KR20160000317A - 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 - Google Patents

배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 Download PDF

Info

Publication number
KR20160000317A
KR20160000317A KR1020140077543A KR20140077543A KR20160000317A KR 20160000317 A KR20160000317 A KR 20160000317A KR 1020140077543 A KR1020140077543 A KR 1020140077543A KR 20140077543 A KR20140077543 A KR 20140077543A KR 20160000317 A KR20160000317 A KR 20160000317A
Authority
KR
South Korea
Prior art keywords
battery
information
learning
state information
interval
Prior art date
Application number
KR1020140077543A
Other languages
English (en)
Other versions
KR102215450B1 (ko
Inventor
박상도
유개원
이선재
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020140077543A priority Critical patent/KR102215450B1/ko
Priority to US14/732,098 priority patent/US10228425B2/en
Publication of KR20160000317A publication Critical patent/KR20160000317A/ko
Application granted granted Critical
Publication of KR102215450B1 publication Critical patent/KR102215450B1/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
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • H02J7/0049—Detection of fully charged condition
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/005—Detection of state of health [SOH]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/549—Current
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/44—Control modes by parameter estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/24—Energy storage means
    • B60W2710/242—Energy storage means for electrical energy
    • B60W2710/244—Charge state
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M10/4257—Smart batteries, e.g. electronic circuits inside the housing of the cells or 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
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Abstract

배터리의 상태 정보를 학습하고 추정하는 장치 및 방법이 제공된다. 일 실시예에 따르면 배터리 정보(battery information)를 수집하고, 수집된 배터리 정보를 미리 정한 범위(predetermined range)의 구간 정보(interval information)로 분할하여 누적(accumulating)하며, 누적된 구간 정보 및 미리 결정된 학습 정보에 기초하여 상기 배터리의 상태 정보를 추정할 수 있다.

