KR20160097029A - 배터리 상태 추정 장치 및 방법 - Google Patents

배터리 상태 추정 장치 및 방법 Download PDF

Info

Publication number
KR20160097029A
KR20160097029A KR1020150018828A KR20150018828A KR20160097029A KR 20160097029 A KR20160097029 A KR 20160097029A KR 1020150018828 A KR1020150018828 A KR 1020150018828A KR 20150018828 A KR20150018828 A KR 20150018828A KR 20160097029 A KR20160097029 A KR 20160097029A
Authority
KR
South Korea
Prior art keywords
battery
state
pattern
sensor
segment data
Prior art date
Application number
KR1020150018828A
Other languages
English (en)
Other versions
KR102332399B1 (ko
Inventor
성재모
박정현
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 KR1020150018828A priority Critical patent/KR102332399B1/ko
Priority to US15/010,977 priority patent/US10408881B2/en
Publication of KR20160097029A publication Critical patent/KR20160097029A/ko
Application granted granted Critical
Publication of KR102332399B1 publication Critical patent/KR102332399B1/ko

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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
    • H01M10/488—Cells or batteries combined with indicating means for external visualization of the condition, e.g. by change of colour or of light density
    • 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
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
    • 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

Abstract

배터리 상태를 추정하는 장치가 개시된다. 일실시예에 따른 배터리 상태 추정 장치는 배터리 상태에 대응하는 라벨을 포함하는 배터리 상태 추정 모델을 학습하고, 배터리 상태 추정 모델을 통해 대상 배터리의 배터리 상태를 추정할 수 있다.

