KR20220086831A

KR20220086831A - 배터리 최적화 방법 및 장치

Info

Publication number: KR20220086831A
Application number: KR1020200176975A
Authority: KR
Inventors: 고정식; 김진호; 성영훈
Original assignee: 삼성전자주식회사
Priority date: 2020-12-17
Filing date: 2020-12-17
Publication date: 2022-06-24
Also published as: US20220200071A1; EP4016100A1; CN114646879A

Abstract

배터리 최적화 방법 및 장치가 제공된다. 일 실시예에 따르면, 배터리 최적화 방법은 각 SoC 구간의 작동 데이터에 기초하여 ECT 모델의 복수의 파라미터들 중에 대응 SoC 구간과 관련된 파라미터 세트를 선택적으로 조절하고, 조절된 파라미터 세트들에 기초하여 ECT 모델의 복수의 파라미터들을 업데이트하는 단계들을 포함한다.

Description

배터리 최적화 방법 및 장치{METHOD AND APPARATUS FOR BATTERY OPTIMIZATION}

아래 실시예들은 배터리 최적화 방법 및 장치에 관한 것이다.

배터리의 최적 운용을 위해 배터리의 상태가 추정될 수 있으며, 이러한 배터리의 상태를 추정하는 방법은 다양하다. 일례로, 배터리의 상태는 해당 배터리의 전류를 적산하여 추정되거나 배터리 모델(예: 전기 회로 모델, 또는 전기화학 모델)을 이용하여 추정될 수 있다. 전류 적산법은 배터리 셀, 모듈, 혹은 팩의 종단에 전류 센서를 부착하여 충전, 방전되는 전하량을 합산하여 배터리 잔량을 계산하는 방법이다. 전기 회로 모델은 배터리가 충전, 방전됨에 달라지는 전압 값을 표현할 수 있는 저항과 커패시터로 구성된 회로 모델이고, 전기화학 모델은 배터리 이온 농도, 전위 등 배터리 내부 물리 현상을 모델링한다.

일 실시예에 따르면, 배터리 최적화 방법은 배터리의 제1 작동 데이터에 대응하는 제1 충전 상태(state of charge, SoC) 값을 결정하는 단계; 전체 SoC 구간에서 상기 제1 SoC 값이 속하는 제1 SoC 구간을 선택하는 단계; 상기 배터리를 모사하는 전기화학(electrochemical thermal, ECT) 모델의 복수의 파라미터들 중에 상기 제1 SoC 구간과 관련된 제1 파라미터 세트를 상기 제1 작동 데이터에 기초하여 선택적으로 조절하는 단계; 및 상기 조절된 제1 파라미터 세트에 기초하여 상기 ECT 모델의 상기 복수의 파라미터들을 업데이트하는 단계를 포함한다.

상기 ECT 모델의 상기 복수의 파라미터들은 상기 전체 SoC 구간의 제2 SoC 구간과 관련된 제2 파라미터 세트를 더 포함할 수 있고, 상기 제1 작동 데이터에 기초한 상기 제1 파라미터 세트의 선택적 조절 과정에서 상기 제2 파라미터 세트는 조절되지 않은 채 유지될 수 있다.

상기 제1 파라미터 세트를 선택적으로 조절하는 단계는 상기 제1 작동 데이터 및 상기 복수의 파라미터들을 이용하여 상기 ECT 모델의 추정 전압을 결정하는 단계; 상기 제1 작동 데이터의 측정 전압 및 상기 ECT 모델의 상기 추정 전압에 기초하여 최적화 손실을 결정하는 단계; 및 상기 최적화 손실이 감소하도록 상기 제1 파라미터 세트의 적어도 하나의 파라미터를 조절하는 단계를 포함할 수 있다.

상기 제1 파라미터 세트의 상기 적어도 하나의 파라미터를 조절하는 단계는 베이지안 최적화를 통해 상기 최적화 손실을 감소시키는 상기 제1 파라미터 세트의 후보 파라미터를 결정하는 단계; 및 상기 제1 파라미터 세트의 상기 적어도 하나의 파라미터를 상기 후보 파라미터로 조절하는 단계를 포함할 수 있다.

상기 ECT 모델의 상기 복수의 파라미터들의 각 파라미터는 상기 배터리의 SoC 레벨에 독립적인 상수 파라미터 및 상기 배터리의 상기 SoC 레벨에 의존적인 확산 파라미터 중 어느 하나로 분류될 수 있고, 상기 제1 파라미터 세트의 각 파라미터는 상기 확산 파라미터에 속할 수 있다. 상기 확산 파라미터는 상기 배터리의 충전과 관련된 충전 파라미터 및 상기 배터리의 방전과 관련된 방전 파라미터 중 어느 하나로 더 분류될 수 있다. 상기 제1 작동 데이터가 상기 배터리의 충전 시 측정된 경우, 상기 제1 파라미터 세트는 상기 충전 파라미터에 속할 수 있고, 상기 제1 작동 데이터가 상기 배터리의 방전 시 측정된 경우, 상기 제1 파라미터 세트는 상기 방전 파라미터에 속할 수 있다. 상기 상수 파라미터는 필름 저항, 활물질의 부피 분율, 및 애노드-캐소드 OCP(open circuit potential) 오프셋 중 적어도 하나를 나타낼 수 있다.

상기 배터리는 배터리 전원 장치에 전력을 공급할 수 있고, 상기 제1 작동 데이터는 사용자가 상기 배터리 전원 장치를 사용하는 과정에서 상기 배터리가 작동함에 따라 생성될 수 있다. 상기 제1 작동 데이터는 상기 배터리의 작동에 따른 상기 배터리의 전압, 전류, 및 온도 중 적어도 하나를 포함할 수 있다.

상기 배터리 최적화 방법은 상기 제1 파라미터 세트의 선택적 조절이 완료된 경우, 상기 제1 파라미터 세트를 고정하여 새로운 제1 파라미터 세트를 결정하는 단계; 및 상기 새로운 제1 파라미터 세트를 포함하는 상기 ECT 모델의 복수의 새로운 파라미터들에 기초하여 상기 전체 SoC 구간의 제2 SoC 구간과 관련된 제2 파라미터 세트를 선택적으로 조절하는 단계를 더 포함할 수 있다. 상기 제2 파라미터 세트를 선택적으로 조절하는 단계는 상기 배터리의 제2 작동 데이터에 대응하는 제2 SoC 값을 결정하는 단계; 상기 전체 SoC 구간에서 상기 제2 SoC 값이 속하는 상기 제2 SoC 구간을 선택하는 단계; 및 상기 ECT 모델의 상기 복수의 새로운 파라미터들 중에 상기 제2 SoC 구간과 관련된 제2 파라미터 세트를 상기 제1 작동 데이터 및 상기 제2 작동 데이터에 기초하여 선택적으로 조절하는 단계를 포함할 수 있다.

상기 제1 파라미터 세트의 선택적 조절 및 상기 제1 파라미터 세트의 선택적 조절을 위해 서로 다른 조절 가중치가 적용될 수 있다.

일 실시예에 따르면, 배터리 최적화 장치는 프로세서; 및 상기 프로세서에서 실행가능한 명령어들을 포함하는 메모리를 포함하고, 상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는 배터리의 제1 작동 데이터에 대응하는 제1 충전 상태(state of charge, SoC) 값을 결정하고, 전체 SoC 구간에서 상기 제1 SoC 값이 속하는 제1 SoC 구간을 선택하고, 상기 배터리를 모사하는 전기화학(electrochemical thermal, ECT) 모델의 복수의 파라미터들 중에 상기 제1 SoC 구간과 관련된 제1 파라미터 세트를 상기 제1 작동 데이터에 기초하여 선택적으로 조절하고, 상기 조절된 제1 파라미터 세트에 기초하여 상 기 ECT 모델의 상기 복수의 파라미터들을 업데이트한다.

