KR20220069137A - 배터리 상태 예측 장치 및 방법 - Google Patents
배터리 상태 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR20220069137A KR20220069137A KR1020200155196A KR20200155196A KR20220069137A KR 20220069137 A KR20220069137 A KR 20220069137A KR 1020200155196 A KR1020200155196 A KR 1020200155196A KR 20200155196 A KR20200155196 A KR 20200155196A KR 20220069137 A KR20220069137 A KR 20220069137A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- battery
- state
- corrected
- remaining capacity
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 239000000872 buffer Substances 0.000 claims description 63
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000002787 reinforcement Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 21
- 230000032683 aging Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001664469 Tibicina haematodes Species 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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]
- G01R31/382—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
- 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]
- G01R31/3644—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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Secondary Cells (AREA)
Abstract
본 발명은 배터리 상태 예측 장치 및 방법에 대한 것으로, 본 발명의 실시 예에 따른 배터리 상태 예측 장치는 배터리에 대한 정보를 측정하고, 제 1 데이터를 출력하는 데이터 측정부, 상기 제 1 데이터의 적어도 일부에 기반하여 상기 배터리의 가용 용량의 변화를 반영하여 보정된 잔존 용량(Corrected State of Charge)을 계산하고, 상기 보정된 잔존 용량에 기반하여 상기 제 1 데이터를 처리하여 제 2 데이터를 생성하고, 상기 제 2 데이터를 출력하는 데이터 산출부 및 상기 제 2 데이터에 기반하여 배터리의 상태 정보를 추정하는 배터리 상태 추정부를 포함한다.
Description
본 발명은 배터리 상태 예측 장치 및 방법에 관한 것으로, 좀 더 상세하게는 배터리의 보정된 잔존 용량(Corrected State of Charge, Corrected SOC)에 기반하여 배터리의 노화 상태(State of Health, SOH)를 예측하는 장치 및 방법에 관한 것이다.
최근 모바일 기기, 전기 자동차 등 배터리를 사용하는 장치들이 급증함에 따라, 배터리 상태를 예측하는 기술에 대한 관심과 연구가 급격히 증가하고 있다. 배터리 상태를 예측할 때 부정확한 결과가 도출되는 경우, 배터리의 과충전(overcharge), 과방전(overdischarge) 등에 의한 배터리 셀의 영구적인 손상이 일어날 수 있다. 또한, 배터리 부족에 의한 시스템 중단의 문제가 발생할 수 있기 때문에 보다 정확하게 배터리의 상태를 예측할 수 있는 기술에 대한 필요성이 대두되고 있다.
기존의 배터리 상태를 예측하는 방법은 주로 잔존 용량(State of Charge, SOC)을 이용하여 배터리 노화 상태(State of Health, SOH)를 추정한다. 이러한 방법은 정확한 잔존 용량의 산출을 요구한다. 그러나, 시간이 지남에 따라 측정 센서에 축적되는 노이즈에 의하여 잔존 용량의 산출 오차가 누적될 수 있으며, 이로 인하여 배터리 노화 상태에 대한 추정치의 오차가 커지는 문제점이 있다. 또한, 배터리 셀이 가지고 있는 고유의 특성에 의하여 잔존 용량이 부정확하게 산출될 수 있다는 문제점도 있다.
한편, 배터리의 내부 저항을 측정하여 배터리 노화 상태를 추정하는 방법도 빈번히 이용되고 있다. 그러나, 이러한 방식에 의하면, 배터리 노화 상태의 추정을 위하여 배터리 상태의 데이터를 포함하는 사전 추정 테이블이 필수적으로 필요하며, 사전 추정 테이블은 각각의 배터리가 가지고 있는 특성을 모두 반영하지 못하므로 정확한 노화 상태 추정이 불가능하다는 문제점이 있다. 또한, 배터리 종류마다 주위 온도에 따른 내부 저항의 측정이 필수적으로 수반되어야 한다는 문제점도 있다.
본 발명은 보정된 잔존 용량(Corrected State of Charge, SOC)에 기반하여 배터리의 노화 상태(State of Health, SOH)를 예측하는 장치 및 방법을 제공하는 것을 목적으로 한다.
본 발명의 실시 예에 따른 배터리 상태 예측 장치는 배터리에 대한 정보를 측정하고, 제 1 데이터를 출력하는 데이터 측정부, 상기 제 1 데이터의 적어도 일부에 기반하여 상기 배터리의 가용 용량의 변화를 반영하여 보정된 잔존 용량(Corrected State of Charge)을 계산하고, 상기 보정된 잔존 용량에 기반하여 상기 제 1 데이터를 처리하여 제 2 데이터를 생성하고, 상기 제 2 데이터를 출력하는 데이터 산출부 및 상기 제 2 데이터에 기반하여 배터리의 상태 정보를 추정하는 배터리 상태 추정부를 포함한다.
예로서, 상기 데이터 측정부는 상기 배터리의 전류 정보를 측정하고, 전류 데이터를 생성하는 전류 센싱부, 상기 배터리의 전압 정보를 측정하고, 전압 데이터를 생성하는 전압 센싱부 및 상기 배터리의 온도 정보를 측정하고, 온도 데이터를 생성하는 온도 센싱부를 포함하고, 상기 제 1 데이터는 상기 전류 데이터, 상기 전압 데이터 및 상기 온도 데이터를 포함한다.
예로서, 상기 데이터 산출부는 상기 전류 데이터에 기반하여 상기 보정된 잔존 용량 및 배터리 사이클 데이터를 생성하고, 상기 보정된 잔존 용량 및 상기 배터리 사이클 데이터를 출력하는 데이터 연산부 및 상기 보정된 잔존 용량 및 상기 배터리 사이클 데이터에 기반하여 상기 제 1 데이터를 처리하여, 상기 제 2 데이터를 생성하는 데이터 생성부를 포함한다.
예로서, 상기 데이터 연산부는 상기 배터리가 제 1 상태인 경우 상기 전류 데이터 및 상기 배터리의 정격 용량을 이용하여 상기 보정된 잔존 용량을 계산하고, 상기 배터리가 제 2 상태인 경우 상기 전류 데이터 및 이전에 추정된 상기 상태 정보를 이용하여 상기 보정된 잔존 용량을 계산한다.
예로서, 상기 데이터 산출부는 복수의 버퍼들을 포함하고, 상기 보정된 잔존 용량에 기반한 분류 기준에 따라 상기 제 1 데이터를 분류하고, 상기 분류 기준에 따라 상기 제 1 데이터를 상기 복수의 버퍼들에 저장한다.
예로서, 상기 데이터 산출부는 상기 복수의 버퍼들 각각에 상기 제 1 데이터가 저장된 경우 상기 제 2 데이터를 상기 배터리 상태 추정부로 출력한다.
예로서, 상기 배터리 상태 추정부는 기계학습(machine learning)을 수행한다.
예로서, 상기 기계학습은 결정 트리 학습법(decision tree learning), 서포트 벡터 머신(support vector machine), 유전 알고리즘(genetic algorithm), 인공신경망(artificial neural network), 합성곱 신경망(convolutional neural network), 순환신경망(recurrent neural network) 및 강화 학습(reinforcement learning) 중 적어도 하나에 기반한다.
