KR20170050655A

KR20170050655A - Soh 추정 장치 및 방법과, soh 추정 모델 생성 장치 및 방법

Info

Publication number: KR20170050655A
Application number: KR1020150152462A
Authority: KR
Inventors: 유개원; 박상도
Original assignee: 삼성전자주식회사
Priority date: 2015-10-30
Filing date: 2015-10-30
Publication date: 2017-05-11
Also published as: US10663522B2; KR102574257B1; US20170123009A1

Abstract

SOH 추정 장치 및 방법과, SOH 추정 모델 생성 장치 및 방법이 개시된다. 일 양상에 따른 배터리의 SOH 추정 장치는, 배터리에서 센싱된 데이터를 데이터 값에 따라 하나 이상의 영역으로 분할하는 분할부와, 상기 분할된 영역 별로 서로 다른 SOH 추정 모델을 적용하여 상기 배터리의 SOH를 추정하는 추정부를 포함할 수 있다.

Description

SOH 추정 장치 및 방법과, SOH 추정 모델 생성 장치 및 방법{Apparatus and method for estimating state of health for battery, apparatus and method for generating model for estimating state of health for battery}

배터리 관리 기술에 관한 것으로, 특히, SOH 추정 장치 및 방법과, SOH 추정 모델 생성 장치 및 방법과 관련된다.

환경문제와 에너지 자원 문제가 중요시되는 가운데 전기 자동차(Electric Vehicle)가 미래의 운송 수단으로 각광받고 있다. 전기 자동차는 충방전이 가능한 다수의 2차 전지(cell)가 하나의 팩(pack)으로 형성된 배터리를 주동력원으로 이용하기 때문에 배기가스가 전혀 없고 소음이 매우 작다.

전기 자동차에서 배터리는 가솔린 자동차의 엔진 및 연료 탱크와 같은 역할을 한다. 따라서 전기 자동차 사용자의 안전을 위하여, 배터리의 상태를 확인하는 것이 중요하다.

SOH 추정 장치 및 방법과, SOH 추정 모델 생성 장치 및 방법을 제공하는 것을 목적으로 한다.

일 양상에 따른 배터리의 SOH 추정 장치는, 배터리에서 센싱된 데이터를 데이터 값에 따라 하나 이상의 영역으로 분할하는 분할부와, 상기 분할된 영역 별로 서로 다른 SOH 추정 모델을 적용하여 상기 배터리의 SOH를 추정하는 추정부를 포함할 수 있다.

상기 센싱된 데이터는, 전압 데이터, 전류 데이터 및 온도 데이터 중 적어도 하나를 포함할 수 있다.

상기 분할부는, 상기 배터리에서 센싱된 데이터를 시분할하는 데이터 시분할부와, 상기 시분할된 데이터의 전압 레벨을 결정하고, 결정된 전압 레벨을 기반으로 상기 시분할된 데이터가 속하는 영역을 결정하는 영역 결정부를 포함할 수 있다.

상기 데이터 시분할부는, 슬라이딩 윈도우를 이용하여 상기 배터리에서 센싱된 데이터를 시분할할 수 있다.

상기 영역 결정부는, 상기 시분할된 데이터의 전압의 중심경향(central tendency)을 산출하고, 산출된 중심경향을 기반으로 상기 시분할된 데이터의 전압 레벨을 결정할 수 있다.

상기 SOH 추정 모델은, 시분할된 훈련용 데이터를 전압 레벨별로 분류하고, 상기 분류된 훈련용 데이터를 전압 레벨별로 학습시켜 생성될 수 있다.

다른 양상에 따른 SOH 추정 모델 생성 장치는, 배터리에 대한 훈련용 데이터를 수집하는 데이터 수집부와, 상기 수집된 훈련용 데이터를 시분할하는 데이터 시분할부와, 상기 시분할된 훈련용 데이터를 전압 레벨별로 분류하는 데이터 분류부와, 상기 분류된 훈련용 데이터를 이용하여 학습을 통해 전압 레벨별로 SOH 추정 모델을 생성하는 모델 생성부를 포함할 수 있다.

상기 데이터 시분할부는, 슬라이딩 윈도우를 이용하여 상기 수집된 데이터를 시분할할 수 있다.

상기 데이터 분류부는, 상기 시분할된 훈련용 데이터의 전압의 중심경향(central tendency)을 산출하고 산출된 중심경향을 기반으로 상기 시분할된 훈련용 데이터를 전압 레벨별로 분류할 수 있다.

또 다른 양상에 따른 배터리의 SOH 추정 방법은, 배터리에서 센싱된 데이터를 데이터 값에 따라 하나 이상의 영역으로 분할하는 단계와, 상기 분할된 영역 별로 서로 다른 SOH 추정 모델을 적용하여 상기 배터리의 SOH를 추정하는 단계를 포함할 수 있다.

