KR20190061630A - 배터리 상태 추정 방법 및 장치 - Google Patents
배터리 상태 추정 방법 및 장치 Download PDFInfo
- Publication number
- KR20190061630A KR20190061630A KR1020170160208A KR20170160208A KR20190061630A KR 20190061630 A KR20190061630 A KR 20190061630A KR 1020170160208 A KR1020170160208 A KR 1020170160208A KR 20170160208 A KR20170160208 A KR 20170160208A KR 20190061630 A KR20190061630 A KR 20190061630A
- Authority
- KR
- South Korea
- Prior art keywords
- battery
- cathode
- sensing data
- estimators
- anode
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007599 discharging Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 150000002500 ions Chemical class 0.000 description 77
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 229910001416 lithium ion Inorganic materials 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000003792 electrolyte Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 230000027756 respiratory electron transport chain Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
- G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
- G01R19/16542—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies for batteries
-
- 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
- G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Secondary Cells (AREA)
Abstract
배터리 상태 추정 방법 및 장치가 개시된다. 일 실시예는 배터리의 센싱 데이터 시퀀스에 구간을 설정하고, 상기 설정된 구간 내의 센싱 데이터를 추출하며, 상기 추출된 센싱 데이터 및 추정기들을 이용하여 상기 배터리의 복수의 내부 상태 정보 각각을 결정한다.
Description
아래 실시예들은 배터리 상태 추정에 관한 것이다.
전기화학모델(Electro-Chemical and Thermal Model)은 배터리의 내부 상태를 추정할 수 있다. 전기화학모델은 배터리 내부에 존재하는 물질 간의 전자 이동에 의한 산화/환원 반응과 그 영향에 따른 부가적인 현상에 대한 상관 관계를 모델링한 것이다. 이러한 전기화학모델은 복잡한 연산 과정을 거쳐 배터리의 내부 상태를 추정하므로, 추정 시간이 오래 걸린다.
일 측에 따른 배터리 상태 추정 방법은 배터리의 센싱 데이터 시퀀스에 구간을 설정하는 단계; 상기 설정된 구간 내의 센싱 데이터를 추출하는 단계; 및 상기 추출된 센싱 데이터 및 추정기들을 이용하여 상기 배터리의 복수의 내부 상태 정보 각각을 결정하는 단계를 포함하고, 상기 추정기들 각각은 상기 추출된 센싱 데이터로부터 상기 복수의 내부 상태 정보 중 개별 추정 대상에 해당하는 내부 상태 정보를 결정한다.
상기 추정기들은 상기 추출된 센싱 데이터로부터 상기 배터리의 전류 밀도(current density)를 추정하는 전류 밀도 추정기; 상기 추출된 센싱 데이터로부터 상기 배터리의 전위(potential)를 추정하는 전위 추정기; 및 상기 추출된 센싱 데이터로부터 상기 배터리의 이온 농도를 추정하는 이온 농도 추정기를 포함할 수 있다.
상기 추정기들은 상기 추출된 센싱 데이터로부터 상기 배터리의 음극의 전류 밀도를 추정하는 음극 전류 밀도 추정기 및 상기 추출된 센싱 데이터로부터 상기 배터리의 양극의 전류 밀도를 추정하는 양극 전류 밀도 추정기; 상기 추출된 센싱 데이터로부터 상기 음극의 전위를 추정하는 음극 전위 추정기 및 상기 추출된 센싱 데이터로부터 상기 양극의 전위를 추정하는 양극 전위 추정기; 및 상기 추출된 센싱 데이터로부터 상기 음극의 이온 농도를 추정하는 음극 이온 농도 추정기 및 상기 추출된 센싱 데이터로부터 상기 양극의 이온 농도를 추정하는 양극 이온 농도 추정기를 포함할 수 있다.
상기 추정기들은 상기 배터리의 방전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터로부터 상기 방전 중인 배터리의 복수의 내부 상태 정보를 결정하는 방전 상태 추정기들; 및 상기 배터리의 충전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터로부터 상기 충전 중인 배터리의 복수의 내부 상태 정보를 결정하는 충전 상태 추정기들을 포함할 수 있다.
상기 방전 상태 추정기들은 상기 방전 중인 배터리의 음극의 및 양극 각각의 전류 밀도를 추정하는 전류 밀도 추정기들; 상기 방전 중인 배터리의 음극 및 양극 각각의 전위를 추정하는 전위 추정기들; 및 상기 방전 중인 배터리의 음극 및 양극 각각의 이온 농도를 추정하는 이온 농도 추정기들을 포함할 수 있다.
상기 충전 상태 추정기들은 상기 충전 중인 배터리의 음극 및 양극 각각의 전류 밀도를 추정하는 전류 밀도 추정기들; 상기 충전 중인 배터리의 음극 및 양극 각각의 전위를 추정하는 전위 추정기들; 및 상기 충전 중인 배터리의 음극 및 양극 각각의 이온 농도를 추정하는 이온 농도 추정기들을 포함할 수 있다.
상기 추정기들 각각은 뉴럴 네트워크 모델에 기반할 수 있다.
상기 기준 배터리의 내부 변수들은 상기 기준 배터리의 전류 밀도 변수, 전위 변수, 및 이온 농도 변수 중 어느 하나 또는 이들의 조합을 포함할 수 있다.
상기 복수의 내부 상태 정보 각각을 결정하는 단계는 상기 배터리가 충전 중인 경우, 상기 배터리의 충전 동안의 센싱 데이터 시퀀스로부터 추출된 센싱 데이터 및 상기 추정기들을 이용하여 상기 충전 중인 배터리의 음극과 양극 각각의 전류 밀도, 상기 음극과 상기 양극 각각의 전위, 및 상기 음극과 상기 양극 각각의 이온 농도를 개별적으로 추정하는 단계; 및 상기 음극과 양극 각각의 추정된 전류 밀도를 통합하고, 상기 음극과 상기 양극 각각의 추정된 전위를 통합하며, 상기 음극과 상기 양극 각각의 추정된 이온 농도를 통합하는 단계를 포함할 수 있다.
상기 복수의 내부 상태 정보 각각을 결정하는 단계는 상기 배터리가 방전 중인 경우, 상기 배터리의 방전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터 및 상기 추정기들을 이용하여 상기 방전 중인 배터리의 음극과 양극 각각의 전류 밀도, 상기 음극과 상기 양극 각각의 전위, 및 상기 음극과 상기 양극 각각의 이온 농도를 개별적으로 추정하는 단계; 및 상기 음극과 양극 각각의 추정된 전류 밀도를 통합하고, 상기 음극과 상기 양극 각각의 추정된 전위를 통합하며, 상기 음극과 상기 양극 각각의 추정된 이온 농도를 통합하는 단계를 포함할 수 있다.
상기 복수의 결정된 내부 상태 정보 중 어느 하나 또는 이들의 조합을 기초로 상기 배터리의 충전 상태 정보 및 수명 상태 정보 중 적어도 하나를 결정하는 단계를 더 포함할 수 있다.
컴퓨터 프로그램은 하드웨어와 결합되어 전술한 방법을 실행시키기 위하여 매체에 저장될 수 있다.
일 측에 따른 배터리 상태 추정 장치는 배터리의 센싱 데이터 시퀀스에 구간을 설정하고, 상기 설정된 구간 내의 센싱 데이터를 추출하며, 상기 추출된 센싱 데이터 및 추정기들을 이용하여 상기 배터리의 복수의 내부 상태 정보 각각을 결정하는 프로세서를 포함하고, 상기 추정기들 각각은 상기 추출된 센싱 데이터로부터 상기 복수의 내부 상태 정보 중 개별 추정 대상에 해당하는 내부 상태 정보를 결정한다.
상기 추정기들은 상기 추출된 센싱 데이터로부터 상기 배터리의 전류 밀도(current density)를 추정하는 전류 밀도 추정기; 상기 추출된 센싱 데이터로부터 상기 배터리의 전위(potential)를 추정하는 전위 추정기; 및 상기 추출된 센싱 데이터로부터 상기 배터리의 이온 농도를 추정하는 농도 추정기를 포함할 수 있다.
상기 추정기들은 상기 추출된 센싱 데이터로부터 상기 배터리의 음극의 전류 밀도를 추정하는 음극 전류 밀도 추정기 및 상기 추출된 센싱 데이터로부터 상기 배터리의 양극의 전류 밀도를 추정하는 양극 전류 밀도 추정기; 상기 추출된 센싱 데이터로부터 상기 음극의 전위를 추정하는 음극 전위 추정기 및 상기 추출된 센싱 데이터로부터 상기 양극의 전위를 추정하는 양극 전위 추정기; 및 상기 추출된 센싱 데이터로부터 상기 음극의 이온 농도를 추정하는 음극 이온 농도 추정기 및 상기 추출된 센싱 데이터로부터 상기 양극의 이온 농도를 추정하는 양극 이온 농도 추정기를 포함할 수 있다.
상기 추정기들은 상기 배터리의 방전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터로부터 상기 방전 중인 배터리의 복수의 내부 상태 정보를 결정하는 방전 상태 추정기들; 및 상기 배터리의 충전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터로부터 상기 충전 중인 배터리의 복수의 내부 상태 정보를 결정하는 충전 상태 추정기들을 포함할 수 있다.
상기 방전 상태 추정기들은 상기 방전 중인 배터리의 음극의 및 양극 각각의 전류 밀도를 추정하는 전류 밀도 추정기들; 상기 방전 중인 배터리의 음극 및 양극 각각의 전위를 추정하는 전위 추정기들; 및 상기 방전 중인 배터리의 음극 및 양극 각각의 이온 농도를 추정하는 이온 농도 추정기들을 포함할 수 있다.
상기 충전 상태 추정기들은 상기 충전 중인 배터리의 음극 및 양극 각각의 전류 밀도를 추정하는 전류 밀도 추정기들; 상기 충전 중인 배터리의 음극 및 양극 각각의 전위를 추정하는 전위 추정기들; 및 상기 충전 중인 배터리의 음극 및 양극 각각의 이온 농도를 추정하는 이온 농도 추정기들을 포함할 수 있다.
상기 추정기들 각각은 뉴럴 네트워크 모델에 기반할 수 있다.
상기 프로세서는 상기 배터리가 충전 중인 경우, 상기 배터리의 충전 동안의 센싱 데이터 시퀀스로부터 추출된 센싱 데이터 및 상기 추정기들을 이용하여 상기 충전 중인 배터리의 음극과 양극 각각의 전류 밀도, 상기 음극과 상기 양극 각각의 전위, 및 상기 음극과 상기 양극 각각의 이온 농도를 개별적으로 추정할 수 있고, 상기 음극과 양극 각각의 추정된 전류 밀도를 통합하고, 상기 음극과 상기 양극 각각의 추정된 전위를 통합하며, 상기 음극과 상기 양극 각각의 추정된 이온 농도를 통합할 수 있다.
상기 프로세서는 상기 배터리가 방전 중인 경우, 상기 배터리의 방전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터 및 상기 추정기들을 이용하여 상기 방전 중인 배터리의 음극과 양극 각각의 전류 밀도, 상기 음극과 상기 양극 각각의 전위, 및 상기 음극과 상기 양극 각각의 이온 농도를 개별적으로 추정할 수 있고, 상기 음극과 양극 각각의 추정된 전류 밀도를 통합하고, 상기 음극과 상기 양극 각각의 추정된 전위를 통합하며, 상기 음극과 상기 양극 각각의 추정된 이온 농도를 통합할 수 있다.
상기 프로세서는 상기 복수의 결정된 내부 상태 정보 중 어느 하나 또는 이들의 조합을 기초로 상기 배터리의 충전 상태 정보 및 수명 상태 정보 중 적어도 하나를 결정할 수 있다.
도 1은 일 실시예에 따른 배터리 시스템을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 배터리 상태 추정 장치의 동작을 설명하기 위한 도면이다.
도 3a 내지 도 6은 일 실시예에 따른 배터리 상태 추정 장치의 추정기들을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 배터리 상태 추정 장치의 통합기를 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 순서도이다.
도 9는 일 실시예에 따른 배터리 상태 추정 장치를 설명하기 위한 블록도이다.
도 10은 일 실시예에 따른 차량을 설명하기 위한 블록도이다.
도 11은 일 실시예에 따른 학습 장치를 설명하기 위한 블록도이다.
도 2는 일 실시예에 따른 배터리 상태 추정 장치의 동작을 설명하기 위한 도면이다.
도 3a 내지 도 6은 일 실시예에 따른 배터리 상태 추정 장치의 추정기들을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 배터리 상태 추정 장치의 통합기를 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 순서도이다.
도 9는 일 실시예에 따른 배터리 상태 추정 장치를 설명하기 위한 블록도이다.
도 10은 일 실시예에 따른 차량을 설명하기 위한 블록도이다.
도 11은 일 실시예에 따른 학습 장치를 설명하기 위한 블록도이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
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 명세서에서 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 일 실시예에 따른 배터리 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 일 실시예에 따른 배터리 시스템(100)은 배터리 상태 추정 장치(110) 및 배터리(120)를 포함한다.
배터리(120)는 배터리 셀, 배터리 모듈, 또는 배터리 팩을 나타낸다.
배터리 상태 추정 장치(110)는 배터리(120)의 센싱 데이터 시퀀스에 구간을 설정한다. 센싱 데이터 시퀀스는 타임 순서(time order)로 인덱스된(또는 타임 인덱스를 갖는) 일련의 센싱 데이터를 나타낼 수 있다. 센싱 데이터 시퀀스는, 예를 들어, 배터리(120)의 전압 데이터 시퀀스, 전류 데이터 시퀀스, 및 온도 데이터 시퀀스 중 어느 하나 또는 이들의 조합을 포함할 수 있다.
배터리 상태 추정 장치(110)는 센싱 데이터 시퀀스에 설정된 구간 내의 센싱 데이터를 추출한다.
배터리 상태 추정 장치(110)는 추출된 센싱 데이터 및 추정기들을 이용하여 배터리(120)의 복수의 내부 상태 정보 각각을 결정한다. 배터리(120)의 복수의 내부 상태 정보는, 예를 들어, 배터리(120)의 전류 밀도(current density), 전위(potential), 및 이온 농도 중 어느 하나 또는 이들의 조합을 포함할 수 있다. 일례로, 배터리 상태 추정 장치(110)는 추정기들 중 하나 및 추출된 센싱 데이터를 이용하여 배터리(120)의 전류 밀도를 추정할 수 있고, 추정기들 중 다른 하나 및 추출된 센싱 데이터를 이용하여 배터리(120)의 전위를 추정할 수 있으며, 추정기들 중 또 다른 하나 및 추출된 센싱 데이터를 이용하여 배터리(120)의 이온 농도를 추정할 수 있다.
이하, 도 2를 참조하면서 배터리 상태 추정 장치(110)의 동작에 대해 상세히 설명한다.
도 2는 일 실시예에 따른 배터리 상태 추정 장치의 동작을 설명하기 위한 도면이다.
도 2를 참조하면, 배터리 상태 추정 장치(110)는 추출기(210) 및 추정기들(220)을 포함한다.
배터리 상태 추정 장치(110)는 하나 이상의 센서를 이용하여 배터리(120)를 센싱하고, 센싱할 때마다 생성된 센싱 데이터를 순차적으로 버퍼 또는 메모리에 저장한다. 이로 인해, 버퍼 또는 메모리에는 배터리(120)의 센싱 데이터 시퀀스가 저장된다. 일례로, 배터리 상태 추정 장치(110)는 전압 센서를 이용하여 배터리(120)의 전압을 센싱할 수 있고, 센싱 결과에 해당하는 전압 데이터를 순차적으로 버퍼 또는 메모리에 저장할 수 있다. 이로 인해, 버퍼 또는 메모리에는 전압 데이터 시퀀스(230)가 저장될 수 있다. 마찬가지로, 버퍼 또는 메모리에는 배터리(120)의 전류를 센싱한 결과에 해당하는 전류 데이터 시퀀스(240)와 배터리(120)의 온도를 센싱한 결과에 해당하는 온도 데이터 시퀀스(250)가 저장될 수 있다.
추출기(210)는 배터리(120)의 센싱 데이터 시퀀스에 구간을 설정하고, 설정된 구간 내의 센싱 데이터를 추출한다. 도 2에 도시된 예와 같이, 추출기(210)는 전압 데이터 시퀀스(230), 전류 데이터 시퀀스(240), 및 온도 데이터 시퀀스(250)에 구간(260)을 설정할 수 있고, 구간(210) 내의 전압 데이터, 전류 데이터, 및 온도 데이터를 추출할 수 있다.
