KR20210129893A - 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템 및 방법 - Google Patents
빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템 및 방법 Download PDFInfo
- Publication number
- KR20210129893A KR20210129893A KR1020200047968A KR20200047968A KR20210129893A KR 20210129893 A KR20210129893 A KR 20210129893A KR 1020200047968 A KR1020200047968 A KR 1020200047968A KR 20200047968 A KR20200047968 A KR 20200047968A KR 20210129893 A KR20210129893 A KR 20210129893A
- Authority
- KR
- South Korea
- Prior art keywords
- charging
- time
- big data
- battery
- vehicle
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000032683 aging Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G04—HOROLOGY
- G04F—TIME-INTERVAL MEASURING
- G04F10/00—Apparatus for measuring unknown time intervals by electric means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/66—Data transfer between charging stations and vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/66—Data transfer between charging stations and vehicles
- B60L53/665—Methods related to measuring, billing or payment
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/30—Transportation; Communications
-
- G06Q50/40—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/0071—Regulation of charging or discharging current or voltage with a programmable schedule
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/44—Control modes by parameter estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/58—Departure time prediction
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2200/00—Type of vehicle
- B60Y2200/90—Vehicles comprising electric prime movers
- B60Y2200/91—Electric vehicles
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Abstract
복수의 차량으로부터 차량 내 배터리의 충전 관련 파라미터를 수집하고, 수집된 상기 충전 관련 파라미터를 기반으로 상기 복수의 차량을 복수의 그룹으로 그룹핑 하며, 차량 충전 시 충전 대상 차량이 속한 그룹에 대한 제1 충전 예상 시간을 연산하여 전송하는 빅데이터 서버; 및 상기 복수의 차량에 각각 설치되며, 해당 차량 내 배터리 충전 시 상기 배터리의 상태에 기반하여 제2 충전 예상 시간을 연산하고, 상기 제1 충전 예상 시간과 상기 제2 충전 예상 시간을 조합하여 상기 배터리의 최종 충전 예상 시간을 연산하는 컨트롤러를 포함하는 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템이 개시된다.
Description
본 발명은 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템 및 방법에 관한 것으로, 더욱 상세하게는 빅데이터 서버를 통해 구축된 빅데이터를 활용하여 차량 내 배터리의 충전 시간을 정확하게 예측할 수 있는 빅데이터를 이용한 차량 수명 예측 시스템 및 방법에 관한 것이다.
일반적으로, 친환경 자동차는 배터리에 저장된 전기 에너지를 이용하여 모터를 구동하여 동력을 생산하는 차량이다. 친환경 자동차는 차량 동력 생산을 위한 충분한 전기 에너지를 저장할 수 있도록 배터리를 충전하여야 한다.
배터리를 충전하는 방식으로는 차량에 설치된 탑재형 충전기를 이용하여 외부에서 제공되는 교류 전력을 직류 전력으로 변환하여 배터리로 인가하는 완속 충전 방식과 외부에서 직접 직류 전력을 제공받아 별도의 변환 과정 없이 배터리로 인가하는 급속 충전 방식이 있다.
배터리의 충전 방식과는 상관 없이, 차량 주행을 위해 충분하게 배터리를 충전하는데 소요되는 시간을 정확히 예측하는 것은 차량의 운행 가능 시각을 예상하고 결정하는데 매우 중요한 문제가 된다.
종래에 차량 배터리의 충전 시간을 예측하는 기법은, 차량 내 제어기(예를 들어, 배터리 관리 시스템(Battery Management System: BMS)가 배터리의 온도, 배터리의 충전 상태(State Of Charge: SOC) 등 배터리 자체의 파라미터와 외부 충전 설비로부터 제공되는 초기 충전 파워 등을 활용한 단순 계산을 통해 배터리의 충전 시간을 예측하는 방식으로 구현되었다.
이러한 종래 방식은 단순히 충전 설비의 초기 충전 파워를 기반으로 하여 차량 내 제어기에 의해 충전 시간을 예측하므로 충전이 진행되는 과정에서 변화하는 파라미터들을 반영하지 못한다. 따라서, 종래의 충전 시간 예측 기법은 실제 충전 시간과 예측 충전 시간 사이의 오차가 크게 발생할 수밖에 없다는 문제가 있다.
상기의 배경기술로서 설명된 사항들은 본 발명의 배경에 대한 이해 증진을 위한 것일 뿐, 이 기술분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술에 해당함을 인정하는 것으로 받아들여져서는 안 될 것이다.
이에 본 발명은, 빅데이터 서버를 활용하여 충전시간을 결정하는데 영향을 미칠 수 있는 파라미터들을 수집하고 수집된 파라미터들을 분석 및 통계 처리하여 차량의 충전 시간을 통계적으로 예측할 수 있으며, 아울러 예측된 충전 시간과 실제 충전 시간의 비교를 통해 상호간 오차를 감소시켜 나갈 수 있는 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템을 제공하는 것을 해결하고자 하는 기술적 과제로 한다.
상기 기술적 과제를 해결하기 위한 수단으로서 본 발명은,
복수의 차량으로부터 차량 내 배터리의 충전 관련 파라미터를 수집하고, 수집된 상기 충전 관련 파라미터를 기반으로 상기 복수의 차량을 복수의 그룹으로 그룹핑 하며, 차량 충전 시 충전 대상 차량이 속한 그룹에 대한 제1 충전 예상 시간을 연산하여 전송하는 빅데이터 서버; 및
상기 복수의 차량에 각각 설치되며, 해당 차량 내 배터리 충전 시 상기 배터리의 상태에 기반하여 제2 충전 예상 시간을 연산하고, 상기 제1 충전 예상 시간과 상기 제2 충전 예상 시간을 조합하여 상기 배터리의 최종 충전 예상 시간을 연산하는 컨트롤러;
를 포함하는 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템을 제공한다.
본 발명의 일 실시형태에 있어서, 상기 빅데이터 서버는, 수집한 상기 충전 관련 데이터를 기반으로 유사한 충전 환경 또는 충전 패턴을 갖는 차량들을 일 그룹으로 그룹핑 할 수 있다.
본 발명의 일 실시형태에 있어서, 상기 빅데이터 서버는, 상기 복수의 그룹 각각에 대해 상기 충전 관련 파라미터에 따른 충전 예상 시간 도출을 위한 알고리즘 또는 테이블을 저장하고, 차량 충전 시 충전 대상 차량으로부터 상기 충전 관련 파라미터를 입력 받아 충전 대상 차량이 속하는 그룹의 알고리즘 또는 테이블에 입력 받은 충전 관련 파라미터를 적용하여 상기 충전 대상 차량의 제1 충전 예상 시간을 도출하고 전송할 수 있다.
본 발명의 일 실시형태에 있어서, 상기 컨트롤러는, 해당 차량 내 배터리 충전 시, 상기 빅데이터 서버로 충전 개시 시점의 충전 관련 데이터를 전송하고, 전송된 충전 관련 데이터를 기반으로 상기 빅데이터 서버가 도출한 상기 제1 충전 예상 시간과 상기 제2 충전 예상 시간을 조합하여 상기 배터리의 최종 충전 예상 시간을 연산할 수 있다.
본 발명의 일 실시형태에 있어서, 상기 컨트롤러는, 상기 배터리의 충전이 종료된 후 실제 충전에 소요된 시간과 상기 제1 충전 예상 시간 및 제2 충전 예상 시간을 비교한 결과에 따라, 상기 가중치를 재설정할 수 있다.
상기 기술적 과제를 해결하기 위한 다른 수단으로서 본 발명은,
빅데이터 서버가 복수의 차량으로부터 차량 내 배터리의 충전 관련 파라미터를 수집하는 단계;
상기 빅데이터 서버가 수집된 상기 충전 관련 파라미터를 기반으로 상기 복수의 차량을 복수의 그룹으로 그룹핑 하는 단계;
충전 대상 차량 내 컨트롤러가 차량 내 배터리 충전 시 상기 빅데이터 서버로 충전 개시 시점의 충전 관련 데이터를 전송하는 단계;
상기 빅데이터 서버가 상기 충전 개시 시점의 충전 관련 데이터를 기반으로 상기 충전 대상 차량이 속한 그룹에 대한 제1 충전 예상 시간을 연산하여 전송하는 단계; 및
상기 컨트롤러가, 상기 배터리의 상태에 기반하여 제2 충전 예상 시간을 연산하고, 상기 빅데이터 서버로부터 수신한 제1 충전 예상 시간과 상기 제2 충전 예상 시간을 조합하여 상기 배터리의 최종 충전 예상 시간을 연산하는 단계;
를 포함하는 빅데이터를 이용한 배터리 충전 시간 예측 방법을 제공한다1.
본 발명의 일 실시형태에 있어서, 상기 그룹핑 하는 단계는, 상기 빅데이터 서버가, 수집한 상기 충전 관련 데이터를 기반으로 유사한 충전 환경 또는 충전 패턴을 갖는 차량들을 일 그룹으로 그룹핑 할 수 있다.
본 발명의 일 실시형태에 있어서, 상기 그룹핑 하는 단계에서, 상기 빅데이터 서버는, 상기 복수의 그룹 각각에 대해 상기 충전 관련 파라미터에 따른 충전 예상 시간 도출을 위한 알고리즘 또는 테이블을 저장할 수 있다.
본 발명의 일 실시형태에 있어서, 상기 전송하는 단계는, 상기 빅데이터 서버가 상기 충전 대상 차량으로부터 상기 충전 관련 파라미터를 입력 받아 충전 대상 차량이 속하는 그룹의 알고리즘 또는 테이블에 입력 받은 충전 관련 파라미터를 적용하여 상기 충전 대상 차량의 제1 충전 예상 시간을 도출하고 전송할 수 있다.
본 발명의 일 실시형태에 있어서, 상기 연산하는 단계는, 상기 컨트롤러가, 상기 배터리의 충전이 종료된 후 실제 충전에 소요된 시간과 상기 제1 충전 예상 시간 및 제2 충전 예상 시간을 비교한 결과에 기반하여, 상기 가중치를 재설정할 수 있다.