일 실시예에 따르면, 전자 장치는 전자 장치에 전력을 공급하는 배터리; 및 상기 배터리의 제1 작동 데이터에 대응하는 제1 충전 상태(state of charge, SoC) 값을 결정하고, 전체 SoC 구간에서 상기 제1 SoC 값이 속하는 제1 SoC 구간을 선택하고, 상기 배터리를 모사하는 전기화학(electrochemical thermal, ECT) 모델의 복수의 파라미터들 중에 상기 제1 SoC 구간과 관련된 제1 파라미터 세트를 상기 제1 작동 데이터에 기초하여 선택적으로 조절하고, 상기 조절된 제1 파라미터 세트에 기초하여 상기 ECT 모델의 상기 복수의 파라미터들을 업데이트하는, 프로세서를 포함한다.

도 1은 일 실시예에 따른 배터리 최적화 장치의 동작을 개략적으로 나타낸다.
도 2는 일 실시예에 따른 ECT 파라미터의 분류를 나타낸다.
도 3은 일 실시예에 따른 작동 데이터 세트들을 나타낸다.
도 4는 일 실시예에 따른 파라미터 최적화 과정을 나타낸다.
도 5는 일 실시예에 따른 SoC 구간 별 최적화 예시를 나타낸다.
도 6은 일 실시예에 따른 SoC 구간 별 최적화를 위한 최적화 동작을 나타낸다.
도 7은 일 실시예에 따른 조절 가중치를 이용한 최적화 예시를 나타낸다.
도 8은 일 실시예에 따른 열화 상태 파라미터를 이용한 최적화 동작을 나타낸다.
도 9는 일 실시예에 따른 배터리 최적화 장치의 구성을 나타낸다.
도 10은 일 실시예에 따른 배터리 최적화 장치를 포함하는 배터리 전원 장치를 나타낸다.
도 11은 일 실시예에 따른 배터리 최적화 장치를 포함하는 배터리 관리 서버를 나타낸다.
도 12는 일 실시예에 따른 전자 장치의 구성을 나타낸다.
도 13은 일 실시예에 따른 배터리 최적화 동작을 나타낸다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

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

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 일 실시예에 따른 배터리 최적화 장치의 동작을 개략적으로 나타낸다. 도 1을 참조하면, 전기화학(electrochemical thermal, ECT) 모델(111)은 다양한 ECT 파라미터들 및 지배 방정식(governing equation)들을 이용하여 배터리(120)의 내부 상태를 모사할 수 있고, 배터리 최적화 장치(110)는 ECT 모델(111)을 이용하여 배터리(120)의 충전 상태(state of charge, SoC)를 추정할 수 있다. 예를 들어, ECT 모델(111)의 파라미터들은 형상(예: 두께, 반경 등), OCP(open circuit potential), 물성치(예: 전기 전도도, 이온 전도도, 확산 계수 등) 등을 나타낼 수 있고, 지배 방정식은 이러한 파라미터들에 기초한 전극 및 전해질의 계면에서 발생하는 전기화학 반응, 및 전극 및 전해질의 농도 및 전하 보존과 관련된 물리 보존식을 포함할 수 있다.

배터리 최적화 장치(110)는 배터리(120)의 작동 데이터(operating data)를 수집할 수 있고, 작동 데이터 및 ECT 모델(111)을 통해 배터리(120)의 상태를 추정할 수 있다. 예를 들어, 작동 데이터는 배터리(120)의 작동에 따른 배터리(120)의 전압, 전류, 및 온도 중 적어도 하나를 포함할 수 있다. 배터리(120)의 작동이 지속됨에 따라 배터리 셀의 열화, 교체 등으로 인해 셀 상태가 변화할 수 있고, 이러한 셀 상태의 변화는 ECT 모델(111)을 통한 SoC 추정의 정확도를 떨어뜨릴 수 있다. 배터리 최적화 장치(110)는 셀 상태의 변화에 맞추어 ECT 모델(111)의 파라미터들을 업데이트하여 추정의 정확도를 유지할 수 있다.

배터리 최적화 장치(110)는 배터리(120)의 작동 과정에서 배터리(120)의 작동 데이터를 수집하고, 작동 데이터로 ECT 모델(111)을 계산하여 최적화 손실을 구하고, 최적화 손실이 줄어들도록 ECT 파라미터들을 업데이트할 수 있다. 작동 데이터는 측정치에 해당하므로, ECT 모델(111)의 추정치와 작동 데이터의 측정치 간의 차이가 최적화 손실에 해당할 수 있다.

ECT 파라미터들은 배터리(120)의 SoC 레벨에 독립적 상수 파라미터 및 SoC 레벨에 의존적인 확산 파라미터를 포함할 수 있다. 예를 들어, 배터리(120)의 작동으로 인해 SoC 레벨이 차츰 감소할 경우, 상수 파라미터는 일정하게 유지될 수 있고 확산 파라미터는 변화할 수 있다. 배터리 최적화 장치(110)는 상수 파라미터들 중에 필름 저항(film resistance), 활물질(active material)의 부피 분율(volume fraction), 및 애노드-캐소드(anode-cathode) OCP(open circuit potential) 오프셋(offset)과 같은 배터리(120)의 열화와 관련도가 높은 파라미터를 선택적으로 업데이트할 수 있다. 또한, 배터리 최적화 장치(110)는 작동 데이터의 SoC 구간에 따라 확산 파라미터를 선택적으로 조절할 수 있다. 보다 구체적인 ECT 파라미터들의 업데이트 과정은 후술한다.

아래에서 설명되겠지만, 확산 파라미터의 선택적 조절은 각 파라미터의 오류를 대응 구간의 최적화 손실을 통해 보정할 수 있게 하며, 이를 통해 트레이닝 정확도가 향상될 수 있다. 뿐만 아니라, 파라미터의 선택적인 업데이트는 업데이트를 위한 연산을 크게 감소시키고 업데이트의 속도를 증가시킬 수 있다. 적은 연산과 빠른 업데이트는 온-디바이스 트레이닝을 실현케 할 수 있다.

파라미터 업데이트는 일정 주기(예: 1개월에 한번, 1분기에 한번 등) 혹은 특정 시점(예: 사용자의 요청, 개발자의 요청 등)에 수행될 수 있다. 혹은, 파라미터 업데이트는 배터리(120)의 건강 상태(state of health, SoH) 변화와 연계되어 수행될 수 있다. 예를 들어, SoH가 10% 감소하는 것을 주기로 파라미터 업데이트가 수행될 수 있다. 업데이트 시간에 디바이스를 사용할 수 없는 불편을 피할 수 있도록 배터리 최적화 장치(110)는 업데이트를 수행하기 전에 사용자에게 사전 승인을 요청할 수 있다. 또한, 배터리 최적화 장치(110)는 늦은 밤과 같은 디바이스의 사용이 적은 시간에 파라미터 업데이트를 수행할 수 있다.

파라미터 업데이트에 따라 ECT 모델(111)의 파라미터가 최적화되면, 대상 장치는 최적화된 파라미터를 갖는 ECT 모델(111)을 이용하여 배터리(120)의 SoC를 추정할 수 있다. 대상 장치는 배터리(120)에 의해 전원을 공급받는 장치일 수 있고, 예를 들어 도 10의 배터리 전원 장치(battery powered apparatus, 1000)일 수 있다. ECT 모델(111)의 파라미터가 최적화 상태를 유지함에 따라 대상 장치는 높은 정확도로 SoC를 추정할 수 있다. 대상 장치는 ECT 모델(111)의 파라미터 업데이트가 진행되는 동안 기존의 파라미터를 이용할 수 있고, 업데이트가 완료된 시점 이후의 새로운 사이클에서 업데이트된 파라미터를 이용할 수 있다.

아래에서 다시 설명되겠지만, 다양한 실시예들에 따르면 SoC 구간 별로 파라미터 세트가 업데이트될 수 있다. 이에 따라 SoC 구간 별로 업데이트가 완료되는 시점에 차이가 있는 경우, 각 업데이터된 파라미터 세트는 각 구간의 완료 시점에 맞추어 개별적으로 이용될 수 있다. 예를 들어, 제1 SoC 구간의 제1 파라미터 세트의 업데이트는 완료되었으나, 제2 SoC 구간의 제2 파라미터 세트의 업데이트는 진행 중인 경우, 제1 SoC 구간의 SoC를 추정하는데 업데이트된 제1 파라미터 세트가 이용될 수 있고, 제2 SoC 구간의 SoC를 추정하는데 기존의 제2 파라미터 세트가 이용될 수 있다.