일 실시예에 있어서, 추출기(111)는 추출된 센싱 데이터를 전처리(pre-processing)할 수 있다. 일례로, 추출기(111)는 추출된 전압 데이터, 추출된 전류 데이터, 및 추출된 온도 데이터 각각을 정규화(normalization)할 수 있다. 정규화는 추출된 전압 데이터, 추출된 전류 데이터, 및 추출된 온도 데이터 각각의 개수를 서로 동일하게 하는 것뿐만 아니라, 추출된 전압 데이터, 추출된 전류 데이터, 및 추출된 온도 데이터 각각의 절대적인 수치 영역의 다름을 서로 동일하게 하는 것을 의미할 수 있다. 다른 일례로, 추출기(111)는 추출된 전압 데이터, 추출된 전류 데이터, 및 추출된 온도 데이터에 포함된 노이즈를 제거하기 위해 추출된 전압 데이터, 추출된 전류 데이터, 및 추출된 온도 데이터를 필터링할 수 있다. 구현에 따라, 추출기(111)는 정규화 및 필터링을 모두 수행할 수 있다.
추정기들(220) 각각은 추출된 센싱 데이터로부터 배터리(120)의 복수의 내부 상태 정보 각각을 결정한다. 일 실시예에 있어서, 추정기들(220) 각각은 뉴럴 네트워크 모델에 기반할 수 있고, 도 11을 통해 후술하겠지만 추정기들(220) 각각의 기반이 되는 뉴럴 네트워크 모델은 학습 phase에서 학습이 완료된 것일 수 있다. 이러한 학습에 의해 추정기들(220) 각각에는 배터리(120)의 어떤 내부 상태 정보를 결정할 것인지가 미리 정의되어 있다. 이로 인해, 추정기들(220) 각각은 추출된 센싱 데이터로부터 자신의 추정 대상에 해당하는 내부 상태 정보를 결정하게 된다.
이하, 도 3a 내지 도 6을 참조하면서 추정기들(220)에 대해 자세히 설명한다.
도 3a 내지 도 6을 일 실시예에 따른 배터리 상태 추정 장치의 추정기들을 설명하기 위한 도면이다.
도 3a를 참조하면, 추정기들(220)은 전류 밀도 추정기(310), 전위 추정기(320), 및 이온 농도 추정기(330)를 포함한다.
전류 밀도 추정기(310)는 추출된 센싱 데이터로부터 배터리(120)의 전극의 전류 밀도를 추정한다.
전위 추정기(320)는 추출된 센싱 데이터로부터 배터리(120)의 전극의 전위를 추정한다.
이온 농도 추정기(330)는 추출된 센싱 데이터로부터 배터리(120)의 전극의 이온 농도를 추정한다. 배터리(120)가 리튬 이온 배터리인 경우, 이온 농도 추정기(330)는 추출된 센싱 데이터를 기초로 전극의 리튬 이온 농도를 추정할 수 있다.
도 3b에 추정기들(310, 320, 및 330) 각각의 추정 결과의 일례(311, 321, 및 331)가 도시된다.
도 3a 내지 도 3b를 통해 설명한 추정기들(310, 320, 및 330)은 배터리(120)가 방전되는 동안과 충전되는 동안 모두에 이용될 수 있다. 다시 말해, 도 3a 내지 도 3b를 통해 설명한 추정기들(310, 320, 및 330)은 배터리(120)의 충전 및 방전의 구분없이 이용될 수 있다. 도 3a 내지 도 3b를 통해 설명한 예와 달리, 배터리(120)가 방전되는 동안에 이용되는 추정기들은 배터리(120)가 충전되는 동안에 이용되는 추정기들과 다를 수 있다. 이하, 도 4를 참조하면서 설명한다.
도 4를 참조하면, 배터리(120)가 충전되는 동안에 이용되는 추정기들(410, 420, 및 430)과 배터리(120)가 방전되는 동안에 이용되는 추정기들(440, 450, 및 460)이 서로 다르다. 추정기들(410, 420, 및 430)은 충전 중인 배터리(120)의 복수의 내부 상태 정보를 결정하는 충전 상태 추정기들에 해당할 수 있고, 추정기들(440, 450, 및 460)은 방전 중인 배터리(120)의 복수의 내부 상태 정보를 결정하는 방전 상태 추정기들에 해당할 수 있다.
배터리 상태 추정 장치(110)는 배터리(120)가 충전 중인지 여부를 결정한다. 일례로, 배터리 상태 추정 장치(110)는 추출된 센싱 데이터에서의 전류값이 미리 정해진 값(일례로, 0) 이상인지 여부를 확인함으로써 배터리(120)가 충전 중인지 또는 방전 중인지 결정할 수 있다. 여기서, 해당 전류값이 0보다 작으면, 배터리 상태 추정 장치(110)는 배터리(120)가 충전 중이라고 결정할 수 있다. 다른 일례로, 배터리 상태 추정 장치(110)는 충전 중임을 나타내는 신호를 다른 장치(예를 들어, 차량의 ECU(Electronic Control Unit) 또는 VCU(Vehicle Control Unit))로부터 수신하면, 배터리(120)가 충전 중이라고 결정할 수 있고, 이러한 신호를 수신하지 않으면, 배터리(120)가 방전 중이라고 결정할 수 있다.
배터리(120)가 충전 중이면, 배터리 상태 추정 장치(110)는 추정기들(410, 420, 및 430) 각각과 추출기(210)에 의해 추출된 센싱 데이터를 이용하여 충전 중인 배터리(120)의 복수의 내부 상태 정보 각각을 결정할 수 있다. 도 4에 도시된 예에서, 추정기들(410, 420, 및 430)은 배터리(120)의 충전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터를 추출기(110)로부터 입력받을 수 있다. 전류 밀도 추정기(410)는 입력 받은 센싱 데이터로부터 배터리(120)의 충전 동안의 전극의 전류 밀도를 추정할 수 있다. 전위 추정기(420)는 입력 받은 센싱 데이터로부터 배터리(120)의 충전 동안의 전극의 전위를 추정할 수 있고, 이온 농도 추정기(430)는 입력 받은 센싱 데이터로부터 배터리(120)의 충전 동안의 전극의 이온 농도(예를 들어, 리튬 이온 농도)를 추정할 수 있다.
배터리(120)가 방전 중이면, 배터리 상태 추정 장치(110)는 추정기들(440, 450, 및 460) 각각과 추출기(210)에 의해 추출된 센싱 데이터를 이용하여 방전 중인 배터리(120)의 복수의 내부 상태 정보 각각을 결정할 수 있다. 도 4에 도시된 예에서, 추정기들(440, 450, 및 460)은 배터리(120)의 방전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터를 추출기(110)로부터 입력받을 수 있다. 전류 밀도 추정기(440)는 입력 받은 센싱 데이터로부터 배터리(120)의 방전 동안의 전극의 전류 밀도를 추정할 수 있다. 전위 추정기(450)는 입력 받은 센싱 데이터로부터 배터리(120)의 방전 동안의 전극의 전위를 추정할 수 있고, 이온 농도 추정기(460)는 입력 받은 센싱 데이터로부터 배터리(120)의 방전 동안의 전극의 이온 농도(예를 들어, 리튬 이온 농도)를 추정할 수 있다.
도 11에서 후술하겠지만 추정기들(410 내지 460)은 학습 phase에서 학습이 완료된 것이다. 이러한 학습에 의해 추정기들(410, 420, 및 430) 각각은 주어진 입력으로부터 배터리(120)의 충전 동안의 전극의 전류 밀도, 전위, 및 이온 농도 각각을 독립적으로 및/또는 개별적으로 추정할 수 있고, 추정기들(440, 450, 및 460) 각각은 주어진 입력으로부터 배터리(120)의 방전 동안의 전극의 전류 밀도, 전위, 및 이온 농도 각각을 독립적으로 및/또는 개별적으로 추정할 수 있다.
도 3a 및 도 3b를 통해 설명한 추정기들(310, 320, 및 330) 각각은 배터리(120)의 양극의 전류 밀도, 전위, 및 이온 농도와 함께 음극의 전류 밀도, 전위, 및 이온 농도를 추정할 수 있다. 다시 말해, 배터리(120)의 양극 및 음극 각각의 전류 밀도를 추정하는데 동일한 추정기(310)가 이용될 수 있다. 마찬가지로, 배터리(120)의 양극 및 음극 각각의 전위를 추정하는데 동일한 추정기(320)가 이용될 수 있고, 배터리(120)의 양극 및 음극 각각의 이온 농도를 추정하는데 동일한 추정기(330)가 이용될 수 있다. 도 3a 및 도 3b를 통해 설명한 예와 달리, 배터리(120)의 양극의 전류 밀도, 전위, 및 이온 농도 각각을 추정하는데 이용되는 추정기들은 배터리(120)의 음극의 전류 밀도, 전위, 및 이온 농도 각각을 추정하는데 이용되는 추정기들과 다를 수 있다. 이에 대해선 도 5를 통해 후술한다.
도 5를 참조하면, 추정기들(220)은 음극 전류 밀도 추정기(510), 양극 전류 밀도 추정기(520), 음극 전위 추정기(530), 양극 전위 추정기(540), 음극 이온 농도 추정기(550), 및 양극 이온 농도 추정기(560)를 포함한다.
음극 전류 밀도 추정기(510)는 추출된 센싱 데이터로부터 배터리(120)의 음극의 전류 밀도를 추정하고, 양극 전류 밀도 추정기(520)는 추출된 센싱 데이터로부터 배터리(120)의 양극의 전류 밀도를 추정한다.
음극 전위 추정기(530)는 추출된 센싱 데이터로부터 배터리(120)의 음극의 전위를 추정하고, 양극 전위 추정기(540)는 추출된 센싱 데이터로부터 배터리(120)의 양극의 전위를 추정한다.
음극 이온 농도 추정기(550)는 추출된 센싱 데이터로부터 배터리(120)의 음극의 이온 농도(예를 들어, 리튬 이온 농도)를 추정하고, 양극 이온 농도 추정기(560)는 추출된 센싱 데이터로부터 배터리(120)의 양극의 이온 농도(예를 들어, 리튬 이온 농도)를 추정한다.
도 5를 통해 설명한 추정기들(510 내지 560) 각각은 학습 phase에서 학습되었으므로, 주어진 입력으로부터 배터리(120)의 음극의 전류 밀도, 양극의 전류 밀도, 음극의 전위, 양극의 전위, 음극의 이온 농도, 및 양극의 이온 농도 각각을 독립적으로 및/또는 개별적으로 추정할 수 있다.
도 5에 도시된 예의 경우, 추정기들(510 내지 560)은 배터리(120)가 방전될 때 이용될 수 있고 배터리(120)가 충전될 때도 이용될 수 있다. 다시 말해, 배터리(120)의 충전 및 방전의 구분 없이 추정기들(510 내지 560)이 이용될 수 있다. 배터리(120)의 충전 및 방전이 구분된 일례를 도 6을 참조하면서 설명한다.
도 6을 참조하면, 배터리(120)의 충전 및 방전에 따라 추정기들(610, 611, 620, 621, 630, 및 631)과 추정기들(640, 641, 650, 651, 660, 및 661)이 구분된다. 추정기들(610, 611, 620, 621, 630, 및 631)은 충전 상태 추정기들에 해당할 수 있고, 추정기들(640, 641, 650, 651, 660, 및 661)은 방전 상태 추정기들에 해당할 수 있다.
배터리 상태 추정 장치(110)는 배터리(120)가 충전 중이면, 배터리(120)의 충전 동안에 수집된 센싱 데이터 시퀀스에서 추출된 센싱 데이터 및 추정기들(610, 611, 620, 621, 630, 및 631)을 이용하여 충전 중인 배터리(120)의 복수의 내부 상태 정보 각각을 결정할 수 있다. 달리 표현하면, 추정기들(610, 611, 620, 621, 630, 및 631) 각각은 추출기(210)로부터 입력 받은 센싱 데이터에 기초하여, 충전 중인 배터리(120)의 음극의 전류 밀도, 양극의 전류 밀도, 음극의 전위, 양극의 전위, 음극의 이온 농도, 및 양극의 이온 농도 각각을 추정할 수 있다.
배터리 상태 추정 장치(110)는 배터리(120)가 방전 중이면, 배터리(120)의 방전 동안에 수집된 센싱 데이터 시퀀스에서 추출된 센싱 데이터 및 추정기들(640, 641, 650, 651, 660, 및 661)을 이용하여 방전 중인 배터리(120)의 복수의 내부 상태 정보 각각을 결정할 수 있다. 달리 표현하면, 추정기들(640, 641, 650, 651, 660, 및 661) 각각은 추출기(210)로부터 입력 받은 센싱 데이터에 기초하여, 방전 중인 배터리(120)의 음극의 전류 밀도, 양극의 전류 밀도, 음극의 전위, 양극의 전위, 음극의 이온 농도, 및 양극의 이온 농도 각각을 추정할 수 있다.
도 6를 통해 설명한 추정기들(610 내지 631) 각각은 학습 phase에서 학습되었으므로, 주어진 입력으로부터 충전 중인 배터리(120)의 음극의 전류 밀도, 양극의 전류 밀도, 음극의 전위, 양극의 전위, 음극의 이온 농도, 및 양극의 이온 농도 각각을 독립적으로 및/또는 개별적으로 추정할 수 있다. 마찬가지로, 추정기들(640 내지 661) 각각은 학습 phase에서 학습되었으므로, 주어진 입력으로부터 방전 중인 배터리(120)의 음극의 전류 밀도, 양극의 전류 밀도, 음극의 전위, 양극의 전위, 음극의 이온 농도, 및 양극의 이온 농도 각각을 독립적으로 및/또는 개별적으로 추정할 수 있다.
도 5 및 도 6을 통해 설명한 예들의 경우, 배터리 상태 추정 장치(110)는 음극 및 양극 각각의 내부 상태 정보를 다른 추정기들을 이용하여 추정한다. 이 경우, 배터리 상태 추정 장치(110)는 음극 및 양극 각각의 내부 상태 정보를 통합하는 과정이 필요할 수 있다. 이하, 도 7을 참조하면서, 통합에 대해 설명한다.
도 7은 일 실시예에 따른 배터리 상태 추정 장치 내의 통합기를 설명하기 위한 도면이다.
도 7을 참조하면, 배터리 상태 추정 장치(110)는 통합기들(710 내지 730)을 더 포함할 수 있다. 통합기들(710 내지 730)은 물리적으로 구분되거나 하나의 통합기에서 논리적으로 구분될 수 있다.
통합기(710)는 음극의 추정된 전류 밀도 및 양극의 추정된 전류 밀도를 통합한다. 이러한 통합을 기초로 통합기(710)는 전체 전극에 대한 전류 밀도 그래프(711)를 생성 또는 도출할 수 있다. 도 7에 도시된 예에 제한되지 않고, 통합기(710)는 배터리(120)가 충전 중이면, 음극 전류 밀도 추정기(610)의 추정 결과와 양극 전류 밀도 추정기(611)의 추정 결과를 통합할 수 있다. 또한, 통합기(710)는 배터리(120)가 방전 중이면, 음극 전류 밀도 추전기(640)의 추정 결과와 양극 전류 밀도 추정기(641)의 추정 결과를 통합할 수 있다.
통합기(720)는 음극의 추정된 전위 및 양극의 추정된 전위를 통합한다. 이러한 통합을 기초로 통합기(720)는 전체 전극에 대한 전위 그래프(721)를 생성 또는 도출할 수 있다. 도 7에 도시된 예에 제한되지 않고, 통합기(720)는 배터리(120)가 충전 중이면, 음극 전위 추정기(620)의 추정 결과와 양극 전위 추정기(621)의 추정 결과를 통합할 수 있다. 또한, 통합기(710)는 배터리(120)가 방전 중이면, 음극 전위 추정기(650)의 추정 결과와 양극 전위 추정기(651)의 추정 결과를 통합할 수 있다.
통합기(730)는 음극의 추정된 이온 농도 및 양극의 추정된 이온 농도를 통합한다. 이러한 통합을 기초로 통합기(730)는 전체 전극에 대한 이온 농도 그래프(731)를 생성 또는 도출할 수 있다. 도 7에 도시된 예에 제한되지 않고, 통합기(730)는 배터리(120)가 충전 중이면, 음극 이온 농도 추정기(630)의 추정 결과와 양극 이온 농도 추정기(631)의 추정 결과를 통합할 수 있다. 또한, 통합기(710)는 배터리(120)가 방전 중이면, 음극 이온 농도 추정기(660)의 추정 결과와 양극 이온 농도 추정기(661)의 추정 결과를 통합할 수 있다.
도 1 내지 도 7을 통해 설명한 추정기들은 예시적인 사항일 뿐, 추정기들은 전술한 사항으로 제한되지 않는다. 일례로, 배터리 상태 추정 장치(110)는 배터리(120)의 전해질의 이온 농도(예를 들어, 리튬 이온 농도)를 추정하는 추정기를 포함할 수 있다.
도 8은 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 순서도이다.
일 실시예에 따른 배터리 상태 추정 방법은 배터리 상태 추정 장치(110)에 의해 수행된다.
도 8을 참조하면, 배터리 상태 추정 장치(110)는 배터리(120)의 센싱 데이터 시퀀스에 구간을 설정한다(810).
배터리 상태 추정 장치(110)는 설정된 구간 내의 센싱 데이터를 추출한다(820).
배터리 상태 추정 장치(110)는 추출된 센싱 데이터 및 추정기들(112)을 이용하여 배터리(120)의 복수의 내부 상태 정보 각각을 결정한다(830).
일 실시예에 있어서, 배터리 상태 추정 장치(110)는 배터리(120)의 복수의 내부 상태 정보 중 어느 하나 또는 이들의 조합을 기초로 배터리(120)의 내부 상태가 비정상인지 여부를 결정할 수 있다. 일례로, 배터리 상태 추정 장치(110)는 그래프들(711, 721, 및 731) 각각과 정상 상태에 해당하는 그래프들 각각을 비교할 수 있고, 비교 결과를 기초로 배터리(120)의 내부 상태가 비정상인지 여부를 결정할 수 있다.
일 실시예에 있어서, 배터리 상태 추정 장치(110)는 배터리(120)의 복수의 내부 상태 정보 중 어느 하나 또는 이들의 조합을 기초로 배터리(120)의 충전 상태 정보 및/또는 수명 상태 정보를 결정할 수 있다. 충전 상태 정보는, 예를 들어, SOC(state of charge)에 해당할 수 있고, 수명 상태 정보는, 예를 들어, SOH(state of health) 또는 RUL(remaining useful life에 해당할 수 있다.
도 1 내지 도 7을 통해 기술된 사항들은 도 8을 통해 기술된 사항들에 적용될 수 있으므로, 상세한 설명을 생략한다.
도 9는 일 실시예에 따른 배터리 상태 추정 장치를 설명하기 위한 블록도이다.
도 9를 참조하면, 일 실시예에 따른 배터리 상태 추정 장치(110)는 프로세서(910) 및 메모리(920)를 포함한다.
프로세서(910)는 위에서 설명한 추출기(210), 추정기들(220), 및 통합기(710 내지 730)를 구현한다. 일례로, 프로세서(910)는 배터리(120)의 센싱 데이터 시퀀스에 구간을 설정한다. 프로세서(910)는 설정된 구간 내의 센싱 데이터를 추출한다. 프로세서(910)는 추출된 센싱 데이터 및 추정기들(220)을 이용하여 배터리(120)의 복수의 내부 상태 정보 각각을 결정한다. 실시예에 따라, 프로세서(910)는 배터리(120)의 양극 및 음극 각각의 내부 상태 정보를 개별적으로 결정할 수 있다. 이 경우, 프로세서(910)는 개별적으로 결정된 음극 및 양극 각각의 내부 상태 정보를 통합할 수 있다.
일 실시예에 있어서, 프로세서(910)는 멀티 코어(multi-core) 프로세서일 수 있다. 이 경우, 멀티 코어 각각은 추정기들(220) 각각을 구현할 수 있다. 일례로, 멀티 코어 각각은 도 3을 통해 설명한 추정기들(310 내지 330) 각각, 도 4를 통해 설명한 추정기들(410 내지 460) 각각, 도 5를 통해 설명한 추정기들(510 내지 560) 각각, 또는 도 6을 통해 설명한 추정기들(610 내지 661) 각각을 구현할 수 있다. 이로 인해, 배터리(120)의 복수의 내부 상태 정보 각각이 병렬적으로 및/또는 동시에 결정될 수 있어, 복수의 내부 상태 정보가 빠른 시간에 결정될 수 있다. 실시예에 따라, 배터리 상태 추정 장치(110)가 복수의 프로세서들을 포함할 수 있고, 프로세서들 각각은 추정기들(220) 각각을 구현할 수 있다.
도 1 내지 도 8을 통해 기술된 사항들은 도 9를 통해 기술된 사항들에 적용될 수 있으므로, 상세한 설명을 생략한다.
배터리 상태 추정 장치(110)는 배터리(120)를 전원으로 이용하는 다양한 전자 기기(일례로, 차량, 보행 보조 기기, 드론, 이동 단말)에 탑재될 수 있고, 도 1 내지 도 9를 통해 설명한 동작을 수행할 수 있다. 이하, 도 10을 참조하여, 배터리 상태 추정 장치(110)가 차량에 탑재된 경우를 설명한다. 도 10에 대한 설명은 다른 전자 기기에 대해서도 적용될 수 있다.
도 10은 일 실시예에 따른 차량을 설명하기 위한 블록도이다.
도 10을 참조하면, 차량(1000)은 배터리 팩(1010) 및 배터리 관리 시스템(Battery Management System, BMS)(1020)을 포함한다. 차량(1000)은 배터리 팩(1010)을 전력원(power source)으로 이용할 수 있다. 차량(1000)은, 예를 들어, 전기 자동차 또는 하이브리드 자동차일 수 있다.
배터리 팩(1010)은 하나 이상의 배터리 모듈을 포함할 수 있다. 여기서, 배터리 모듈은 하나 이상의 배터리 셀을 포함할 수 있다.
배터리 관리 시스템(1020)은 배터리 팩(1010)에 이상(abnormality)이 발생하였는지 모니터링할 수 있고, 배터리 팩(1010)이 과충전(over-charging) 또는 과방전(over-discharging)되지 않도록 할 수 있다. 또한, 배터리 관리 시스템(1020)은 배터리 팩(1010)의 온도가 제1 온도(일례로, 40℃)를 초과하거나 제2 온도(일례로, -10℃) 미만이면 배터리 팩(1010)에 대해 열 제어를 수행할 수 있다. 또한, 배터리 관리 시스템(1020)은 셀 밸런싱을 수행하여 배터리 팩(1010)에 포함된 배터리 셀들 간의 충전 상태가 균등해지도록 할 수 있다.
일 실시예에 따르면, 배터리 관리 시스템(1020)은 배터리 상태 추정 장치(110)를 포함할 수 있다. 배터리 관리 시스템(1020)은 배터리 상태 추정 장치(110)를 이용하여 배터리 팩(1010)에 포함된 각 배터리 셀의 복수의 내부 상태 정보 각각을 결정할 수 있다. 배터리 관리 시스템(1020)은 차량(1000)이 주행하는 동안, 배터리 팩(1010)이 부분 충전되는 동안, 또는 부분 방전되는 동안에, 각 배터리 셀의 복수의 내부 상태 정보 각각을 결정할 수 있다.
배터리 관리 시스템(1020)은 각 배터리 셀에 대한 복수의 내부 상태 정보 중 어느 하나 또는 이들의 조합을 기초로 각 배터리 셀의 내부 상태가 비정상인지 여부를 결정할 수 있다. 배터리 관리 시스템(1020)은 비정상으로 결정된 배터리 셀이 있으면, 해당 배터리 셀이 충방전 되지 않도록 할 수 있다. 배터리 관리 시스템(1020)은 해당 배터리 셀에 대한 정보를 차량(1000)의 ECU 또는 VCU로 전송할 수 있다. 차량(1000)의 ECU 또는 VCU는 비정상으로 결정된 배터리 셀이 있다는 정보를 차량(1000)의 디스플레이에 출력할 수 있다.
또한, 배터리 관리 시스템(1020)은 각 배터리 셀에 대한 복수의 내부 상태 정보 중 어느 하나 또는 이들의 조합을 기초로 각 배터리 셀의 충전 상태 및/또는 수명 상태를 추정할 수 있다. 배터리 관리 시스템(1020)은 각 배터리 셀의 충전 상태 및/또는 수명 상태를 기초로 배터리 팩(1010)의 충전 상태 및/또는 수명 상태를 추정할 수 있다. 배터리 관리 시스템(1020)은 배터리 팩(1010)의 충전 상태 및/또는 수명 상태를 차량(1000)의 ECU 또는 VCU로 전송할 수 있다. 차량(1000)의 ECU 또는 VCU는 배터리 팩(1010)의 충전 상태 및/또는 수명 상태를 차량(1000)의 디스플레이에 출력할 수 있다.
도 1 내지 도 9를 통해 기술된 사항은 도 10을 통해 기술된 사항에 적용될 수 있으므로, 상세한 설명은 생략한다.
도 11은 일 실시예에 따른 학습 장치를 설명하기 위한 블록도이다.
도 11을 참조하면, 학습 장치(1100)는 메모리(1110) 및 프로세서(1120)를 포함한다.
메모리(1110)는 프로세서(1120)에 연결되고, 프로세서(1120)에 의해 실행 가능한 하나 이상의 인스트럭션을 저장할 수 있다. 또한, 메모리(1110)는 학습 데이터를 저장한다. 학습 데이터는, 예를 들어, 충전 프로파일에 따라 충전된 기준 배터리의 센싱 데이터 시퀀스의 일부 구간에 속한 센싱 데이터 및/또는 방전 프로파일에 따라 방전된 기준 배터리의 센싱 데이터 시퀀스의 일부 구간에 속한 센싱 데이터에 해당할 수 있다. 기준 배터리는 배터리(120)와 동일한 종류의 배터리를 나타낸다.
프로세서(1120)는 학습 데이터 및 기준 배터리의 내부 변수에 대한 기준 데이터를 이용하여 지도 학습에 따라 뉴럴 네트워크를 학습시킨다. 여기서, 기준 배터리의 내부 변수는, 전극의 전류 밀도, 전극의 전위, 및 전극의 이온 농도를 포함할 수 있다. 일례로, 프로세서(1120)는 지도 학습에 따라 학습 데이터 및 전극의 전류 밀도에 대한 기준 데이터를 이용하여 제1 뉴럴 네트워크를 학습시킨다. 학습된 제1 뉴럴 네트워크는 전류 밀도 추정기(310)의 기반이 된다. 마찬가지로, 프로세서(1120)는 지도 학습에 따라 학습 데이터 및 전극의 전위에 대한 기준 데이터를 이용하여 제2 뉴럴 네트워크를 학습시키고, 학습 데이터 및 전극의 이온 농도에 대한 기준 데이터를 이용하여 제3 뉴럴 네트워크를 학습시킨다. 학습된 제2 뉴럴 네트워크는 전위 추정기(320)의 기반이 될 수 있고, 학습된 제3 뉴럴 네트워크는 이온 농도 추정기(330)의 기반이 될 수 있다.
실시예에 있어서, 기준 배터리의 내부 변수들은 기준 배터리의 충전과 방전에 따라 구분될 수 있다. 일례로, 기준 배터리의 내부 변수들은 기준 배터리가 충전 중일 때 전극의 전류 밀도, 전위, 및 이온 농도와 기준 배터리가 방전 중일 때 전극의 전류 밀도, 전위, 및 이온 농도를 포함할 수 있다. 프로세서(1120)는 학습 데이터 및 각 내부 변수에 대한 기준 데이터를 이용하여 각 내부 변수 별 뉴럴 네트워크를 학습시킨다. 학습된 뉴럴 네트워크들 각각은 도 4를 통해 설명한 추정기들(410 내지 460) 각각의 기반이 될 수 있다.
다른 실시예에 있어서, 기준 배터리의 내부 변수들은 기준 배터리의 음극과 양극에 따라 구분될 수 있다. 일례로, 기준 배터리의 내부 변수들은 기준 배터리의 음극의 전류 밀도, 전위, 및 이온 농도와 기준 배터리의 양극의 전류 밀도, 전위, 및 이온 농도를 포함할 수 있다. 프로세서(1120)는 학습 데이터 및 각 내부 변수에 대한 기준 데이터를 이용하여 각 내부 변수 별 뉴럴 네트워크를 학습시킨다. 학습된 뉴럴 네트워크들 각각은 도 5를 통해 설명한 추정기들(510 내지 560) 각각의 기반이 될 수 있다.
다른 실시예에 있어서, 기준 배터리의 내부 변수들은 기준 배터리의 음극, 양극, 충전, 및 방전에 따라 구분될 수 있다. 일례로, 기준 배터리의 내부 변수는 기준 배터리가 충전 중일 때 음극 및 양극 각각의 전류 밀도, 전위, 및 이온 농도와 기준 배터리가 방전 중일 때 양극 및 양극 각각의 전류 밀도, 전위, 및 이온 농도 를 포함할 수 있다. 프로세서(1120)는 학습 데이터 및 각 내부 변수에 대한 기준 데이터를 이용하여 각 내부 변수 별 뉴럴 네트워크를 학습시킨다. 학습된 뉴럴 네트워크들 각각은 도 6를 통해 설명한 추정기들(610 내지 661) 각각의 기반이 될 수 있다.
기존의 전기화학모델은 배터리(120)의 내부 변수들(예를 들어, 전극의 전류 밀도, 전극의 전위, 전극의 이온 농도, 전해질의 이온 농도 등)을 상호 참조하여 내부 변수들 각각을 계산한다. 이는, 전기화학모델이 배터리(120)의 특정 내부 변수만을 계산할 수 없다는 것을 의미하고, 내부 변수들 각각의 계산 과정에서 내부 변수들 사이의 종속성이 있다는 것을 의미한다. 이로 인해, 전기화학모델의 경우, 연산량이 많고, 추정 시간이 길며, 계산 과정에서 오차가 발생하면, 전술한 종속성에 의해 오차가 누적 및 확산되어, 추정 정확도가 감소할 수 있다.
일 실시예에 따른 배터리 상태 추정 장치(110)는 개별 추정 모델(예를 들어, 추정기(220)들 각각)을 이용하여 배터리(120)의 내부 변수들(예를 들어, 전극의 전류 밀도, 전극의 전위, 전극의 이온 농도, 전해질의 이온 농도 등) 각각을 개별적으로 계산할 수 있다. 또한, 배터리 상태 추정 장치(110)의 계산 과정에서 내부 변수들 간의 종속성이 없다. 다시 말해, 배터리 상태 추정 장치(110)는 특정 내부 변수를 계산할 때 다른 내부 변수의 계산 결과를 고려하지 않을 수 있어, 내부 변수들 각각을 독립적으로 계산할 수 있다. 이로 인해, 배터리 상태 추정 장치(110)는 보다 향상된 속도로 내부 변수들 각각을 계산할 수 있다. 또한, 배터리 상태 추정 장치(110)는 병렬적으로 내부 변수들 각각을 계산할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate 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 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. 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. 컴퓨터 판독 가능 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 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.
Claims (19)
- 배터리의 센싱 데이터 시퀀스에 구간을 설정하는 단계;
상기 설정된 구간 내의 센싱 데이터를 추출하는 단계; 및
상기 추출된 센싱 데이터 및 추정기들을 이용하여 상기 배터리의 복수의 내부 상태 정보 각각을 결정하는 단계
를 포함하고,
상기 추정기들 각각은 상기 추출된 센싱 데이터로부터 상기 복수의 내부 상태 정보 중 개별 추정 대상에 해당하는 내부 상태 정보를 결정하는,
배터리 상태 추정 방법.
- 제1항에 있어서,
상기 추정기들은,
상기 추출된 센싱 데이터로부터 상기 배터리의 전류 밀도(current density)를 추정하는 전류 밀도 추정기;
상기 추출된 센싱 데이터로부터 상기 배터리의 전위(potential)를 추정하는 전위 추정기; 및
상기 추출된 센싱 데이터로부터 상기 배터리의 이온 농도를 추정하는 이온 농도 추정기
를 포함하는,
배터리 상태 추정 방법.
- 제1항에 있어서,
상기 추정기들은,
상기 추출된 센싱 데이터로부터 상기 배터리의 음극의 전류 밀도를 추정하는 음극 전류 밀도 추정기 및 상기 추출된 센싱 데이터로부터 상기 배터리의 양극의 전류 밀도를 추정하는 양극 전류 밀도 추정기;
상기 추출된 센싱 데이터로부터 상기 음극의 전위를 추정하는 음극 전위 추정기 및 상기 추출된 센싱 데이터로부터 상기 양극의 전위를 추정하는 양극 전위 추정기; 및
상기 추출된 센싱 데이터로부터 상기 음극의 이온 농도를 추정하는 음극 이온 농도 추정기 및 상기 추출된 센싱 데이터로부터 상기 양극의 이온 농도를 추정하는 양극 이온 농도 추정기
를 포함하는,
배터리 상태 추정 방법.
- 제1항에 있어서,
상기 추정기들은,
상기 배터리의 방전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터로부터 상기 방전 중인 배터리의 복수의 내부 상태 정보를 결정하는 방전 상태 추정기들; 및
상기 배터리의 충전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터로부터 상기 충전 중인 배터리의 복수의 내부 상태 정보를 결정하는 충전 상태 추정기들
을 포함하는,
배터리 상태 추정 방법.
- 제4항에 있어서,
상기 방전 상태 추정기들은,
상기 방전 중인 배터리의 음극의 및 양극 각각의 전류 밀도를 추정하는 전류 밀도 추정기들;
상기 방전 중인 배터리의 음극 및 양극 각각의 전위를 추정하는 전위 추정기들; 및
상기 방전 중인 배터리의 음극 및 양극 각각의 이온 농도를 추정하는 이온 농도 추정기들
을 포함하고,
상기 충전 상태 추정기들은,
상기 충전 중인 배터리의 음극 및 양극 각각의 전류 밀도를 추정하는 전류 밀도 추정기들;
상기 충전 중인 배터리의 음극 및 양극 각각의 전위를 추정하는 전위 추정기들; 및
상기 충전 중인 배터리의 음극 및 양극 각각의 이온 농도를 추정하는 이온 농도 추정기들
을 포함하는,
배터리 상태 추정 방법.
- 제1항에 있어서,
상기 추정기들 각각은 뉴럴 네트워크에 기반하는,
배터리 상태 추정 방법.
- 제1항에 있어서,
상기 복수의 내부 상태 정보 각각을 결정하는 단계는,
상기 배터리가 충전 중인 경우, 상기 배터리의 충전 동안의 센싱 데이터 시퀀스로부터 추출된 센싱 데이터 및 상기 추정기들을 이용하여 상기 충전 중인 배터리의 음극과 양극 각각의 전류 밀도, 상기 음극과 상기 양극 각각의 전위, 및 상기 음극과 상기 양극 각각의 이온 농도를 개별적으로 추정하는 단계; 및
상기 음극과 양극 각각의 추정된 전류 밀도를 통합하고, 상기 음극과 상기 양극 각각의 추정된 전위를 통합하며, 상기 음극과 상기 양극 각각의 추정된 이온 농도를 통합하는 단계
를 포함하는,
배터리 상태 추정 방법.
- 제1항에 있어서,
상기 복수의 내부 상태 정보 각각을 결정하는 단계는,
상기 배터리가 방전 중인 경우, 상기 배터리의 방전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터 및 상기 추정기들을 이용하여 상기 방전 중인 배터리의 음극과 양극 각각의 전류 밀도, 상기 음극과 상기 양극 각각의 전위, 및 상기 음극과 상기 양극 각각의 이온 농도를 개별적으로 추정하는 단계; 및
상기 음극과 양극 각각의 추정된 전류 밀도를 통합하고, 상기 음극과 상기 양극 각각의 추정된 전위를 통합하며, 상기 음극과 상기 양극 각각의 추정된 이온 농도를 통합하는 단계
를 포함하는,
배터리 상태 추정 방법.
- 제1항에 있어서,
상기 복수의 결정된 내부 상태 정보 중 어느 하나 또는 이들의 조합을 기초로 상기 배터리의 충전 상태 정보 및 수명 상태 정보 중 적어도 하나를 결정하는 단계
를 더 포함하는,
베터리 상태 추정 방법.
- 하드웨어와 결합되어 제1항 내지 제9항 중에서 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
- 배터리의 센싱 데이터 시퀀스에 구간을 설정하고, 상기 설정된 구간 내의 센싱 데이터를 추출하며, 상기 추출된 센싱 데이터 및 추정기들을 이용하여 상기 배터리의 복수의 내부 상태 정보 각각을 결정하는 프로세서
를 포함하고,
상기 추정기들 각각은 상기 추출된 센싱 데이터로부터 상기 복수의 내부 상태 정보 중 개별 추정 대상에 해당하는 내부 상태 정보를 결정하는,
배터리 상태 추정 장치.
- 제11항에 있어서,
상기 추정기들은,
상기 추출된 센싱 데이터로부터 상기 배터리의 전류 밀도(current density)를 추정하는 전류 밀도 추정기;
상기 추출된 센싱 데이터로부터 상기 배터리의 전위(potential)를 추정하는 전위 추정기; 및
상기 추출된 센싱 데이터로부터 상기 배터리의 이온 농도를 추정하는 농도 추정기
를 포함하는,
배터리 상태 추정 장치.
- 제11항에 있어서,
상기 추정기들은,
상기 추출된 센싱 데이터로부터 상기 배터리의 음극의 전류 밀도를 추정하는 음극 전류 밀도 추정기 및 상기 추출된 센싱 데이터로부터 상기 배터리의 양극의 전류 밀도를 추정하는 양극 전류 밀도 추정기;
상기 추출된 센싱 데이터로부터 상기 음극의 전위를 추정하는 음극 전위 추정기 및 상기 추출된 센싱 데이터로부터 상기 양극의 전위를 추정하는 양극 전위 추정기; 및
상기 추출된 센싱 데이터로부터 상기 음극의 이온 농도를 추정하는 음극 이온 농도 추정기 및 상기 추출된 센싱 데이터로부터 상기 양극의 이온 농도를 추정하는 양극 이온 농도 추정기
를 포함하는,
배터리 상태 추정 장치.
- 제11항에 있어서,
상기 추정기들은,
상기 배터리의 방전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터로부터 상기 방전 중인 배터리의 복수의 내부 상태 정보를 결정하는 방전 상태 추정기들; 및
상기 배터리의 충전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터로부터 상기 충전 중인 배터리의 복수의 내부 상태 정보를 결정하는 충전 상태 추정기들
을 포함하는,
배터리 상태 추정 장치.
- 제14항에 있어서,
상기 방전 상태 추정기들은,
상기 방전 중인 배터리의 음극의 및 양극 각각의 전류 밀도를 추정하는 전류 밀도 추정기들;
상기 방전 중인 배터리의 음극 및 양극 각각의 전위를 추정하는 전위 추정기들; 및
상기 방전 중인 배터리의 음극 및 양극 각각의 이온 농도를 추정하는 이온 농도 추정기들
을 포함하고,
상기 충전 상태 추정기들은,
상기 충전 중인 배터리의 음극 및 양극 각각의 전류 밀도를 추정하는 전류 밀도 추정기들;
상기 충전 중인 배터리의 음극 및 양극 각각의 전위를 추정하는 전위 추정기들; 및
상기 충전 중인 배터리의 음극 및 양극 각각의 이온 농도를 추정하는 이온 농도 추정기들
을 포함하는,
배터리 상태 추정 장치.
- 제12항에 있어서,
상기 추정기들 각각은 뉴럴 네트워크 모델에 기반하는,
배터리 상태 추정 장치.
- 제11항에 있어서,
상기 프로세서는,
상기 배터리가 충전 중인 경우, 상기 배터리의 충전 동안의 센싱 데이터 시퀀스로부터 추출된 센싱 데이터 및 상기 추정기들을 이용하여 상기 충전 중인 배터리의 음극과 양극 각각의 전류 밀도, 상기 음극과 상기 양극 각각의 전위, 및 상기 음극과 상기 양극 각각의 이온 농도를 개별적으로 추정하고,
상기 음극과 양극 각각의 추정된 전류 밀도를 통합하고, 상기 음극과 상기 양극 각각의 추정된 전위를 통합하며, 상기 음극과 상기 양극 각각의 추정된 이온 농도를 통합하는,
배터리 상태 추정 장치.
- 제11항에 있어서,
상기 프로세서는,
상기 배터리가 방전 중인 경우, 상기 배터리의 방전 동안의 센싱 데이터 시퀀스에서 추출된 센싱 데이터 및 상기 추정기들을 이용하여 상기 방전 중인 배터리의 음극과 양극 각각의 전류 밀도, 상기 음극과 상기 양극 각각의 전위, 및 상기 음극과 상기 양극 각각의 이온 농도를 개별적으로 추정하고,
상기 음극과 양극 각각의 추정된 전류 밀도를 통합하고, 상기 음극과 상기 양극 각각의 추정된 전위를 통합하며, 상기 음극과 상기 양극 각각의 추정된 이온 농도를 통합하는,
배터리 상태 추정 장치.
- 제11항에 있어서,
상기 프로세서는 상기 복수의 결정된 내부 상태 정보 중 어느 하나 또는 이들의 조합을 기초로 상기 배터리의 충전 상태 정보 및 수명 상태 정보 중 적어도 하나를 결정하는,
배터리 상태 추정 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170160208A KR102608468B1 (ko) | 2017-11-28 | 2017-11-28 | 배터리 상태 추정 방법 및 장치 |
| US16/019,736 US11183715B2 (en) | 2017-11-28 | 2018-06-27 | Method and apparatus for estimating state of battery |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170160208A KR102608468B1 (ko) | 2017-11-28 | 2017-11-28 | 배터리 상태 추정 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190061630A true KR20190061630A (ko) | 2019-06-05 |
| KR102608468B1 KR102608468B1 (ko) | 2023-12-01 |
Family
ID=66633650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170160208A KR102608468B1 (ko) | 2017-11-28 | 2017-11-28 | 배터리 상태 추정 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11183715B2 (ko) |
| KR (1) | KR102608468B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021025295A1 (ko) * | 2019-08-05 | 2021-02-11 | 주식회사 엘지화학 | 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11049265B2 (en) * | 2018-05-16 | 2021-06-29 | Nec Corporation | Balancing diversity and precision of generative models with complementary density estimators |
| WO2020186269A1 (en) * | 2019-03-14 | 2020-09-17 | The Board Of Trustees Of The Leland Stanford Junior University | Battery monitoring system |
| DE102020100668B4 (de) * | 2020-01-14 | 2021-07-22 | TWAICE Technologies GmbH | Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen |
| US11346891B2 (en) * | 2020-03-20 | 2022-05-31 | Mitsubishi Electric Research Laboratories, Inc. | Battery diagnostic system for estimating remaining useful life (RUL) of a battery |
| US12012014B2 (en) * | 2021-02-10 | 2024-06-18 | Guangzhou Automobile Group Co., Ltd. | Method and apparatus for optimizing battery management system |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130119921A1 (en) * | 2011-11-14 | 2013-05-16 | Auburn University | Rapid battery charging method and system |
| KR20160097029A (ko) * | 2015-02-06 | 2016-08-17 | 삼성전자주식회사 | 배터리 상태 추정 장치 및 방법 |
| KR20170022855A (ko) * | 2015-08-20 | 2017-03-02 | 삼성전자주식회사 | 배터리 충전 상태(SoC)를 예측하는 배터리 시스템 및 방법 |
Family Cites Families (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030184307A1 (en) | 2002-02-19 | 2003-10-02 | Kozlowski James D. | Model-based predictive diagnostic tool for primary and secondary batteries |
| JP4749685B2 (ja) | 2003-08-28 | 2011-08-17 | パナソニック株式会社 | 燃料電池発電システム及びその制御方法 |
| DE102004063163A1 (de) * | 2004-12-29 | 2006-07-20 | Robert Bosch Gmbh | Verfahren zur Bestimmung des Innenwiderstandes einer Batterie |
| KR100793616B1 (ko) | 2005-06-13 | 2008-01-10 | 주식회사 엘지화학 | 배터리 잔존량 추정 장치 및 방법 |
| EP2549523A4 (en) * | 2010-03-16 | 2016-03-30 | Mizuho Information & Res Inst | SYSTEM, METHOD AND PROGRAM FOR PREDICTING A FINISHED FORM RESULTING FROM PLASMA PROCESSING |
| US8586222B2 (en) * | 2010-04-08 | 2013-11-19 | GM Global Technology Operations LLC | Lithium-ion cell with an array of reference electrodes |
| US9203122B2 (en) * | 2012-09-28 | 2015-12-01 | Palo Alto Research Center Incorporated | Monitoring and management for energy storage devices |
| JP5971477B2 (ja) | 2012-12-25 | 2016-08-17 | トヨタ自動車株式会社 | 二次電池の状態推定装置 |
| US10189366B2 (en) | 2013-04-11 | 2019-01-29 | Toyota Jidosha Kabushiki Kaisha | Battery system |
| US20150042291A1 (en) * | 2013-08-08 | 2015-02-12 | Instavolt Inc. | Method and System for Communication with a Battery Charger |
| KR102215450B1 (ko) | 2014-06-24 | 2021-02-15 | 삼성전자주식회사 | 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 |
| KR102221756B1 (ko) * | 2014-07-18 | 2021-03-02 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
| KR102316436B1 (ko) * | 2014-11-17 | 2021-10-22 | 삼성전자주식회사 | 이종의 배터리 셀을 제어하기 위한 방법 및 그 전자 장치 |
| US20160239592A1 (en) | 2015-02-12 | 2016-08-18 | Nec Laboratories America, Inc. | Data-driven battery aging model using statistical analysis and artificial intelligence |
| US10700389B2 (en) * | 2015-07-31 | 2020-06-30 | Hitachi, Ltd. | Battery control device |
| KR102574257B1 (ko) | 2015-10-30 | 2023-09-01 | 삼성전자주식회사 | Soh 추정 장치 및 방법과, soh 추정 모델 생성 장치 및 방법 |
| WO2018017644A1 (en) * | 2016-07-22 | 2018-01-25 | Eos Energy Storage, Llc | Battery management system |
| KR20180085165A (ko) | 2017-01-18 | 2018-07-26 | 삼성전자주식회사 | 배터리 관리 방법 및 장치 |
| EP3471005B1 (en) * | 2017-10-13 | 2021-11-03 | Nokia Technologies Oy | Artificial neural network |
-
2017
- 2017-11-28 KR KR1020170160208A patent/KR102608468B1/ko active IP Right Grant
-
2018
- 2018-06-27 US US16/019,736 patent/US11183715B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130119921A1 (en) * | 2011-11-14 | 2013-05-16 | Auburn University | Rapid battery charging method and system |
| KR20160097029A (ko) * | 2015-02-06 | 2016-08-17 | 삼성전자주식회사 | 배터리 상태 추정 장치 및 방법 |
| KR20170022855A (ko) * | 2015-08-20 | 2017-03-02 | 삼성전자주식회사 | 배터리 충전 상태(SoC)를 예측하는 배터리 시스템 및 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 논문(2012.04.16) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021025295A1 (ko) * | 2019-08-05 | 2021-02-11 | 주식회사 엘지화학 | 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20190165432A1 (en) | 2019-05-30 |
| US11183715B2 (en) | 2021-11-23 |
| KR102608468B1 (ko) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102608468B1 (ko) | 배터리 상태 추정 방법 및 장치 | |
| Tang et al. | Aging trajectory prediction for lithium-ion batteries via model migration and Bayesian Monte Carlo method | |
| EP3736587B1 (en) | A method and a system for estimation of remaining useful life in lithium based batteries | |
| US9960625B2 (en) | Battery management system with multiple observers | |
| US10209314B2 (en) | Systems and methods for estimation and prediction of battery health and performance | |
| Sun et al. | Estimation of state-of-charge and state-of-power capability of lithium-ion battery considering varying health conditions | |
| US10931128B2 (en) | Method and apparatus to predict capacity fade rate of battery | |
| CN106249152B (zh) | 用于估计电池状态的方法和设备 | |
| CN105319507B (zh) | 用于估计电池模型参数的方法和系统 | |
| US11002793B2 (en) | Battery monitoring method and apparatus detecting charge balance of battery | |
| Hashemi et al. | Machine learning‐based model for lithium‐ion batteries in BMS of electric/hybrid electric aircraft | |
| KR102650965B1 (ko) | 배터리 상태 추정 방법 | |
| JP2020515859A (ja) | ノイズを反映したバッテリーの残存容量の算出装置及び方法 | |
| US10686321B2 (en) | Secondary battery management | |
| KR20190040412A (ko) | 이차 전지의 충전 상태를 추정하기 위한 장치 및 그 방법 | |
| KR20190032780A (ko) | 배터리 상태 추정 장치 및 방법 | |
| KR102534849B1 (ko) | 배터리의 이온 농도 및 쿨롱 카운팅 soc를 실시간으로 조정하는 방법 | |
| KR20180057266A (ko) | 배터리 상태 추정 방법 및 장치 | |
| KR20210047682A (ko) | 배터리 상태 추정 방법 및 장치 | |
| Zhang et al. | State-of-charge estimation based on microcontroller-implemented sigma-point Kalman filter in a modular cell balancing system for Lithium-Ion battery packs | |
| KR20190074123A (ko) | 배터리 충전 방법 및 장치 | |
| JP2012047580A (ja) | バッテリの充電率推定装置 | |
| CN114503392A (zh) | 涉及多个电池的判定装置、蓄电系统、判定方法和判定程序 | |
| EP4063884B1 (en) | A method for estimating or predicting an internal battery state of a battery unit | |
| CN108206311B (zh) | 蓄电系统 |
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 |