상기 빅데이터를 이용한 배터리 충전 시간 예측 시스템에 따르면, 빅데이터 서버가 실제 차량의 충전 시 차량으로부터 충전 관련 파라미터를 제공 받고, 다수의 차량으로부터 제공 받은 누적된 충전 관련 파라미터를 분석/통계 처리하여 해당 차량의 충전 예상 시간을 통계적으로 예측하며, 차량 내 컨트롤러가 계산한 충전 예상 시간과 빅데이터 서버가 예측한 충전 예상 시간을 상호 비교하여 두 값 사이의 오차를 감소시킬 수 있다.
따라서, 상기 빅데이터를 이용한 배터리 충전 시간 예측 시스템에 따르면, 충전 시 충전 예상 시간을 도출하기 위해 차량이 제공하는 충전 관련 파라미터가 빅데이터 서버에 누적되고 실제 충전 소요 시간과 연산된 충전 예상 시간 과의 오차에 대한 정보가 누적될수록 충전 예상 시간의 예측 정확도가 높아질 수 있다.
또한, 상기 빅데이터를 이용한 배터리 충전 시간 예측 시스템에 따르면, 빅데이터 서버에 의한 충전 예상 시간 연산은 배터리 노화 뿐만 아니라 지역별 충전기의 노화 수준까지 반영 가능하므로 고객의 충전 패턴 및 거주 지역에 맞춰 최적의 충전 예상 시간 도출이 가능해 짐으로써, 차량 운전자에게 더욱 정확한 충전 예상 시간 제공이 가능해지고 차량의 상품성이 향상될 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시형태에 따른 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템을 도시한 구성도이다.
도 2는 본 발명의 일 실시형태에 따른 빅데이터를 이용한 차량 배터리 충전 시간 예측 방법을 도시한 흐름도이다.
도 2는 본 발명의 일 실시형태에 따른 빅데이터를 이용한 차량 배터리 충전 시간 예측 방법을 도시한 흐름도이다.
이하, 첨부의 도면을 참조하여 본 발명의 다양한 실시형태에 따른 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템 및 방법을 상세하게 설명한다.
도 1은 본 발명의 일 실시형태에 따른 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템을 도시한 구성도이다.
도 1을 참조하면, 본 발명의 일 실시형태에 따른 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템은, 차량(10)에서 생성된 차량 내 배터리(12)의 충전 관련 파라미터를 수집하고, 수집된 충전 관련 파라미터를 기반으로 충전 예상 시간 결정을 위한 복수의 그룹을 형성하며, 차량 충전 시 해당 차량이 속하는 그룹을 결정하고 결정된 그룹에 따른 제1 충전 예상 시간을 전송하는 빅데이터 서버(100) 및 복수의 차량(10) 각각에 설치되며, 배터리 충전 시 배터리의 상태에 기반하여 제2 충전 예상 시간을 연산하며, 빅데이터 서버(100)로부터 제공 받은 제1 충전 예상 시간과 연산한 제2 충전 예상 시간을 조합하여 배터리(12)의 최종 충전 예상 시간을 연산하는 컨트롤러(11)를 포함하여 구성될 수 있다.
빅데이터 서버(100)는 차량(10)으로부터 차량 내 배터리를 충전하는 프로세서에 관련된 각종 파라미터를 입력 받고 입력 받은 파라미터를 가공 및 분석한 데이터를 생성하여 저장할 수 있다. 특히, 빅데이터 서버(100)는 배터리(12) 충전 시 차량(10)으로부터 입력 받은 파라미터 또는 차량(10)에서 입력 받은 파라미터를 이용하여 생성한 2차 데이터를 기반으로 배터리 충전 시간에 관련된 추가적 파라미터를 생성하고 저장할 수 있으며, 차량(10)으로부터 입력 받은 파라미터 및 스스로 생성한 파라미터 등을 기준으로 복수의 차량들을 그룹핑 할 수 있다. 그룹핑은 충전 관련 주요 파라미터들을 기준으로 유사한 파라미터 값들을 갖는 차량들을 하나의 그룹으로 구분하여 복수의 그룹을 형성하는 과정이다.
도 1에 도시된 것과 같이, 빅데이터 서버(100)는 각 계층 마다 클라우딩 서버(110, 120, 130)를 갖는 계층 구조의 분산 클라우딩 방식으로 구현될 수 있다.
예를 들어, 복수의 계층 구조의 최하위 계층에 속한 제1 계층 클라우딩 서버(110)는, 차량(10)과 통신하여 차량(10)에서 생성된 데이터를 실시간으로 로깅하며 로깅한 데이터를 필요한 경우 차량(10)으로 제공하거나, 최하위 계층(110)의 상위 계층에 속하는 클라우딩 서버(120, 130)로 제공할 수 있다.
제1 계층 클라우딩 서버(100)는 차량과 통신을 통해 차량에서 생성되는 로(raw) 데이터를 실시간 로깅할 수 있다. 제1 계층 클라우딩 서버(100)는 가능한 짧은 샘플링 레이트(sampling rate)로 데이터 손실 없이 차량 데이터를 로깅하고 저장할 수 있다. 또한, 제1 계층 클라우딩 서버(100)는 통신하는 차량 한대당 로깅하여 저장할 수 있는 데이터의 수에 대한 제한이 설정될 수 있다. 물론, 자원이 허락하는 경우 차량으로부터 로깅한 데이터를 모두 저장할 수도 있으나, 제1 계층 클라우딩 서버(100)는 주로 실시간으로 차량과 통신하여 차량을 제어하므로 자원의 효율적 사용을 위해 차량 당 저장할 수 있는 데이터의 개수를 제한하는 것이 바람직하다.
제1 계층 클라우딩 서버(10)가 로깅하는 로 데이터는 차량의 각종 제어기에서 생성되어 송신한 데이터이다. 특히, 배터리의 충전 시간을 연산하는 본 발명의 일 실시형태에서, 제1 계층 클라우딩 서버(110)는 차량(10)으로부터 각종 충전 관련 파라미터를 직접 입력 받고, 또 다른 배터리 충전에 관련된 인자를 연산하는데 사용될 파라미터를 분류할 수 있다. 차량(10)으로부터 제1 클라우딩 서버(110)로 제공되는 실시간 데이터는 차량에 설치된 배터리(12)의 충전에 관련된 데이터로서, 예를 들어 배터리(12)의 충전 관련 파라미터로는, 차종, 배터리의 수명(SOH: State OF Health), 충전 시작 시의 배터리 온도, 배터리 주변 온도, 충전 전력을 제공하는 외부 충전 설비(20)의 최대 파워, 외부 충전 설비(20)의 설치 지역, 외부 충전 설비(20)의 제작 업체, 충전 시작 시간대, 충전 요구량, 실제 배터리 충전 시 소요된 충전 시간 등이 될 수 있다.
빅데이터 서버(100)는 전술한 것과 같은 충전 관련 파라미터를 복수의 차량으로부터 수집하고, 수집된 파라미터들을 기반으로 유사한 충전 환경이나 패턴을 갖는 차량들을 그룹핑 한 후 각 그룹에 대한 충전 시간 예측 알고리즘이나 충전 시간 예측 테이블을 작성하여 저장할 수 있다. 이러한 그룹핑 결과나 각 그룹에 따른 충전 시간 예측 알고리즘 또는 충전 시간 예측 테이블의 도출은 제2 및 제3 클라우딩 서버(120, 130)와 같이 상위 클라우딩 서버에서 이루어질 수 있다.
추후, 빅데이터 서버(100)는 차량의 충전 시 해당 차량이 속하는 그룹을 찾고 해당 그룹의 충전 시간 예측 알고리즘 또는 충전 시간 예측 테이블에 충전 대상 차량으로부터 제공 받은 충전 관련 파라미터를 적용하여 충전 소요 시간을 예측할 수 있다. 예를 들어, 충전이 개시되면, 차량은 충전 관련 파라미터를 제1 클라우딩 서버(110)으로 전송하고, 제1 클라우딩 서버(110)는 수신한 파라미터를 제2 또는 제3 클라우딩 서버(120, 130)으로 제공하며, 제2 또는 제3 클라우딩 서버(120, 130)는 입력 받은 충전 관련 파라미터를 저장하고 있는 충전 예상 시간 도출을 위한 알고리즘이나 테이블에 적용하여 충전 예상 시간(이하, 빅데이터 서버에서 연산한 충전 예상 시간을 '제1 충전 예상 시간'이라 함)을 연산한 후 차량(10)의 컨트롤러(11)로 전송할 수 있다.
도 1은 총 세 개의 계층으로 구현된 실시형태를 예시적으로 설명하기 위한 것으로, 계층의 수는 필요에 따라 적절하게 조정될 수 있다.
차량(10)에 설치되는 컨트롤러(11)는 차량이 충전 설비(20)와 전기적으로 연결되어 충전이 개시되는 경우, 배터리 충전 관련 데이터를 파악하고 이를 빅데이터 서버(100)로 제공할 수 있다. 또한, 컨트롤러(11)는 사전 내장한 충전 예상 시간 연산을 위한 알고리즘을 이용하여 배터리(12)의 충전 예상 시간(이하, 차량(10)의 컨트롤러(11)에서 연산한 충전 예상 시간을 '제2 충전 예상 시간'이라 함)을 연산할 수 있다. 배터리의 충전 예상 시간을 연산하는 알고리즘은 당 기술 분야에 공지된 다양한 알고리즘을 적용할 수 있다.
컨트롤러(11)는, 충전 시 전송한 충전 관련 파라미터를 수신한 빅데이터 서버(100)가 차량이 속하는 그룹에 대해 저장하고 있던 알고리즘이나 테이블을 기반으로 연산한 제1 충전 예상 시간과 직접 연산한 제2 충전 예상 시간을 조합하여 최종 충전 예상 시간을 연산할 수 있다.
컨트롤러(11)는 제1 충전 예산 시간과 제2 충전 예상 시간에 각각 사전 설정된 가중치를 적용하는 방식으로 최종 충전 예상 시간을 연산할 수 있다.
컨트롤러(11)는 충전이 완료되면 실제 소요된 충전 시간과 충전 개시 때 연산한 최종 충전 예상 시간을 비교하고 그 오차에 기반하여 최종 충전 예상 시간 연산에 사용되는 가중치를 조정할 수 있다.
도 2는 본 발명의 일 실시형태에 따른 빅데이터를 이용한 차량 배터리 충전 시간 예측 방법을 도시한 흐름도이다. 본 발명의 일 실시형태에 따른 빅데이터를 이용한 차량 배터리 충전 시간 예측 방법에 대한 설명을 통해 전술한 것과 같은 구성을 갖는 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템의 동작 및 작용 효과가 더욱 명확하게 이해될 수 있을 것이다.
도 2를 참조하면, 차량(10)과 충전 전력을 제공하는 외부 충전 설비(20)가 전기적으로 연결된 후 충전이 개시되면, 컨트롤러(11)는 현 상태의 충전 관련 파라미터를 빅데이터 서버(100)로 전송할 수 있다(S10).
빅데이터 서버(100)는 사전에 충전 관련 파라미터를 다수의 차량으로부터 미리 수집하고, 이 충전 관련 파라미터에 기반하여 유사한 충전 환경 또는 유사한 충전 패턴을 갖는 차량들을 하나의 그룹으로 그룹핑 해 둘 수 있다(S110). 빅데이터 서버(100)는 차량이 충전 시 전송하는 충전 관련 데이터를 누적 저장하고 저장된 충전 관련 데이터에 기반하여 복수의 차량들을 하나의 그룹으로 그룹핑 해 둘 수 있다. 예를 들어, 그룹핑이 차량 충전 관련 데이터 중 충전소 위치 및 차량 배터리의 수명을 기준으로 이루어진다고 하면, 유사한 충전소를 주로 사용하는 차량 중 유사한 수준의 배터리 수명을 갖는 차량을 하나의 그룹으로 그룹핑 할 수 있다.
또한, 빅데이터 서버(100)는 그룹핑 하는 과정(S110)에서 해당 그룹에 대한 충전 예상 시간을 연산할 수 있는 연산 알고리즘 또는 테이블을 도출하여 저장해 둘 수 있다. 이 때, 빅데이터 서버(100)는 통계적인 방식을 사용할 수 있다. 예를 들어, 빅데이터 서버(100)가 충전소 위치 및 차량 배터리의 수명 기준으로 그룹핑을 한 경우, 해당 그룹의 충전소 위치를 사용하는 해당 배터리 수명을 갖는 차량의 충전 개시 시점의 SOC 및 배터리 온도에 따른 평균 충전 시간 등을 이용하여 제1 충전 예상 시간을 도출할 수 있다. 빅데이터 서버(100)는 충전 예상 시간 연산을 위해 해당 그룹의 충전소 위치를 사용하는 해당 배터리 수명을 갖는 차량의 충전 개시 시점의 SOC 및 배터리 온도에 따른 평균 충전 시간을 도출할 수 있는 알고리즘이나 테이블을 미리 저장할 수 있다.
단계(S10)에서 충전이 개시된 차량(10)의 컨트롤러(11)로부터 현재 충전이 개시되는 시점에서 충전 관련 파라미터를 수신하면, 빅데이터 서버(100)는 해당 차량이 속하는 그룹에 대해 사전 저장해둔 알고리즘이나 테이블에 수신한 충전 관련 데이터를 적용하여 제1 충전 예상 시간을 도출하고 이를 차량(10)의 컨트롤러(11)로 전송할 수 있다(S120).
한편, 차량(10)의 컨트롤러(11)는 충전 개시 시점에서의 충전 관련 파라미터를 기반으로 사전 설정된 알고리즘 등을 적용하여 제2 충전 예상 시간을 연산할 수 있다(S11). 차량 내 컨트롤러(11)가 배터리 충전 시 배터리(12)의 충전 관련 파라미터(예를 들어, 배터리 온도, 배터리 SOC, 충전 설비로부터 제공되는 충전 전력 등)를 기반으로 배터리의 충전 예상 시간을 연산하는 알고리즘은 당 기술 분야에 공지된 다양한 알고리즘을 적용할 수 있다.
이어, 컨트롤러(11)는 연산한 제2 충전 예상 시간과 빅데이터 서버(100)로부터 수신한 제1 충전 예상 시간을 서로 조합하여 최종적인 충전 예상 시간을 연산할 수 있다(S13).
예를 들어, 컨트롤러(11)는 제1 충전 예상 시간과 제2 충전 예상 시간에 각각 가중치를 곱한 후 서로 합산하는 방식으로 최종 충전 예상 시간을 다음 식과 같이 연산할 수 있다.
[식]
여기서, TEST_FINAL은 최종 충전 예상 시간이고, TEST_1은 제1 충전 예상 시간이며, TEST_2는 제2 충전 시간이고, α는 0 이상 1 이하인 가중치이다.
이어, 컨트롤러(11)는 배터리(12)의 충전이 완료되면, 실제 충전 소요 시간과 충전 개시 때 수신하고 연산한 제1 충전 예상 시간 및 제2 충전 예상 시간을 비교하고(S15), 가중치의 크기를 변경할 수 있다(S16). 예를 들어, 전술한 식과 같이 최종 예상 시간이 결정된 예에서, 실제 충전 소요 시간이 제1 충전 예상 시간 보다 제2 충전 예상 시간에 더 가까운 값인 경우 가중치 α를 감소시킬 수 있으며, 실제 충전 소요 시간이 제2 충전 예상 시간 보다 제1 충전 예상 시간에 더 가까운 값인 경우 가중치 α를 증가시킬 수 있다. 이와 같이, 변경된 가중치는 다음 충전 시 충전 예상 시간을 연산하는데 적용될 수 있다.
이상에서 설명한 바와 같이, 본 발명의 여러 실시형태에 따른 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템 및 방법은, 빅데이터 서버가 실제 차량의 충전 시 차량으로부터 충전 관련 파라미터를 제공 받고, 다수의 차량으로부터 제공 받은 누적된 충전 관련 파라미터를 분석/통계 처리하여 해당 차량의 충전 예상 시간을 통계적으로 예측하며, 차량 내 컨트롤러가 계산한 충전 예상 시간과 빅데이터 서버가 예측한 충전 예상 시간을 상호 비교하여 두 값 사이의 오차를 감소시킬 수 있다.
따라서, 충전 시 충전 예상 시간을 도출하기 위해 차량이 제공하는 충전 관련 파라미터가 빅데이터 서버에 누적되고 실제 충전 소요 시간과 연산된 충전 예상 시간 과의 오차에 대한 정보가 누적될수록 충전 예상 시간의 예측 정확도가 높아질 수 있다. 빅데이터 서버에 의한 충전 예상 시간 연산은 배터리 노화뿐만 아니라 지역별 충전기의 노화 수준까지 반영 가능하므로 고객의 충전 패턴 및 거주 지역에 맞춰 최적의 충전 예상 시간 도출이 가능해 진다.
이상에서 본 발명의 특정한 실시형태에 관련하여 도시하고 설명하였지만, 청구범위의 한도 내에서, 본 발명이 다양하게 개량 및 변화될 수 있다는 것은 당 기술분야에서 통상의 지식을 가진 자에게 있어서 자명할 것이다.
10: 차량
11: 컨트롤러(BMS)
12: 배터리 20: 외부 충전 설비
100: 빅데이터 서버 110: 제1 계층 클라우딩 서버
120: 제2 계층 클라우딩 서버 130: 제3 계층 클라우딩 서버
12: 배터리 20: 외부 충전 설비
100: 빅데이터 서버 110: 제1 계층 클라우딩 서버
120: 제2 계층 클라우딩 서버 130: 제3 계층 클라우딩 서버
Claims (10)
- 복수의 차량으로부터 차량 내 배터리의 충전 관련 파라미터를 수집하고, 수집된 상기 충전 관련 파라미터를 기반으로 상기 복수의 차량을 복수의 그룹으로 그룹핑 하며, 차량 충전 시 충전 대상 차량이 속한 그룹에 대한 제1 충전 예상 시간을 연산하여 전송하는 빅데이터 서버; 및
상기 복수의 차량에 각각 설치되며, 해당 차량 내 배터리 충전 시 상기 배터리의 상태에 기반하여 제2 충전 예상 시간을 연산하고, 상기 제1 충전 예상 시간과 상기 제2 충전 예상 시간을 조합하여 상기 배터리의 최종 충전 예상 시간을 연산하는 컨트롤러;
를 포함하는 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템. - 청구항 1에 있어서, 상기 빅데이터 서버는,
수집한 상기 충전 관련 데이터를 기반으로 유사한 충전 환경 또는 충전 패턴을 갖는 차량들을 일 그룹으로 그룹핑 하는 것을 특징으로 하는 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템. - 청구항 1에 있어서, 상기 빅데이터 서버는,
상기 복수의 그룹 각각에 대해 상기 충전 관련 파라미터에 따른 충전 예상 시간 도출을 위한 알고리즘 또는 테이블을 저장하고, 차량 충전 시 충전 대상 차량으로부터 상기 충전 관련 파라미터를 입력 받아 충전 대상 차량이 속하는 그룹의 알고리즘 또는 테이블에 입력 받은 충전 관련 파라미터를 적용하여 상기 충전 대상 차량의 제1 충전 예상 시간을 도출하고 전송하는 것을 특징으로 하는 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템. - 청구항 1에 있어서, 상기 컨트롤러는,
해당 차량 내 배터리 충전 시, 상기 빅데이터 서버로 충전 개시 시점의 충전 관련 데이터를 전송하고, 전송된 충전 관련 데이터를 기반으로 상기 빅데이터 서버가 도출한 상기 제1 충전 예상 시간과 상기 제2 충전 예상 시간을 조합하여 상기 배터리의 최종 충전 예상 시간을 연산하는 것을 특징으로 하는 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템. - 청구항 1에 있어서, 상기 컨트롤러는,
상기 배터리의 충전이 종료된 후 실제 충전에 소요된 시간과 상기 제1 충전 예상 시간 및 제2 충전 예상 시간을 비교한 결과에 따라, 상기 가중치를 재설정하는 것을 특징으로 하는 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템. - 빅데이터 서버가 복수의 차량으로부터 차량 내 배터리의 충전 관련 파라미터를 수집하는 단계;
상기 빅데이터 서버가 수집된 상기 충전 관련 파라미터를 기반으로 상기 복수의 차량을 복수의 그룹으로 그룹핑 하는 단계;
충전 대상 차량 내 컨트롤러가 차량 내 배터리 충전 시 상기 빅데이터 서버로 충전 개시 시점의 충전 관련 데이터를 전송하는 단계;
상기 빅데이터 서버가 상기 충전 개시 시점의 충전 관련 데이터를 기반으로 상기 충전 대상 차량이 속한 그룹에 대한 제1 충전 예상 시간을 연산하여 전송하는 단계; 및
상기 컨트롤러가, 상기 배터리의 상태에 기반하여 제2 충전 예상 시간을 연산하고, 상기 빅데이터 서버로부터 수신한 제1 충전 예상 시간과 상기 제2 충전 예상 시간을 조합하여 상기 배터리의 최종 충전 예상 시간을 연산하는 단계;
를 포함하는 빅데이터를 이용한 배터리 충전 시간 예측 방법. - 청구항 6에 있어서, 상기 그룹핑 하는 단계는,
상기 빅데이터 서버가, 수집한 상기 충전 관련 데이터를 기반으로 유사한 충전 환경 또는 충전 패턴을 갖는 차량들을 일 그룹으로 그룹핑 하는 것을 특징으로 하는 빅데이터를 이용한 차량 배터리 충전 시간 예측 방법. - 청구항 6에 있어서,
상기 그룹핑 하는 단계에서, 상기 빅데이터 서버는, 상기 복수의 그룹 각각에 대해 상기 충전 관련 파라미터에 따른 충전 예상 시간 도출을 위한 알고리즘 또는 테이블을 저장하는 것을 특징으로 하는 빅데이터를 이용한 차량 배터리 충전 시간 예측 방법. - 청구항 8에 있어서, 상기 전송하는 단계는,
상기 빅데이터 서버가 상기 충전 대상 차량으로부터 상기 충전 관련 파라미터를 입력 받아 충전 대상 차량이 속하는 그룹의 알고리즘 또는 테이블에 입력 받은 충전 관련 파라미터를 적용하여 상기 충전 대상 차량의 제1 충전 예상 시간을 도출하고 전송하는 것을 특징으로 하는 빅데이터를 이용한 차량 배터리 충전 시간 예측 방법. - 청구항 6에 있어서, 상기 연산하는 단계는,
상기 컨트롤러가, 상기 배터리의 충전이 종료된 후 실제 충전에 소요된 시간과 상기 제1 충전 예상 시간 및 제2 충전 예상 시간을 비교한 결과에 기반하여, 상기 가중치를 재설정하는 것을 특징으로 하는 빅데이터를 이용한 차량 배터리 충전 시간 예측 방법.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200047968A KR20210129893A (ko) | 2020-04-21 | 2020-04-21 | 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템 및 방법 |
US17/011,521 US11953860B2 (en) | 2020-04-21 | 2020-09-03 | System and method of estimating vehicle battery charging time using big data |
CN202011032975.4A CN113525147A (zh) | 2020-04-21 | 2020-09-27 | 使用大数据估计车辆电池充电时间的系统和方法 |
DE102020125401.6A DE102020125401A1 (de) | 2020-04-21 | 2020-09-29 | System und verfahren des ermittelns einer fahrzeugbatterieladezeit unter verwendung von massendaten |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200047968A KR20210129893A (ko) | 2020-04-21 | 2020-04-21 | 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20210129893A true KR20210129893A (ko) | 2021-10-29 |
Family
ID=77919525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200047968A KR20210129893A (ko) | 2020-04-21 | 2020-04-21 | 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템 및 방법 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11953860B2 (ko) |
KR (1) | KR20210129893A (ko) |
CN (1) | CN113525147A (ko) |
DE (1) | DE102020125401A1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115571016B (zh) * | 2022-11-17 | 2023-03-03 | 小米汽车科技有限公司 | 充电桩控制方法、装置、存储介质及充电桩 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140048613A (ko) | 2012-10-16 | 2014-04-24 | 현대자동차주식회사 | 차량의 고전압배터리 충전시간 추정방법 |
KR20170010968A (ko) | 2015-07-20 | 2017-02-02 | 현대자동차주식회사 | 차량의 배터리 충전 시간 계산 방법 |
KR20170068714A (ko) | 2015-12-09 | 2017-06-20 | 현대자동차주식회사 | 친환경 차량의 충전 시간 예측 방법 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6850898B1 (en) * | 1999-07-07 | 2005-02-01 | The Regents Of The University Of California | Vehicle sharing system and method for allocating vehicles based on state of charge |
JP4587975B2 (ja) | 2006-02-21 | 2010-11-24 | 富士通テン株式会社 | バッテリ情報管理システム、車両用電子制御装置及び車両用電子制御装置のプログラム修正方法 |
JP2012135148A (ja) | 2010-12-22 | 2012-07-12 | Toyota Motor Corp | 充電装置 |
US20120280653A1 (en) * | 2011-05-03 | 2012-11-08 | Green Charge Networks | Electric Vehicle Fleet Management Charging Station Systems and Methods |
JP6035341B2 (ja) * | 2011-09-29 | 2016-11-30 | エヌイーシー ヨーロッパ リミテッドNec Europe Ltd. | 電気自動車を充電する方法およびシステム |
US10017068B2 (en) * | 2014-06-19 | 2018-07-10 | Proterra Inc. | Charging of a fleet of electric vehicles |
DE102016212135A1 (de) * | 2016-07-04 | 2018-02-15 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Steuerung des elektrischen Ladens einer Gruppe von Fahrzeugen |
DE102016215328A1 (de) * | 2016-08-17 | 2018-02-22 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Steuerung des elektrischen Ladens einer Gruppe von Fahrzeugen |
JP2019021003A (ja) | 2017-07-14 | 2019-02-07 | 株式会社堀場製作所 | 走行管理システム、車載装置、サーバ装置、走行管理システム用プログラムおよび走行管理方法 |
US10507730B2 (en) * | 2017-10-19 | 2019-12-17 | Ford Global Technologies, Llc | Electric vehicle cloud-based charge estimation |
KR20210077065A (ko) * | 2019-12-16 | 2021-06-25 | 현대자동차주식회사 | 차량용 pra 열화 제어 시스템 및 그의 pra 열화 제어 방법 |
US11571983B2 (en) * | 2020-03-17 | 2023-02-07 | Toyota Motor North America, Inc. | Distance-based energy transfer from a transport |
US20220114351A1 (en) * | 2020-10-14 | 2022-04-14 | Ncr Corporation | System and method for detecting a smart card |
AU2022205919A1 (en) * | 2021-01-05 | 2023-07-20 | Becton, Dickinson And Company | Needle hub and applicator for drug delivery device |
US20230192063A1 (en) * | 2021-12-03 | 2023-06-22 | Sustainable Energy Technologies, Inc. | Integrated power system and method for energy management for electric vehicle |
US11547592B1 (en) * | 2021-12-29 | 2023-01-10 | Steven McGrath | Arm support apparatus |
-
2020
- 2020-04-21 KR KR1020200047968A patent/KR20210129893A/ko unknown
- 2020-09-03 US US17/011,521 patent/US11953860B2/en active Active
- 2020-09-27 CN CN202011032975.4A patent/CN113525147A/zh active Pending
- 2020-09-29 DE DE102020125401.6A patent/DE102020125401A1/de active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140048613A (ko) | 2012-10-16 | 2014-04-24 | 현대자동차주식회사 | 차량의 고전압배터리 충전시간 추정방법 |
KR20170010968A (ko) | 2015-07-20 | 2017-02-02 | 현대자동차주식회사 | 차량의 배터리 충전 시간 계산 방법 |
KR20170068714A (ko) | 2015-12-09 | 2017-06-20 | 현대자동차주식회사 | 친환경 차량의 충전 시간 예측 방법 |
Also Published As
Publication number | Publication date |
---|---|
US20210325833A1 (en) | 2021-10-21 |
DE102020125401A1 (de) | 2021-10-21 |
CN113525147A (zh) | 2021-10-22 |
US11953860B2 (en) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3916884B1 (en) | Secondary battery module remaining life diagnosis method and remaining life diagnosis system | |
CN105277893B (zh) | 实时电池估计 | |
CN110549876B (zh) | 一种能量输出控制方法、装置和氢燃料混合动力汽车 | |
JP6635743B2 (ja) | 蓄電池保全装置、及び、蓄電池保全方法 | |
EP2359128B1 (en) | Battery state-of-charge calibration | |
CN113015918B (zh) | 用于确定二次电池的健康状态的方法和电池管理系统 | |
US20200309858A1 (en) | Lifetime prediction device, lifetime prediction method, and storage medium | |
CA3015276A1 (en) | Online battery capacity estimation utilizing passive balancing | |
CN115038611A (zh) | 基于rc模型的电池功率限制估计 | |
US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
WO2014080595A1 (ja) | 電池管理装置および電源装置 | |
CN116882981A (zh) | 基于数据分析的智能电池管理系统 | |
KR20210129893A (ko) | 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템 및 방법 | |
KR20220085395A (ko) | 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템 및 방법 | |
US20240003981A1 (en) | Method for estimating a power or current limit for an electrical energy storage system | |
US20230231396A1 (en) | Method and apparatus for executing a charging operation of a device battery | |
KR20210136496A (ko) | 빅데이터를 이용한 배터리 수명 예측 시스템 | |
Heider et al. | A generic EV charging model extracted from real charging behaviour | |
CN114563713A (zh) | 基于不完整充电过程局部能量特征的电池健康预测方法 | |
KR20220049641A (ko) | 배터리 충전 완료 시간 예측 방법 및 이를 이용한 배터리 시스템 | |
US11733313B2 (en) | Method and apparatus for operating a system for providing states of health of electrical energy stores for a multiplicity of devices with the aid of machine learning methods | |
EP4194870A1 (en) | A method and system for determining a remaining useful lifetime of a battery | |
CN116400220A (zh) | 提供健康状态模型以借助神经微分方程来确定电蓄能器的当前或预测健康状态的方法和装置 | |
Savio et al. | IoT based Electric Vehicle Battery Parameters Monitoring for Battery Swapping | |
KR20220169433A (ko) | 이차전지 저전압 불량 예측 장치 및 방법, 상기 장치를 포함하는 전지 제어 시스템 |