될 수 있다.

이에 따라, 인공지능 학습부(13)는 상기 사이클에 따른 충전 시간, 충전 용량, 방전 시간, 방전 용량, 효율 및 기울기 크기 데이터를 학습한다. 이때, 학습을 위한 모델은 다층 퍼셉트론(MLP) 모델을 사용할 수 있으나, 해당 모델로 제한되지는 않는다(도 3 및 도 4 참조).

본 발명의 실시예에서, 배터리팩의 수명 추정 장치는 특정의 배터리팩의 수명 추정을 위해, 전압 측정부(11)을 통한 전압 측정을 통해서 해당 배터리팩의 전압 추이 데이터를 확보한다. 이에 의하면, 확보된 전압추이 데이터 중 사용자가 지정한 특정 전압 범위 구간 내에서의 전압 추이에 대한 기울기 크기를 산출할 수 있게 된다. 또한, 본 발명의 실시예에 따른 배터리팩의 수명 추정 장치의 SOH 산출부(14)는, 상술한 인공지능 학습부(13)에 의해 기 학습한 빅데이터인 사이클에 따른 충전 시간, 충전 용량, 방전 시간, 방전 용량, 효율 및 기울기 크기 데이터를 기반으로, 수명 추정이 필요한 특정 배터리팩의 충전 시간, 충전 용량, 방전 시간, 방전 용량, 효율 및 상기 산출한 기울기 크기 데이터에 대한 사이클 횟수를 도출함으로써 수명을 추정할 수 있다.

예를 들어, 과거에 수집된 다량의 배터리팩에 관한 전압 변화 데이터가 각각 빅데이터 저장부(12)에 저장되어 있고, 또한 수명 종료 시까지의 사이클 횟수, 용량 변화량, 충전되는데 소요되는 시간에 대한 데이터가 확보되어 있을 경우, 현재 사용 이력이나 제조 일자를 모르는 배터리팩이 주어지더라도 해당 배터리팩의 전압변화, 충전에 소요되는 시간의 변화를 과거 유사한 배터리의 데이터와 비교하여 얼마나 노후 되었는지를 추정해낼 수 있게 된다.

이를 위하여, 본 발명의 일 실시예에서는 텐서플로우 딥러닝 프레임워크에서 다층 퍼셉트론 인공지능 모델을 사용하였다. 일 실시예로는 인공지능에 입력값(input)은 추정하고자 하는 전지의 충전 시작 전압값, 충전 종료 전압값, 충전에 소요된 시간이며, 이 시간에 따른 전압 변화 곡선의 기울기는 배터리팩이 노후될수록 기울기가 커지는데, 해당 인공지능 모델에서는 과거 데이터 중 유사한 기울기를 갖는 충전 곡선을 선택하고 그 충전 곡선을 그릴 때 배터리팩의 충ㆍ방전 사이클 수를 제시할 수 있게 된다. 즉, 인공지능 모델의 출력값(output)은 배터리팩의 사이클 진행 수와 전체 기대수명(사이클 수) 간을 대비함으로써, 배터리 수명(SOH) 또는 배터리 노후도를 산출할 수 있다.

도 2는 배터리 수명 종료시까지 측정된 1500 사이클 충전과 방전 그래프이다. 도 2에서는 배터리팩의 전압 변화추이를 매 100 사이클 마다 나타내었다. 빅데이터 저장부(12)에는 이러한 데이터들이 다량 확보되어 있다. 따라서, 배터리 수명(또는 노후도)를 유추하고자 하는 특정 배터리팩의 충전 시작 전압과 충전 종료 전압 간의 기울기 값이 입력되면, 그와 유사한 그래프로서 도 2에서와 같이 대표되는 빅데이터에서 학습하여 배터리 수명(또는 노후도) 추정 결과를 출력하게 된다.

시간에 따른 전압 추이 값의 기울기에 상술한 빅데이터에 따른 보정 계수가 반영된 식은 아래의 수학식 1과 같으며, 파우치형 리튬이차전지의 경우에는 해당 보정 계수를 5.592 ~ 7.592의 값으로 사용할 수 있다.

