KR20140111920A

KR20140111920A - 이산 웨이블릿 변환을 이용하여 배터리 팩의 soh를 예측하는 장치

Info

Publication number: KR20140111920A
Application number: KR1020130097314A
Authority: KR
Inventors: 김종훈
Original assignee: 삼성에스디아이 주식회사
Priority date: 2013-03-12
Filing date: 2013-08-16
Publication date: 2014-09-22
Also published as: EP2778700A2; US20140278169A1; CN104049213A

Abstract

배터리 팩의 SOH(건강 상태)를 예측하는 방법이 제공된다. 상기 방법은, 상기 배터리 팩의 복수의 선택된 셀들 각각에 대하여 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 얻는 단계, 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 웨이블릿 변환하여 저주파 성분 전압 데이터와 고주파 성분 전압 데이터를 얻는 단계, 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나, 상기 저주파 성분 전압 데이터, 및 상기 고주파 성분 전압 데이터 중 적어도 2개의 각 표준 편차들을 계산하는 단계, 및 상기 계산된 표준 편차들에 기초하여 상기 배터리 팩의 SOH를 예측하는 단계를 포함한다.

Description

이산 웨이블릿 변환을 이용하여 배터리 팩의 SOH를 예측하는 장치{Apparatus for predicting a state of health of a battery pack using discrete wavelet transform}

본 발명의 하나 이상의 실시예들의 측면들은 이산 웨이블릿 변환을 이용하여 배터리 팩의 건강 상태(이하 "SOH"; State Of Health)를 예측하는 장치에 관한 것이다.

환경 파괴, 자원 고갈 등이 심각한 문제로 제기되면서, 에너지를 저장하고, 저장된 에너지를 효율적으로 활용할 수 있는 시스템에 대한 관심이 높아지고 있다. 또한, 공해를 생성하지 않으면서 에너지를 생산할 수 있는 신재생 에너지에 대한 관심도 높아지고 있다. 에너지 저장 시스템(energy storage system)은 이러한 신재생 에너지를 생산하는 발전 시스템, 전기 에너지를 저장하는 배터리 시스템, 및 기존의 계통을 서로 연계시키는 시스템으로서, 오늘날의 환경 변화에 맞추어 많은 연구 개발이 이루어지고 있다.

이러한 에너지 저장 시스템에서 배터리 시스템은 발전 시스템에서 생산된 신재생 에너지 및 계통으로부터 제공되는 전기 에너지를 저장하고, 저장된 전기 에너지를 부하 또는 계통에 공급할 수 있다. 이러한 배터리 시스템에서 배터리의 잔존 용량 추정은 중요한 기능 중 하나이다. 배터리의 잔존 용량을 정확히 계산하여 배터리의 충전 및 방전을 제어함으로써, 에너지 저장 시스템의 효율적인 동작을 가능하게 할 수 있다.

배터리의 잔존 용량의 경우, 사용 환경이나 사용 기간에 따라서 저항 및 용량이 열화 된다. 그 결과, 가용 용량이 감소하거나 저항이 증가하게 된다. 그에 따라, 배터리의 성능인 SOH가 배터리 생산 초기에 비해서 저하된다. 배터리의 SOH 저하로 인해, 배터리의 잔존 용량의 추정이 생산 초기에 비해 부정확해 진다.

배터리의 잔존 용량 추정이 부정확한 경우, 에너지 시스템의 운용 효율이 감소할 뿐만 아니라, 위험한 상황이 초래될 수도 있다. 예를 들면, 실제 잔존 용량은 80%이지만 계산된 잔존 용량이 30%인 경우, 차량 제어기는 충전이 필요하다고 판단하여 배터리가 과충전될 수 있다. 이와 반대로, 실제 잔돈 용량은 30%이지만 계산된 잔존 용량이 80%인 경우, 배터리는 과방전될 수 있다. 이러한 배터리의 과충전 또는 과방전은 배터리의 발화 또는 폭발을 일으킬 수 있다. 따라서, 배터리 시스템의 효율적인 운용 및 위험 방지를 위해서는, 배터리의 SOH를 정확하게 추정하는 것이 필요하다.

종래의 SOH 추정 방식은 여러 가지가 존재한다. 첫 번째 방식은 만충전 및 만방전 과정을 통해 배터리의 SOH를 정의하기 위해 고려되는 요소인 잔존 용량을 직접 측정하는 방식이다. 이 방식은 만충전 및 만방전 과정을 반드시 거쳐야 하므로, 효율적이지 않다.

두 번째 방식은 하드웨어로 구성되는 일정 주파수의 부하를 직접 배터리에 결합하여 그 임피던스를 측정하여 SOH를 파악하는 방식이다. 이 방식도 역시 회로를 구성하는 방법과 센서들의 오차와 내구성, 비용 등으로 인하여 효율이 떨어지는 문제가 있다.

세 번째 방식은 일정 기간 동안 전류 데이터와 전압 데이터를 획득하고 이들로부터 간접 임피던스와 잔존 용량을 추론하는 방식이다. 그러나, 이 방식은 강한 비선형성과 외란으로 인하여 정확도가 떨어지고 로직이 매우 복잡하다는 단점이 있다. 또한, 배터리가 노화할수록 저항 성분의 크기가 증가하지만, 잔존 용량과 저항 성분의 상관성이 항상 존재하는 것은 아니다.

따라서, 배터리 팩 전압과 같이 쉽게 얻을 수 있는 데이터를 기반으로 배터리의 SOH를 정확하게 예측할 수 있다면 유용할 것이다.

본 발명이 해결하려는 과제는 배터리 팩 전압과 같이 쉽게 얻을 수 있는 데이터를 기반으로 배터리의 SOH를 정확하게 예측하는 배터리 SOH 예측 방법 및 장치를 제공하는 것이다.

본 발명의 제1 실시예에 따르면, 배터리 팩의 SOH(건강 상태)를 예측하는 방법이 제공된다. 상기 방법은, 상기 배터리 팩의 복수의 선택된 셀들 각각에 대하여 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 얻는 단계, 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 웨이블릿 변환하여 저주파 성분 전압 데이터와 고주파 성분 전압 데이터를 얻는 단계, 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나, 상기 저주파 성분 전압 데이터, 및 상기 고주파 성분 전압 데이터 중 적어도 2개의 각 표준 편차들을 계산하는 단계, 및 상기 계산된 표준 편차들에 기초하여 상기 배터리 팩의 SOH를 예측하는 단계를 포함한다.

일 실시예에 따르면, 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 얻는 단계는, 시구간에 걸쳐 셀 전압 검출부를 이용하여 상기 선택된 셀들의 셀 전압을 검출하여 아날로그 전압 값들을 생성하는 단계, 및 상기 아날로그 전압 값들을 디지털 전압 값들로 변환하여 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 생성하는 단계를 포함한다.

일 실시예에 따르면, 상기 셀 전압 검출부는 상기 선택된 셀들의 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 저장하기 위한 메모리를 포함한다.

일 실시예에 따르면, 상기 방법은 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나의 상기 계산된 표준 편차들로부터 충방전 SOH 성분, 상기 저주파 성분 전압 데이터의 상기 계산된 표준 편차들로부터 저주파 SOH 성분, 및 상기 고주파 성분 전압 데이터의 상기 계산된 표준 편차들로부터 고주파 SOH 성분 중에서 대응하는 적어도 2가지를 계산하는 단계를 더 포함한다.

일 실시예에 따르면, 상기 SOH를 예측하는 단계는 상기 계산된 SOH 성분들의 가중 평균을 계산하는 단계를 포함한다.

일 실시예에 따르면, 상기 각 표준 편차들을 계산하는 단계는, 상기 선택된 셀들 각각의 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나, 상기 선택된 셀들 각각의 상기 저주파 성분 전압 데이터, 상기 선택된 셀들 각각의 상기 고주파 성분 전압 데이터 중에서 적어도 2가지의 각 표준 편차들을 계산하는 단계를 포함한다.

일 실시예에 따르면, 상기 각 표준 편차들을 계산하는 단계는, 상기 선택된 셀들 각각에 대한 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나의 상기 계산된 표준 편차들, 상기 선택된 셀들 각각에 대한 상기 저주파 성분 전압 데이터의 상기 계산된 표준 편차들, 및 상기 선택된 셀들 각각에 대한 상기 고주파 성분 전압 데이터의 상기 계산된 표준 편차들 중에서 대응하는 적어도 2가지의 각 표준 편차들을 계산하는 단계를 더 포함한다.

일 실시예에 따르면, 상기 각 표준 편차들을 계산하는 단계는, 초기 시구간에 대응하는 전압 데이터를 사용하여 상기 각 표준 편차들을 계산하여 초기 계산된 표준 편차들을 생성하는 단계, 및

해당 시구간에 대응하는 전압 데이터를 사용하여 상기 각 표준 편차들을 계산하여 해당 계산된 표준 편차들을 생성하는 단계를 포함한다.

일 실시예에 따르면, 상기 초기 시구간은 상기 배터리 팩이 처음 시작할 때의 시구간을 포함하고, 상기 방법은 비-일시적인 저장 장치에 상기 생성된 초기 계산된 표준 편차들을 저장하는 단계를 더 포함한다.

일 실시예에 따르면, 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나의 상기 초기 계산된 표준 편차들과 상기 해당 계산된 표준 편차들로부터 충방전 SOH 성분, 상기 저주파 성분 전압 데이터의 상기 초기 계산된 표준 편차들과 상기 해당 계산된 표준 편차들로부터 저주파 SOH 성분, 및 상기 고주파 성분 전압 데이터의 상기 초기 계산된 표준 편차들과 상기 해당 계산된 표준 편차들로부터 고주파 SOH 성분 중에서 대응하는 적어도 2가지를 계산하는 단계를 더 포함한다.

일 실시예에 따르면, 상기 충방전 SOH 성분을 계산하는 단계는 충방전 계수로부터 상기 충방전 SOH 성분을 계산하는 단계를 더 포함하고, 상기 저주파 SOH 성분을 계산하는 단계는 저주파 계수로부터 상기 저주파 SOH 성분을 계산하는 단계를 더 포함하고, 상기 고주파 SOH 성분을 계산하는 단계는 고주파 계수로부터 상기 고주파 SOH 성분을 계산하는 단계를 더 포함한다.

일 실시예에 따르면, 상기 계수들은 상기 배터리 팩과 비슷한 복수의 배터리 팩들에 대한 경험적 데이터로부터 계산된다.

일 실시예에 따르면, 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 웨이블릿 변환하는 단계는, 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 제1 레벨 저주파 성분 전압 데이터와 제1 레벨 고주파 성분 전압 데이터로 변환하는 단계, 상기 제1 레벨 저주파 성분 전압 데이터를 제2 레벨 저주파 성분 전압 데이터와 제2 레벨 고주파 성분 전압 데이터로 변환하는 단계, 및 상기 제2 레벨 저주파 성분 전압 데이터를 제3 레벨 저주파 성분 전압 데이터와 제3 레벨 고주파 성분 전압 데이터로 변환하는 단계를 포함한다.

일 실시예에 따르면, 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 웨이블릿 변환하는 단계는, 상기 선택된 셀들 각각에 대한 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나의 이산 웨이블릿 변환의 다해상도 분석을 수행하는 단계를 포함한다.

일 실시예에 따르면, 상기 다해상도 분석을 수행하는 단계는 j레벨까지 상기 다해상도 분석을 수행하는 단계를 포함하고, j는 2보다 큰 자연수이고, 상기 저주파 성분 전압 데이터는 상기 j 레벨의 저주파 성분 전압 데이터이고, 상기 고주파 성분 전압 데이터는 상기 j 레벨의 고주파 성분 전압 데이터이다.

일 실시예에 따르면, 상기 j 레벨의 저주파 성분 전압 데이터는 제1 주파수보다 낮은 주파수들을 포함하는 제1 주파수 대역에 대응하고, 상기 j 레벨의 고주파 성분 전압 데이터는 상기 제1 주파수보다 높고 상기 제1 주파수의 2배보다 낮은 주파수들을 포함하는 제2 주파수 대역에 한다.

본 발명의 다른 실시예에 따르면, 배터리 팩의 SOH를 예측하는 장치가 제공된다. 상기 장치는 프로세서, 및 비-일시적인 저장 장치를 포함하고, 상기 저장 장치는 상기 프로세서에 의해 실행될 때 상기 프로세서가 상술된 제1 실시예의 방법을 수행하게 하는 명령어들을 저장한다.

본 발명의 또 다른 실시예에 따르면, 배터리 팩에 연결되어 상기 배터리 팩의 SOH를 예측하도록 구성되는 SOH 예측 장치가 제공된다. 상기 SOH 예측 장치는, 시구간에 걸쳐 수집되는 상기 배터리 팩의 복수의 선택된 셀들 각각에 대하여 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 생성하도록 구성되는 전압 검출부, 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나에 대하여 이산 웨이블릿 변환의 다해상도 분석을 수행함으로써 고주파 성분 전압 데이터 및 고주파 성분 전압 데이터를 추출하도록 구성되는 DWT부, 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나, 상기 저주파 성분 전압 데이터, 및 상기 고주파 성분 전압 데이터 중에서 적어도 2가지의 각 1차 표준 편차들을 생성하도록 구성되는 제1 통계 처리부, 상기 생성된 1차 표준 편차들로부터 각 2차 표준 편차들을 생성하도록 구성되는 제2 통계 처리부, 및 상기 생성된 2차 표준 편차들로부터 상기 배터리 팩의 SOH를 예측하도록 구성되는 SOH 예측부를 포함한다.

본 발명적 사상에 따른 배터리 SOH 예측 방법 및 장치에 따르면, 배터리 셀들 간의 전압 불균형 정도를 기초로 배터리 팩의 SOH를 예측함으로써, 추가적인 구성이나 회로 없이, 쉽게 얻을 수 있는 셀 전압을 이용하여 SOH가 정확하게 예측될 수 있다.

아래에 첨부한 도면들을 참조로 예시적인 실시예들을 더욱 자세하게 설명함으로써 본 발명의 상술한 특징들 및 다른 특징들이 본 기술분야의 당업자들에게 명확해질 것이다.
도 1은 본 발명의 실시예에 따른 배터리 팩의 건강 상태(SOH) 예측 장치를 나타내는 개념적인 블록도이다.
도 2는 스케일 함수와 웨이블릿 함수를 도시한다.
도 3은 필터링의 관점에서 이산 웨이블릿 변환을 설명한 개념적인 블록도이다.
도 4는 저대역 통과 필터와 고대역 통과 필터의 예시적인 계수들을 도시한다.
도 5는 이산 웨이블릿 변환의 다해상도 분석을 수행함으로써 전압 데이터를 분해하는 과정을 도시한다.
도 6은 다운 샘플링을 도시한다.
도 7은 제n 레벨의 근사 전압 데이터의 주파수 대역 및 제1 내지 제n 레벨의 상세 전압 데이터들의 주파수 대역을 도시한다.
도 8a는 배터리 팩 내에 포함되는 복수의 배터리 셀들 중에서 임의의 어느 한 배터리 셀의 셀 전압 데이터(V(x))의 그래프이다
도 8b는 도 8a의 셀 전압 데이터에 대하여 이산 웨이블릿 변환의 다해상도 분석을 수행함으로써 셀 전압 데이터(V(x))로부터 추출되는 제1 내지 제5 레벨의 저주파 성분 데이터(A1(x)-A5(x))의 그래프들이다.
도 8c는 도 8a의 셀 전압 데이터에 대하여 이산 웨이블릿 변환의 다해상도 분석을 수행함으로써 셀 전압 데이터(V(x))로부터 추출되는 제1 내지 제5 레벨의 고주파 성분 데이터(D1(x)-D5(x))의 그래프들이다.
도 9a는 배터리 팩 내에 포함되는 14개의 배터리 셀들의 셀 전압 데이터들(V)을 나타낸 그래프이다.
도 9b는 도 9a의 셀 전압 데이터들(V) 각각에 대한 이산 웨이블릿 변환의 다해상도 분석을 수행함으로써 추출되는 제5 레벨의 저주파 성분 데이터들(A5)을 나타낸 그래프이다.
도 9c는 도 9a의 셀 전압 데이터들(V) 각각에 대한 이산 웨이블릿 변환의 다해상도 분석을 수행함으로써 추출되는 제5 레벨의 고주파 성분 데이터들(D5)을 나타낸 그래프이다.
도 10a 내지 10i는 제2 내지 제10 배터리 팩(P2-P10) 내에 포함되는 14개의 배터리 셀들에 대한 셀 전압 데이터들(V)을 나타낸 그래프들, 제5 레벨의 저주파 성분 데이터들(A5)을 나타낸 그래프들, 및 제5 레벨의 고주파 성분 데이터들(D5)을 나타낸 그래프들을 도시한다.

이제, 첨부한 도면들을 참조로 본 발명의 실시예들을 설명함으로써 본 발명이 자세히 설명될 것이다. 그러나, 본 발명은 많은 다양한 형태로 구현될 수 있으며, 본 명세서에서 설명되는 실시예들로 한정되는 것으로 간주되어서는 안 된다. 차라리, 이러한 실시예들은 청구항들 및 이들의 등가물들에 의해 결정되는 본 발명의 사상들을 본 기술분야의 당업자들에게 더욱 완벽하게 제공하기 위해 제공된다.

본 출원에서 사용한 용어는 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명 사상을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 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. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 구성요소들 간의 순서를 필수적으로 암시하지 않으며 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

이하, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이러한 점에서, 설명되는 실시예들은 다양한 형태를 가질 수 있고, 본 명세서에서 설명되는 설명들로 한정되는 것으로 간주되어서는 안 된다. 따라서, 실시예들은 본 발명의 측면들을 설명하기 위해 도면들을 참조하여 아래에서 설명된다. 본 명세서에서 사용되는 "및/또는"은 관련하여 나열되는 항목들 중 하나 또는 그 이상의 임의의 그리고 모든 조합들을 포함한다.

도 1은 본 발명의 실시예에 따라서, 배터리 팩(P1)의 SOH 예측 장치(10)를 나타내는 개념적인 블록도이다.

도 1을 참조하면, SOH 예측 장치(10)는 배터리 팩(P1)에 연결되며, 전압 검출부(110), 이산 웨이블릿 변환부(이하, 'DWT'라 지칭함)(120), 제1 통계 처리부(130), 제2 통계 처리부(140), 초기치 저장부(150), 계수 저장부(160), 및 SOH 예측부(170)를 포함한다.

배터리 팩(P1)은 외부로부터 전기 에너지를 공급받아 이를 저장할 수 있고, 다시 저장되어 있는 전기 에너지를 외부로 공급할 수 있는 복수의 배터리 셀들을 포함한다. 일 실시예에 따르면, 배터리 팩(P1) 내의 배터리 셀들은 서로 직렬로 연결되고, 다른 실시예에 따르면, 이들은 서로 병렬로 연결된다. 또 다른 실시예에 따르면, 배터리 팩(P1) 내의 배터리 셀들은 직렬 연결과 병렬 연결의 조합으로 서로 연결된다.

일 실시예에 따르면, 배터리 팩(P1)은 배터리 시스템 내에 포함된다. 일 실시예에 따르면, 상기 배터리 시스템은 배터리 팩(P1), 배터리 팩(P1)을 보호하기 위한 보호 회로, 및 상기 보호 회로를 제어하여 상기 배터리를 보호하는 배터리 관리 시스템(이하, 'BMS'라 지칭함)을 포함할 수 있다. 예컨대, 일 실시예에 따라, 과전류가 흐른다거나 과방전된 경우, 상기 BMS는 상기 보호 회로의 스위치를 개방시켜 상기 배터리 팩의 단자들을 개방한다. 일 실시예에 따르면, 상기 BMS는 배터리 팩(P1) 내의 배터리 셀들의 상태, 예컨대, 온도, 전압, 전류 등을 모니터링하여, 전압 데이터, 전류 데이터, 온도 데이터와 같은 각종 데이터를 수집한다. 일 실시예에 따르면, 상기 BMS는 수집한 데이터와 내부 알고리즘에 따라서 상기 배터리 셀들의 셀 밸런싱 동작을 수행한다. 일 실시예에 따르면, SOH 예측 장치(10)는 상기 BMS 내에 포함된다.

일 실시예에 따르면, 배터리 팩(P1)을 포함하는 배터리 시스템은 발전 시스템 및 계통과 연계하여 부하에 전력을 안정적으로 공급하는 에너지 저장 시스템의 일부이다. 일 실시예에 따르면, 상기 에너지 저장 시스템은 상기 발전 시스템에서 생산된 전기 에너지를 배터리에 저장한다. 일 실시예에 따르면, 상기 에너지 저장 시스템은 상기 생산된 전기 에너지를 상기 계통으로 공급한다. 일 실시예에 따르면, 상기 에너지 저장 시스템은 배터리에 저장된 전기 에너지를 상기 계통으로 공급한다. 일 실시예에 따르면, 상기 에너지 저장 시스템은 상기 계통으로부터 공급된 전기 에너지를 배터리에 저장한다. 또한, 일 실시예에 따르면, 상기 에너지 저장 시스템은 상기 발전 시스템에서 생산된 전기 에너지 또는 배터리에 저장된 전기 에너지를 상기 부하에 공급한다. 이를 위해, 일 실시예들에 따르면, 상기 에너지 저장 시스템은 전력 변환 시스템(이하, 'PCS'라 지칭함), 상기 배터리 시스템, 제1 스위치, 및 제2 스위치를 포함한다.

일부 실시예들에 따르면, 상기 PCS는 상기 발전 시스템, 상기 계통, 및 상기 배터리 시스템으로부터 제공되는 전기 에너지를 적절한 형태의 전기 에너지로 변환하여 필요한 곳에 공급할 수 있도록, 인버터, 컨버터, 정류기 등과 같은 전력 변환 장치들 및 통합 제어기를 포함한다. 일 실시예에 따르면, 상기 통합 제어기는 상기 발전 시스템, 상기 계통, 상기 배터리 시스템 및 상기 부하의 상태들을 모니터링하고, 알고리즘 또는 운용자의 명령에 따라 상기 제1 스위치, 상기 제2 스위치, 상기 배터리 시스템, 및 상기 전력 변환 장치들을 제어한다. 일 실시예에 따르면, SOH 예측 장치(10)는 상기 에너지 저장 시스템의 상기 통합 제어기에 포함된다.

도 1에는 하나의 배터리 팩(P1) 만이 도시되어 있지만, 다른 각각의 실시예들에 따르면, 더 큰 전압 또는 용량의 전기 에너지를 저장하거나 공급하기 위해, 배터리 팩(P1)은 다른 배터리 팩들과 직렬로 연결되거나, 병렬로 연결되거나, 직렬 연결과 병렬 연결이 혼합된 형태로 연결된다.

도 1에서, 전압 검출부(110)는 배터리 팩(P1)의 제1 내지 제n 배터리 셀들 각각으로부터 제1 내지 제n 셀 전압들(v₁, v₂, v₃, …, v_n)을 수신하고, 수시된 제1 내지 제n 셀 전압들(v₁, v₂, v₃, …, v_n)을 각각 디지털화하여, 제1 내지 제n 셀 전압 데이터들(V₁, V₂, V₃, …, V_n)을 생성한다. 더욱 구체적으로, 제1 셀 전압 데이터(V₁)는 제1 배터리 셀의 셀 전압(v₁)을 디지털화하여 생성된 것이며, 제2 셀 전압 데이터(V₂)는 제2 배터리 셀의 셀 전압(v₂)을 디지털화하여 생성된 것이다. 이러한 방식으로, 제n 셀 전압 데이터(V_n)는 제n 배터리 셀의 셀 전압(v_n)을 디지털화하여 생성된 것이다.

일 실시예에 따르면, 제1 내지 제n 셀 전압들(v₁, v₂, v₃, …, v_n)은 배터리 팩(P1)에 포함되는 모든 배터리 셀들의 셀 전압이다. 다른 실시예에 따르면, 제1 내지 제n 셀 전압들(v₁, v₂, v₃, …, v_n)은 배터리 팩(P1)에 포함되는 모든 배터리 셀들 중에서 선택된 n개의 배터리 셀들의 셀 전압이다. 제1 내지 제n 셀 전압들(v₁, v₂, v₃, …, v_n)은 시간(t)에 따라 변하는 아날로그 값을 갖는다. 여기서, t는 시간 간격을 나타낸다. 일 실시예에 따르면, 배터리 팩(P1) 내의 배터리 셀들에는 동일한 전류 프로파일이 인가된다.

제1 내지 제n 셀 전압 데이터들(V₁, V₂, V₃, …, V_n)은 시간(t)에 따른 제1 내지 제n 셀 전압들(v₁, v₂, v₃, …, v_n)을 각각 디지털화하여 생성되는 디지털 값들을 가지며, 이산 시간(x)에 따라 정의된다. 이산 시간(x)는 시간(t)에 대응된다. 일 실시예에 따르면, 전압 검출부(110)는 아날로그 제1 내지 제n 셀 전압들(v₁, v₂, v₃, …, v_n)을 디지털 제1 내지 제n 셀 전압 데이터들(V₁, V₂, V₃, …, V_n)로 변환하기 위한 복수의 아날로그-디지털 변환기들(ADC)을 포함한다.

일 실시예에 따르면, 전압 검출부(110)는 배터리 팩(P1)의 SOH를 예측하기 위해 사용되는 제1 내지 제n 셀 전압 데이터들(V₁, V₂, V₃, …, V_n)을 저장한다. 이를 위해, 일 실시예에 따르면, 전압 검출부(110)는 메모리 장치를 더 포함한다.

각각의 실시예들에 따르면, 배터리 팩(P1)의 SOH를 예측하기 위해 사용된 제1 내지 제n 셀 전압 데이터들(V₁, V₂, V₃, …, V_n)은 예컨대, 수 분 내지 수십 시간에서 선택되는 기간 동안의 제1 내지 제n 셀 전압들(v₁, v₂, v₃, …, v_n)에 대한 데이터이다. 예컨대, 일 실시예에 따르면, 전압 검출부(110)는 24시간 동안의 제1 내지 제n 셀 전압들(v₁, v₂, v₃, …, v_n)을 디지털화한 셀 전압 데이터들(V₁, V₂, V₃, …, V_n)을 저장한다. 데이터 수집 기간은 예시적이며, 다른 각각의 실시예들에 따르면, 예컨대, 1시간과 같이 24시간보다 짧은 기간이거나, 예컨대 48시간과 같이 24시간보다 긴 기간일 수도 있다.

또한, 각각의 실시예들에 따르면, 전압 검출부(110)의 샘플링 레이트는 분당 1 내지 600회로 설정된다. 그러나, 이러한 샘플링 레이트는 본 발명을 한정하지 않는다. 다른 각각의 실시예들에 따르면, 샘플링 레이트는 분당 1보다 작거나 600보다 크게 설정된다. 일 실시예에 따르면, 전압 검출부(110)는 소정 기간 동안 수집한 제1 내지 제n 셀 전압 데이터들(V₁, V₂, V₃, …, V_n)을 DWT(120)에 제공한다.

도 1에서, DWT(120)는 전압 검출부(110)로부터 제공받은 제1 내지 제n 셀 전압 데이터들(V₁, V₂, V₃, …, V_n)에 대하여 이산 웨이블릿 변환의 다해상도 분석을 수행하여, 제j 레벨의 제1 내지 제n 저주파 성분 데이터들(A_j1, A_j2, A_j3, …, A_jn)과 제j 레벨의 제1 내지 제n 고주파 성분 데이터들(D_j1, D_j2, D_j3, …, D_jn)을 생성한다. 본 실시예에서, 이산 웨이블릿 변환의 다해상도 분석은 j레벨까지 수행되는 것으로 가정하며, j는 2보다 큰 자연수일 수 있다.

제j 레벨의 제1 내지 제n 저주파 성분 데이터들(A_j1, A_j2, A_j3, …, A_jn)과 제j 레벨의 제1 내지 제n 고주파 성분 데이터들(D_j1, D_j2, D_j3, …, D_jn)도 역시 이산 시간(x)에 따라 정의되는 디지털 값들을 갖는다.

본 예에서는 최종 레벨, 즉, 제j 레벨의 제1 내지 제n 저주파 성분 데이터들(A_j1, A_j2, A_j3, …, A_jn)과 제1 내지 제n 고주파 성분 데이터들(D_j1, D_j2, D_j3, …, D_jn)이 추출되는 것으로 설명하였지만, 다른 각각의 실시예들에 따르면, 최종 레벨이 아닌 중간 레벨, 즉, 제k 레벨의 제1 내지 제n 저주파 성분 데이터들(A_k1, A_k2, A_k3, …, A_kn)과 제1 내지 제n 고주파 성분 데이터들(D_k1, D_k2, D_k3, …, D_kn)이 DWT(120)에서 추출될 수도 있다. 여기서 k는 1보다 크고 j보다 작은 자연수일 수 있다.

일 실시예에 따르면, DWT(120)는 제1 셀 전압 데이터(V₁)에 대하여 이산 웨이블릿 변환의 다해상도 분석을 수행하여 제j 레벨의 제1 저주파 성분 데이터(A_j1)와 제j 레벨의 제1 고주파 성분 데이터(D_j1)을 추출한다. 또한, DWT(120)는 제2 셀 전압 데이터(V₂)에 대하여 이산 웨이블릿 변환의 다해상도 분석을 수행하여 제j 레벨의 제2 저주파 성분 데이터(A_j2)와 제j 레벨의 제2 고주파 성분 데이터(D_j2)을 추출한다. 이러한 방식으로, DWT(120)는 제n 셀 전압 데이터(V_n)에 대하여 이산 웨이블릿 변환의 다해상도 분석을 수행하여 제j 레벨의 제n 저주파 성분 데이터(A_jn)와 제j 레벨의 제n 고주파 성분 데이터(D_jn)을 추출한다. 이산 웨이블릿 변환에 대하여, 도 2 내지 도 7을 참조하여 아래에서 자세히 설명한다.

도 1에서, 제1 통계 처리부(130)는 DWT(120)로부터 제1 내지 제n 셀 전압 데이터들(V₁, V₂, V₃, …, V_n), 제j 레벨의 제1 내지 제n 저주파 성분 데이터들(A_j1, A_j2, A_j3, …, A_jn), 및 제j 레벨의 제1 내지 제n 고주파 성분 데이터들(D_j1, D_j2, D_j3, …, D_jn)을 수신하고, 이들 각각에 대한 (1차) 표준편차를 산출하여 제1 내지 제n 셀 전압 표준편차들(σ(V₁), σ(V₂), σ(V₃), …, σ(V_n)), 제1 내지 제n 저주파 성분 표준편차들(σ(A_j1), σ(A_j2), σ(A_j3), …, σ(A_jn)), 및 제1 내지 제n 고주파 성분 표준편차들(σ(D_j1), σ(D_j2), σ(D_j3), …, σ(D_jn))을 생성한다.

일 실시예에 따르면, 제1 통계 처리부(130)는 소정 기간 동안의 제1 내지 제n 셀 전압 데이터들(V₁, V₂, V₃, …, V_n) 각각에 대하여 이들의 표준편차를 산출하여, 제1 내지 제n 셀 전압 표준편차들(σ(V₁), σ(V₂), σ(V₃), …, σ(V_n))을 생성한다. 일 실시예에 따르면, 제1 셀 전압 표준편차(σ(V₁))는 시간(t)에 따라 변하는 디지털 값을 갖는 제1 셀 전압 데이터(V₁)의 표준편차 값을 갖는다. 또한, 제2 셀 전압 표준편차(σ(V₂))는 시간(t)에 따라 변하는 디지털 값을 갖는 제2 셀 전압 데이터(V₂)의 표준편차 값을 갖는다. 이러한 방식으로, 제n 셀 전압 표준편차(σ(V_n))는 시간(t)에 따라 변하는 디지털 값을 갖는 제n 셀 전압 데이터(V_n)의 표준편차 값을 갖는다.

제k 셀 전압 표준편차(σ(V_k))가 작다는 것은 상기 소정 기간 동안 제k 배터리 셀의 셀 전압(v_k)의 변동이 작았다는 것을 의미하고, 제k 셀 전압 표준편차(σ(V_k))가 크다는 것은 상기 소정 기간 동안 제k 배터리 셀의 셀 전압(v_k)의 변동이 컸다는 것을 의미한다. 여기서, 제k 배터리 셀은 배터리 팩(P1) 내의 임의의 배터리 셀을 나타낸다.

또한, 일 실시예에 따르면, 제k 셀 전압 표준편차(σ(V_k))가 제l 셀 전압 표준편차(σ(V_l))보다 클 경우, 이것은 제k 배터리 셀과 제l 배터리 셀에 동일한 전류 프로파일이 인가되므로, 제k 배터리 셀의 내부 임피던스가 제l 배터리 셀의 내부 임피던스보다 크다는 것을 나타낼 수 있다. 여기서, 제l 배터리 셀은 배터리 팩(P1) 내의 배터리 셀들 중에서 제k 배터리 셀이 아닌 다른 임의의 배터리 셀을 나타낸다.

일 실시예에 따르면, 제1 통계 처리부(130)는 소정 기간 동안의 제j 레벨의 제1 내지 제n 저주파 성분 데이터들(A_j1, A_j2, A_j3, …, A_jn) 각각에 대하여 이들의 표준편차를 산출하여, 제1 내지 제n 저주파 성분 표준편차들(σ(A_j1), σ(A_j2), σ(A_j3), …, σ(A_jn))을 생성한다. 예를 들면, 일 실시예에 따르면, 제1 저주파 성분 표준편차(σ(A_j1))는 시간(t)에 따라 변하는 디지털 값을 갖는 제1 배터리 셀의 제j 레벨의 제1 저주파 성분 데이터(A_j1)의 표준편차 값을 갖는다. 또한, 제2 저주파 성분 표준편차(σ(A_j2))는 시간(t)에 따라 변하는 디지털 값을 갖는 제1 배터리 셀의 제j 레벨의 제1 저주파 성분 데이터(A_j1)의 표준편차 값을 갖는다. 이러한 방식으로, 제n 저주파 성분 표준편차(σ(A_jn))는 시간(t)에 따라 변하는 디지털 값을 갖는 제n 배터리 셀의 제j 레벨의 저주파 성분 데이터(A_jn)의 표준편차 값을 갖는다.

제k 저주파 성분 표준편차(σ(A_jk))가 작다는 것은 상기 소정 기간 동안 제k 배터리 셀의 셀 전압(v_k)의 제1 주파수 대역의 성분의 변동이 작았다는 것을 의미하고, 제k 저주파 성분 표준편차(σ(A_jk))가 크다는 것은 상기 소정 기간 동안 제k 배터리 셀의 셀 전압(v_k)의 제1 주파수 대역의 성분의 변동이 컸다는 것을 의미한다. 여기서, 제k 배터리 셀은 배터리 팩(P1) 내의 임의의 배터리 셀을 나타낸다. 제k 배터리 셀의 셀 전압(v_k)의 제1 주파수 대역의 성분은 제k 배터리 셀의 셀 전압 데이터(V_k)로부터 추출되는 제j 레벨의 제k 저주파 성분 데이터(A_jk)에 대응하며, 제k 배터리 셀의 셀 전압(v_k)에서 고주파 성분의 노이즈가 제거함으로써, 예컨대, 아래에 더욱 자세히 설명되는 이산 웨이블릿 변환을 수행함으로써, 획득될 수 있다.

일 실시예에 따르면, 제1 통계 처리부(130)는 소정 기간 동안의 제j 레벨의 제1 내지 제n 고주파 성분 데이터들(D_j1, D_j2, D_j3, …, D_jn) 각각에 대하여 이들의 표준편차를 산출하여, 제1 내지 제n 고주파 성분 표준편차들(σ(D_j1), σ(D_j2), σ(D_j3), …, σ(D_jn))을 생성한다. 제k 고주파 성분 표준편차(σ(A_jk))는 시간(t)에 따라 변하는 디지털 값을 갖는 제k 배터리 셀의 제j 레벨의 저주파 성분 데이터(A_jk)의 표준편차 값을 갖는다. 여기서, 제k 배터리 셀은 배터리 팩(P1) 내의 임의의 배터리 셀을 나타낸다.

제k 고주파 성분 표준편차(σ(D_jk))가 작다는 것은 상기 소정 기간 동안 제k 배터리 셀의 셀 전압(v_k)의 제2 주파수 대역의 성분의 변동이 작았다는 것을 의미하고, 제k 고주파 성분 표준편차(σ(D_jk))가 크다는 것은 상기 소정 기간 동안 제k 배터리 셀의 셀 전압(v_k)의 제2 주파수 대역의 성분의 변동이 컸다는 것을 의미한다. 여기서, 제k 배터리 셀의 셀 전압(v_k)의 제2 주파수 대역의 성분은 제k 배터리 셀의 셀 전압 데이터(V_k)로부터 추출되는 제j 레벨의 고주파 성분 데이터(D_jk)에 대응한다. 예컨대, 제1 주파수 대역은 임의의 주파수(f_s)보다 낮은 주파수 대역을 의미하고, 제2 주파수 대역은 상기 주파수(f_s)보다 크고 상기 주파수의 두 배(2f_s)보다 낮은 주파수 대역을 의미할 수 있다.

또한, 일 실시예에 따르면, 제k 고주파 성분 표준편차(σ(D_jk))가 제l 고주파 성분 표준편차(σ(D_jl))보다 크다는 것은 제k 배터리 셀의 제2 주파수 대역의 내부 임피던스가 제l 배터리 셀의 제2 주파수 대역의 내부 임피던스보다 크다는 것을 의미한다. 즉, 제k 배터리 셀과 제l 배터리 셀에 동일한 전류 프로파일이 인가되더라도, 제k 배터리 셀의 제2 주파수 대역의 전압 응답 또는 변동이 이 제l 배터리 셀의 제2 주파수 대역의 전압 응답 또는 변동보다 크다는 것을 나타낸다.

도 1에서, 제2 통계 처리부(140)는 제1 통계 처리부(130)로부터 제1 내지 제n 셀 전압 표준편차들(σ(V₁), σ(V₂), σ(V₃), …, σ(V_n)), 제1 내지 제n 저주파 성분 표준편차들(σ(A_j1), σ(A_j2), σ(A_j3), …, σ(A_jn)), 및 제1 내지 제n 고주파 성분 표준편차들(σ(D_j1), σ(D_j2), σ(D_j3), …, σ(D_jn))을 수신하고, 이들 각각에 대하여 (2차) 표준편차 연산을 수행하여, 셀 전압 표준편차의 표준편차(σ(σ_V)), 저주파 성분 표준편차의 표준편차(σ(σ_Aj)), 및 고주파 성분 표준편차의 표준편차(σ(σ_Dj))를 생성한다.

일 실시예에 따르면, 제2 통계 처리부(140)는 제1 통계 처리부(130)에서 생성된 제1 내지 제n 셀 전압 표준편차들(σ(V₁), σ(V₂), σ(V₃), …, σ(V_n))에 대하여 표준편차를 산출하여, 셀 전압 표준편차의 표준편차(σ(σ_V))을 생성한다. 셀 전압 표준편차의 표준편차(σ(σ_V))가 작다는 것은 소정 기간 동안 배터리 팩(P1) 내의 배터리 셀들의 전압 변동들 간의 차이가 작았다는 것을 의미한다. 즉, 배터리 팩(P1) 내의 배터리 셀들의 전압 변동 균형이 유지되었다는 것을 나타낸다. 예를 들면, 일 실시예에 따르면, 배터리 팩(P1)이 충전 상태에서 방전 상태로 바뀌거나 방전 상태에서 충전 상태로 바뀔 때, 작은 값의 셀 전압 표준편차의 표준편차(σ(σ_V))는 배터리 팩(P1) 내의 배터리 셀들의 전압이 일정하거나 거의 일정한 전위로 변했다는 것을 의미한다.

이에 반하여, 셀 전압 표준편차의 표준편차(σ(σ_V))가 크다는 것은 소정 기간 동안 배터리 팩(P1) 내의 배터리 셀들의 전압 변동들 간의 차이가 컸다는 것을 의미한다. 즉, 배터리 팩(P1) 내의 배터리 셀들의 전압 변동 불균형이 컸다는 것을 의미한다. 예를 들면, 일 실시예에 따르면, 배터리 팩(P1)이 충전 상태에서 방전 상태로 바뀌거나 방전 상태에서 충전 상태로 바뀔 때, 큰 값의 셀 전압 표준편차의 표준편차(σ(σ_V))는 배터리 팩(P1) 내의 배터리 셀들의 전압이 서로 다르게 변했다는 것을 의미한다. 예컨대, 특정 전류 파일이 인가되었을 때, 제1 배터리 셀의 셀 전압은 0.5V만큼 떨어졌는데, 제2 배터리 셀의 셀 전압은 0.1V만큼 떨어진 경우이다.

일 실시예에 따르면, 제2 통계 처리부(140)는 제1 통계 처리부(130)에서 생성된 제1 내지 제n 저주파 성분 표준편차들(σ(A_j1), σ(A_j2), σ(A_j3), …, σ(A_jn))에 대하여 표준편차를 산출하여, 저주파 성분 표준편차의 표준편차(σ(σ_Aj))을 생성한다. 또한, 제2 통계 처리부(140)는 제1 통계 처리부(130)에서 생성된 제1 내지 제n 고주파 성분 표준편차들(σ(D_j1), σ(D_j2), σ(D_j3), …, σ(D_jn))에 대하여 표준편차를 산출하여, 고주파 성분 표준편차의 표준편차(σ(σ_Dj))을 생성한다. 도 1에서, 제2 통계 처리부(140)는 셀 전압 표준편차의 표준편차(σ(σ_V)), 저주파 성분 표준편차의 표준편차(σ(σ_Aj)), 및 고주파 성분 표준편차의 표준편차(σ(σ_Dj))를 SOH 예측부(170)에 제공한다.

또한, 제2 통계 처리부(140)는 제1 통계 처리부(130)로부터 배터리 팩(P1)을 처음 기동하는 초기 기간 동안 수신한 제1 내지 제n 셀 전압 표준편차들(σ(V₁), σ(V₂), σ(V₃), …, σ(V_n)), 제1 내지 제n 저주파 성분 표준편차들(σ(A_j1), σ(A_j2), σ(A_j3), …, σ(A_jn)), 및 제1 내지 제n 고주파 성분 표준편차들(σ(D_j1), σ(D_j2), σ(D_j3), …, σ(D_jn))을 기초로, 초기 셀 전압 표준편차의 표준편차(σ₀(σ_V)), 초기 저주파 성분 표준편차의 표준편차(σ₀(σ_Aj)), 및 초기 고주파 성분 표준편차의 표준편차(σ₀(σ_Dj))를 생성한다. 도 1에서, 제2 통계 처리부(140)는 초기 기간 동안에 생성한 초기 셀 전압 표준편차의 표준편차(σ₀(σ_V)), 초기 저주파 성분 표준편차의 표준편차(σ₀(σ_Aj)), 및 초기 고주파 성분 표준편차의 표준편차(σ₀(σ_Dj))를 초기치 저장부(150)에 제공한다.

일 실시예에 따르면, 초기치 저장부(150)는 초기 셀 전압 표준편차의 표준편차(σ₀(σ_V)), 초기 저주파 성분 표준편차의 표준편차(σ₀(σ_Aj)), 및 초기 고주파 성분 표준편차의 표준편차(σ₀(σ_Dj))를 저장하며, 배터리 팩(P1)의 SOH 예측을 위해 사용할 경우, 초기 셀 전압 표준편차의 표준편차(σ₀(σ_V)), 초기 저주파 성분 표준편차의 표준편차(σ₀(σ_Aj)), 및 초기 고주파 성분 표준편차의 표준편차(σ₀(σ_Dj))를 SOH 예측부(170)에 제공한다.

도 1에서, 계수 저장부(160)는 SOH 예측부(170)가 SOH 예측을 수행하는데 사용되는 계수들(α, β, γ)을 저장하며, 배터리 팩(P1)의 SOH 예측을 위해, 상기 계수들(α, β, γ)을 SOH 예측부(170)에 제공한다.

계수(α)는 셀 전압 표준편차의 표준편차(σ(σ_V))를 기초로 배터리 팩(P1)의 셀 전압 기반 SOH(SOH_V)를 예측하는데 사용된다. 계수(β)는 저주파 성분 표준편차의 표준편차(σ(σ_Aj))를 기초로 배터리 팩(P1)의 저주파 성분 기반 SOH(SOH_Aj)를 예측하는데 사용된다. 계수(γ)는 고주파 성분 표준편차의 표준편차(σ(σ_Dj))를 기초로 배터리 팩(P1)의 고주파 성분 기반 SOH(SOH_Dj)를 예측하는데 사용된다.

일 실시예에 따르면, 계수들(α, β, γ)은 배터리 팩(P1) 내의 배터리 셀들의 전기적 특성 및 배열 구성에 따라 달라진다. 일 실시예에 따르면, 운용자는 배터리 팩(P1)에 따라 계수들(α, β, γ)을 미리 결정한다. 일 실시예에 따르면, 계수들(α, β, γ)은 배터리 팩(P1)을 포함하는 전체 시스템의 알고리즘에 의해 결정된다. 알고리즘에 의해 계수들(α, β, γ)이 결정되는 과정은 아래에서 더욱 자세히 설명될 것이다.

일 실시예에 따르면, SOH 예측부(170)는 제2 통계 처리부(140)로부터 셀 전압 표준편차의 표준편차(σ(σ_V)), 저주파 성분 표준편차의 표준편차(σ(σ_Aj)), 및 고주파 성분 표준편차의 표준편차(σ(σ_Dj))를 수신한다. 셀 전압 표준편차의 표준편차(σ(σ_V)), 저주파 성분 표준편차의 표준편차(σ(σ_Aj)), 및 고주파 성분 표준편차의 표준편차(σ(σ_Dj))는 배터리 팩(P1)의 소정의 데이터 수집 기간 동안 수집되고 SOH 예측을 위해 사용되는 셀 전압 데이터들을 기초로 생성된다. 또한, 일 실시예에 따르면, SOH 예측부(170)는 초기치 저장부(150)로부터 초기 셀 전압 표준편차의 표준편차(σ₀(σ_V)), 초기 저주파 성분 표준편차의 표준편차(σ₀(σ_Aj)), 및 초기 고주파 성분 표준편차의 표준편차(σ₀(σ_Dj))를 수신하고, 계수 저장부(160)로부터 계수들(α, β, γ)을 수신한다.

일 실시예에 따르면, SOH 예측부(170)는 셀 전압 표준편차의 표준편차(σ(σ_V)), 초기 셀 전압 표준편차의 표준편차(σ₀(σ_V)), 및 계수(α)를 기초로 셀 전압 기반 SOH(SOH_V)를 산출한다다. 또한, 일 실시예에 따르면, SOH 예측부(170)는 저주파 성분 표준편차의 표준편차(σ(σ_Aj)), 초기 저주파 성분 표준편차의 표준편차(σ₀(σ_Aj)), 및 계수(β)를 기초로 저주파 성분 기반 SOH(SOH_Aj)를 산출한다. 또한, 일 실시예에 따르면, SOH 예측부(170)는 고주파 성분 표준편차의 표준편차(σ(σ_Dj)), 초기 고주파 성분 표준편차의 표준편차(σ₀(σ_Dj)), 및 계수(γ)를 기초로 고주파 성분 기반 SOH(SOH_Dj)를 산출한다.

일 실시예에 따르면, SOH 예측부(170)는 셀 전압 기반 SOH(SOH_V), 저주파 성분 기반 SOH(SOH_Aj), 및 고주파 성분 기반 SOH(SOH_Dj)를 기초로 최종 SOH(SOH)를 산출하여, 배터리 팩(P1)의 SOH를 예측한다. 일 실시예는 SOH 예측부(170)는 SOH(SOH)를 출력한다. 일 실시예에 따르면, 상기 SOH(SOH)는 배터리 시스템 내의 BMS에게 제공되거나, 에너지 저장 시스템의 통합 제어기에게 제공된다.

이제, 실시예에 따른 SOH 예측부(170)의 구체적인 연산에 대하여 아래에서 자세히 설명한다.

우선, 이산 웨이블릿 변환(discrete wavelet transform, DWT)에 대하여 설명한다. 웨이블릿 변환은 원형의 웨이블릿 함수의 크기 및 수평 위치를 변환시켜 소스 신호(x(t))를 분해하는 것이다. 연속 웨이블릿 변환(CWT: Continuous Wavelet)은 다음의 수학식 1과 같이 정의된다.

여기서, a와 b는 각각 스케일(scale)과 수평이동(translation)을 나타내는 파라미터이다. ψ(t)는 웨이블릿 해석 함수이며, ψ*는 공액복소 함수(complex conjugate)를 나타낸다. 수학식 1의 결과는 스케일과 수평이동 파라미터에 대한 웨이블릿 계수이다.

수학식 1에 a=2^j와 b = k2^j를 대입하면 다음의 수학식 2와 같이 정의되는 이산 웨이블릿 변환(Discrete Wavelet Transform)이 된다. 정수 j와 k는 각각 스케일과 수평이동 변수가 된다.

웨이블릿을 이용한 1차원 신호 분해에서는 스케일 함수(φ)와 웨이블릿 함수(ψ)가 사용된다. 웨이블릿 함수(ψ)는 소스 신호(x(t))로부터 상세 성분(D_j)을 얻기 위해 사용되고, 스케일 함수(Φ)는 소스 신호(x(t))로부터 근사 성분(A_j)을 분해하기 위해 사용된다. 도 2는 예시적인 스케일 함수(φ)와 웨이블릿 함수(ψ)를 도시한다. 도 2에 도시된 스케일 함수(φ)와 웨이블릿 함수(ψ)는 다우베치3(dB3, Daubechies 3) 웨이블릿에 기초한다.

일 실시예에 따라서, DWT에서 소스 신호(x(t))로부터 임의의 스케일 j에서 얻어진 근사 정보(x_a ^j(t))와 상세 정보(x_d ^j(t))는 각각 수학식 3과 같이 표현된다.

a_j _,k와 d_j _,k는 각각 근사 계수(스케일 계수)와 상세 계수(웨이블릿 계수)를 나타낸다.

일 실시예에 따라서, 소스 신호(x(t))는 근사 정보(x_a ^j(t))와 상세 정보(x_d ^j(t))를 이용하여 수학식 4와 같이 표현된다.

또한, 일 실시예에 따라서, a_j _,k와 d_j _,k는 각각 스케일 함수(φ)와 웨이블릿 함수(ψ)를 이용하여 수학식 5와 같이 표현된다.

근사 정보(x_a ^j(t))는 저주파 성분인 스케일 함수(φ_j,k(t))에 대응되며, 상세 정보(x_d ^j(t))는 고주파 성분인 웨이블릿 함수(ψ_j,k(t))에 대응된다. 일 실시예에 따라서, 간단히 근사 정보(x_a ^j(t))를 A, 상세 정보(x_d ^j(t))를 D라고 할 때, 신호 x(t)는 제n 레벨까지 다해상도 분해하였을 경우, 다음의 수학식 6과 같이 표현된다.

근사 정보(A_n)에 상세 정보(D_n)을 더하면 한 단계 높은 해상도를 갖는 근사 정보(A_n _-1)가 된다. 즉, A_n-1 = A_n + D_n이다. 또한, x(t)는 A₁ + D₁으로 표현될 수 있다.

도 3은 이산 웨이블릿 변환을 필터링의 관점에서 설명한 블록도이다.

도 3의 이산 웨이블릿 변환에서 데이터(x(n))는 저주파 성분에 대응하는 근사 정보(A)와 고주파 성분에 대응하는 상세 정보(D)로 분해된다. 도 3에서, 데이터(x(n))로부터 근사 정보(A)가 추출되기 위해서, 저대역 통과 필터(LPF)가 이용된다. 또한, 데이터(x(n))로부터 상세 정보(D)가 추출되기 위해서, 고대역 통과 필터(HPF)가 이용된다. 일 실시예에 따라서, 저대역 통과 필터(LPF)와 고대역 통과 필터(HPF)는 물리적 또는 회로적으로 구현되는 실제의 필터가 아니라, 데이터 처리에 의해 구현된다.

도 4는 저대역 통과 필터(LPF)와 고대역 통과 필터(HPF)의 예시적인 계수들이 도시된다.

예를 들면, 도 4에 도시된 바와 같이 저대역 통과 필터(LPF)의 계수들은 {0.0352, -0.0854, -0.1350, 0.4599, 0.8069, 0.3327}이고, 고대역 통과 필터(HPF)의 계수들은 {-0.3327, 0.8069, -0.4599, -0.1350, 0.0854, 0.0352}이다.

도 5는 전압 데이터(V(x))가 이산 웨이블릿 변환의 다해상도 분석에 의해 분해되는 과정이 도시된다. 도 5에서는 5번의 이산 웨이블릿 변환이 반복적으로 수행되는 것으로 도시되지만, 이산 웨이블릿 변환의 반복 횟수는 본 발명을 한정하지 않는다. 다른 각각의 실시예들에 따라서, 이산 웨이블릿 변환이 단 1회만 이루어질 수도 있으며, 5회를 초과한 회수로 반복될 수도 있다. 전술한 바와 같이 이산 웨이블릿 변환은 저대역 통과 필터(LPF)와 고대역 통과 필터(HPF)를 이용하여 수행될 수 있다.

도 5에서, 전압 데이터(V(x))는 제1 이산 웨이블릿 변환과 다운 샘플링에 의해 제1 레벨의 근사 전압 데이터(A₁(x))와 제1 레벨의 상세 전압 데이터(D₁(x))로 분해될 수 있다. 일 실시예에 따라서, 제1 레벨의 근사 전압 데이터(A₁(x))는 저대역 통과 필터(LPF)를 이용하여 추출되고, 제1 레벨의 상세 전압 데이터(D₁(x))는 고대역 통과 필터(HPF)를 이용하여 추출된다.

계속하여 도 5에서, 제1 레벨의 근사 전압 데이터(A₁(x))는 제2 이산 웨이블릿 변환과 다운 샘플링에 의해 제2 레벨의 근사 전압 데이터(A₂(x))와 제2 레벨의 상세 전압 데이터(D₂(x))로 분해된다. 이와 유사하게, 도 5에서, 제2 레벨의 근사 전압 데이터(A₂(x))는 제3 이산 웨이블릿 변환과 다운 샘플링에 의해 제3 레벨의 근사 전압 데이터(A₃(x))와 제3 레벨의 상세 전압 데이터(D₃(x))로 분해된다. 또한, 도 5에서, 제3 레벨의 근사 전압 데이터(A₃(x))는 제4 이산 웨이블릿 변환과 다운 샘플링에 의해 제4 레벨의 근사 전압 데이터(A₄(x))와 제4 레벨의 상세 전압 데이터(D₄(x))로 분해된다. 또한, 도 5에서, 제4 레벨의 근사 전압 데이터(A₄(x))는 제5 이산 웨이블릿 변환과 다운 샘플링에 의해 제5 레벨의 근사 전압 데이터(A₅(x))와 제5 레벨의 상세 전압 데이터(D₅(x))로 분해된다.

일 실시예에 따라서, 제1 내지 제n 배터리 셀들의 셀 전압 데이터들(V₁, V₂, V₃, …, V_n) 각각에 대해 수행되는 이산 웨이블릿 변환의 다해상도 분석에 의해 추출되는 제5 레벨의 근사 전압 데이터(A₅(x))와 제5 레벨의 상세 전압 데이터(D₅(x))는 각각 제j 레벨의 제1 내지 제n 저주파 성분 데이터들(A_j1, A_j2, A_j3, …, A_jn)과 제j 레벨의 제1 내지 제n 고주파 성분 데이터들(D_j1, D_j2, D_j3, …, D_jn)로서 제1 통계 처리부(130)에 제공된다. 본 예에서, j는 5이다.

도 5에 도시된 바와 같이, 전압 데이터(V(x))는 제5 레벨의 근사 전압 데이터(A₅(x)) 및 제1 내지 제5 레벨의 상세 전압 데이터들(D₁(x), D₂(x), D₃(x), D₄(x), D₅(x))을 이용하여 표현된다. 또한, 제(n-1) 레벨의 근사 전압 데이터(A_n _-1(x))는 제n 레벨의 근사 전압 데이터(A_n(x))과 제n 레벨의 상세 전압 데이터(D_n(x))의 합으로 표현된다. 여기서, n은 1, 2, 3, 4이다.

도 5의 예에서, 제5 레벨의 근사 전압 데이터(A₅(x)) 및 제1 내지 제5 레벨의 상세 전압 데이터들(D₁(x), D₂(x), D₃(x), D₄(x), D₅(x))으로부터 전압 데이터(V(x))가 복원된다. 일 실시예에 따라서, 이러한 복원 과정은 이산 웨이블릿 역변환(IDWT)으로 지칭된다.

도 5에 도시된 바와 같이, 이산 웨이블릿 변환이 반복되면, 데이터의 전체 양이 증가하게 된다. 전압 데이터(V(x))가 근사 전압 데이터(A(x))와 상세 전압 데이터(D(x))로 분해되기 때문이다. 따라서, 도 5에 도시된 바와 같이 이산 웨이블릿 변환이 수행된 후에, 다운 샘플링 수행된다.

일 실시예에 따라서, 다운 샘플링은 이전 이산 웨이블릿 변환에 의해 생성된 근사 전압 데이터의 일부 데이터, 예컨대, 짝수 번째 데이터 또는 홀수 번째 데이터를 선택하고, 선택되지 않은 데이터를 제거하는 것을 의미한다. 도 6은 다운 샘플링을 설명하기 위한 도면이다. 도 6에 도시된 바와 같이, 다운 샘플링에 의하여, n개의 데이터는 n/2개의 데이터로 축소된다.

도 7은 제n 레벨의 근사 전압 데이터(A_n(x)) 및 제1 내지 제n 레벨의 상세 전압 데이터들(D₁(x), D₂(x), …, D_n(x))의 주파수 대역을 표현한 도면이다.

도 7에 따라서, 제1 레벨의 상세 전압 데이터(D₁(x))가 제1 주파수(f_s/2)보다 작고 제2 주파수(f_s/4)보다 큰 주파수 대역의 데이터인 경우, 제2 레벨의 상세 전압 데이터(D₂(x))가 제2 주파수(f_s/4)보다 작고 제3 주파수(f_s/8)보다 큰 주파수 대역의 데이터에 해당한다. 또한, 제3 레벨의 상세 전압 데이터(D₃(x))가 제3 주파수(f_s/8)보다 작고 제4 주파수(f_s/16)보다 큰 주파수 대역의 데이터에 해당한다. 이러한 방식으로, 제n 레벨의 상세 전압 데이터(D_n(x))가 제n 주파수(f_s/2ⁿ)보다 작고 제n+1 주파수(f_s/2ⁿ⁺¹)보다 큰 주파수 대역의 데이터에 해당한다. 또한, 제n 레벨의 근사 전압 데이터(A_n(x))가 제n+1 주파수(f_s/2ⁿ⁺¹)보다 작은 주파수 대역의 데이터에 해당한다.