도 2는 일 실시예에 따른 ECT 파라미터의 분류를 나타낸다. 도 2를 참조하면, ECT 모델(200)은 ECT 파라미터 세트(210)를 저장한다. ECT 파라미터 세트(210)의 각 ECT 파라미터는 상수 파라미터(211) 및 확산 파라미터(212)로 분류될 수 있다. 예를 들어, 상수 파라미터(211)는 배터리의 SoC 레벨에 독립적인 셀 형상(두께, 반경 등), 저항, OCP 등을 포함할 수 있고, 확산 파라미터(212)는 SoC 레벨에 의존적인 확산 계수를 포함할 수 있다. 확산 파라미터는 배터리의 충전과 관련된 충전 파라미터 및 배터리의 방전과 관련된 방전 파라미터 중 어느 하나로 더 분류될 수 있다.

파라미터들(213)은 애노드 방전 파라미터를 나타내고, 파라미터들(214)은 캐소드 방전 파라미터를 나타낸다. 파라미터들(215)은 애노드 충전 파라미터를 나타내고, 파라미터들(216)은 캐소드 충전 파라미터를 나타낸다. 파라미터들(213 내지 216)은 각 그래프 상에 점으로 표현되어 있다. 그래프에서 가로 축은 SoC이고 세로 축은 확산 계수이다. 확산 파라미터(212)는 필요한 간격으로 정의될 수 있다. 예를 들어, 도 2에서 파라미터들(213)은 0.0 내지 1.0의 SoC 레벨을 따라 약 20개 전후의 점들로 표시되어 있으나, 파라미터들(213)은 정의에 따라 더 촘촘한 간격으로 더 많이 존재할 수도 있고, 더 성긴 간격으로 더 적게 존재할 수도 있다.

ECT 파라미터 세트(210)의 초기 값은 실험적으로 결정될 수 있다. 이 과정은 전문가의 세부 튜닝 과정을 포함할 수 있다. 이후에 디바이스의 사용에 따라 배터리의 셀 상태가 변하면, 배터리 최적화 장치는 변한 상태에 맞게 ECT 파라미터 세트(210)를 새로운 값으로 업데이트할 수 있다. 이에 따라 ECT 파라미터 세트(210)의 최적화 상태 및 SoC 추정의 정확도가 유지될 수 있다.

도 3은 일 실시예에 따른 작동 데이터 세트들을 나타낸다. 도 3을 참조하면, 배터리의 작동 과정에서 작동 데이터 세트들(300)이 생성될 수 있다. 작동 데이터 세트들(300)은 배터리와 연결된 다양한 센서를 통해 측정된 배터리와 관련된 다양한 데이터, 예를 들어 배터리의 전압, 전류, 및 온도 중 적어도 하나를 포함할 수 있다.

작동 데이터 세트들(300)의 각 작동 데이터 세트는 SoC를 기준으로 수집될 수 있다. 예를 들어, SoC가 1.0에서 0.0으로 떨어지는 동안 어느 하나의 작동 데이터 세트가 생성될 수 있고, 배터리가 완충된 후 또 다시 SoC가 1.0에서 0.0으로 떨어지는 동안 다른 하나의 작동 데이터 세트가 생성될 수 있다. 1.0과 0.0은 하나의 예시일 뿐, 다른 SoC 구간에서 작동 데이터 세트가 생성되는 것도 가능하다. 예를 들어, SoC가 1.0에서 0.3으로 떨어지는 동안 하나의 작동 데이터 세트가 생성될 수도 있고, 충전 사이클에서 작동 데이터 세트가 생성될 수도 있다.

이하 대표적으로 작동 데이터 세트들(300)의 제1 작동 데이터 세트(310)를 설명한다. 작동 데이터 세트들(300)은 m개의 작동 데이터 세트들을 포함할 수 있으며, 제1 작동 데이터 세트(310)는 이러한 m개의 작동 데이터 세트들 중에 어느 하나에 해당한다. 제1 작동 데이터 세트(310)는 제1 작동 데이터(311) 및 제2 작동 데이터(312)를 포함한다. 제1 작동 데이터 세트(310)는 이러한 데이터 값을 n개 포함할 수 있다.

배터리 최적화 장치는 SoC 구간을 고려하여 각 확산 파라미터를 조절할 수 있다. 구체적으로, 배터리 최적화 장치는 각 작동 데이터에 기초하여 최적화 손실을 구하고, 최적화 손실에 기초하여 대응 SoC 구간의 대응 확산 파라미터들을 선택적으로 조절할 수 있다.

예를 들어, 제1 작동 데이터(311)는 0.8의 SoC 값에 대응할 수 있고, 제2 작동 데이터(312)는 0.5의 SoC 값에 대응할 수 있다. 전체 SoC 구간(예: 1.0 내지 0.0)을 복수의 서브 구간들로 나뉜다면, 이중에 각 작동 데이터의 대응 구간이 선택될 수 있다. 예를 들어, 전체 SoC 구간이 3개의 서브 구간들로 나뉜다면, 0.8의 SoC 값은 제1 구간에 속할 수 있고, 0.5의 SoC 값은 제2 구간에 속할 수 있다. 따라서, 배터리 최적화 장치는 제1 작동 데이터(311)를 통해 도출된 최적화 로스로 제1 구간과 관련된 파라미터들을 선택적으로 조절하고, 제2 작동 데이터(312)를 통해 도출된 최적화 로스로 제2 구간과 관련된 파라미터들을 선택적으로 조절할 수 있다.

작동 데이터 세트들(300)에서 SoC 레벨은 시간의 흐름에 따라 감소하므로 작동 데이터 세트들(300)은 배터리의 방전을 나타낸다. 이러한 작동 데이터 세트들(300)은 확산 파라미터 중에 방전 파라미터를 조절하는데 이용될 수 있다. 작동 데이터 세트들(300)과 달리 배터리의 충전 시 다른 작동 데이터 세트들이 생성되는 경우, 이들은 확산 파라미터 중에 충전 파라미터를 조절하는데 이용될 수 있다.

도 4는 일 실시예에 따른 파라미터 최적화 과정을 나타낸다. 도 4를 참조하면, 단계(410)에서 배터리 최적화 장치는 ECT 모델을 처리하고 추정 전압을 결정할 수 있다. 배터리 최적화 장치는 최초 반복 시 초기 파라미터에 기초하여 ECT 모델을 처리하고, 다음 반복 시부터 파라미터 조절에 따른 새로운 파라미터에 기초하여 ECT 모델을 처리할 수 있다. 초기 파라미터는 실험, 및 전문가 튜닝을 통해 결정될 수 있다. ECT 모델의 처리를 통해 추정 전압이 결정될 수 있다. 이 과정은 아래 수학식 1로 나타낼 수 있다.

수학식 1에서

는 추정 전압이고,

는 ECT 모델을 통한 전압 추정 연산이고,

는 배터리 전류이고,

는 배터리 온도이고,

는 ECT 파라미터 세트이다.

,

는 작동 데이터 세트로부터 획득될 수 있다. 도 3과 관련하여 설명된 것처럼, 작동 데이터 세트는 n개의 작동 데이터를 포함할 수 있고, 각 작동 데이터는 배터리의 전압, 전류, 및 온도를 포함할 수 있다. 이는

,

와 같이 나타낼 수 있다. 최초 반복 시 초기 파라미터 세트

가 이용될 수 있다. 배터리 최적화 장치는

,

에 기초하여 ECT 모델을 처리하여

를 추정할 수 있다.

단계(420)에서 배터리 최적화 장치는 최적화 손실을 결정할 수 있다. 작동 데이터의

는 측정 값에 해당하므로 측정 전압으로 불릴 수 있고, ECT 모델의 처리에 따른

는 추정 값에 해당하므로 추정 전압으로 불릴 수 있다. 최적화 손실은 이러한 측정 전압 및 추정 전압의 차이에 대응할 수 있다.

단계(430)에서 배터리 최적화 장치는 ECT 파라미터를 조절하고 새로운 파라미터를 결정할 수 있다. 예를 들어, 최초 반복 시 배터리 최적화 장치는 초기 파라미터의 파라미터 값을 조절하여 새로운 파라미터를 결정할 수 있다. 배터리 최적화 장치는 최적화 손실이 감소하는 방향, 예를 들어 최적화 손실이 최소화되는 방향으로 ECT 파라미터 값을 조절할 수 있다. 이 과정은 아래 수학식 2와 같이 나타낼 수 있다.

수학식 2에서

는 새로운 파라미터이고,

는 측정 전압이고,

는 추정 전압이다. 최적화가 완료되지 않은 경우 배터리 최적화 장치는 새로운 파라미터

에 기초하여 단계(410)를 다시 수행하고, 이후에 단계(430)에서 다른 새로운 파라미터

를 도출할 수 있다. 최적화가 완료된 경우 배터리 최적화 장치는 새로운 파라미터

를 최적 파라미터

로 결정할 수 있고, 단계(440)에서 ECT 파라미터를 최적 파라미터

로 업데이트할 수 있다. 예를 들어, m개의 작동 데이터 세트들이 트레이닝 대상에 해당하고, 이번 반복이 m번째 반복에 해당하는 경우 최적화가 완료된 것으로 결정될 수 있다. 이와 달리, 미리 정해진 성능 지표(예: 매우 낮은 최적화 손실)가 달성된 경우 최적화가 완료된 것으로 결정될 수 있다.

배터리 최적화 장치는 기계 학습(machine learning)을 이용하여 단계들(410 내지 430)의 최적화 프로세스를 수행할 수 있다. 이 과정에서 기계 학습 모델은 작동 데이터를 학습하고, 이에 따라 최적 파라미터

가 도출될 수 있다. 일 실시예에 따르면, 배터리 최적화 장치는 베이지안 최적화(Bayesian optimization)를 이용할 수 있다. 베이지안 최적화는 대체 모델(surrogate model)과 습득 함수(acquisition function)를 이용하여 미지의 목적 함수의 값을 최적화하는 해를 찾는 기법이다. 대체 모델은 현재까지 조사된 입력 값과 함수 값을 바탕으로 목적 함수의 확률적 추정을 수행하며, 습득 함수는 대체 모델의 결과를 이용하여 최적 해를 찾는데 유용한 후보를 추천한다. 배터리 최적화 장치는 베이지안 최적화를 통해 최적화 손실을 감소시키는 후보 파라미터를 결정하고, 파라미터 세트의 파라미터를 후보 파라미터로 조절할 수 있다.

수학식 2에 따르면 전체 SoC 구간의 최적화 손실이 ICT 파라미터 세트 전체에 반영된다. 이와 달리, 배터리 최적화 장치는 파라미터 세트를 SoC 구간 별로 선택적으로 조절할 수 있다. 이에 따라 각 파라미터의 오류가 대응 구간의 최적화 손실을 통해 보정될 수 있고, 이를 통해 트레이닝 정확도가 향상될 수 있다. 뿐만 아니라, 파라미터의 선택적인 업데이트는 업데이트를 위한 연산을 크게 감소시키고 업데이트의 속도를 증가시킬 수 있다. 예를 들어, 전체 SoC 구간이 3개의 서브 구간들로 분할된 경우, 배터리 최적화 장치는 수학식 3 내지 수학식 5를 통해 최적화를 수행할 수 있다. 수학식 3은 제1 SoC 구간, 수학식 4는 제2 SoC 구간, 수학식 5는 제3 SoC 구간과 관련된다. 다만, 이는 하나의 실시예에 불과하며, 배터리 최적화 장치는 SoC 구간을 2개 또는 4개 이상으로 분할하여 최적화를 수행할 수도 있다.

수학식 3을 참조하면 1 내지 j의 구간에서 최적화 손실이 도출된다. 1 내지 j의 인덱스는 제1 SoC 구간(예: 방전의 경우 1.0 내지 0.7의 구간)에 대응할 수 있다. 이때, 배터리 최적화 장치는 기존 파라미터 세트

에서 제1 SoC 구간과 관련된 일부 파라미터들(이하, 제1 파라미터 세트로 지칭됨)을 선택적으로 조절하며 최적화 손실을 도출할 수 있고, 이에 따라 새로운 파라미터 세트

가 추정될 수 있다. 새로운 파라미터 세트

는 기존 파라미터 세트

의 전체에서 제1 SoC 구간과 관련된 제1 파라미터 세트가 조절된 버전에 해당할 수 있다. 예를 들어, 작동 데이터가 방전 데이터에 해당하는 경우, 제1 파라미터 세트는 기존 파라미터 세트

의 방전 파라미터들 중에 제1 SoC 구간에 속하는 일부 파라미터들에 해당할 수 있다. 이후에 제1 파라미터 세트의 값은 고정될 수 있고, 계속해서 수학식 4를 통해 제2 SoC 구간에 관한 최적화가 수행될 수 있다.

수학식 4를 참조하면 1 내지 k의 구간에서 최적화 손실이 도출된다. k는 j보다 큰 정수이다. j+1 내지 k의 인덱스는 제2 SoC 구간(예: 방전의 경우 0.7 내지 0.4의 구간)에 대응할 수 있다. 수학식 4에서 j+1 내지 k가 아닌 1 내지 k의 인덱스로 최적화 손실이 도출되는 이유는 작동 데이터의 연속성 때문이다. 보다 구체적으로, 배터리의 충-방전 데이터는 과거에 인가되었던 전류의 영향이 미래에도 영향을 끼치는 연속적인 성질을 가질 수 있다. 이로 인해, 중간 시점(예: i=j+1의 시점)의 정보를 통해 다음 시점(예: i=j+2 내지 i=k의 시점)의 상태를 추정하게 되면 큰 오차가 발생할 수 있다. 따라서, 중간 시점(예: i=j+1의 시점)이 아닌 최초 시점(예: i=1의 시점)이 이용될 수 있다.

배터리 최적화 장치는 파라미터 세트

에서 제2 SoC 구간과 관련된 일부 파라미터들(이하, 제2 파라미터 세트로 지칭됨)을 선택적으로 조절하며 최적화 손실을 도출할 수 있고, 이에 따라 새로운 파라미터 세트

가 추정될 수 있다. 새로운 파라미터 세트

는 기존 파라미터 세트

의 전체에서 제2 SoC 구간과 관련된 제1 파라미터 세트가 조절된 버전에 해당할 수 있다. 이때, 최적화 후보를 도출하는 과정에서 제1 파라미터 세트는 고정될 수 있다. 이러한 선택적 조절 방식은 최적화에 필요한 연산을 크게 줄일 수 있다. 예를 들어, 작동 데이터가 방전 데이터에 해당하는 경우, 제2 파라미터 세트는 파라미터 세트

의 방전 파라미터들 중에 제2 SoC 구간에 속하는 일부 파라미터들에 해당할 수 있다. 이후에 제1 파라미터 세트 및 제2 파라미터 세트의 값은 고정될 수 있고, 계속해서 수학식 5를 통해 제3 SoC 구간에 관한 최적화가 수행될 수 있다.

수학식 5를 참조하면 1 내지 n의 구간에서 최적화 손실이 도출된다. n은 k보다 큰 정수이다. k+1 내지 n의 인덱스는 제3 SoC 구간(예: 방전의 경우 0.4 내지 0.0의 구간)에 대응할 수 있다. 상술된 작동 데이터의 연속성으로 인해 k+1 내지 n이 아닌 1 내지 n의 인덱스로 최적화 손실이 도출될 수 있다.

배터리 최적화 장치는 파라미터 세트

에서 제3 SoC 구간과 관련된 일부 파라미터들(이하, 제3 파라미터 세트로 지칭됨)을 선택적으로 조절하며 최적화 손실을 도출할 수 있고, 이에 따라 새로운 파라미터 세트

가 추정될 수 있다. 새로운 파라미터 세트

는 기존 파라미터 세트

의 전체에서 제3 SoC 구간과 관련된 제3 파라미터 세트가 조절된 버전에 해당할 수 있다. 이때, 최적화 후보를 도출하는 과정에서 제1 파라미터 세트 및 제2 파라미터 세트는 고정될 수 있다. 예를 들어, 작동 데이터가 방전 데이터에 해당하는 경우, 제3 파라미터 세트는 파라미터 세트

의 방전 파라미터들 중에 제3 SoC 구간에 속하는 일부 파라미터들에 해당할 수 있다. 이후에 파라미터 세트

는 이번 반복의 새로운 파라미터

로 최종 결정될 수 있다.

위의 선택적 조절에 관한 설명은 충전 파라미터에 관해서도 유사하게 적용될 수 있다. 보다 구체적으로, 배터리 충전에 따른 작동 데이터가 존재하는 경우, 각 작동 데이터 값은 복수의 SoC 구간들로 구분될 수 있고, 대응 SoC 구간의 충전 파라미터를 선택적으로 조절하는데 이용될 수 있다. 예를 들어, 전체 SoC 구간은 0.0 내지 0.4의 제1 SoC 구간, 0.4 내지 0.7의 제2 SoC 구간, 및 0.7 내지 1.0의 제3 SoC 구간으로 구분될 수 있다.

상수 파라미터는 SoC 구간과 무관하게 일정한 값을 가지므로 위의 선택적 조절에 관한 설명이 그대로 적용될 수 없다. 다만, 높은 SoC 구간에 비해 낮은 SoC 구간에서 SoC 추정 오류가 생길 가능성이 상대적으로 높기 때문에, 배터리 최적화 장치는 낮은 SoC 구간에서 상수 파라미터를 조절하는 정책을 사용할 수 있다. 예를 들어, 방전 상황의 작동 데이터로 최적화가 이루어질 때, 상수 파라미터는 방전 파라미터의 제3 파라미터 세트와 함께 최적화될 수 있다. 보다 구체적으로, 위의 수학식 5에 관한 설명에 따르면 파라미터 세트

에서 제3 파라미터 세트가 조절되며 최적화 손실이 계산되는데, 이 경우 파라미터 세트

에서 제3 파라미터 세트 및 상수 파라미터가 조절되며 최적화 손실이 계산될 수 있다.

도 5는 일 실시예에 따른 SoC 구간 별 최적화 예시를 나타낸다. 도 5를 참조하면, 그래프(520)는 작동 데이터 세트(510)의 시간에 따른 배터리 전압을 나타낸다. 시간의 경과에 따라 전압이 감소하므로 작동 데이터 세트(510)는 배터리 방전 시 측정된 것임을 알 수 있다. 전체 SoC 구간(500)은 제1 SoC 구간(501), 제2 SoC 구간(502), 제3 SoC 구간(503)으로 분할될 수 있다. 예를 들어, 제1 SoC 구간(501)은 1.0 내지 0.7의 SoC 레벨에 대응할 수 있고, 제2 SoC 구간(502)은 0.7 내지 0.4의 SoC 레벨에 대응할 수 있고, 제3 SoC 구간(503)은 0.4 내지 0.0의 SoC 레벨에 대응할 수 있다.

작동 데이터 세트(510)는 제1 작동 데이터(515) 및 제2 작동 데이터(516)를 포함한다. 제1 작동 데이터(515)는 제1 SoC 값에 대응할 수 있고, 제2 작동 데이터(516)는 제2 SoC 값에 대응할 수 있다. ECT 파라미터들(530)은 방전 파라미터(예: 애노드 방전 파라미터)에 해당할 수 있다. ECT 파라미터들(530)은 그래프에 점들로 표현되어 있으며, 그래프에서 가로 축은 SoC(예: 1.0 내지 0.0)를 나타내고, 세로 축은 확산 농도를 나타낸다. ECT 파라미터들(530)은 제1 SoC 구간(501)에 속하는 제1 파라미터 세트(531), 제2 SoC 구간(502)에 속하는 제2 파라미터 세트(532), 및 제3 SoC 구간(503)에 속하는 제2 파라미터 세트(533)로 분류될 수 있다.

제1 작동 데이터(515)의 제1 SoC 값은 제1 SoC 구간(501)에 속하므로, 제1 작동 데이터(515)를 통해 제1 파라미터 세트(531)가 선택적으로 조절될 수 있다. 이와 같이, 제1 파라미터 세트(531)는 제1 SoC 구간(501)의 제1 작동 데이터 그룹(511)에 의해 선택적으로 조절될 수 있다. 이 과정에서 제2 파라미터 세트(532) 및 제3 파라미터 세트(533)는 조절되지 않은 채 유지될 수 있다. 작동 데이터 그룹(511)의 모든 작동 데이터가 처리되면, 제1 파라미터 세트(531)는 고정될 수 있다. 제2 SoC 값은 제2 SoC 구간(502)에 속하므로, 제1 작동 데이터(515) 및 제2 작동 데이터(516)를 통해 제2 파라미터 세트(532)가 선택적으로 조절될 수 있다. 이와 같이, 제2 파라미터 세트(532)는 제1 SoC 구간(501) 및 제2 SoC 구간(502)의 제2 작동 데이터 그룹(512)에 의해 선택적으로 조절될 수 있다. 이때, 제1 파라미터 세트(531)가 고정된 상태에서 제2 파라미터 세트(532)를 위한 추정 후보들이 결정될 수 있고, 제2 작동 데이터 그룹(512)의 모든 작동 데이터가 처리되면, 제2 파라미터 세트(532)는 고정될 수 있다. 제3 파라미터 세트(533)도 유사한 방식으로 제1 SoC 구간(501), 제2 SoC 구간(502), 및 제3 SoC 구간(503)의 제3 작동 데이터 그룹(513)에 의해 선택적으로 조절될 수 있다.

일 실시예에 따르면, 대상 장치는 ECT 모델(111)의 파라미터 업데이트가 완료된 시점 이후의 새로운 사이클에서 업데이트된 파라미터를 이용할 수 있다. 이때, SoC 구간 별로 업데이트가 완료되는 시점에 차이가 있는 경우, 각 업데이터된 파라미터 세트는 각 구간의 완료 시점에 맞추어 개별적으로 이용될 수 있다. 보다 구체적으로, 제1 SoC 구간(501)의 제1 파라미터 세트(531)의 업데이트는 완료되었으나, 제2 SoC 구간(502)의 제2 파라미터 세트(532)의 업데이트는 진행 중인 경우, 대상 장치는 제1 SoC 구간(501)의 SoC를 추정하는데 있어서 업데이트된 제1 파라미터 세트(531)를 이용할 수 있고, 제2 SoC 구간(502)의 SoC를 추정하는데 있어서 기존의 제2 파라미터 세트(532)를 이용할 수 있다.

도 6은 일 실시예에 따른 SoC 구간 별 최적화를 위한 최적화 동작을 나타낸다. 도 6을 참조하면, 단계(610)에서 배터리 최적화 장치는 작동 데이터(OD_i)를 획득한다. i는 1 내지 n의 값을 가질 수 있다. 배터리 최적화 장치는 단계(620)에서 작동 데이터(OD_i)의 SoC_i를 결정한다.

단계(631)에서 배터리 최적화 장치는 작동 데이터(OD_i)로 제1 파라미터 세트를 최적화한다. 예를 들어, 베이지안 최적화와 같은 기계 학습 기반의 최적화 탐색이 수행될 수 있다. 제1 파라미터 세트는 전체 ECT 파라미터 세트에서 제1 SoC 구간에 속하는 일부 파라미터들을 나타낼 수 있다. 제1 파라미터 세트의 최적화 탐색을 위해 1 내지 j의 인덱스를 갖는 작동 데이터(OD_i)가 이용될 수 있다. 제1 파라미터 세트의 최적화가 완료된 경우, 단계(632)에서 배터리 최적화 장치는 제1 파라미터 세트의 최적화 결과를 고정한다.

단계(641)에서 배터리 최적화 장치는 작동 데이터(OD_i)로 제2 파라미터 세트를 최적화한다. 제2 파라미터 세트는 전체 ECT 파라미터 세트에서 제2 SoC 구간에 속하는 일부 파라미터들을 나타낼 수 있다. 제2 파라미터 세트의 최적화 탐색을 위해 1 내지 k의 인덱스를 갖는 작동 데이터(OD_i)가 이용될 수 있다. 제2 파라미터 세트의 최적화가 완료된 경우, 단계(642)에서 배터리 최적화 장치는 제2 파라미터 세트의 최적화 결과를 고정한다.

단계(651)에서 배터리 최적화 장치는 작동 데이터(OD_i)로 제3 파라미터 세트를 최적화한다. 제3 파라미터 세트는 전체 ECT 파라미터 세트에서 제3 SoC 구간에 속하는 일부 파라미터들을 나타낼 수 있다. 제3 파라미터 세트의 최적화 탐색을 위해 1 내지 n의 인덱스를 갖는 작동 데이터(OD_n)가 이용될 수 있다. 제3 파라미터 세트의 최적화가 완료된 경우, 단계(652)에서 배터리 최적화 장치는 제3 파라미터 세트의 최적화 결과를 고정한다. 배터리 최적화 장치는 단계(661)에서 각 파라미터 세트를 통합하고, 단계(662)에서 통합된 새로운 파라미터 세트로 ECT 파라미터를 업데이트한다. ECT 파라미터의 업데이트가 완료되면, 대상 장치는 업데이트된 ECT 파라미터를 이용하여 배터리 SoC를 추정할 수 있다.

도 7은 일 실시예에 따른 조절 가중치를 이용한 최적화 예시를 나타낸다. 도 7을 참조하면, 배터리 최적화 장치는 제1 SoC 구간의 제1 작동 데이터 그룹(711)으로 제1 파라미터 세트(731)를 선택적으로 조절하고, 제2 SoC 구간의 제2 작동 데이터 그룹(712)으로 제2 파라미터 세트(732)를 선택적으로 조절하고, 제3 SoC 구간의 제3 작동 데이터 그룹(713)으로 제3 파라미터 세트(733)를 선택적으로 조절할 수 있다. 이때, 배터리 최적화 장치는 각 파라미터 세트의 조절을 위해 서로 다른 조절 가중치를 적용할 수 있다. 배터리 최적화 장치는 추정 오류가 발생할 가능성이 높은 구간에 더 높은 조절 가중치를 적용하여 업데이트 강도를 높일 수 있다. 예를 들어, 일반적으로 낮은 SoC 레벨에서 SoC의 추정 오류가 높을 수 있으므로, 이 점을 반영하여 제1 파라미터 세트(731)를 위해 0.3의 조절 가중치가, 제2 파라미터 세트(732)를 위해 0.7의 조절 가중치가, 제3 파라미터 세트(733)를 위해 1.0의 조절 가중치가 적용될 수 있다.

배터리 최적화 장치는 최적화 손실에 조절 가중치를 곱하는 방식으로 조절 가중치를 적용할 수 있다. 예를 들어, 제1 작동 데이터 그룹(711)의 어느 제1 작동 데이터를 통해 제1 최적화 손실이 도출된 경우, 배터리 최적화 장치는 제1 최적화 손실에 0.3의 조절 가중치를 곱해 제1 최적화 손실의 업데이트 효과를 0.3배 줄일 수 있다. 마찬가지로 제2 작동 데이터 그룹(712)의 각 최적화 손실에 0.7의 조절 가중치가, 제3 작동 데이터 그룹(713)의 각 최적화 손실에 1.0의 조절 가중치가 곱해질 수 있다. 이에 따라 제3 작동 데이터 그룹(713)에 의해 가장 높은 강도의 업데이트가 수행될 수 있다. 또한, 앞서 언급된 것처럼 제3 파라미터 세트(733)의 조절 과정에 상수 파라미터가 함께 조절될 수 있는데, 이러한 조절 가중치의 구성은 상수 파라미터의 정확도를 향상시킬 수 있다.

도 8은 일 실시예에 따른 열화 상태 파라미터를 이용한 최적화 동작을 나타낸다. 도 8을 참조하면, 단계(810)에서 배터리 최적화 장치는 열화 상태 파라미터를 정의한다. 예를 들어, 열화 상태 파라미터는 필름 저항(film resistance), 활물질(active material)의 부피 분율(volume fraction), 및 애노드-캐소드(anode-cathode) OCP(open circuit potential) 오프셋(offset)을 포함할 수 있다. 이들 파라미터들은 상수 파라미터일 수 있고, ECT 파라미터들 중에 배터리의 열화 상태를 가장 잘 반영하는 경향을 나타낸다.

배터리 최적화 장치는 단계(820)에서 작동 데이터를 획득하고, 단계(830)에서 열화 상태 파라미터를 최적화하고, 단계(840)에서 최적화된 새로운 열화 상태 파라미터를 통해 ECT 파라미터를 업데이트할 수 있다. 배터리 최적화 장치는 확산 파라미터와 함께 상수 파라미터를 조절할 때 상수 파라미터 전체를 조절하는 대신 열화 상태 파라미터를 선택적으로 조절하거나, 혹은 확산 파라미터를 조절하지 않고 상수 파라미터의 열화 상태 파라미터만 선택적으로 조절할 수 있다. 배터리 최적화 장치는 상수 파라미터를 최적화함에 있어서 이러한 열화 상태 파라미터를 선택적으로 최적화하여 최적화를 위한 계산량을 경감할 수 있다. 예를 들어, 프로세서의 계산 용량이 부족하거나 빠른 업데이트가 필요한 경우 열화 상태 파라미터의 선택적 최적화가 수행될 수 있다.

도 9는 일 실시예에 따른 배터리 최적화 장치의 구성을 나타낸다. 도 9를 참조하면, 배터리 최적화 장치(900)는 프로세서(910) 및 메모리(920)를 포함한다. 메모리(920)는 프로세서(910)에 연결되고, 프로세서(910)에 의해 실행가능한 명령어들, 프로세서(910)가 연산할 데이터 또는 프로세서(910)에 의해 처리된 데이터를 저장할 수 있다. 메모리(920)는 비일시적인 컴퓨터 판독가능 매체, 예컨대 고속 랜덤 액세스 메모리 및/또는 비휘발성 컴퓨터 판독가능 저장 매체(예컨대, 하나 이상의 디스크 저장 장치, 플래쉬 메모리 장치, 또는 기타 비휘발성 솔리드 스테이트 메모리 장치)를 포함할 수 있다.

프로세서(910)는 도 1 내지 도 8 및 도 10 내지 도 13의 설명에 따른 동작을 실행하기 위한 명령어들을 실행할 수 있다. 예를 들어, 프로세서(910)는 배터리의 제1 작동 데이터에 대응하는 제1 SoC 값을 결정하고, 전체 SoC 구간에서 제1 SoC 값이 속하는 제1 SoC 구간을 선택하고, 배터리를 모사하는 ECT 모델의 복수의 파라미터들 중에 제1 SoC 구간과 관련된 제1 파라미터 세트를 제1 작동 데이터에 기초하여 선택적으로 조절하고, 조절된 제1 파라미터 세트에 기초하여 ECT 모델의 복수의 파라미터들을 업데이트할 수 있다. 그 밖에, 배터리 최적화 장치(900)에는 도 1 내지 도 8 및 도 10 내지 도 13에 관한 설명이 적용될 수 있다.

도 10은 일 실시예에 따른 배터리 최적화 장치를 포함하는 배터리 전원 장치를 나타낸다. 도 10을 참조하면, 배터리 전원 장치(battery powered apparatus, 1000)는 배터리(1010) 및 배터리 최적화 장치(1020)를 포함한다. 배터리 최적화 장치(1020)는 배터리 전원 장치(1000)의 배터리 관리 시스템(battery management system, BMS)의 적어도 일부로 구현될 수 있다. 배터리(1010)는 배터리 전원 장치(1000)에 전력을 공급할 수 있고, 배터리 최적화 장치(1030)는 배터리(1010)의 작동 데이터를 수집하고 배터리(1010)의 최적화 상태를 유지할 수 있다. 예를 들어, 작동 데이터는 사용자가 배터리 전원 장치(1000)를 사용하는 과정에서 배터리(1010)가 작동함에 따라 생성될 수 있다.

배터리 최적화 장치(1020)는 온-디바이스 방식으로 실시예에 따른 최적화를 수행할 수 있다. 이때, 배터리 최적화 장치(1020)는 선택적 최적화를 통해 최적화를 위한 연산을 크게 감소시킬 수 있다. 이와 달리, 배터리 최적화 장치(1020)는 클라우드 서버를 이용하여 최적화를 수행할 수도 있다. 배터리 최적화 장치(1020)는 ECT 파라미터 세트 및 작동 데이터를 클라우드 서버에 동기화해 둘 수 있고, 최적화가 필요할 경우 클라우드 서버는 최적화 연산을 처리하여 그 결과를 배터리 최적화 장치(1020)에 제공할 수 있다. 배터리 최적화 장치(1020)는 클라우드 서버로부터 수신한 최적화 결과로 ECT 파라미터 세트를 업데이트할 수 있다. 배터리 전원 장치(1000)는 배터리(1010)에 의해 공급되는 전력을 통해 구동될 수 있으며, 이때 배터리 최적화 장치(1020)에 의해 최적화된 ECT 파라미터 기반의 ECT 모델을 이용하여 배터리(1010)의 SoC를 정확하게 추정할 수 있다. 그 밖에, 배터리 전원 장치(1000)에는 도 1 내지 도 9 및 도 11 내지 도 13에 관한 설명이 적용될 수 있다.

도 11은 일 실시예에 따른 배터리 최적화 장치를 포함하는 배터리 관리 서버를 나타낸다. 도 11을 참조하면, 도 10과 달리 배터리 최적화 장치(1111)는 배터리 관리 서버(1110)에 포함된다. 배터리 최적화 장치(1111)는 배터리 전원 장치(1120)로부터 배터리(1121)의 작동 데이터를 수신하여 저장해둘 수 있고, 최적화가 필요할 경우 작동 데이터에 기초하여 최적화 연산을 처리하여 그 결과를 배터리 전원 장치(1020)에 제공할 수 있다. 이때, 배터리 최적화 장치(1111)와 배터리(1121) 사이에서 통신 모듈 및 BMS 등이 필요한 역할을 수행할 수 있다. 배터리 전원 장치(1120)는 배터리(1121)에 의해 공급되는 전력을 통해 구동될 수 있으며, 이때 배터리 최적화 장치(1111)에 의해 최적화된 ECT 파라미터 기반의 ECT 모델을 이용하여 배터리(1121)의 SoC를 정확하게 추정할 수 있다. 그 밖에, 배터리 전원 장치(1000)에는 도 1 내지 도 9 및 도 11 내지 도 13에 관한 설명이 적용될 수 있다.

도 12는 일 실시예에 따른 전자 장치의 구성을 나타낸다. 도 12를 참조하면, 전자 장치(1200)는 프로세서(1210), 메모리(1220), 카메라(1230), 저장 장치(1240), 입력 장치(1250), 출력 장치(1260) 및 네트워크 인터페이스(1270)를 포함할 수 있으며, 이들은 통신 버스(1280)를 통해 서로 통신할 수 있다. 예를 들어, 전자 장치(1200)는 이동 전화, 스마트 폰, PDA, 넷북, 태블릿 컴퓨터, 랩톱 컴퓨터 등과 같은 모바일 장치, 스마트 워치, 스마트 밴드, 스마트 안경 등과 같은 웨어러블 디바이스, 데스크탑, 서버 등과 같은 컴퓨팅 장치, 텔레비전, 스마트 텔레비전, 냉장고 등과 같은 가전 제품, 도어 락 등과 같은 보안 장치, 자율주행 차량, 스마트 차량 등과 같은 차량의 적어도 일부로 구현될 수 있다. 전자 장치(1200)는 도 1의 배터리 최적화 장치(110), 도 9의 배터리 최적화 장치(900), 도 10의 배터리 전원 장치(1000), 도 11의 배터리 관리 서버(1110), 및/또는 배터리 전원 장치(1120)를 구조적 및/또는 기능적으로 포함할 수 있다.

프로세서(1210)는 전자 장치(1200) 내에서 실행하기 위한 기능 및 명령어들을 실행한다. 프로세서(1210)는 메모리(1220) 또는 저장 장치(1240)에 저장된 명령어들을 처리할 수 있다. 프로세서(1210)는 도 1 내지 도 11 및 도 13을 통하여 설명된 동작을 수행할 수 있다. 메모리(1220)는 배터리 최적화를 위한 데이터를 저장한다. 메모리(1220)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함할 수 있다. 메모리(1220)는 프로세서(1210)에 의해 실행하기 위한 명령어들을 저장할 수 있고, 전자 장치(1200)에 의해 소프트웨어 및/또는 애플리케이션이 실행되는 동안 관련 정보를 저장할 수 있다.

카메라(1230)는 사진 및/또는 비디오를 촬영할 수 있다. 카메라(1230)는 객체들에 관한 깊이 정보를 포함하는 3D 카메라일 수 있다. 저장 장치(1240)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함한다. 저 저장 장치(1240)는 메모리(1220)보다 더 많은 양의 정보를 저장하고, 정보를 장기간 저장할 수 있다. 예를 들어, 저장 장치(1240)는 자기 하드 디스크, 광 디스크, 플래쉬 메모리, 플로피 디스크 또는 이 기술 분야에서 알려진 다른 형태의 비휘발성 메모리를 포함할 수 있다.

입력 장치(1250)는 키보드 및 마우스를 통한 전통적인 입력 방식, 및 터치 입력, 음성 입력, 및 이미지 입력과 같은 새로운 입력 방식을 통해 사용자로부터 입력을 수신할 수 있다. 예를 들어, 입력 장치(1250)는 키보드, 마우스, 터치 스크린, 마이크로폰, 또는 사용자로부터 입력을 검출하고, 검출된 입력을 전자 장치(1200)에 전달할 수 있는 임의의 다른 장치를 포함할 수 있다. 출력 장치(1260)는 시각적, 청각적 또는 촉각적인 채널을 통해 사용자에게 전자 장치(1200)의 출력을 제공할 수 있다. 출력 장치(1260)는 예를 들어, 디스플레이, 터치 스크린, 스피커, 진동 발생 장치 또는 사용자에게 출력을 제공할 수 있는 임의의 다른 장치를 포함할 수 있다. 네트워크 인터페이스(1270)는 유선 또는 무선 네트워크를 통해 외부 장치와 통신할 수 있다.

도 13은 일 실시예에 따른 배터리 최적화 동작을 나타낸다. 도 13을 참조하면, 배터리 최적화 장치는 단계(1310)에서 배터리의 제1 작동 데이터에 대응하는 제1 SoC 값을 결정하고, 단계(1320)에서 전체 SoC 구간에서 제1 SoC 값이 속하는 제1 SoC 구간을 선택하고, 단계(1330)에서 배터리를 모사하는 ECT 모델의 복수의 파라미터들 중에 제1 SoC 구간과 관련된 제1 파라미터 세트를 제1 작동 데이터에 기초하여 선택적으로 조절하고, 단계(1340)에서 조절된 제1 파라미터 세트에 기초하여 ECT 모델의 복수의 파라미터들을 업데이트한다. 그 밖에, 배터리 최적화 동작에는 도 1 내지 도 12에 관한 설명이 적용될 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

배터리의 제1 작동 데이터에 대응하는 제1 충전 상태(state of charge, SoC) 값을 결정하는 단계;
전체 SoC 구간에서 상기 제1 SoC 값이 속하는 제1 SoC 구간을 선택하는 단계;
상기 배터리를 모사하는 전기화학(electrochemical thermal, ECT) 모델의 복수의 파라미터들 중에 상기 제1 SoC 구간과 관련된 제1 파라미터 세트를 상기 제1 작동 데이터에 기초하여 선택적으로 조절하는 단계; 및
상기 조절된 제1 파라미터 세트에 기초하여 상기 ECT 모델의 상기 복수의 파라미터들을 업데이트하는 단계
를 포함하는 배터리 최적화 방법.
제1항에 있어서,
상기 ECT 모델의 상기 복수의 파라미터들은 상기 전체 SoC 구간의 제2 SoC 구간과 관련된 제2 파라미터 세트를 더 포함하고,
상기 제1 작동 데이터에 기초한 상기 제1 파라미터 세트의 선택적 조절 과정에서 상기 제2 파라미터 세트는 조절되지 않은 채 유지되는,
배터리 최적화 방법.
제1항에 있어서,
상기 제1 파라미터 세트를 선택적으로 조절하는 단계는
상기 제1 작동 데이터 및 상기 복수의 파라미터들을 이용하여 상기 ECT 모델의 추정 전압을 결정하는 단계;
상기 제1 작동 데이터의 측정 전압 및 상기 ECT 모델의 상기 추정 전압에 기초하여 최적화 손실을 결정하는 단계; 및
상기 최적화 손실이 감소하도록 상기 제1 파라미터 세트의 적어도 하나의 파라미터를 조절하는 단계
를 포함하는, 배터리 최적화 방법.
제3항에 있어서,
상기 제1 파라미터 세트의 상기 적어도 하나의 파라미터를 조절하는 단계는
베이지안 최적화를 통해 상기 최적화 손실을 감소시키는 상기 제1 파라미터 세트의 후보 파라미터를 결정하는 단계; 및
상기 제1 파라미터 세트의 상기 적어도 하나의 파라미터를 상기 후보 파라미터로 조절하는 단계
를 포함하는, 배터리 최적화 방법.
제1항에 있어서,
상기 ECT 모델의 상기 복수의 파라미터들의 각 파라미터는 상기 배터리의 SoC 레벨에 독립적인 상수 파라미터 및 상기 배터리의 상기 SoC 레벨에 의존적인 확산 파라미터 중 어느 하나로 분류되고,
상기 제1 파라미터 세트의 각 파라미터는 상기 확산 파라미터에 속하는,
배터리 최적화 방법.
제5항에 있어서,
상기 확산 파라미터는 상기 배터리의 충전과 관련된 충전 파라미터 및 상기 배터리의 방전과 관련된 방전 파라미터 중 어느 하나로 더 분류되는,
배터리 최적화 방법.
제6항에 있어서,
상기 제1 작동 데이터가 상기 배터리의 충전 시 측정된 경우, 상기 제1 파라미터 세트는 상기 충전 파라미터에 속하고,
상기 제1 작동 데이터가 상기 배터리의 방전 시 측정된 경우, 상기 제1 파라미터 세트는 상기 방전 파라미터에 속하는,
배터리 최적화 방법.
제5항에 있어서,
상기 상수 파라미터는 필름 저항, 활물질의 부피 분율, 및 애노드-캐소드 OCP(open circuit potential) 오프셋 중 적어도 하나를 나타내는,
배터리 최적화 방법.
제1항에 있어서,
상기 배터리는 배터리 전원 장치에 전력을 공급하고,
상기 제1 작동 데이터는 사용자가 상기 배터리 전원 장치를 사용하는 과정에서 상기 배터리가 작동함에 따라 생성되는,
배터리 최적화 방법.
제1항에 있어서,
상기 제1 작동 데이터는 상기 배터리의 작동에 따른 상기 배터리의 전압, 전류, 및 온도 중 적어도 하나를 포함하는,
배터리 최적화 방법.
제1항에 있어서,
상기 제1 파라미터 세트의 선택적 조절이 완료된 경우, 상기 제1 파라미터 세트를 고정하여 새로운 제1 파라미터 세트를 결정하는 단계; 및
상기 새로운 제1 파라미터 세트를 포함하는 상기 ECT 모델의 복수의 새로운 파라미터들에 기초하여 상기 전체 SoC 구간의 제2 SoC 구간과 관련된 제2 파라미터 세트를 선택적으로 조절하는 단계
를 더 포함하는, 배터리 최적화 방법.
제11항에 있어서,
상기 제2 파라미터 세트를 선택적으로 조절하는 단계는
상기 배터리의 제2 작동 데이터에 대응하는 제2 SoC 값을 결정하는 단계;
상기 전체 SoC 구간에서 상기 제2 SoC 값이 속하는 상기 제2 SoC 구간을 선택하는 단계; 및
상기 ECT 모델의 상기 복수의 새로운 파라미터들 중에 상기 제2 SoC 구간과 관련된 제2 파라미터 세트를 상기 제1 작동 데이터 및 상기 제2 작동 데이터에 기초하여 선택적으로 조절하는 단계
를 포함하는, 배터리 최적화 방법.
제12항에 있어서,
상기 제1 파라미터 세트의 선택적 조절 및 상기 제1 파라미터 세트의 선택적 조절을 위해 서로 다른 조절 가중치가 적용되는,
배터리 최적화 방법.
하드웨어와 결합되어 제1항 내지 제13항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
프로세서; 및
상기 프로세서에서 실행가능한 명령어들을 포함하는 메모리
를 포함하고,
상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는
배터리의 제1 작동 데이터에 대응하는 제1 충전 상태(state of charge, SoC) 값을 결정하고,
전체 SoC 구간에서 상기 제1 SoC 값이 속하는 제1 SoC 구간을 선택하고,
상기 배터리를 모사하는 전기화학(electrochemical thermal, ECT) 모델의 복수의 파라미터들 중에 상기 제1 SoC 구간과 관련된 제1 파라미터 세트를 상기 제1 작동 데이터에 기초하여 선택적으로 조절하고,
상기 조절된 제1 파라미터 세트에 기초하여 상기 ECT 모델의 상기 복수의 파라미터들을 업데이트하는,
배터리 최적화 장치.
제15항에 있어서,
상기 ECT 모델의 상기 복수의 파라미터들은 상기 전체 SoC 구간의 제2 SoC 구간과 관련된 제2 파라미터 세트를 더 포함하고,
상기 제1 작동 데이터에 기초한 상기 제1 파라미터 세트의 선택적 조절 과정에서 상기 제2 파라미터 세트는 조절되지 않은 채 유지되는,
배터리 최적화 장치.
제15항에 있어서,
상기 프로세서는
상기 제1 파라미터 세트의 선택적 조절이 완료된 경우, 상기 제1 파라미터 세트를 고정하여 새로운 제1 파라미터 세트를 결정하고,
상기 새로운 제1 파라미터 세트를 포함하는 상기 ECT 모델의 복수의 새로운 파라미터들에 기초하여 상기 전체 SoC 구간의 제2 SoC 구간과 관련된 제2 파라미터 세트를 선택적으로 조절하는,
배터리 최적화 장치.
전자 장치에 전력을 공급하는 배터리; 및
상기 배터리의 제1 작동 데이터에 대응하는 제1 충전 상태(state of charge, SoC) 값을 결정하고,
전체 SoC 구간에서 상기 제1 SoC 값이 속하는 제1 SoC 구간을 선택하고,
상기 배터리를 모사하는 전기화학(electrochemical thermal, ECT) 모델의 복수의 파라미터들 중에 상기 제1 SoC 구간과 관련된 제1 파라미터 세트를 상기 제1 작동 데이터에 기초하여 선택적으로 조절하고,
상기 조절된 제1 파라미터 세트에 기초하여 상기 ECT 모델의 상기 복수의 파라미터들을 업데이트하는, 프로세서
를 포함하는 전자 장치.
제18항에 있어서,
상기 ECT 모델의 상기 복수의 파라미터들은 상기 전체 SoC 구간의 제2 SoC 구간과 관련된 제2 파라미터 세트를 더 포함하고,
상기 제1 작동 데이터에 기초한 상기 제1 파라미터 세트의 선택적 조절 과정에서 상기 제2 파라미터 세트는 조절되지 않은 채 유지되는,
전자 장치.
제18항에 있어서,
상기 프로세서는
상기 제1 파라미터 세트의 선택적 조절이 완료된 경우, 상기 제1 파라미터 세트를 고정하여 새로운 제1 파라미터 세트를 결정하고,
상기 새로운 제1 파라미터 세트를 포함하는 상기 ECT 모델의 복수의 새로운 파라미터들에 기초하여 상기 전체 SoC 구간의 제2 SoC 구간과 관련된 제2 파라미터 세트를 선택적으로 조절하는,
전자 장치.