여기서, Vmin은 충전 시작 전압값이고, Vmax는 충전 종료 전압값이며, Tstart는 충전 시작 시간이고, Tend는 충전 종료 시간이며, K는 빅데이터에 따른 보정 계수이다.

이상에서는 본 발명의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 쉽게 이해할 수 있을 것이다.

Claims (5)

1. 인공지능을 이용한 이차전지 배터리팩의 수명추정 장치로서,
   배터리팩의 전압을 측정하는 전압 측정부; 배터리팩의 특성 정보에 관한 배터리팩 빅데이터를 저장하는 빅데이터 저장부-여기서, 상기 배터리팩 빅데이터는, 배터리팩 충ㆍ방전 시험을 통해서 수집되는 데이터로서, 충ㆍ방전 사이클에 따른 충전 시간, 충전 용량, 방전 시간, 방전 용량, 효율, 및 충전 또는 방전 전압 추이에서 산출되는 기울기를 포함함-; 상기 배터리팩 빅데이터를 학습하는 인공지능 학습부; 상기 배터리팩 빅데이터의 학습 결과를 기반으로 배터리팩의 SOH(State Of Health)를 산출하는 SOH 산출부;를 포함하고,
   상기 기울기는, 배터리팩의 방전 하한 전압 이상 및 충전 상한 전압 이하의 범위 내에서 지정된 특정 전압 범위 구간을 기준으로, 충ㆍ방전 사이클 별 상기 특정 전압 범위 구간에서의 시간에 따른 충전 또는 방전 전압 추이에서 산출되는 기울기이며,
   상기 인공지능 학습부는, 상기 충ㆍ방전 사이클에 따른 충전 시간, 충전 용량, 방전 시간, 방전 용량, 효율 및 기울기 크기 데이터를 학습하고,
   상기 SOH 산출부는,
   상기 배터리팩 빅데이터 중 수명 추정이 필요한 특정 배터리팩의 상기 기울기와 유사한 기울기를 갖는 데이터에 따른 충전 곡선을 선택하여, 해당 충전 곡선에 따른 충ㆍ방전 사이클 횟수를 산출하여, 해당 배터리팩의 기대수명에 해당하는 상기 산출된 사이클 횟수와 현재 진행된 사이클 횟수 간을 대비함으로써, 배터리팩의 수명을 산출하고,
   상기 배터리팩의 수명의 산출함에 있어서, 상기 배터리팩 빅데이터 중 수명 추정이 필요한 특정 배터리팩의 상기 기울기와 유사한 기울기를 갖는 데이터에 따른 충전 곡선을 선택하되, 상기 충전 곡선을 선택함에 있어서, 수명 추정이 필요한 특정 배터리팩의 상기 기울기에 상기 배터리팩 빅데이터에 따른 보정 계수가 반영된 기울기를 이용함으로써 배터리팩의 수명을 산출하고,
   상기 기울기에 상기 배터리팩 빅데이터에 따른 보정 계수가 반영된 기울기는 하기 수학식 1에 의해 산출되는 기울기가 이용되는 것을 특징으로 하는, 배터리팩의 수명 추정 장치.
   
   [수학식 1]
   (Vmin-Vmax)/(Tstart-Tend) * K = 빅데이터에서의 기울기 값
   
   여기서, Vmin은 충전 시작 전압값이고, Vmax는 충전 종료 전압값이며, Tstart는 충전 시작 시간이고, Tend는 충전 종료 시간이며, K는 빅데이터에 따른 보정 계수임.
   
2. 삭제
3. 제1항에 있어서,
   상기 SOH 산출부는,
   상기 인공지능 학습부에 의해 기 학습한 빅데이터인 사이클에 따른 충전 시간, 충전 용량, 방전 시간, 방전 용량, 효율 및 기울기 크기 데이터를 기반으로, 수명 추정이 필요한 특정 배터리팩의 충전 시간, 충전 용량, 방전 시간, 방전 용량, 효율 및 상기 산출한 기울기 크기 데이터에 대한 사이클 횟수를 도출함으로써 배터리팩의 수명을 추정하는 것을 특징으로 하는, 배터리팩의 수명 추정 장치.
   
   
4. 삭제
5. 삭제