예로서, 상기 상태 정보는 상기 배터리의 가용 용량, 상기 배터리의 현재 잔량 및 상기 배터리의 잔여 유효 수명 중 적어도 하나를 포함한다.
본 발명의 실시 예에 따른 배터리 상태 예측 방법은 배터리에 대한 전류 데이터, 전압 데이터 및 온도 데이터를 측정하는 단계, 상기 전류 데이터에 기반하여 보정된 잔존 용량을 계산하는 단계, 상기 보정된 잔존 용량의 값의 구간 별로 상기 전류 데이터, 전압 데이터 및 온도 데이터를 분류하는 단계, 상기 보정된 잔존 용량의 값의 구간 별로 분류된 상기 전류 데이터, 전압 데이터 및 온도 데이터를 처리하는 단계, 상기 보정된 잔존 용량의 값의 구간 별로 처리된 데이터를 버퍼에 저장하는 단계 및 상기 저장된 데이터에 기반하여 상기 배터리의 상태를 추정하는 단계를 포함한다.
예로서, 상기 배터리의 상태가 추정되면, 상기 버퍼를 초기화 하는 단계를 더 포함한다.
예로서, 상기 배터리가 제 1 상태인 경우 상기 전류 데이터 및 상기 배터리의 정격 용량을 이용하여 상기 보정된 잔존 용량을 계산하고, 상기 배터리가 제 2 상태인 경우 상기 전류 데이터 및 이전에 추정된 상기 상태 정보를 이용하여 상기 보정된 잔존 용량을 계산한다.
예로서, 상기 보정된 잔존 용량에 기반하여 배터리 사이클 데이터를 생성하는 단계를 더 포함한다.
예로서, 상기 배터리의 상태에 대한 기계학습을 수행하는 단계를 더 포함한다.
예로서, 상기 기계학습은 결정 트리 학습법(decision tree learning), 서포트 벡터 머신(support vector machine), 유전 알고리즘(genetic algorithm), 인공신경망(artificial neural network), 합성곱 신경망(convolutional neural network), 순환신경망(recurrent neural network) 및 강화 학습(reinforcement learning) 중 적어도 하나에 기반한다.
본 발명에 따른 배터리 상태 예측 장치 및 방법에 따르면, 오차 누적이 없는 보정된 잔존 용량(Corrected State of Charge, SOC)에 기반하여 배터리 상태를 추정하므로 배터리 노화 상태(State of Health, SOH)에 대한 예측의 정확도가 향상될 수 있다.
본 발명에 따른 배터리 상태 예측 장치 및 방법에 따르면, 기계학습에 기반하여 배터리 상태를 추정하므로 사전 추정 테이블 제작을 위한 배터리 상태의 특정이 요구되지 않는다.
도 1은 본 발명의 실시 예에 따른 배터리 상태 예측 장치에 대한 개략도이다.
도 2는 도 1에 도시된 배터리 상태 예측 장치의 상세한 구성을 나타내기 위한 도면이다.
도 3은 도 2에 도시된 데이터 연산부를 나타내기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른 배터리 상태 예측 장치에 이용되는 보정된 잔존 용량의 개념을 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른 배터리 상태 예측 장치에 이용되는 보정된 잔존 용량을 계산하는 방법을 나타내는 순서도이다.
도 6은 도 2에 도시된 데이터 생성부를 나타내는 도면이다.
도 7은 도 6에 도시된 데이터 생성부에서의 데이터 처리 방법 및 저장 방법을 나타내는 순서도이다.
도 8은 도 1에 도시된 배터리 상태 추정부의 동작을 설명하기 위한 도면이다.
도 9는 본 발명의 실시 예에 따른 배터리 상태 추정 방법을 나타내는 순서도이다.
도 10a 내지 도 10c는 시계열을 기준으로 추출된 센싱 데이터의 양상을 나타내는 도면이다.
도 11a 내지 도 11c는 보정된 잔존 용량을 기준으로 추출된 센싱 데이터의 양상을 나타내는 도면이다.
도 12a는 시계열을 기준으로 추출된 데이터에 기반하여 배터리 상태를 추정한 결과를 나타내는 도면이다.
도 12b는 보정된 잔존 용량을 기준으로 추출된 데이터에 기반하여 배터리 상태를 추정한 결과를 나타내는 도면이다.
도 2는 도 1에 도시된 배터리 상태 예측 장치의 상세한 구성을 나타내기 위한 도면이다.
도 3은 도 2에 도시된 데이터 연산부를 나타내기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른 배터리 상태 예측 장치에 이용되는 보정된 잔존 용량의 개념을 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른 배터리 상태 예측 장치에 이용되는 보정된 잔존 용량을 계산하는 방법을 나타내는 순서도이다.
도 6은 도 2에 도시된 데이터 생성부를 나타내는 도면이다.
도 7은 도 6에 도시된 데이터 생성부에서의 데이터 처리 방법 및 저장 방법을 나타내는 순서도이다.
도 8은 도 1에 도시된 배터리 상태 추정부의 동작을 설명하기 위한 도면이다.
도 9는 본 발명의 실시 예에 따른 배터리 상태 추정 방법을 나타내는 순서도이다.
도 10a 내지 도 10c는 시계열을 기준으로 추출된 센싱 데이터의 양상을 나타내는 도면이다.
도 11a 내지 도 11c는 보정된 잔존 용량을 기준으로 추출된 센싱 데이터의 양상을 나타내는 도면이다.
도 12a는 시계열을 기준으로 추출된 데이터에 기반하여 배터리 상태를 추정한 결과를 나타내는 도면이다.
도 12b는 보정된 잔존 용량을 기준으로 추출된 데이터에 기반하여 배터리 상태를 추정한 결과를 나타내는 도면이다.
이하에서, 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재될 것이다.
본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서 사용된 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises) 및/또는 포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자에 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
본 명세서에서 사용되는 "제 1 및/또는 제 2" 등의 용어는 다양한 구성요소들을 설명하기 위하여 사용될 수 있으나, 이는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 목적으로만 사용될 뿐, 해당 용어로 지칭되는 구성요소를 한정하기 위한 것은 아니다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않는 한, 제 1 구성요소는 제 2 구성요소로 명명될 수 있으며, 제 2 구성요소 또한 제 1 구성요소로 명명될 수 있다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 잇는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서, 전문에 걸쳐 동일한 참조 부호는 동일한 구성 요소를 지칭할 수 있다.
도 1은 본 발명의 실시 예에 따른 배터리 상태 예측 장치(10)에 대한 개략도이다. 도 1을 참조하면, 배터리 상태 예측 장치(10)는 데이터 측정부(100), 데이터 산출부(200) 및 배터리 상태 추정부(300)를 포함할 수 있다.
데이터 측정부(100)는 상태 예측의 대상이 되는 배터리에 대한 정보를 측정할 수 있다. 예로서, 데이터 측정부(100)에 의하여 측정되는 배터리의 정보는 전류, 전압 또는 온도를 포함할 수 있다. 데이터 측정부(100)는 배터리로부터 수집한 센싱 데이터(Data_sensing)를 데이터 산출부(200)로 전달할 수 있다. 데이터 측정부(100)는 각각의 배터리 정보를 측정하기 위한 수단을 포함할 수 있으며, 이에 대한 실시 예는 후술할 도 2에서 상세히 설명할 것이다.