Description

배터리 상태 추정 장치 및 방법{METHOD AND APPARATUS FOR ESTIMATING STATE OF BATTERY}
아래의 실시 예들은 배터리 상태를 추정하는 장치에 관한 것이다.
전기 자동차에서 배터리는 가솔린 자동차의 엔진 및 연료 탱크와 같은 역할을 하므로, 전기 자동차 사용자의 안전을 위하여, 배터리의 상태를 확인하는 것이 중요할 수 있다.
최근에는, 보다 정확하게 배터리의 상태를 확인하면서, 사용자의 편의성을 증대시키기 위한 연구가 계속되고 있다. 이때, 전압, 전류, 온도, 압력 등의 배터리 센서 신호를 이용해서 고차원 시계열 데이터 공간 상에서 충전 정보, 수명 정보, 고장 상태 등의 배터리 상태 추정 모델을 구축할 수 있다.
그러나, 종래의 배터리 상태 추정 모델은 고차원의 시계열 입력 데이터를 다루어야 하기 때문에, 높은 계산량을 요구하며, 이는 연산 리소스(computational resource)가 제한된 배터리 관리 시스템(BMS)에 장착 시, 실시간으로 배터리 상태 추정을 어렵게 만들 수 있다.
배터리 전압, 전류, 온도에 대한 원 시계열 신호는 배터리 내부 화학적 요소들의 복합적인 작용에 의해서 영향을 받으므로, 추정하고자 하는 특정 배터리 상태에 필요한 정보 외에 불필요한 정보를 복합적으로 포함할 수 있다. 따라서, 일정 수준 이상의 배터리 상태 추정 성능을 얻기 위해서는 복잡한 추정 모델을 요구한다.
일실시예에 따르면, 배터리 상태 추정 장치는, 배터리 상태에 대응하는 라벨을 포함하는, 배터리 상태 추정 모델을 학습하는 학습부 및 상기 배터리 상태 추정 모델을 통해 대상 배터리의 배터리 상태를 추정하는 상태 추정부를 포함할 수 있다.
여기서, 상기 배터리 상태는, 수명 정보(State of Health: SoH), 충전 정보(State of Charge: SoC), 기능 정보(State of Function: SoF) 및 오류 정보(Fault State) 중 적어도 하나를 포함할 수 있다.
일 측에 따르면, 상기 학습부는, 참조 배터리의 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할하여 세그먼트 데이터를 생성하는 세그먼트 데이터 생성부, 상기 세그먼트 데이터에 상기 배터리 상태에 대응하는 라벨을 라벨링하는 라벨링부 및 상기 라벨링된 세그먼트 데이터의 상기 라벨 별 특징 패턴을 추출하는 패턴 추출부를 포함할 수 있다.
이때, 상기 학습부는, 판별 분석(Discriminant Analysis) 방법을 통해, 상기 특징 패턴에 대응하는 특징 공간 변환 모델을 상기 배터리 상태 추정 모델로 생성하는 배터리 상태 추정 모델 생성부를 더 포함할 수 있다.
여기서, 상기 배터리 센서 신호는, 상기 배터리의 시계열(time-series) 공간상의 전압 데이터, 전류 데이터, 온도 데이터 및 압력 데이터 중 적어도 하나를 포함할 수 있다.
상기 세그먼트 데이터 생성부는, 상기 배터리 센서 신호를 고정된 샘플링 간격으로 보정하는 전처리부를 포함할 수 있다.
다른 일 측에 따르면, 상기 상태 추정부는, 대상 배터리의 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할하여 세그먼트 데이터를 생성하는 세그먼트 데이터 생성부, 상기 배터리 상태 추정 모델과 상기 대상 배터리의 세그먼트 데이터를 패턴 매칭하는 패턴 매칭부 및 상기 패턴 매칭의 결과에 따라 배터리 상태를 추정하는 배터리 상태 추정부를 포함할 수 있다.
이때, 상기 패턴 매칭부는, 추정하고자 하는 배터리 상태에 대응하는 배터리 상태 추정 모델의 특징 패턴과 상기 대상 배터리의 세그먼트 데이터의 데이터 패턴을 패턴 매칭하고, 상기 배터리 상태 추정부는, 상기 대상 배터리의 세그먼트 데이터와 가장 유사하게 패턴 매칭된 특징 패턴에 대응하는 배터리 상태를 상기 대상 배터리의 배터리 상태로 추정할 수 있다.
또 다른 일 측에 따르면, 상기 배터리 상태는 충전 정보(State of Charge: SoC)를 포함하고, 상기 학습부는, 미리 정해진 간격에 따른 충전 구간에 대응하는 배터리 충전 정보 라벨을 포함하는 충전 정보 추정 모델을 학습하고, 상기 상태 추정부는, 대상 배터리의 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할한 세그먼트 데이터와 상기 충전 정보 추정 모델을 비교하여 상기 대상 배터리의 충전 정보를 추정할 수 있다.
여기서, 상기 학습부는, 상기 충전 정보 추정 모델의 상기 배터리 충전 정보 라벨 별 특징 패턴을 추출하고, 상기 상태 추정부는, 상기 세그먼트 데이터의 데이터 패턴과 상기 배터리 충전 정보 라벨 별 특징 패턴을 패턴 매칭하여 상기 세그먼트 데이터의 데이터 패턴과 가장 유사하게 매칭된 특징 패턴에 대응하는 충전 구간을 상기 대상 배터리의 충전 정보로 추정할 수 있다.
또 다른 일 측에 따르면, 상기 학습부는, 센서 상태에 대응하는 라벨을 포함하는 센서 상태 추정 모델을 학습하는 센서 상태 추정 모델 학습부를 포함하고, 상기 상태 추정부는, 상기 센서 상태 추정 모델을 통해, 대상 배터리의 배터리 센서 신호를 측정하는 센서의 센서 상태를 추정하는 센서 상태 추정부를 포함할 수 있다.
상기 학습부는, 센서 상태에 대응하는 라벨 별 특징 패턴을 추출하는 센서 상태 특징 패턴 추출부를 더 포함하고, 상기 센서 상태 추정부는, 상기 센서 상태에 대응하는 라벨 별 특징 패턴과 상기 대상 배터리의 세그먼트 데이터의 데이터 패턴을 패턴 매칭하고, 상기 패턴 매칭의 결과에 따라, 상기 특징 패턴에 대응하는 센서 상태를 상기 대상 배터리의 배터리 센서 신호를 측정하는 센서의 센서 상태로 추정할 수 있다.
일실시예에 따른 배터리 상태 추정 방법은, 배터리 상태에 대응하는 라벨을 포함하는 배터리 상태 추정 모델을 학습하는 단계 및 상기 배터리 상태 추정 모델을 통해 대상 배터리의 배터리 상태를 추정하는 단계를 포함할 수 있다.
일 측에 따르면, 상기 배터리 상태 추정 모델을 학습하는 단계는, 참조 배터리의 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할하여 세그먼트 데이터를 생성하는 단계, 상기 세그먼트 데이터에 상기 배터리 상태에 대응하는 라벨을 라벨링하는 단계 및 상기 라벨링된 세그먼트 데이터의 상기 라벨 별 특징 패턴을 추출하는 단계를 포함할 수 있다.
상기 배터리 상태 추정 모델을 학습하는 단계는, 판별 분석(Discriminant Analysis) 방법을 통해, 상기 특징 패턴에 대응하는 배터리 상태 추정 모델을 생성하는 단계를 더 포함할 수 있다.
상기 세그먼트 데이터를 생성하는 단계는, 상기 배터리 센서 신호를 고정된 샘플링 간격으로 보정할 수 있다.
일 측에 따르면, 상기 배터리 상태를 추정하는 단계는, 대상 배터리의 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할하여 세그먼트 데이터를 생성하는 단계, 상기 배터리 상태 추정 모델과 상기 대상 배터리의 세그먼트 데이터를 패턴 매칭하는 단계 및 상기 패턴 매칭의 결과에 따라 배터리 상태를 추정하는 단계를 포함할 수 있다.
이때, 상기 패턴 매칭하는 단계는, 추정하고자 하는 배터리 상태에 대응하는 배터리 상태 추정 모델의 특징 패턴과 상기 대상 배터리의 세그먼트 데이터의 데이터 패턴을 패턴 매칭하고, 상기 배터리 상태를 추정하는 단계는, 상기 대상 배터리의 세그먼트 데이터와 가장 유사하게 패턴 매칭된 특징 패턴에 대응하는 배터리 상태를 상기 대상 배터리의 배터리 상태로 추정할 수 있다.
다른 일 측에 따르면, 상기 배터리 상태는 충전 정보(State of Charge: SoC)를 포함하고, 상기 배터리 상태 추정 모델을 학습하는 단계는, 미리 정해진 간격에 따른 충전 구간에 대응하는 배터리 충전 정보 라벨을 포함하는 충전 정보 추정 모델을 학습하고, 상기 배터리 상태를 추정하는 단계는, 대상 배터리의 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할한 세그먼트 데이터와 상기 충전 정보 추정 모델을 비교하여 상기 배터리의 충전 정보를 추정할 수 있다.
여기서, 상기 배터리 상태 추정 모델을 학습하는 단계는, 상기 충전 정보 추정 모델의 상기 배터리 충전 정보 라벨 별 특징 패턴을 추출하고, 상기 배터리 상태를 추정하는 단계는, 상기 세그먼트 데이터의 데이터 패턴과 상기 배터리 충전 정보 라벨 별 특징 패턴을 패턴 매칭하여 상기 세그먼트 데이터의 데이터 패턴과 가장 유사하게 매칭된 특징 패턴에 대응하는 충전 구간을 상기 대상 배터리의 충전 정보로 추정할 수 있다.
또 다른 일 측에 따르면, 상기 배터리 상태 추정 모델을 학습하는 단계는, 센서 상태에 대응하는 라벨을 포함하는 센서 상태 추정 모델을 학습하는 단계를 포함하고, 상기 배터리 상태를 추정하는 단계는, 상기 센서 상태 추정 모델을 통해, 대상 배터리의 배터리 센서 신호를 측정하는 센서의 센서 상태를 추정하는 단계를 포함할 수 있다.
이때, 상기 센서 상태 추정 모델을 학습하는 단계는, 센서 상태에 대응하는 라벨 별 특징 패턴을 추출하는 단계를 포함하고, 상기 센서 상태를 추정하는 단계는, 상기 센서 상태에 대응하는 라벨 별 특징 패턴과 상기 대상 배터리의 세그먼트 데이터의 데이터 패턴을 패턴 매칭하고, 상기 패턴 매칭의 결과에 따라, 상기 특징 패턴에 대응하는 센서 상태를, 상기 대상 배터리의 배터리 센서 신호를 측정하는 센서의 센서 상태로 추정할 수 있다.
도 1은 일실시예에 따른 배터리 상태 추정 장치를 설명하기 위한 블록도이다.
도 2는 일실시예에 따른 배터리 상태 추정 장치의 학습부의 구성을 설명하기 위한 블록도이다.
도 3은 일실시예에 따라, 배터리 상태 추정 장치의 상태 추정부의 구성을 설명하기 위한 블록도이다.
도 4는 일실시예에 따른 라벨링된 세그먼트 데이터를 설명하기 위한 도면이다.
도 5는 라벨을 이용한 특징 추출의 효과를 설명하기 위한 도면이다.
도 6은 일실시예에 따라 배터리 충전 정보를 추정하기 위한 충전 정보 구간과 충전 정보 라벨을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 센서 상태를 추정하는 배터리 상태 추정 장치를 설명하기 위한 블록도이다.
도 8은 일실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 흐름도이다.
도 9는 일실시예에 따른 배터리 상태 추정 방법에 있어서, 배터리 상태 추정 모델 학습 단계를 구체적으로 설명하기 위한 흐름도이다.
도 10은 일실시예에 따른 배터리 상태 추정 방법에 있어서, 배터리 상태 추정 단계를 구체적으로 설명하기 위한 흐름도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일실시예에 따른 배터리 상태 추정 장치를 설명하기 위한 블록도이다.
도 1을 참조하면, 배터리 상태 배터리 상태 추정 장치(100)는, 학습부(101) 및 상태 추정부(102)를 포함할 수 있다. 학습부(101)는 참조 배터리(103)를 센싱한 배터리 센서 신호와 배터리 상태에 대응하는 라벨을 포함하는 배터리 상태 추정 모델을 학습할 수 있다. 이때, 참조 배터리(103)는 배터리 종류에 관계 없이 모든 종류의 배터리가 될 수 있다.
일실시예에 따르면, 상태 추정부(102)는 학습부(101)에서 학습된 배터리 상태 추정 모델을 전달 받아, 배터리 상태 추정 모델과 대상 배터리(104)의 배터리 센서 신호를 이용하여 대상 배터리(104)의 배터리 상태를 추정할 수 있다.
일실시예에 따르면, 배터리 상태는 비정상 정보(State of Abnormality), 고장 정보(State of Fault), 기능 정보(State of Function: SoF), 충전 정보(State of Charge) 및 수명 정보(State of Health) 중 적어도 하나를 포함할 수 있다. 여기서, 수명 정보는 배터리의 성능이 제조 시에 비해 어느 정도 열화 되었는지를 나타내고, 충전 정보는 배터리에 수용된 전하량에 대한 정보를 나타내고, 기능 정보는 배터리의 성능이 미리 정해진 조건에 얼마나 부합되는지에 대한 정보를 나타낼 수 있다.
일실시예에 따른 학습부(101)는 배터리 센서 신호와 배터리 상태에 대응하는 라벨을 포함하는, 배터리 상태 추정 모델을 학습할 수 있다. 보다 구체적으로, 학습부(101)는 배터리 센서 신호를 분할한 세그먼트 데이터 및 배터리 상태에 대응하는 라벨을 이용하여, 라벨링된 세그먼트 데이터를 생성하고, 배터리 상태에 대응하는 라벨 별 특징 패턴을 추출할 수 있다. 일실시예에 따른 학습부(101)는 특징 패턴에 대응하는 배터리 상태 추정 모델을 생성하여 학습할 수 있다. 일실시예에 따르면, 학습부(101)는 추출된 특징 패턴을 이용하여 특징 공간 변환 모델을 생성할 수 있다.
일실시예에 따르면, 배터리 상태에 대응하는 라벨을 기반으로 학습된 배터리 상태 추정 모델은, 상태 추출부(102)의 입력 데이터로 사용될 수 있다.
학습부(101)는 후술되는 도 2의 상세한 설명을 통해서 보다 상세히 설명하도록 한다.
일실시예에 따르면, 상태 추정부(102)는 대상 배터리(104)의 배터리 상태를 추정할 수 있다. 이때, 상태 추정부(102)는 대상 배터리(104)의 배터리 센서 신호를 분할한 세그먼트 데이터와 학습부(101)에서 학습된 배터리 상태 추정 모델을 패턴 매칭시켜 대상 배터리(104)의 배터리 상태를 추정할 수 있다.
상태 추정부(102)는 후술되는 도 3의 상세한 설명을 통해서 보다 상세히 설명하도록 한다.
도 2는 일실시예에 따른 배터리 상태 추정 장치의 학습부의 구성을 설명하기 위한 블록도이다.
도 2를 참조하면, 일실시예에 따른 학습부(101)는 세그먼트 데이터 생성부(201), 라벨링부(202) 및 패턴 추출부(203)를 포함할 수 있다. 이때, 학습부(101)는, 참조 배터리(103)를 센싱한 배터리 센서 신호를 이용해서 배터리 상태 추정 모델을 학습할 수 있다. 일실시예에 따르면, 참조 배터리(103)를 센싱하는 센서는 배터리 상태 추정 장치(도 1의 100)에 포함될 수 있다. 다른 일실시예에 따르면, 참조 배터리(103)를 센싱하는 센서는 배터리 상태 추정 장치의 외부에 존재하여, 학습부(101)는 참조 배터리(103)를 센싱한 배터리 센서 신호를 무선 또는 유선 통신을 통해 수신할 수도 있다.
세그먼트 데이터 생성부(201)는, 참조 배터리(103)를 센싱한 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할하여 세그먼트 데이터를 생성할 수 있다. 이때, 배터리 센서 신호는 참조 배터리(103)를 센싱하는 센서로부터 센싱된, 참조 배터리(103)의 전압 데이터, 전류 데이터, 온도 데이터 및 압력 데이터 중 적어도 하나를 포함할 수 있다.
배터리 센서 신호는 미리 정해진 시간 구간 동안, 미리 정해진 시간 간격(예를 들어, 샘플링 시간)으로 센싱된 시계열(time-series)의 신호를 의미할 수 있다. 일실시예에 따른 세그먼트 데이터 생성부(201)는, 전압 센서에서 센싱된 시계열의 배터리 센서 신호를 1초 간격으로 세그먼트화 한 세그먼트 데이터를 생성할 수 있다.
일실시예에 따르면, 세그먼트 데이터 생성부는, 배터리 센서 신호를 고정된 샘플링 간격으로 보정하는 전처리부를 포함할 수 있다. 전처리부는, 세그먼트 데이터가 일정 기간 동안, 일정 크기를 유지하도록 하기 위해서, 배터리 센서 신호를 세그먼트 데이터로 분할하기 전에, 센서 신호를 고정된 샘플링 간격으로 보정할 수 있다.
라벨링부(202)는 세그먼트 데이터에 배터리 상태에 대응하는 라벨을 라벨링할 수 있다. 여기서, 배터리 상태는, 수명 정보(State of Health: SoH), 충전 정보(State of Charge: SoC), 기능 정보(State of Function: SoF) 및 오류 정보(Fault State) 중 적어도 하나를 포함할 수 있다. 라벨링부(202)는 세그먼트 데이터의 배터리 상태에 대응하는 라벨을, 상기 세그먼트 데이터에 라벨링하여 라벨링된 세그먼트 데이터를 생성할 수 있다. 예를 들면, 세그먼트 데이터의 배터리 상태가 오류 상태인 경우, 세그먼트 데이터에 '오류' 라벨을 라벨링하여 라벨링된 세그먼트 데이터를 생성할 수 있다.
패턴 추출부(203)는 각 세그먼트 데이터의 배터리 상태에 대응하는 라벨을 포함하는, 라벨링된 세그먼트 데이터의 라벨 별 특징 패턴을 추출할 수 있다. 일실시예에 따르면, 패턴 추출부(203)는 라벨링된 세그먼트 데이터의 집합 중 추정하고자 하는 배터리 상태에 대응하는 라벨링된 세그먼트 데이터에서 차별적(discriminant) 특징 패턴을 추출할 수 있다. 예를 들면, 추정하고자 하는 배터리 상태가 오류 상태인 경우, 패턴 추출부(203)는 오류 상태 라벨을 포함하는 라벨링된 세그먼트 데이터의 집합에서 특징 패턴을 추출할 수 있다.
일실시예에 따른 학습부(101)는 판별 분석(Discriminant Analysis) 방법을 통해, 각 라벨 별 특징 패턴에 대응하는 배터리 상태 추정 모델을 생성하는 배터리 상태 추정 모델 생성부(미도시)를 더 포함할 수 있다. 이때, 배터리 상태 추정 모델 생성부는 특징 공간 변환 모델을 생성할 수 있다. 보다 구체적으로, 배터리 상태 추정 모델 생성부는 추정하고자 하는 배터리 상태에 대해, 수집된 라벨링된 세그먼트 데이터의 집합에 기초하여 판별 분석(Discriminant Analysis) 방법을 통해, 특징 공간 변환 모델을 생성할 수 있다. 이때, 배터리 상태 추정 모델 생성부는 판별 분석(Discriminant Analysis) 방법을 통해 생성된 특징 공간 변환 모델을 상기 배터리 상태 추정 모델로 생성할 수 있다.
일실시예에 따른 배터리 상태 추정 모델 생성부는, 측정하고자 하는 배터리 상태의 실험적 재현을 통해 배터리 상태 추정 모델을 미리 생성할 수 있다. 예를 들면, 측정하고자 하는 배터리 상태가 오류 상태인 경우, 오류 상태의 참조 배터리(103)를 이용하여 배터리 상태 추정 모델을 생성할 수 있다. 이때, 학습부(101)는 오류 상태의 배터리 센서 신호를 이용하여 배터리 상태 추정 모델을 생성하여 학습할 수 있다. 일실시예에 따르면, 오류 상태의 배터리 센서 신호의 특징 패턴을 추출하여 특징 공간 변환 모델을 생성할 수 있다.
다른 일실시예에 따르면, 실시간으로 측정된 배터리의 배터리 상태 및 배터리 센서 신호를 통해 배터리 상태 추정 모델을 실시간으로 생성할 수 있다. 실시간으로 측정된 배터리의 배터리 상태가 새로운 배터리 상태인 경우, 보다 정교한 배터리 상태 추정 모델을 구축하기 위해, 학습부(101)는 기존의 라벨링된 세그먼트 데이터 집합에, 새로운 배터리 상태에 대응하는 라벨로 라벨링된 세그먼트 데이터를 포함하여 학습을 재수행할 수 있다.
일실시예에 따른 세그먼트 데이터 생성부(201)는 배터리 센서 신호를 분할하여 라벨링된 세그먼트 데이터를 생성할 수 있다. 일실시예에 따르면, 배터리 센서 신호는 전처리 및 분할을 거쳐 세그먼트 데이터가 될 수 있다. 배터리 상태 정보는 배터리 상태에 대응하는 라벨로 나뉘어질 수 있다. 이때, 세그먼트 데이터에 배터리 상태에 대응하는 라벨을 라벨링하여 하기 수학식 1과 같이 라벨링된 세그먼트 데이터의 집합 D가 만들어질 수 있다.
Figure pat00001
여기서, D는 라벨링된 세그먼트 데이터의 집합이고,
Figure pat00002
는 배터리 상태에 대응하는 라벨이고,
Figure pat00003
는 배터리 상태에 대응하는 배터리 센서 신호의 세그먼트 데이터이다.
일실시예에 따르면, 생성된 라벨링된 세그먼트 데이터를 이용하여 목표 지향(target-oriented)의 특징 공간 변환 모델을 학습할 수 있다. 특징 공간 변환 모델 Z는 하기 수학식 2와 같이 정의될 수 있다.
Figure pat00004
여기서, X는 입력 신호인 배터리 센서 신호의 세그먼트 데이터이고, Z는 특징 공간 변환 모델이며,
Figure pat00005
는 특징 패턴을 의미한다. 상기 수학식 2를 통해 고차원의 입력 배터리 센서 세그먼트 데이터 공간에서 저차원의 특징 공간으로 변환할 수 있다.
일실시예에 따른 특징 공간 변환 모델은 세그먼트 데이터와 추정하고자 하는 배터리 상태에 대응하는 특징 패턴(
Figure pat00006
)을 이용하여 생성될 수 있다. 따라서, 차별적 특징 모델
Figure pat00007
을 생성할 수 있다.
일실시예에 따르면, 라벨링된 세그먼트 데이터의 집합을 이용하여 하기 수학식 3을 통해 목적 기능(object function)
Figure pat00008
를 얻을 수 있다.
Figure pat00009
여기서, Between Scatter Score 함수는 동일한 배터리 상태의 라벨에 해당되는 배터리 센서 신호의 세그먼트 데이터들이 변환된 특징 공간상에 얼마나 밀집되어 있는지를 측정한다. Within Scatter Score 함수는 서로 다른 배터리 상태의 라벨을 가지는 배터리 센서 세그먼트 데이터들이 얼마나 분산되어 있는지를 측정한다. 라벨링된 세그먼트 데이터의 집합은 Between Scatter Score 함수와 Within Scatter Score 함수를 통해 배터리 센서 신호의 세그먼트 데이터가 실제 어느 배터리 상태에 속하는지에 대한 정보를 포함할 수 있다. 여기서,
Figure pat00010
파라미터는 학습 시 분산과 밀집에 대한 중요도를 설정할 수 있는 파라미터이다.
일실시예에 따르면, 학습부(101)는 목적 기능(object function)을 최대화 하는 최적 모델 파라미터
Figure pat00011
를 하기 수학식 4를 이용하여 학습할 수 있다.
Figure pat00012
일실시예에 따르면, 저차원 특징 공간에서 추정하고자 하는 배터리 상태를 보다 잘 구별되게 하는, 특징 공간 변환 모델을 얻을 수 있다. 가장 일반적인 방식은 Z=W*X와 같이 선형 특징 공간 변환 모델을 정의하는 경우이며, 선형 판별 분석(Linear Discriminant Analysis) 방법을 이용할 수 있다.
도 3은 일실시예에 따라, 배터리 상태 추정 장치의 상태 추정부의 구성을 설명하기 위한 블록도이다.
도 3을 참조하면, 상태 추정부(102)는 세그먼트 데이터 생성부(310), 패턴 매칭부(320) 및 배터리 상태 추정부(330)를 포함할 수 있다. 이때, 상태 추정부(102)는 대상 배터리(104)를 센싱한 배터리 센서 신호를 이용해서 대상 배터리의 배터리 상태를 추정할 수 있다. 여기서, 배터리 센서 신호는, 배터리 상태 추정 장치(도 1의 100)에 포함된 센서를 통해서 센싱될 수 있으며, 배터리 상태 추정 장치(도 1의 100) 외부의 센서를 통해서 센싱된 배터리 센서 신호를 수신하여 획득될 수도 있다. 여기서, 배터리 센서 신호는, 배터리의 전압 데이터, 전류 데이터, 온도 데이터 또는 압력 데이터 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 세그먼트 데이터 생성부(310)는 대상 배터리(104)를 센싱한 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할하여 세그먼트 데이터를 생성할 수 있다.
일실시예에 따르면, 세그먼트 데이터 생성부(310)는 배터리 센서 데이터를 고정된 샘플링 간격으로 보정하는 전처리를 수행하는 전처리부(미도시)를 포함할 수 있다. 다른 일실시예에 따르면, 전처리부는 PC, 서버 또는 클라우드와 같이 배터리 상태 추정 장치의 외부에서 구현될 수도 있다.
패턴 매칭부(320)는, 추정하고자 하는 배터리 상태에 대응하는 배터리 상태 추정 모델과 대상 배터리(104)를 센싱한 배터리 센서 신호를 패턴 매칭할 수 있다. 일실시예에 따르면, 패턴 매칭부(320)는 추정하고자 하는 배터리 상태의 특징 패턴에 대응하는 특징 공간 변환 모델과 상기 대상 배터리의 세그먼트 데이터를 패턴 매칭할 수 있다.
일실시예에 따른 패턴 매칭부(320)는 대상 배터리(104)를 센싱한 배터리 센서 신호와 도 1의 학습부(101)에서 미리 학습된 배터리 상태 별 특징 공간 매핑 모델의 유사도를 측정할 수 있다. 이때, 가장 유사하게 매칭된 배터리 상태에 대응하는 라벨을 배터리 상태 추정부(330)에 전달할 수 있다.
일실시예에 따르면, 패턴 매칭부(320)는 배터리 상태에 대응하는 라벨과 학습된 특징 패턴 사이의 유클리디안 거리를 계산하여 가장 유사한 라벨을 통해 현재 배터리 상태를 추정할 수 있다. 다른 일실시예에 따르면, 패턴 매칭은 support vector machine(SVM) Classifier, Neural Network Classifier, Decision Tree Classifier, Linear or nonlinear regression 방법 등을 활용할 수도 있다.
배터리 상태 추정부(330)는, 패턴 매칭의 결과에 따라 배터리 상태를 추정할 수 있다. 일실시예에 따르면, 배터리 상태 추정부(330)는 패턴 매칭부(320)에서 전달 받은, 가장 유사한 배터리 상태에 대응하는 라벨을 이용하여 현재의 배터리 상태를 추정할 수 있다.
다른 일실시예에 따르면, 배터리 상태 추정부(330)는 패턴 매칭을 통해 추정하고자 하는 상태에 대응하는 배터리 상태 추정 모델과 실시간으로 획득된 배터리 센서 신호의 세그먼트 데이터가 일치하는 경우, 배터리 상태 추정 모델에 대응하는 배터리의 상태가 추정하고자 하는 상태임을 추정할 수 있다.
일실시예에 따른 배터리 상태 추정부(330)는 미리 학습된 최적의 특징 공간 변환 모델을 이용하여, 실시간으로 배터리 센서 신호의 세그먼트 데이터에 대한 배터리 상태 추정이 가능하다. 여기서, 학습된 특징 공간 변환 모델은 도 1의 학습부(101)를 통해 획득될 수 있다.
일실시예에 따른 상태 추정부(102)는 배터리 상태의 종류에 따른 배터리 상태 추정 모델을 데이터베이스에 저장할 수도 있다. 이에 따라, 배터리 상태 추정 장치가 대상 배터리(104)의 상태를 추정하는데 소요되는 연산량 및 시간이 감소될 수 있다. 일실시예에 따르면, 대상 배터리(104)에 대한 새로운 타입의 배터리 센서 신호가 입력된 경우, 상태 추정부(102)는 새로운 배터리 센서 신호를 이용하여 배터리 상태 타입에 따른 배터리 상태 추정 모델에 대한 정보를 데이터베이스에 업데이트할 수 있다.
상태 추정부(102)는 배터리 센서 신호를 이용하여, 배터리 상태를 추정할 수 있다. 여기서, 배터리 상태는 정상(normal) 상태, 비정상(abnormal) 상태 및 고장(fault) 상태를 포함할 수 있다. 정상 상태는 대상 배터리(104)가 정상 기능을 수행하는 상태를 의미하고, 비정상 상태는 대상 배터리(104)가 동작은 가능하나 정상 기능을 수행하지 못하는 상태를 의미하고, 고장 상태는 대상 배터리(104)가 동작을 수행하지 못하는 상태를 의미할 수 있다. 예를 들어, 비정상 상태 및 고장 상태는 대상 배터리(104)의 과충전, 과방전, 열 폭주, 폭발, 접촉 오류, 전력 감소 등을 포함할 수 있다. 또한, 비정상 상태 및 고장 상태는 다양한 원인에 의하여 발생될 수 있다. 예를 들어, 비정상 상태 및 고장 상태는 대상 배터리(104) 타입에 따른 대상 배터리(104) 내부의 화학적인 반응 상태, 대상 배터리(104) 주변의 온도, 습도와 같은 주변 환경 및 대상 배터리(104)의 충방전 내역 등 다양한 오류 요인에 기인할 수 있다.
도 4는 일실시예에 따른 라벨링된 세그먼트 데이터를 설명하기 위한 도면이다.
도 4를 참조하면, 배터리 센서 신호의 그래프(410)에 나타난 배터리 센서 신호(411)를 분할하여 세그먼트 데이터(421, 422, 423)를 생성하고, 각 세그먼트 데이터의 배터리 상태에 대응하는 라벨(431, 432, 433)을 라벨링하는 방법을 확인할 수 있다.
일실시예에 따르면, 배터리 센서 신호(411)를 분할하여 세그먼트 데이터(421, 422, 423)를 생성할 수 있다. 이때, 배터리 상태가 비정상인 세그먼트 데이터(412)를 확인할 수 있다.
일실시예에 따르면, 각 세그먼트 데이터(421, 422, 423)에 배터리 상태에 대응하는 라벨(431, 432, 433)을 라벨링하여 라벨링된 세그먼트 데이터를 생성할 수 있다. 배터리로부터 획득된 배터리 센서 신호(411)는 시계열의 배터리 센서 신호로 수집될 수 있다. 예를 들면, 배터리 센서 신호(411)는 배터리의 시간에 따른 전압 신호가 될 수 있다.
일실시예에 따르면, 시계열 배터리 센서 신호(411)를 미리 정해진 시간 간격으로 분할하여 세그먼트 데이터(421, 422, 423)를 생성할 수 있다. 분할된 세그먼트 데이터(421, 422, 423)에는 각 세그먼트 데이터의 배터리 상태에 대응하는 라벨이 라벨링될 수 있다.
예를 들면, 배터리 센서 신호(411)에서 점선 부분(412)은 비정상 상태 구간을 나타낸다. 따라서, 비정상 상태 구간의 배터리 센서 신호(412)는 세그먼트 데이터(422)로 분할되고, 비정상의 배터리 상태 라벨(432)이 라벨링될 수 있다.
다른 예를 들면, 배터리 센서 신호(411)에서 실선 부분은 정상 상태 구간을 나타낸다. 따라서, 정상 상태 구간의 배터리 센서 신호(412)는 세그먼트 데이터(421, 423)로 분할되고, 정상의 배터리 상태 라벨(431, 433)이 라벨링될 수 있다.
도 4에서는 배터리 상태가 비정상 정보(State of Abnormality)인 경우에 대응하여 배터리 상태 라벨이 정상 및 비정상의 상태로 표현이 되어 있으나, 배터리 상태 타입은 고장 정보(State of Fault), 충전 정보(State of Charge), 수명 정보(State of Health) 및 기능 정보(State of Function: SoF) 등을 포함할 수 있다. 배터리 상태 라벨이 '정상'인 경우, 배터리가 정상 상태임을 의미하고, 배터리 상태 라벨이 '비정상'인 경우 배터리가 비정상 상태임을 의미한다.
세그먼트 데이터에 세그먼트 데이터의 배터리 상태에 대응하는 라벨을 라벨링하여 라벨링된 세그먼트 데이터를 생성할 수 있다.
도 5는 라벨을 이용한 특징 추출의 효과를 설명하기 위한 도면이다.
도 5를 참조하면, 라벨 정보를 이용하지 않고 학습하는 방법인 주성분 분석(principle component analysis) 방법과 라벨 정보를 이용하여 학습하는 방법인 선형 판별 분석(Linear Discriminant Analysis) 방법을 비교할 수 있다.
먼저, 주성분 분석(principle component analysis) 방법의 경우, 데이터 공간에서의 그래프(510)에서 세그먼트 데이터를 주성분 분석 기반의 매트릭스(511)에 사영(project)하여 특징 공간에서의 그래프(512)로 나타낼 수 있다. 예를 들면, 고장 정보(State of Fault)를 배터리 상태로 할 경우, 데이터 공간에서의 그래프(510)에 정상 상태의 세그먼트 데이터는 O표시하고, 고장 상태의 세그먼트 데이터는 X표시를 할 수 있다. 이때, 라벨 정보를 이용하지 않고 세그멘트 데이터를 데이터 공간의 그래프(510)에서 미리 정해진 주성분 분석 기반의 매트릭스(511)에 사영하여 소정의 특징 공간(512)에 매핑하면, 특징 공간(512)에서의 세그먼트 데이터는 배터리 상태를 구분할 수 없게 뒤섞이게 된다.
다음으로, 라벨 정보를 이용한 선형 판별 분석의 경우, 데이터 공간에서의 그래프(520)에서 선형 판별 분석 기반의 매트릭스(521)에 세그먼트 데이터를 사영(project)하여 특징 공간에서의 그래프(522)로 나타낼 수 있다. 일실시예에 따라, 고장 정보(SoF)를 배터리 상태로 할 경우, 데이터 공간에서의 그래프(520)에 정상 상태의 세그먼트 데이터는 O표시하고, 고장 상태의 세그먼트 데이터는 X표시를 할 수 있다. 이때, 라벨 정보를 이용하여 세그먼트 데이터를 데이터 공간(520)에서 미리 정해진 선형 판별 분석 기반의 매트릭스(521)에 사영하여 소정의 특징 공간(522)에 매핑하면, 특징 공간(522)에서의 세그먼트 데이터는 배터리 상태를 구분하기 쉽게 분리된다.
따라서, 라벨 정보를 이용하면 배터리 센서 신호의 세그먼트 데이터를 특징 공간 변환 모델로 정의하여, 서로 다른 라벨을 포함하는 라벨링된 세그먼트 데이터의 구별이 최대화 되도록 저 차원 특징 공간에서 파라미터를 학습할 수 있다. 즉 변환된 특징 공간 상에서, 같은 배터리 상태 라벨을 갖는 데이터들은 보다 밀집된 형태를 하고, 서로 다른 배터리 상태 라벨을 갖는 데이터들은 보다 멀리 흩어져 있게 된다.
도 6은 일실시예에 따라 배터리 충전 정보를 추정하기 위한 충전 정보 구간과 충전 정보 라벨을 설명하기 위한 도면이다.
도 6을 참조하면, 배터리의 충전 정보 구간(610)을 미리 정해진 간격으로 분할하여 구간을 설정하고, 충전 정보 구간(610)에 대응하는 라벨(620)을 정의할 수 있다. 예를들면, 0~100% 충전 정보 범위를 20%씩 5개의 구간(611, 612, 613, 614, 615)별로 나누고, 각 구간에 대응하는 라벨(621, 622, 623, 624, 625)을 정의할 수 있다. 배터리의 충전 정보 구간(610)을 더 촘촘히 나누게 되면 보다 정밀한 충전 정보의 추정이 가능하다. 하지만, 학습해야 하는 모델의 파라미터 개수가 증가하고, 보다 많은 라벨(620)이 라벨링된 세그먼트 데이터의 세트가 필요하다.
배터리 상태 추정 장치는 충전 구간 별 라벨(621, 622, 623, 624, 625)을 달리 하여 라벨 별 특징 패턴을 추출할 수 있다.
일실시예에 따른 배터리 상태 추정 장치의 학습부는 참조 배터리의 배터리 센서 신호가 미리 정해진 시간 간격으로 분할된 세그먼트 데이터에 미리 정해진 간격에 따른 충전 구간에 대응하는 배터리 충전 정보 라벨을 포함하는 충전 정보 추정 모델을 학습할 수 있다.
실제 배터리 센서 신호와 이에 해당하는 충전 정보 값은 정밀 측정 실험을 통해서 얻을 수 있다. 한가지 예로 충방전기 장비를 활용하여, 사전 정의된 전류 프로파일을 기반으로 배터리 방전 시, 인가된 전류에 대한 쿨롱 카운팅(Coulomb Counting) 방식을 통해서 배터리 센서 신호에 해당하는 충전 정보 값을 측정할 수 있다. 이렇게 얻어진 배터리 센서 신호와 이에 해당하는 실제 충전 정보 측정 데이터를 기반으로 충전 정보 추정 모델의 형성이 가능하다. 형성된 충전 정보 구간에 대한 충전 정보 추정 모델를 이용해 차별적 특징 공간 변환 모델을 생성할 수 있다.
배터리 상태 추정 장치는 충전 정보 추정 모델에서 각 충전 구간에 대응하는 특징 데이터 패턴을 학습할 수 있다.
일실시예에 따른 배터리 상태 추정 장치의 상태 추정부는 세그먼트 데이터의 데이터 패턴과 배터리 충전 정보 라벨 별 특징 패턴을 패턴 매칭할 수 있다. 일실시예에 따르면, 세그먼트 데이터의 데이터 패턴과 가장 유사하게 매칭된 특징 패턴에 대응하는 충전 구간을 상기 대상 배터리의 충전 정보로 추정할 수 있다.
일실시예에 따른 배터리 상태 추정 장치의 상태 추정부는 특징 공간 변환 모델과 세그먼트 데이터를 패턴 매칭하여, 세그먼트 데이터와 가장 유사하게 패턴 매칭된 특징 공간 변환 모델에 대응하는 충전 구간을 충전 정보를 추정할 배터리의 충전 정보로 추정할 수 있다.
도 7은 일실시예에 따른 센서 상태를 추정하는 배터리 상태 추정 장치를 설명하기 위한 블록도이다.
도 7을 참조하면, 배터리 상태 추정 장치(100)는 참조 센서(710)를 이용하여 학습된 센서 상태 추정 모델을 통해 대상 센서(720)의 센서 상태를 추정할 수 있다. 이때, 참조 센서(710)는 참조 배터리(103)의 배터리 센서 신호를 센싱하는 센서이고, 대상 센서(720)는 대상 배터리(104)의 배터리 센서 신호를 센싱하는 센서를 말한다.
일실시예에 따른 배터리 상태 추정 장치(100)는 대상 센서(720)의 센서 상태를 추정할 수 있다. 일반적으로 전기 자동차의 배터리 관리 시스템(BMS)의 보호 동작 회로, 충전 정보 및 수명 정보 상태 추정 방법들은 배터리 센서 신호를 이용한다. 이때, 센서의 노후화로 인해 실제 전압, 전류, 온도 등의 데이터와 센서의 측정 데이터가 차이가 있을 수 있다. 일실시예에 따른 배터리 상태 추정 장치(100)를 통해 대상 센서(720)의 하드웨어 오류를 감지할 수 있다.
센서가 정상 운행시 나타나는 배터리 센서 신호의 세그먼트 데이터와 센서의 오류로 인해서 나타나는 배터리 센서 신호의 세그먼트 데이터는 서로 다른 양상을 보인다. 따라서, 배터리 상태 추정 장치(100)를 통해 정상 상태의 배터리 센서 신호 패턴과 비정상 상태의 배터리 센서 신호 패턴의 차이를 극대화 하여 실시간으로 배터리 센서의 오류 감지가 가능하다.
일실시예에 따른 배터리 상태 추정 장치(100)는 학습부(101) 및 상태 추정부(102)를 포함할 수 있다. 학습부(101)는 참조 배터리(103)를 참조 센서(710)로 센싱한 배터리 센서 신호와 센서 상태에 대응하는 라벨을 포함하는 센서 상태 추정 모델을 학습할 수 있다. 상태 추정부(102)는 학습부(101)에서 학습된 센서 상태 추정 모델을 전달 받아, 센서 상태 추정 모델과 대상 배터리(104)를 대상 센서(720)로 센싱한 배터리 센서 신호를 이용하여 대상 센서(720)의 센서 상태를 추정할 수 있다.
일실시예에 따르면, 상태 추정부(102)는 학습부(101)에서 학습된 센서 상태 추정 모델을 전달 받아, 센서 상태 추정 모델과 대상 센서(720)로 센싱한 배터리 센서 신호를 이용하여 대상 센서(720)의 센서 상태를 추정할 수 있다.
일실시예에 따른 학습부(101)는 세그먼트 데이터 생성부(201), 라벨링부(202), 센서 상태 특징 패턴 추출부(711) 및 센서 상태 추정 모델 학습부(712)를 포함할 수 있다.
이때, 학습부(101)는, 참조 배터리(103)를 참조 센서(710)로 센싱한 배터리 센서 신호를 이용해서 센서 상태 추정 모델을 학습할 수 있다.
일실시예에 따르면, 학습부(101)는 참조 센서(710)에서 센싱된 참조 배터리(103)의 배터리 센서 신호 및 센서 상태 이벤트 정보를 수집할 수 있다. 일실시예에 따르면, 센서 상태 이벤트 정보는 센서 정상 상태 또는 센서 오류 상태의 발생 여부와 발생 시간 정보를 포함할 수 있다.
일실시예에 따른 학습부(101)는, 참조 센서(103)의 상태가 정상 상태인지 또는 오류 상태인지 여부를 나타내는 센서 상태 이벤트 정보를 획득할 수 있다. 예를 들면, 참조 센서(103)가 정상적으로 참조 배터리(103)를 센싱하고 있으면 센서 정상 상태이고, 참조 센서(103)가 참조 배터리(103)를 센싱할 때 오류가 발생하면 센서 오류 상태에 해당할 수 있다.
일실시예에 따른 세그먼트 데이터 생성부(201)는, 참조 배터리(103)를 참조 센서(710)로 센싱한 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할하여 세그먼트 데이터를 생성할 수 있다. 이때, 배터리 센서 신호는 참조 배터리(103)의 전압 데이터, 전류 데이터, 온도 데이터 및 압력 데이터 중 적어도 하나를 포함할 수 있다.
참조 센서(710)에서 센싱된 참조 배터리(103)의 배터리 센서 신호의 세그먼트 데이터는 일정 기간 동안, 배터리 센서 신호의 일정 크기를 강제 하기 위해서, 세그먼트화 수행 전에, 배터리 센서 신호를 고정된 샘플링 간격으로 보정하는 전처리 과정이 필요할 수 있다.
라벨링부(202)는 세그먼트 데이터에 센서 상태에 대응하는 라벨을 라벨링할 수 있다. 여기서, 센서 상태는, 센서 정상 상태 및 센서 오류 상태 중 적어도 하나를 포함할 수 있다. 라벨링부(202)는 세그먼트 데이터의 센서 상태에 대응하는 라벨을, 상기 세그먼트 데이터에 라벨링하여 라벨링된 세그먼트 데이터를 생성할 수 있다. 예를 들면, 세그먼트 데이터의 센서 상태가 센서 오류 상태인 경우, 세그먼트 데이터에 '센서 오류' 라벨을 라벨링하여 라벨링된 세그먼트 데이터를 생성할 수 있다.
센서 상태 특징 패턴 추출부(711)는, 배터리 센서 신호가 분할된 세그먼트 데이터에 센서 상태에 대응하는 라벨을 라벨링하여 생성된, 라벨링된 세그먼트 데이터를 통해, 센서 상태에 대응하는 라벨 별 특징 패턴을 추출할 수 있다. 여기서, 센서 상태에 대응하는 라벨 별 특징 패턴은, 센서 정상 상태의 특징 패턴 및 센서 오류 상태의 특징 패턴을 포함할 수 있다.
센서 상태 추정 모델 학습부(712)는 센서 상태에 대응하는 라벨 별 특징 패턴을 포함하는 센서 상태 추정 모델을 학습할 수 있다.
일실시예에 따른 센서 상태 추정 모델 학습부(712)는, 측정하고자 하는 센서 상태의 실험적 재현을 통해 센서 상태 추정 모델을 미리 생성할 수 있다. 예를 들면, 센서 상태 추정 모델 학습부(712)는, 측정하고자 하는 센서 상태가 센서 오류 상태인 경우, 센서 오류 상태의 참조 센서(710)를 이용하여 센서 상태 추정 모델을 학습할 수 있다. 이때, 센서 상태 추정 모델 학습부(712)는 센서 오류 상태의 배터리 센서 신호를 이용하여 센서 상태 추정 모델을 생성하여 학습할 수 있다. 일실시예에 따르면, 센서 오류 상태의 배터리 센서 신호의 특징 패턴을 추출하여 특징 공간 변환 모델을 생성할 수 있다.
일실시예에 따른 상태 추정부(102)는 세그먼트 데이터 생성부(310), 패턴 매칭부(320) 및 센서 상태 추정부(721)를 포함할 수 있다. 이때, 상태 추정부(102)는 대상 배터리(104)를 대상 센서(720)로 센싱한 배터리 센서 신호를 이용해서 대상 센서(720)의 센서 상태를 추정할 수 있다. 여기서, 배터리 센서 신호는, 배터리의 전압 데이터, 전류 데이터, 온도 데이터 또는 압력 데이터 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 세그먼트 데이터 생성부(310)는 대상 센서(720)로 센싱한 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할하여 세그먼트 데이터를 생성할 수 있다.
패턴 매칭부(320)는, 학습부(101)에서 학습된 센서 상태 추정 모델과 대상 센서(720)의 배터리 센서 신호를 패턴 매칭할 수 있다. 일실시예에 따르면, 패턴 매칭부(320)는 센서 상태 추정 모델의 특징 패턴에 대응하는 특징 공간 변환 모델과 상기 대상 배터리의 세그먼트 데이터를 패턴 매칭할 수 있다.
일실시예에 따른 패턴 매칭부(320)는 대상 센서(720)로 센싱한 배터리 센서 신호와 학습부(101)에서 미리 학습된 센서 상태 별 특징 공간 매핑 모델의 유사도를 측정할 수 있다. 이때, 가장 유사하게 매칭된 배터리 상태에 대응하는 라벨을 센서 상태 추정부(721)에 전달할 수 있다.
일실시예에 따르면, 패턴 매칭부(320)는 센서 상태에 대응하는 라벨과 학습된 특징 패턴 사이의 유클리디안 거리를 계산하여 가장 유사한 라벨을 통해 현재 센서 상태를 추정할 수 있다. 다른 일실시예에 따르면, 패턴 매칭은 support vector machine(SVM) Classifier, Neural Network Classifier, Decision Tree Classifier, Linear or nonlinear regression 방법 등을 활용할 수도 있다.
센서 상태 추정부(721)는, 패턴 매칭의 결과에 따라 센서 상태를 추정할 수 있다. 일실시예에 따르면, 센서 상태 추정부(721)는 패턴 매칭부(320)에서 전달 받은, 가장 유사한 센서 상태에 대응하는 라벨을 이용하여 현재의 센서 상태를 추정할 수 있다.
다른 일실시예에 따르면, 센서 상태 추정부(721)는 패턴 매칭을 통해 센서 상태 추정 모델과 실시간으로 획득된 배터리 센서 신호의 세그먼트 데이터가 일치하는 경우, 센서 상태 추정 모델에 대응하는 센서의 상태를 추정할 수 있다.
일실시예에 따른 센서 상태 추정부(721)는 미리 학습된 최적의 특징 공간 변환 모델을 이용하여, 실시간으로 배터리 센서 신호의 세그먼트 데이터에 대한 센서 상태 추정이 가능하다. 여기서, 학습된 특징 공간 변환 모델은 학습부(101)를 통해 획득될 수 있다.
도 8은 일실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 흐름도이다.
도 8을 참조하면, 단계(810)에서 배터리 상태 추정 장치는 배터리 상태 추정 모델을 학습할 수 있다.
배터리 상태 추정 장치는 참조 배터리의 배터리 센서 신호를 획득할 수 있다. 이때, 획득된 배터리 센서 신호를 전처리하고 분할할 수 있다. 일실시예에 따르면, 배터리 센서 신호를 고정된 샘플링 간격으로 보정하고, 미리 정해진 시간 간격의 세그먼트 데이터로 분할할 수 있다.
배터리 상태 추정 장치는 획득된 세그먼트 데이터에 배터리 상태에 대응하는 라벨을 라벨링하고, 라벨 별 배터리 상태 추정 모델을 생성하여 학습할 수 있다.
일실시예에 따르면, 배터리 상태 추정 장치는 추정하고자 하는 배터리 상태에 대응하는 배터리 상태 라벨을 이용하여 각 라벨에 대응하는 차별적 특징 패턴을 추출할 수 있다. 일실시예에 따르면, 차별적 특징 패턴은 각 배터리 상태 별로 특징 공간 변환 모델로 저장 될 수 있다.
단계(810)에 대한 보다 상세한 설명은 후술되는 도 9의 상세한 설명에서 설명하도록 한다.
단계(820)에서, 배터리 상태 추정 장치는 학습된 배터리 상태 추정 모델을 이용하여 대상 배터리의 배터리 상태를 추정할 수 있다.
일실시예에 따르면, 배터리 상태 추정 장치는 배터리 상태 패턴 매칭을 수행할 수 있다. 일실시예에 따르면, 배터리 상태 패턴 매칭은, 측정된 세그먼트 데이터와, 각 상태 별로 학습된 특징 공간 변환 모델 중 추정하고자 하는 배터리 상태의 특징 공간 변환 모델의 패턴 매칭을 할 수 있다.
일실시예에 따르면, 배터리 상태 추정 장치는 패턴 매칭의 결과에 따라 배터리 상태를 추정할 수 있다. 일실시예에 따르면, 배터리 상태 추정은 패턴 매칭 결과에 따라 가장 유사한 패턴 매칭 결과를 갖는 배터리 상태가 현재 배터리 상태로 추정될 수 있다.
단계(820)에 대한 보다 상세한 설명은 후술되는 도 10의 상세한 설명에서 설명하도록 한다.
도 9는 일실시예에 따른 배터리 상태 추정 방법에 있어서, 배터리 상태 추정 모델 학습 단계를 구체적으로 설명하기 위한 흐름도이다.
도 9를 참조하면, 단계(811)에서, 배터리 상태 추정 장치는 참조 배터리의 배터리 센서 신호를 분할하여 세그먼트 데이터를 생성할 수 있다.
일실시예에 따르면, 배터리 상태 추정 장치는 참조 배터리를 센싱한 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할하여 세그먼트 데이터를 생성할 수 있다. 이때, 배터리 센서 신호는 참조 배터리를 센싱하는 센서로부터 센싱된, 참조 배터리의 전압 데이터, 전류 데이터, 온도 데이터 및 압력 데이터 중 적어도 하나를 포함할 수 있다.
단계(812)에서, 배터리 상태 추정 장치는 배터리 상태를 식별하고 배터리 상태에 대응하는 라벨을 세그먼트 데이터에 라벨링할 수 있다.
일실시예에 따르면, 배터리 상태 추정 장치는 세그먼트 데이터에 배터리 상태에 대응하는 라벨을 라벨링할 수 있다. 여기서, 배터리 상태는, 수명 정보(State of Health: SoH), 충전 정보(State of Charge: SoC), 기능 정보(State of Function: SoF) 및 오류 정보(Fault State) 중 적어도 하나를 포함할 수 있다. 배터리 상태 추정 장치는 세그먼트 데이터의 배터리 상태에 대응하는 라벨을, 상기 세그먼트 데이터에 라벨링하여 라벨링된 세그먼트 데이터를 생성할 수 있다. 예를 들면, 세그먼트 데이터의 배터리 상태가 오류 상태인 경우, 배터리 상태 추정 장치는 세그먼트 데이터에 '오류' 라벨을 라벨링하여 라벨링된 세그먼트 데이터를 생성할 수 있다.
일실시예에 따르면, 배터리 상태 추정 장치는 참조 배터리의 배터리 상태를 식별하여 배터리 상태 정보를 생성할 수 있다. 이때, 배터리 상태 정보는 참조 배터리의 배터리 상태에 대한 정보가 될 수 있다. 예를 들면, 배터리 상태 정보는 배터리의 상태가 정상 또는 비정상인지, 그 상태에 대응하는 시간 구간이 언제인지를 포함할 수 있다.
배터리 상태 정보는 배터리 비정상 상태 발생 여부의 정보와 상태 발생 시간 정보를 포함할 수 있다. 따라서, 배터리 상태 정보를 통해 참조 배터리의 상태를 식별할 수 있다.
배터리 상태 정보는 배터리 상태 측정 장비를 이용하여 미리 배터리 실험을 통해 목표로 하는 배터리 상태의 실험적 재현을 통해 획득할 수 있다. 즉, 일실시예에 따르면, 배터리에 과방전을 임의적으로 인가하는 실험을 통해, 과방전 비정상 상태의 배터리 상태 정보가 획득될 수 있다. 이러한 실험을 통해, 과방전 비정상 상태의 배터리 상태 추정 모델이 획득될 수 있다. 다른 일실시예에 따르면, 실제 배터리가 스마트 폰 또는 전기 자동차와 같은 제품에 탑재되어 운행 시, 배터리 고장으로 인한 이상 상태 발견을 통해 획득될 수 있다.
일실시예에 따르면, 배터리 상태 추정 장치는 참조 배터리의 상태에 대응하는 배터리 상태 라벨을 참조 배터리의 세그먼트 데이터에 라벨링 할 수 있다. 비정상 배터리 상태가 발생하면, 배터리 상태 추정 장치는 '비정상'에 대응하는 배터리 상태 라벨로 라벨링할 수 있다. 정상 배터리 상태가 발생하면, 배터리 상태 추정 장치는 '정상'에 대응하는 배터리 상태 라벨로 라벨링할 수 있다.
단계(813)에서, 배터리 상태 추정 장치는 라벨 별 특징 패턴을 추출할 수 있다.
일실시예에 따르면, 배터리 상태 추정 장치는 라벨링된 세그먼트 데이터의 집합 중 추정하고자 하는 배터리 상태에 대응하는 라벨링된 세그먼트 데이터에서 차별적(discriminant) 특징 패턴을 추출할 수 있다. 예를 들면, 추정하고자 하는 배터리 상태가 오류 상태인 경우, 배터리 상태 추정 장치는 오류 상태 라벨을 포함하는 라벨링된 세그먼트 데이터의 집합에서 특징 패턴을 추출할 수 있다.
단계(814)에서, 배터리 상태 추정 장치는 배터리 상태 추정 모델을 생성할 수 있다.
일실시예에 따르면, 배터리 상태 추정 장치는 판별 분석(Discriminant Analysis) 방법을 통해, 각 라벨 별 특징 패턴에 대응하는 배터리 상태 추정 모델을 생성할 수 있다. 이때, 배터리 상태 추정 장치는 특징 공간 변환 모델을 생성할 수 있다. 보다 구체적으로, 배터리 상태 추정 장치는 추정하고자 하는 배터리 상태에 대해, 수집된 라벨링된 세그먼트 데이터의 집합에 기초하여 판별 분석(Discriminant Analysis) 방법을 통해, 특징 공간 변환 모델을 생성할 수 있다. 이때, 배터리 상태 추정 장치는 판별 분석(Discriminant Analysis) 방법을 통해 생성된 특징 공간 변환 모델을 상기 배터리 상태 추정 모델로 생성할 수 있다.
도 10은 일실시예에 따른 배터리 상태 추정 방법에 있어서, 배터리 상태 추정 단계를 구체적으로 설명하기 위한 흐름도이다.
도 10을 참조하면, 단계(821)에서, 배터리 상태 추정 장치는 대상 배터리를 센싱한 배터리 센서 신호를 분할하여 세그먼트 데이터를 생성할 수 있다. 이때, 단계(821)은, 배터리 센서 데이터를 고정된 샘플링 간격으로 보정하는 전처리 단계를 포함할 수 있다.
단계(822)에서, 배터리 상태 추정 장치는 배터리 상태 추정 모델과 대상 배터리의 세그먼트 데이터를 패턴 매칭할 수 있다. 만일, 추정하고자 하는 배터리 상태가 배터리 오류 상태인 경우, 배터리 상태 추정 장치는 배터리 오류 상태에 대응하는 배터리 상태 추정 모델과 대상 배터리의 세그먼트 데이터를 패턴 매칭할 수 있다. 이때, "오류" 라벨이 라벨링된 배터리 상태 추정 모델과 가장 유사하게 패턴 매칭될 경우, 대상 배터리의 상태는 오류 상태임을 추정할 수 있다.
배터리 상태 추정 장치는 대상 배터리의 세그먼트 데이터와 학습된 특징 패턴 사이의 유클리디안 거리를 계산하여 가장 거리가 짧은 배터리 상태 라벨을 통해 현재 배터리 상태를 추정할 수 있다. 다른 일실시예에 따르면, 패턴 매칭은 support vector machine(SVM) Classifier, Neural Network Classifier, Decision Tree Classifier, Linear or nonlinear regression 방법 등을 활용할 수도 있다.
단계(823)에서, 배터리 상태 추정 장치는 대상 배터리의 배터리 상태를 추정할 수 있다. 일실시예에 따른 배터리 상태 추정 장치는 대상 배터리의 세그먼트 데이터와 가장 유사하게 매칭된 배터리 상태 라벨을 이용하여 현재의 배터리 상태를 추정할 수 있다.
일실시예에 따르면, 배터리 상태 추정 장치는 대상 배터리를 측정하는 센서의 센서 상태를 추정할 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, 컨트롤러, 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 상기 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 복수의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 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. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
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 (22)

  1. 배터리 상태에 대응하는 라벨을 포함하는, 배터리 상태 추정 모델을 학습하는 학습부; 및
    상기 배터리 상태 추정 모델을 통해 대상 배터리의 배터리 상태를 추정하는 상태 추정부
    를 포함하는 배터리 상태 추정 장치.
  2. 제1항에 있어서,
    상기 배터리 상태는,
    수명 정보(State of Health: SoH), 충전 정보(State of Charge: SoC), 기능 정보(State of Function: SoF) 및 오류 정보(Fault State) 중 적어도 하나를 포함하는
    배터리 상태 추정 장치.
  3. 제1항에 있어서,
    상기 학습부는,
    참조 배터리의 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할하여 세그먼트 데이터를 생성하는 세그먼트 데이터 생성부;
    상기 세그먼트 데이터에 상기 배터리 상태에 대응하는 라벨을 라벨링하는 라벨링부; 및
    상기 라벨링된 세그먼트 데이터의 상기 라벨 별 특징 패턴을 추출하는 패턴 추출부
    를 포함하는 배터리 상태 추정 장치.
  4. 제3항에 있어서,
    상기 학습부는,
    판별 분석(Discriminant Analysis) 방법을 통해, 상기 특징 패턴에 대응하는 특징 공간 변환 모델을 상기 배터리 상태 추정 모델로 생성하는 배터리 상태 추정 모델 생성부
    를 더 포함하는 배터리 상태 추정 장치.
  5. 제3항에 있어서,
    상기 배터리 센서 신호는,
    상기 배터리의 시계열(time-series) 공간상의 전압 데이터, 전류 데이터, 온도 데이터 및 압력 데이터 중 적어도 하나를 포함하는
    배터리 상태 추정 장치.
  6. 제3항에 있어서,
    상기 세그먼트 데이터 생성부는,
    상기 배터리 센서 신호를 고정된 샘플링 간격으로 보정하는 전처리부
    를 포함하는 배터리 상태 추정 장치.
  7. 제1항에 있어서,
    상기 상태 추정부는,
    대상 배터리의 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할하여 세그먼트 데이터를 생성하는 세그먼트 데이터 생성부;
    상기 배터리 상태 추정 모델과 상기 대상 배터리의 세그먼트 데이터를 패턴 매칭하는 패턴 매칭부; 및
    상기 패턴 매칭의 결과에 따라 배터리 상태를 추정하는 배터리 상태 추정부
    를 포함하는 배터리 상태 추정 장치.
  8. 제7항에 있어서,
    상기 패턴 매칭부는,
    추정하고자 하는 배터리 상태에 대응하는 배터리 상태 추정 모델의 특징 패턴과 상기 대상 배터리의 세그먼트 데이터의 데이터 패턴을 패턴 매칭하고,
    상기 배터리 상태 추정부는,
    상기 대상 배터리의 세그먼트 데이터와 가장 유사하게 패턴 매칭된 특징 패턴에 대응하는 배터리 상태를 상기 대상 배터리의 배터리 상태로 추정하는
    배터리 상태 추정 장치.
  9. 제1항에 있어서,
    상기 배터리 상태는 충전 정보(State of Charge: SoC)를 포함하고,
    상기 학습부는,
    미리 정해진 간격에 따른 충전 구간에 대응하는 배터리 충전 정보 라벨을 포함하는 충전 정보 추정 모델을 학습하고,
    상기 상태 추정부는,
    대상 배터리의 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할한 세그먼트 데이터와 상기 충전 정보 추정 모델을 비교하여 상기 대상 배터리의 충전 정보를 추정하는
    배터리 상태 추정 장치.
  10. 제9항에 있어서,
    상기 학습부는,
    상기 충전 정보 추정 모델의 상기 배터리 충전 정보 라벨 별 특징 패턴을 추출하고,
    상기 상태 추정부는,
    상기 세그먼트 데이터의 데이터 패턴과 상기 배터리 충전 정보 라벨 별 특징 패턴을 패턴 매칭하여 상기 세그먼트 데이터의 데이터 패턴과 가장 유사하게 매칭된 특징 패턴에 대응하는 충전 구간을 상기 대상 배터리의 충전 정보로 추정하는
    배터리 상태 추정 장치.
  11. 제1항에 있어서,
    상기 학습부는,
    센서 상태에 대응하는 라벨을 포함하는 센서 상태 추정 모델을 학습하는 센서 상태 추정 모델 학습부를 포함하고,
    상기 상태 추정부는,
    상기 센서 상태 추정 모델을 통해, 대상 배터리의 배터리 센서 신호를 측정하는 센서의 센서 상태를 추정하는 센서 상태 추정부를 포함하는
    배터리 상태 추정 장치.
  12. 제11항에 있어서,
    상기 학습부는,
    센서 상태에 대응하는 라벨 별 특징 패턴을 추출하는 센서 상태 특징 패턴 추출부
    를 더 포함하고,
    상기 센서 상태 추정부는,
    상기 센서 상태에 대응하는 라벨 별 특징 패턴과 상기 대상 배터리의 세그먼트 데이터의 데이터 패턴을 패턴 매칭하고, 상기 패턴 매칭의 결과에 따라, 상기 특징 패턴에 대응하는 센서 상태를 상기 대상 배터리의 배터리 센서 신호를 측정하는 센서의 센서 상태로 추정하는
    배터리 상태 추정 장치.
  13. 배터리 상태에 대응하는 라벨을 포함하는 배터리 상태 추정 모델을 학습하는 단계; 및
    상기 배터리 상태 추정 모델을 통해 대상 배터리의 배터리 상태를 추정하는 단계
    를 포함하는 배터리 상태 추정 방법.
  14. 제13항에 있어서,
    상기 배터리 상태 추정 모델을 학습하는 단계는,
    참조 배터리의 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할하여 세그먼트 데이터를 생성하는 단계;
    상기 세그먼트 데이터에 상기 배터리 상태에 대응하는 라벨을 라벨링하는 단계; 및
    상기 라벨링된 세그먼트 데이터의 상기 라벨 별 특징 패턴을 추출하는 단계
    를 포함하는 배터리 상태 추정 방법.
  15. 제14항에 있어서,
    상기 배터리 상태 추정 모델을 학습하는 단계는,
    판별 분석(Discriminant Analysis) 방법을 통해, 상기 특징 패턴에 대응하는 배터리 상태 추정 모델을 생성하는 단계
    를 더 포함하는 배터리 상태 추정 방법.
  16. 제14항에 있어서,
    상기 세그먼트 데이터를 생성하는 단계는,
    상기 배터리 센서 신호를 고정된 샘플링 간격으로 보정하는
    배터리 상태 추정 방법.
  17. 제13항에 있어서,
    상기 배터리 상태를 추정하는 단계는,
    대상 배터리의 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할하여 세그먼트 데이터를 생성하는 단계;
    상기 배터리 상태 추정 모델과 상기 대상 배터리의 세그먼트 데이터를 패턴 매칭하는 단계; 및
    상기 패턴 매칭의 결과에 따라 배터리 상태를 추정하는 단계
    를 포함하는 배터리 상태 추정 방법.
  18. 제17항에 있어서,
    상기 패턴 매칭하는 단계는,
    추정하고자 하는 배터리 상태에 대응하는 배터리 상태 추정 모델의 특징 패턴과 상기 대상 배터리의 세그먼트 데이터의 데이터 패턴을 패턴 매칭하고,
    상기 배터리 상태를 추정하는 단계는,
    상기 대상 배터리의 세그먼트 데이터와 가장 유사하게 패턴 매칭된 특징 패턴에 대응하는 배터리 상태를 상기 대상 배터리의 배터리 상태로 추정하는
    배터리 상태 추정 방법.
  19. 제13항에 있어서,
    상기 배터리 상태는 충전 정보(State of Charge: SoC)를 포함하고,
    상기 배터리 상태 추정 모델을 학습하는 단계는,
    미리 정해진 간격에 따른 충전 구간에 대응하는 배터리 충전 정보 라벨을 포함하는 충전 정보 추정 모델을 학습하고,
    상기 배터리 상태를 추정하는 단계는,
    대상 배터리의 배터리 센서 신호를 미리 정해진 시간 간격에 따라 분할한 세그먼트 데이터와 상기 충전 정보 추정 모델을 비교하여 상기 배터리의 충전 정보를 추정하는
    배터리 상태 추정 방법.
  20. 제19항에 있어서,
    상기 배터리 상태 추정 모델을 학습하는 단계는,
    상기 충전 정보 추정 모델의 상기 배터리 충전 정보 라벨 별 특징 패턴을 추출하고,
    상기 배터리 상태를 추정하는 단계는,
    상기 세그먼트 데이터의 데이터 패턴과 상기 배터리 충전 정보 라벨 별 특징 패턴을 패턴 매칭하여 상기 세그먼트 데이터의 데이터 패턴과 가장 유사하게 매칭된 특징 패턴에 대응하는 충전 구간을 상기 대상 배터리의 충전 정보로 추정하는
    배터리 상태 추정 방법.
  21. 제13항에 있어서,
    상기 배터리 상태 추정 모델을 학습하는 단계는,
    센서 상태에 대응하는 라벨을 포함하는 센서 상태 추정 모델을 학습하는 단계를 포함하고,
    상기 배터리 상태를 추정하는 단계는,
    상기 센서 상태 추정 모델을 통해, 대상 배터리의 배터리 센서 신호를 측정하는 센서의 센서 상태를 추정하는 단계
    를 포함하는 배터리 상태 추정 방법.
  22. 제21항에 있어서,
    상기 센서 상태 추정 모델을 학습하는 단계는,
    센서 상태에 대응하는 라벨 별 특징 패턴을 추출하는 단계를 포함하고,
    상기 센서 상태를 추정하는 단계는,
    상기 센서 상태에 대응하는 라벨 별 특징 패턴과 상기 대상 배터리의 세그먼트 데이터의 데이터 패턴을 패턴 매칭하고, 상기 패턴 매칭의 결과에 따라, 상기 특징 패턴에 대응하는 센서 상태를, 상기 대상 배터리의 배터리 센서 신호를 측정하는 센서의 센서 상태로 추정하는
    배터리 상태 추정 방법.
KR1020150018828A 2015-02-06 2015-02-06 배터리 상태 추정 장치 및 방법 KR102332399B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150018828A KR102332399B1 (ko) 2015-02-06 2015-02-06 배터리 상태 추정 장치 및 방법
US15/010,977 US10408881B2 (en) 2015-02-06 2016-01-29 Method and apparatus for estimating state of battery

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150018828A KR102332399B1 (ko) 2015-02-06 2015-02-06 배터리 상태 추정 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20160097029A true KR20160097029A (ko) 2016-08-17
KR102332399B1 KR102332399B1 (ko) 2021-11-29

Family

ID=56566719

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150018828A KR102332399B1 (ko) 2015-02-06 2015-02-06 배터리 상태 추정 장치 및 방법

Country Status (2)

Country Link
US (1) US10408881B2 (ko)
KR (1) KR102332399B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180037722A (ko) * 2016-10-05 2018-04-13 삼성전자주식회사 배터리 유닛을 관리하는 장치, 방법, 및 시스템
KR20190019316A (ko) * 2017-08-17 2019-02-27 삼성전자주식회사 배터리 상태 추정 방법 및 장치
KR20190061630A (ko) * 2017-11-28 2019-06-05 삼성전자주식회사 배터리 상태 추정 방법 및 장치
WO2022075708A1 (ko) * 2020-10-05 2022-04-14 주식회사 엘지에너지솔루션 배터리 상태 진단 장치 및 방법
KR20220127719A (ko) * 2021-03-11 2022-09-20 경북대학교 산학협력단 클라우드 기반 배터리 상태 분석 시스템 및 방법
KR20220159045A (ko) * 2021-05-25 2022-12-02 케이지씨 주식회사 배터리 팩 온도 제어 방법 및 시스템
WO2023063599A1 (ko) * 2021-10-13 2023-04-20 주식회사 엘지에너지솔루션 배터리 충방전 프로파일 분석 방법 및 배터리 충방전 프로파일 분석 장치

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2556076B (en) * 2016-11-17 2022-02-23 Bboxx Ltd Method
KR20180085165A (ko) 2017-01-18 2018-07-26 삼성전자주식회사 배터리 관리 방법 및 장치
WO2019207399A1 (ja) * 2018-04-27 2019-10-31 株式会社半導体エネルギー研究所 蓄電装置の充電状態推定方法及び蓄電装置の充電状態推定システム
JP7310137B2 (ja) * 2018-12-28 2023-07-19 株式会社Ｇｓユアサ データ処理装置、データ処理方法、及びコンピュータプログラム
KR20200087494A (ko) 2019-01-11 2020-07-21 삼성전자주식회사 배터리 관리 방법 및 장치
WO2020180317A1 (en) * 2019-03-06 2020-09-10 Johnson Controls Fire Protection LP Lithium battery passivation detection
WO2020180318A1 (en) 2019-03-06 2020-09-10 Johnson Controls Fire Protection LP Lithium battery activation and long-term maintenance
JP2021086816A (ja) * 2019-11-29 2021-06-03 パナソニックＩｐマネジメント株式会社 電池情報管理装置、電池情報管理方法、および電池情報管理システム
CN112379273B (zh) * 2020-11-16 2021-07-30 北京理工大学 基于人工智能的锂离子电池充电曲线重构及状态估计方法
CN113627565A (zh) * 2021-08-23 2021-11-09 湖北亿纬动力有限公司 新能源汽车电池数据标签生成方法、装置、设备及存储介质
CN114325406A (zh) * 2021-12-30 2022-04-12 重庆长安新能源汽车科技有限公司 一种基于机器学习思维预测电池热失控的方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060110832A (ko) * 2005-04-20 2006-10-25 가부시키가이샤 덴소 뉴럴 네트워크 연산에 기초하여 2차 전지의 충전 상태를검출하기 위한 방법 및 장치
KR20120133620A (ko) * 2011-05-31 2012-12-11 한국전력공사 전기자동차의 배터리 관리 시스템 및 그 방법
KR20130040575A (ko) * 2011-10-14 2013-04-24 삼성에스디아이 주식회사 배터리의 고장 검출 장치 및 방법

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5570147A (en) * 1992-03-17 1996-10-29 Sony Corporation Photographic camera system
US6259084B1 (en) * 1999-09-02 2001-07-10 Hewlett Packard Company System and method for improved scanning accuracy through noise reduction and pulse timing
US6539343B2 (en) * 2000-02-03 2003-03-25 Xerox Corporation Methods for condition monitoring and system-level diagnosis of electro-mechanical systems with multiple actuating components operating in multiple regimes
KR100778440B1 (ko) 2006-01-25 2007-11-21 삼성에스디아이 주식회사 배터리의 ｓｏｃ 판단 장치 및 방법
JP5268085B2 (ja) 2007-01-10 2013-08-21 ヤマハモーターパワープロダクツ株式会社 バッテリの容量管理装置
JP4995643B2 (ja) 2007-06-11 2012-08-08 パナソニック株式会社 非水系電解質二次電池の内部短絡検知方法および装置
KR100936892B1 (ko) * 2007-09-13 2010-01-14 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
JP5331493B2 (ja) 2009-01-13 2013-10-30 日立ビークルエナジー株式会社 電池制御装置
KR101036061B1 (ko) 2009-04-21 2011-05-19 에스비리모티브 주식회사 배터리 관리 시스템 및 그 구동 방법
JP2011233414A (ja) 2010-04-28 2011-11-17 Sanyo Electric Co Ltd 二次電池の残容量データ生成方法及びパック電池
KR101604252B1 (ko) 2010-10-06 2016-03-18 현대모비스 주식회사 배터리 교체여부 판단방법
JP5768001B2 (ja) * 2012-04-23 2015-08-26 株式会社日立製作所 電池システムのメンテナンス管理システム及び方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060110832A (ko) * 2005-04-20 2006-10-25 가부시키가이샤 덴소 뉴럴 네트워크 연산에 기초하여 2차 전지의 충전 상태를검출하기 위한 방법 및 장치
KR20120133620A (ko) * 2011-05-31 2012-12-11 한국전력공사 전기자동차의 배터리 관리 시스템 및 그 방법
KR20130040575A (ko) * 2011-10-14 2013-04-24 삼성에스디아이 주식회사 배터리의 고장 검출 장치 및 방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180037722A (ko) * 2016-10-05 2018-04-13 삼성전자주식회사 배터리 유닛을 관리하는 장치, 방법, 및 시스템
KR20190019316A (ko) * 2017-08-17 2019-02-27 삼성전자주식회사 배터리 상태 추정 방법 및 장치
KR20190061630A (ko) * 2017-11-28 2019-06-05 삼성전자주식회사 배터리 상태 추정 방법 및 장치
WO2022075708A1 (ko) * 2020-10-05 2022-04-14 주식회사 엘지에너지솔루션 배터리 상태 진단 장치 및 방법
KR20220127719A (ko) * 2021-03-11 2022-09-20 경북대학교 산학협력단 클라우드 기반 배터리 상태 분석 시스템 및 방법
KR20220159045A (ko) * 2021-05-25 2022-12-02 케이지씨 주식회사 배터리 팩 온도 제어 방법 및 시스템
WO2023063599A1 (ko) * 2021-10-13 2023-04-20 주식회사 엘지에너지솔루션 배터리 충방전 프로파일 분석 방법 및 배터리 충방전 프로파일 분석 장치

Also Published As

Publication number Publication date
US20160231386A1 (en) 2016-08-11
KR102332399B1 (ko) 2021-11-29
US10408881B2 (en) 2019-09-10

Similar Documents

Publication Publication Date Title
KR102332399B1 (ko) 배터리 상태 추정 장치 및 방법
EP3162609B1 (en) Battery management method and apparatus
KR20160101506A (ko) 배터리 신호 세그먼트 데이터의 확률 추론을 기반으로 한 배터리 상태 추정 방법 및 장치
KR102221756B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR102468895B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
JP6354755B2 (ja) システム分析装置、システム分析方法、及びシステム分析プログラム
EP2963553B1 (en) System analysis device and system analysis method
KR101978569B1 (ko) 플랜트 데이터 예측 장치 및 방법
KR20160097030A (ko) 배터리의 충전 전압 데이터에 기반한 배터리 상태 추정 방법 및 장치
JP6183449B2 (ja) システム分析装置、及び、システム分析方法
CN116400244B (zh) 储能电池的异常检测方法及装置
JP6898607B2 (ja) 異常予兆検出システムおよび異常予兆検出方法
WO2020170391A1 (ja) 学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体
CN115144765A (zh) 电池内短路故障检测方法及装置
CN116543538B (zh) 一种物联网消防电气预警方法及预警系统
Chang et al. Micro-short circuit fault diagnosis of lithium-ion battery based on voltage curve similarity ranking volatility
Qian et al. EMD-KPCA based Short Circuit Fault Diagnosis Method for Battery Pack
JPWO2023100243A5 (ko)
WO2024058851A1 (en) Transferable hybrid prognostics based on fundamental degradation modes
JP2010247567A (ja) 路面摩擦係数推定システム異常診断装置

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant