KR20210089021A

KR20210089021A - 시뮬레이션 시스템 및 데이터 분산 방법

Info

Publication number: KR20210089021A
Application number: KR1020200002216A
Authority: KR
Inventors: 류호진
Original assignee: 주식회사 엘지에너지솔루션
Priority date: 2020-01-07
Filing date: 2020-01-07
Publication date: 2021-07-15
Also published as: US20230022353A1; CN114729971A; JP2023502622A; JP7376189B2; EP4043897A4; WO2021141255A1; EP4043897A1

Abstract

본 개시의 시뮬레이션 시스템은, 적어도 하나의 실험 장치를 이용하여 복수의 배터리 셀을 포함하는 배터리 팩에 대한 실험을 수행하는데, 상기 적어도 하나의 실험 장치의 입력 및 출력을 수신 받고, 상기 입력 및 상기 출력을 전처리하여 입력 데이터 및 출력 데이터를 생성하는 IoT 장치, 상기 입력 데이터 및 상기 출력 데이터 중 수신된 데이터에 기초하여 등가 회로 모델(Equivalent Circuit Model) 모듈 및 열 모델(Thermal Model) 모듈을 이용하여, 상기 복수의 배터리 셀의 용량 열화 값을 예측하기 위한 정보를 예측하는 엣지 컴퓨팅 장치, 및 상기 엣지 컴퓨팅 장치로부터 상기 예측된 정보를 수신하고, 노화 모델 모듈을 이용하여 상기 복수의 배터리 셀의 용량 열화 값을 예측하고, 예측된 용량 열화 값들에 기초하여 불량률을 예측하는 서버를 포함한다. 상기 IoT 장치로부터 상기 엣지 컴퓨팅 장치에 전달되는 입력 데이터 및 출력 데이터의 데이터 크기는 소정의 데이터 크기 보다 작을 수 있다.

Description

시뮬레이션 시스템 및 데이터 분산 방법{SIMULATION SYSTEM AND DATA DISTRIBUTION METHOD}

본 개시는 시뮬레이션 시스템 및 데이터 분산 방법에 관한 것이다.

배터리 수명 해석은 실제 배터리 셀의 충방전 실험을 통해 퇴화도를 확인하거나 MBD(Model Based Design)로 구성된 소프트웨어 시뮬레이션(software simulation)을 통해 퇴화도를 예측하는 방법이 사용된다.

특히 소프트웨어 시뮬레이션 방법을 통한 퇴화도 예측은, 시나리오를 미리 산정하고 가상의 입력 값을 고정하여 전류, ECM(Equivalent Circuit Model), 열, 에이징(aging)을 고려한 레이어(layer)들을 구성으로 하여 수행될 수 있다. 실제 배터리 퇴화에는 장시간의 실험 또는 실측 데이터가 필요하기 때문에, 소프트웨어 시뮬레이션 방법이 선호되고, 이렇게 예측된 배터리 퇴화도는 배터리 보장 기간을 결정하는데 사용된다. 다만, 현재 하이브리드, 전기 자동차 등은 발전 단계로서, 입력 값에 관한 충분한 데이터가 없어 가솔린 자동차의 운전 데이터(driving data)를 기반으로 파워(power)/온도/운전 모드(driving mode) 등을 입력 값으로 전환하여 사용하고 있다.

배터리 수명 예측에 있어 정확도와 효율성을 개선할 수 있는 시뮬레이션 시스템 및 데이터 분산 방법을 제공하고자 한다.

본 발명의 한 특징에 따른 적어도 하나의 실험 장치를 이용하여 복수의 배터리 셀을 포함하는 배터리 팩에 대한 실험을 수행하는 시뮬레이션 시스템은, 상기 적어도 하나의 실험 장치의 입력 및 출력을 수신 받고, 상기 입력 및 상기 출력을 전처리하여 입력 데이터 및 출력 데이터를 생성하는 IoT 장치, 상기 입력 데이터 및 상기 출력 데이터 중 수신된 데이터에 기초하여 등가 회로 모델(Equivalent Circuit Model) 모듈 및 열 모델(Thermal Model) 모듈을 이용하여, 상기 복수의 배터리 셀의 용량 열화 값을 예측하기 위한 정보를 예측하는 엣지 컴퓨팅 장치, 및 상기 엣지 컴퓨팅 장치로부터 상기 예측된 정보를 수신하고, 노화 모델 모듈을 이용하여 상기 복수의 배터리 셀의 용량 열화 값을 예측하고, 예측된 용량 열화 값들에 기초하여 불량률을 예측하는 서버를 포함할 수 있다.

상기 등가 회로 모델 모듈은, 상기 IoT 장치로부터 배터리 팩 전압, 초기 SOC, 배터리 팩에 흐르는 전류, 배터리 셀의 온도, 배터리 팩을 구성하는 배터리 셀의 개수, 및 배터리 팩의 저항 중 적어도 하나를 입력 받고, 배터리 셀 각각의 SOC, 팩 전압, 배터리 팩에 흐르는 전류, 배터리 셀의 발열량, 및 전류율(Current Rate, C-Rate) 중 적어도 하나를 예측할 수 있다.

상기 열 모델 모듈은, 상기 등가 회로 모델 모듈로부터 발열량을 입력 받고, 냉각 성능을 입력 받아, 상기 배터리 셀의 온도를 예측할 수 있다.

상기 노화 모델 모듈은, 상기 배터리 셀 각각의 SOC, 상기 팩 전압, 상기 배터리 팩에 흐르는 전류, 상기 전류율(Current Rate, C-Rate), 및 상기 배터리 셀의 온도에 관한 데이터 중 적어도 하나를 입력받아, 상기 복수의 배터리 셀 각각의 용량 보유 및 내부 저항을 예측할 수 있다.

상기 서버는, 상기 배터리 셀 각각의 용량 보유 및 내부 저항을 입력 받아, 배터리 셀 각각의 용량 열화 정도를 지시하는 용량 열화 값을 예측하는 용량 열화 값 산출부 및 상기 복수의 배터리 셀 각각의 용량 열화 값에 대한 정보를 시간 단위 별로 저장하고, 용량 열화 값들을 이용하여 불량율을 예측하는 불량율 예측부를 더 포함할 수 있다.

상기 불량율 예측부는, n개의 운전 프로파일 각각에 대해서 시간의 경과에 따라 대응하는 가중치를 대응하는 용량 열화 값들에 곱하여, 복수의 용량 열화 가중 값들을 모집단으로 선정하고, 상기 모집단에 대해 부트스트랩 기법을 사용하여 m 개의 확률 분포를 생성하며, 상기 m 개의 확률 분포 각각에 대한 누적 분포 함수를 생성하고, 상기 m개의 누적 분포 함수 각각에 대한 정규 분포에서 정상 범위를 벗어나는 용량 열화 가중 값들의 개수로 불량율을 산출할 수 있다.

상기 불량율 예측부는, 상기 m개의 누적 분포 함수 각각에 대한 정규 분포 중 확률이 가장 높은 정규 분포에 대응하는 누적 분포 함수에서 확률이 높은 순으로 j개의 확률에 대응하는 가중치를 검출할 수 있다.

상기 불량율 예측부는, 상기 m개의 누적 분포 함수 각각에 부합하는 확률 분포 함수를 특정할 수 있는지에 따라, 해당 누적 분포 함수의 유효성을 판단할 수 있다.

상기 불량율 예측부는, 상기 불량율이 소정 임계 값을 초과하는 경우, 상기 엣지 컴퓨팅 장치의 예측 동작이 정지되도록 상기 서버를 제어할 수 있다.

상기 엣지 컴퓨팅 장치는, 상기 서버 제어에 의해 예측 동작을 정지하고, 상기 정지 기간 동안, 상기 IoT 장치로부터 수신되는 입력 데이터 및 출력 데이터를 저장하며, 상기 서버로부터 재시작 명령이 수신되면, 상기 저장된 입력 데이터 및 출력 데이터를 반영한 예측 동작을 재개할 수 있다.

상기 불량율 예측부는 상기 노화 모델 모듈에 상기 불량율이 상기 임계 값을 초과한 것을 알리고, 상기 노화 모델 모듈은, 복수의 수식으로 구성된 세트가 복수 개를 포함하고, 상기 복수 개의 세트 중 하나를 선택하여 노화 모델을 변경할 수 있다.

본 발명의 다른 특징에 따른 적어도 하나의 실험 장치를 이용하여 복수의 배터리 셀을 포함하는 배터리 팩에 대한 실험을 수행하기 위한 데이터 분산 방법은, 엣지 컴퓨팅 장치가 실험 결과에 대한 분산 처리 동작을 시작하는 단계, IoT 장치가 상기 적어도 하나의 실험 장치로부터 입력 및 출력을 수신하고, 분산 처리를 진행하기 위한 준비 상태로 부트-업(boot up)되는 단계, 상기 IoT 장치가 상기 적어도 하나의 실험 장치로부터 입력 및 출력을 수신하고 전처리하여 입력 데이터 및 출력 데이터를 생성하는 단계, 상기 엣지 컴퓨팅 장치는 입력되는 데이터들에 대한 초기값 및 상기 입력 데이터 및 출력 데이터를 수신하여, 등가 회로 모델 모듈 및 열 모델 모듈을 이용하여, 용량 열화 값을 예측하기 위해 필요한 정보를 예측하는 단계, 및 서버가, 상기 엣지 컴퓨팅 장치로부터 상기 예측된 정보를 수신하고, 상기 예측된 정보에 기초하여 상기 복수의 배터리 셀 각각의 용량 보유 및 내부 저항을 예측하는 단계를 포함할 수 있다.

상기 데이터 분산 방법은, 상기 서버가, 상기 용량 보유 및 내부 저항에 기초하여 용량 열화 값을 예측하고, 상기 예측된 용량 열화 값들에 기초하여 불량률을 예측하는 단계를 더 포함할 수 있다.

배터리 수명 예측에 있어 정확도와 효율성을 개선할 수 있는 시뮬레이션 시스템 및 데이터 분산 방법을 제공한다.

도 1은 일 실시예에 따른 시뮬레이션 시스템을 나타낸 도면이다.
도 2는 일 실시예에 따른 엣지 컴퓨팅 장치의 구성을 나타낸 도면이다.
도 3은 일 실시예에 따른 서버의 일부 구성을 나타낸 도면이다.
도 4는 일 실시예에 따른 시뮬레이션 시스템의 데이터 분산 처리 동작을 나타낸 순서도이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 동일하거나 유사한 구성요소에는 동일, 유사한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및/또는 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 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.

일 실시예는 IoT(Internet of Things) 장치를 활용하여 엣지 컴퓨팅(edge computing) 기능을 분산 처리화하여 배터리 수명 퇴화 시뮬레이션을 실행한다.

예를 들어, 전기 자동차 용 배터리 팩의 수명 퇴화를 예측하기 위한 시뮬레이션에 있어서, 실시간 입력 데이터/출력 데이터를 IoT 엣지 컴퓨팅에 결합함으로써, 저비용으로 높은 정확도를 가진 수명 퇴화 예측 모델을 만들 수 있다.

일 실시예에 따른 시뮬레이션 시스템은 분산된 계층으로 IoT 장치, 엣지 컴퓨팅 장치, 및 서버를 포함한다.

이하, 도면을 참조하여 일 실시예를 설명한다.

도 1은 일 실시예에 따른 시뮬레이션 시스템을 나타낸 도면이다.

도 1에 도시된 바와 같이, 시뮬레이션 시스템(1)은, 실험 장치(300, 400), IoT 장치(200), 엣지 컴퓨팅 장치(100), 및 서버(10)를 포함한다.

도 1에서는 두 개의 실험 장치(300, 400)로 셀 싸이클러(cell cycler)(300) 및 배터리 팩 시뮬레이터(battery pack simulator)(400)가 도시되어 있으나, 발명이 이에 한정되는 것은 아니다.

셀 사이클러(300)는 실험 대상인 배터리 팩에 연결되어, 배터리 팩을 충방전하고, 충방전 동안 배터리 셀 전압, 배터리 팩 전류, 배터리 셀 온도 등 배터리 정보를 측정할 수 있다. 충방전 패턴은 운전 프로파일(driving profile)에 따라 결정될 수 있다.

배터리 팩 시뮬레이터(400)는 실험 대상인 배터리 팩과 동일한 전기적, 화학적 특성 등을 가지는 가상의 배터리 팩을 설정하고, 가상의 배터리 팩을 충방전하며, 충방전 동안의 배터리 셀 전압, 배터리 팩 전류, 배터리 셀 온도 등 배터리 정보를 예측할 수 있다. 충방전 패턴은 운전 프로파일에 따라 결정될 수 있다.

IoT 장치(200)는 실험 장치에 입력과 출력을 수신하고, 수신된 입력과 출력에 관한 데이터를 전처리하여, 전처리된 데이터의 크기에 따라 엣지 컴퓨팅 장치(100) 또는 서버(10)에 전송한다. IoT 장치(200)는 수신된 입력과 출력을 엣지 컴퓨팅 장치(100) 및 서버(10)에서 처리 가능한 데이터로 변환하는데, 이를 전처리라 한다. IoT 장치(200)는 전처리된 데이터의 크기가 소정 사이즈 이상이면 해당 데이터를 서버(10)에 전송하고, 소정 사이즈 이하이면 엣지 컴퓨팅 장치(100)에 전송한다. 이 때, 데이터의 크기를 구분하는 기준인 소정 사이즈는 엣지 컴퓨팅 장치(100)가 처리 가능한 데이터 사이즈의 크기, 처리 속도 등을 고려하여 결정될 수 있다.

엣지 컴퓨팅 장치(100)는 IoT 장치(200)로부터 수신된 데이터를 분석하여 배터리 셀의 용량 열화 값을 예측하는데 필요한 데이터를 생성할 수 있다. 예를 들어, IoT 장치(200)는 엣지 컴퓨팅 장치(100)에 배터리 팩 전압, 초기 SOC, 배터리 팩에 흐르는 전류, 배터리 셀의 온도, 배터리 팩을 구성하는 배터리 셀의 개수, 배터리 팩의 저항, 냉각 성능 등을 전송할 수 있다.

도 2는 일 실시예에 따른 엣지 컴퓨팅 장치의 구성을 나타낸 도면이다.

엣지 컴퓨팅 장치(100)는 등가 회로 모델(Equivalent Circuit Model, ECM) 모듈(110) 및 열 모델(Thermal Model, ThM) 모듈(120)을 포함한다.

등가 회로 모델 모듈(110)은 배터리 팩 전압, 초기 SOC, 배터리 팩에 흐르는 전류, 배터리 셀의 온도, 배터리 팩을 구성하는 배터리 셀의 개수, 배터리 팩의 저항 등을 입력 받아, 배터리 셀 각각의 SOC, 팩 전압, 배터리 팩에 흐르는 전류, 배터리 셀의 발열량, 전류율(Current Rate, C-Rate) 등을 예측할 수 있다. 등가 회로 모델 모듈(110)이 배터리 팩을 등가화한 회로 모델에 입력 데이터들을 적용하여 출력 데이터들을 예측하는 구체적인 방법은 공지된 다양한 방법이 적용될 수 있다.

예를 들어, 등가 회로 모델 모듈(110)의 등가 회로 모델(Equivalent Circuit Model, ECM)은 배터리의 화학적 성질로 인한 복잡한 내부를 간단히 전기 소자인 저항, 커패시터 등으로 모사하여 구성된 등가 회로이고, 등가 회로 모델 모듈(110)은 ECM을 이용하여 임의의 입력에 대한 출력을 예측할 수 있다. 구체적으로, 등가 회로 모델 모듈(110)은 ECM의 전류 입력에 대해서 전류 적산을 수행하여 배터리의 SOC를 업데이트하고, 업데이트된 SOC에 따른 OCV를 계산할 수 있다. 또한, 등가 회로 모델 모듈(110)은 SOC 및 온도에 따른 저항 및 커패시터 각각의 파라미터에 따라서 전압 강하(Voltage drop)을 계산할 수 있다.

전류율은 단위 시간당 배터리 팩에 공급되는 충전 전류 또는 배터리 팩으로부터 공급되는 방전 전류의 크기를 의미한다. 예를 들어, 1 C-Rate는 1 시간에 배터리 팩을 만충하는 전류의 크기를 의미하거나, 1 시간에 배터리 팩이 만방하는 전류의 크기를 의미할 수 있다.

열 모델 모듈(120)은 발열량 및 냉각 성능 등을 입력 받아, 배터리 셀의 온도를 예측한다. 발열량은 등가 회로 모델 모듈(110)로부터 전달되는 데이터이고, 냉각 성능은 배터리 팩에 따라 달라질 수 있다. 열 모델 모듈(120)이 발열량과 냉각 성능을 입력받아 배터리 셀 각각의 온도를 예측하는 구체적인 방법은 공지된 다양한 방법이 적용될 수 있다.

예를 들어, 등가 회로 모델 모듈(110)에 의해 입력되는 셀 발열량은 아래 수학식 1과 같이 계산될 수 있다.

[수학식 1]

셀 발열량 = (배터리 셀 전압강하관련 상관계수)*(배터리 셀에 흐르는 전류)*(SOC 변화에 따른 OCV - 배터리 셀 전압)

셀 발열량에서 배터리 셀 온도, 냉각수 온도, 열 저항 값의 관계식을 이용하여 도출한 값을 (배터리 셀 질량)*(특정 열 용량)*(배터리 셀 온도의 변화율(미분값))에 수렴하도록 하여 도출된 배터리 셀 온도에 대한 평균 온도 값을 계산하고, 평균 온도 값은 노화 모델(11)의 입력 값으로 사용될 수 있다. 엣지 컴퓨팅 장치(100)에 필요한 입력 데이터 중 배터리 팩을 구성하는 배터리 셀의 개수, 초기 SOC, 냉각 성능 등은 실험 조건에 따라 설정된 값일 수 있다.

엣지 컴퓨팅 장치(100)는 예측된 배터리 셀 각각의 SOC, 팩 전압, 배터리 팩에 흐르는 전류, C-Rate, 및 배터리 셀 온도를 서버(10)에 전송할 수 있다.

도 2에서는, 엣지 컴퓨팅 장치(100)가 등가 회로 모델 모듈(110) 및 열 모델 모듈(120)을 포함하는 것으로 도시되어 있으나, 등가 회로 모델 모듈(110) 및 열 모델 모듈(120) 중 하나가 서버(10)에 구비될 수 있다. 또한, 엣지 컴퓨팅 장치(100)가 등가 회로 모델 모듈(110) 및 열 모델 모듈(120) 외에 용량 열화 값을 예측하기 위해서 필요한 모듈을 더 포함할 수 있다.

서버(10)는 엣지 컴퓨팅 장치(100)의 출력 데이터를 수신하여 용량 열화 값을 예측할 수 있다. 엣지 컴퓨팅 장치(100)의 출력 데이터는 배터리 셀 각각의 SOC, 팩 전압, 배터리 팩에 흐르는 전류, 전류율(Current Rate, C-Rate), 및 배터리 셀의 온도에 관한 데이터를 포함할 수 있다. 서버(10)는 필요한 경우, 엣지 컴퓨팅 장치(100)뿐만 아니라, IoT 장치(200)로부터 용량 열화 값을 예측에 필요한 데이터를 더 수신 받을 수 있다.

도 3은 일 실시예에 따른 서버의 일부 구성을 나타낸 도면이다.

도 3에 도시된 바와 같이, 서버(10)는 노화 모델(Aging Model, AgM)(11), 용량 열화 값 산출부(12), 및 불량율 계산부(12)를 포함한다.

노화 모델(11)은 배터리 셀 각각의 SOC, 팩 전압, 배터리 팩에 흐르는 전류, 전류율(Current Rate, C-Rate), 및 배터리 셀의 온도를 이용하여 배터리 셀 각각의 용량 보유(capacity retention)와 내부 저항을 예측할 수 있다. 노화 모델(11)이 배터리 셀 각각의 SOC, 팩 전압, 배터리 팩에 흐르는 전류, 전류율(Current Rate, C-Rate), 및 배터리 셀의 온도를 이용하여 배터리 셀 각각의 용량 보유 및 내부 저항 증가량을 예측하는 구체적인 방법은 공지된 다양한 방법이 적용될 수 있다.

예를 들어, 구조재료에 불규칙한 하중이 반복적으로 가해질 때 그 재료에 눈에 보이지 않는 피로 손상이 점차 누적되어 파단에 이르는 과정을 설명하는 이론(예를 들어, Miner's rule)을 기반으로, 노화 모델(11)은 주행 조건을 cycle로 정의하고, 정차 조건을 calendar로 정의하며, cycle과 calendar, 및 각각의 duty 값을 이용해 용량 열화 값을 산출하고, 이 과정에서 도출된 용량손실값(Capacity Loss)을 이용하여 배터리 셀의 퇴화실험에서　도출된 저항증가곡선과 상관(Correlation)하여 저항 증가 값을 산출할 수 있다. 이렇게 산출된 용량 열화 값 및 저항 증가 값을 용량 보유 및 내부 저항에 적용하여 예측한다. 용량 보유는 배터리 셀이 확장된 개방 회로 휴지 기간(extended open-circuit period) 동안 저장된 에너지를 보유하는 능력을 측정한 결과이고, 내부 저항은 배터리 셀 내부의 저항 성분을 측정한 결과이다. 노화 모델(11)이 내부 저항을 예측하는 것으로 설명하였으나, 발명이 이에 한정되는 것은 아니고 내부 저항 및/또는 내부 저항 증가량을 예측할 수 있다.

용량 열화 값 산출부(12)는 배터리 셀 각각의 용량 보유와 내부 저항을 입력 받아, 배터리 셀 각각의 용량 열화 정도를 지시하는 용량 열화 값을 예측할 수 있다. 용량 열화 값 산출부(12)가 배터리 셀 각각의 용량과 내부 저항 증가량을 이용하여 용량 열화 값을 예측하는 구체적인 방법은 실험에 기초한 용량 보유와 내부 저항에 대응하는 용량 열화 값을 매핑하는 공식, 테이블 등을 이용하는 방법이 적용될 수 있다. 불량율 예측부(13)는 복수의 배터리 셀 각각의 용량 열화 값에 대한 정보를 시간 단위 별로 저장하고, 용량 열화 값들을 이용하여 불량율을 예측할 수 있다. 불량율의 단위는 PPM(Parts Per Million)일 수 있다.

불량율 예측부(13)는 n개의 운전 프로파일 각각에 대해서 시간의 경과에 따라 대응하는 가중치를 대응하는 용량 열화 값들에 곱한다. 시간의 경과에 따라 대응하는 가중치는 이산적으로, 소정 시간 단위로 설정될 수 있으며, 소정 시간은 시간의 경과에 따라 변할 수도 있고, 일정한 시간일 수도 있다. 이하, 가중치가 곱해진 용량 열화 값을 용량 열화 가중 값이라 한다.

불량율 예측부(13)는 n 개의 운전 프로파일 각각에 대해서 복수의 용량 열화 가중 값들을 모두 모아 모집단을 선정하고, 모집단에 대해 부트스트랩 기법을 사용하여 m 개의 확률 분포를 생성한다. 불량율 예측부(13)는 부트스트랩 기법에 따라 모집단에 대해서 반복을 허용하여 k개의 값을 m번 뽑을 수 있다. 불량율 예측부(13)는 k개의 용량 열화 가중 값들에 대한 확률 분포를 구성하고, 이 동작이 m번 수행한다.

불량율 예측부(13)는 m 개의 확률 분포 각각에 대한 누적 분포 함수를 생성한다. 불량율 예측부(13)는 m개의 누적 분포 함수 각각에 대한 정규 분포 중 확률이 가장 높은 정규 분포에 대응하는 누적 분포 함수에서 확률이 높은 순으로 j개의 확률에 대응하는 가중치를 검출할 수 있다. 즉, j 개의 확률 각각에 대응하는 용량 열화 가중 값의 가중치를 검출할 수 있다.

또한, 불량율 예측부(13)는 m개의 누적 분포 함수 각각에 부합하는 확률 분포 함수를 특정할 수 있는지에 따라, 해당 누적 분포 함수의 유효성을 판단할 수 있다. 누적 분포 함수에 부합하는 확률 분포 함수가 있을 경우, 해당 누적 분포 함수는 유효성이 있는 것으로 판단된다. 이 때, 확률 분포 함수의 종류로는 'beta', 'birnbaum saunders', 'exponential', 'extreme value', 'gamma', 'generalized extreme value', 'generalized pareto', 'inverse gaussian', 'logistic', 'log logistic', 'lognormal', 'nakagami', 'normal', 'rayleigh', 'rician', 't location scale', 'weibull', 'piecewise pareto tail'등이 있을 수 있다.

불량율 예측부(13)는 m개의 누적 분포 함수 각각에 대한 정규 분포에서 정상 범위를 벗어나는 용량 열화 가중 값들의 개수로 불량율을 산출할 수 있다. 예를 들어, 용량 열화 가중 값이 30% 이상이면 정상 범위를 벗어난 것으로 판단될 수 있다. 불량율이 소정 임계 값을 초과하는 경우, 엣지 컴퓨팅 장치(100)의 예측 동작이 정지되도록 서버(10)를 제어할 수 있다. 서버(10)는 엣지 컴퓨팅 장치(100)로 예측 동작 정지를 명령하고, 엣지 컴퓨팅 장치(100)는 예측 동작을 정지할 수 있다. 이 정지 기간 동안, 엣지 컴퓨팅 장치(100)는 IoT 장치(200)로부터 수신되는 실험 장치(300, 400)의 입력 데이터 및 출력 데이터를 저장할 수 있다. 추후, 서버(10)로부터 재시작 명령이 엣지 컴퓨팅 장치(100)에 수신되면, 엣지 컴퓨팅 장치(100)는 저장된 그 동안의 입력 데이터 및 출력 데이터를 반영한 예측 동작을 재개할 수 있다.

불량율 예측부(13)는 불량율이 임계 값을 초과하는 경우 노화 모델(11)에 이를 알리고, 노화 모델(11)은 용량 보유 및 내부 저항을 예측하기 위한 노화 모델을 변경하여 불량율이 임계 값을 초과하지 않도록 한다. 노화 모델에 적용되는 다양한 수식으로 구성된 세트가 복수 개 구비되어 있고, 노화 모델(11)은 복수 개의 세트 중 하나를 선택하여 노화 모델을 변경한다. 노화 모델(11)은 복수 개의 세트 중 하나를 선택할 때, 용량 열화 값의 경향을 고려할 수 있다. 예를 들어, 노화 모델(11)은 시간의 경과에 따른 용량 열화 값의 변화에 따라 복수 개의 세트 중 대응하는 세트를 선택할 수 있다.

도 4는 일 실시예에 따른 시뮬레이션 시스템의 데이터 분산 처리 동작을 나타낸 순서도이다.

엣지 컴퓨팅 장치(100)가 실험 결과에 대한 분산 처리 동작을 시작한다(S1). 실험자의 분산 처리 동작 지시가 엣지 컴퓨팅 장치(100)에 입력되어, 엣지 컴퓨팅 장치(100)가 분산 처리 동작을 시작하기 위한 명령을 IoT 장치(200)에 전송할 수 있다.

IoT 장치(200)는 실험 장치들(300, 400)로부터 입력 및 출력을 수신하고, 분산 처리를 진행하기 위한 준비 상태로 부트-업(boot up)된다(S2).

IoT 장치(200)는 운전 프로파일에 기초한 조건들을 설정할 수 있다(S3). 운전 프로파일은, 파워(Watt/Hour), 운전 모드(Idle/Plug-In/Driving), 온도(℃) 등의 조건들을 포함할 수 있다.

IoT 장치(200)는 실험 장치들(300, 400)로부터 입력 및 출력을 수신한다(S4). 실험 장치들(300, 400)로부터 수신되는 입력 및 출력으로, 배터리 구동 모드(Rest/Charging/Discharging), 팩 전압, 배터리 팩에 흐르는 전류, 온도 등을 포함할 수 있다. IoT 장치(200)는 수신된 입력 및 출력을 전처리하여 입력 데이터 및 출력 데이터를 생성한다.

엣지 컴퓨팅 장치(100)는 입력되는 데이터들에 대한 초기값 및 IoT 장치(200)로부터 전처리된 입력 데이터 및 출력 데이터를 수신한다(S5). 이 때, 엣지 컴퓨팅 장치(100)에 수신되는 입력 데이터 및 출력 데이터는 IoT 장치(200)에 의해 데이터 사이즈가 엣지 컴퓨팅 장치(100)에 적합한 사이즈로 분류된 데이터들일 수 있다.

엣지 컴퓨팅 장치(100)는 입력된 데이터들에 기초하여 등가 회로 모델 모듈(110) 및 열 모델 모듈(120)을 이용하여, 용량 열화 값을 예측하기 위해 필요한 정보를 예측할 수 있다(S6). 해당 필요한 정보는 팩 전압, SOC, 배터리 팩에 흐르는 전류, C-Rate, 발열량 등을 포함할 수 있다.

엣지 컴퓨팅 장치(100)에 의해 예측된 정보는 서버(10)에 전송된다(S7).

서버(10)는 전송된 예측 정보에 기초하여 용량 보유 및 내부 저항을 예측한다(S8).

서버(10)는 용량 보유 및 내부 저항에 기초하여 용량 열화 값을 예측한다(S9).

서버(10)는 예측된 용량 열화 값들에 기초하여 불량률을 예측한다(S10).

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였으나, 본 발명의 권리범위가 이에 한정되는 것은 아니며 본 발명이 속하는 분야에서 통상의 지식을 가진 자가 여러 가지로 변형 및 개량한 형태 또한 본 발명의 권리범위에 속한다.

1: 시뮬레이션 시스템
10: 서버
11: 노화 모델 모듈
12: 용량 열화 값 예측부
13: 불량율 예측부
100: 엣지 컴퓨팅 장치
110: 등가 회로 모델 모듈
120: 열 모델 모듈
200: IoT 장치

Claims

적어도 하나의 실험 장치를 이용하여 복수의 배터리 셀을 포함하는 배터리 팩에 대한 실험을 수행하는 시뮬레이션 시스템에 있어서,
상기 적어도 하나의 실험 장치의 입력 및 출력을 수신 받고, 상기 입력 및 상기 출력을 전처리하여 입력 데이터 및 출력 데이터를 생성하는 IoT 장치;
상기 입력 데이터 및 상기 출력 데이터 중 수신된 데이터에 기초하여 등가 회로 모델(Equivalent Circuit Model) 모듈 및 열 모델(Thermal Model) 모듈을 이용하여, 상기 복수의 배터리 셀의 용량 열화 값을 예측하기 위한 정보를 예측하는 엣지 컴퓨팅 장치; 및
상기 엣지 컴퓨팅 장치로부터 상기 예측된 정보를 수신하고, 노화 모델 모듈을 이용하여 상기 복수의 배터리 셀의 용량 열화 값을 예측하고, 예측된 용량 열화 값들에 기초하여 불량률을 예측하는 서버를 포함하는
시뮬레이션 시스템.
제1항에 있어서,
상기 등가 회로 모델 모듈은,
상기 IoT 장치로부터 배터리 팩 전압, 초기 SOC, 배터리 팩에 흐르는 전류, 배터리 셀의 온도, 배터리 팩을 구성하는 배터리 셀의 개수, 및 배터리 팩의 저항 중 적어도 하나를 입력 받고, 배터리 셀 각각의 SOC, 팩 전압, 배터리 팩에 흐르는 전류, 배터리 셀의 발열량, 및 전류율(Current Rate, C-Rate) 중 적어도 하나를 예측하는,
시뮬레이션 시스템.
제2항에 있어서,
상기 열 모델 모듈은,
상기 등가 회로 모델 모듈로부터 발열량을 입력 받고, 냉각 성능을 입력 받아, 상기 배터리 셀의 온도를 예측하는,
시뮬레이션 시스템.
제3항에 있어서,
상기 노화 모델 모듈은,
상기 배터리 셀 각각의 SOC, 상기 팩 전압, 상기 배터리 팩에 흐르는 전류, 상기 전류율(Current Rate, C-Rate), 및 상기 배터리 셀의 온도에 관한 데이터 중 적어도 하나를 입력받아, 상기 복수의 배터리 셀 각각의 용량 보유 및 내부 저항을 예측하는,
시뮬레이션 시스템.
제1항에 있어서,
상기 서버는,
상기 배터리 셀 각각의 용량 보유 및 내부 저항을 입력 받아, 배터리 셀 각각의 용량 열화 정도를 지시하는 용량 열화 값을 예측하는 용량 열화 값 산출부; 및
상기 복수의 배터리 셀 각각의 용량 열화 값에 대한 정보를 시간 단위 별로 저장하고, 용량 열화 값들을 이용하여 불량율을 예측하는 불량율 예측부를 더 포함하는,
시뮬레이션 시스템.
제5항에 있어서,
상기 불량율 예측부는,
n개의 운전 프로파일 각각에 대해서 시간의 경과에 따라 대응하는 가중치를 대응하는 용량 열화 값들에 곱하여, 복수의 용량 열화 가중 값들을 모집단으로 선정하고, 상기 모집단에 대해 부트스트랩 기법을 사용하여 m 개의 확률 분포를 생성하며, 상기 m 개의 확률 분포 각각에 대한 누적 분포 함수를 생성하고, 상기 m개의 누적 분포 함수 각각에 대한 정규 분포에서 정상 범위를 벗어나는 용량 열화 가중 값들의 개수로 불량율을 산출하는,
시뮬레이션 시스템.
제6항에 있어서,
상기 불량율 예측부는,
상기 m개의 누적 분포 함수 각각에 대한 정규 분포 중 확률이 가장 높은 정규 분포에 대응하는 누적 분포 함수에서 확률이 높은 순으로 j개의 확률에 대응하는 가중치를 검출하는,
시뮬레이션 시스템.
제6항에 있어서,
상기 불량율 예측부는,
상기 m개의 누적 분포 함수 각각에 부합하는 확률 분포 함수를 특정할 수 있는지에 따라, 해당 누적 분포 함수의 유효성을 판단하는,
시뮬레이션 시스템.
제6항에 있어서,
상기 불량율 예측부는,
상기 불량율이 소정 임계 값을 초과하는 경우, 상기 엣지 컴퓨팅 장치의 예측 동작이 정지되도록 상기 서버를 제어하는,
시뮬레이션 시스템.
제9항에 있어서,
상기 엣지 컴퓨팅 장치는,
상기 서버 제어에 의해 예측 동작을 정지하고, 상기 정지 기간 동안, 상기 IoT 장치로부터 수신되는 입력 데이터 및 출력 데이터를 저장하며, 상기 서버로부터 재시작 명령이 수신되면, 상기 저장된 입력 데이터 및 출력 데이터를 반영한 예측 동작을 재개하는,
시뮬레이션 시스템.
제9항에 있어서,
상기 불량율 예측부는 상기 노화 모델 모듈에 상기 불량율이 상기 임계 값을 초과한 것을 알리고,
상기 노화 모델 모듈은,
복수의 수식으로 구성된 세트가 복수 개를 포함하고, 상기 복수 개의 세트 중 하나를 선택하여 노화 모델을 변경하는,
시뮬레이션 시스템.
적어도 하나의 실험 장치를 이용하여 복수의 배터리 셀을 포함하는 배터리 팩에 대한 실험을 수행하기 위한 데이터 분산 방법에 있어서,
엣지 컴퓨팅 장치가 실험 결과에 대한 분산 처리 동작을 시작하는 단계;
IoT 장치가 상기 적어도 하나의 실험 장치로부터 입력 및 출력을 수신하고, 분산 처리를 진행하기 위한 준비 상태로 부트-업(boot up)되는 단계;
상기 IoT 장치가 상기 적어도 하나의 실험 장치로부터 입력 및 출력을 수신하고 전처리하여 입력 데이터 및 출력 데이터를 생성하는 단계;
상기 엣지 컴퓨팅 장치는 입력되는 데이터들에 대한 초기값 및 상기 입력 데이터 및 출력 데이터를 수신하여, 등가 회로 모델 모듈 및 열 모델 모듈을 이용하여, 용량 열화 값을 예측하기 위해 필요한 정보를 예측하는 단계; 및
서버가, 상기 엣지 컴퓨팅 장치로부터 상기 예측된 정보를 수신하고, 상기 예측된 정보에 기초하여 상기 복수의 배터리 셀 각각의 용량 보유 및 내부 저항을 예측하는 단계를 포함하는,
데이터 분산 방법.
제12항에 있어서,
상기 서버가, 상기 용량 보유 및 내부 저항에 기초하여 용량 열화 값을 예측하고, 상기 예측된 용량 열화 값들에 기초하여 불량률을 예측하는 단계를 더 포함하는,
데이터 분산 방법.