KR20210116801A

KR20210116801A - 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치

Info

Publication number: KR20210116801A
Application number: KR1020200032205A
Authority: KR
Inventors: 홍준기; 이동헌; 이융; 정의림; 권진근
Original assignee: 주식회사 로보볼트; 주식회사 한국파워셀
Priority date: 2020-03-16
Filing date: 2020-03-16
Publication date: 2021-09-28
Also published as: KR102362532B1

Abstract

본 발명은 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치에 관한 것으로서, 메모리; 및 상기 메모리에 접속되어, 소정의 사이클 수만큼 배터리를 충방전하면서, 각 사이클 별로 출력되는 전류, 전압, 및 온도 중 어느 하나 이상을 포함하는 데이터 집합을 수집하여 상기 메모리에 저장하고, 상기 메모리에 저장된 데이터 집합들을 서로 비교하여 상기 배터리의 잔존 수명을 예측하는 신경망을 구성하는 하나 이상의 프로세서를 포함한다.

Description

신경망 기반의 배터리 잔존 수명 예측 방법 및 장치{METHOD AND APPARATUS FOR PREDICTING STATE OF BATTERY HEALTH BASED ON NEURAL NETWORK}

본 발명은 배터리 잔존 수명 예측 방법에 관한 것으로, 더욱 상세하게는 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치에 관한 것이다.

근래에 들어서, 노트북, 비디오카메라, 및 휴대용 전화기 등과 같은 휴대용 전자 제품의 수요가 급격하게 증대되고, 에너지 저장용 축전지, 로봇, 및 위성 등의 개발이 본격화됨에 따라, 반복적인 충방전이 가능한 고성능 이차 전지에 대한 연구가 활발히 진행되고 있다.

현재 상용화된 배터리로는 니켈 카드뮴 전지, 니켈 수소 전지, 니켈 아연 전지, 리튬 이차 전지 등이 있는데, 이 중에서 리튬 이차 전지는 니켈 계열의 이차 전지에 비해 메모리 효과가 거의 일어나지 않아 충방전이 자유롭고, 자가 방전율이 매우 낮으며 에너지 밀도가 높다는 등의 장점으로 인해 많은 각광을 받고 있다.

그런데 이러한 배터리는 시간의 흐름에 따라 자연적으로 퇴화되거나, 충방전을 반복함에 따라 그 성능이 저하된다. 따라서, 배터리를 사용함에 있어서 배터리의 수명을 정량적으로 평가하는 기술이 요구된다.

배터리의 SOH은 배터리의 용량 특성 변화를 정량적으로 나타내는 것으로서, 배터리 사용자에게 배터리의 용량이 어느 정도 남아 있는지를 알 수 있게 해준다. 이러한 배터리의 SOH는 배터리의 용량을 백분율(%)로 나타내는 것이 일반적이다. 예를 들어, 배터리의 SOH가 97%인 경우, 배터리의 잔존 수명은 초기상태에 비해 97%인 것으로서, 바꾸어 말하면, 3%의 용량 퇴화가 일어난 상태를 의미한다. 이때 배터리의 SOH가 80 %가 되기 전까지 남은 배터리의 수명을 배터리의 잔존 수명으로 칭할 수 있다. 즉 배터리의 충방전 회수를 가지고 배터리의 수명 척도로 사용하는데, SOH가 80%가 되는 시점을 최종수명이라고 하며 현재 배터리 사용량을 기반으로 최종수명까지의 잔존수명을 예측하는 것이 중요하다.

이러한 배터리의 잔존 수명을 이용하여 배터리 사용자는 적절한 시점에 배터리를 교체할 수 있고, 배터리의 사용기간에 따라 배터리의 충방전 용량을 조절하여 배터리의 과충전과 과방전을 방지할 수 있다.

한편, 배터리의 잔존 수명을 예측하는 방법은 매우 다양한데, 배터리의 잔존 수명을 예측하는 방법의 한 예로, 충방전 테스트를 통해 배터리의 잔존 수명을 예측하는 방법이 존재한다. 그런데 초기 배터리를 사용하면 용량의 감소가 눈에 띄게 보이지 않고, 배터리를 더 많이 사용해야만 배터리 용량의 감소가 눈에 띄게 보이기 때문에, 종래의 배터리의 잔존 수명 예측 방법은 최초 배터리의 용량이나 수명의 30% 이상을 사용해야만 최종 수명의 예측이 가능하다. 따라서 종래의 배터리의 잔존 수명을 예측하는 방법은 배터리 잔존 수명 예측을 위해 과도하게 많은 횟수의 충방전을 요구한다. 결과적으로, 과도하게 많은 충방전 테스트를 위해 테스트 비용이 증가하게 되고, 이러한 충방전 테스트는 결과적으로 전체 배터리의 수명을 줄이게 된다. 또한, 종래의 배터리 잔존 수명 예측 방법에서는, 사람이 중요하다고 생각하는 배터리 특성 값을 뽑아서 배터리의 잔존 수명 예측에 사용하기 때문에, 추가적인 측정을 요구하거나 제한적인 환경, 혹은 오랜 측정 시간을 요구하는 문제점이 있었다. 즉, 배터리의 수명을 결정하는 원인을 사람의 직관에 의존하여 판단하는 문제가 있다.

국내등록특허 제10-1701377호 국내등록특허 제10-1105142호

본 명세서는 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로서, 적은 충방전 횟수만으로도 배터리의 잔존 수명을 예측할 수 있는 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치를 제공하는 데 그 목적이 있다.

이와 같은 목적을 달성하기 위한, 본 명세서의 실시예에 따르면, 본 명세서에 따른 신경망 기반의 배터리 잔존 수명 예측 장치는, 메모리; 및 상기 메모리에 접속되어, 소정의 사이클 수만큼 배터리를 충방전하면서, 각 사이클 별로 출력되는 전류, 전압, 및 온도 중 어느 하나 이상을 포함하는 데이터 집합을 수집하여 상기 메모리에 저장하고, 상기 메모리에 저장된 데이터 집합들을 서로 비교하여 상기 배터리의 잔존 수명을 예측하는 신경망을 구성하는 하나 이상의 프로세서를 포함한다.

바람직하게는, 상기 소정의 사이클 수는 3인 것을 특징으로 한다.

바람직하게는, 상기 하나 이상의 프로세서는 제1 사이클에서 수집된 제1 데이터와 제2 사이클에서 수집된 제2 데이터를 비교한 후, 제1 데이터와 제2 데이터의 차이값에 기초하여 배터리의 잔존 수명을 예측하는 것을 특징으로 한다.

바람직하게는, 상기 하나 이상의 프로세서는 상기 신경망의 전반부 및 중반부에는 dilated CNN(Convolution Neural Network)을 사용하고, 상기 신경망의 후반부에는 1D-CNN(Convolution Neural Network)을 사용하는 것을 특징으로 한다.

바람직하게는, 상기 하나 이상의 프로세서는 상기 dilated CNN과 함께 Batch normalization을 사용하는 것을 특징으로 한다.

본 명세서의 다른 실시예에 따르면, 본 명세서에 따른 신경망 기반의 배터리 잔존 수명 예측 방법은, 하나 이상의 컴퓨터를 포함하는 신경망에 의해, 소정의 사이클 수만큼 배터리를 충방전하면서, 각 사이클 별로 출력되는 전류, 전압, 및 온도를 포함하는 데이터 집합을 수집하는 단계; 및 상기 신경망에 의해, 수집된 데이터 집합들을 서로 비교하여 상기 배터리의 잔존 수명을 예측하는 단계를 포함한다.

바람직하게는, 상기 배터리의 잔존 수명을 예측하는 단계에서, 상기 신경망은 제1 사이클에서 수집된 제1 데이터와 제2 사이클에서 수집된 제2 데이터를 비교한 후, 제1 데이터와 제2 데이터의 차이값에 기초하여 배터리의 잔존 수명을 예측하는 것을 특징으로 한다.

바람직하게는, 상기 배터리의 잔존 수명을 예측하는 단계에서, 상기 신경망은 전반부 및 중반부에는 dilated CNN(Convolution Neural Network)을 사용하고, 후반부에는 1D-CNN(Convolution Neural Network)을 사용하는 것을 특징으로 한다.

바람직하게는, 상기 신경망은 상기 dilated CNN과 함께 Batch normalization을 사용하는 것을 특징으로 한다.

본 명세서의 다른 실시예에 따르면, 본 명세서에 따른 신경망 학습 방법은 배터리 잔존 수명 예측을 위한 컴퓨팅 장치에서 신경망(neural network)을 학습하는 방법에 있어서, 배터리의 잔존 수명이 소정의 값에 이를 때까지 배터리를 충방전하면서, 각 충방전 사이클 내 소정의 시간적 간격별로 측정되는 전류, 전압, 및 온도를 포함하는 데이터 집합을 수집하는 단계; 및 상기 신경망에 상기 수집된 데이터를 입력하여 상기 신경망을 학습하는 단계를 포함하는 단계를 포함할 수 있다.

바람직하게, 상기 학습하는 단계에서, 상기 신경망은 전반부 및 중반부에는 dilated CNN(Convolution Neural Network)을 사용하고, 후반부에는 1D-CNN(Convolution Neural Network)을 사용하여 학습할 수 있다.

본 명세서의 다른 실시예에 따르면, 본 명세서에 따른 신경망 기반의 배터리 잔존 수명 예측 방법은 학습된 신경망 기반의 배터리 수명 예측 방법에 있어서, 특정 배터리에 대한 연속된 3번의 충방전 사이클 내의 소정의 시간적 간격별로 측정되는 전류, 전압 및 온도를 포함하는 데이터 집합을 상기 학습된 신경망에 입력하는 단계; 및 상기 학습된 신경망에 의해, 상기 특정 배터리의 잔존 수명을 예측하는 단계;를 포함할 수 있다.

본 명세서의 다른 실시예에 따르면, 본 명세서에 따른 신경망 학습 장치는 하나 이상의 인스트럭션들(instructions)을 저장하는 메모리; 및 상기 저장된 하나 이상의 인스트럭션들을 실행함으로써, 배터리의 잔존 수명이 소정의 값에 이를 때까지 배터리를 충방전하면서, 각 충방전 사이클 내 소정의 시간적 간격별로 측정되는 전류, 전압, 및 온도를 포함하는 데이터 집합을 입력받아 상기 배터리의 잔존 수명을 예측하는 신경망을 구성하는 하나 이상의 프로세서;를 포함할 수 있다.

바람직하게, 상기 프로세서는, 상기 하나 이상의 프로세서는 상기 신경망의 전반부 및 중반부에는 dilated CNN(Convolution Neural Network)을 사용하고, 상기 신경망의 후반부에는 1D-CNN(Convolution Neural Network)을 사용할 수 있다.

본 명세서의 다른 실시예에 따르면, 본 명세서에 따른 신경망 학습 장치를 포함하는 배터리 잔존 수명 예측 장치는, 특정 배터리에 대한 연속된 3번의 충방전 사이클 내의 소정의 시간적 간격별로 측정되는 전류, 전압 및 온도를 포함하는 데이터 집합을 입력받는 입력부; 및 상기 신경망 학습 장치에 의해 예측된 상기 특정 배터리의 잔존 수명을 출력하는 출력부;를 포함할 수 있다.

이상에서 설명한 바와 같이 본 명세서에 의하면, 소정의 사이클 수만큼 배터리를 충방전하면서, 각 사이클 별로 출력되는 전류, 전압, 및 온도를 포함하는 데이터 집합을 수집하고, 수집된 데이터 집합들을 서로 비교하여 배터리의 잔존 수명을 예측하는 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치를 제공함으로써, 배터리의 잔존 수명을 예측하는 데 있어서, 전체적인 시간, 공간, 및 전력 소모에 따른 비용을 획기적으로 줄일 수 있다.

또한, 본 명세서에 의하면, 종래의 배터리의 잔존 수명 예측 방법과 같이 사람이 중요하다고 생각하는 배터리 특성 값을 뽑아서 배터리의 잔존 수명의 예측에 사용하기 때문에, 추가적인 측정을 요구하거나 제한적인 환경, 혹은 오랜 측정 시간을 요구하는 문제점 및 배터리의 수명을 결정하는 원인을 사람의 직관에 의존하여 판단하는 문제점을 극복할 수 있다.

또한, 본 명세서에 의하면, 배터리 관리 시스템(Battery Management System)에서 용이하게 측명할 수 있는 전류, 전압, 온도 등의 데이터만을 활용하여 잔존수명을 높은 정확도로 예측할 수 있다.

또한, 본 명세서에 의하면, 종래와 달리 휠씬 적은 관측만으로도 높은 정확도로 배터리의 잔존 수명을 예측할 수 있다.

또한, 본 명세서에 의하면, 종래와 같이 배터리 수명의 약 30% 정도까지 사용을 한 후에 최종적인 배터리의 잔존 수명을 예측할 수 있었던 것과 달리, 본 발명은 단, 3회 등 소정의 사이클 정도의 충방전 과정을 관측하여 각 사이클 간의 패턴들을 인공지능 모델 분석 통해 배터리의 잔존 수명을 예측할 수 있다.

이와 같이 간단하고 시간이 적게 소모되는 본 발명을 통한 배터리 잔존 수명 예측을 통해, 종래와 같이 엑스레이 판독을 통해 배터리의 상태를 정확하게 예측하기 어렵기 때문에 배터리 생산 단계에서 배터리 수명 예측을 위해 과도하게 충방전하거나 배터리에 어떠한 조작을 가하지 않고 관찰하는 에이징(Aging) 하는 것 등을 생략할 수 있다. 이를 통해 전체적인 종래의 배터리 생산 공정 상에 시간이 많이 소모되는 부분을 획기적으로 개선할 수 있다.

도 1은 충방전 시간에 따른 배터리 잔존 수명 예측의 에러율을 나타낸 그래프,
도 2 및 도 3은 본 발명의 실시예에 따른 신경망 기반의 배터리 잔존 수명 예측 방법을 개략적으로 설명하기 위한 도면,
도 4는, 본 발명의 실시 형태에 관한 배터리 잔존 수명 예측 장치의 기능을 실현 가능한 하드웨어의 일례를 도시한 블록도,
도 5는, 본 발명의 실시 형태에 관한 배터리 잔존 수명 예측 장치가 갖는 기능의 일례를 도시한 블록도,
도 6은 본 발명의 실시예에 따른 신경망 기반의 배터리 잔존 수명 예측 방법을 나타낸 흐름도,
도 7은 본 발명의 실시예에 따른 인공지능 모델 구조를 나타낸 도면, 및
도 8은 본 발명에서 예측된 배터리의 잔존 수명과 실제 배터리의 잔존 수명을 비교한 그래프이다.

본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.

또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

또한, 본 명세서에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는 데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니됨을 유의해야 한다.

먼저, 본격적인 본 발명을 설명하기에 앞서, 본 명세서의 발명의 배경에 배터리의 잔존 수명 등과 관련된 용어가 언급되었으나 언급될 용어를 아래와 같이 명확히 정의하고 사용한다.

SOH(State of Health)는 배터리의 현재상태, 성능상태, 노화상태 등을 의미하는 것으로서, 이는 배터리의 내부저항, 임피던스, 컨덕턴스, 용량, 전압, 자가 방전, 충전 성능 등 다양한 관점에서 제조사 혹은 사용자에 따라 여러 가지 방법으로 정의될 수 있다. 한편, 일반적으로 아래의 수식 등으로 정의될 수 있다.

SOH = 현재 내부 저항값/초기 내부 저항값 · · · · · 식A

SOH = 현재 배터리 용량값/최초 배터리 용량값 · · · · · 식B

본 명세서에서는 식B를 이용하여 정의된 SOH를 통해 전체적인 본 발명을 설명하되, 본 발명이 반드시 식B에 정의된 SOH만을 사용하는 경우에 한정되지 않는다. 본 발명은 배터리의 잔존 수명이나 노화정도를 가리키는 어떠한 수식으로 정의된 SOH에도 적용될 수 있다.

다음으로, 사이클이란 연속된 배터리의 충전 및 방전 과정을 가리킨다. 1 사이클이란 배터리를 현재 배터리 용량 값까지 충전한 후 본 배터리에서 전력이 출력될 수 없을 때까지 방전하는 것을 말할 수 있다.

다음으로, 배터리의 최종 수명(End of Life)과 관련하여, 식B에 의해 정의된 SOH가 80%에 도달했을 때 배터리는 최종 수명에 도달했다고 정의할 수 있다. 또한, 본 EOL은 사이클 단위로 표시할 수 있다. 예를 들어, SOH가 80%, 즉, EOL에 도달한 배터리가 그 동안 수행했던 충전 및 방전의 사이클 횟수로 표시할 수 있다.

마지막으로, 잔존 수명(Remaining Useful Life)은 최종 수명(EOL)까지 남은 사이클을 말하는 것으로 하기 식C와 같이 정의할 수 있다. 본 발명의 배경 등에서 설명한 바와 같이, 배터리는 충방전을 통해 SOH가 점차적으로 줄어든다.

RUL = EOL - 현재까지 누적한 충방전 사이클 수 · · · · 식C

즉, SOH가 언제 80% 이하가 될 것인지, 다시 말해 몇 번의 충방전 사이클을 수행한 후에 SOH가 80% 이하가 될 것인지 예측하는 것은 EOL를 예측하는 것과 동일하다. 또한, EOL를 예측하면 식C에 의해 RUL를 자연스럽게 도출할 수 있다. 예를 들어, 현재까지 누적한 배터리의 충방전 사이클 수가 50이라고 한다면, 단순히 상기 50은 카운팅을 통해 명확히 얻을 수 있다. 또한, 본 발명은 본 발명에 따른 기계학습을 통해 EOL가 600이라고 예측할 수 있고, 최종적으로 상기 예측을 통해 RUL는 550라는 것을 도출할 수 있다. 한편, EOL은 SOH가 80%에 달하는 것으로 설명하였으나, 80%에 한정된 것은 아니며, 상기 수치는 임의로 설정할 수 있다.

도 1은 충방전 시간에 따른 배터리 잔존 수명 예측의 에러율을 나타낸 그래프이다.

일반적으로 1,100mAh 용량의 배터리는 한 번 충방전하는 데 약 800초의 시간이 걸린다. 이에 따라, 배터리를 충방전하는 데 있어서, 약 800초의 시간이 한 사이클을 구성하게 된다.

도 1을 참조하면, 충방전 시간이 0~2500초일 때에는 충방전 시간이 증가함에 따라 배터리 잔존 수명 예측의 에러율이 점차 감소하는 것을 알 수 있다. 그러나 충방전 시간이 2500초 이상일 때에는, 전압, 전류, 및 온도 등을 포함하는 데이터 집합(이하, '데이터')을 모니터링하여 학습시키더라도 성능에 별반 차이가 없는 것을 알 수 있다. 이 같은 점에 주목하여, 본 발명의 실시예에서는 세 사이클의 데이터를 수집하여 배터리의 잔존 수명을 예측한다.

도 2 및 도 3은 본 발명의 실시예에 따른 신경망 기반의 배터리 잔존 수명 예측 방법을 개략적으로 설명하기 위한 도면이다.

도 2를 참조하면, 골프 카트(210)에 WiFi 모듈과, SD 카드가 탑재된다. 골프 카트(210)는 배터리를 매초 단위로 모니터링하여 데이터를 수집하고, 수집된 데이터를 AP(220)를 경유하여 배터리 잔존 수명 예측 장치, 즉, 데이터 서버(230)로 전송한다. 이때, 골프 카트(210)는 통신이 불가능한 경우(예를 들면, 배터리를 충전 중이거나 통신이 불가능한 지역에 있을 때), 우선 모니터링된 데이터를 SD 카드에 저장한 후, 통신이 가능해지면 WiFi 모듈을 통해 SD 카드에 저장된 데이터를 AP(220)를 경유하여 데이터 서버(230)로 전송한다. 골프 카트(210)는 통신이 가능한 경우, 모니터링된 데이터를 SD 카드에 저장하지 않고, AP(220)를 통해 데이터 서버(230)로 바로 전송한다.

도 3을 참조하면, 데이터 서버(230)는 전술한 방식을 통해 데이터를 수집한다(S310). 즉, 데이터 서버(230)는 골프 카트(210)가 통신이 가능한 경우에는 골프 카트(210)로부터 데이터를 바로 수신하고, 골프 카트(210)가 통신이 불가능한 경우에는 골프 카트(210)가 통신이 가능해지면, 골프 카트(210)의 SD 카드에 저장된 데이터를 수신할 수 있다.

그리고 데이터 서버(230)는 인공 지능(AI: Artificial Intelligence)을 통해 데이터를 분석하여 배터리의 잔존 수명을 예측한다(S320). 구체적으로는, 데이터 서버(230)는 각 사이클 별로 수집된 데이터를 서로 비교하여 배터리의 잔존 수명을 예측한다. 예를 들면, 데이터 서버(230)는 제1 사이클에 수집된 데이터를 기준값으로 설정하고, 제2 사이클에 수집된 데이터를 기준값과 비교하여 배터리의 잔존 수명을 예측하며, 제3 사이클에 수집된 데이터를 통해 예측된 배터리의 잔존 수명을 검증할 수 있다. 즉, 데이터 서버(230)는 제1 사이클에서 수집된 제1 데이터와 제2 사이클에서 수집된 제2 데이터를 비교한 후, 제1 데이터와 제2 데이터의 차이값에 기초하여 배터리의 잔존 수명을 예측한다.

다른 측면에서 구체적으로, 데이터 서버(230)는 화학적 속성이 동일 또는 극히 유사한 배터리로 이루어진 배터리 집합의 각각의 배터리에 대해서 각 배터리의 수명이 다할 때까지, 즉, SOH가 특정값 이하로 내려갈 때까지 배터리를 충방전하면서 발생시킨 데이터를 처리할 수 있다. 더욱 구체적으로 배터리 집합의 각 배터리를 충방전하면서 소정의 시간 간격, 예를 들어, 1초 간격으로 전류, 전압, 온도를 측정하되, 배터리의 충방전을 반복하면서 최종적으로 배터리의 SOH값이 80% 이하로 내려갈 때까지 데이터를 측정한다. 상기에서는 1초 또는 80%로 지시하였으나 본 발명은 상기 수치에 한정된 것은 아니다. 이처럼 SOH값이 특정값 이하로 내려갈 때 측정된 수많은 데이터가 데이터 서버(230)에 입력되는 것이다.

여기서, 데이터 서버(230)는 긴 시계열 데이터 간의 연관성을 분석하기 위해 dilated CNN(Convolutional Neural Network)을 기본 구조로 사용하고, dilated CNN과 배치 정규화 기술을 반복적으로 쌓아 전체 인공신경망을 구성할 수 있다. 또한, 데이터 서버(230)는 신경망의 후반부에는 긴 시계열 데이터의 차원을 줄이기 위해 1D-CNN을 사용할 수 있다. 이를 위해, 데이터 서버(230)는 하나 이상의 컴퓨터로 구성되는 신경망으로 구현될 수 있고, 수집된 데이터를 신경망에 입력하여 배터리의 잔존 수명을 예측할 수 있다. 상기와 같이 dilated-CNN을 사용하여 앞서 설명한 바와 같이, 데이터 서버(230)에 입력된 각 사이클 내 소정의 간격으로 측정된 수많은 데이터를 신속하게 신경망에 학습시킬 수 있다.

또한, 데이터 서버(230)는 배터리의 충방전을 반복하면서 최종적으로 배터리의 SOH값이 80% 이하로 내려갈 때까지 측정한 데이터 중 일부 데이터를 이용하여 학습된 신경망을 검증함으로써 신경망을 최적화할 수 있다.

이후, 데이터 서버(230)는 예측된 배터리의 잔존 수명을 토대로 배터리의 불량이나 폭발 가능성을 진단할 수 있다(S330).

한편, 본 발명에 따른 데이터 서버(230)은 전류, 전압, 온도를 측정하고 상기 데이터를 학습하여 배터리 잔존 수명을 예측할 수 있으나, 본 발명은 반드시 이에 한정되지 않는다. 본 발명은 전류, 전압, 온도 중 어느 한 종류 이상으로 구성된 집합을 학습하여 배터리의 잔존 수명을 예측할 수 있다. 예를 들어, 전류, 전압, 온도 각각만을 학습할 수 있고, 전류 및 전압 혹은, 전류 및 온도 혹은, 전압 및 온도만을 학습하여도 배터리 잔존 수명을 예측할 수 있다.

이하에서는, 본 발명의 실시예에 관한 배터리 잔존 수명 예측 장치(230)에 대해서 자세히 설명하기로 한다.

도 4를 참조하면, 배터리 잔존 수명 예측 장치(230)의 기능을 실현 가능한 하드웨어에 대해서 설명한다. 도 4는, 본 발명의 실시 형태에 관한 배터리 잔존 수명 예측 장치의 기능을 실현 가능한 하드웨어의 일례를 도시한 블록도이다.

배터리 잔존 수명 예측 장치(230)가 갖는 기능은, 예컨대, 도 4에 도시하는 하드웨어 자원을 이용하여 실현하는 것이 가능하다. 즉, 배터리 잔존 수명 예측 장치(230)가 갖는 기능은, 컴퓨터 프로그램을 이용하여 도 4에 도시하는 하드웨어를 제어함으로써 실현된다.

도 4에 도시한 바와 같이, 이 하드웨어는, 주로, CPU(402), ROM(Read Only Memory)(404), RAM(406), 호스트 버스(408), 및 브리지(410)를 갖는다. 또한, 이 하드웨어는, 외부 버스(412), 인터페이스(414), 입력부(416), 출력부(418), 기억부(420), 드라이브(422), 접속 포트(424), 및 통신부(426)를 갖는다.

CPU(402)는, 예컨대, 연산 처리 장치 또는 제어 장치로서 기능하여, ROM(404), RAM(406), 기억부(420), 또는 리무버블 기록 매체(428)에 기록된 각종 프로그램에 기초하여 각 구성 요소의 동작 전반 또는 그 일부를 제어한다. ROM(404)은, CPU(402)에 판독되는 프로그램이나 연산에 이용하는 데이터 등을 저장하는 기억 장치의 일례이다. RAM(406)에는, 예컨대, CPU(402)에 판독되는 프로그램이나, 그 프로그램을 실행할 때 변화하는 각종 파라미터 등이 일시적 또는 영속적으로 저장된다.

이들 요소는, 예컨대, 고속의 데이터 전송이 가능한 호스트 버스(408)를 통해서 서로 접속된다. 한편, 호스트 버스(408)는, 예컨대, 브리지(410)를 통해서 비교적 데이터 전송 속도가 저속인 외부 버스(412)에 접속된다. 또한, 입력부(416)로서는, 예컨대, 마우스, 키보드, 터치 패널, 터치 패드, 버튼, 스위치, 및 레버 등이 이용된다. 또한, 입력부(416)로서는, 적외선이나 그 밖의 전파를 이용하여 제어 신호를 송신하는 것이 가능한 리모트 컨트롤러가 이용될 수 있다.

출력부(418)로서는, 예컨대, CRT(Cathode Ray Tube), LCD(Liquid Crystal Display), PDP(Plasma Display Panel), 또는 ELD(Electro-Luminescence Display) 등의 디스플레이 장치가 이용될 수 있다. 또한, 출력부(418)로서, 스피커나 헤드폰 등의 오디오 출력 장치, 또는 프린터 등이 이용될 수 있다.

기억부(420)는, 각종 데이터를 저장하기 위한 장치이다. 기억부(420)로서는, 예컨대, HDD 등의 자기 기억 디바이스가 이용된다. 또한, 기억부(420)로서, SSD(Solid State Drive)나 RAM 디스크 등의 반도체 기억 디바이스, 광기억 디바이스, 또는 광자기 기억 디바이스 등이 이용되어도 된다.

드라이브(422)는, 착탈 가능한 기록매체인 리무버블 기록 매체(428)에 기록된 정보를 판독하거나, 또는 리무버블 기록 매체(428)에 정보를 기록하는 장치이다. 리무버블 기록 매체(428)로서는, 예컨대, 자기 디스크, 광디스크, 광자기 디스크, 또는 반도체 메모리 등이 이용된다. 또한, 리무버블 기록 매체(428)에는, 배터리 잔존 수명 예측 장치(230)의 동작을 규정하는 프로그램이 저장될 수 있다.

접속 포트(424)는, 예컨대, USB(Universal Serial Bus) 포트, IEEE 1394 포트, SCSI(Small Computer System Interface), RS-232C 포트, 또는 광오디오 단자 등, 외부 접속 기기(430)를 접속하기 위한 포트이다. 외부 접속 기기(430)로서는, 예컨대, 프린터 등이 이용된다.

통신부(426)는, 네트워크(432)에 접속하기 위한 통신 디바이스이다. 통신부(426)로서는, 예컨대, 유선 또는 무선 LAN용 통신 회로, WUSB(Wireless USB)용 통신 회로, 휴대 전화 네트워크용 통신 회로 등이 이용될 수 있다. 네트워크(432)는, 예컨대, 유선 또는 무선에 의해 접속된 네트워크이다.

이상, 배터리 잔존 수명 예측 장치(230)의 하드웨어에 대해서 설명하였다. 또한, 상술한 하드웨어는 일례이며, 일부의 요소를 생략하는 변형이나, 새로운 요소를 추가하는 변형 등이 가능하다.

이어서, 도 5를 참조하면서, 배터리 잔존 수명 예측 장치(230)의 기능에 대해서 설명한다. 도 5는, 본 발명의 실시 형태에 관한 배터리 잔존 수명 예측 장치가 갖는 기능의 일례를 도시한 블록도이다.

도 5에 도시한 바와 같이, 배터리 잔존 수명 예측 장치(230)는, 기억부(232), 배터리 데이터 수집부(234), 배터리 잔존 수명 예측부(236), 및 배터리 고장 진단부(238)를 포함할 수 있다.

또한, 기억부(232)의 기능은, 상술한 RAM(406)이나 기억부(420) 등을 이용하여 실현된다. 배터리 데이터 수집부(234)의 기능은, 상술한 통신부(426) 등을 이용하여 실현할 수 있다. 배터리 잔존 수명 예측부(236) 및 배터리 고장 진단부(238)의 기능은, 상술한 CPU(402) 등을 이용하여 실현할 수 있다.

기억부(232)는 전압, 전류, 및 온도 등을 포함하는 데이터를 저장한다.

배터리 데이터 수집부(234)는 소정의 사이클 수만큼 배터리를 충방전하면서, 각 사이클 별, 나아가 각 사이클의 소정의 시간 간격으로 나누어져 출력되는 데이터를 수집하여 기억부(232)에 저장한다. 여기서, 본 발명의 실시예에서 소정의 사이클 수는 3으로 한정되나, 이에 한정되는 것은 아니며, 3 이상의 수로 설정될 수도 있다.

배터리 잔존 수명 예측부(236)는 기억부(232)에 저장된 데이터들을 신경망에 학습시켜 배터리의 잔존 수명을 예측한다. 예를 들면, 배터리 잔존 수명 예측부(236)는 학습된 신경망을 통해 제1 사이클에 수집된 데이터를 기준값으로 설정하고, 제2 사이클에 수집된 데이터를 기준값과 비교하여 배터리의 잔존 수명을 예측하며, 제3 사이클에 수집된 데이터를 통해 예측된 배터리의 잔존 수명을 검증할 수 있다. 즉, 데이터 서버(230)는 학습된 신경망을 통해 제1 사이클에서 수집된 제1 데이터와 제2 사이클에서 수집된 제2 데이터를 비교한 후, 제1 데이터와 제2 데이터의 차이값에 기초하여 배터리의 잔존 수명을 예측한다.

한편, 본 발명은 상기 제1 사이클 내지 제3 사이클 간의 비교를 통해 배터리의 잔존 수명을 예측할 수도 있지만, 이는 강학상 '비교'라는 단어를 사용했을 뿐 본 발명은 반드시 이에 한정되지 않는다. 즉, 본 발명을 통해 학습이 완료된 신경망에 제1 사이클 내지 제3 사이클에 해당하는 데이터가 입력되고, 학습된 상기 신경망이 소정의 메커니즘을 통해 상기 입력된 데이터를 분석하여 데이터를 출력함으로써 배터리의 수명을 예측할 수 있다.

더욱 구체적으로 배터리 잔존 수명 예측부(236)은 배터리의 잔존 수명이 소정의 값에 이를 때까지 배터리를 충방전하면서, 각 충방전 사이클 내 소정의 시간적 간격별로 측정되는 전류, 전압, 및 온도를 포함하는 데이터 집합을 입력받아 상기 배터리의 잔존 수명을 예측하는 신경망을 구성할 수 있다. 더욱 구체적으로 배터리 잔존 수명 예측부(236)는 화학적 속성이 동일 또는 극히 유사한 배터리로 이루어진 배터리 집합의 각각의 배터리에 대해서 각 배터리의 수명이 다할 때까지, 즉, SOH가 특정값 이하로 내려갈 때까지 배터리를 충방전하면서 발생시킨 데이터를 처리할 수 있다. 더욱 구체적으로 배터리 집합의 각 배터리를 충방전하면서 소정의 시간 간격, 예를 들어, 1초 간격으로 전류, 전압, 온도를 측정하되, 배터리의 충방전을 반복하면서 최종적으로 배터리의 SOH값이 80% 이하로 내려갈 때까지 데이터를 측정한다. 상기에서는 1초 또는 80%로 지시하였으나 본 발명은 상기 수치에 한정된 것은 아니다. 이처럼 SOH값이 특정값 이하로 내려갈 때 측정된 수많은 데이터가 데이터 서버(230)에 입력되어 배터리 잔존 수명 예측부(236)에서 처리되는 것이다.

여기서, 배터리 잔존 수명 예측부(236)는 긴 시계열 데이터 간의 연관성을 분석하기 위해 확장된 합성곱 신경망(dilated Convolution Neural Network; 이하, 'dilated CNN')을 기본 구조로 사용하고, dilated CNN과 배치 정규화(Batch Normalization) 기술을 반복적으로 쌓아 전체 인공신경망을 구성할 수 있다. 또한, 배터리 잔존 수명 예측부(236)는 신경망의 후반부에는 긴 시계열 데이터의 차원을 줄이기 위해 1D-CNN(Convolution Neural Network)을 사용할 수 있다.

확장 콘볼루션(dilated convolution, a` trous convolution)은 원래 파형 요소(wavelet) 분해를 위해 발전된 콘볼루션의 유형이다. 예를 들어, [Holschneider, M.; Kronland-Martinet, R.; Morlet, J.; and Tchamitchian, Ph., A Real-Time Algorithm for Signal Analysis with the Help of the Wavelet Transform in Wavelets: Time-Frequency Methods and Phase Space, J.M. Combes et al., eds., pp. 286-297 (1987)]를 참조한다. 그러나 특히 복잡한 특징들을 얻기 위해 의미론적 분할(semantic segmentation)에 적용되었다. 예를 들어, [Yu, Fisher and Koltun, Vladlen, Multi-scale context aggregation by dilated convolutions, 2016 Int'l Conference on Learning Representations (ICLR) (hereinafter, "Yu et al. 2016")]를 참조한다.

풀링(pooling) 없이 콘볼루션 레이어들로 구성된 순수한 CNN에서, 특징 맵들은 입력에서 인접한 데이터들을 픽셀들을 콘볼루션하여 생성될 수 있기 때문에, 유닛의 수신 필드(receptive field)는 레이어별로 선형적으로만 성장할 수 있다. 수신 필드를 증가시키기 위한 실현 가능한 방법들은 더 큰 영역에서 입력 데이터들을 콘볼루션하는 것이다. 이는 종래의 콘볼루션을 위해 기존의 밀집 커널(dense kernel)을 사용하는 것 대신, 확장 콘볼루션에서 '확장 커널(dilation kernel)을 사용하는 것과 유사할 수 있다.

F는 이산 함수, K는 콘볼루션 커널, 및 확장 콘볼루션 *_d는 아래의 수학식 1에 의해 정의된 바와 같이, 전형적인 콘볼루션의 일반화된 버전이라고 가정하면, 종래의 콘볼루션은 단순한 1-확장 콘볼루션일 수 있다(즉, d=1일 때). 여기서, d는 확장 계수(dilation factor)이다.

CNN에서 확장 콘볼루션을 적용하는 것의 한가지 이점은, 확장 버전은 더 큰 수신 필드를 갖는다는 점이다. 확장 콘볼루션 필터(dilated convolutional filter)는 오리지널 필터(original filter)를 업샘플링(upsampling)함으로써 얻을 수 있다. 즉, 오리지널 필터의 구성 요소(element) 사이에 0을 삽입함으로써 얻을 수 있다. 그러므로 설계에 의해 확장된 필터는 0 구성요소의 구조화된 패턴을 가질 수 있다. 0 요소가 무작위 패턴 및 위치를 갖는 가중치 프루닝(pruning)과 비교하면, 확장 필터는 0 가중치에 대한 구조화된 패턴을 가질 수 있고, 하드웨어(hardware)와 소프트웨어(software)에서의 계산 복잡도를 감소시키는 데 훨씬 더 유용할 수 있다. 특히, 본 발명과 같이 순차적으로 많은 값이 신경망에 입력되는 경우, 이런 확장 콘볼루션을 활용하여 계산 복잡도를 낮추지만 결과값의 정확도는 낮아지지 않는 효과를 발휘할 수 있다.

배치 정규화는 활성화함수의 활성화값 또는 출력값을 정규화(정규분포로 만든다)하는 작업을 말한다. 구체적으로는, 배치 정규화는 미니 배치의 데이터에서 각 특징별로 평균과 표준편차를 계산해서 정규화한다. 이러한 배치 정규화는 미니 배치 단위로 정규화하여 학습하기 때문에 인공 신경망 학습 중에 발생할 수 있는 내부 공변량 이동(Internal Covariate Shift)을 감소시킬 수 있다.

한편, 본 발명은 dilated CNN과 배치 정규화(Batch Normalization) 기술을 반복적으로 쌓아 전체 인공신경망을 구성하는 것에 한정되지 않고 다른 방법을 통해 인공신경망을 구성할 수 있다.

여러 개의 퍼셉트론 뉴런을 여러 층으로 쌓은 다층 퍼셉트론 (Multi-Layer-Perceptron) 혹은 1D 또는 2D CNN 혹은 유닛 간의 연결이　순환적 구조를 갖는 순환 신경망 (Recurrent neural network) 혹은 어텐션(Attention)만을 사용하여 인코더-디코더 구조를 만들어 학습 속도가 트랜스포머(Transformer architecture) 혹은 전반부는 CNN로 학습하고 후반부는 RNN로 학습하여 인공신경망을 구성하여도 무방하다. 다만, 본 발명과 같이 전반부 및 중반부에는 dilated CNN(Convolution Neural Network)을 사용하고, 후반부에는 1D-CNN(Convolution Neural Network)를 사용하여 신경망을 구성하는 것이 본 발명이 적용되는 배터리 수명 예측 분야에서 시간 효율 등 여러 측면에서 효율적일 수 있다.

배터리 고장 진단부(238)는 배터리 잔존 수명 예측부(236)에 의해 예측된 배터리의 잔존 수명에 기초하여 배터리의 고장을 진단한다. 예를 들면, 배터리 고장 진단부(238)는 예측된 배터리의 잔존 수명이 기설정된 잔존 수명 이하일 경우에 배터리가 고장난 것으로 판단할 수 있다. 또한, 배터리 잔존 수명 예측부(236)가 복수의 배터리를 대상으로 배터리의 잔존 수명을 예측하고, 배터리 고장 진단부(238)는 복수의 배터리 중에 다른 배터리보다 배터리의 잔존 수명이 특히 작은 배터리에 대해서 고장난 것으로 판단할 수도 있다. 배터리 고장 진단부(238)가 배터리의 이상 여부를 판단하는 방법은 이에 한정되는 것은 아니며, 다른 수학적인 방법을 이용한 다양한 방식이 사용될 수 있음은 물론이다.

도 6은 본 발명의 실시예에 따른 신경망 기반의 배터리 잔존 수명 예측 방법을 나타낸 흐름도이다.

도 6을 참조하면, 배터리 잔존 수명 예측부(236)는 소정의 사이클 수만큼 배터리를 충방전하면서, 각 사이클 별로 출력되는 데이터를 수집하여 기억부(232)에 저장한다(S610). 예를 들면, 소정의 사이클 수는 3일 수 있으나 이에 한정되는 것은 아니며, 3 이상의 수로 설정될 수 있다.

배터리 잔존 수명 예측부(236)는 기억부(232)에 저장된 데이터들을 신경망에 학습시켜 배터리의 잔존 수명을 예측한다(S620). 예를 들면, 배터리 잔존 수명 예측부(236)는 신경망을 통해 제1 사이클에 수집된 데이터를 기준값으로 설정하고, 제2 사이클에 수집된 데이터를 기준값과 비교하여 배터리의 잔존 수명을 예측하며, 제3 사이클에 수집된 데이터를 통해 예측된 배터리의 잔존 수명을 검증할 수 있다. 즉, 배터리 잔존 수명 예측부(236)는 신경망을 통해 제1 사이클에서 수집된 제1 데이터와 제2 사이클에서 수집된 제2 데이터를 비교한 후, 제1 데이터와 제2 데이터의 차이값에 기초하여 배터리의 잔존 수명을 예측할 수 있다.

더욱 구체적으로 배터리 잔존 수명 예측부(236)은 배터리의 잔존 수명이 소정의 값에 이를 때까지 배터리를 충방전하면서, 각 충방전 사이클 내 소정의 시간적 간격별로 측정되는 전류, 전압, 및 온도를 포함하는 데이터 집합을 입력받아 상기 배터리의 잔존 수명을 예측하는 신경망을 구성할 수 있다. 더욱 구체적으로 배터리 잔존 수명 예측부(236)은 화학적 속성이 동일 또는 극히 유사한 배터리로 이루어진 배터리 집합의 각각의 배터리에 대해서 각 배터리의 수명이 다할 때까지, 즉, SOH가 특정값 이하로 내려갈 때까지 배터리를 충방전하면서 발생시킨 데이터를 처리할 수 있다. 더욱 구체적으로 배터리 집합의 각 배터리를 충방전하면서 소정의 시간 간격, 예를 들어, 1초 간격으로 전류, 전압, 온도를 측정하되, 배터리의 충방전을 반복하면서 최종적으로 배터리의 SOH값이 80% 이하로 내려갈 때까지 데이터를 측정한다. 상기에서는 1초 또는 80%로 지시하였으나 본 발명은 상기 수치에 한정된 것은 아니다. 이처럼 SOH값이 특정값 이하로 내려갈 때 측정된 수많은 데이터가 데이터 서버(230)에 입력되어 배터리 잔존 수명 예측부(236)에서 처리되는 것이다.

여기서, 배터리 잔존 수명 예측부(236)는 긴 시계열 데이터 간의 연관성을 분석하기 위해 dilated CNN을 기본 구조로 사용하고, dilated CNN과 배치 정규화 기술을 반복적으로 쌓아 전체 인공신경망을 구성할 수 있다. 또한, 배터리 잔존 수명 예측부(236)는 신경망의 후반부에는 긴 시계열 데이터의 차원을 줄이기 위해 1D-CNN을 사용할 수 있다.

전술한 방법은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(Firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.

하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로컨트롤러 및 마이크로프로세서 등에 의해 구현될 수 있다.

펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고받을 수 있다.

도 7은 본 발명의 실시예에 따른 인공지능 모델 구조를 나타낸 도면이다.

인공지능 모델은 2500초 동안의 전류(I₁), 전압(V₁), 온도(T₁)로 이루어진 3×2500 매트릭스를 입력받는다. 여기서, 인공지능 모델은 일반적으로 긴 샘플 길이에 대해서 샘플 포인트 간의 관계를 신속히 배울 수 있는 dilated CNN으로 구현될 수 있다. 이를 통해, 시계열적으로 입력되는 수많은 데이터를 신속하게 배울 수 있어 컴퓨터 계산량을 크게 줄일 수 있다.

인공지능 모델은 2500초(약 3 사이클)의 입력(전류(I₁), 전압(V₁), 온도(T₁))을 수십만 개의 파라미터에 통과시켜서 배터리의 잔존 수명으로 출력한다.

도 7을 참조하면, 도면부호 700은 전류(I₁), 전압(V₁), 온도(T₁)로 이루어진 벡터를 나타내며, 2500개가 존재한다. 이 벡터에 전류(I₁), 전압(V₁), 및 온도(T₁)를 입력하여 배터리의 잔존 수명이 출력된다.

도 8은 본 발명에서 예측된 배터리의 잔존 수명과 실제 배터리의 잔존 수명을 비교한 그래프이다.

124개의 배터리의 용량이 소정의 기준(80%) 이하로 될 때까지, 즉, 배터리의 수명이 다할 때까지 충방전 사이클을 돌린다. 이를 통해, 각 배터리의 실제 배터리의 잔존 수명, 및 사이클 내의 각 초간의 전류, 전압 및 온도 정보를 확보할 수 있다. 즉, 학습시킬 정답 데이터를 확보한다.

이를 통하여, 124개의 배터리 중 70%에는 배터리에 전류, 전압, 온도와 수명 간의 관계를 신경망 학습시킨다. 나머지 30%는 검증을 위해 사용한다. 이때, 학습의 효율성을 높이기 위해, 신경망의 전반부 및 중반부에는 dilated CNN과 Batch normalization을 사용하고, 신경망의 후반부에는 1D-CNN을 활용한다. 이처럼, 본 발명의 실시예에서 학습된 신경망에 단지 3회만의 충방전 사이클 중 측정된 배터리의 전류, 전압, 온도에 대한 대략 2500개의 정도의 데이터를 입력하면, 입력된 배터리의 수명을 학습된 신경망을 통해 오차율이 매우 낮게 배터리의 잔존 수명을 예측할 수 있다. 한편, 3회의 충방전 사이클은 연속되기만 하면 되고, 언제 측정했는지는 무관하다. 즉, 상기 데이터는 새 배터리의 첫 3회의 충방전 사이클에서 측정된 값이어도 무방하고, 그렇지 않아도 무방하다. 예를 들어, 상기 데이터는 10회를 충방전하고, 나머지 11회, 12회, 13회에 충방전하면서 측정된 데이터 값이어도 무방하다.

도 8을 참조하면, 배터리에 대한 데이터를 dilated CNN을 통해 신경망에 학습시켜서 얻은 배터리의 잔존 수명이 실제 배터리의 잔존 수명과 크게 차이 나지 않는 것을 알 수 있다. 이 같은 점에 주목하여, 본 발명의 실시예에서는 배터리의 잔존 수명을 예측하는 데 있어서 약간의 오차가 발생하더라도 기존보다 전체적인 시간, 공간, 및 전력 소모에 따른 비용을 획기적으로 줄일 수 있다. 이와 같이, 본 발명은 종래와 같이 배터리의 수명을 예측하기 위해서 배터리 수명의 대략 30%에 해당하는 만큼의 충방전을 할 필요가 없으며, 또한, 대략 100 사이클만큼의 충방전을 할 필요가 없다. 이를 통해 테스트 비용이나 공간 또는 시간을 획기적으로 줄일 수 있어, 대량의 배터리 생산을 실현할 수 있다.

이상에서 본 명세서에 개시된 실시예들을 첨부된 도면들을 참조로 설명하였다. 이와 같이 각 도면에 도시된 실시예들은 한정적으로 해석되면 아니되며, 본 명세서의 내용을 숙지한 당업자에 의해 서로 조합될 수 있고, 조합될 경우 일부 구성 요소들은 생략될 수도 있는 것으로 해석될 수 있다.

여기서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 본 명세서에 개시된 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.

따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 명세서에 개시된 실시예에 불과할 뿐이고, 본 명세서에 개시된 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.

232: 기억부 234: 배터리 데이터 수집부
236: 배터리 잔존 수명 예측부 238: 배터리 고장 진단부

Claims

배터리 잔존 수명 예측을 위한 컴퓨팅 장치에서 신경망(neural network)을 학습하는 방법에 있어서,
배터리의 잔존 수명이 소정의 값에 이를 때까지 배터리를 충방전하면서, 각 충방전 사이클 내 소정의 시간적 간격별로 측정되는 전류, 전압, 및 온도 중 어느 하나 이상을 포함하는 데이터 집합을 수집하는 단계; 및
상기 신경망에 상기 수집된 데이터를 입력하여 상기 신경망을 학습하는 단계를 포함하는 단계를 포함하는,
신경망 학습 방법.
제1 항에 있어서,
상기 학습하는 단계에서,
상기 신경망은 전반부 및 중반부에는 dilated CNN(Convolution Neural Network)을 사용하고, 후반부에는 1D-CNN(Convolution Neural Network)을 사용하여 학습하는 것을 특징으로 하는 신경망 학습 방법.
제1 항 또는 제2 항의 방법을 통해 학습된 신경망 기반의 배터리 수명 예측 방법에 있어서,
특정 배터리에 대한 연속된 3번의 충방전 사이클 내의 소정의 시간적 간격별로 측정되는 전류, 전압 및 온도 중 어느 하나 이상을 포함하는 데이터 집합을 상기 학습된 신경망에 입력하는 단계; 및
상기 학습된 신경망에 의해, 상기 특정 배터리의 잔존 수명을 예측하는 단계;
를 포함하는 신경망 기반의 배터리 잔존 수명 예측 방법.
하나 이상의 인스트럭션들(instructions)을 저장하는 메모리; 및
상기 저장된 하나 이상의 인스트럭션들을 실행함으로써,
배터리의 잔존 수명이 소정의 값에 이를 때까지 배터리를 충방전하면서, 각 충방전 사이클 내 소정의 시간적 간격별로 측정되는 전류, 전압, 및 온도 중 어느 하나 이상을 포함하는 데이터 집합을 입력받아 상기 배터리의 잔존 수명을 예측하는 신경망을 구성하는 하나 이상의 프로세서;
를 포함하는 신경망 학습 장치.
제4 항에 있어서,
상기 프로세서는,
상기 하나 이상의 프로세서는 상기 신경망의 전반부 및 중반부에는 dilated CNN(Convolution Neural Network)을 사용하고, 상기 신경망의 후반부에는 1D-CNN(Convolution Neural Network)을 사용하는 것을 특징으로 하는 신경망 학습 장치.
제4 항 또는 제5 항의 신경망 학습 장치를 포함하는 배터리 잔존 수명 예측 장치에 있어서,
특정 배터리에 대한 연속된 3번의 충방전 사이클 내의 소정의 시간적 간격별로 측정되는 전류, 전압 및 온도 중 어느 하나 이상을 포함하는 데이터 집합을 입력받는 입력부; 및
상기 신경망 학습 장치에 의해 예측된 상기 특정 배터리의 잔존 수명을 출력하는 출력부;
를 포함하는 배터리 잔존 수명 예측 장치.
메모리; 및
상기 메모리에 접속되어, 소정의 사이클 수만큼 배터리를 충방전하면서, 각 사이클 별로 출력되는 전류, 전압, 및 온도 중 어느 하나 이상을 포함하는 데이터 집합을 수집하여 상기 메모리에 저장하고, 상기 메모리에 저장된 데이터 집합들을 서로 비교하여 상기 배터리의 잔존 수명을 예측하는 신경망을 구성하는 하나 이상의 프로세서;
를 포함하는 신경망 기반의 배터리 잔존 수명 예측 장치.
제7항에 있어서,
상기 소정의 사이클 수는 3인 것을 특징으로 하는 신경망 기반의 배터리 잔존 수명 예측 장치.
제7항에 있어서,
상기 하나 이상의 프로세서는 제1 사이클에서 수집된 제1 데이터와 제2 사이클에서 수집된 제2 데이터를 비교한 후, 제1 데이터와 제2 데이터의 차이값에 기초하여 배터리의 잔존 수명을 예측하는 것을 특징으로 하는 신경망 기반의 배터리 잔존 수명 예측 장치.
제7항에 있어서,
상기 하나 이상의 프로세서는 상기 신경망의 전반부 및 중반부에는 dilated CNN(Convolution Neural Network)을 사용하고, 상기 신경망의 후반부에는 1D-CNN(Convolution Neural Network)을 사용하는 것을 특징으로 하는 신경망 기반의 배터리 잔존 수명 예측 장치.
제10항에 있어서,
상기 하나 이상의 프로세서는 상기 dilated CNN과 함께 Batch normalization을 사용하는 것을 특징으로 하는 신경망 기반의 배터리 잔존 수명 예측 장치.
하나 이상의 컴퓨터를 포함하는 신경망에 의해, 소정의 사이클 수만큼 배터리를 충방전하면서, 각 사이클 별로 출력되는 전류, 전압, 및 온도 중 어느 하나 이상을 포함하는 데이터 집합을 수집하는 단계; 및
상기 신경망에 의해, 수집된 데이터 집합들을 서로 비교하여 상기 배터리의 잔존 수명을 예측하는 단계;
를 포함하는 신경망 기반의 배터리 잔존 수명 예측 방법.
제12항에 있어서,
상기 소정의 사이클 수는 3인 것을 특징으로 하는 신경망 기반의 배터리 잔존 수명 예측 방법.
제12항에 있어서, 상기 배터리의 잔존 수명을 예측하는 단계에서,
상기 신경망은 제1 사이클에서 수집된 제1 데이터와 제2 사이클에서 수집된 제2 데이터를 비교한 후, 제1 데이터와 제2 데이터의 차이값에 기초하여 배터리의 잔존 수명을 예측하는 것을 특징으로 하는 신경망 기반의 배터리 잔존 수명 예측 방법.
제12항에 있어서, 상기 배터리의 잔존 수명을 예측하는 단계에서,
상기 신경망은 전반부 및 중반부에는 dilated CNN(Convolution Neural Network)을 사용하고, 후반부에는 1D-CNN(Convolution Neural Network)를 사용하는 것을 특징으로 하는 신경망 기반의 배터리 잔존 수명 예측 방법.
제15항에 있어서,
상기 신경망은 상기 dilated CNN과 함께 Batch normalization을 사용하는 것을 특징으로 하는 신경망 기반의 배터리 잔존 수명 예측 방법.