이제, 본 발명의 다양한 실시예에 따른 배터리 팩의 SOH를 예측하는 방법을 구체적으로 예를 들어 설명한다.

아래의 예에서 배터리 팩(P1)은 14개의 배터리 셀을 포함하는 것으로 가정한다. 배터리 팩(P1)은 직렬로 연결된 14개의 배터리 셀들로 구성될 수 있다. 다른 예에 따르면, 배터리 팩(P1)은 직렬로 연결된 70개의 배터리 셀들로 이루어지고, SOH를 예측하기 위해서 70개의 배터리 셀들 중에서 14개의 배터리 셀들이 선택된 것일 수도 있다. 또한, 이산 웨이블릿 변환의 다해상도 분석은 제5 레벨까지 수행되는 것으로 가정한다.

도 8a는 배터리 팩 내에 포함되는 복수의 배터리 셀들 중에서 임의의 어느 한 배터리 셀의 셀 전압 데이터(V(x))의 그래프이고, 도 8b 및 도 8c는 셀 전압 데이터(V(x))로부터 이산 웨이블릿 변환의 다해상도 분석을 통해 추출되는 제1 내지 제5 레벨의 저주파 성분 데이터(A1(x)-A5(x)) 및 제1 내지 제5 레벨의 고주파 성분 데이터(D1(x)-D5(x))의 그래프들이다.

도 8a를 참조하면, 시간(t)에 대한 이산 시간(x)에서의 셀 전압 데이터(V(x))의 그래프가 예시적으로 도시된다. 도 8a의 그래프에서, 셀 전압 데이터(V(x))는 2880분, 즉, 48시간 동안의 셀 전압을 측정한 데이터이다. 도 8a에서, 셀 전압 데이터(V(x))는 실제로 사용되고 있는 배터리 셀의 셀 전압을 측정한 것이므로, 48시간 동안 충전에 의해 셀 전압이 높아지고 방전에 의해 셀 전압이 낮아진다. 일 실시예에 따라서, 이러한 셀 전압 데이터(V(x))는 셀 전압 검출부(110)에 의해 생성된다. 구체적으로, 다른 실시예에 따라서, 이러한 셀 전압 데이터(V(x))는 배터리 시스템 내의 BMS에 의해 생성된다.

도 8b는 도 8a에 도시된 셀 전압 데이터(V(x))의 이산 웨이블릿 변환의 다해상도 분석을 통해 추출되는 제1 내지 제5 레벨의 저주파 성분 데이터(A1(x)-A5(x))의 그래프들을 예시적으로 도시한다. 또한, 도 8c는 도 8a에 도시된 셀 전압 데이터(V(x))의 이산 웨이블릿 변환의 다해상도 분석을 통해 추출되는 제1 내지 제5 레벨의 고주파 성분 데이터(D1(x)-D5(x))의 그래프들을 도시한다.

도 9a는 배터리 팩 내에 포함되는 14개의 배터리 셀들의 셀 전압 데이터들(V)을 나타낸 그래프이다.

도 9a를 참조하면, 제1 내지 제14 배터리 셀들의 제1 내지 제14 셀 전압 데이터들(V₁, V₂, V₃, …, V₁₄)이 서로 구분되지 않고 도시된다. 제1 내지 제14 셀 전압 데이터들(V₁, V₂, V₃, …, V₁₄)은 제1 내지 제14 배터리 셀들 각각에 대하여 수집된 것이다. 일 실시예에 따라서, 제1 내지 제14 셀 전압 데이터들(V₁, V₂, V₃, …, V₁₄)은 셀 전압 검출부(110)에 의해 수집된다.

일 실시예에 따라서, 제1 내지 제14 셀 전압 데이터들(V₁, V₂, V₃, …, V₁₄)은 DWT(120)와 제1 통계 처리부(130)에 제공되며, 제1 통계 처리부(130)는 제1 내지 제14 셀 전압 데이터들(V₁, V₂, V₃, …, V₁₄) 각각에 대하여 이들의 표준편차를 산출하여, 제1 내지 제14 셀 전압 표준편차들(σ(V₁), σ(V₂), σ(V₃), …, σ(V₁₄))을 생성한다.

일 실시예에 따라서, 제1 내지 제14 셀 전압 표준편차들(σ(V₁), σ(V₂), σ(V₃), …, σ(V₁₄))은 다음의 표 1과 같이 산출된다.

일 실시예에 따라서, 제2 통계 처리부(140)는 제1 통계 처리부(130)에서 산출된 제1 내지 제14 셀 전압 표준편차들(σ(V₁), σ(V₂), σ(V₃), …, σ(V₁₄))을 수신하고, 이들에 대하여 표준편차 연산을 수행하여, 셀 전압 표준편차의 표준편차(σ(σ_V))을 생성한다.

예를 들면, 표 1에 도시된 제1 내지 제14 셀 전압 표준편차들(σ(V₁), σ(V₂), σ(V₃), …, σ(V₁₄))에 대하여 산출된셀 전압 표준편차의 표준편차(σ(σ_V))은 0.001005이다.

도 9b는 도 9a의 셀 전압 데이터들(V) 각각에 대한 이산 웨이블릿 변환의 다해상도 분석을 통해 추출되는 제5 레벨의 저주파 성분 데이터들(A5)을 나타낸 그래프이다.

도 9b를 참조하면, 제1 내지 제14 배터리 셀들의 셀 전압 데이터들(V₁, V₂, V₃, …, V₁₄)로부터 생성되는 제5 레벨의 저주파 성분 데이터들(A5₁, A5₂, A5₃, …, A5₁₄)은 서로 구분되지 않고 도시된다. 제5 레벨의 저주파 성분 데이터들(A5₁, A5₂, A5₃, …, A5₁₄)은 제1 내지 제14 배터리 셀들의 셀 전압 데이터들(V₁, V₂, V₃, …, V₁₄) 각각에 대하여 추출된 것이다.

일 실시예에 따라서, DWT(120)는 제1 내지 제14 배터리 셀들의 셀 전압 데이터들(V₁, V₂, V₃, …, V₁₄)에 대한 이산 웨이블릿 변환의 다해상도 분석을 통해 제5 레벨의 제1 내지 제14 저주파 성분 데이터들(A5₁, A5₂, A5₃, …, A5₁₄)을 생성한다. 일 실시예에 따라서, 제1 통계 처리부(130)는 제5 레벨의 제1 내지 제14 저주파 성분 데이터들(A5₁, A5₂, A5₃, …, A5₁₄)을 수신하고, 제5 레벨의 제1 내지 제14 저주파 성분 데이터들(A5₁, A5₂, A5₃, …, A5₁₄) 각각에 대하여 이들의 표준편차를 산출하여, 제1 내지 제14 저주파 성분 표준편차들(σ(A5₁), σ(A5₂), σ(A5₃), …, σ(A5₁₄))을 생성한다.

일 실시예에 따라서, 제1 내지 제14 저주파 성분 표준편차들(σ(A5₁), σ(A5₂), σ(A5₃), …, σ(A5₁₄))은 다음의 표 2와 같이 산출된다.

일 실시예에 따라서, 제2 통계 처리부(140)는 제1 통계 처리부(130)에서 산출된 제1 내지 제14 저주파 성분 표준편차들(σ(A5₁), σ(A5₂), σ(A5₃), …, σ(A5₁₄))을 수신하고, 이들에 대하여 표준편차 연산을 수행하여, 저주파 성분 표준편차의 표준편차(σ(σ_A5))을 생성한다.

예를 들면, 표 2에 도시된 제1 내지 제14 저주파 성분 표준편차들(σ(A5₁), σ(A5₂), σ(A5₃), …, σ(A5₁₄))에 대하여 산출된 저주파 성분 표준편차의 표준편차(σ(σ_A5))은 0.001003이다.

도 9c는 도 9a의 셀 전압 데이터들(V) 각각에 대한 이산 웨이블릿 변환의 다해상도 분석을 통해 추출되는 제5 레벨의 고주파 성분 데이터들(D5)을 나타낸 그래프이다.

도 9c를 참조하면, 제1 내지 제14 배터리 셀들의 제1 내지 제14 셀 전압 데이터들(V₁, V₂, V₃, …, V₁₄)로부터 생성되는 제5 레벨의 제1 내지 제14 고주파 성분 데이터들(D5₁, D5₂, D5₃, …, D5₁₄)은 서로 구분되지 않고 도시된다. 제5 레벨의 제1 내지 제14 고주파 성분 데이터들(D5₁, D5₂, D5₃, …, D5₁₄)은 제1 내지 제14 배터리 셀들의 제1 내지 제14 셀 전압 데이터들(V₁, V₂, V₃, …, V₁₄) 각각에 대하여 추출된다.

일 실시예에 따라서, DWT(120)는 제1 내지 제14 배터리 셀들의 제1 내지 제14 셀 전압 데이터들(V₁, V₂, V₃, …, V₁₄)에 대한 이산 웨이블릿 변환의 다해상도 분석을 통해 제5 레벨의 제1 내지 제14 고주파 성분 데이터들(D5₁, D5₂, D5₃, …, D5₁₄)을 생성한다. 일 실시예에 따라서, 제1 통계 처리부(130)는 제5 레벨의 제1 내지 제14 고주파 성분 데이터들(D5₁, D5₂, D5₃, …, D5₁₄)을 수신하고, 제5 레벨의 제1 내지 제14 고주파 성분 데이터들(D5₁, D5₂, D5₃, …, D5₁₄) 각각에 대하여 이들의 표준편차를 산출하여, 제1 내지 제14 고주파 성분 표준편차들(σ(D5₁), σ(D5₂), σ(D5₃), …, σ(D5₁₄))을 생성할 수 있다.

일 실시예에 따라서, 고주파 성분 표준편차들(σ(D5₁), σ(D5₂), σ(D5₃), …, σ(D5₁₄))은 다음의 표 3과 같이 산출된다.

일 실시예에 따라서, 제2 통계 처리부(140)는 제1 통계 처리부(130)에서 산출된 제1 내지 제14 고주파 성분 표준편차들(σ(D5₁), σ(D5₂), σ(D5₃), …, σ(D5₁₄))을 수신하고, 이들에 대하여 표준편차 연산을 수행하여, 고주파 성분 표준편차의 표준편차(σ(σ_D5))을 생성할 수 있다. 예를 들면, 표 3에 도시된 제1 내지 제14 고주파 성분 표준편차들(σ(D5₁), σ(D5₂), σ(D5₃), …, σ(D5₁₄))에 대하여 산출된 고주파 성분 표준편차의 표준편차(σ(σ_D5))은 1.587865×10^-4이다.

일 실시예에 따라서, 초기 셀 전압 표준편차의 표준편차(σ₀(σ_V)), 초기 저주파 성분 표준편차의 표준편차(σ₀(σ_Aj)), 및 초기 고주파 성분 표준편차의 표준편차(σ₀(σ_Dj))도 위와 같은 방식으로 생성된다. 다만, 이 경우 셀 전압 데이터들(V₁, V₂, V₃, …, V₁₄)은 배터리 팩(P1)을 처음으로 시작한 시점부터 수집된 것들이라는 차이가 있다.

또한, 계수들(α, β, γ)은 배터리 팩(P1)에 포함되는 배터리 셀들의 개수나 셀 전압 데이터들의 개수, 배터리 셀들의 배열 구성 등의 팩터들에 따라 달라진다.

일 실시예에 따라서, SOH 예측부(170)는 제2 통계 처리부(140)로부터 셀 전압 표준편차의 표준편차(σ(σ_V)), 저주파 성분 표준편차의 표준편차(σ(σ_Aj)), 및 고주파 성분 표준편차의 표준편차(σ(σ_Dj))를 수신하고, 초기치 저장부(150)로부터 초기 셀 전압 표준편차의 표준편차(σ₀(σ_V)), 초기 저주파 성분 표준편차의 표준편차(σ₀(σ_Aj)), 및 초기 고주파 성분 표준편차의 표준편차(σ₀(σ_Dj))를 수신하고, 계수 저장부(160)로부터 계수들(α, β, γ)을 수신하고, 수신된 값들을 기초로 배터리 팩(P1)의 SOH를 예측한다.

일 실시예에 따라서, SOH 예측부(170)는 셀 전압 표준편차의 표준편차(σ(σ_V)), 초기 셀 전압 표준편차의 표준편차(σ₀(σ_V)), 및 계수(α)를 기초로 셀 전압 기반 SOH(SOH_V)를 산출한다.

일 실시예에 따라서, 셀 전압 기반 SOH(SOH_V)를 산출하는 식은 다음의 수학식 7과 같이 표현된다.

수학식 7에서, 셀 전압 기반 SOH(SOH_V)이 1일 때, 배터리 팩(P1)은 프레쉬(fresh)한 상태이고, 셀 전압 기반 SOH(SOH_V)이 0일 때, 배터리 팩(P1)은 노화된 상태임을 의미한다. 또한, 수학식 7에서, 셀 전압 기반 SOH(SOH_V)은 셀 전압 표준편차의 표준편차(σ(σ_V))와 초기 셀 전압 표준편차의 표준편차(σ₀(σ_V))의 차이와 계수(α)와 초기 셀 전압 표준편차의 표준편차(σ₀(σ_V))을 곱한 값을 기초로 산출된다. 셀 전압 표준편차의 표준편차(σ(σ_V))가 초기 셀 전압 표준편차의 표준편차(σ₀(σ_V))보다 커질수록 셀 전압 기반 SOH(SOH_V)는 감소하며, 이는 배터리 팩(P1)이 점점 노화되고 있음을 나타낸다.

일 실시예에 따라서, SOH 예측부(170)는 저주파 성분 표준편차의 표준편차(σ(σ_Aj)), 초기 저주파 성분 표준편차의 표준편차(σ₀(σ_Aj)), 및 계수(β)를 기초로 저주파 성분 기반 SOH(SOH_Aj)를 산출한다.

일 실시예에 따라서, 저주파 성분 기반 SOH(SOH_Aj)를 산출하는 식은 다음의 수학식 8과 같이 표현된다.

수학식 8에서, 저주파 성분 기반 SOH(SOH_Aj)이 1일 때, 배터리 팩(P1)은 프레쉬(fresh)한 상태이고, 저주파 성분 기반 SOH(SOH_Aj)이 0일 때, 배터리 팩(P1)은 노화된 상태임을 의미한다. 또한, 수학식 8에서, 저주파 성분 기반 SOH(SOH_Aj)은 저주파 성분 표준편차의 표준편차(σ(σ_Aj))와 초기 저주파 성분 표준편차의 표준편차(σ₀(σ_Aj))의 차이와 계수(β)와 초기 저주파 성분 표준편차의 표준편차(σ₀(σ_Aj))을 곱한 값을 기초로 산출된다. 저주파 성분 표준편차의 표준편차(σ(σ_Aj))가 초기 저주파 성분 표준편차의 표준편차(σ₀(σ_Aj))보다 커질수록 저주파 성분 기반 SOH(SOH_Aj)는 감소하며, 이는 배터리 팩(P1)이 점점 노화되고 있음을 나타낸다.

일 실시예에 따라서, SOH 예측부(170)는 고주파 성분 표준편차의 표준편차(σ(σ_Dj)), 초기 고주파 성분 표준편차의 표준편차(σ₀(σ_Dj)), 및 계수(γ)를 기초로 고주파 성분 기반 SOH(SOH_Dj)를 산출한다.

일 실시예에 따라서, 고주파 성분 기반 SOH(SOH_Dj)를 산출하는 식은 다음의 수학식 9와 같이 표현된다.

수학식 9에서, 고주파 성분 기반 SOH(SOH_Dj)은 고주파 성분 표준편차의 표준편차(σ(σ_Dj))와 초기 고주파 성분 표준편차의 표준편차(σ₀(σ_Dj))의 차이와 계수(γ)와 초기 고주파 성분 표준편차의 표준편차(σ₀(σ_Dj))을 곱한 값을 기초로 산출된다. 고주파 성분 표준편차의 표준편차(σ(σ_Dj))가 초기 고주파 성분 표준편차의 표준편차(σ₀(σ_Dj))보다 커질수록 고주파 성분 기반 SOH(SOH_Dj)는 감소하며, 이는 배터리 팩(P1)이 점점 노화되고 있음을 나타낸다.

일 실시예에 따라서, SOH 예측부(170)는 셀 전압 기반 SOH(SOH_V), 저주파 성분 기반 SOH(SOH_Aj), 및 고주파 성분 기반 SOH(SOH_Dj)를 기초로 최종 SOH(SOH)를 산출하여, 배터리 팩(P1)의 SOH를 예측한다. 일 실시예에 따라서, 최종 SOH(SOH)를 산출하는 식은 예시적으로 다음의 수학식 10과 같이 표현된다.

수학식 10에 제시된 예에 따르면, 최종 SOH(SOH)는 셀 전압 기반 SOH(SOH_V), 저주파 성분 기반 SOH(SOH_Aj), 및 고주파 성분 기반 SOH(SOH_Dj)의 산술 평균이다. 그러나, 본 예로 본 발명이 한정되지 않으며, 다른 실시예들에 따르면, 가중 계수들(ω₁, ω₂, ω₃)을 이용한 가중 평균을 이용하여 최종 SOH(SOH)가 산출된다.

예컨대, 일부 실시예들에 따르면, 최종 SOH(SOH)는 제1 가중 계수(ω₁)와 셀 전압 기반 SOH(SOH_V)의 곱, 제2 가중 계수(ω₂)와 저주파 성분 기반 SOH(SOH_Aj)의 곱, 및 제3 가중 계수(ω₃)와 고주파 성분 기반 SOH(SOH_Dj)의 곱을 모두 더한 값으로 결정된다. 여기서, 제1 내지 제3 가중 계수들(ω₁, ω₂, ω₃)은 모두 0 이상이고 1보다 작으며, 제1 내지 제3 가중 계수들의 합(ω₁+ω₂+ω₃)은 1이다.

예컨대, 일 실시예에 따르면, 제1 가중 계수(ω₁)은 0.2이고, 제2 가중 계수(ω₂)은 0.3이고, 제3 가중 계수(ω₃)은 0.5이다. 다른 예로서, 일 실시예에 따르면, 제1 가중 계수(ω₁)은 0이고, 제2 가중 계수(ω₂)은 0.6이고, 제3 가중 계수(ω₃)은 0.4이다.

이제, 본 발명의 다양한 실시예에 따라 배터리 팩의 SOH를 예측하기 위해 필요한 계수들(α, β, γ)의 값을 결정하는 방법을 예를 들어 설명한다.

아래의 예에서 9개의 배터리 팩(P2-P10)이 배터리 팩(P1)과 동일한 구성을 갖는 것으로 가정한다. 제1 내지 제10 배터리 팩(P1-P10)은 동일한 개수의 배터리 셀들을 포함하고, 배터리 셀들의 배열 구성도 동일하다. 그러나, 제1 내지 제10 배터리 팩(P1-P10)은 서로 독립적인 배터리 팩들이다. 예컨대, 일 실시예에 따르면, 제1 내지 제10 배터리 팩(P1-P10) 중 일부는 직렬로 연결되어 더 높은 레벨의 출력 전압을 가지고, 나머지 배터리 팩들은 다른 전력 시스템에 연결되거나, 병렬로 연결된다. 즉, 일부 실시예들에 따르면, 제1 내지 제10 배터리 팩(P1-P10)에 인가되는 전류 프로파일들은 각각 다를 수 있다.

전술한 바와 같이, 도 9a는 제1 배터리 팩(P1) 내에 포함되는 14개의 배터리 셀들의 셀 전압 데이터들(V)을 나타낸 그래프이고, 도 9b는 도 9a의 셀 전압 데이터들(V) 각각에 대한 이산 웨이블릿 변환의 다해상도 분석을 통해 추출되는 제5 레벨의 저주파 성분 데이터들(A5)을 나타낸 그래프이며, 도 9c는 도 9a의 셀 전압 데이터들(V) 각각에 대한 이산 웨이블릿 변환의 다해상도 분석을 통해 추출되는 제5 레벨의 고주파 성분 데이터들(D5)을 나타낸 그래프이다.

제1 배터리 팩(P1)에 대하여 산출된 셀 전압 표준편차의 표준편차(σ(σ_V))은 0.001005이고, 저주파 성분 표준편차의 표준편차(σ(σ_A5))은 0.001003이며, 고주파 성분 표준편차의 표준편차(σ(σ_D5))은 1.587865×10^-4이다.

도 10a 내지 10i는 제2 내지 제10 배터리 팩(P2-P10) 내에 포함되는 14개의 배터리 셀들에 대한 셀 전압 데이터들(V)을 각각 나타낸 그래프들, 이러한 배터리 팩들에 대한 제5 레벨의 저주파 성분 데이터들(A5)을 각각 나타낸 그래프들, 및 이러한 배터리 팩들에 대한 제5 레벨의 고주파 성분 데이터들(D5)을 각각 나타낸 그래프들을 도시한다.

일 실시예에 따르면, 제2 내지 제10 배터리 팩(P2-P10)에 대해서도 제1 배터리 팩(P1)과 동일한 방식으로, 셀 전압 검출부(110)를 이용하여 셀 전압 데이터들(V)이 생성되고, DWT(120)는 셀 전압 데이터들(V)에 기초하여 제5 레벨의 저주파 성분 데이터들(A5) 및 제5 레벨의 고주파 성분 데이터들(D5)을 추출한다. 또한, 일 실시예에 따르면, 제1 통계 처리부(130) 및 제2 통계 처리부(140)도 역시 제2 내지 제10 배터리 팩(P2-P10)에 대해서도 셀 전압 표준편차의 표준편차(σ(σ_V)), 저주파 성분 표준편차의 표준편차(σ(σ_A5)) 및 고주파 성분 표준편차의 표준편차(σ(σ_D5))를 산출한다.

제1 내지 제10 배터리 팩(P1-P10)에 대한 셀 전압 표준편차의 표준편차(σ(σ_V)), 저주파 성분 표준편차의 표준편차(σ(σ_A5)) 및 고주파 성분 표준편차의 표준편차(σ(σ_D5))는 다음의 표 4와 같다.

일 실시예에 따르면, 계수(α)는 제1 내지 제10 배터리 팩(P1-P10)에 대한 셀 전압 표준편차의 표준편차(σ(σ_V))의 값들로부터 결정된다. 일 실시예에 따르면, 예컨대, 계수(α)는 제1 내지 제10 배터리 팩(P1-P10)에 대한 셀 전압 표준편차의 표준편차(σ(σ_V))의 최소 값에 대한 최대 값의 비율로 결정된다.

또한, 일 실시예에 따르면, 계수(β)는 제1 내지 제10 배터리 팩(P1-P10)에 대한 저주파 성분 표준편차의 표준편차(σ(σ_A5))의 값들로부터 결정된다. 일 실시예에 따르면, 예컨대, 계수(β)는 제1 내지 제10 배터리 팩(P1-P10)에 대한 저주파 성분 표준편차의 표준편차(σ(σ_A5))의 최소 값에 대한 최대 값의 비율로 결정된다.

또한, 일 실시예에 따르면, 계수(γ)는 제1 내지 제10 배터리 팩(P1-P10)에 대한 고주파 성분 표준편차의 표준편차(σ(σ_D5))의 값들로부터 결정된다. 일 실시예에 따르면, 예컨대, 계수(γ)는 제1 내지 제10 배터리 팩(P1-P10)에 대한 고주파 성분 표준편차의 표준편차(σ(σ_D5))의 최소 값에 대한 최대 값의 비율로 결정된다.

일 실시예에 따르면, 계수들(α, β, γ)을 산출하는 수식과 본 예에서의 계수들(α, β, γ)이 값은 다음의 수학식 11과 같이 표현된다.

본 예에서, 계수(α)는 17.61로 계산되고, 계수(β)는 17.81로 계산되고, 계수(γ)는 16.30으로 계산된다.

본 발명의 다른 실시예에 따르면, 배터리 팩의 SOH를 예측하기 위한 장치는 예컨대, 마이크로 프로세서와 같은 프로세서 및 예컨대 디스크 드라이브 또는 솔리드 스테이트 드라이브(SSD)와 같은 비-일시적 저장 장치를 포함한다. 상기 저장 장치는 프로세서에 의해 실행될 때 본 명세서에서 설명되는 상기 방법들 중 어느 하나를 상기 프로세서가 수행할 수 있게 하는 명령어들을 저장한다.

산업화에 따라 높은 전압을 사용하는 제품들의 개수가 증가함에 따라, 단위 배터리 셀의 형태가 아닌, 배터리 팩의 형태로 사용되는 것이 일반적이다. 배터리 팩은 직렬, 병렬, 또는 직렬 및 병렬로 연결된 복수의 배터리 셀들을 포함한다. 이상적인 경우 배터리 셀들 간의 전압 불균형이 존재하지 않을 것이지만, 실제적으로는 배터리 셀들 간에 전압 불균형이 존재한다. 배터리 셀들 간의 전압 불균형은 충전 상태 또는 방전 상태가 오래 지속될수록 더욱 증가하게 된다. 따라서, 본 발명의 실시예들에 따라서, 배터리 셀들 간의 전압 불균형이 증가한 정도에 따라 배터리 팩의 노화 정도를 알 수 있다. 본 발명의 하나 이상의 실시예들에 따라서, 배터리 셀들 간의 전압 불균형 정도를 기초로 배터리 팩의 SOH를 예측함으로써, 추가적인 구성이나 회로 없이 쉽게 얻을 수 있는 셀 전압을 이용하여 SOH가 예측된다.

본 발명의 다양한 실시예들은 어떠한 방법으로도 본 발명의 범위를 한정하지 않는다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략되었다. 또한, 대응하는 실시예들에서, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타내며, 다른 대응하는 실시예들에서, 실제 장치에서 대체 가능하거나 추가적인 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로 구현될 수 있다. 또한, "필수적인", "중요하게" 등과 같은 구체적인 언급이 없다면, 본 발명의 실시를 위하여 반드시 필요한 구성 요소가 아닐 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당한다. 또한, 본 발명의 명세서에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 실시예들을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 마지막으로, 본 발명의 실시예들에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명의 실시예들이 한정되는 것은 아니다.

본 명세서에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명은 상기 설명된 실시예들에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

10: SOH 예측 장치
110: 전압 검출부
120: DWT
130: 제1 통계 처리부
140: 제2 통계 처리부
150: 초기치 저장부
160: 계수 저장부
170: SOH 예측부

Claims

배터리 팩의 SOH(건강 상태)를 예측하는 방법으로서,
상기 배터리 팩의 복수의 선택된 셀들 각각에 대하여 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 얻는 단계;
상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 웨이블릿 변환하여 저주파 성분 전압 데이터와 고주파 성분 전압 데이터를 얻는 단계;
상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나, 상기 저주파 성분 전압 데이터, 및 상기 고주파 성분 전압 데이터 중 적어도 2개의 각 표준 편차들을 계산하는 단계; 및
상기 계산된 표준 편차들에 기초하여 상기 배터리 팩의 SOH를 예측하는 단계를 포함하는 배터리 팩의 SOH 예측 방법.
제1 항에 있어서,
상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 얻는 단계는,
시구간에 걸쳐 셀 전압 검출부를 이용하여 상기 선택된 셀들의 셀 전압을 검출하여 아날로그 전압 값들을 생성하는 단계; 및
상기 아날로그 전압 값들을 디지털 전압 값들로 변환하여 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 생성하는 단계를 포함하는 배터리 팩의 SOH 예측 방법.
제2 항에 있어서,
상기 셀 전압 검출부는 상기 선택된 셀들의 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 저장하기 위한 메모리를 포함하는 배터리 팩의 SOH 예측 방법.
제1 항에 있어서,
상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나의 상기 계산된 표준 편차들로부터 충방전 SOH 성분, 상기 저주파 성분 전압 데이터의 상기 계산된 표준 편차들로부터 저주파 SOH 성분, 및 상기 고주파 성분 전압 데이터의 상기 계산된 표준 편차들로부터 고주파 SOH 성분 중에서 대응하는 적어도 2가지를 계산하는 단계를 더 포함하는 배터리 팩의 SOH 예측 방법.
제4 항에 있어서,
상기 SOH를 예측하는 단계는 상기 계산된 SOH 성분들의 가중 평균을 계산하는 단계를 포함하는 배터리 팩의 SOH 예측 방법.
제1 항에 있어서,
상기 각 표준 편차들을 계산하는 단계는,
상기 선택된 셀들 각각의 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나, 상기 선택된 셀들 각각의 상기 저주파 성분 전압 데이터, 상기 선택된 셀들 각각의 상기 고주파 성분 전압 데이터 중에서 적어도 2가지의 각 표준 편차들을 계산하는 단계를 포함하는 배터리 팩의 SOH 예측 방법.
제6 항에 있어서,
상기 각 표준 편차들을 계산하는 단계는,
상기 선택된 셀들 각각에 대한 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나의 상기 계산된 표준 편차들, 상기 선택된 셀들 각각에 대한 상기 저주파 성분 전압 데이터의 상기 계산된 표준 편차들, 및 상기 선택된 셀들 각각에 대한 상기 고주파 성분 전압 데이터의 상기 계산된 표준 편차들 중에서 대응하는 적어도 2가지의 각 표준 편차들을 계산하는 단계를 더 포함하는 배터리 팩의 SOH 예측 방법.
제1 항에 있어서,
상기 각 표준 편차들을 계산하는 단계는,
초기 시구간에 대응하는 전압 데이터를 사용하여 상기 각 표준 편차들을 계산하여 초기 계산된 표준 편차들을 생성하는 단계, 및
해당 시구간에 대응하는 전압 데이터를 사용하여 상기 각 표준 편차들을 계산하여 해당 계산된 표준 편차들을 생성하는 단계를 포함하는 배터리 팩의 SOH 예측 방법.
제8 항에 있어서,
상기 초기 시구간은 상기 배터리 팩이 처음 시작할 때의 시구간을 포함하고,
상기 방법은 비-일시적인 저장 장치에 상기 생성된 초기 계산된 표준 편차들을 저장하는 단계를 더 포함하는 배터리 팩의 SOH 예측 방법.
제8 항에 있어서,
상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나의 상기 초기 계산된 표준 편차들과 상기 해당 계산된 표준 편차들로부터 충방전 SOH 성분, 상기 저주파 성분 전압 데이터의 상기 초기 계산된 표준 편차들과 상기 해당 계산된 표준 편차들로부터 저주파 SOH 성분, 및 상기 고주파 성분 전압 데이터의 상기 초기 계산된 표준 편차들과 상기 해당 계산된 표준 편차들로부터 고주파 SOH 성분 중에서 대응하는 적어도 2가지를 계산하는 단계를 더 포함하는 배터리 팩의 SOH 예측 방법.
제10 항에 있어서,
상기 SOH를 예측하는 단계는 상기 계산된 SOH 성분들의 가중 평균을 계산하는 단계를 포함하는 배터리 팩의 SOH 예측 방법.
제10 항에 있어서,
상기 충방전 SOH 성분을 계산하는 단계는 충방전 계수로부터 상기 충방전 SOH 성분을 계산하는 단계를 더 포함하고,
상기 저주파 SOH 성분을 계산하는 단계는 저주파 계수로부터 상기 저주파 SOH 성분을 계산하는 단계를 더 포함하고,
상기 고주파 SOH 성분을 계산하는 단계는 고주파 계수로부터 상기 고주파 SOH 성분을 계산하는 단계를 더 포함하는 배터리 팩의 SOH 예측 방법.
제12 항에 있어서,
상기 계수들은 상기 배터리 팩과 비슷한 복수의 배터리 팩들에 대한 경험적 데이터로부터 계산되는 배터리 팩의 SOH 예측 방법.
제1 항에 있어서,
상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 웨이블릿 변환하는 단계는,
상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 제1 레벨 저주파 성분 전압 데이터와 제1 레벨 고주파 성분 전압 데이터로 변환하는 단계;
상기 제1 레벨 저주파 성분 전압 데이터를 제2 레벨 저주파 성분 전압 데이터와 제2 레벨 고주파 성분 전압 데이터로 변환하는 단계; 및
상기 제2 레벨 저주파 성분 전압 데이터를 제3 레벨 저주파 성분 전압 데이터와 제3 레벨 고주파 성분 전압 데이터로 변환하는 단계를 포함하는 배터리 팩의 SOH 예측 방법.
제1 항에 있어서,
상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 웨이블릿 변환하는 단계는, 상기 선택된 셀들 각각에 대한 상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나의 이산 웨이블릿 변환의 다해상도 분석을 수행하는 단계를 포함하는 배터리 팩의 SOH 예측 방법.
제15 항에 있어서,
상기 다해상도 분석을 수행하는 단계는 j레벨까지 상기 다해상도 분석을 수행하는 단계를 포함하고,
J는 2보다 큰 자연수이고,
상기 저주파 성분 전압 데이터는 상기 j 레벨의 저주파 성분 전압 데이터이고,
상기 고주파 성분 전압 데이터는 상기 j 레벨의 고주파 성분 전압 데이터인 배터리 팩의 SOH 예측 방법.
제16 항에 있어서,
상기 j 레벨의 저주파 성분 전압 데이터는 제1 주파수보다 낮은 주파수들을 포함하는 제1 주파수 대역에 대응하고,
상기 j 레벨의 고주파 성분 전압 데이터는 상기 제1 주파수보다 높고 상기 제1 주파수의 2배보다 낮은 주파수들을 포함하는 제2 주파수 대역에 대응하는 배터리 팩의 SOH 예측 방법.
배터리 팩의 SOH를 예측하는 장치로서,
프로세서; 및
비-일시적인 저장 장치를 포함하고,
상기 저장 장치는 상기 프로세서에 의해 실행될 때 상기 프로세서가 청구항 제1항의 방법을 수행하게 하는 명령어들을 저장하는 배터리 팩의 SOH 예측 장치.
배터리 팩의 SOH를 예측하도록 구성되고 상기 배터리 팩에 연결되는 SOH 예측 장치로서,
시구간에 걸쳐 수집되는 상기 배터리 팩의 복수의 선택된 셀들 각각에 대하여 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나를 생성하도록 구성되는 전압 검출부;
상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나에 대하여 이산 웨이블릿 변환의 다해상도 분석을 수행함으로써 고주파 성분 전압 데이터 및 고주파 성분 전압 데이터를 추출하도록 구성되는 DWT부;
상기 충전 전압 데이터 또는 방전 전압 데이터 중 적어도 하나, 상기 저주파 성분 전압 데이터, 및 상기 고주파 성분 전압 데이터 중에서 적어도 2가지의 각 1차 표준 편차들을 생성하도록 구성되는 제1 통계 처리부;
상기 생성된 1차 표준 편차들로부터 각 2차 표준 편차들을 생성하도록 구성되는 제2 통계 처리부; 및
상기 생성된 2차 표준 편차들로부터 상기 배터리 팩의 SOH를 예측하도록 구성되는 SOH 예측부를 포함하는 SOH 예측 장치.