Description

배터리의 상태 정보를 학습 및 추정하는 장치 및 방법{METHOD AND DEVICE TO LEARN AND ESTIMATE BATTERY STATE INFORMATION}
이하, 배터리의 상태 정보를 추정하는 장치 및 방법이 제공된다.
이차 전지인 배터리를 탑재한 기기를 사용하면 할 수록, 배터리 수명이 줄어들 수 있다. 배터리 수명이 줄어듦에 따라 초기 배터리 캐퍼시티(capacity)가 보장될 수 없고, 점차 감소하는 특성을 보일 수 있다. 캐퍼시티가 지속적으로 감소되면, 사용자가 원하는 파워, 운용 시간, 안정성을 제공하지 못하게 되므로, 배터리 교체가 필요할 수 있다.
휴대폰과 같은 소형 기기는 탑재된 배터리가 쉽게 교체될 수 있거나, 교체 시점을 사전에 알지 못하더라도 큰 불편이 없을 수 있다. 이와 달리, 전기 자동차는 배터리를 교체하기 위해 긴 시간 및 큰 비용이 소요될 수 있다. 따라서, 배터리를 교체하기 위한 시점을 결정하기 위해, 배터리의 수명 상태를 정확하게 판단하는 것이 중요할 수 있다.
일 실시예에 따르면 배터리 정보(battery information)를 수집하는 단계 상기 수집된 배터리 정보를 미리 정한 범위(predetermined range)의 구간 정보(interval information)로 분할하여 누적(accumulating)하는 단계; 상기 누적된 구간 정보 및 미리 결정된 학습 정보에 기초하여 상기 배터리의 상태 정보를 추정하는 단계를 포함하는 배터리의 상태 정보를 추정하는 방법이 제공될 수 있다.
배터리의 상태 정보를 추정하는 방법은 상기 배터리의 기준 정보에 기초하여 미리 결정된 학습 정보(learning information)를 저장하는 단계를 더 포함할 수 있다.
상기 미리 결정된 학습 정보를 저장하는 단계는, 샘플 배터리 정보를 미리 정한 범위로 분할한 샘플 구간 정보 및 상기 기준 정보에 기초하여 상기 학습 정보에 대응하는 파라미터를 생성하는 단계를 포함할 수 있다.
상기 학습 정보에 대응하는 파라미터를 생성하는 단계는, 상기 샘플 구간 정보 및 상기 기준 정보를 학습기(learner)에 입력하여 상기 파라미터를 학습하는 단계를 포함할 수 있다.
상기 배터리의 상태 정보를 추정하는 단계는, 상기 파라미터를 학습한 상기 학습기에 상기 누적된 구간 정보를 입력하여 상기 상태 정보를 추정하는 단계를 포함할 수 있다.
상기 배터리 정보를 수집하는 단계는, 상기 배터리의 전압 신호, 전류 신호 및 온도 신호 중 적어도 하나를 실시간으로 측정하는 단계를 포함할 수 있다.
상기 배터리 정보를 수집하는 단계는, 상기 배터리의 전류 신호로부터 상기 배터리가 충전 또는 방전 중인지 여부를 판단하는 단계를 포함할 수 있다.
배터리의 상태 정보를 추정하는 방법은 상기 누적된 구간 정보에 대응하는 입력 벡터(input vector)의 차원(dimension)이 감소하도록, 상기 입력 벡터를 변환하는 단계를 더 포함하고, 상기 배터리의 상태 정보를 추정하는 단계는, 상기 변환된 입력 벡터 및 상기 미리 결정된 학습 정보에 기초하여 상기 상태 정보를 추정하는 단계를 포함할 수 있다.
상기 미리 정한 범위는, 상기 배터리 정보로부터 분할되는 각 구간 정보에 대해 균일한 간격이 설정될 수 있다.
상기 미리 정한 범위는, 상기 배터리 정보 중 데이터 발생 확률이 높은 구간(interval) 또는 낮은 구간에 대해 좁은 간격이 설정될 수 있다.
다른 일 실시예에 따르면, 배터리 정보를 수집하는 단계; 상기 수집된 배터리 정보를 미리 정한 범위의 구간 정보로 구분하여 누적하는 단계; 및 상기 누적된 구간 정보 및 상기 배터리의 기준 정보에 기초하여, 상기 배터리의 상태 정보을 추정하기 위한 학습 정보(learning information)를 결정하는 단계를 포함하는 배터리의 상태 정보를 학습하는 방법이 제공될 수 있다.
상기 배터리 정보를 수집하는 단계는, 상기 배터리의 전압 신호, 전류 신호, 온도 신호 및 기준 정보 중 적어도 하나를 실시간으로 측정하는 단계를 더 포함할 수 있다
상기 배터리 정보를 수집하는 단계는, 미리 저장된 배터리 데이터로부터 샘플 배터리 정보를 수집하는 단계를 포함할 수 있다.
상기 학습 정보를 결정하는 단계는, 상기 누적된 구간 정보 및 상기 기준 정보를 데이터 학습기(data learner)에 입력하여 상기 학습 정보에 대응하는 파라미터를 학습하는 단계를 포함할 수 있다.
상기 학습기는, 뉴럴 네트워크(Neural Network), 히든 마르코프 모델(Hidden Markov Model), 베이지안 네트워크(Beyesian Network), SVM (Support Vector Machine), 및 DT (Decision Tree) 중 하나를 포함할 수 있다.
상기 배터리 정보를 수집하는 단계는, 상기 배터리의 전류 신호로부터 상기 배터리가 충전 또는 방전 중인지 여부를 판단하는 단계를 포함할 수 있다.
상기 수집된 배터리 정보를 미리 정한 범위의 구간 정보로 구분하여 누적하는 단계는, 상기 누적된 구간 정보에 대응하는 입력 벡터(input vector)의 차원(dimension)이 감소하도록, 상기 입력 벡터를 변환하는 단계를 포함하고, 상기 학습 정보(learning information)를 결정하는 단계는, 상기 변환된 입력 벡터 및 상기 배터리의 기준 정보에 기초하여 상기 학습 정보에 대응하는 파라미터를 학습하는 단계를 포함할 수 있다.
또 다른 일 실시예에 따르면 배터리 정보를 수집하는 수집부(collector); 상기 수집된 배터리 정보를 미리 정한 범위의 구간 정보로 분할하여 누적(accumulating)하는 누적부(accumulator); 및 상기 누적된 구간 정보 및 미리 결정된 학습 정보에 기초하여 상기 배터리의 상태 정보를 추정하는 추정부(estimator)를 포함하는 배터리의 상태 정보를 추정하는 장치가 제공될 수 있다.
배터리의 상태 정보를 추정하는 장치는 상기 추정부는, 상기 미리 결정된 학습 정보에 대응하는 파라미터를 이용하여, 상기 누적된 구간 정보로부터 상기 상태 정보를 출력하는 학습기를 더 포함할 수 있다.
배터리의 상태 정보를 추정하는 장치는 상기 추정된 상태 정보를 외부 기기에 전송하는 인터페이스부를 더 포함할 수 있다.
도 1은 배터리의 충전 및 방전 사이클을 도시한 도면이다.
도 2는 배터리의 사용 사이클의 증가에 의한 배터리 수명의 감소를 도시한 도면이다.
도 3은 배터리가 사용되는 온도에 따른 배터리 수명의 감소를 도시한 도면이다.
도 4는 방전율(C-rate, Current rate)에 따른 배터리 수명의 감소를 도시한 도면이다.
도 5는 배터리의 충전 및 방전에 따른 전압 및 전류의 패턴을 도시한 도면이다.
도 6 내지 도 8은 배터리의 전압 구간 별 사용에 따른 배터리 수명의 감소를 도시한 도면이다.
도 9는 일 실시예에 따라 배터리로부터 수집된 배터리 정보를 도시한 도면이다.
도 10은 일 실시예에 따라 배터리 정보를 분할한 구간 정보를 누적하여 도시한 도면이다.
도 11 내지 도 14는 일 실시예에 따라 미리 정한 범위로 분할되는 배터리 정보를 도시한 도면이다.
도 15는 일 실시예에 따른 배터리의 상태 정보를 추정 및 학습하는 장치를 도시한 블럭도이다.
도 16은 일 실시예에 따른 배터리의 상태 정보를 학습하는 장치를 도시한 블럭도이다.
도 17은 일 실시예에 따른 배터리의 상태 정보를 추정하는 장치를 도시한 블럭도이다.
도 18 및 도 19는 일 실시예에 따라 변환부를 더 포함하는 배터리의 상태 정보를 학습하는 장치 및 배터리의 상태 정보를 추정하는 장치를 도시한 블럭도이다.
도 20은 일 실시예에 따라 배터리의 상태 정보를 학습하는 방법을 도시한 흐름도이다.
도 21은 일 실시예에 따라 배터리의 상태 정보를 추정하는 방법을 도시한 흐름도이다.
도 22 및 도 23은 일 실시예에 따라 입력 벡터를 변환하는 과정을 도시한 흐름도이다.
도 24는 일 실시예에 따른 입력 벡터의 예시를 도시한 도면이다.
도 25는 일 실시예에 따라 추정된 배터리의 커패시턴스 값을 측정된 값과 비교한 도면이다.
도 26은 일 실시예에 따라 변환된 입력 벡터를 도시한 도면이다.
도 1은 배터리의 충전 및 방전 사이클을 도시한 도면이다.
도 1에서, 배터리가 최대로 충전된 시점(111, 112)을 완전 충전으로 나타낼 수 있고, 배터리가 최대로 방전된 시점(121)을 완전 방전으로 나타낼 수 있다.
여기서, 배터리의 충전 및 방전과 관련된 하나의 사이클은 배터리가 완전히 충전된 후, 충전된 전력을 모두 방전하고 다시 충전되는 것을 나타낼 수 있다. 예를 들어, 도 1에서는 완전 충전된 두 시점(111, 112) 사이의 구간(130)이 하나의 사이클이 될 수 있다.
도 2는 배터리의 사용 사이클의 증가에 의한 배터리 수명의 감소를 도시한 도면이다.
도 2는 배터리가 충전 및 방전되는 사이클 수가 증가할수록 배터리 수명이 감소하는 것을 도시한다. 여기서, 배터리 수명은 배터리가 어플리케이션에 정상적으로 전력 등을 공급할 수 있는 기간으로 나타낼 수 있다. 예를 들어, 배터리의 캐퍼시티(capacity)(210)에 대응할 수 있다. 여기서, 캐퍼시티(210)는 배터리에 저장될 수 있는 최대 전하량을 나타낼 수 있다. 이 때, 배터리의 캐퍼시티(210)가 임계값(220) 이하로 감소되면 배터리가 어플리케이션에서 요구하는 전력 요건 등을 만족하지 못하게 되어, 배터리의 교체가 필요할 수 있다. 이와 같이, 배터리 수명은 배터리의 사용 시간 내지 사용 사이클과 관련성이 높을 수 있다.
도 3은 배터리가 사용되는 온도에 따른 배터리 수명의 감소를 도시한 도면이다.