상기 분할하는 단계는, 상기 배터리에서 센싱된 데이터를 시분할하는 단계와, 상기 시분할된 데이터의 전압 레벨을 결정하는 단계와, 상기 결정된 전압 레벨을 기반으로 상기 시분할된 데이터가 속하는 영역을 결정하는 단계를 포함할 수 있다.

상기 시분할하는 단계는, 슬라이딩 윈도우를 이용하여 상기 배터리에서 센싱된 데이터를 시분할할 수 있다.

상기 전압 레벨을 결정하는 단계는, 상기 시분할된 데이터의 전압의 중심경향(central tendency)을 산출하는 단계와, 상기 산출된 중심경향을 기반으로 상기 시분할된 데이터의 전압 레벨을 결정하는 단계를 포함할 수 있다.

배터리에 대한 훈련용 데이터의 변화 패턴을 전압(또는 SOC) 레벨별로 학습하여 다수의 SOH 추정 모델을 생성하고, 배터리에서 센싱된 데이터의 전압(또는 SOC) 레벨에 따라 다수의 SOH 추정 모델 중에서 하나를 선택 및 이용하여 배터리의 SOH를 추정함으로써, 배터리의 SOH 추정의 정확도를 높일 수 있다.

도 1은 배터리 시스템의 일 실시예를 도시한 블록도이다.
도 2는 배터리의 SOH 추정 장치의 일 실시예를 도시한 블록도이다.
도 3은 일 실시예에 따른 데이터의 시분할을 설명하기 위한 예시도이다.
도 4는 배터리의 SOH를 추정하는 방법을 설명하기 위한 예시도이다.
도 5는 SOH 추정 모델 생성 장치의 일 실시예를 도시한 블록도이다.
도 6은 배터리의 SOH 추정 방법의 일 실시예를 도시한 흐름도이다.
도 7은 배터리에서 센싱된 데이터를 분할하는 방법의 일 실시예를 도시한 흐름도이다.
도 8은 SOH 추정 모델 생성 방법의 일 실시예를 도시한 흐름도이다.

이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로, 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도 1은 배터리 시스템의 일 실시예를 도시한 블록도이다.

도 1을 참조하면 배터리 시스템(100)은 배터리(110), 전압 센서(121), 전류 센서(122), 온도 센서(123) 및 배터리 관리 장치(130)를 포함할 수 있다.

배터리(110)는 배터리 시스템(100)이 탑재된 장치에 전력을 공급할 수 있다. 배터리(110)는 직렬 및/또는 병렬로 연결된 다수의 배터리 모듈을 포함할 수 있고, 각 배터리 모듈은 다수의 배터리 셀을 포함할 수 있다. 이때, 각 배터리 모듈 또는 각 배터리 셀은 니켈 메탈 배터리, 리튬 이온 배터리 등의 2차 전지일 수 있다. 또한, 각 배터리 모듈 또는 각 배터리 셀의 용량은 서로 동일할 수도 있고, 서로 상이할 수도 있다.

전압 센서(121)는 배터리(110)에 걸리는 전압을 센싱할 수 있고, 전류 센서(122)는 배터리(110)에 흐르는 전류를 센싱할 수 있고, 온도 센서(123)는 배터리(110)의 온도를 센싱할 수 있다.

배터리 관리 장치(130)는 배터리(110)의 상태를 모니터링하고, 모니터링 결과에 따라 배터리를 관리할 수 있다. 이를 위해 배터리 관리 장치(130)는 버퍼(131), SOC 추정부(132), SOH 추정부(133), 배터리 관리부(134) 및 통신 인터페이스부(135)를 포함할 수 있다.

버퍼(131)는 전압 센서(121), 전류 센서(122) 및 온도 센서(123)에 의해 센싱된 데이터를 임시 저장할 수 있다.

SOC 추정부(132)는 전압 센서(121), 전류 센서(122) 및 온도 센서(123)에 의해 센싱된 데이터를 기반으로 배터리(110)의 SOC(State of Charge)를 추정할 수 있다. 여기서, SOC는 배터리(110)에 충전된 전하량에 대한 정보를 나타낼 수 있다.

일 실시예에 따르면, SOC 추정부(132)는 전류 적산법(Coulomb counting), 등가회로 모델 기법, 전기화학 모델 기법, 및 데이터 기반 기법 등을 통해 배터리(110)의 SOC를 추정할 수 있다. 그러나, 상술한 방법들은 일 실시예에 불과할 뿐 이에 한정되는 것은 아니며, SOC 추정부(132)는 다양한 방법으로 배터리(110)의 SOC를 추정할 수 있다.

SOH 추정부(133)는 전압 센서(121), 전류 센서(122) 및 온도 센서(123)에 의해 센싱된 데이터를 데이터 값에 따라 하나 이상의 영역으로 분할하고, 분할된 영역 별로 서로 다른 SOH 추정 모델을 적용하여 배터리의 SOH(State of Health)를 추정할 수 있다. 여기서, SOH는 배터리(110)의 성능이 제조 시에 비해 어느 정도 열화되었는 지에 대한 정보를 나타낼 수 있다.

배터리 관리부(134)는 센싱된 데이터를 기반으로 배터리(110)의 내부 온도 및 전압이 설정된 범위 내로 유지될 수 있도록 cooling system 또는 heating system을 제어하여 배터리(110)의 열 제어를 수행하거나, 배터리(110)의 전압 또는 전류를 조절할 수 있다. 또한, 배터리 관리부(134)는 배터리(110)의 SOC 및 SOH를 기반으로 배터리(110)의 과충전 및 과방전을 방지하고, 셀 밸런싱을 수행하여 배터리에 포함된 복수 개의 배터리 모듈간의 충전 상태가 균등하도록 제어할 수 있다. 이에 따라, 배터리의 에너지 효율이 높아지고, 배터리의 수명이 연장될 수 있다.

통신 인터페이스부(135)는 센싱된 데이터, 추정된 배터리의 SOC 및 SOH 등을 외부 장치(예컨대, 전자 제어 장치(Electronic Control Unit: ECU) 등)에 전달할 수 있다.

도 2는 배터리의 SOH 추정 장치의 일 실시예를 도시한 블록도이다.

SOH 추정 장치(200)는 도 1의 SOH 추정부(133)의 일 실시예일 수 있다.

도 2를 참조하면, SOH 추정 장치(200)는 분할부(210), 모델 저장부(220), 및 추정부(230)를 포함할 수 있다.

분할부(210)는 배터리에서 센싱된 데이터를 그 데이터의 값에 따라 하나 이상의 영역으로 분할할 수 있다. 여기서, 배터리에서 센싱된 데이터는 배터리의 전압 데이터, 전류 데이터 및 온도 데이터 중 적어도 하나를 포함할 수 있다. 또한, 영역은 동일한 SOH 추정 모델이 적용되는 데이터의 구간을 의미할 수 있다. 즉, 분할부(210)는 동일한 SOH 추정 모델이 적용되는 데이터의 구간을 동일한 영역으로 분할할 수 있다.

이를 위해, 분할부(210)는 데이터 시분할부(211) 및 영역 결정부(212)를 포함할 수 있다.

데이터 시분할부(210)는 배터리에서 센싱된 데이터를 시분할할 수 있다. 일 실시예에 따르면, 데이터 시분할부(210)는 슬라이딩 윈도우를 이용하여 센싱된 데이터를 시분할할 수 있다. 슬라이딩 윈도우는 데이터의 처리 단위를 나타낼 수 있다.

데이터의 시분할에 관한 자세한 설명은 도 3을 참조하여 후술하기로 한다.

영역 결정부(212)는 데이터 시분할부(211)에서 시분할된 데이터의 전압 레벨을 결정할 수 있다. 일 실시예에 따르면, 영역 결정부(212)는 시분할된 데이터의 전압의 중심경향(central tendency)(예컨대, 산술평균, 가중평균, 중앙값, 최빈값 등)을 산출하고, 산출된 중심경향을 기반으로 시분할된 데이터의 전압 레벨을 결정할 수 있다. 여기서, 각 전압 레벨은 시스템의 성능 및 용도에 따라 다양한 범위로 설정될 수 있다. 예컨대, 제1 전압 레벨은 3.8 V ~ 4.2 V로, 제2 전압 레벨은 3.4 V ~ 3.8 V로, 제3 전압 레벨은 3.0 V ~ 3.4 V로 설정되어 있고, 산출된 시분할된 데이터의 전압의 중심경향이 3.92 V인 경우, 영역 결정부(212)는 시분할된 데이터의 전압 레벨을 제1 전압 레벨로 결정할 수 있다.

영역 결정부(212)는 결정된 전압 레벨을 기반으로 시분할된 데이터가 속하는 영역을 결정할 수 있다. 일 실시예에 따르면, 영역 결정부(212)는 동일한 전압 레벨에 속하는 시분할된 데이터는 동일한 영역으로 구분할 수 있다. 예컨대, 제1 시분할 데이터의 전압 레벨이 제1 전압 레벨이고, 제2 시분할 데이터의 전압 레벨이 제3 전압 레벨이고, 제3 시분할 데이터의 전압 레벨이 제1 전압 레벨이고, 제4 시분할 데이터의 전압 레벨이 제2 전압 레벨인 경우, 영역 분할부(212)는 제1 시분할 데이터 및 제3 시분할 데이터를 제1 전압 레벨에 대응하는 제1 영역으로 구분하고, 제2 시분할 데이터를 제3 전압 레벨에 대응하는 제 3 영역으로 구분하고, 제4 시분할 데이터를 제2 전압 레벨에 대응하는 제2 영역으로 구분할 수 있다.

모델 저장부(220)는 다수의 SOH 추정 모델을 저장할 수 있다. 다수의 SOH 추정 모델은 전압 레벨별로 미리 학습된 SOH 추정 모델일 수 있다. 다수의 SOH 추정 모델은, 배터리의 다양한 운용 상황에 대한 훈련용 데이터(training data)를 시분할하고 시분할된 훈련용 데이터를 전압 레벨별로 분류한 후 전압 레벨별로 분류된 훈련용 데이터를 전압 레벨별로 학습함으로써, 생성될 수 있다. 이때, 훈련용 데이터의 시분할은 데이터 시분할부(210)에서의 데이터 시분할과 마찬가지로 슬라이딩 윈도우를 이용하여 수행될 수 있다. 학습 알고리즘은 신경망(neural network), 결정 트리(decision tree), 유전 알고리즘(GA: Genetic Algorithm), 유전자 프로그래밍(GP: Genetic Programming), 가우스 과정 회귀, 선형 분별 분석, K 근접 이웃(K-NN: K-Nearest Neighbor), 퍼셉트론, 방사 기저 함수 네트워크, 서포트 벡터 머신(SVM: Support Vector Machine), 및 딥러닝(deep-learning) 중 하나 일 수 있으나, 이에 한정되는 것은 아니다.

한편, 모델 저장부(220)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어, SD 또는 XD 메모리 등), 램(Random Access Memory: RAM) SRAM(Static Random Access Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

추정부(230)는 분할된 영역별로 서로 다른 SOH 추정 모델을 적용하여 배터리의 SOH를 추정할 수 있다. 일 실시예에 따르면, 추정부(230)는 다수의 SOH 추정 모델 중에서 분할된 각 영역에 적용될 SOH 추정 모델을 선택하고, 선택된 SOH 추정 모델을 각 영역에 적용하여 배터리의 SOH를 추정할 수 있다. 예컨대, 제1 시분할 데이터 및 제3 시분할 데이터는 제1 전압 레벨에 대응하는 제1 영역으로, 제2 시분할 데이터는 제3 전압 레벨에 대응하는 제 3 영역으로, 제4 시분할 데이터는 제2 전압 레벨에 대응하는 제2 영역으로 구분된 경우, 추정부(230)는 제1 영역에 속하는 제1 시분할 데이터 및 제3 시분할 데이터에는 제1 전압 레벨에 대응하는 제1 SOH 추정 모델을 선택하여 적용하고, 제2 영역에 속하는 제4 시분할 데이터에는 제2 전압 레벨에 대응하는 제2 SOH 추정 모델을 선택하여 적용하고, 제3 영역에 속하는 제2 시분할 데이터에는 제3 전압 레벨에 대응하는 제3 SOH 추정 모델을 선택하여 적용할 수 있다.

도 3은 일 실시예에 따른 데이터의 시분할을 설명하기 위한 예시도이다.

도 2 및 도 3을 참조하면, 그래프의 가로축은 시간을 나타낼 수 있고, 그래프의 세로축은 배터리의 전압, 전류 및 온도를 나타낼 수 있다.

데이터 시분할부(211)는 슬라이딩 윈도우(340)를 이용하여 온도 데이터(310), 전압 데이터(320) 및 전류 데이터(330)를 시분할할 수 있다. 슬라이딩 윈도우(340)는 데이터(310, 320, 330)를 처리하는 단위일 수 있다. 즉, 슬라이딩 윈도우(340) 내의 데이터는 하나의 데이터 세트를 구성하여 SOH 모델 생성시 또는 SOH 추정시에 함께 처리될 수 있다.

슬라이딩 윈도우(340)는 소정의 윈도우 크기(window size)(360)를 가지며, 그래프의 좌에서 우로 시간에 따라 소정의 이동 거리(sliding distance)(350)만큼 이동할 수 있다. 이때, 슬라이딩 윈도우(340)의 이동 거리(350)가 윈도우 크기(360)보다 작을 경우 슬라이딩 윈도우(340)는 중첩되어 이동할 수 있다. 참조번호 341은 슬라이딩 윈도우(340)의 이동전 위치를 나타낸다.

도 3의 예에서, 윈도우 크기가 600초이고, 이동 거리가 300초인 슬라이딩 윈도우(340)를 도시하나, 윈도우 크기 및 이동 거리는 시스템의 성능 및 용도에 따라 다양한 값으로 설정이 가능하다.

한편, 영역 결정부(212)는 시분할된 데이터, 즉 슬라이딩 윈도우(340) 내의 데이터의 전압 레벨을 결정하여 슬라이딩 윈도우(34) 내의 데이터가 속하는 영역을 결정할 수 있다. 추정부(230)는 결정된 영역에 대응하는 SOH 추정 모델을 다수의 SOH 추정 모델 중에서 선택하고 슬라이딩 윈도우(340) 내의 데이터에 선택된 SOH 추정 모델을 적용함으로써 배터리의 SOH를 추정할 수 있다.

도 4는 배터리의 SOH를 추정하는 방법을 설명하기 위한 예시도이다.

여기서, 참조번호 431은 제1 전압 레벨(3.8V ~ 4.2V)의 훈련용 데이터를 기반으로 생성된 제1 SOH 추정 모델을 나타내고, 참조번호 432는 제2 전압 레벨(3.4V ~ 3.8V)의 훈련용 데이터를 기반으로 생성된 제2 SOH 추정 모델을 나타내고, 참조번호 433은 제3 전압 레벨(3.0V ~ 3.4V)의 훈련용 데이터를 기반으로 생성된 제3 SOH 추정 모델을 나타낸다. 또한, 참조번호 441 내지 443은 배터리에서 센싱된 전류 데이터(410) 및 전압 데이터(420)를 시분할하는데 이용되는 슬라이딩 윈도우의 위치를 나타내며, 슬라이딩 윈도우는 시간의 흐름에 따라 위치(441)에서 위치(443)로 이동한다.

도 2 및 도 4를 참조하면, 슬라이딩 윈도우가 위치(441)에 있는 경우, 영역 결정부(212)는 슬라이딩 윈도우 내의 전압 데이터의 중심경향을 산출한다. 그 후, 영역 결정부(212)는 산출된 중심경향이 제1 전압 레벨(3.8V ~ 4.2V)에 속하므로 슬라이딩 윈도우 내의 데이터를 제1 전압 레벨에 대응하는 제1 영역에 속하는 것으로 판단한다. 그 후, 추정부(230)는 다수의 SOH 추정 모델(431 내지 433) 중에서 제1 전압 레벨(3.8V ~ 4.2V)에 대응하는 제1 SOH 추정 모델(431)을 선택하고, 제1 SOH 추정 모델(431)을 이용하여 슬라이딩 윈도우 내의 전류 데이터 및 전압 데이터의 패턴을 인식하여 배터리의 SOH를 추정한다.

시간의 흐름에 따라 슬라이딩 윈도우가 위치(442)로 이동하는 경우, 영역 결정부(212)는 슬라이딩 윈도우 내의 전압 데이터의 중심경향을 산출한다. 그 후, 영역 결정부(212)는 산출된 중심경향이 제2 전압 레벨(3.4V ~ 3.8V)에 속하므로 슬라이딩 윈도우 내의 데이터를 제2 전압 레벨에 대응하는 제2 영역에 속하는 것으로 판단한다. 그 후, 추정부(230)는 다수의 SOH 추정 모델(431 내지 433) 중에서 제2 전압 레벨(3.4V ~ 3.8V)에 대응하는 제2 SOH 추정 모델(432)을 선택하고, 제2 SOH 추정 모델(432)을 이용하여 슬라이딩 윈도우 내의 전류 데이터 및 전압 데이터의 패턴을 인식하여 배터리의 SOH를 추정한다.

시간의 흐름에 따라 슬라이딩 윈도우가 위치(443)로 이동하는 경우, 영역 결정부(212)는 슬라이딩 윈도우 내의 전압 데이터의 중심경향을 산출한다. 그 후, 영역 결정부(212)는 산출된 중심경향이 제3 전압 레벨(3.0V ~ 3.4V)에 속하므로 슬라이딩 윈도우 내의 데이터를 제3 전압 레벨에 대응하는 제3 영역에 속하는 것으로 판단한다. 그 후, 추정부(230)는 다수의 SOH 추정 모델(431 내지 433) 중에서 제3 전압 레벨(3.0V ~ 3.4V)에 대응하는 제3 SOH 추정 모델(433)을 선택하고, 제3 SOH 추정 모델(433)을 이용하여 슬라이딩 윈도우 내의 전류 데이터 및 전압 데이터의 패턴을 인식하여 배터리의 SOH를 추정한다.

도 5는 SOH 추정 모델 생성 장치의 일 실시예를 도시한 블록도이다.

SOH 추정 모델 생성 장치(500)는 도 2의 SOH 추정 장치(200)를 위한 SOH 추정 모델을 생성할 수 있다.

도 5를 참조하면, SOH 추정 모델 생성 장치(500)는 데이터 수집부(510), 데이터 시분할부(520), 데이터 분류부(530), 및 모델 생성부(540)를 포함할 수 있다.

데이터 수집부(510)는 다양한 배터리 운용 상황에서 배터리에서 센싱된 훈련용 데이터를 수집할 수 있다. 훈련용 데이터는 배터리의 전압 데이터, 전류 데이터 및 온도 데이터 중 적어도 하나를 포함할 수 있다.

데이터 시분할부(520)는 수집된 훈련용 데이터를 시분할할 수 있다. 일 실시예에 따르면, 데이터 시분할부(520)는 슬라이딩 윈도우를 이용하여 수집된 훈련용 데이터를 시분할할 수 있다. 데이터 시분할부(520)가 훈련용 데이터를 시분할하는 방법은 데이터 시분할부(211)(도 2 참조)가 센싱된 데이터를 시분할하는 방법과 동일하므로 그 상세한 설명은 생략하기로 한다.

데이터 분류부(530)는 시분할된 훈련용 데이터를 전압 레벨별로 분류할 수 있다. 일 실시예에 따르면, 데이터 분류부(530)는 시분할된 훈련용 데이터의 전압의 중심경향(central tendency)(예컨대, 산술평균, 가중평균, 중앙값, 최빈값 등)을 산출하고, 산출된 중심경향을 기반으로 시분할된 훈련용 데이터를 전압 레벨별로 분류할 수 있다. 여기서, 각 전압 레벨은 시스템의 성능 및 용도에 따라 다양한 범위로 설정될 수 있다.

모델 생성부(540)는 전압 레벨별로 분류된 훈련용 데이터를 이용하여 학습을 통해 전압 레벨별로 SOH 추정 모델을 생성할 수 있다. 일 실시예에 따르면, 모델 생성부(540)는 신경망(neural network), 결정 트리(decision tree), 유전 알고리즘(GA: Genetic Algorithm), 유전자 프로그래밍(GP: Genetic Programming), 가우스 과정 회귀, 선형 분별 분석, K 근접 이웃(K-NN: K-Nearest Neighbor), 퍼셉트론, 방사 기저 함수 네트워크, 서포트 벡터 머신(SVM: Support Vector Machine), 및 딥러닝(deep-learning) 등 다양한 기계학습 알고리즘을 이용하여 SOH 추정 모델을 생성할 수 있다.

도 6은 배터리의 SOH 추정 방법의 일 실시예를 도시한 흐름도이다.

도 2 및 도 6을 참조하면, SOH 추정 장치(200)는 배터리에서 센싱된 데이터를 그 데이터 값에 따라 하나 이상의 영역으로 분할할 수 있다(610). 여기서, 센싱된 데이터는 배터리의 전압 데이터, 전류 데이터 및 온도 데이터 중 적어도 하나를 포함할 수 있다. 또한, 영역은 동일한 SOH 추정 모델이 적용되는 데이터 구간을 의미할 수 있다. 즉, SOH 추정 장치(200)는 동일한 SOH 추정 모델이 적용되는 데이터 구간을 동일한 영역으로 분할할 수 있다.

SOH 추정 장치(200)는 분할된 영역별로 서로 다른 SOH 추정 모델을 적용하여 배터리의 SOH를 추정할 수 있다(620). 예컨대, SOH 추정 장치(200)는 다수의 SOH 추정 모델 중에서 분할된 각 영역에 적용될 SOH 추정 모델을 선택하고, 선택된 SOH 추정 모델을 각 영역에 적용하여 배터리의 SOH를 추정할 수 있다. 여기서, 다수의 SOH 추정 모델은 전압 레벨별로 미리 학습된 SOH 추정 모델일 수 있다. 다수의 SOH 추정 모델은, 배터리의 다양한 운용 상황에 대한 훈련용 데이터(training data)를 시분할하고 시분할된 훈련용 데이터를 전압 레벨별로 분류한 후 전압 레벨별로 분류된 훈련용 데이터를 전압 레벨별로 학습함으로써, 생성될 수 있다. 이때, 훈련용 데이터의 시분할은 SOH 추정 장치(200)에서의 데이터 시분할과 마찬가지로 슬라이딩 윈도우를 이용하여 수행될 수 있다. 학습 알고리즘은 신경망(neural network), 결정 트리(decision tree), 유전 알고리즘(GA: Genetic Algorithm), 유전자 프로그래밍(GP: Genetic Programming), 가우스 과정 회귀, 선형 분별 분석, K 근접 이웃(K-NN: K-Nearest Neighbor), 퍼셉트론, 방사 기저 함수 네트워크, 서포트 벡터 머신(SVM: Support Vector Machine), 및 딥러닝(deep-learning) 중 하나 일 수 있으나, 이에 한정되는 것은 아니다.

도 7은 배터리에서 센싱된 데이터를 분할하는 방법의 일 실시예를 도시한 흐름도이다.

도 7의 배터리에서 센싱된 데이터를 분할하는 방법은 도 6의 데이터 분할 단계(620)의 일 실시예일 수 있다.

도 2 및 도 7을 참조하면, SOH 추정 장치(200)는 배터리에서 센싱된 데이터를 시분할할 수 있다(710). 예컨대, SOH 추정 장치(200)는 슬라이딩 윈도우를 이용하여 센싱된 데이터를 시분할할 수 있다. 이때 슬라이딩 윈도우는 데이터의 처리 단위를 나타낼 수 있다.

SOH 추정 장치(200)는 시분할된 데이터의 전압 레벨을 결정할 수 있다(720). 예컨대, SOH 추정 장치(200)는 시분할된 데이터의 전압의 중심경향(central tendency)(예컨대, 산술평균, 가중평균, 중앙값, 최빈값 등)을 산출하고, 산출된 중심경향을 기반으로 시분할된 데이터의 전압 레벨을 결정할 수 있다. 여기서, 각 전압 레벨은 시스템의 성능 및 용도에 따라 다양한 범위로 설정될 수 있다.

SOH 추정 장치(200)는 결정된 전압 레벨을 기반으로 시분할된 데이터가 속하는 영역을 결정할 수 있다(730). 예컨대, SOH 추정 장치(200)는 동일한 전압 레벨에 속하는 시분할된 데이터는 동일한 영역으로 구분할 수 있다.

도 8은 SOH 추정 모델 생성 방법의 일 실시예를 도시한 흐름도이다.

도 5 및 도 8을 참조하면, SOH 추정 모델 생성 장치(500)는 다양한 배터리 운용 상황에서 배터리에서 센싱된 훈련용 데이터를 수집할 수 있다(810). 훈련용 데이터는 배터리의 전압 데이터, 전류 데이터 및 온도 데이터 중 적어도 하나를 포함할 수 있다.

그 후, SOH 추정 모델 생성 장치(500)는 수집된 훈련용 데이터를 시분할할 수 있다(820). 일 실시예에 따르면, SOH 추정 모델 생성 장치(500)는 슬라이딩 윈도우를 이용하여 수집된 훈련용 데이터를 시분할할 수 있다.

그 후, SOH 추정 모델 생성 장치(500)는 시분할된 훈련용 데이터를 전압 레벨별로 분류할 수 있다(830). 일 실시예에 따르면, SOH 추정 모델 생성 장치(500)는 시분할된 훈련용 데이터의 전압의 중심경향(central tendency)(예컨대, 산술평균, 가중평균, 중앙값, 최빈값 등)을 산출하고, 산출된 중심경향을 기반으로 시분할된 훈련용 데이터를 전압 레벨별로 분류할 수 있다. 여기서, 각 전압 레벨은 시스템의 성능 및 용도에 따라 다양한 범위로 설정될 수 있다.

그 후, SOH 추정 모델 생성 장치(500)는 전압 레벨별로 분류된 훈련용 데이터를 이용하여 학습을 통해 전압 레벨별로 SOH 추정 모델을 생성할 수 있다(840). 일 실시예에 따르면, SOH 추정 모델 생성 장치(500)는 신경망(neural network), 결정 트리(decision tree), 유전 알고리즘(GA: Genetic Algorithm), 유전자 프로그래밍(GP: Genetic Programming), 가우스 과정 회귀, 선형 분별 분석, K 근접 이웃(K-NN: K-Nearest Neighbor), 퍼셉트론, 방사 기저 함수 네트워크, 서포트 벡터 머신(SVM: Support Vector Machine), 및 딥러닝(deep-learning) 등 다양한 기계학습 알고리즘을 이용하여 SOH 추정 모델을 생성할 수 있다.

본 발명의 일 양상은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 상기의 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.

이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

100: 배터리 시스템
110: 배터리
121: 전압 센서
122: 전류 센서
123: 온도 센서
130: 배터리 관리 장치
131: 버퍼
132: SOC 추정부
133: SOH 추정부
134: 배터리 관리부
135: 통신 인터페이스부
200: SOH 추정 장치
210: 분할부
211, 520: 데이터 시분할부
212: 영역 결정부
220: 모델 저장부
230: 추정부
500: SOH 추정 모델 생성 장치
510: 데이터 수집부
530: 데이터 분류부
540: 모델 생성부

Claims

배터리에서 센싱된 데이터를 데이터 값에 따라 하나 이상의 영역으로 분할하는 분할부;
상기 분할된 영역 별로 서로 다른 SOH 추정 모델을 적용하여 상기 배터리의 SOH를 추정하는 추정부; 를 포함하는,
배터리의 SOH 추정 장치.
제1항에 있어서,
상기 센싱된 데이터는,
전압 데이터, 전류 데이터 및 온도 데이터 중 적어도 하나를 포함하는,
배터리의 SOH 추정 장치.
제1항에 있어서,
상기 분할부는,
상기 배터리에서 센싱된 데이터를 시분할하는 데이터 시분할부; 및
상기 시분할된 데이터의 전압 레벨을 결정하고, 결정된 전압 레벨을 기반으로 상기 시분할된 데이터가 속하는 영역을 결정하는 영역 결정부; 를 포함하는,
배터리의 SOH 추정 장치.
제3항에 있어서,
상기 데이터 시분할부는,
슬라이딩 윈도우를 이용하여 상기 배터리에서 센싱된 데이터를 시분할하는,
배터리의 SOH 추정 장치.
제3항에 있어서,
상기 영역 결정부는,
상기 시분할된 데이터의 전압의 중심경향(central tendency)을 산출하고, 산출된 중심경향을 기반으로 상기 시분할된 데이터의 전압 레벨을 결정하는,
배터리의 SOH 추정 장치.
제1항에 있어서,
상기 SOH 추정 모델은,
시분할된 훈련용 데이터를 전압 레벨별로 분류하고, 상기 분류된 훈련용 데이터를 전압 레벨별로 학습시켜 생성되는,
배터리의 SOH 추정 장치.
배터리에 대한 훈련용 데이터를 수집하는 데이터 수집부;
상기 수집된 훈련용 데이터를 시분할하는 데이터 시분할부;
상기 시분할된 훈련용 데이터를 전압 레벨별로 분류하는 데이터 분류부; 및
상기 분류된 훈련용 데이터을 이용하여 학습을 통해 전압 레벨별로 SOH 추정 모델을 생성하는 모델 생성부; 를 포함하는,
SOH 추정 모델 생성 장치.
제7항에 있어서,
상기 데이터 시분할부는,
슬라이딩 윈도우를 이용하여 상기 수집된 데이터를 시분할하는,
SOH 추정 모델 생성 장치.
제7항에 있어서,
상기 데이터 분류부는,
상기 시분할된 훈련용 데이터의 전압의 중심경향(central tendency)을 산출하고 산출된 중심경향을 기반으로 상기 시분할된 훈련용 데이터를 전압 레벨별로 분류하는,
SOH 추정 모델 생성 장치.
배터리에서 센싱된 데이터를 데이터 값에 따라 하나 이상의 영역으로 분할하는 단계; 및
상기 분할된 영역 별로 서로 다른 SOH 추정 모델을 적용하여 상기 배터리의 SOH를 추정하는 단계; 를 포함하는,
배터리의 SOH 추정 방법.
제10항에 있어서,
상기 센싱된 데이터는,
전압 데이터, 전류 데이터 및 온도 데이터 중 적어도 하나를 포함하는,
배터리의 SOH 추정 방법.
제10항에 있어서,
상기 분할하는 단계는,
상기 배터리에서 센싱된 데이터를 시분할하는 단계;
상기 시분할된 데이터의 전압 레벨을 결정하는 단계; 및
상기 결정된 전압 레벨을 기반으로 상기 시분할된 데이터가 속하는 영역을 결정하는 단계; 를 포함하는,
배터리의 SOH 추정 방법.
제12항에 있어서,
상기 시분할하는 단계는,
슬라이딩 윈도우를 이용하여 상기 배터리에서 센싱된 데이터를 시분할하는,
배터리의 SOH 추정 방법.
제12항에 있어서,
상기 전압 레벨을 결정하는 단계는,
상기 시분할된 데이터의 전압의 중심경향(central tendency)을 산출하는 단계; 및
상기 산출된 중심경향을 기반으로 상기 시분할된 데이터의 전압 레벨을 결정하는 단계; 를 포함하는,
배터리의 SOH 추정 방법.
제10항에 있어서,
상기 SOH 추정 모델은,
시분할된 훈련용 데이터를 전압 레벨별로 분류하고, 상기 분류된 훈련용 데이터를 전압 레벨별로 학습시켜 생성되는,
배터리의 SOH 추정 방법.