데이터 산출부(200)는 데이터 측정부(100)로부터 센싱 데이터(Data_sensing)를 수신할 수 있고, 배터리 상태 추정부(300)로부터 추정 결과(C_esti)를 수신할 수 있다. 추정 결과(C_esti)란, 배터리 상태 예측 장치(10)에 의하여 대상 배터리로부터 이전에 추정된 결과를 의미한다. 데이터 산출부(200)는 데이터 측정부(100)로부터 수신된 센싱 데이터(Data_sensing) 및 배터리 상테 추정부(300)로부터 수신된 추정 결과(C_esti)에 기반하여 배터리 상태를 예측하기 위한 보정된 잔존 용량(Corrected State of Charge, Corrected SOC) 데이터 및 배터리 사이클 데이터를 생성할 수 있다.
데이터 산출부(200)는 센싱 데이터(Data_sensing), 보정된 잔존 용량 및 배터리 사이클 데이터에 기반하여 배터리의 노화 상태(State of Health, SOH)를 추정하기 위하여 이용되는 기초 데이터를 생성할 수 있다. 데이터 산출부(200)는 생성된 기초 데이터를 데이터 산출부(200)에 포함된 버퍼에 저장할 수 있다. 버퍼에 저장된 저장 데이터(Data_buffer)는 배터리의 상태를 추정하기 위한 배터리 상태 추정부(300)로 전달될 수 있다. 데이터 산출부(200)는 다양한 데이터를 처리하기 위한 수단을 포함할 수 있으며, 이에 대한 실시 예는 후술할 도 2에서 상세히 설명할 것이다.
배터리 상태 추정부(300)는 데이터 산출부(200)의 버퍼로부터 출력된 저장 데이터(Data_buffer)를 이용하여 배터리의 상태를 예측할 수 있다. 배터리 상태 추정부(300)는 데이터 산출부(200)의 버퍼로부터 출력된 저장 데이터(Data_buffer)를 이용하여 추정 결과(C_esti)를 외부로 출력할 수 있다. 추정 결과(C_esti)는 배터리의 현재 용량, 현재 잔량 또는 잔여 유효 수명(Remaining Useful Life, RUL)을 포함할 수 있다.
배터리 상태 추정부(300)는 기계학습(machine learning)을 수행할 수 있다. 배터리 상태 추정부(300)는 저장 데이터(Data_buffer)에 대하여 기계학습 기반을 추정을 수행하여 추정 결과(C_esti)를 획득할 수 있다. 배터리 상태 추정부(300)에서 수행되는 기계학습은 결정 트리 학습법(decision tree learning), 서포트 벡터 머신(support vector machine), 유전 알고리즘(genetic algorithm), 인공신경망(artificial neural network), 합성곱 신경망(convolutional neural network), 순환신경망(recurrent neural network) 및 강화 학습(reinforcement learning) 중 적어도 하나에 기반할 수 있다. 배터리 상태 추정부(300)의 추정 결과(C_esti) 도출 방식은 후술할 도 8에서 상세히 설명할 것이다.
본 발명의 실시 예에 따른 배터리 상태 예측 장치(10)는 데이터 측정부(100)를 통하여 배터리 상태에 대한 정보를 측정하고, 이를 이용하여 보정된 잔존 용량을 계산하여 이를 기반으로 데이터를 필터링함으로써, 배터리 상태와 관련된 특징을 추출할 수 있다. 배터리 상태 예측 장치(10)는 추출된 특징을 이용하여, 배터리의 노화 상태에 대하여 추정할 수 있다.
본 발명에서는, 배터리의 상태 예측을 위하여 보정된 잔존 용량을 사용함으로써, 시간의 흐름에 따른 오차 누적을 방지한다. 또한, 보정된 잔존 용량을 배터리 상태 추정에 직접 사용하지 않고, 배터리 정보를 포함하는 기초 데이터의 분류과 같은 데이터의 사전 처리에만 사용하기 때문에, 보정된 잔존 용량의 정확도가 낮아지는 것이 허용될 수 있다. 또한, 사전 추정 테이블 방식을 사용하지 않고, 기계학습을 이용하여 배터리의 상태를 추정하기 때문에 모든 배터리 상태에 대한 데이터의 입력이 불필요하며, 배터리 상태 예측 장치(10)의 구동 중에도 온라인 학습(online learning)을 통한 추가적인 학습을 수행할 수 있도록 하여 배터리의 상태 추정에 대한 정확도를 향상시킬 수 있다.
도 2는 도 1에 도시된 배터리 상태 예측 장치(10)의 상세한 구성을 나타내기 위한 도면이다. 도 2를 참조하면, 배터리 상태 예측 장치(10)에 포함되는 데이터 측정부(100)는 전류 센싱부(110), 전압 센싱부(120) 및 온도 센싱부(130)를 포함할 수 있다. 또한, 배터리 상태 예측 장치(10)에 포함되는 데이터 산출부(200)는 데이터 연산부(210) 및 데이터 생성부(220)를 포함할 수 있다. 이하, 도 2에 개시된 배터리 상태 예측 장치(10)에 있어서, 도 1에서 상술한 내용과 중복되는 구성, 기능, 특징 및 동작들에 대한 상세한 설명은 생략한다.
전류 센싱부(110)는 상태 추정 대상인 배터리의 출력 전류의 양을 측정하고, 측정된 전류 값에 대한 정보를 포함하는 전류 데이터(Data_I)를 출력할 수 있다. 예를 들어, 배터리가 완전히 충전된 시점부터의 누적 출력 전류의 양을 측정할 수 있다. 전압 센싱부(120)는 상태 추정 대상인 배터리의 출력 전압을 측정하고, 측정된 전압 값에 대한 정보를 포함하는 전압 데이터(Data_V)를 출력할 수 있다. 온도 센싱부(130)는 상태 추정 대상인 배터리의 온도를 측정하고, 측정된 온도 값에 대한 정보를 포함하는 온도 데이터(Data_T)를 출력할 수 있다. 전류 데이터(Data_I)는 데이터 산출부(200)에 포함되는 데이터 연산부(210)로 전달될 수 있다. 전류 데이터(Data_I), 전압 데이터(Data_V) 및 온도 데이터(Data_T)를 포함하는 센싱 데이터(Data_sensing)는 데이터 산출부(200)에 포함되는 데이터 생성부(220)에 전달될 수 있다.
데이터 연산부(210)는 전류 데이터(Data_I) 및 배터리 상태 추정부(300)로부터 생성된 추정 결과(C_esti)를 수신할 수 있다. 데이터 연산부(210)는 전류 데이터(Data_I) 및 추정 결과(C_esti)에 기반하여 보정된 잔존 용량(SOC_c) 및 배터리 사이클 데이터(Data_cycle)를 생성하고, 데이터 생성부(220)로 전달할 수 있다. 보정된 잔존 용량(SOC_c) 및 배터리 사이클 데이터(Data_cycle)의 생성 방식은 후술할 도 3 내지 도 5에서 상세히 설명할 것이다.
데이터 생성부(220)는 센싱 데이터(Data_sensing), 보정된 잔존 용량(SOC_c) 및 배터리 사이클 데이터(Data_cycle)에 기반하여 배터리 상태 추정을 위한 기초 데이터를 생성할 수 있다. 생성된 기초 데이터는 데이터 생성부(220)에 포함된 버퍼에 저장될 수 있다. 데이터 생성부(220)는 버퍼로부터 출력된 저장 데이터(Data_buffer)를 배터리 상태 추정부(300)로 전달할 수 있다. 기초 데이터의 생성 방식 및 버퍼 내 기초 데이터의 저장 방식은 후술할 도 6 내지 도 7에서 상세히 설명할 것이다.
도 3은 도 2에 도시된 데이터 연산부(210)를 나타내기 위한 도면이다. 도 3을 참조하면, 데이터 연산부(210)는 보정된 잔존 용량 연산부(211) 및 배터리 사이클 연산부(212)를 포함할 수 있다. 이하, 도 3에 개시된 데이터 연산부(210)에 있어서, 도 1 및 도 2에서 상술한 내용과 중복되는 구성, 기능, 특징 및 동작들에 대한 상세한 설명은 생략한다.
보정된 잔존 용량 연산부(211)는 데이터 측정부(100)로부터 전류 데이터(Data_I)를 수신할 수 있고, 배터리 상태 추정부(300)로부터 추정 결과(C_esti)를 수신할 수 있다. 보정된 잔존 용량 연산부(211)는 전류 데이터(Data_I), 추정 결과(C_esti) 및 배터리의 정격 용량(rated capacity)에 기반하여 보정된 잔존 용량(SOC_c)을 도출할 수 있다. 보정된 잔존 용량 연산부(211)는 보정된 잔존 용량(SOC_c)을 데이터 생성부(220, 도 2 참조) 및 배터리 사이클 연산부(212)로 전달할 수 있다. 보정된 잔존 용량(SOC_c)의 개념은 후술할 도 4에서 상세히 설명할 것이며, 보정된 잔존 용량(SOC_c)을 계산하는 방법은 후술할 도 5에서 상세히 설명할 것이다.
배터리 사이클 연산부(212)는 보정된 잔존 용량 연산부(211)로부터 보정된 잔존 용량(SOC_c)을 수신하고, 이에 기반하여 배터리 사이클에 대한 정보를 포함하는 배터리 사이클 데이터(Data_cycle)를 도출할 수 있다. 배터리 사이클은 상태 추정 대상인 배터리가 완전히 또는 정해진 비율 이상으로 충전된 상태에서 완전히 또는 정해진 비율 이하로 방전된 이후, 다시 완전히 또는 정해진 비율 이상으로 충전된 경우에 1만큼 증가할 수 있다. 예를 들어, 배터리가 완전히 충전된 상태에서 완전히 방전되는 과정이 2회 반복되고, 이후 다시 완전히 충전된 경우 배터리 사이클은 2일 수 있다. 배터리 사이클 연산부(212)는 이러한 배터리 사이클 데이터(Data_cycle)를 데이터 생성부(220)에 전달하여 배터리 사이클이 증가할수록 배터리의 노화가 심해지는 특성을 반영할 수 있다.
도 4는 본 발명의 실시 예에 따른 배터리 상태 예측 장치(10, 도 1 참조)에 이용되는 보정된 잔존 용량(SOC_c)의 개념을 설명하기 위한 도면이다. 일반적으로 잔존 용량(State of Charge, SOC)은 배터리의 정격 용량만큼 전하가 완전히 충전되어 있는 경우 100%인 것으로, 배터리 내의 전하가 완전히 방전된 경우 0%인 것으로 정의될 수 있다. 즉, 잔존 용량(SOC)은 배터리의 정격 용량을 기준으로 배터리 내의 전하량에 따라 0% 내지 100%의 값으로 결정될 수 있다. 한편, 보정된 잔존 용량(SOC_c)은 배터리의 가용 용량을 기준으로 그 값이 결정될 수 있다.
도 4를 참조하면, 배터리 사이클이 0인 경우, 잔존 용량(SOC)이 100%인 경우에 배터리의 용량과 배터리의 가용 용량이 동일하다. 따라서, 배터리 사이클이 0인 경우, 보정된 잔존 용량(SOC_c)은 잔존 용량(SOC)과 동일한 방식으로 계산될 수 있다. 그러나, 배터리 사이클이 0이 아닌 경우, 다시 말하면 배터리 사이클이 N(N=1, 2, 3, …)인 경우, 배터리의 노화에 따라 배터리의 가용 용량은 감소하게 된다. 이 경우, 배터리의 가용 용량 범위 내에서 전하가 완전히 충전되는 경우 보정된 잔존 용량(SOC_c)은 100%로 정의될 수 있고, 배터리의 가용 용량 범위 내에서 전하가 완전히 방전되는 경우 보정된 잔존 용량(SOC_c)은 0%로 정의될 수 있다.
도 5는 본 발명의 실시 예에 따른 배터리 상태 예측 장치(10, 도 1 참조)에 이용되는 보정된 잔존 용량(SOC_c, 도 3 참조)을 계산하는 방법을 나타내는 순서도이다.
S110 단계에서, 보정된 잔존 용량 연산부(211, 도 3 참조)는 데이터 측정부(100, 도 1 참조)로부터 전류 데이터(Data_I, 도 2 참조)를 수신할 수 있고, 배터리 상태 추정부(300, 도 1 참조)로부터 추정 결과(C_esti, 도 1 참조)를 수신할 수 있다. 만약, 추정 대상인 배터리에 대한 최초의 상태 추정을 수행하는 경우, 보정된 잔존 용량 연산부(211)는 추정 결과(C_esti)를 수신하지 않을 수 있다.
S120 단계에서, 보정된 잔존 용량 연산부(211)는 수신된 추정 결과(C_esti)에 기반하여 배터리의 사용 여부를 판단할 수 있다. 배터리가 제 1 상태인 것으로 판단되는 경우, 절차는 S130 단계로 진행할 수 있다. 배터리의 제 1 상태란, 배터리를 사용하지 않은 상태, 다시 말하면 배터리를 최초로 사용하는 경우로 이전에 추정된 배터리의 상태 정보가 존재하지 않는 경우를 의미한다. 한편, 배터리가 제 2 상태인 것으로 판단되는 경우, 절차는 S140 단계로 진행할 수 있다. 배터리의 제 2 상태란, 배터리를 사용한 상태, 다시 말하면 배터리를 지속적으로 사용한 경우로 이전에 추정된 배터리의 상태 정보가 존재하는 경우를 의미한다.
S130 단계에서, 보정된 잔존 용량 연산부(211)는 제 1 상태인 배터리에 대하여 전류 데이터(Data_I) 및 추정 대상인 배터리의 정격 용량에 기반하여 보정된 잔존 용량(SOC_c)를 계산할 수 있다. 이 경우, 보정된 잔존 용량(SOC_c)은 아래의 수학식 1과 같이 계산될 수 있으며, 수학식 1에서 I는 배터리가 충전 중인 경우 배터리로 공급되는 전류량을 의미하고, Crated는 정격 용량을 의미한다. 또한, t1은 배터리가 완전히 충전된 시점을 의미하고, t2는 현재의 시간을 의미한다. 이렇게 도출된 보정된 잔존 용량(SOC_c)은 데이터 생성부(220, 도 2 참조)로 전달되고, 절차는 종료된다. 만약, 배터리가 방전 중인 경우 I는 배터리가 유출하는 전류량을 의미하고, 보정된 잔존 용량(SOC_c)은 100(%)에서 수학식 1을 감한 결과로 정의될 수 있다.
S140 단계에서, 보정된 잔존 용량 연산부(211)는 제 2 상태인 배터리에 대하여 전류 데이터(Data_I) 및 추정 결과(C_esti)에 기반하여 보정된 잔존 용량(SOC_c)를 계산할 수 있다. 이 경우, 보정된 잔존 용량(SOC_c)은 아래의 수학식 2와 같이 계산될 수 있으며, 수학식 2에서 I는 배터리가 충전 중인 경우 배터리로 공급되는 전류량을 의미하고, Cesti는 추정 결과(C_esti)를 의미한다. 또한, t1은 배터리가 완전히 충전된 시점을 의미하고, t2는 현재의 시간을 의미한다. 이렇게 도출된 보정된 잔존 용량(SOC_c)은 데이터 생성부(220)로 전달되고, 절차는 종료된다. 만약, 배터리가 방전 중인 경우 I는 배터리가 유출하는 전류량을 의미하고, 보정된 잔존 용량(SOC_c)은 100(%)에서 수학식 2를 감한 결과로 정의될 수 있다.
도 6은 도 2에 도시된 데이터 생성부(220)를 나타내는 도면이다. 도 6을 참조하면, 데이터 생성부(220)는 데이터 처리부(221) 및 적어도 하나의 버퍼(222)를 포함할 수 있다.
데이터 처리부(221)는 데이터 측정부(100, 도 1 참조)로부터 센싱 데이터(Data_sensing)를 수신할 수 있고, 데이터 연산부(210, 도 2 참조)로부터 보정된 잔존 용량(SOC_c) 및 배터리 사이클 데이터(Data_cycle)를 수신할 수 있다. 데이터 처리부(221)는 센싱 데이터(Data_sensing) 및 보정된 잔존 용량(SOC_c)에 기반하여 데이터를 처리하여, 배터리의 노화 상태를 추정하기 위한 기초 데이터(Data_base)를 생성할 수 있다. 데이터 처리부(221)는 기초 데이터(Data_base) 및 데이터 연산부(210)로부터 수신한 배터리 사이클 데이터(Data_cycle)를 적어도 하나의 버퍼(222)로 전달할 수 있다.
적어도 하나의 버퍼(222)는 데이터 처리부(221)에서 생성된 기초 데이터(Data_base) 및 배터리 사이클 데이터(Data_cycle)를 저장할 수 있다. 도 6에서는, 하나의 버퍼(222)만이 도시되었으나, 데이터 생성부(220)에 포함되는 버퍼(222)의 개수는 제한되지 않는다. 다시 말하면, 배터리 상태 예측 장치(10)는 N개(N은 1이상의 자연수)의 버퍼(222)를 포함할 수 있다. 적어도 하나의 버퍼(222)에 저장된 저장 데이터(Data_buffer)는 배터리 노화 상태를 추정하기 위하여 배터리 상태 추정부(300, 도 1 참조)로 전달될 수 있다.
본 발명에 따른 실시 예에서, 데이터 처리부(221)는 시계열을 기준으로 데이터 처리를 수행하지 않고, 보정된 잔존 용량(SOC_c)에 기반하여 데이터 처리를 수행할 수 있다. 예를 들어, 본 발명에 따른 실시 예에서 버퍼(222)가 N개의 버퍼들을 포함하는 경우, 데이터 처리부(221)는 아래의 수학식 3에 따라 수신한 데이터를 분류할 수 있다.
수학식 3은 보정된 잔존 용량(SOC_c)의 0% 내지 100% 사이의 구간을 N개로 구분하고, N개의 구간들에 연관된 정보들을 N개의 버퍼들에 각각 저장하는 방식을 보여준다. 보정된 잔존 용량(SOC_c)이 0%인 경우, 연관된 정보는 k=0 조건에 따라 분류될 수 있다. 데이터 처리부(221)는 분류 결과에 따라 데이터를 처리하여 기초 데이터(Data_base)를 생성할 수 있다. 예로서, 데이터 처리부(221)는 분류 결과에 기반하여, 해당 구간에 포함되는 센싱 데이터(Data_sensing)의 전류, 전압 및 온도 각각의 평균값, 최솟값, 최댓값, 중앙값 및 특정한 보정된 잔존 용량(SOC_c)을 제외한 나머지 값을 버림 중 적어도 하나에 기반한 데이터 처리 방식을 통하여 기초 데이터(Data_base)를 생성할 수 있다. 데이터 처리부(221)는 생성된 기초 데이터(Data_base)를 버퍼(222)로 전달할 수 있고, 버퍼(222)는 아래의 표 1과 같이 기초 데이터(Data_base)를 저장할 수 있다.
표 1에 있어서, 버퍼 0은 0
의 범위 내에 존재하는 기초 데이터(I0, V0, T0)를 저장할 수 있다. 버퍼 N-2는 
의 범위 내에 존재하는 기초 데이터(IN-2, VN-2, TN-2)를 저장할 수 있다. 버퍼 N-1은 
의 범위 내에 존재하는 기초 데이터(IN-1, VN-1, TN-1)를 저장할 수 있다. 표 1에는 전류, 전압 및 온도와 관련된 기초 데이터만이 개시되었으나, 보정된 잔존 용량(SOC_c) 및 배터리 사이클 데이터(Data_cycle) 또한 버퍼(222)에 추가로 저장될 수 있다.
만약, N개의 모든 버퍼(표 1의 버퍼0, 버퍼1, …, 버퍼N-2)에 기초 데이터(Data_base)가 저장되지 않은 상태인 경우, 데이터 생성부(220)는 센싱 데이터(Data_sensing) 및 보정된 잔존 용량(SOC_c)을 수신하고, 수신된 데이터를 처리하여 생성된 기초 데이터(Data_base)를 버퍼(222)에 저장하는 일련의 과정을 반복할 수 있다. 다시 말하면, 데이터 생성부(220)는 N개의 모든 버퍼(표 1의 버퍼0, 버퍼1, …, 버퍼N-2)에 기초 데이터(Data_base)가 저장되어야 배터리 상태 추정부(300, 도 1 참조)로 저장 데이터(Data_buffer)를 전달할 수 있다.
도 7은 도 6에 도시된 데이터 생성부(220, 도 2 참조)의 데이터 처리 방법 및 저장 방법을 나타내는 순서도이다. 이하, 도 7에 개시된 데이터 처리 방법 및 저장 방법에 있어서, 도 6에서 상술한 내용과 중복되는 기능, 특징 및 동작들에 대한 상세한 설명은 생략한다.
S210 단계에서, 데이터 생성부(220)는 데이터 측정부(100, 도 1 참조)로부터 센싱 데이터(Data_sensing, 도 6 참조)를 수신할 수 있고, 데이터 연산부(210, 도 2 참조)로부터 보정된 잔존 용량(SOC_c, 도 6 참조)을 수신할 수 있다.
S220 단계에서, 데이터 생성부(220)는 데이터 연산부(210)로부터 수신된 데이터를 처리할 수 있다. 좀 더 상세하게는, 데이터 생성부(220)는 보정된 잔존 용량(SOC_c)을 이용하여, 센싱 데이터(Data_sensing)를 분류하고, 분류 기준에 따라 센싱 데이터(Data_sensing)를 처리하여 기초 데이터(Data_base, 도 6 참조)를 생성할 수 있다.
S230 단계에서, 데이터 생성부(220)는 기초 데이터(Data_base)를 적어도 하나의 버퍼(222, 도 6 참조)에 저장할 수 있다. 데이터 생성부(220)는 N개의 버퍼(222)를 포함할 수 있다. 데이터 생성부(220)는 S220 단계에서 분류된 기준에 따라, 기초 데이터(Data_base)를 대응하는 버퍼(222)에 저장할 수 있다.
S240 단계에서, 데이터 생성부(220)는 N개의 버퍼(222) 모두에 기초 데이터(Data_base)가 저장되었는지 여부를 판단할 수 있다. 만약, 모든 버퍼(222)에 기초 데이터(Data_base)가 저장되지 않은 경우, 절차는 S210 단계로 회귀할 수 있다. 만약, 모든 버퍼(222)에 기초 데이터(Data_base)가 저장된 경우, 절차는 S250 단계로 진행할 수 있다.
S250 단계에서, 데이터 생성부(220)는 버퍼(222)에 저장된 저장 데이터(Data_buffer, 도 6 참조)를 배터리 상태 추정부(300, 도 1 참조)로 출력한 후, 절차를 종료할 수 있다.
도 8은 도 1에 도시된 배터리 상태 추정부(300, 도 1 참조)의 동작을 설명하기 위한 도면이다. 기계학습을 수행하는 배터리 상태 추정부는 입력 계층(input layer, Layer_in), 추정 계층(estimation layer, Layer_est) 및 출력 계층(output lauer, Layer_out)을 포함할 수 있다.
입력 계층(Layer_in)은 데이터 생성부(220, 도 2 참조)로부터 출력된 저장 데이터(Data_buffer)를 수신할 수 있다. 입력 계층(Layer_in)은 추정 계층(Layer_est)에 맞게 수신된 저장 데이터(Data_buffer)의 데이터 형식을 수정할 수 있다. 입력 계층(Layer_in)은 형식이 수정된 데이터(Data_mod)를 추정 계층(Layer_est)으로 전달할 수 있다.
추정 계층(Layer_est)은 형식이 수정된 데이터(Data_mod)에 대하여 기계학습 기반을 추정을 수행하여 도출한 출력 데이터(Data_out)를 출력 계층(Layer_out)으로 전달할 수 있다. 추정 계층(Layer_est)은 결정 트리 학습법(decision tree learning), 서포트 벡터 머신(support vector machine), 유전 알고리즘(genetic algorithm), 인공신경망(artificial neural network), 합성곱 신경망(convolutional neural network), 순환신경망(recurrent neural network) 및 강화 학습(reinforcement learning) 중 적어도 하나에 기초한 기계학습에 기반하여 추정을 수행할 수 있다.
출력 계층(Layer_out)은 출력 데이터(Data_out)에 기반하여 배터리 상태에 대한 추정 결과(C_esti)를 도출할 수 있다. 출력 계층(Layer_out)은 도출하고자 하는 추정 결과(C_esti)의 형식에 맞게 출력 데이터(Data_out)의 형식을 수정할 수 있다. 출력 계층(Layer_out)은 도출된 추정 결과(C_esti)를 외부로 전달할 수 있다.
도 9는 본 발명의 실시 예에 따른 배터리 상태 추정 방법을 나타내는 순서도이다. 이하, 도 9에 개시된 배터리 상태 추정 방법에 있어서, 도 1 내지 도 8에서 상술한 내용과 중복되는 구성, 기능, 특징 및 동작들에 대한 상세한 설명은 생략한다.
S310 단계에서, 본 발명의 실시 예에 따른 배터리 상태 예측 장치(10, 도 1 참조)의 데이터 측정부(100, 도 1 참조)는 배터리의 정보를 측정할 수 있다. 측정된 배터리의 정보는 배터리의 출력 전류의 양, 배터리의 출력 전압의 양 및 배터리의 온도를 포함할 수 있다. 데이터 측정부(100)는 측정된 배터리의 정보를 전류 데이터(Data_I, 도 2 참조), 전압 데이터(Data_V, 도 2 참조), 온도 데이터(Data_T) 또는 센싱 데이터(Data_sensing, 도 1 참조)의 형태로 데이터 산출부(200, 도 1 참조)로 전달할 수 있다.
S320 단계에서, 배터리 상태 예측 장치(10)의 데이터 산출부(200)는 전류 데이터(Data_I)에 기반하여 보정된 잔존 용량(SOC_c)을 계산할 수 있다. 보정된 잔존 용량(SOC_c)은 배터리의 사용 여부에 따라 달리 계산될 수 있으며, 배터리를 사용하지 않은 경우 전류 데이터(Data_I) 및 정격 용량을 이용하여 계산되고, 배터리를 사용한 경우 전류 데이터(Data_I) 및 이전의 추정 결과(C_esti)를 이용하여 계산될 수 있다.
S330 단계에서, 데이터 산출부(200)는 S320 단계에서 계산된 보정된 잔존 용량(SOC_c)을 이용하여 데이터를 분류하고, 분류 기준에 따라 데이터를 처리하여 기초 데이터(Data_base, 도 6 참조)를 생성할 수 있다. 생성된 기초 데이터(Data_base)는 데이터 산출부(200)에 포함된 버퍼(222, 도 6 참조)에 저장될 수 있다. 데이터 산출부(200)에 포함된 모든 버퍼(222)에 기초 데이터(Data_base)가 저장되면, 데이터 산출부(200)는 배터리 상태 추정부(300, 도 1 참조)로 저장 데이터(Data_buffer)를 전달할 수 있다.
S340 단계에서, 배터리 상태 추정부(300)는 수신된 저장 데이터(Data_buffer)에 대하여 기계학습 기반의 배터리 상태 추정을 수행할 수 있다. 배터리 상태 추정부(300)는 추정 결과(C_esti)를 배터리 상태 예측 장치(10)의 외부로 출력할 수 있다.
S350 단계에서, 데이터 산출부(200)는 배터리 상태 추정부(300)에서 추정 결과(C_esti)가 도출되면 버퍼(222)를 초기화할 수 있다. 버퍼(222)가 초기화되고 나면, 상술한 일련의 과정들을 순차적으로 반복하여 배터리 상태에 대한 지속적인 모니터링을 수행할 수 있다.
도 10a 내지 도 10c는 시간의 흐름을 기준으로 추출된 센싱 데이터의 양상을 나타내는 도면이다. 좀 더 상세하게는, 도 10a는 시간의 흐름을 기준으로 추출된 전류 데이터의 양상을 도시하였고, 도 10b는 시간의 흐름을 기준으로 추출된 전압 데이터의 양상을 도시하였으며, 도 10c는 시간의 흐름을 기준으로 추출된 온도 데이터의 양상을 도시하였다.
도 11a 내지 도 11c는 보정된 잔존 용량(SOC_c, 도 2 참조)을 기준으로 추출된 센싱 데이터의 양상을 나타내는 도면이다. 좀 더 상세하게는, 도 11a는 보정된 잔존 용량(SOC_c)을 기준으로 추출된 전류 데이터의 양상을 도시하였고, 도 11b는 보정된 잔존 용량(SOC_c)을 기준으로 추출된 전압 데이터의 양상을 도시하였으며, 도 11c는 보정된 잔존 용량(SOC_c)을 기준으로 추출된 온도 데이터의 양상을 도시하였다.
도 10a 및 도 11a를 비교하면, 배터리 사이클이 높아질수록 도 11a에 도시된 전류 데이터의 차이가 더 커지는 것을 확인할 수 있다. 즉, 보정된 잔존 용량(SOC_c)을 기준으로 전류 데이터를 처리하는 경우, 배터리 노화에 따른 전류 데이터의 차이를 보다 확연히 구별할 수 있음을 확인할 수 있다. 도 10b 및 도 11b를 비교하면, 전류 데이터와 마찬가지로 보정된 잔존 용량(SOC_c)을 기준으로 전압 데이터를 처리하는 경우, 배터리 노화에 따른 전압 데이터의 차이를 보다 확연히 구별할 수 있음을 확인할 수 있다. 또한, 도 10c 및 도 11c를 비교하면, 전류 및 전압 데이터와 마찬가지로 보정된 잔존 용량(SOC_c)을 기준으로 온도 데이터를 처리하는 경우, 배터리 노화에 따른 온도 데이터의 차이를 확연히 구별할 수 있음을 확인할 수 있다.
도 12a는 시간의 흐름을 기준으로 추출된 데이터에 기반하여 배터리 상태를 추정한 결과를 나타내는 도면이고, 도 12b는 보정된 잔존 용량(SOC_c, 도 2 참조)을 기준으로 추출된 데이터에 기반하여 배터리 상태를 추정한 결과를 나타내는 도면이다. 도 12a 및 도 12b에 있어서, 가로축은 배터리 사이클, 세로축은 배터리 노화 상태(SOH)를 의미한다. 도 12a 및 도 12b는 배터리 사이클이 32 이전일 때의 데이터를 이용하여 배터리 상태 추정부(300, 도 1 참조)의 기계학습을 수행하고, 그 이후 측정 데이터에 기반하여 배터리 상태를 예측한 결과를 도시한다.
도 12a를 참조하면, 시계열을 기준으로 배터리 상태를 추정한 경우, 배터리 사이클이 80 이상이 되면, 예측의 결과가 실측 결과로부터 현저히 벗어나는 것을 확인할 수 있다. 반면, 도 12b를 참조하면, 보정된 잔존 용량(SOC_c)을 기준으로 배터리 상태를 추정한 경우, 배터리 사이클이 증가하더라도, 실측 결과와 큰 차이가 발생하지 않음을 확인할 수 있다. 즉, 보정된 잔존 용량(SOC_c)을 이용하여 배터리 상태를 추정하는 경우 보다 정확한 예측 결과를 도출할 수 있다.
상술된 내용은 본 발명을 실시하기 위한 구체적인 실시 예들이다. 본 발명은 상술된 실시 예들 뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함할 것이다. 또한, 본 발명은 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 발명의 범위는 상술된 실시 예들에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.
10 : 배터리 상태 예측 장치
100 : 데이터 측정부
200 : 데이터 산출부
300 : 배터리 상태 추정부
100 : 데이터 측정부
200 : 데이터 산출부
300 : 배터리 상태 추정부
Claims (15)
- 배터리에 대한 정보를 측정하고, 제 1 데이터를 출력하는 데이터 측정부;
상기 제 1 데이터의 적어도 일부에 기반하여 상기 배터리의 가용 용량의 변화를 반영하여 보정된 잔존 용량(Corrected State of Charge)을 계산하고, 상기 보정된 잔존 용량에 기반하여 상기 제 1 데이터를 처리하여 제 2 데이터를 생성하고, 상기 제 2 데이터를 출력하는 데이터 산출부; 및
상기 제 2 데이터에 기반하여 배터리의 상태 정보를 추정하는 배터리 상태 추정부를 포함하는 배터리 상태 예측 장치. - 제 1 항에 있어서,
상기 데이터 측정부는:
상기 배터리의 전류 정보를 측정하고, 전류 데이터를 생성하는 전류 센싱부;
상기 배터리의 전압 정보를 측정하고, 전압 데이터를 생성하는 전압 센싱부; 및
상기 배터리의 온도 정보를 측정하고, 온도 데이터를 생성하는 온도 센싱부를 포함하고,
상기 제 1 데이터는 상기 전류 데이터, 상기 전압 데이터 및 상기 온도 데이터를 포함하는 배터리 상태 예측 장치. - 제 1 항에 있어서,
상기 데이터 산출부는:
상기 전류 데이터에 기반하여 상기 보정된 잔존 용량 및 배터리 사이클 데이터를 생성하고, 상기 보정된 잔존 용량 및 상기 배터리 사이클 데이터를 출력하는 데이터 연산부; 및
상기 보정된 잔존 용량 및 상기 배터리 사이클 데이터에 기반하여 상기 제 1 데이터를 처리하여, 상기 제 2 데이터를 생성하는 데이터 생성부를 포함하는 배터리 상태 예측 장치. - 제 3 항에 있어서,
상기 데이터 연산부는:
상기 배터리가 제 1 상태인 경우 상기 전류 데이터 및 상기 배터리의 정격 용량을 이용하여 상기 보정된 잔존 용량을 계산하고,
상기 배터리가 제 2 상태인 경우 상기 전류 데이터 및 이전에 추정된 상기 상태 정보를 이용하여 상기 보정된 잔존 용량을 계산하는 배터리 상태 예측 장치. - 제 1 항에 있어서,
상기 데이터 산출부는 복수의 버퍼들을 포함하고,
상기 보정된 잔존 용량에 기반한 분류 기준에 따라 상기 제 1 데이터를 분류하고,
상기 분류 기준에 따라 상기 제 1 데이터를 상기 복수의 버퍼들에 저장하는 배터리 상태 예측 장치. - 제 5 항에 있어서,
상기 데이터 산출부는 상기 복수의 버퍼들 각각에 상기 제 1 데이터가 저장된 경우 상기 제 2 데이터를 상기 배터리 상태 추정부로 출력하는 배터리 상태 예측 장치. - 제 1 항에 있어서,
상기 배터리 상태 추정부는 기계학습(machine learning)을 수행하는 배터리 상태 예측 장치. - 제 7 항에 있어서,
상기 기계학습은 결정 트리 학습법(decision tree learning), 서포트 벡터 머신(support vector machine), 유전 알고리즘(genetic algorithm), 인공신경망(artificial neural network), 합성곱 신경망(convolutional neural network), 순환신경망(recurrent neural network) 및 강화 학습(reinforcement learning) 중 적어도 하나에 기반하는 배터리 상태 예측 장치. - 제 1 항에 있어서,
상기 상태 정보는 상기 배터리의 가용 용량, 상기 배터리의 현재 잔량 및 상기 배터리의 잔여 유효 수명 중 적어도 하나를 포함하는 배터리 상태 예측 장치. - 배터리에 대한 전류 데이터, 전압 데이터 및 온도 데이터를 측정하는 단계;
상기 전류 데이터에 기반하여 보정된 잔존 용량을 계산하는 단계;
상기 보정된 잔존 용량의 값의 구간 별로 상기 전류 데이터, 전압 데이터 및 온도 데이터를 분류하는 단계;
상기 보정된 잔존 용량의 값의 구간 별로 분류된 상기 전류 데이터, 전압 데이터 및 온도 데이터를 처리하는 단계;
상기 보정된 잔존 용량의 값의 구간 별로 처리된 데이터를 버퍼에 저장하는 단계; 및
상기 저장된 데이터에 기반하여 상기 배터리의 상태를 추정하는 단계를 포함하는 배터리 상태 예측 방법. - 제 10 항에 있어서,
상기 배터리의 상태가 추정되면, 상기 버퍼를 초기화 하는 단계를 더 포함하는 배터리 상태 예측 방법. - 제 10 항에 있어서,
상기 배터리가 제 1 상태인 경우 상기 전류 데이터 및 상기 배터리의 정격 용량을 이용하여 상기 보정된 잔존 용량을 계산하고, 상기 배터리가 제 2 상태인 경우 상기 전류 데이터 및 이전에 추정된 상기 상태 정보를 이용하여 상기 보정된 잔존 용량을 계산하는 배터리 상태 예측 방법. - 제 10 항에 있어서,
상기 보정된 잔존 용량에 기반하여 배터리 사이클 데이터를 생성하는 단계를 더 포함하는 배터리 상태 예측 방법. - 제 10 항에 있어서,
상기 배터리의 상태에 대한 기계학습을 수행하는 단계를 더 포함하는 배터리 상태 예측 방법. - 제 14 항에 있어서,
상기 기계학습은 결정 트리 학습법(decision tree learning), 서포트 벡터 머신(support vector machine), 유전 알고리즘(genetic algorithm), 인공신경망(artificial neural network), 합성곱 신경망(convolutional neural network), 순환신경망(recurrent neural network) 및 강화 학습(reinforcement learning) 중 적어도 하나에 기반하는 배터리 상태 예측 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200155196A KR20220069137A (ko) | 2020-11-19 | 2020-11-19 | 배터리 상태 예측 장치 및 방법 |
| US17/471,585 US11714134B2 (en) | 2020-11-19 | 2021-09-10 | Device and method for predicting state of battery |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200155196A KR20220069137A (ko) | 2020-11-19 | 2020-11-19 | 배터리 상태 예측 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220069137A true KR20220069137A (ko) | 2022-05-27 |
Family
ID=81587500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200155196A KR20220069137A (ko) | 2020-11-19 | 2020-11-19 | 배터리 상태 예측 장치 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11714134B2 (ko) |
| KR (1) | KR20220069137A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024076089A1 (ko) * | 2022-10-04 | 2024-04-11 | 주식회사 엘지에너지솔루션 | 배터리 셀 상태 판단 장치 및 그것의 동작 방법 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220091075A (ko) * | 2020-12-23 | 2022-06-30 | 현대자동차주식회사 | 차량 및 그 제어방법 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100793616B1 (ko) | 2005-06-13 | 2008-01-10 | 주식회사 엘지화학 | 배터리 잔존량 추정 장치 및 방법 |
| KR100756837B1 (ko) | 2005-06-30 | 2007-09-07 | 주식회사 엘지화학 | 배터리 상태 추정 방법 및 장치 |
| JP2008241358A (ja) * | 2007-03-26 | 2008-10-09 | Sanyo Electric Co Ltd | 電池の満充電容量検出方法 |
| KR101943082B1 (ko) | 2014-01-23 | 2019-04-18 | 한국전자통신연구원 | 무선 전력 송신 장치, 무선 전력 수신 장치, 및 무선 전력 전송 시스템 |
| KR102205293B1 (ko) | 2014-04-18 | 2021-01-20 | 삼성전자주식회사 | 배터리 수명의 추정에서 발생하는 오차를 보정하는 방법 및 장치 |
| KR102215450B1 (ko) | 2014-06-24 | 2021-02-15 | 삼성전자주식회사 | 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 |
| KR101777334B1 (ko) | 2015-04-06 | 2017-09-11 | 주식회사 엘지화학 | 배터리 ｓｏｈ 추정 장치 및 방법 |
| WO2018051885A1 (ja) * | 2016-09-13 | 2018-03-22 | パナソニックＩｐマネジメント株式会社 | 管理装置、及び蓄電システム |
| KR102376469B1 (ko) | 2017-03-24 | 2022-03-22 | 한국전자통신연구원 | 배터리 게이지를 포함하는 배터리 충전 시스템 |
| EP4371811A3 (en) * | 2018-09-17 | 2024-06-12 | Volvo Truck Corporation | A method for estimating an operating parameter of a battery cell in a vehicle |
| US20220131392A1 (en) * | 2019-02-25 | 2022-04-28 | Semiconductor Energy Laboratory Co., Ltd. | Protection circuit for secondary battery and abnormality detection system of secondary battery |
-
2020
- 2020-11-19 KR KR1020200155196A patent/KR20220069137A/ko not_active Application Discontinuation
-
2021
- 2021-09-10 US US17/471,585 patent/US11714134B2/en active Active
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024076089A1 (ko) * | 2022-10-04 | 2024-04-11 | 주식회사 엘지에너지솔루션 | 배터리 셀 상태 판단 장치 및 그것의 동작 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220155381A1 (en) | 2022-05-19 |
| US11714134B2 (en) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3904894B1 (en) | Training device, estimation device, training method, estimation method, training program, and estimation program | |
| US9255973B2 (en) | System and method for estimating long term characteristics of battery | |
| US8412658B2 (en) | System and method for estimating long term characteristics of battery | |
| KR102335180B1 (ko) | 배터리의 노화 상태 추정 장치 및 방법 | |
| US20150369875A1 (en) | Battery state estimating device | |
| KR20180115124A (ko) | 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법 | |
| CN110888065B (zh) | 电池包荷电状态修正方法和装置 | |
| JP2008522152A (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
| KR20220069137A (ko) | 배터리 상태 예측 장치 및 방법 | |
| US11892515B2 (en) | Determination device relating to plurality of batteries, electricity storage system, determination method and non-transitory storage medium | |
| CN114400738A (zh) | 一种储能电站电池预警方法和系统 | |
| CN114935721B (zh) | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 | |
| KR102481221B1 (ko) | 에너지 저장 시스템의 충전 상태 추정장치 및 방법 | |
| US20230076118A1 (en) | Device and method for predicting state of battery | |
| CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
| CN117310538A (zh) | 一种电量剩余转化效率自检测的储能电池电量监控系统 | |
| CN116224073A (zh) | 电池soc估计方法、装置、设备、电池模组及存储介质 | |
| CN116842464A (zh) | 一种电池系统soc估计方法 | |
| CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
| CN115146525A (zh) | 二次电池的劣化状态推定系统、二次电池的劣化状态推定方法及存储介质 | |
| CN117129895A (zh) | 电池健康状态计算方法、装置、存储介质以及车辆 | |
| Marisetty et al. | DaSoR: Data-driven State-of-Health & Remaining Useful Life Estimation of Li-ion Batteries in a Closed-loop system of Electric Vehicles | |
| CN117148170B (zh) | 一种电池储能系统及其储能测试方法 | |
| Alamin et al. | Digital Twins for Electric Vehicle SoX Battery Modeling: Status and Proposed Advancements | |
| US11680989B2 (en) | Diagnosis method of battery, diagnosis device of battery, diagnosis system of battery, battery-mounted device, and non-transitory storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal |