KR20210136496A - 빅데이터를 이용한 배터리 수명 예측 시스템 - Google Patents

빅데이터를 이용한 배터리 수명 예측 시스템 Download PDF

Info

Publication number
KR20210136496A
KR20210136496A KR1020200054826A KR20200054826A KR20210136496A KR 20210136496 A KR20210136496 A KR 20210136496A KR 1020200054826 A KR1020200054826 A KR 1020200054826A KR 20200054826 A KR20200054826 A KR 20200054826A KR 20210136496 A KR20210136496 A KR 20210136496A
Authority
KR
South Korea
Prior art keywords
battery life
vehicle
battery
big data
data
Prior art date
Application number
KR1020200054826A
Other languages
English (en)
Inventor
박현수
Original Assignee
현대자동차주식회사
기아 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 현대자동차주식회사, 기아 주식회사 filed Critical 현대자동차주식회사
Priority to KR1020200054826A priority Critical patent/KR20210136496A/ko
Priority to US17/027,055 priority patent/US20210349156A1/en
Priority to DE102020212732.8A priority patent/DE102020212732A1/de
Priority to CN202011103120.6A priority patent/CN113625171A/zh
Publication of KR20210136496A publication Critical patent/KR20210136496A/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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/70—Interactions with external data bases, e.g. traffic centres
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45562—Creating, deleting, cloning virtual machine instances
    • 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
    • Y02T10/72—Electric energy management in electromobility
    • 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

차량에서 생성된 차량 주행 관련 데이터 및 배터리 수명 연산 결과를 입력 받고, 입력 받은 상기 차량 주행 관련 데이터를 가공하여 상기 차량에 설치된 배터리의 수명(SOH: State Of Health)에 관련된 인자를 생성하고 저장하는 빅데이터 서버; 및 상기 빅데이터 서버에 저장된 인자를 참조하여 상기 배터리의 수명을 연산하는, 상기 차량에 설치된 컨트롤러를 포함하는 빅데이터를 이용한 배터리 수명 예측 시스템이 개시된다.

Description

빅데이터를 이용한 배터리 수명 예측 시스템{SYSTEM FOR ESTIMATING STATE OF HEALTH OF BATTERY USING BIG DATA}
본 발명은 빅데이터를 이용한 배터리 수명 예측 시스템에 관한 것으로, 더욱 상세하게는 빅데이터 서버를 통해 구축된 빅데이터를 이용하여 차량의 특정 상태나 조건과 무관하게 차량 배터리의 수명(State OF Health: SOH)를 예측할 수 있는 빅데이터를 이용한 차량 수명 예측 시스템에 관한 것이다.
일반적으로, 환경차의 구동 모터에 제공되는 전기 에너지를 저장하는 고전압 배터리는 시간이 갈수록 열화되어 그 SOH가 감소하게 된다. 특히, 배터리는 차량의 주행 환경이나 운전자의 주행 특성에 따라 SOH가 감소하는 정도에 차이를 갖는다.
이러한 배터리의 SOH를 예측하기 위해, 종래에는 차량이 특정 모드에 진입하는 경우에만 SOH를 예측하는 연산을 수행하였다. 예를 들어, 차량의 배터리를 완속 충전하는 모드에서만 SOH 예측 연산이 이루어졌다. 또한, 차량의 모드가 충족되는 경우에도, 배터리 전압 거동에 따른 SOH 연산 진입 조건/판단 조건 등이 다양한 조건이 충족되는 경우에만 SOH를 예측하는 연산이 가능하였다.
이러한 종래의 SOH 예측 기법의 한계로 인해, 양산 이후에도 위의 모드나 조건 등이 만족되는 상황이 발생하지 않아 SOH의 계산이 이루어지지 않는 차량이 존재하기도 한다.
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.
KR 10-2015-0042566 A KR 10-2019-0122298 A
이에 본 발명은, 빅데이터 서버를 통해 구축된 빅데이터를 이용하여 차량의 특정 상태나 조건과 무관하게 차량 배터리의 수명(SOH)을 예측할 수 있는 빅데이터를 이용한 배터리 수명 예측 시스템을 제공하는 것을 해결하고자 하는 기술적 과제로 한다.
상기 기술적 과제를 해결하기 위한 수단으로서 본 발명은,
차량에서 생성된 차량 주행 관련 데이터 및 배터리 수명 연산 결과를 입력 받고, 입력 받은 상기 차량 주행 관련 데이터를 가공하여 상기 차량에 설치된 배터리의 수명(SOH: State Of Health)에 관련된 인자를 생성하고 저장하는 빅데이터 서버; 및
상기 빅데이터 서버에 저장된 인자를 참조하여 상기 배터리의 수명을 연산하는, 상기 차량에 설치된 컨트롤러;
를 포함하는 빅데이터를 이용한 배터리 수명 예측 시스템을 제공한다.
본 발명의 일 실시형태에서, 상기 빅데이터 서버는, 상기 인자를 기준으로 유사도를 갖는 차량들을 그룹핑하고, 그룹핑된 그룹별로 배터리 수명 정보를 생성할 수 있다.
본 발명의 일 실시형태에서, 상기 빅데이터 서버는, 복수의 계층을 갖는 클라우딩 서버를 포함하며, 상기 차량으로부터 상기 차량 주행 관련 데이터를 직접 입력 받고 배터리 수명에 관련된 인자의 연산에 사용되는 데이터를 분류하는 하위 계층 클라우딩 서버와, 상기 하위 계층 클라우딩 서버에서 분류된 데이터를 입력 받아 가공하여 상기 배터리 수명 관련 인자를 생성하며 생성된 상기 배터리 수명 관련 인자를 기준으로 유사도를 갖는 차량들을 서로 그룹핑하는 상위 계층 클라우딩 서버를 포함할 수 있다.
본 발명의 일 실시형태에서, 상기 컨트롤러는, 상기 차량의 상태가 사전 설정된 배터리 수명 연산 조건을 충족하는 경우, 사전 설정된 배터리 수명 연산 알고리즘을 사용하여 상기 배터리의 수명을 연산하고, 연산된 배터리의 수명이 해당 차량이 속한 그룹의 배터리 수명 정보를 기반으로 상기 연산된 배터리의 수명의 적합성을 판단할 수 있다.
본 발명의 일 실시형태에서, 상기 컨트롤러는, 상기 연산된 배터리의 수명이 해당 차량이 속한 그룹의 배터리 수명 최대값 및 배터리 수명 최소값 사이의 값인 경우, 상기 연산된 배터리의 수명을 최종적으로 상기 배터리의 수명으로 확정할 수 있다.
본 발명의 일 실시형태에서, 상기 컨트롤러는, 상기 차량의 상태가 사전 설정된 배터리 수명 연산 조건을 충족하지 않는 경우, 이전 연산된 배터리 수명과 해당 차량이 속한 그룹의 배터리 수명 정보를 조합하여 상기 배터리의 수명을 연산할 수 있다.
본 발명의 일 실시형태에서, 상기 컨트롤러는, 상기 차량의 상태가 사전 설정된 배터리 수명 연산 조건을 충족하지 않는 경우, 이전 연산된 배터리 수명과 해당 차량이 속한 그룹의 배터리 수명 대표값에 각각 가중치를 부여하고 상호 조합함으로써 배터리의 수명을 연산할 수 있다.
상기 빅데이터를 이용한 배터리 수명 예측 시스템에 따르면, 사전 설정된 배터리 수명 연산 조건의 진입 여부와 무관하게 원하는 시점에 차량 내 배터리의 수명(SOH)을 측정할 수 있다.
또한, 상기 빅데이터를 이용한 배터리 수명 예측 시스템에 따르면, 유사한 배터리 관련 정보를 갖는 그룹에 속하는 차량들로부터 획득한 많은 데이터를 통해 도출한 배터리 수명 관련 정보들을 활용함으로써 배터리 수명 예측의 신뢰도를 향상시킬 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 배터리 수명 예측 시스템을 도시한 구성도이다.
도 2는 본 발명의 일 실시형태에 따른 빅데이터를 이용한 배터리 수명 예측 시스템을 도시한 흐름도이다.
이하, 첨부의 도면을 참조하여 본 발명의 다양한 실시형태에 따른 빅데이터를 이용한 배터리 수명 예측 시스템을 상세하게 설명한다.
도 1은 본 발명의 일 실시형태에 따른 빅데이터를 이용한 배터리 수명 예측 시스템을 도시한 구성도이다.
도 1을 참조하면, 본 발명의 일 실시형태에 따른 빅데이터를 이용한 배터리 수명 예측 시스템은, 차량(10)에서 생성된 차량 주행 관련 데이터를 입력 받고, 입력 받은 차량 주행 관련 데이터를 가공하여 차량(10)에 설치된 배터리의 수명(SOH: State Of Health)에 관련된 인자를 생성하고 저장하는 빅데이터 서버(10) 및 빅데이터 서버(10)에 저장된 인자를 참조하여 배터리의 수명을 연산하는, 차량(10)에 설치된 컨트롤러(11)를 포함하여 구성될 수 있다.
빅데이터 서버(100)는 차량(10)으로부터 차량의 운행 중 발생하는 각종 데이터를 입력 받고 입력 받은 데이터를 가공하고 분석한 데이터를 생성하여 저장할 수 있다. 특히, 빅데이터 서버(100)는 차량에서 입력 받은 데이터 또는 차량에서 입력 받은 데이터를 이용하여 생성한 2차 데이터를 기반으로 배터리 수명(SOH) 관련 인자를 생성하고 저장할 수 있다.
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 데이터로서, 예를 들어 차량(10)의 배터리 온도, 전압, SOC, 모터의 rpm, 전압, 온도, 차속, 외기온, 엔진 rpm 등이 될 수 있다.
특히, 배터리의 수명(SOH)를 연산하는 본 발명의 일 실시형태에서, 제1 계층 클라우딩 서버(110)는 차량(10)으로부터 각종 주행 관련 데이터를 직접 입력 받고, 배터리(10) 수명(SOH)에 관련된 인자를 연산하는데 사용될 수 있는 데이터를 분류할 수 있다. 차량(10)으로부터 제1 클라우딩 서버(110)로 제공되는 실시간 데이터는 차량에 설치된 배터리(12)에 관련된 데이터로서, 예를 들어 배터리(12)의 충방전 상태, 배터리(12)의 실시간 전류, 배터리(12)의 실시간 전압, 배터리(12)의 실시간 충전 상태(SOC), 현재 주행 거리, 차속, 컨트롤러(11)에 의해 연산된 배터리(12)의 순시 파워, 컨트롤러(11)에 의해 연산된 배터리(12)의 수명(SOH) 등이 될 수 있다.
제1 계층 클라우딩 서버(110) 보다 상위 계층에 속하는 클라우딩 서버(120, 130)는 그 제1 계층 클라우딩 서버(110)에서 제공하는 데이터를 가공하여 저장하고 차량(10)과 통신하여 가공한 데이터를 차량(10)으로 전송할 수 있다. 도 1은 총 세 개의 계층으로 구현된 실시형태를 예시적으로 설명하기 위한 것으로, 계층의 수는 필요에 따라 적절하게 조정될 수 있다.
예를 들어, 제2 계층 클라우딩 서버(120)는 제1 계층 클라우딩 서버(110)가 로깅한 로 데이터를 1차 가공하여 평균, 최대/최소, RMS, 표준편차 등의 항목을 연산하고 저장할 수 있다. 가공된 데이터는 사전에 설정된 데이터 세트의 형태로 저장 관리될 수 있다. 특히, 제2 계층 클라우딩 서버(120)에 저장되는 데이터는 로 데이터가 아닌 정해진 형식의 가공 데이터 형태로 저장되며 해당 데이터의 날짜나 주행시간 및 차량 식별자 등과 함께 저장될 수 있다.
제1 계층 클라우딩 서버(110)는 수집한 로 데이터를 즉시 저장하는데 반해, 제2 계층 클라우딩 서버(120)는 제1 계층 클라우딩 서버(110)에서 수집된 데이터를 가공하는 것으로 반드시 실시간으로 로 데이터를 가공하여 저장할 필요는 없으며, 데이터 입수 후 데이터 가공 저장까지 어느 정도의 지연 시간이 허용될 수 있다.
특히, 배터리의 수명을 연산하는 본 발명의 여러 실시형태에서, 제2 클라우딩 서버(120)에서 가공 연산하는 데이터는 배터리 수명과 관련된 인자들일 수 있다. 배터리 수명과 관련된 인자는, 배터리(12)의 누적 충전량, 누적 방전량, 급속/완속 충전 횟수, 배터리(12)의 평균 온도, 배터리(12)의 최대 온도, 배터리(12)의 전류 사용량, 배터리(12)의 내부 저항, 배터리(12)의 충전 시간, 차량의 주행 거리 등이 될 수 있다.
차량(10)은 필요시 제2 계층 클라우딩 서버(120)로 가공된 데이터를 요청하고 수신할 수 있다.
또한, 제3 계층 클라우딩 서버(130)는 상기 제2 계층 클라우딩 서버(120)에서 가공한 데이터, 즉 배터리 수명 관련 인자를 다시 2차 가공할 수 있다. 제3 계층 클라우딩 서버(130)는 제2 계층 클라우딩 서버(120)의 데이터 가공에 소요되는 연산보다 더 고성능의 연산 능력이 요구되는 데이터 가공을 수행할 수 있다.
제3 계층 클라우딩 서버(130)는 제2 계층 클라우딩 서버(120)에서 제공된 배터리 수명 관련 인자를 기준으로 각 차량들을 그룹핑할 수 있다. 즉, 제3 계층 클라우딩 서버(130)는 배터리 수명 관련 인자의 유사도를 기반으로 차량들을 그룹핑할 수 있다. 예를 들어, 제3 계층 클라우딩 서버(130)는 배터리(12)의 누적 충전량, 누적 방전량, 급속/완속 충전 횟수, 배터리(12)의 평균 온도, 배터리(12)의 최대 온도, 배터리(12)의 전류 사용량, 배터리(12)의 내부 저항, 배터리(12)의 충전 시간, 차량의 주행 거리 등이 유사한 차량들을 동일한 그룹으로 그룹핑하고, 그룹에 속한 복수의 차량들에서 연산된 차량 수명에 대한 정보를 연산하여 저장할 수 있다. 각 그룹별로 연산된 배터리 수명에 대한 정보는 그룹에 속한 차량 들의 배터리 수명 최대값, 배터리 수명 최소값 및 배터리 수명 대표값 등이 될 수 있다. 여기에서, 배터리 수명 대표값 그룹에 속한 차량들의 배터리 수명을 단순 평균한 값이거나 대표값을 구하기 위한 공지의 여러 데이터 분석 기법을 이용하여 구한 값일 수 있다.
차량(10)에 설치되는 컨트롤러(11)는 배터리(12)의 수명을 연산하기 위한 조건이 만족하는지 판단하고, 조건이 만족하는 경우 및 조건이 만족하지 않는 경우 각각에 적합한 방식으로 빅데이터 서버(100)에서 제공되는 데이터를 이용하여 배터리(12)의 수명을 연산할 수 있다.
본 발명의 일 실시형태가 실제 차량에서 구현되는 경우, 컨트롤러(11)는 배터리(12)의 수명을 연산하기 위한 다양한 작동을 수행하여야 하는 바 배터리(12)에 관련된 제어를 수행하는 배터리 관리 시스템(BMS)일 수 있으며, 배터리(12)는 차량의 구동륜에 동력을 제공하는 모터(미도시)를 구동하기 위한 파워를 공급하는 고전압 배터리일 수 있다.
이상과 같이 구성되는 본 발명의 여러 실시형태에 따른 빅데이터를 이용한 배터리 수명 예측 시스템의 구체적인 동작에 대해 설명하기로 한다.
도 2는 본 발명의 일 실시형태에 따른 빅데이터를 이용한 배터리 수명 예측 시스템을 도시한 흐름도이다.
도 2에 도시된 것과 같은 동작은 차량(10)의 컨트롤러(11) 및 빅데이터 서버(100)에 의해 수행될 수 있다.
도 2를 참조하면, 차량(10)은 전원이 온 상태인 경우 차량 주행 관련 데이터를 사전 설정된 시간 간격 마다 빅데이터 서버(100)로 제공할 수 있다(S11). 빅데이터 서버(100)는 여러 차량들에서 제공받은 차량 주행 관련 데이터를 가공하여 배터리 수명 관련 인자를 기준으로 각 차량들을 그룹핑할 수 있다(S21). 단계(S21)에서 빅데이터 서버(100)로 데이터를 제공한 차량(10)은 자신이 속하는 그룹이 결정될 수 있다.
이어, 빅데이터 서버(100)는 단계(S21)에서 그룹핑한 그룹 별로 각 그룹에 속하는 차량들의 배터리 수명 관련 정보를 연산할 수 있다(S22). 단계(S22)에서, 빅데이터 서버(100)는 각 그룹별로 그에 속한 차량 들의 배터리 수명 최대값, 배터리 수명 최소값 및 배터리 수명 대표값을 연산할 수 있다.
한편, 차량(10)의 컨트롤러(11)는 자신이 저장한 배터리 수명 연산 알고리즘을 사용하여 배터리 수명을 연산하기 위한 조건이 충족하는지 확인할 수 있다(S12). 이러한 조건 확인 단계(S12)는 차량의 전원이 온 된 상태에서 사전 설정된 시간 간격 마다 이루어지거나 특정 주행 상태(예를 들어, 충전 상태 또는 정차 상태가 일정 시간 이상 지속되는 경우 등)가 될 때 마다 수행될 수 있다. 구체적인 배터리 수명 연산 조건은 차량의 제조사 마다 고유의 기법이 적용될 수 있다.
단계(S12)에서 배터리 수명 연산을 위한 조건이 충족하는 것으로 판단된 경우, 컨트롤러(11)는 사전 저장한 배터리 수명 연산 알고리즘을 이용하여 배터리의 수명(SOH_bms)를 연산할 수 있다. 배터리 수명을 연산하기 위한 알고리즘 역시 당 기술 분야에 공지된 여러 기법 중 하나를 선택적으로 사용할 수 있으며, 각 제조사 마다 달리 설정될 수 있다. 예를 들어, 배터리 충전 시 또는 차량 주행에 의해 배터리 방전 시 이루어지는 배터리 용량의 증감 추이에 기반하여 배터리 수명을 연산하는 알고리즘이 알려져 있다.
이어, 컨트롤러(11)는 배터리의 수명(SOH_bms)의 재연산 회수가 사전 설정된 기준값(N) 보다 작은 경우(S14), 빅데이터 서버(100)로부터 배터리 수명 관련 정보를 제공받아 연산된 배터리의 수명(SOH_bms)과 비교한다(S15). 여기서 빅데이터 서버(100)로부터 제공받는 배터리 수명 관련 정보는 해당 차량이 속한 그룹의 배터리 수명 최대값(SOH_max)과 배터리 수명 최소값(SOH_min)일 수 있다.
단계(S15)에서, 자신이 연산한 배터리 수명(SOH_bms)이 빅데이터 서버(100)로부터 제공받은 배터리 수명 최대값(SOH_max)과 배터리 수명 최소값(SOH_min) 사이의 값인 것으로 판단된 경우, 컨트롤러(11)는 자신이 연산한 배터리 수명(SOH_bms)을 최종적으로 배터리(12)의 수명(SOH_final)으로 결정할 수 있다(S16).
만약, 단계(S15)에서 자신이 연산한 배터리 수명(SOH_bms)이 빅데이터 서버(100)로부터 제공받은 배터리 수명 최대값(SOH_max)과 배터리 수명 최소값(SOH_min) 사이의 값인 아닌 것으로 판단된 경우, 컨트롤러(11)는 자신이 연산한 배터리 수명(SOH_bms)을 저장하고 다시 배터리 수명을 연산하는 과정을 재수행하게 할 수 있다.
단계(S14)에서, 컨트롤러(11)는 단계(S15)에 의한 배터리 수명 연산이 사전 설정된 회수(N) 이상 동일한 값으로 나타나는 경우, 단계(S15)를 거치지 않고 해당 값을 최종적으로 배터리(12)의 수명(SOH_final)으로 결정할 수 있다(S16).
이와 같이, 컨트롤러(11)는 스스로가 연산한 배터리 수명과 차량이 속하는 그룹의 배터리 수명 관련 정보를 비교하여 연산한 배터리 수명의 적합성을 판단한 후, 적합하지 않은 것으로 판단된 경우에는 최종적인 배터리 수명 결정을 유보하고 배터리 수명을 다시 복수회 연산하게 한다. 복수회 연산을 통해서 계속 동일한 값이 도출된다면, 이를 최종적으로 배터리 수명으로 결정하고 결정된 최종 배터리 수명을 빅데이터 서버(100)로 제공할 수 있다.
한편, 단계(S12)에서 배터리 수명 연산 조건이 만족하지 않는 경우에, 컨트롤러(11)는 이전에 연산되어 결정된 배터리 수명(SOH_prev)를 유지하고(S17), 이전 배터리 수명(SOH_prev)과 빅데이터 서버(100)에서 제공된 배터리 수명 대표값(SOH_est)에 각각 가중치(α)를 부여한 후 합산하여 최종적으로 배터리의 수명(SOH_final)을 결정할 수 있다.
여기서 가중치(α)는 0과 1 사이의 값을 가지며 빅데이터 서버(100)가 수집한 데이터의 개수 또는 그룹에 속한 차량의 수 등에 의해 결정될 수 있는 빅데이터 서버(100) 데이터의 신뢰도를 반영하여 적절하게 변경될 수 있다. 예를 들어, 그룹별로 수집된 차량의 수명 데이터가 개수가 매우 적은 경우, 즉 빅데이터 서버(100)에 신뢰할 수 있을 정도로 충분한 데이터가 수집되지 못한 경우, 상기 가중치(α)는 1로 결정되어 될 수 있다. 가중치(α)가 1로 결정되는 경우 단계(S18)에서 연산되는 차량의 수명은, 신뢰도가 낮은 빅데이터 서버(100)에서 제공된 배터리 수명 대표값(SOH_est)을 반영하지 않게 된다. 빅데이터 서버(100)에 충분한 데이터가 수집되고 데이터의 수가 증가하여 그 신뢰도가 높아질수록 가중치(α)의 크기는 점차 작게 설정될 수 있다.
이상에서 설명한 바와 같이, 본 발명의 일 실시형태에 따른 빅데이터를 이용한 배터리 수명 예측 시스템은, 차량의 상태, 즉 사전 설정된 배터리 수명 연산 조건의 진입 여부와 무관하게 원하는 시점에 차량 내 배터리의 수명(SOH)을 연산할 수 있다.
특히, 본 발명의 일 실시형태에 따른 빅데이터를 이용한 배터리 수명 예측 시스템은, 유사한 배터리 관련 정보를 갖는 그룹에 속하는 차량들로부터 획득한 많은 데이터를 통해 도출한 배터리 수명 관련 정보들을 활용함으로써 배터리 수명 예측의 신뢰도를 향상시킬 수 있다.
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 100: 빅데이터 서버
110: 제1 계층 클라우딩 서버 120: 제2 계층 클라우딩 서버
130: 제3 계층 클라우딩 서버

Claims (7)

  1. 차량에서 생성된 차량 주행 관련 데이터 및 배터리 수명 연산 결과를 입력 받고, 입력 받은 상기 차량 주행 관련 데이터를 가공하여 상기 차량에 설치된 배터리의 수명(SOH: State Of Health)에 관련된 인자를 생성하고 저장하는 빅데이터 서버; 및
    상기 빅데이터 서버에 저장된 인자를 참조하여 상기 배터리의 수명을 연산하는, 상기 차량에 설치된 컨트롤러;
    를 포함하는 빅데이터를 이용한 배터리 수명 예측 시스템.
  2. 청구항 1에 있어서, 상기 빅데이터 서버는,
    상기 인자를 기준으로 유사도를 갖는 차량들을 그룹핑하고, 그룹핑된 그룹별로 배터리 수명 정보를 생성하는 것을 특징으로 하는 빅데이터를 이용한 배터리 수명 예측 시스템.
  3. 청구항 2에 있어서, 상기 빅데이터 서버는,
    복수의 계층을 갖는 클라우딩 서버를 포함하며,
    상기 차량으로부터 상기 차량 주행 관련 데이터를 직접 입력 받고 배터리 수명에 관련된 인자의 연산에 사용되는 데이터를 분류하는 하위 계층 클라우딩 서버와, 상기 하위 계층 클라우딩 서버에서 분류된 데이터를 입력 받아 가공하여 상기 배터리 수명 관련 인자를 생성하며 생성된 상기 배터리 수명 관련 인자를 기준으로 유사도를 갖는 차량들을 서로 그룹핑하는 상위 계층 클라우딩 서버를 포함하는 것을 특징으로 하는 빅데이터를 이용한 배터리 수명 예측 시스템.
  4. 청구항 2에 있어서, 상기 컨트롤러는,
    상기 차량의 상태가 사전 설정된 배터리 수명 연산 조건을 충족하는 경우, 사전 설정된 배터리 수명 연산 알고리즘을 사용하여 상기 배터리의 수명을 연산하고, 연산된 배터리의 수명이 해당 차량이 속한 그룹의 배터리 수명 정보를 기반으로 상기 연산된 배터리의 수명의 적합성을 판단하는 것을 특징으로 하는 빅데이터를 이용한 배터리 수명 예측 시스템.
  5. 청구항 4에 있어서, 상기 컨트롤러는,
    상기 연산된 배터리의 수명이 해당 차량이 속한 그룹의 배터리 수명 최대값 및 배터리 수명 최소값 사이의 값인 경우, 상기 연산된 배터리의 수명을 최종적으로 상기 배터리의 수명으로 확정하는 것을 특징으로 하는 빅데이터를 이용한 배터리 수명 예측 시스템.
  6. 청구항 2에 있어서, 상기 컨트롤러는,
    상기 차량의 상태가 사전 설정된 배터리 수명 연산 조건을 충족하지 않는 경우, 이전 연산된 배터리 수명과 해당 차량이 속한 그룹의 배터리 수명 정보를 조합하여 상기 배터리의 수명을 연산하는 것을 특징으로 하는 빅데이터를 이용한 배터리 수명 예측 시스템.
  7. 청구항 6에 있어서, 상기 컨트롤러는,
    상기 차량의 상태가 사전 설정된 배터리 수명 연산 조건을 충족하지 않는 경우, 이전 연산된 배터리 수명과 해당 차량이 속한 그룹의 배터리 수명 대표값에 각각 가중치를 부여하고 상호 조합함으로써 배터리의 수명을 연산하는 것을 특징으로 하는 빅데이터를 이용한 배터리 수명 예측 시스템.
KR1020200054826A 2020-05-08 2020-05-08 빅데이터를 이용한 배터리 수명 예측 시스템 KR20210136496A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020200054826A KR20210136496A (ko) 2020-05-08 2020-05-08 빅데이터를 이용한 배터리 수명 예측 시스템
US17/027,055 US20210349156A1 (en) 2020-05-08 2020-09-21 System for estimating state of health of battery using big data
DE102020212732.8A DE102020212732A1 (de) 2020-05-08 2020-10-08 System zum Einschätzen eines Gebrauchszustands einer Batterie mithilfe von Big Data
CN202011103120.6A CN113625171A (zh) 2020-05-08 2020-10-15 用于使用大数据估计电池的健康状态的系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200054826A KR20210136496A (ko) 2020-05-08 2020-05-08 빅데이터를 이용한 배터리 수명 예측 시스템

Publications (1)

Publication Number Publication Date
KR20210136496A true KR20210136496A (ko) 2021-11-17

Family

ID=78231915

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200054826A KR20210136496A (ko) 2020-05-08 2020-05-08 빅데이터를 이용한 배터리 수명 예측 시스템

Country Status (4)

Country Link
US (1) US20210349156A1 (ko)
KR (1) KR20210136496A (ko)
CN (1) CN113625171A (ko)
DE (1) DE102020212732A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022200008A1 (de) 2022-01-03 2023-07-06 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und System zum effizienten Überwachen von Batteriezellen einer Gerätebatterie in einer geräteexternen Zentraleinheit mithilfe eines digitalen Zwillings

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150042566A (ko) 2013-10-11 2015-04-21 성우앤아이티(주) 클라우딩 블랙박스 및 클라우딩 블랙박스의 영상처리방법
KR20190122298A (ko) 2018-04-20 2019-10-30 주식회사 카이즈 차량 진단 시스템

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6828914B2 (en) * 2001-08-16 2004-12-07 Battery Alert Ltd. In-use unambiguously determining the near-end-of-life state of a combustion engine battery
KR101509001B1 (ko) * 2013-10-31 2015-04-07 현대모비스 주식회사 차량용 고전압 배터리의 열화 판정 장치 및 방법
KR102337489B1 (ko) * 2015-01-08 2021-12-09 삼성에스디아이 주식회사 전기차량의 배터리 soh 추정 시스템
KR101927176B1 (ko) * 2016-08-23 2018-12-10 현대자동차 주식회사 친환경 차량의 저전압 직류 변환기의 출력 제어 방법 및 그 장치
KR101839141B1 (ko) * 2016-10-31 2018-03-15 한국기술교육대학교 산학협력단 배터리 관리 시스템의 온도를 고려한 배터리의 수명 상태 예측 방법
GB201820073D0 (en) * 2018-12-10 2019-01-23 Tomtom Telematics Bv Vehicle battery monitoring
JP2021086570A (ja) * 2019-11-29 2021-06-03 パナソニックＩｐマネジメント株式会社 車両管理装置および車両管理プログラム
EP4064174A4 (en) * 2020-03-24 2023-01-11 LG Energy Solution, Ltd. SYSTEM AND METHOD FOR BATTERY PERFORMANCE MANAGEMENT USING AN ELECTRIC VEHICLE CHARGING STATION

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150042566A (ko) 2013-10-11 2015-04-21 성우앤아이티(주) 클라우딩 블랙박스 및 클라우딩 블랙박스의 영상처리방법
KR20190122298A (ko) 2018-04-20 2019-10-30 주식회사 카이즈 차량 진단 시스템

Also Published As

Publication number Publication date
US20210349156A1 (en) 2021-11-11
DE102020212732A1 (de) 2021-11-11
CN113625171A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
KR102468385B1 (ko) 친환경 차량 배터리의 충전시간 예측 방법
US9000732B2 (en) Apparatus and method for managing battery pack based on degraded cell
US8519674B2 (en) Method for estimating battery degradation in a vehicle battery pack
WO2020056157A1 (en) Systems and methods for managing energy storage systems
US11888339B2 (en) Method and control unit for monitoring an energy accumulator
CN112622693A (zh) 一种电池管理方法、装置及车辆
KR101949449B1 (ko) 배터리 수명 예측 방법 및 그 장치
CN113064089A (zh) 动力电池的内阻检测方法、装置、介质以及系统
US20220373609A1 (en) State Value for Rechargeable Batteries
CN111325402A (zh) 基于bp神经网络的电动汽车用户充电行为的预测方法
US11835589B2 (en) Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine
WO2016200319A1 (en) A method and a monitoring unit for monitoring a battery system
CN116008844A (zh) 一种适应快充策略的车用锂电池健康状态在线预测方法
CN113853524B (zh) 用于估计电池状态的方法
KR20210136496A (ko) 빅데이터를 이용한 배터리 수명 예측 시스템
US20240003981A1 (en) Method for estimating a power or current limit for an electrical energy storage system
KR20210144171A (ko) 분산 클라우딩을 이용한 차량 제어 시스템
US20230231396A1 (en) Method and apparatus for executing a charging operation of a device battery
CN116811870A (zh) 能量回收策略的确定方法、装置、设备和存储介质
CN112748343A (zh) 一种动力电池功率边界的检测方法、装置及电动汽车
CN115808632A (zh) 电池一致性检测方法、检测装置、计算机设备及存储介质
US11953860B2 (en) System and method of estimating vehicle battery charging time using big data
CN116306214A (zh) 提供确定储能器的老化状态的老化状态模型的方法和设备
US20230176137A1 (en) Method and system for determining a remaining useful lifetime of a battery
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