KR20210024962A - Ess 배터리의 상태진단 및 수명예측을 위한 장치 및 방법 - Google Patents

Ess 배터리의 상태진단 및 수명예측을 위한 장치 및 방법 Download PDF

Info

Publication number
KR20210024962A
KR20210024962A KR1020200089366A KR20200089366A KR20210024962A KR 20210024962 A KR20210024962 A KR 20210024962A KR 1020200089366 A KR1020200089366 A KR 1020200089366A KR 20200089366 A KR20200089366 A KR 20200089366A KR 20210024962 A KR20210024962 A KR 20210024962A
Authority
KR
South Korea
Prior art keywords
battery
data
life
prediction model
diagnostic
Prior art date
Application number
KR1020200089366A
Other languages
English (en)
Inventor
정병철
오상엽
정태호
Original Assignee
오토시맨틱스 주식회사
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 오토시맨틱스 주식회사 filed Critical 오토시맨틱스 주식회사
Priority to PCT/KR2020/009624 priority Critical patent/WO2021040236A1/ko
Publication of KR20210024962A publication Critical patent/KR20210024962A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

ESS(Energy Storage System) 배터리의 상태진단 및 수명예측을 위한 장치와 방법을 개시한다.
본 실시예는, ESS(Energy Storage System)에 포함된 배터리의 상태에 대한 데이터를 기반으로 진단예측 모델을 이용하여 배터리의 상태진단 및 수명예측을 수행함으로써 ESS의 안정적인 동작에 도움을 줄 수 있는 배터리 상태진단 및 수명예측을 위한 장치와 방법을 제공하는 데 목적이 있다. 여기서, 진단예측 모델은 딥러닝 기반의 신경망으로 구현되며, 서버로부터 전달받은 파라미터를 이용하여 진단예측 모델의 파라미터가 업데이트된다.

Description

ESS 배터리의 상태진단 및 수명예측을 위한 장치 및 방법{Method and Apparatus for Diagnosis and Life Assessment for ESS Battery}
본 발명은 ESS(Energy Storage System) 배터리의 상태진단 및 수명예측을 위한 장치 및 방법에 관한 것이다.
이하에 기술되는 내용은 단순히 본 발명과 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
에너지 저장시스템(Energy Storage System: ESS)은 에너지를 저장해 두었다가, 추후에 사용하기 위해 에너지를 저장하는 시스템이다. ESS를 이용하면, 시간에 따른 전력 사용량의 편차가 발생하는 경우에 대하여 효율적으로 대처하는 것이 가능하고, 갑작스런 사고 때문에 전압 강하 발생 등의 경우, 안정적인 전력을 공급하는 것이 가능하다.
ESS는 에너지 저장을 위한 배터리의 집합체로서 배터리 셀(cell) 및 복수의 셀을 포함하는 모듈을 기본 구성단위로 한다. 배터리 셀 및 모듈의 불안정은 ESS의 오동작을 초래할 수 있으며, 심한 경우 화재와 같은, ESS 전체의 손상을 초래하는 사고의 직간접적인 원인이 될 수 있다. ESS의 안정적인 동작을 유지하기 위한 하나의 방안으로 ESS를 구성하는 배터리의 상태에 대한 진단을 기반으로 사용 초기에 배터리 수명을 예측하는 것이 요구된다. 또한 수명을 예측한 데이터를 기반으로, 생산자는 배터리 개발 주기를 가속할 수 있고, 생산 공정의 검증 및 생산된 제품 검사 기간을 단축하는 것이 가능해지며, 소비자는 배터리 소비 측면의 효율 개선을 기대할 수 있다.
배터리 수명을 예측한 종래의 방법으로서, 머신 러닝(machine learning) 기반의 자료 주도적(data-driven) 예측 모델을 이용하는 방법이 존재한다(비특허문헌 1 참조). 종래의 방법은 배터리 수명에 대한 양적 예측 및 배터리 수명의 장단에 대한 이분(binary classification) 결과에서 주목할 만한 성과를 보였으나, 수명예측의 정확도 측면에서 여전히 개선의 여지를 남겼다.
따라서, ESS를 구성하는 배터리의 상태에 대한 진단을 기반으로 배터리의 수명예측에 대한 성능을 개선하여 ESS의 안정적인 동작에 도움을 줄 수 있는 배터리의 상태진단 및 수명예측 장치가 요구된다.
비특허문헌 1: Data-driven prediction of battery cycle life before capacity degradation. A.Severson et al. Link: https://doi.org/10.1038/s41560-019-0356-8
본 개시는, ESS(Energy Storage System)에 포함된 배터리의 상태에 대한 데이터에 근거하여 딥러닝(deep learning) 기반의 진단예측 모델을 이용하여 배터리의 상태진단 및 수명예측을 수행함으로써 ESS의 안정적인 동작에 도움을 줄 수 있는 배터리 상태진단 및 수명예측을 위한 장치와 방법을 제공하는 데 주된 목적이 있다.
본 발명의 실시예에 따르면, 엣지디바이스(edge device)가 실행하는 배터리 상태진단 및 수명예측을 위한 방법에 있어서, ESS(Energy Storage System)에 포함된 배터리로부터 배터리 상태 신호를 수집하는 과정; 신호 분석 및 통계치 분석을 이용하여 상기 배터리 상태 신호로부터 배터리 상태 데이터를 생성하는 과정; 및 사전에 트레이닝된 딥러닝(deep learning) 기반의 진단예측 모델을 이용하여 상기 배터리 상태 데이터로부터 상기 배터리의 상태진단 및 수명예측에 대한 결과 데이터를 추론하는 과정을 포함하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 방법을 제공한다.
본 발명의 다른 실시예에 따르면, 상기 배터리 상태 데이터 및 상기 결과 데이터를 기 설정된 로컬 저장소에 저장하는 과정; 및 상기 배터리 상태 데이터 및 상기 결과 데이터를 서버로 송신하는 과정을 더 포함하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 방법을 제공한다.
본 발명의 다른 실시예에 따르면, 상기 진단예측 모델을 업데이트하기 위한 파라미터를 상기 서버로부터 수신하는 과정; 및 상기 서버로부터 수신한 파라미터를 이용하여 상기 진단예측 모델의 파라미터를 업데이트하는 과정을 더 포함하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 방법을 제공한다.
본 발명의 다른 실시예에 따르면, ESS(Energy Storage System)에 포함된 배터리로부터 배터리 상태 신호를 수집하는 신호감지부; 신호 분석 및 통계치 분석을 이용하여 상기 배터리 상태 신호로부터 배터리 상태 데이터를 생성하는 신호처리부; 및 사전에 트레이닝된 딥러닝(deep learning) 기반의 진단예측 모델을 이용하여 상기 배터리 상태 데이터로부터 상기 배터리의 상태진단 및 수명예측에 대한 결과 데이터를 추론하는 진단예측부를 포함하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 장치를 제공한다.
본 발명의 다른 실시예에 따르면, 상기 배터리 상태 데이터 및 상기 결과 데이터를 기 설정된 로컬 저장소에 저장하는 데이터저장부; 및 상기 배터리 상태 데이터 및 상기 결과 데이터를 서버 측으로 송신하는 데이터 송수신부를 더 포함하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 장치를 제공한다.
본 발명의 다른 실시예에 따르면, 배터리 상태진단 및 수명예측을 위한 방법의 각 단계를 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터프로그램을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 따르면, ESS(Energy Storage System)에 포함된 배터리의 상태에 대한 데이터에 근거하여 딥러닝(deep learning) 기반의 진단예측 모델을 이용하여 배터리의 상태진단 및 수명예측을 수행하는 배터리 상태진단 및 수명예측을 위한 장치와 방법을 제공함으로써, ESS의 안정적인 동작에 도움을 주는 것이 가능해지는 효과가 있다.
또한 본 실시예에 따르면, 배터리의 수명을 예측한 데이터를 기반으로, 생산자는 배터리 개발 주기를 가속할 수 있고, 생산 공정의 검증 및 생산된 제품 검사 기간의 단축이 가능하다. 한편, 소비자는 배터리 소비 측면의 효율 개선을 기대할 수 있다.
도 1은 본 발명의 일 실시예에 따른 수명예측 장치에 대한 구성도이다.
도 2는 본 발명의 일 실시예에 따른 학습 모델의 증분트레이닝 과정에 대한 개념도이다.
도 3은 본 발명의 일 실시예에 따른 진단예측 모델을 구현하는 DNN에 대한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 수명예측 방법에 대한 순서도이다.
도 5는 본 발명의 일 실시예에 따른 재학습 모델의 트레이닝 과정에 대한 순서도이다.
이하, 본 발명의 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 실시예들을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 실시예들의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 실시예들의 구성요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성요소를 다른 구성요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 '포함', '구비'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 '…부', '모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
본 실시예는 에너지 저장 시스템(Energy Storage System: ESS) 배터리의 상태진단 및 수명 예측을 위한 장치(이하 ‘수명예측 장치’)에 대한 내용을 제시한다. 보다 자세하게는 ESS에 포함된 배터리의 상태에 대한 데이터에 근거하여 딥러닝(deep learning) 기반 진단예측 모델을 이용하여 배터리의 상태진단 및 수명예측을 수행하는 배터리 상태진단 및 수명예측을 수행하는 수명예측 장치를 제안한다.
ESS를 구성하는 배터리는 셀 또는 모듈 단위로 구성된다. 본 실시예에서 제안하는 수명예측 장치는 배터리는 셀 또는 모듈 단위에 대한 상태진단 및 수명예측을 수행한다. 이하 배터리라는 표기는 배터리의 셀 또는 모듈을 의미한다.
도 1은 본 발명의 일 실시예에 따른 수명예측 장치에 대한 구성도이다.
본 발명의 실시예에 있어서, 수명예측 장치(100)는 배터리로부터 감지된 신호를 처리한 배터리 상태 데이터에 근거하여 딥러닝 기반 진단예측 모델을 이용하여 배터리의 상태를 진단하고 수명을 예측한다. 또한, 배터리 상태 데이터를 이용하여 서버에서 진단예측 모델의 파라미터를 업데이트한다.
수명예측 장치(100)는 엣지디바이스(110, edge device) 및 서버(120)의 상에 분할된 채로 구현될 수 있다. 엣지디바이스(110)는 신호감지부(111), 신호처리부(112), 데이터저장부(113), 진단예측부(114) 및 제1 송수신부(115)의 전부 또는 일부를 포함한다. 서버(120)는 데이터베이스(121), 재학습부(122) 및 제2 송수신부(123)의 전부 또는 일부를 포함한다.
본 실시예에 따른 수명예측 장치(100)에 포함되는 구성요소가 반드시 이에 한정하는 것은 아니다. 도 1의 도시는 본 실시예에 따른 예시적인 구성이며, 배터리 신호의 감지, 처리 및 저장, 배터리 상태진단 및 수명예측 기법, 또는 진단예측 모델의 학습 기법에 따라 다른 구성요소 또는 구성요소 간의 다른 연결을 포함하는 구현이 가능하다.
본 실시예에 따른 엣지디바이스(110)는 배터리로부터 감지된 신호를 처리한 배터리 상태 데이터를 생성하고, 생성된 배터리 상태 데이터를 딥러닝 기반 진단예측 모델에 입력하여 배터리의 상태진단 및 수명예측에 대한 결과 데이터를 추론한다. 엣지디바이스(110)는 신호감지부(111), 신호처리부(112), 데이터저장부(113), 진단예측부(114) 및 제1 송수신부(115)를 포함하되 반드시 이에 한정하는 것은 아니다. 예컨대, 엣지디바이스(110) 상에 딥러닝 기반의 학습 모델 및 학습 모델의 트레이닝을 위한 트레이닝부(미도시)를 추가로 구비하거나, 외부의 트레이닝부와 연동되는 형태로 구현될 수 있다. 또한 엣지디바이스(110) 상에 전원 공급을 위한 전원부(미도시)를 추가로 구비하거나, 외부의 전원부와 연동되는 형태로 구현될 수 있다.
본 실시예에 따른 신호감지부(111)는 ESS 내의 배터리로부터 배터리 상태 신호를 수집한다. 여기서, 배터리 상태 신호는 배터리로부터 측정되는 전압, 전류 및 온도 중 적어도 하나를 포함하되, 반드시 이에 한정하는 것은 아니다. 배터리 상태 신호의 수집을 위하여 신호감지부(111)는 전압센서, 전류센서, 온도센서, ADC(Analog-to-Digital Converter) 등을 포함할 수 있다. 여기서, ADC는 각 센서가 감지한 아날로그 신호를 디지털 신호로 변환하는 기능을 수행한다.
본 실시예에 따른 신호처리부(112)는 배터리 상태 신호를 신호처리하여 배터리 상태 데이터를 생성한다. 여기서 신호처리 과정은 주파수 성분 분석, 시간에 따른 신호의 변화율 분석 등을 포함할 수 있는데, 더 자세하게는 신호 변환, 통계값 분석 등을 포함할 수 있다.
신호 변환과 관련하여, 신호처리부(112)는 잡음(noise) 제거, 푸리에(Fourier), 라플라스(Laplace), 옥타브 밴드 레벨(Octave Band Levels), 선명도(sharpness), 조도(roughness), 엔벨로프(envelope), 기저크기, 토날리티(tonality), 변동강도(fluctuation strength), 제동(damping), 고유진동수(natural frequency) 분석 등을 이용할 수 있으나 반드시 이에 한정하는 것은 아니다. 신호처리부(112)는 신호 변환을 이용하여 배터리 상태 신호의 특성 데이터를 생성할 수 있다. 전술한 분석 방법은 신호처리 과정에서 널리 이용되는 방법들이므로, 각 분석 항목에 대한 자세한 설명은 생략한다.
통계값 분석과 관련하여, 신호처리부(112)는 배터리 상태 신호 및 특성 데이터를 기반으로 신호의 평균, 분산, 표준편차, 왜곡(skewness), 첨도(kurtosis), 최소값, 최대값, 중간값, 변화율 등의 통계적 데이터를 생성할 수 있으나 반드시 이에 한정하는 것은 아니다. 전술한 통계값들은 통계 분석에서 널리 이용되는 데이터이므로 통계적 데이터 항목에 대한 자세한 설명은 생략한다.
배터리 상태 데이터는 배터리 상태 신호, 특성 데이터 및 통계적 데이터의 전부 또는 일부를 포함할 수 있다.
또한, 전술한 바에 따른 배터리 상태 데이터는 시간 영역의 데이터, 주파수 영역의 데이터, 및 시간 영역과 주파수 영역의 데이터에 기반하는 통계적 데이터로 분류될 수 있다. 예컨대, 시간 영역의 데이터는 배터리 상태 신호, 변동강도 등을 포함할 수 있다. 주파수 영역의 데이터는 푸리에 변환을 거친 데이터, 옥타브 밴드 레벨 데이터, 고유진동수 등을 포함할 수 있다. 통계적 데이터는 전술한 바와 같은 통계값 분석을 이용하여 생성된 데이터를 포함할 수 있다.
전술한 바에 따른 배터리 상태 데이터는 다양한 형태로 결합되어 딥러닝 기반 진단예측 모델의 상태진단 및 수명예측에 이용될 수 있다. 또한 배터리 상태 데이터는 다양한 형태로 결합되어 딥러닝 기반 진단예측 모델의 트레이닝에 이용될 수 있다.
본 실시예에 따른 데이터저장부(113)는 배터리 상태 데이터를 데이터저장부(113) 내부의 기 설정된 로컬 저장소(미도시)에 저장한다. 또한 데이터저장부(113)는, 제1 송수신부(115)를 이용하여 배터리 상태 데이터를 서버(120) 측으로 송신한다. 로컬 저장소에 저장된 배터리 상태 데이터는 진단예측부(114)의 추론(inference) 수행에 이용되거나, 진단예측부(114)에 대한 증분트레이닝(incremental training)에 이용될 수 있다.
본 실시예에 따른 진단예측부(114)는 배터리 상태 데이터의 전부 또는 일부를 진단예측 모델에 입력하여 배터리의 상태진단 및 수명을 예측한 결과 데이터를 추론한다. 결과 데이터는 배터리의 정상 여부에 대한 상태 정보, 불량의 원인, 잔여 수명 등을 포함하되 이에 한정하는 것은 아니다. 진단예측부(114)는 결과 데이터를 데이터저장부(113) 내부의 로컬 저장소에 저장하고, 제1 송수신부(115)를 이용하여 결과 데이터를 서버(120) 상의 데이터베이스(121)로 전달한다. 서버(120)의 사용자 인터페이스 상에 결과 데이터가 표시되는 경우, 추론 결과를 실시간으로 확인하는 것이 가능하다. 로컬 저장소에 저장된 결과 데이터는 진단예측부(114)에 대한 증분트레이닝에 이용될 수 있다.
진단예측 모델은 딥러닝 기반의 신경망(neural network)을 이용한다. 본 실시예에 따른 진단예측 모델은 DNN(Deep Neural Network)을 사용하나 이에 한정하는 것은 아니다. DNN을 사용하는 경우, 시간 영역 상의 데이터, 통계적 데이터 등을 포함하는 배터리 상태 데이터를 입력으로 이용할 수 있다.
도 3은 본 발명의 일 실시예에 따른 진단예측 모델을 구현하는 DNN에 대한 예시도이다.
도 3에 예시된 바대로, DNN은 4 개의 은닉층(hidden layer) 외에, 활성 함수로 시그모이드(sigmoid) 함수 및 tanh 함수를 이용하고, 3차 은닉층의 앞에 배치 정규화(batch normalization)를 적용한다. DNN의 4 개 은닉층은 각각 64, 64, 256, 256 개의 노드를 포함한다.
본 발명의 다른 실시예에서는, 진단예측 모델은 CNN(Convolutional Neural Network)을 사용할 수 있다. CNN을 사용하는 경우, 주파수 영역 상의 데이터, 통계적 데이터 등을 포함하는 배터리 상태 데이터를 입력으로 이용할 수 있다.
본 발명의 다른 실시예에서는, 진단예측 모델은 RNN(Recursive Neural Network)을 사용할 수 있다. RNN의 예로는 LSTM(Long Short-Term Memory model), GRU(Gated Recurrent Unit), 트랜스포머 디코더(Transformer Decoder) 등이 있다. RNN을 사용하는 경우, 시간 영역 상의 데이터, 통계적 데이터 등을 포함하는 배터리 상태 데이터를 입력으로 이용할 수 있다.
본 실시예에서는 ESS 배터리 별로 하나의 진단예측 모델이 부착되어 동작하는 경우를 가정한다. 한편, 본 발명의 다른 실시예에서는, 복수의 배터리에 대하여 하나의 진단예측 모델을 부착함으로써, 시간을 분할하여 복수의 배터리에 대한 상태진단 및 수명예측을 수행하는 것이 가능하다.
본 실시예에 따른 제1 송수신부(115)는 서버(120)와의 연결을 위해 유선 송수신 및 무선 송수신 중 적어도 하나를 수행한다. 제1 송수신부(115)는 배터리 상태 데이터 및 결과 데이터를 서버(120) 측으로 송신한다. 또한 제1 송수신부(115)는 리트레이닝된 진단예측 모델의 파라미터를 서버(120)로부터 송신한다.
본 실시예에 따른 서버(120)는 배터리 상태 데이터를 보관하고, 보관된 배터리 상태 데이터를 기반으로 재학습 모델을 리트레이닝하여 진단예측 모델의 파라미터를 업데이트한다. 서버는 데이터베이스(121), 재학습부(122) 및 제2 송수신부(123)를 포함한다.
본 실시예에 따른 데이터베이스(121)는, 제2 송수신부(123)를 이용하여 배터리 상태 데이터 및 결과 데이터를 수신하여 보관한다. 보관된 배터리 상태 데이터는 다양한 형태로 결합되어 딥러닝 기반 재학습 모델의 트레이닝에 이용될 수 있다.
본 실시예에 따른 재학습부(122)는 데이터베이스(121)에 보관된 배터리 상태 데이터 및 결과 데이터를 기반으로 재학습 모델(relearning model)을 리트레이닝한다. 재학습부(122)는 제2 송수신부(123)를 이용하여 재학습 모델의 파라미터를 엣지디바이스(110)로 전달하여 진단예측 모델의 파라미터를 업데이트한다. 재학습 모델의 파라미터를 엣지디바이스(110) 측으로 유선 또는 무선으로 전달하는 단계는 사전에 설정된 시간에 따라 주기적으로 수행된다. 전달받은 재학습 모델의 파라미터를 이용함으로써, 각 엣지디바이스(110)는 진단예측 모델이 추론을 수행하지 않는 시간대를 특정하여 진단예측 모델의 파라미터를 업데이트한다.
재학습 모델은 엣지디바이스(110)를 구성하는 진단예측 모델과 동일한 구조의 딥러닝 기반 신경망으로 구현되고, 기 저장된 데이터를 기반으로 사전에 초기 트레이닝된다. 초기 트레이닝 단계에서는, 데이터 증강(augmentation) 또는 데이터 생성(generation) 모델을 이용하여 제한된 수의 데이터를 기반으로 더 많은 학습용 데이터를 생성한 후, 기 저장된 데이터와 병합하여 재학습 모델의 초기 트레이닝에 이용한다.
또한, 서버의 외부로부터 요청이 있을 경우, 기 저장된 데이터 외에 새로운 데이터를 재학습 모델의 리트레이닝 데이터로 사용하는 것이 가능하다. 리트레이닝 과정을 이용하여, 수명예측 장치(100)는 배터리 상태진단 및 수명예측에 대한 정확도를 지속적으로 향상시킨다.
본 실시예에 따른 제2 송수신부(123)는 엣지디바이스(110)와의 연결을 위해 유선 송수신 및 무선 송수신 중 적어도 하나를 수행한다. 제2 송수신부(123)는 배터리 상태 데이터 및 결과 데이터를 엣지디바이스(110)로부터 수신한다. 또한 제2 송수신부(123)는 리트레이닝된 재학습 모델의 파라미터를 엣지디바이스(110) 측으로 송신한다.
이상에서 기술한 바는 제1 송수신부(115) 및 제2 송수신부(123)가 정상적으로 동작하여 유선 또는 무선 송수신이 가능한 경우를 가정한다. 따라서, 제1 송수신부(115) 또는 제2 송수신부(123)의 고장, 점검 등의 이유 때문에 유선 및 무선 송수신에 의한 연결이 가능하지 않은 경우에는, 엣지디바이스(110) 내의 학습 모델에 대한 재학습이 수행된다. 전술한 바와 같이 본 실시예에 따른 엣지디바이스(110)는 딥러닝 기반의 학습 모델을 구비하고, 구비된 학습 모델을 이용하여 진단예측 모델에 대한 증분트레이닝 과정을 수행할 수 있다. 이러한 학습 모델은 로컬 저장소 및 데이터베이스(121)에 저장된 배터리 상태 데이터 및 결과 데이터를 기반으로, 배터리의 상태진단 및 수명예측이 가능하도록 사전에 트레이닝된 모델일 수 있다.
도 2는 본 발명의 일 실시예에 따른 학습 모델의 증분트레이닝 과정에 대한 개념도이다.
본 실시예에 따른 트레이닝부는, 제1 송수신부(115)를 이용하여 진단예측 모델에 대한 파라미터를 서버(120)로부터 수신하지 못하는 경우, 로컬 저장소에 저장된 배터리 상태 데이터 및 결과 데이터를 기반으로 증분트레이닝을 수행하여 진단예측 모델의 파라미터를 업데이트한다.
트레이닝부는, 진단예측 모델이 결과 데이터를 추론을 수행하지 않는 특정 시간에 증분(incremental) 트레이닝을 수행한다.
트레이닝부는 증분트레이닝 수행에 의거하여 진단예측 모델이 추론한 결과 데이터를 다시 데이터저장부(113) 내의 로컬 저장소에 저장한 후, 이를 이어지는 증분트레이닝에 이용할 수 있다.
증분트레이닝 과정을 이용하여, 수명예측 장치(100)는 배터리 상태진단 및 수명예측에 대한 정확도를 지속적으로 향상시킨다.
본 실시예에 따른 수명예측 장치(100)는 동시간대에 예측된 배터리의 수명 데이터를 검토하여 주변 배터리와 현저한 수명 차이를 보이는 배터리가 발견될 경우, EMS(ESS Management System)에 경고한다. EMS는 해당 배터리의 충방전을 멈춘 후 정밀진단을 실시하고, 필요하면 해당 배터리를 교체할 수 있도록 관리자에게 정보를 제공함으로써, ESS의 안정적인 동작 유지에 도움을 줄 수 있다.
한편, 본 실시예에 따른 서버(120)는, 제2 송수신부(123)가 엣지디바이스(110)로부터 배터리 상태 데이터 및 결과 데이터를 수신하지 못하는 경우, 재학습 모델에 대한 리트레이닝을 중단한다.
도 4는 본 발명의 일 실시예에 따른 수명예측 방법에 대한 순서도이다.
본 발명에 따른 엣지디바이스(110)는 ESS 내의 배터리로부터 배터리 상태 신호를 수집한다(S401). 여기서, 배터리 상태 신호는 배터리로부터 측정되는 전압, 전류 및 온도 중 적어도 하나를 포함한다.
엣지디바이스(110)는 배터리 상태 신호를 신호처리하여 배터리 상태 데이터를 생성한다(S402). 배터리 상태 데이터는 배터리 상태 신호, 배터리 상태 신호로부터 생성된 특성 데이터, 및 배터리 상태 신호와 특성 데이터로부터 생성된 통계적 데이터의 전부 또는 일부를 포함할 수 있다. 또한 배터리 상태 데이터는 시간 영역의 데이터, 주파수 영역의 데이터, 및 시간 영역과 주파수 영역의 데이터에 기반하는 통계적 데이터로 분류될 수 있다.
엣지디바이스(110)는 배터리 상태 데이터를 로컬 저장소에 저장한다(S403).
엣지디바이스(110)는 배터리 상태 데이터를 진단예측 모델에 입력하여 배터리의 상태진단 및 수명을 예측한 결과 데이터를 추론한다(S404). 진단예측 모델은 배터리 상태 데이터의 전부 또는 일부를 입력으로 이용할 수 있다. 결과 데이터는 배터리의 정상 여부에 대한 상태 정보, 불량의 원인, 잔여 수명 등을 포함할 수 있다. 여기서, 진단예측 모델은 딥러닝 기반의 신경망으로 구현될 수 있다.
엣지디바이스(110)는 결과 데이터를 로컬 저장소에 저장한다(S405).
엣지디바이스(110)는 유무선 송신의 가능 여부를 판단하여(S406), 가능한 경우에는 배터리 상태 데이터 및 결과 데이터를 서버 측으로 송신한다(S407). 이하 유무선 송수신이 가능하다는 의미는 유선 송수신 및 무선 송수신 중 적어도 하나의 송수신은 가능하여 엣지디바이스(110)와 서버(120)가 서로 연결된다는 의미이다.
엣지디바이스(110)는 유무선 수신의 가능 여부를 판단하여(S409), 가능한 경우에는 서버로부터 재학습 모델의 파라미터를 수신하여 진단예측 모델을 파라미터를 업데이트한다(S410).
엣지디바이스(110)는 유무선 송수신이 가능하지 않은 경우, 진단예측 모델에 대한 증분학습을 수행한다(S408). 엣지디바이스(110)는 증분학습에 따른 진단예측 모델이 추론한 결과 데이터를 로컬 저장소에 저장하고 이를 이어지는 증분학습에 이용한다.
도 5는 본 발명의 일 실시예에 따른 재학습 모델의 리트레이닝 과정에 대한 순서도이다.
서버는 유무선 수신의 가능 여부를 판단하여(S501), 가능하지 않은 경우에는 이후의 단계(S502 내지 S505)를 생략한다. 한편, 유무선 수신이 가능한 경우에는 서버는 배터리 상태 데이터 및 결과 데이터를 수신하여 데이터베이스(121)에 보관한다(S502).
데이터베이스(121)에 보관된 배터리 상태 데이터 및 결과 데이터를 기반으로 서버는 재학습 모델을 리트레이닝한다(S503). 여기서, 재학습 모델은 진단예측 모델과 동일한 형태의 딥러닝 기반 신경망으로 구현되고, 기 저장된 데이터를 기반으로 사전에 초기 트레이닝된다.
서버는 유무선 수신의 가능 여부를 판단하여, 가능하지 않은 경우에는 이후의 단계(S505)를 생략한다. 한편, 유무선 수신이 가능한 경우에는 재학습 모델의 파라미터를 엣지디바이스(110) 측으로 송신한다(S504).
이하, 본 발명의 실시예에 따른 수명예측 장치(100)의 성능을 평가한 결과를 기술한다.
첫 실험예에서는, 배터리 사이클 데이터를 이용한 수명예측 결과를 설명한다.
배터리의 충방전을 진행하면서 사이클 별로 취득한 데이터를 기반으로 수명을 예측하는 딥러닝 기반 진단예측 모델을 이용하여 수명예측 장치(100)의 성능을 평가하였다. 실험에 이용한 데이터는 비교 대상이 제공하는 데이터세트이다(비특허문헌 1 참조). 여기서, 배터리의 한 사이클은 완전충전에서 완전방전까지의 구간을 의미한다. 사이클 별 데이터는 충전 및 방전 중에 감지한 전압, 전류, 온도 데이터 등을 포함한다. 사이클 별 데이터는 배터리 출하 시의 초기상태로부터 100 사이클까지의 데이터를 포함한다. 실험에는 총 124 개의 배터리로부터 획득한 사이클 별 데이터를 이용하였으며, 이 중 41 개의 데이터는 학습, 43 개의 데이터는 1차 테스트, 40 개의 데이터는 2차 테스트에 이용하였다.
데이터의 전처리 과정은 다음과 같다(비특허문헌 1 참조). 전류 데이터를 시간에 따라 적분하여 시간에 따른 방전용량을 계산하고, 시간에 따른 전압과 시간에 따른 방전용량을 토대로 전압에 따른 방전용량 Q(V)를 계산한다. 100 번째 사이클의 방전용량 Q100(V)과 10 번째 사이클의 방전용량 Q10(V) 간의 차이에 대한 분산 Var(ΔQ100-10(V))를 계산하여 진단예측 모델의 입력 데이터로 이용하였다. 각 배터리의 수명은 해당 배터리의 충전용량이 초기 대비 80 %에 도달하는 사이클 횟수로 정의하고, 획득된 수명을 진단예측 모델의 라벨 데이터로 이용하였다.
도 3에 예시된 DNN 기반의 진단예측 모델에 대하여, 아담 최적화기(Adam optimizer)를 이용하여 트레이닝을 실시하였다.
성능 평가지표는 실제 수명과 진단예측 모델이 추론한 예측 수명의 퍼센트 오차를 사용하였으며, 수학식 1로 표현한다. 여기서 yi는 i 번째 배터리의 실제 수명을,
Figure pat00001
는 i 번째 배터리의 예측 수명을 의미한다.
Figure pat00002
본 실시예에 따른 수명예측 장치(100)의 추론 결과 및 비교 대상의 실험 결과를 표 1에 나타낸다.
Figure pat00003
비교 대상의 실험 결과와 대비하여, 본 실시예에 따른 진단예측 모델로부터 추론한 결과는 학습 오차 4.1 %, 1차 테스트 오차 3.4 %의 성능 향상을 보였다.
다른 실험예에서는, 배터리 사이클 데이터 사용 범위에 따른 진단예측 모델의 예측 성능 분석 결과를 설명한다.
첫 실험예와 동일한 실험 환경에서, M 번째 사이클의 방전용량과 10 번째 사이클의 방전용량 간의 차이에 대한 분산 Var(ΔQM-10(V)) 데이터를 진단예측 모델의 입력으로 이용하였다. 여기서 M 값으로 20, 40, 50, 60, 80, 100 및 120을 사용하였다.
실험 결과에 따르면, 60 사이클의 데이터를 이용한 진단예측 모델의 1차 테스트 오차가, 비교 대상이 제시한 100 사이클의 데이터를 이용한 1차 테스트 오차보다 낮은 값을 보였다. 따라서, 더 초기에 수집한 데이터를 이용하더라도, 본 실시예에 따른 수명예측 장치(100)는 비교 대상보다 향상된 수명예측 결과를 얻는 것이 가능하다.
다른 실험예에서는, 진단예측 모델의 장수명 및 단수명 배터리 분류 결과를 설명한다.
첫 실험예에서 사용한 것과 동일한 구조의 진단예측 모델을 이용하여, 각 배터리의 수명을 550 사이클 이상과 550 사이클 미만으로 분류하는 테스트를 실시하였다. 진단예측 모델에 입력하는 데이터세트는 비교 대상이 정의한 데이터세트와 동일하며, 550 사이클 이상은 0, 550 사이클 미만은 1로 라벨을 설정하였다.
장수명 및 단수명 분류에 대한, 본 실시예에 따른 수명예측 장치(100)의 분류 결과 및 비교 대상의 실험 결과를 표 2에 나타낸다. 여기서 분산 모델은 입력으로 첫 실험예에서와 같이 분산 데이터를 사용하는 데이터세트이고, 전체 모델은 입력으로 분산 외에 추가적인 항목을 더 이용하는 데이터세트이다(비특허문헌 1 참조).
Figure pat00004
본 실시예에 따른 진단예측 모델의 분류 결과는 비교 대상과 대비하여 분산 모델의 경우 학습 정확도가 3.1 %, 1차 테스트 정확도가 0.5 % 증가하였고, 전체 모델의 경우 학습 정확도가 2.6 %, 1차 테스트 정확도가 2.7 % 증가하였다. 본 실시예에 따른 진단예측 모델이 비교 대상과 대비하여 더 정확한 장수명 및 단수명 분류 결과를 제시하였다.
이상에서 설명한 바와 같이 본 실시예에 따르면, ESS에 포함된 배터리의 상태에 대한 데이터에 근거하여 딥러닝 기반 진단예측 모델을 이용하여 배터리의 상태진단 및 수명예측을 수행하는 배터리 상태진단 및 수명예측 장치와 방법을 제공함으로써, ESS의 안정적인 동작에 도움을 주는 것이 가능해지는 효과가 있다.
또한, 본 실시예에 따르면, 배터리의 수명을 예측한 데이터를 기반으로, 생산자는 배터리 개발 주기를 가속할 수 있고, 생산 공정의 검증 및 생산된 제품 검사 기간의 단축이 가능하다. 한편 소비자의 입장에서는 배터리 소비 측면의 효율 개선을 기대할 수 있다
본 실시예에 따른 각 순서도에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 순서도에 기재된 과정을 변경하여 실행하거나 하나 이상의 과정을 병렬적으로 실행하는 것이 적용 가능할 것이므로, 순서도는 시계열적인 순서로 한정되는 것은 아니다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 배터리 상태진단 및 수명예측 장치
110: 엣지디바이스 111: 신호감지부
112: 신호처리부 113: 데이터저장부
114: 진단예측부 120: 서버
121: 데이터베이스 122: 재학습부

Claims (12)

  1. 엣지디바이스(edge device)가 실행하는 배터리 상태진단 및 수명예측을 위한 방법에 있어서,
    ESS(Energy Storage System)에 포함된 배터리로부터 배터리 상태 신호를 수집하는 과정;
    신호 분석 및 통계치 분석을 이용하여 상기 배터리 상태 신호로부터 배터리 상태 데이터를 생성하는 과정; 및
    사전에 트레이닝된 딥러닝(deep learning) 기반의 진단예측 모델을 이용하여 상기 배터리 상태 데이터로부터 상기 배터리의 상태진단 및 수명예측에 대한 결과 데이터를 추론하는 과정
    을 포함하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 방법.
  2. 제1항에 있어서,
    상기 배터리 상태 데이터 및 상기 결과 데이터를 기 설정된 로컬 저장소에 저장하는 과정; 및
    상기 배터리 상태 데이터 및 상기 결과 데이터를 서버로 송신하는 과정
    을 더 포함하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 방법.
  3. 제1항에 있어서,
    상기 신호를 수집하는 과정은,
    상기 배터리의 전압, 전류 및 온도 중 적어도 하나에 대한 배터리 상태 신호를 수집하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 방법.
  4. 제1항에 있어서,
    상기 배터리 상태 데이터는,
    시간 영역의 데이터, 주파수 영역의 데이터, 및 상기 시간 영역의 데이터와 상기 주파수 영역의 데이터에 기반하는 통계적 데이터를 포함하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 방법.
  5. 제2항에 있어서,
    상기 진단예측 모델을 업데이트하기 위한 파라미터를 상기 서버로부터 수신하는 과정; 및
    상기 서버로부터 수신한 파라미터를 이용하여 상기 진단예측 모델의 파라미터를 업데이트하는 과정
    을 더 포함하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 방법.
  6. 제5항에 있어서,
    상기 진단예측 모델을 업데이트하기 위한 파라미터를 상기 서버로부터 수신하지 못하는 경우, 상기 로컬 저장소에 저장된 배터리 상태 데이터 및 결과 데이터를 기반으로 증분(incremental) 트레이닝을 수행하여 상기 진단예측 모델의 파라미터를 업데이트하는 과정을 더 포함하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 방법.
  7. 제1항에 있어서,
    상기 결과 데이터는,
    상기 배터리의 정상 여부에 대한 상태 정보, 불량의 원인 및 잔여 수명 중 적어도 하나를 포함하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 방법.
  8. ESS(Energy Storage System)에 포함된 배터리로부터 배터리 상태 신호를 수집하는 신호감지부;
    신호 분석 및 통계치 분석을 이용하여 상기 배터리 상태 신호로부터 배터리 상태 데이터를 생성하는 신호처리부; 및
    사전에 트레이닝된 딥러닝(deep learning) 기반의 진단예측 모델을 이용하여 상기 배터리 상태 데이터로부터 상기 배터리의 상태진단 및 수명예측에 대한 결과 데이터를 추론하는 진단예측부
    를 포함하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 장치.
  9. 상기 배터리 상태 데이터 및 상기 결과 데이터를 기 설정된 로컬 저장소에 저장하는 데이터저장부; 및
    상기 배터리 상태 데이터 및 상기 결과 데이터를 서버 측으로 송신하는 데이터 송수신부
    를 더 포함하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 장치.
  10. 제9항에 있어서,
    상기 진단예측 모델은,
    딥러닝 기반의 신경망(neural network)으로 구현되고, 상기 데이터 송수신부를 이용하여 상기 딥러닝 기반의 신경망에 대한 업데이트된 파라미터를 상기 서버로부터 전달받는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 장치.
  11. 제9항에 있어서,
    상기 진단예측부는,
    상기 데이터 송수신부를 이용하여 상기 진단예측 모델의 파라미터를 상기 서버로부터 수신하지 못하는 경우, 상기 로컬 저장소에 저장된 배터리 상태 데이터 및 결과 데이터를 기반으로 증분(incremental) 트레이닝을 수행하여 상기 진단예측 모델의 파라미터를 업데이트하는 것을 특징으로 하는 배터리 상태진단 및 수명예측을 위한 장치.
  12. 제1항 내지 제7항 중 어느 한 항에 따른 배터리 상태진단 및 수명예측을 위한 방법의 각 단계를 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터프로그램.
KR1020200089366A 2019-08-26 2020-07-20 Ess 배터리의 상태진단 및 수명예측을 위한 장치 및 방법 KR20210024962A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2020/009624 WO2021040236A1 (ko) 2019-08-26 2020-07-22 Ess 배터리의 상태진단 및 수명예측을 위한 장치 및 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190104606 2019-08-26
KR20190104606 2019-08-26

Publications (1)

Publication Number Publication Date
KR20210024962A true KR20210024962A (ko) 2021-03-08

Family

ID=75185043

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200089366A KR20210024962A (ko) 2019-08-26 2020-07-20 Ess 배터리의 상태진단 및 수명예측을 위한 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20210024962A (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102438358B1 (ko) * 2022-05-06 2022-08-31 주식회사 메타덱스터 이동체 배터리의 상태진단과 장애예측 시스템 및 그 방법
CN115097308A (zh) * 2022-05-11 2022-09-23 阿尔特汽车技术股份有限公司 分析电芯的soh状态的方法、装置、电子设备及存储介质
KR20220131082A (ko) 2021-03-19 2022-09-27 주식회사 휴로 태양광 발전의 분산형 에너지 저장시스템 및 이를 이용한 태양광 발전시스템
WO2023018070A1 (ko) * 2021-08-13 2023-02-16 주식회사 엘지에너지솔루션 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템
WO2023033480A1 (ko) * 2021-08-31 2023-03-09 주식회사 엘지에너지솔루션 배터리 진단 시스템 및 방법
WO2023059077A1 (ko) * 2021-10-05 2023-04-13 주식회사 엘지에너지솔루션 Ess 잔존용량 예측 시스템 및 방법
CN116736150A (zh) * 2023-08-16 2023-09-12 杭州高特电子设备股份有限公司 一种电池异常检测方法、电池系统和计算机程序
KR20230157549A (ko) * 2022-05-09 2023-11-17 한국자동차연구원 전기차 배터리의 soh 예측 장치 및 방법
WO2024076089A1 (ko) * 2022-10-04 2024-04-11 주식회사 엘지에너지솔루션 배터리 셀 상태 판단 장치 및 그것의 동작 방법
KR20240064262A (ko) 2022-11-04 2024-05-13 주식회사 엘지에너지솔루션 배터리 관리 장치 및 방법, 그리고 이를 포함하는 배터리 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
비특허문헌 1: Data-driven prediction of battery cycle life before capacity degradation. A.Severson et al. Link: https://doi.org/10.1038/s41560-019-0356-8

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220131082A (ko) 2021-03-19 2022-09-27 주식회사 휴로 태양광 발전의 분산형 에너지 저장시스템 및 이를 이용한 태양광 발전시스템
WO2023018070A1 (ko) * 2021-08-13 2023-02-16 주식회사 엘지에너지솔루션 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템
WO2023033480A1 (ko) * 2021-08-31 2023-03-09 주식회사 엘지에너지솔루션 배터리 진단 시스템 및 방법
WO2023059077A1 (ko) * 2021-10-05 2023-04-13 주식회사 엘지에너지솔루션 Ess 잔존용량 예측 시스템 및 방법
KR102438358B1 (ko) * 2022-05-06 2022-08-31 주식회사 메타덱스터 이동체 배터리의 상태진단과 장애예측 시스템 및 그 방법
KR20230157549A (ko) * 2022-05-09 2023-11-17 한국자동차연구원 전기차 배터리의 soh 예측 장치 및 방법
CN115097308A (zh) * 2022-05-11 2022-09-23 阿尔特汽车技术股份有限公司 分析电芯的soh状态的方法、装置、电子设备及存储介质
WO2024076089A1 (ko) * 2022-10-04 2024-04-11 주식회사 엘지에너지솔루션 배터리 셀 상태 판단 장치 및 그것의 동작 방법
KR20240064262A (ko) 2022-11-04 2024-05-13 주식회사 엘지에너지솔루션 배터리 관리 장치 및 방법, 그리고 이를 포함하는 배터리 시스템
CN116736150A (zh) * 2023-08-16 2023-09-12 杭州高特电子设备股份有限公司 一种电池异常检测方法、电池系统和计算机程序
CN116736150B (zh) * 2023-08-16 2023-11-03 杭州高特电子设备股份有限公司 一种电池异常检测方法、电池系统和计算机程序

Similar Documents

Publication Publication Date Title
KR20210024962A (ko) Ess 배터리의 상태진단 및 수명예측을 위한 장치 및 방법
JP6620902B2 (ja) 劣化推定装置、コンピュータプログラム及び劣化推定方法
Widodo et al. Intelligent prognostics for battery health monitoring based on sample entropy
JP5005814B2 (ja) バッテリーの長期特性予測システム及び方法
EP3904894B1 (en) Training device, estimation device, training method, estimation method, training program, and estimation program
JP2020119605A (ja) 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
US11333712B2 (en) Battery failure prediction
JP5313250B2 (ja) バッテリーの長期特性予測システム及び方法
US20160239592A1 (en) Data-driven battery aging model using statistical analysis and artificial intelligence
Fan et al. A novel machine learning method based approach for Li-ion battery prognostic and health management
JP6579287B1 (ja) 劣化推定装置、コンピュータプログラム及び劣化推定方法
JP6847787B2 (ja) 情報処理装置、情報処理方法及びコンピュータプログラム
Yang et al. A comparison between extreme learning machine and artificial neural network for remaining useful life prediction
Semeraro et al. Battery monitoring and prognostics optimization techniques: Challenges and opportunities
WO2021040236A1 (ko) Ess 배터리의 상태진단 및 수명예측을 위한 장치 및 방법
JP2022514992A (ja) バッテリ診断システム、バッテリ診断方法、及び記憶媒体
KR102335180B1 (ko) 배터리의 노화 상태 추정 장치 및 방법
JP7408843B2 (ja) 電池の容量測定装置及び方法、並びに該装置を含む電池制御システム
Niu et al. Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis
CN115513951B (zh) 一种基于概念漂移检测的电力负荷预测方法及系统
US20220381831A1 (en) Evaluation device, computer program, and evaluation method
CN110610226A (zh) 一种发电机故障预测方法及装置
CN116381494A (zh) 电池最大可用容量预测方法、装置、电子设备及存储介质
Wu et al. Remaining useful life prediction of Lithium-ion batteries based on PSO-RF algorithm
CN117233608A (zh) 储能电池检测方法及装置、存储介质及电子设备

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application