도 3은 배터리를 동일한 조건에서 충전 및 방전시킬 때, 서로 다른 온도에 따른 배터리 수명의 저하 정도를 나타낼 수 있다. 도 3에 도시된 바와 같이, 일반적으로 고온에서 동작시킨 배터리의 수명이 더 급격하게 줄어들 수 있다. 예를 들어, 25도보다 55도인 경우에, 사용 사이클 수가 증가할 수록 배터리 수명(예를 들면, SOH, State-Of-Health)이 보다 급격히 감소할 수 있다.
이하 본 명세서에서, 배터리 수명은 배터리의 현재 캐퍼시턴스 값, 내부 저항값 및 SOH 등에 대응할 수 있다. 여기서, SOH는
Figure pat00001
로 정의될 수 있다.
도 4는 방전율(C-rate, Current rate)에 따른 배터리 수명의 감소를 도시한 도면이다.
여기서, C-rate는 전지의 충전 및 방전시 다양한 사용 조건 하에서의 전류값 설정 및 전지의 가능 사용시간을 예측하거나 표기하기 위한 단위를 나타낼 수 있다. 예를 들어, C-rate의 단위는 C로 나타낼 수 있고, C-rate= (충전 및 방전 전류)/(배터리 용량)으로 정의할 수 있다.
도 4는 배터리의 방전 C-rate을 다양하게 설정하여 수명 테스트를 실시한 결과를 도시한 도면이다. 도 4에 도시된 바와 같이, 일반적으로 C-rate가 높을 수록 배터리 수명이 급격히 줄어들 수 있다. 이러한 C-rate는 전압의 변화와 함께 센싱될 수 있다.
도 5는 배터리의 충전 및 방전에 따른 전압 및 전류의 패턴을 도시한 도면이다.
배터리에서는 충전과 방전에 따라 전압 또는 전류 패턴이 서로 상이하게 나타날 수 있다. 예를 들어, 충전인가 방전인가에 따라 동일한 전압 값 및 전류 값이 배터리 수명에 미치는 영향이 다르게 해석될 수 있다.
예를 들어, 도 5에서는 충전에 따른 전압 패턴(510) 및 방전에 따른 전압 패턴(520)이 도시될 수 있다. 도 5에 도시된 바와 같이, 동일한 SoC (State-of-Charge)에서, 배터리가 충전 또는 방전 상태인지 여부에 따라 전압 값이 다르게 센싱될 수 있다.
도 6 내지 도 8은 배터리의 전압 구간 별 사용에 따른 배터리 수명의 감소를 도시한 도면이다.
예를 들면, 도 6에서는 배터리의 전압이 50% 내지 75%인 경우의 배터리 수명(610), 배터리의 전압이 25% 내지 50%인 경우의 배터리 수명(620), 배터리의 전압이 0% 내지 25%인 경우의 배터리 수명(630), 및 배터리의 전압이 75% 내지 100%인 경우의 배터리 수명(640)이 도시될 수 있다. 이와 같이, 배터리의 전압 구간에 따라 수명 감소 효과가 달라질 수 있다.
도 7은 완전 충전 상태에서의 사용에 따른 에너지 저장 레벨(710) 및 80% 충전 상태에서의 에너지 저장 레벨(720)을 도시한 것으로서, 배터리를 완전 충전 상태에서 사용하는 것 보다 중간 정도로 충전한 상태에서 사용하는 것이 배터리 수명 감소 효과가 적게 나타날 수 있다.
도 8은 컷오프 전압(cut-off voltage) 전압의 차이에 따른 수명의 차이를 나타낼 수 있다. 여기서 컷오프 전압은 충전이 종료된 때 또는 방전이 종료되는 때의 전압을 나타낼 수 있다. 도 8에 도시된 바와 같이, 컷오프 전압을 조절한 경우의 방전 용량(Discharge Capacity)(820)이 조절하지 않은 경우의 방전 용량(810)보다 감소되는 정도가 작을 수 있다.
일반적으로 이차 전지의 배터리 수명을 얻기 위해서는 배터리의 내부 저항을 측정하거나, 캐퍼시티의 용량 변화를 측정해야 할 수 있다.
내부 저항을 측정하는 대표적인 기술로는 EIS (Electrochemical Impedance Spectroscopy)가 있을 수 있다. EIS는 배터리에 소량의 전류를 인가하여 배터리의 내부 저항을 추정할 수 있다. 다만, EIS로 전기 자동차의 배터리 상태를 추정하기 위해서는, 전기 자동차가 충전소로 이동되어야 할 수 있다.
이 경우, 전기 자동차의 이동을 위해 배터리를 사용하면, 배터리 내부 물질들이 불안정한 상태가 되므로, 상태 측정시 정확도가 낮아질 수 있다. 따라서, 전기 자동차의 이동 이후, 배터리가 안정적인 상태가 될 때까지 휴지 상태로 긴 시간을 대기해야 할 수 있다.
전기 자동차의 경우 배터리의 상태, 그 중에서 배터리 수명(예를 들면, SOH)를 정확하게 추정하는 것이 중요할 수 있다. 특히, 배터리가 전기 자동차에서 차지하는 비중이 가장 크기 때문에, 배터리의 SOH를 정확히 추정할 필요가 있다. 전기 자동차에서 배터리의 상태 정보(예를 들어, 배터리 수명)를 정확하게 파악하는 것은 신차뿐 만 아니라 중고 자동차에서, 전기 자동차의 가치를 판단하는데 중요한 요인이 될 수 있다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
일 실시예에 따르면, 전기 자동차의 에너지원인 배터리의 상태(예를 들면, SOH)를 정확하게 추정할 수 있다. SOH에 대한 보다 정확한 추정을 통해 전기 자동차 운전자들에게 전기 자동차의 정확한 상태 정보를 제공함으로써, 가솔린 자동차 대비 전기 자동차에 대한 거부감을 완화할 수 있다. 또한, 일 실시예에 따른 배터리의 상태 정보를 학습 및 추정하는 장치는 경량화되어 BMS (Battery Management System)에 장착될 수 있다. 더 나아가, 배터리의 상태 정보를 학습 및 추정하는 장치는 배터리 상태를 추정하는데 소요되는 시간을 단축시킬 수 있다. 배터리의 상태 정보를 학습 및 추정하는 장치는 전기 자동차 외에도, 배터리를 사용하는 모든 어플리케이션에 적용될 수 있다.
도 9는 일 실시예에 따라 배터리로부터 수집된 배터리 정보를 도시한 도면이다. 도 10은 일 실시예에 따라 배터리 정보를 분할한 구간 정보를 누적하여 도시한 도면이다.
이하, 본 명세서에서 배터리 정보는 배터리로부터 수집될 수 있는 모든 정보로서, 예를 들어, 배터리로부터 측정되는 전압 신호, 전류 신호 및 온도 신호 등을 포함할 수 있다.
이하, 본 명세서에서 배터리의 상태 정보는 배터리의 예상 수명을 예로 들어 설명하고 있으나, 이로 한정하는 것은 아니고 배터리의 다른 상태 정보에 대해서도 적용될 수 있다.
일 실시예에 따르면 배터리를 사용할 수록 배터리 수명이 감소하는 바, 감소된 현재의 배터리 수명은 과거 배터리의 사용 이력과 관련성이 높을 수 있다. 예를 들면, 배터리의 상태 정보를 학습하는 장치는, 전압, 전류, 및 온도의 미리 정한 범위(예를 들면, 도 9의 구분선)에 대응하는 각 구간에서, 배터리가 사용된 시간을 누적(예를 들면, 도 10의 입력 벡터의 각 원소)할 수 있다. 각 구간에 누적된 구간 정보에 대응하는 배터리의 상태 정보(예를 들면, SOH)을 학습기에 대한 학습 정보로 활용함으로써, 배터리의 상태 정보를 학습하는 장치는 사용 이력에 대응하는 배터리의 상태 정보(예를 들면, SOH)을 획득할 수 있다.
여기서, 학습 정보는 학습기가 배터리의 사용 이력으로부터 학습한 정보일 수 있다. 예를 들어, 학습기는 블랙박스 함수(black-box function)를 포함할 수 있고, 블랙박스 함수에 대한 입력과 출력이 주어지면, 학습기는 해당 입력에 대응하는 출력을 생성하기 위한, 블랙박스 함수의 파라미터를 학습할 수 있다. 예를 들어, 학습 정보는 학습기의 종류 및 파라미터 등을 포함할 수 있다.
도 9는 수집된 배터리 정보로서, 배터리의 전압 신호, 전류 신호 및 온도 신호를 시간 축 상에 도시할 수 있다. 도 10은 수집된 배터리의 전압 신호, 전류 신호 및 온도 신호를 도 9에 도시된 미리 정한 범위에 따라 분할된 구간 정보를 누적한 것을 도시한 것으로서, 누적된 구간 정보는 입력 벡터(input vector)의 형태로 나타낼 수 있다. 도 9에 도시된 점선은 배터리 정보를 분할하기 위해 미리 정한 범위를 나타낼 수 있다.
여기서, 입력 벡터는 배터리 정보를 분할한 구간 정보가 누적된 데이터의 집합을 나타낼 수 있다. 구간 정보는 배터리 정보를 미리 정한 범위에 따라 분할한 정보로서, 특정 구간에 해당하는 배터리 정보를 나타낼 수 있다. 또한, 구간 정보는 특정 구간에서 배터리가 동작한 시간 정보를 포함할 수 있다.
예를 들어, 제1 지점(1st point), 제2 지점 및 제3 지점(예를 들면, 지점은 시점 내지 타임 윈도우를 나타낼 수 있음)에서 도 9의 특정 구간(910)에 대응하는 전압 신호(예를 들면, 구간 정보)가 측정될 때마다, 도 10의 입력 벡터에서 특정 구간(910)에 대응하는 원소(1010)에 전압 신호가 측정된 시간을 누적할 수 있다. 본 명세서에서는 입력 벡터의 원소에 특정 구간에 대응하는 배터리 정보(예를 들어, 구간 정보)가 측정된 시간을 합산하는 것을, 구간 정보를 누적한다고 나타낼 수 있다.
도 10에서는 입력 벡터에서 전압 신호에 대응하여 누적된 구분 정보, 전류 신호에 대응하여 누적된 구분 정보, 및 온도 신호에 대응하여 누적된 구분 정보가 각각 3개의 원소로만 설명의 편의상 도시되었으나, 이로 한정하는 것은 아니고 각각의 구분 정보는 미리 정한 범위의 구간 갯수에 따라 구별되어 누적될 수 있다.
도 11 내지 도 14는 일 실시예에 따라 미리 정한 범위로 분할되는 배터리 정보를 도시한 도면이다.
도 11 및 도 12는 미리 정한 범위가 배터리 정보로부터 분할되는 각 구간 정보에 대해 균일한 간격이 설정된 것을 도시한 도면이다. 도 13 및 도 14는 미리 정한 범위가 배터리 정보로부터 분할되는 각 구간 정보에 대해 균일하지 않은 간격이 설정된 것을 도시한 도면이다. 도 11 내지 도 14에서 점선은 배터리 정보를 분할하기 위해 미리 정한 범위를 나타낼 수 있다.
여기서, 미리 정한 범위는, 배터리 정보를 구분하기 위한 간격들을 미리 설정한 범위를 나타낼 수 있다.
도 11 및 도 13은 시간에 따른 배터리의 전압 변화를 도시한 그래프이다. 도 12 및 도 14는 배터리의 충전 및 방전에 있어서, 배터리에 저장된 전하량에 따른 전압 변화를 도시한 그래프이다.
예를 들어, 도 13에서는 미리 정한 범위에 대해 수집된 배터리 정보의 중앙 부분의 간격이 상대적으로 좁게 설정될 수 있다. 여기서, 배터리 정보는 측정된 전압 신호, 전류 신호, 및 온도 신호를 포함할 수 있다.
또한, 일반적으로 이차 전지가 안정적으로 동작하는 전압 신호의 구간은 3.5V 내지 3.7V의 구간으로, 4.2V 또는 2.5V에서 배터리를 사용할 경우에는 전압이 급격하게 감소될 수 있다. 따라서, 센서의 해상도(Resolution)을 고려하여 중앙 구간의 간격은 좁게 하고, 경계 주변의 간격을 넓게 설정할 수 있다.
예를 들어, 도 14에서는 미리 정한 범위에 대해 배터리 정보 중 데이터 발생 확률이 높은 구간(interval)에 대해 좁은 간격이 설정될 수 있다. 도 14에서는 배터리 충전량 대비 전압이 급격하게 변화하는 구간을 데이터 발생 확률이 낮은 구간으로 고려하여 상대적으로 넓은 간격이 설정될 수 있다.
다만 이로 한정하는 것은 아니고, 예를 들어 데이터 발생 확률이 낮은 구간에 대해 좁은 간격, 데이터 발생 확률이 높은 구간에 대해 넓은 간격이 설정될 수 있다.
도 15는 일 실시예에 따른 배터리의 상태 정보를 추정 및 학습하는 장치를 도시한 블럭도이다.
배터리의 상태 정보를 추정 및 학습하는 장치(1500)는 수집부(collector)(1510), 누적부(accumulator)(1520), 구간 정보 저장부(interval information storage)(1521), 및 추정부(estimator)(1530)를 포함할 수 있다.
수집부(1510)는 배터리 정보를 수집할 수 있다. 여기서, 수집부(1510)는 측정부(1511), 구간 분할부(1512) 및 충방전 센서(1513)를 포함할 수 있다.
측정부(1511)는 배터리로부터 센서를 통해 배터리 정보를 측정하거나, 미리 저장된 배터리 데이터로부터 샘플 배터리 정보를 수집할 수 있다. 여기서 센서는 전압 신호, 전류 신호, 및 온도 신호를 배터리 정보로서 측정할 수 있고, 배터리와 관련된 모든 정보를 배터리 정보로서 획득할 수 있다.
구간 분할부(1512)는 수집된 배터리 정보를 미리 정한 범위의 구간 정보로 분할할 수 있다. 여기서 구간 정보는 배터리 정보를 미리 정한 범위에 따라 분할한 정보로서, 특정 구간에 해당하는 배터리 정보를 나타낼 수 있고 특정 구간에서 배터리가 동작한 시간 정보를 포함할 수 있다.
충방전 센서(1513)는 수집된 배터리 정보로부터, 배터리가 충전 중인지 또는 방전 중인지 여부를 판단할 수 있다.
누적부(1520)는 배터리 정보가 분할된 구간 정보를 누적할 수 있다. 누적된 구간 정보는 입력 벡터의 형태로 추정부(1530)에 전달될 수 있다.
구간 정보 저장부(1521)는 누적부(1520)에서 누적한 구간 정보를 저장할 수 있다.
추정부(1530)는 누적된 구간 정보 및 미리 결정된 학습 정보에 기초하여 배터리의 상태 정보를 추정할 수 있다. 여기서, 추정부(1530)는 학습기(1531) 및 파라미터 저장부(1532)를 포함할 수 있다. 학습 정보는 학습기에 의해 결정된 파라미터를 포함할 수 있다.
배터리의 상태 정보는 배터리의 상태를 나타내는 정보로서, 예를 들어 배터리의 예상 수명(SoH), SoC(State of Charge), 및 잔여 주행거리 등을 포함할 수 있다. 예를 들어, 예상 수명은 추정부(1530)에 의해 간접적으로 추정된 배터리 수명을 나타낼 수 있다. 기준 정보는 배터리의 상태를 추정 및 학습하기 위한 기준이 되는 상태 정보로서, 예를 들어, 실제 수명 및 미리 저장된 배터리 데이터로부터 추출된 배터리 수명을 포함할 수 있다. 예를 들어, 실제 수명은 EIS 기법 등에 의해 배터리로부터 직접적으로 측정된 배터리 수명을 나타낼 수 있다.
학습기(1531)는 누적된 구간 정보를 입력으로 수신하고, 미리 결정된 학습 정보에 대응하는 파라미터를 이용하여 상태 정보를 출력할 수 있다.
파라미터 저장부(1532)는 누적된 구간 정보 및 배터리의 기준 정보에 기초하여, 배터리의 상태 정보를 추정하기 위해 학습기(1531)에 의해 결정된 학습 정보(learning information)를 저장할 수 있다. 여기서, 배터리의 기준 정보는 실제 수명(예를 들어, 배터리로부터 직접 측정된 SOH) 또는 미리 저장된 배터리 데이터로부터 추출된 SOH를 포함할 수 있다.
또한 배터리의 상태 정보를 추정 및 학습하는 장치(1500)는 배터리의 상태 정보를 추정하는 장치, 또는 배터리의 상태 정보를 학습하는 장치로서 동작할 수 있다. 예를 들면, 하기 도 16 및 도 17과 같이 배터리의 상태 정보를 학습하는 장치(1600) 및 배터리의 상태 정보를 추정하는 장치(1700)는 독립적으로 구성될 수 있다.
도 16은 일 실시예에 따른 배터리의 상태 정보를 학습하는 장치(1600)를 도시한 블럭도이다.
도 16에 도시된 배터리의 상태 정보를 학습하는 장치는 미리 저장된 배터리 데이터(1601)를 활용하거나, 배터리(1602)로부터 배터리 정보를 센서(1603)를 통해 측정할 수 있다.
구간 분할부(1612)는 수집된 배터리의 전압 신호, 전류 신호, 및 온도 신호 등의 배터리 정보를 수신할 수 있다. 구간 분할부(1612)는 수신된 배터리 정보를 미리 정한 범위로 분할하여, 배터리 정보의 특정 구간에서 배터리가 사용된 시간 정보를 포함하는 구간 정보를 생성할 수 있다. 여기서, 구간 분할부(1612)는 전류 신호, 전압 신호, 및 온도 신호를 미리 정한 범위에 대응하는 구간 정보로 분할하는 바, 각 구간의 간격이 균일하게(uniform) 설정되거나, 비균일(non-uniform)하게 설정될 수 있다.
누적부(1620)는 구간 분할부(1612)로부터 구간 정보를 수신하여, 미리 정한 범위의 각 구간에 대한 구간 정보를 누적할 수 있다. 누적된 구간 정보는 구간 정보 저장부(1621)에 저장될 수 있다.
충방전 센서(1613)는 측정된 배터리의 전류 신호값을 이용하여 배터리의 상태가 충전 또는 방전 중인지를 감지할 수 있다.
학습기(1631)는 누적된 구간 정보를 입력 벡터의 형태로 수신하고, 입력 벡터에 대응하는 SOH를 획득할 수 있다. 또한 학습기(1631)는 입력 벡터 및 SOH로부터 학습 모델에 대응하는 파라미터를 결정할 수 있다. 학습기(1631)에 의해 결정된 파라미터는 파라미터 저장부(1632)에 저장될 수 있다.
여기서, 학습기(1631)는 배터리의 상태 정보를 추정하기 위해 활용하는 기계학습 모듈로서, 뉴럴 네트워크(Neural Network), 히든 마르코프 모델(Hidden Markov Model), 베이지안 네트워크(Beyesian Network), SVM (Support Vector Machine), 및 DT (Decision Tree) 등을 포함할 수 있다.
도 17은 일 실시예에 따른 배터리의 상태 정보를 추정하는 장치(1700)를 도시한 블럭도이다.
도 17에 도시된 배터리의 상태 정보를 추정하는 장치(1700)는 도 16에 도시된 배터리의 상태 정보를 학습하는 장치(1600)와 유사하게 구성될 수 있다. 예를 들어, 배터리의 상태 정보를 추정하는 장치(1700)는 전기 자동차에 장착되는 BMS (Battery Management System)에 포함되도록 구성될 수 있다.
다만, 배터리의 상태 정보를 추정하는 장치(1700)는 도 16에 도시된 배터리의 상태 정보를 학습하는 장치(1600)와 달리 미리 저장된 배터리 데이터 없이, 실시간으로 수집한 배터리 정보를 센서(1703)를 통해 획득할 수 있다. 이 때, 충방전 센서(1713)는 배터리가 충전 중인지 또는 방전 중인지를 판단할 수 있다.
배터리의 상태 정보를 추정하는 장치(1700)는 구간 분할부(1712)를 통해 배터리 정보를 도 16의 구간 분할부(1612)와 동일하게 미리 정한 범위의 구간 정보로 분할할 수 있다. 누적부(1720)는 분할된 구간 정보를 누적함으로써 배터리(1702)의 구간별 사용 이력을 구간 정보 저장부(1721)에 저장할 수 있다. 파라미터 저장부(1732)는 도 16에 도시된 파라미터 저장부(1632)에 저장된 파라미터와 동일한 파라미터를 저장할 수 있다. 배터리의 상태 정보를 추정하는 장치(1700)는 학습기(1731)를 통해, 누적된 구간 정보에 대응하는 입력 벡터 및 미리 결정된 학습 정보에 기초하여 배터리의 상태 정보(예를 들면, SOH)을 추정할 수 있다.
또한, 인터페이스부(1740)는 추정된 상태 정보를 외부 기기에 전송할 수 있다. 여기서 외부 기기는 전기 자동차의 계기판 등을 포함할 수 있다.
도 18 및 도 19는 일 실시예에 따라 변환부를 더 포함하는 배터리의 상태 정보를 학습하는 장치(1800) 및 배터리의 상태 정보를 추정하는 장치(1900)를 도시한 블럭도이다.
도 18 및 도 19에 도시된 배터리 데이터(1801), 배터리(1802, 1902), 센서(1803, 1903), 구간 분할부(1812, 1912), 충방전 센서(1813, 1913), 누적부(1820, 1920), 구간 정보 저장부(1821, 1921), 학습기(1831, 1931), 파라미터 저장부(1832, 1932) 및 인터페이스(1940)는 상술한 도 16 및 도 17에 도시된 것과 유사할 수 있다.
도 18 및 도 19에 도시된 배터리의 상태 정보를 학습하는 장치(1800) 및 배터리의 상태 정보를 추정하는 장치(1900)는 변환부(1822, 1922)를 더 포함할 수 있다.
변환부(1822, 1922)는 누적된 구간 정보에 대응하는 입력 벡터의 차원이 감소하도록 입력 벡터를 변환할 수 있다. 입력 벡터의 차원이 감소함으로써, 배터리의 상태 정보를 학습하는 장치(1800)의 학습 시간이 감소할 수 있다. 예를 들면, 변환부(1822, 1922)는 PCA (Principal Component Analysis) 등의 기법을 적용하여, 입력 벡터의 차원이 감소함으로써 발생하는 정보의 손실을 최소화할 수 있다. 배터리의 상태 정보를 추정하는 장치(1900)는 배터리의 상태 정보를 학습하는 장치(1800)에 의해 결정된 학습 정보를 이용할 수 있다.
도 20은 일 실시예에 따라 배터리의 상태 정보를 학습하는 방법을 도시한 흐름도이다.
우선, 단계(2010)에서 수집부는 배터리 정보를 수집할 수 있다. 여기서 수집부는 배터리의 전압 신호, 전류 신호, 온도 신호 및 기준 정보 중 적어도 하나를 실시간으로 측정할 수 있다. 또한, 수집부는 미리 저장된 배터리 데이터로부터 샘플 배터리 정보를 수집할 수 있다. 여기서, 샘플 배터리 정보는 미리 저장된 데이터의 일부 정보로서, 종래 자동차의 주행 정보를 시뮬레이션한 데이터에 대응할 수 있다. 예를 들어, 종래 자동차의 주행 정보는 UDDS (Urban Dynamometer Driving Schedule) 프로파일을 포함할 수 있다.
또한, 수집부는 배터리의 전류 신호로부터 배터리가 충전 또는 방전 중인지 여부를 판단할 수 있다.
그리고 단계(2020)에서 구간 분할부는 배터리 정보에서 구간 정보를 구분할 수 있다. 예를 들어, 구간 분할부는 배터리 정보를 미리 정한 범위에 따라 분할할 수 있다. 구간 분할부는 배터리 정보 중 미리 정한 범위의 특정 구간을 구간 정보로 분할할 수 있고, 여기서 구간 정보는 배터리가 특정 구간에서 동작한 시간을 포함할 수 있다. 또한, 구간 분할부는 샘플 배터리 정보를 미리 정한 범위에 따라 샘플 구간 정보로 분할할 수 있다. 샘플 구간 정보는 샘플 배터리 정보의 특정 구간에 대응하는 정보 및 해당 특정 구간에서 배터리가 동작한 시간을 포함할 수 있다.
이어서 단계(2030)에서 누적부는 구간 정보를 누적할 수 있다. 예를 들어, 누적부는 배터리가 구간 정보에 대응하는 특정 구간에서 동작한 시간을, 입력 벡터 중 특정 구간에 대응하는 원소에 합산할 수 있다.
그리고 단계(2040)에서 학습기는 배터리의 상태 정보를 추정하기 위한 학습 정보를 결정할 수 있다.
예를 들어, 단계(2041)에서 학습기에 누적된 구간 정보 및 배터리의 상태 정보가 입력될 수 있다. 여기서, 학습기에는 배터리의 기준 정보가 입력될 수 있다.
이어서 단계(2042)에서 학습기는 누적된 구간 정보 및 배터리의 상태 정보에 기초하여 최적의 파라미터를 학습할 수 있다. 예를 들어, 학습기는 누적된 구간 정보에 대응하는 입력 벡터 및 배터리의 상태 정보에 기초하여 학습기에 사용된 학습 모델에 최적화된 파라미터를 학습할 수 있다. 예를 들어, 학습기는, 뉴럴 네트워크(Neural Network), 히든 마르코프 모델(Hidden Markov Model), 베이지안 네트워크(Beyesian Network), SVM (Support Vector Machine), 및 DT (Decision Tree) 중 하나를 포함할 수 있다.
그리고 단계(2043)에서 파라미터 저장부는 결정된 파라미터를 저장할 수 있다. 파라미터 저장부에 저장된 파라미터는 배터리의 상태 정보를 추정할 때 사용될 수 있다.
도 21은 일 실시예에 따라 배터리의 상태 정보를 추정하는 방법을 도시한 흐름도이다.
우선, 단계(2110)에서는 수집부는 배터리 정보를 수집할 수 있다. 수집부는 배터리의 전압 신호, 전류 신호 및 온도 신호 중 적어도 하나를 실시간으로 측정할 수 있다. 또한, 수집부는 배터리의 전류 신호로부터 배터리가 충전 또는 방전 중인지 여부를 판단할 수 있다.
그리고 단계(2120)에서 구간 분할부는 배터리 정보에서 구간 정보를 구분할 수 있다. 예를 들어, 구간 분할부는 배터리 정보를 미리 정한 범위에 따른 구간 정보로 분할할 수 있다. 여기서, 미리 정한 범위는, 배터리 정보로부터 분할되는 각 구간 정보에 대해 균일한 간격으로 설정될 수 있다. 또한, 미리 정한 범위는 배터리 정보 중 데이터 발생 확률이 높은 구간(interval)에 대해 좁은 간격이 설정될 수 있다. 다만, 이로 한정하는 것은 아니고, 예를 들어 미리 정한 범위는 배터리 정보 중 데이터 발생 확률이 낮은 구간에 대해 좁은 간격이 설정될 수 있다.
이어서 단계(2130)에서 누적부는 구간 정보를 누적할 수 있다. 예를 들어, 누적부는 배터리가 구간 정보에 대응하는 특정 구간에서 동작한 시간을, 입력 벡터 중 특정 구간에 대응하는 원소에 합산할 수 있다. 예를 들어, 누적부는 타이머를 이용하여 해당 구간의 누적 사용 이력을 추가할 수 있다. 더 나아가, 누적부는 배터리가 충전 중일 때의 구간 정보 및 배터리가 방전 중일 때의 구간 정보를 구분하여 독립적으로 누적할 수도 있다.
그리고 단계(2140)에서 추정부는 배터리의 상태 정보를 추정할 수 있다.
예를 들어, 단계(2141)에서 학습기는 누적된 구간 정보를 입력받을 수 있다.
그리고 단계(2142)에서 학습기는 누적된 구간 정보 및 미리 저장된 파라미터에 기초하여 배터리의 상태 정보를 추정할 수 있다. 배터리의 상태 정보를 추정하는 장치는 파라미터가 학습된 학습기에 누적된 구간 정보를 입력하여 상태 정보를 추정할 수 있다. 여기서 상태 정보는 배터리의 상태와 관련된 정보로서, 예를 들어 배터리 수명 등의 정보를 포함할 수 있다. 배터리 수명은 현재 SOH(State Of Health) 또는, 잔여수명(Remaining Useful Life)을 나타낼 수 있다.
예를 들어, 파라미터 저장부는 학습기에 제공하기 위해, 배터리의 기준 정보에 기초하여 미리 결정된 학습 정보(learning information)를 저장할 수 있다. 예를 들면, 학습기는 샘플 배터리 정보를 미리 정한 범위로 분할한 샘플 구간 정보 및 기준 정보에 기초하여 학습 정보에 대응하는 파라미터를 생성할 수 있다. 샘플 구간 정보 및 기준 정보를 학습기(learner)에 입력하여 파라미터를 학습할 수 있다.
이어서 단계(2150)에서 인터페이스부는 추정된 배터리의 상태 정보를 외부 기기에 전송할 수 있다. 여기서 외부 기기는 전기 자동차의 계기판 등을 포함할 수 있다. 또한, 산출된 배터리의 상태 정보는 차량 내 통신 인터페이스를 통해 사용자 혹은 다른 시스템으로 전달 가능할 수 있다. 예를 들어 인터페이스부는 유선 또는 무선 통신을 통해 추정된 배터리의 상태 정보를 외부 기기로 전송할 수 있다.
도 22 및 도 23은 일 실시예에 따라 입력 벡터를 변환하는 과정을 도시한 흐름도이다.
단계들(2231, 2331)에서 변환부는 입력 벡터를 변환할 수 있다. 예를 들어, 변환부는 누적된 구간 정보에 대응하는 입력 벡터의 차원이 감소하도록 입력 벡터를 변환할 수 있다. 변환부는 PCA (Principal Component Analysis) 등의 기법을 적용하여, 입력 벡터의 차원이 감소함으로써 발생하는 정보의 손실을 최소화할 수 있다. 입력 벡터는 하기 도 24에서 상세히 설명한다.
도 24는 일 실시예에 따른 입력 벡터의 예시를 도시한 도면이다.
입력 벡터는 배터리 정보 중 적어도 하나를 나타낼 수 있다. 도 24에 도시된 입력 벡터는 전압 신호의 구간 정보, 전류 신호의 구간 정보 및 온도 신호의 구간 정보를 원소로서 포함할 수 있다. 전압 신호의 구간 정보는 전압 구간 정보(2401), 전류 신호의 구간 정보는 전류 구간 정보(2402), 온도 신호의 구간 정보는 온도 구간 정보(2403)로 나타낼 수 있다.
여기서, 입력 벡터는 미리 정한 범위의 각 구간에 대해 누적된 구간 정보들의 벡터 형태들로 된 집합을 나타낼 수 있다. 예를 들어, 입력 벡터는 [제1 전압 구간 정보, ... 제n 전압 구간 정보, 제1 전류 구간 정보, ... 제m 전류 구간 정보, 제1 온도 구간 정보, ... 제l 구간 정보]와 같이 나타낼 수 있다. (여기서, n, m, l은 각각 1 이상의 정수일 수 있다.)
상술한 전압 구간 정보(2401), 전류 구간 정보(2402), 온도 구간 정보(2403)는 각각의 구간에 대응하는 전압 신호값, 전류 신호값 및 온도 신호값이 측정된 시간이 누적된 구간 정보일 수 있다.
도 24에서는 예를 들어, 전압 신호, 전류 신호 및 온도 신호에 대해 각각 100개의 균일한 구간으로 분할된 구간 정보에 대응하는 입력 벡터를 도시할 수 있다. 도 24에서 전압 신호는 2.6V 내지 4.3V, 전류 신호는 -10A 내지 1.6A, 온도 신호는 19도 내지 28도로 가정될 수 있다. 도 24에서 사용된 전압 신호, 전류 신호 및 온도 신호 등의 배터리 정보는 기 저장된 배터리 데이터(예를 들어, UDDS 프로파일이 적용된 완전 충방전 데이터)로부터 수집될 수 있다.
도 25는 일 실시예에 따라 배터리의 커패시턴스가 추정된 값(2502)을 측정된 값(2501)과 비교한 도면이다.
일 실시예에 따라, 구간 별로 배터리 정보가 학습된 학습기를 이용하여 배터리의 커패시턴스에 대해 추정된 값(2502)은 실제로 측정된 값(2501)과 유사하게 나타날 수 있다.
도 26은 일 실시예에 따라 변환된 입력 벡터를 도시한 도면이다.
도 26은 도 22 및 도 23에 도시된 바와 같이, 입력 벡터의 차원이 감소되도록, 변환된 입력 벡터를 도시한다. 변환된 입력 벡터는 도 26에 도시된 바와 같이 3차원으로 도시될 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
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.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 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.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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 특허청구범위의 범위에 속한다.

Claims (20)

  1. 배터리의 상태 정보를 추정하는 방법에 있어서,
    배터리 정보(battery information)를 수집하는 단계
    상기 수집된 배터리 정보를 미리 정한 범위(predetermined range)의 구간 정보(interval information)로 분할하여 누적(accumulating)하는 단계;
    상기 누적된 구간 정보 및 미리 결정된 학습 정보에 기초하여 상기 배터리의 상태 정보를 추정하는 단계
    를 포함하는 배터리의 상태 정보를 추정하는 방법.
  2. 제1항에 있어서,
    상기 배터리의 기준 정보(reference information)에 기초하여 미리 결정된 학습 정보(learning information)를 저장하는 단계;
    를 더 포함하는 배터리의 상태 정보를 추정하는 방법.
  3. 제2항에 있어서,
    상기 미리 결정된 학습 정보를 저장하는 단계는,
    샘플 배터리 정보를 미리 정한 범위로 분할한 샘플 구간 정보 및 상기 기준 정보에 기초하여 상기 학습 정보에 대응하는 파라미터를 생성하는 단계
    를 포함하는 배터리의 상태 정보를 추정하는 방법.
  4. 제3항에 있어서,
    상기 학습 정보에 대응하는 파라미터를 생성하는 단계는,
    상기 샘플 구간 정보 및 상기 기준 정보를 학습기(learner)에 입력하여 상기 파라미터를 학습하는 단계
    를 포함하는 배터리의 상태 정보를 추정하는 방법.
  5. 제4항에 있어서,
    상기 배터리의 상태 정보를 추정하는 단계는,
    상기 파라미터를 학습한 상기 학습기에 상기 누적된 구간 정보를 입력하여 상기 상태 정보를 추정하는 단계
    를 포함하는 배터리의 상태 정보를 추정하는 방법.
  6. 제1항에 있어서,
    상기 배터리 정보를 수집하는 단계는,
    상기 배터리의 전압 신호, 전류 신호 및 온도 신호 중 적어도 하나를 실시간으로 측정하는 단계
    를 포함하는 배터리의 상태 정보를 추정하는 방법.
  7. 제1항에 있어서,
    상기 배터리 정보를 수집하는 단계는,
    상기 배터리의 전류 신호로부터 상기 배터리가 충전 또는 방전 중인지 여부를 판단하는 단계
    를 포함하는 배터리의 상태 정보를 추정하는 방법.
  8. 제1항에 있어서,
    상기 누적된 구간 정보에 대응하는 입력 벡터(input vector)의 차원(dimension)이 감소하도록, 상기 입력 벡터를 변환하는 단계
    를 더 포함하고,
    상기 배터리의 상태 정보를 추정하는 단계는,
    상기 변환된 입력 벡터 및 상기 미리 결정된 학습 정보에 기초하여 상기 상태 정보를 추정하는 단계
    를 포함하는 배터리의 상태 정보를 추정하는 방법.
  9. 제1항에 있어서,
    상기 미리 정한 범위는,
    상기 배터리 정보로부터 분할되는 각 구간 정보에 대해 균일한 간격이 설정되는,
    배터리의 상태 정보를 추정하는 방법.
  10. 제1항에 있어서,
    상기 미리 정한 범위는,
    상기 배터리 정보 중 데이터 발생 확률이 높은 구간(interval) 또는 낮은 구간에 대해 좁은 간격이 설정되는,
    배터리의 상태 정보를 추정하는 방법.
  11. 배터리의 상태 정보를 학습하는 방법에 있어서,
    배터리 정보를 수집하는 단계;
    상기 수집된 배터리 정보를 미리 정한 범위의 구간 정보로 구분하여 누적하는 단계; 및
    상기 누적된 구간 정보 및 상기 배터리의 기준 정보에 기초하여, 상기 배터리의 상태 정보를 추정하기 위한 학습 정보(learning information)를 결정하는 단계
    를 포함하는 배터리의 상태 정보를 학습하는 방법.
  12. 제11항에 있어서,
    상기 배터리 정보를 수집하는 단계는,
    상기 배터리의 전압 신호, 전류 신호, 온도 신호 및 기준 정보 중 적어도 하나를 실시간으로 측정하는 단계
    를 더 포함하는 배터리의 상태 정보를 학습하는 방법.
  13. 제11항에 있어서,
    상기 배터리 정보를 수집하는 단계는,
    미리 저장된 배터리 데이터로부터 샘플 배터리 정보를 수집하는 단계
    를 포함하는 배터리의 상태 정보를 학습하는 방법.
  14. 제11항에 있어서,
    상기 학습 정보를 결정하는 단계는,
    상기 누적된 구간 정보 및 상기 기준 정보를 데이터 학습기(data learner)에 입력하여 상기 학습 정보에 대응하는 파라미터를 학습하는 단계
    를 포함하는 배터리의 상태 정보를 학습하는 방법.
  15. 제14항에 있어서,
    상기 학습기는,
    뉴럴 네트워크(Neural Network), 히든 마르코프 모델(Hidden Markov Model), 베이지안 네트워크(Beyesian Network), SVM (Support Vector Machine), 및 DT (Decision Tree) 중 하나
    를 포함하는 배터리의 상태 정보를 학습하는 방법.
  16. 제11항에 있어서,
    상기 배터리 정보를 수집하는 단계는,
    상기 배터리의 전류 신호로부터 상기 배터리가 충전 또는 방전 중인지 여부를 판단하는 단계
    를 포함하는 배터리의 상태 정보를 학습하는 방법.
  17. 제11항에 있어서,
    상기 수집된 배터리 정보를 미리 정한 범위의 구간 정보로 구분하여 누적하는 단계는,
    상기 누적된 구간 정보에 대응하는 입력 벡터(input vector)의 차원(dimension)이 감소하도록, 상기 입력 벡터를 변환하는 단계
    를 포함하고,
    상기 학습 정보(learning information)를 결정하는 단계는,
    상기 변환된 입력 벡터 및 상기 배터리의 기준 정보에 기초하여 상기 학습 정보에 대응하는 파라미터를 학습하는 단계
    를 포함하는 배터리의 상태 정보를 학습하는 방법.
  18. 배터리의 상태 정보를 추정하는 장치에 있어서,
    배터리 정보를 수집하는 수집부(collector);
    상기 수집된 배터리 정보를 미리 정한 범위의 구간 정보로 분할하여 누적(accumulating)하는 누적부(accumulator); 및
    상기 누적된 구간 정보 및 미리 결정된 학습 정보에 기초하여 상기 배터리의 상태 정보를 추정하는 추정부(estimator)
    를 포함하는 배터리의 상태 정보를 추정하는 장치.
  19. 제18항에 있어서,
    상기 추정부는,
    상기 미리 결정된 학습 정보에 대응하는 파라미터를 이용하여, 상기 누적된 구간 정보로부터 상기 상태 정보를 출력하는 학습기
    를 더 포함하는 배터리의 상태 정보를 추정하는 장치.
  20. 제18항에 있어서,
    상기 추정된 상태 정보를 외부 기기에 전송하는 인터페이스부
    를 더 포함하는 배터리의 상태 정보를 추정하는 장치.
KR1020140077543A 2014-06-24 2014-06-24 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 KR102215450B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020140077543A KR102215450B1 (ko) 2014-06-24 2014-06-24 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
US14/732,098 US10228425B2 (en) 2014-06-24 2015-06-05 Method and apparatus for learning and estimating battery state information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140077543A KR102215450B1 (ko) 2014-06-24 2014-06-24 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20160000317A true KR20160000317A (ko) 2016-01-04
KR102215450B1 KR102215450B1 (ko) 2021-02-15

Family

ID=54869422

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140077543A KR102215450B1 (ko) 2014-06-24 2014-06-24 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법

Country Status (2)

Country Link
US (1) US10228425B2 (ko)
KR (1) KR102215450B1 (ko)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180082936A (ko) * 2017-01-11 2018-07-19 삼성전자주식회사 배터리 상태 추정 방법 및 장치
US10035425B2 (en) 2015-12-24 2018-07-31 Samsung Electronics Co., Ltd. Apparatus and method for managing battery in consideration of rest period of battery
US10254349B2 (en) 2017-04-25 2019-04-09 Korea University Of Technology And Education Industry-University Cooperation Method for predicting state of health of battery based on numerical simulation data
WO2019164263A1 (ko) * 2018-02-20 2019-08-29 주식회사 엘지화학 에너지 저장 시스템의 충전용량 산출 장치 및 방법
KR20190140996A (ko) * 2017-05-03 2019-12-20 가부시키가이샤 한도오따이 에네루기 켄큐쇼 신경망, 전력 저장 시스템, 차량, 및 전자 기기
US10928456B2 (en) 2017-08-17 2021-02-23 Samsung Electronics Co., Ltd. Method and apparatus for estimating state of battery
US10931128B2 (en) 2017-04-28 2021-02-23 Samsung Electronics Co., Ltd. Method and apparatus to predict capacity fade rate of battery
WO2021194267A1 (ko) * 2020-03-24 2021-09-30 주식회사 엘지에너지솔루션 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
KR20210119329A (ko) * 2020-03-24 2021-10-05 주식회사 엘지에너지솔루션 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
US11183715B2 (en) 2017-11-28 2021-11-23 Samsung Electronics Co., Ltd. Method and apparatus for estimating state of battery
WO2021246788A1 (ko) * 2020-06-02 2021-12-09 주식회사 엘지에너지솔루션 배터리 서비스 제공 시스템 및 방법
US11293987B2 (en) 2019-06-05 2022-04-05 Samsung Sdi Co., Ltd. Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
US11467217B2 (en) 2018-02-20 2022-10-11 Lg Energy Solution, Ltd. Charge capacity calculation device and method for energy storage system
KR20220169151A (ko) * 2021-06-18 2022-12-27 계명대학교 산학협력단 디바이스의 비활동 모드를 제어하는 디바이스 제어 장치 및 방법
US11714134B2 (en) 2020-11-19 2023-08-01 Electronics And Telecommunications Research Institute Device and method for predicting state of battery
WO2023194833A1 (en) * 2022-04-08 2023-10-12 Ses Holdings Pte. Ltd. Methods of operating electrochemical storage devices based on anomaly clustering, and software and systems including same

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102343967B1 (ko) 2014-12-04 2021-12-28 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR102338460B1 (ko) * 2015-01-22 2021-12-13 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR102424528B1 (ko) 2015-06-11 2022-07-25 삼성전자주식회사 배터리의 상태를 추정하는 장치 및 방법
JP6651930B2 (ja) * 2016-03-24 2020-02-19 トヨタ自動車株式会社 ハイブリッド自動車
US20180015836A1 (en) * 2016-07-17 2018-01-18 Bezan Phiroz Madon System for Automatically Connecting a Parked Vehicle to a Power Source, Using Intersecting Lines of Contacts
KR101846913B1 (ko) * 2016-11-01 2018-04-09 현대자동차 주식회사 하이브리드 차량의 배터리 충전 제어 장치 및 충전 제어 방법
EP4094978A1 (en) 2016-12-12 2022-11-30 Honeywell International Inc. Adaptive balancing for battery management
EP3591414B1 (en) * 2018-07-03 2022-01-19 Electricité de France Method for evaluating an electric battery state of health
US11063448B2 (en) * 2019-09-16 2021-07-13 Zebra Technologies Corporation Methods and system for dynamically modifying charging settings for a battery assembly
JP7136175B2 (ja) * 2020-12-22 2022-09-13 カシオ計算機株式会社 データ処理装置、電子機器、データ処理方法及びプログラム
KR20220114915A (ko) * 2021-02-09 2022-08-17 주식회사 엘지에너지솔루션 배터리 진단 장치 및 방법
US20220250505A1 (en) * 2021-02-10 2022-08-11 Guangzhou Automobile Group Co., Ltd. Method and Apparatus for Optimizing Battery Management System
US11784358B2 (en) 2021-07-07 2023-10-10 The Aerospace Corporation Self regulating modular battery
KR20230146773A (ko) * 2022-04-13 2023-10-20 주식회사 에이젠글로벌 CB사의 e-모빌리티 실시간 배터리 정보 수신 및 배터리 가치 판단 방법 및 이러한 방법을 수행하는 장치
KR20230173842A (ko) * 2022-06-20 2023-12-27 현대모비스 주식회사 Ev에서 사용되는 적어도 하나 이상의 배터리를 거래하기 위한 방법 및 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006145285A (ja) * 2004-11-17 2006-06-08 Ricoh Co Ltd 電池残量検出装置
JP2009215023A (ja) * 2008-03-12 2009-09-24 Toshiba Elevator Co Ltd 非常電源用バッテリーの寿命判定システム
JP2013044598A (ja) * 2011-08-23 2013-03-04 Toyota Motor Corp 二次電池の劣化管理システム
US20130110429A1 (en) * 2010-03-23 2013-05-02 Taiji Mitsuyama Battery internal state estimating apparatus and battery internal state estimating method

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3949488B2 (ja) 2002-03-29 2007-07-25 本田技研工業株式会社 蓄電池の寿命予測装置および蓄電池の制御装置
JP2006312528A (ja) 2005-05-09 2006-11-16 Mitsubishi Electric Corp エレベータの電力蓄積装置
KR100839385B1 (ko) 2006-11-01 2008-06-19 삼성에스디아이 주식회사 배터리 관리 시스템 및 그의 구동 방법
KR101189150B1 (ko) * 2008-01-11 2012-10-10 에스케이이노베이션 주식회사 배터리 관리 시스템에서 배터리의 ｓｏｃ 측정 방법 및 장치
KR100911317B1 (ko) 2008-08-08 2009-08-11 주식회사 엘지화학 배터리 전압 거동을 이용한 배터리 용량 퇴화 추정 장치 및방법
KR20100063343A (ko) 2008-12-03 2010-06-11 기아자동차주식회사 하이브리드 자동차의 배터리 건강상태 추정 시스템 및 방법
US20100312744A1 (en) * 2009-06-09 2010-12-09 Toyota Motor Engineering & Manufacturing North America, Inc. System for battery prognostics
KR101399388B1 (ko) 2010-01-18 2014-05-27 에스케이이노베이션 주식회사 배터리의 수명 예측 장치 및 방법
TWI404964B (zh) * 2010-04-22 2013-08-11 Ablerex Electronics Co Ltd 電池放電殘餘時間估測方法
KR101293630B1 (ko) 2011-04-25 2013-08-05 주식회사 엘지화학 배터리 용량 퇴화 추정 장치 및 방법
US8719195B2 (en) * 2011-10-10 2014-05-06 The Boeing Company Battery adaptive learning management system
KR101906928B1 (ko) 2012-02-08 2018-10-11 에스케이이노베이션 주식회사 배터리의 수명 추정 장치 및 방법
JP5673654B2 (ja) * 2012-11-16 2015-02-18 トヨタ自動車株式会社 蓄電システムおよび満充電容量算出方法
KR102205293B1 (ko) * 2014-04-18 2021-01-20 삼성전자주식회사 배터리 수명의 추정에서 발생하는 오차를 보정하는 방법 및 장치
KR102399720B1 (ko) * 2014-08-06 2022-05-19 삼성전자주식회사 패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006145285A (ja) * 2004-11-17 2006-06-08 Ricoh Co Ltd 電池残量検出装置
JP2009215023A (ja) * 2008-03-12 2009-09-24 Toshiba Elevator Co Ltd 非常電源用バッテリーの寿命判定システム
US20130110429A1 (en) * 2010-03-23 2013-05-02 Taiji Mitsuyama Battery internal state estimating apparatus and battery internal state estimating method
JP2013044598A (ja) * 2011-08-23 2013-03-04 Toyota Motor Corp 二次電池の劣化管理システム

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10035425B2 (en) 2015-12-24 2018-07-31 Samsung Electronics Co., Ltd. Apparatus and method for managing battery in consideration of rest period of battery
KR20180082936A (ko) * 2017-01-11 2018-07-19 삼성전자주식회사 배터리 상태 추정 방법 및 장치
US10254349B2 (en) 2017-04-25 2019-04-09 Korea University Of Technology And Education Industry-University Cooperation Method for predicting state of health of battery based on numerical simulation data
US10931128B2 (en) 2017-04-28 2021-02-23 Samsung Electronics Co., Ltd. Method and apparatus to predict capacity fade rate of battery
US11955612B2 (en) 2017-05-03 2024-04-09 Semiconductor Energy Laboratory Co., Ltd. Neural network, power storage system, vehicle, and electronic device
KR20190140996A (ko) * 2017-05-03 2019-12-20 가부시키가이샤 한도오따이 에네루기 켄큐쇼 신경망, 전력 저장 시스템, 차량, 및 전자 기기
US11594770B2 (en) 2017-05-03 2023-02-28 Semiconductor Energy Laboratory Co., Ltd. Neural network, power storage system, vehicle, and electronic device
US10928456B2 (en) 2017-08-17 2021-02-23 Samsung Electronics Co., Ltd. Method and apparatus for estimating state of battery
US11183715B2 (en) 2017-11-28 2021-11-23 Samsung Electronics Co., Ltd. Method and apparatus for estimating state of battery
US11467217B2 (en) 2018-02-20 2022-10-11 Lg Energy Solution, Ltd. Charge capacity calculation device and method for energy storage system
WO2019164263A1 (ko) * 2018-02-20 2019-08-29 주식회사 엘지화학 에너지 저장 시스템의 충전용량 산출 장치 및 방법
US11293987B2 (en) 2019-06-05 2022-04-05 Samsung Sdi Co., Ltd. Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
KR20210119329A (ko) * 2020-03-24 2021-10-05 주식회사 엘지에너지솔루션 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
EP4064174A4 (en) * 2020-03-24 2023-01-11 LG Energy Solution, Ltd. SYSTEM AND METHOD FOR BATTERY PERFORMANCE MANAGEMENT USING AN ELECTRIC VEHICLE CHARGING STATION
WO2021194267A1 (ko) * 2020-03-24 2021-09-30 주식회사 엘지에너지솔루션 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
WO2021246788A1 (ko) * 2020-06-02 2021-12-09 주식회사 엘지에너지솔루션 배터리 서비스 제공 시스템 및 방법
US11714134B2 (en) 2020-11-19 2023-08-01 Electronics And Telecommunications Research Institute Device and method for predicting state of battery
KR20220169151A (ko) * 2021-06-18 2022-12-27 계명대학교 산학협력단 디바이스의 비활동 모드를 제어하는 디바이스 제어 장치 및 방법
WO2023194833A1 (en) * 2022-04-08 2023-10-12 Ses Holdings Pte. Ltd. Methods of operating electrochemical storage devices based on anomaly clustering, and software and systems including same

Also Published As

Publication number Publication date
US10228425B2 (en) 2019-03-12
US20150369874A1 (en) 2015-12-24
KR102215450B1 (ko) 2021-02-15

Similar Documents

Publication Publication Date Title
KR102215450B1 (ko) 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
KR102343967B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
US20220239122A1 (en) Server-side characterisation of rechargeable batteries
JP7015678B2 (ja) バッテリ充電方法、バッテリ充電情報生成方法、及びバッテリ充電装置
EP3506452B1 (en) Battery charging method and apparatus
KR102424528B1 (ko) 배터리의 상태를 추정하는 장치 및 방법
EP3588115B1 (en) Apparatus and method for estimating a state of charge of a battery
US20220374568A1 (en) Simulation of a Battery
EP3306735B1 (en) Device for estimating degree of battery degradation, and estimation method
Sun et al. Model-based dynamic multi-parameter method for peak power estimation of lithium–ion batteries
JP6818657B2 (ja) 電池の状態を推定するためのシステム及び方法、および、非一時的コンピュータ可読記憶媒体
EP3048451A1 (en) Method and apparatus for estimating the state of a battery
KR102171096B1 (ko) 전기 자동차의 운행 중 배터리의 수명을 추정하는 장치 및 방법
US10830821B2 (en) Methods and apparatus for battery power and energy availability prediction
JP6234946B2 (ja) 電池状態推定装置
TW201702623A (zh) 用於測定鋰硫電池之健康狀態及充電狀態的方法及裝置
KR20180043048A (ko) 배터리 soh 추정 방법
KR20160014940A (ko) 배터리의 상태를 추정하는 방법 및 장치
KR20160017416A (ko) 패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법
CN112904208A (zh) 用于估计电池单元的开路电压的方法和系统
US20210181263A1 (en) Method and battery management system for ascertaining a state of health of a secondary battery
JP2013019730A (ja) バッテリの状態予測システム、方法及びプログラム
CN113752903A (zh) 可再充电的电池的退化状态的成本低廉且精确的求取
US20220373609A1 (en) State Value for Rechargeable Batteries
JP6161133B2 (ja) データ抽出装置、データ抽出方法およびデータ抽出プログラム

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