KR20220089200A

KR20220089200A - 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치

Info

Publication number: KR20220089200A
Application number: KR1020200179613A
Authority: KR
Inventors: 이인수; 이종현
Original assignee: 경북대학교 산학협력단
Priority date: 2020-12-21
Filing date: 2020-12-21
Publication date: 2022-06-28
Also published as: KR102595386B1

Abstract

본 발명은, 배터리 파라메터로부터 배터리의 방전 데이터를 획득하는 단계; 상기 배터리의 방전 데이터와 매개변수들로부터 배터리의 SOH를 추정하는 단계; 상기 배터리의 SOH 추정을 통해 배터리가 정상상태 또는 주의상태 또는 결함상태인지를 체크하는 단계; 및 상기 배터리가 정상상태이면, 정상상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하고, 상기 배터리가 주의상태이면, 주의상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하며, 상기 배터리가 결함상태이면, 결함상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하는 단계;를 포함하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치를 제공한다.

Description

신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치{State of Charge Estimation and State of Health Monitoring of Battery Using Neural Networks}

본 발명은 배터리 모니터링 기술에 관한 것으로, 더욱 상세하게는 배터리의 상태 추정의 정확도를 높여 배터리의 안전성을 향상시킬 수 있는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치에 관한 것이다.

리튬 배터리는 전기 자동차, 휴대용 장치 및 에너지 저장 시스템(energy storage systems, ESS)과 같은 분야에서 보편적으로 사용되는 에너지 저장 디바이스이다. 상기 배터리의 효율은 부하 또는 소스에 연결할 때의 배터리 내부의 화학 반응을 기반으로 한다.

상기 배터리내의 화학 물질은 시간과 사용에 따라 저하되며, 그에 따라 배터리의 에너지 저장 용량이 점진적으로 감소한다. 또한 몇가지의 환경 요인은 배터리 수명에 영향을 끼치며, 상기 환경 요인으로는 고온 및 저온에서의 작동, 빈번한 충전 및 과방전 등이다. 상기의 이유로 열화된 배터리가 계속 사용되는 경우에는 화재 또는 폭발의 위험이 있다.

이에 종래에는 사고를 예방하기 위해 배터리 상태를 진단하는 배터리 관리 시스템(battery management system ,BMS)의 연구가 계속되고 있다.

이러한 기술로는 대한민국 특허청에 특허등록된 제10-0651573호가 있으며, 이는 배터리 셀로부터 전류, 전압 및 온도를 검출하는 센싱부와, 상기 센싱부로부터 입력되는 전류, 전압 및 온도 데이터와, 현재 시간 데이터를 기초로 신경망 알고리즘 및 학습 알고리즘을 수행하고, 학습된 최종 알고리즘 이용하여 추정된 배터리 잔존량을 출력하는 신경망과, 상기 신경망으로부터 공급되는 출력값과 소정의 목표값을 비교하여, 그 차가 소정 범위내에 속하지 않는 경우 상기 신경망이 상기 학습 알고리즘을 반복 수행함으로써 상기 학습 알고리즘을 갱신하여 학습된 최종 알고리즘을 생성할 수 있게 하는 비교기를 포함하는 배터리 잔존량 추정 장치를 개시하고 있다.

그리고 대한민국 특허청에 특허출원된 제10-2019-0040455호는 배터리 셀의 전압 및 개방 회로 전압을 측정하도록 구성된 전압 측정부; 상기 배터리 셀의 온도를 측정하도록 구성된 온도 측정부; 및 상기 전압 측정부 및 온도 측정부와 연결되고, 상기 전압 측정부에 의해 측정된 개방 회로 전압에 따라 상기 배터리 셀의 충전 상태를 추정하고, 추정된 충전 상태, 상기 온도 측정부에 의해 측정된 온도에 대응되는 복수의 주파수를 선택하고, 선택된 복수의 주파수를 가지는 전류를 상기 배터리 셀에 인가하여 상기 배터리 셀에 대한 주파수별 임피던스를 산출하고, 상기 산출된 주파수별 임피던스를 미리 학습된 신경망을 통해 입력하여 미리 정의된 배터리 모델의 파라미터 추정값을 획득하고, 획득한 파라미터 추정값에 따라 상기 배터리 모델을 1차 갱신하고, 1차 갱신된 배터리 모델에서 통해 산출된 추정 전압값과 상기 전압 측정부에 의해 측정된 측정 전압값 간의 전압 차이가 임계값 미만이 될 때까지 상기 배터리 모델의 파라미터를 반복적으로 조정하여 상기 배터리 모델을 2차 갱신하도록 구성된 제어부를 포함하는 배터리 관리장치를 개시하고 있다.

그리고 대한민국 특허청에 특허등록된 제10-0793616호가 있으며, 이는 배터리 셀의 전류, 전압 및 온도를 검출하는 센싱부; 상기 센싱부에서 검출된 전류, 전압 및 온도를 신경망 알고리즘에 따른 방사 함수로 처리하는 배터리 잔존량 추정값을 출력하는 소프트 컴퓨팅부를 포함하는 배터리 잔존량을 추정하는 장치를 개시하고 있다.

상기한 바와 같이 종래에는 다양한 방식으로 배터리의 상태 및 잔존량을 추정하는 기술이 제안되고 있으나, 여전히 배터리 폭발 및 화재 사고가 발생되고 있어 배터리의 상태 추정의 정확도를 높여 배터리의 안전성을 향상시키기 위한 노력이 계속되고 있다.

대한민국 특허청에 특허출원된 제10-2019-0040455호 대한민국 특허청에 특허출원된 제10-2019-0040455호 대한민국 특허청에 특허등록된 제10-0793616호

본 발명은 배터리의 상태 추정의 정확도를 높여 배터리의 안전성을 향상시킬 수 있는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치를 제공하는 것을 그 목적으로 한다.

상기의 목적을 달성하기 위해, 본 발명의 일측면에 따르면, 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법은, 배터리 파라메터로부터 배터리의 방전 데이터를 획득하는 단계; 상기 배터리의 방전 데이터와 매개변수들로부터 배터리의 SOH를 추정하는 단계; 상기 배터리의 SOH 추정을 통해 배터리가 정상상태 또는 주의상태 또는 결함상태인지를 체크하는 단계; 및 상기 배터리가 정상상태이면, 정상상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하고, 상기 배터리가 주의상태이면, 주의상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하며, 상기 배터리가 결함상태이면, 결함상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하는 단계;를 포함하는 것을 특징으로 한다.

또한, 상기 매개변수는 배터리 전류, 온도 및 내부저항 중 하나 이상을 포함할 수 있다.

또한, 상기 SOH의 추정을 위한 배터리 방전 데이터는 한 사이클의 방전 데이터이며, 미리 학습된 MNN을 통해 상기 한 사이클의 방전 데이터를 처리하여 SOH 추정하여 배터리의 상태를 판별함을 특징으로 한다.

또한, 상기 SOC의 추정을 위한 배터리 방전 데이터는 6개의 방전 데이터임을 특징으로 한다.

본 발명의 다른 측면에 따르면, 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치에 있어서, 배터리 파라메터로부터 배터리의 방전 데이터를 획득하는 배터리 방전 데이터 처리부; 상기 배터리의 방전 데이터와 매개변수들로부터 배터리의 SOH를 추정하고, 상기 배터리의 SOH 추정을 통해 배터리가 정상상태 또는 주의상태 또는 결함상태인지를 체크하고, 상기 배터리가 정상상태이면, 정상상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하고, 상기 배터리가 주의상태이면, 주의상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하며, 상기 배터리가 결함상태이면, 결함상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하는 배터리 상태 추정부;를 포함하는 것을 특징으로 한다.

또한, 상기 SOH의 추정을 위한 배터리 방전 데이터는 한 사이클의 방전 데이터이며, 상기 배터리 상태 추정부는, 미리 학습된 MNN을 통해 상기 한 사이클의 방전 데이터를 처리하여 SOH 추정하여 배터리의 상태를 판별함을 특징으로 한다.

본 발명은 신경회로망을 이용한 배터리의 SOC 추정과 SOH 모니터링을 통해 정확도가 개선된 배터리 상태 추정 성능을 확인할 수 있었으며, 배터리 결함의 신속한 감지와 정확한 고장 진단으로 배터리의 안정성을 확보할 수 있게 한다.

도 1은 본 발명의 바람직한 실시예에 따르는 신경회로망을 이용한 배터리의 상태 추정부의 개략적인 구성도.
도 2는 MNN 구조도.
도 3은 본 발명의 바람직한 실시예에 따르는 신경회로망을 이용한 배터리의 상태 추정 및 모니터링 장치의 구성도.
도 4는 본 발명의 바람직한 실시예에 따르는 신경회로망을 이용한 배터리의 상태 추정 및 모니터링 방법의 절차도.
도 5는 본 발명의 바람직한 실시예에 따르는 배터리 방전 데이터를 예시한 도면.
도 6은 본 발명의 바람직한 실시예에 따르는 SOC 추정을 위한 MNN 구조도.
도 7은 본 발명의 바람직한 실시예에 따라 SOH에 따른 배터리 상태를 분류한 예를 도시한 도면.
도 8은 본 발명의 바람직한 실시예에 따른 SOH 진단결과를 나타낸 도면.
도 9는 본 발명의 바람직한 실시예에 따르는 SOC 추정결과의 정확도를 나타낸 도면.

본 발명은 배터리의 상태 추정의 정확도를 높여 배터리의 안전성을 향상시킬 수 있게 하며, 이를 위한 본 발명은 배터리의 상태 추정을 위해 MNN(Multilayer Neural Network)을 이용하여 SOC(State of Charge) 추정 및 SOH(State of Health) 진단을 이행한다.

이하에서 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 신경회로망을 이용한 배터리의 상태 추정 모니터링 장치 및 방법에 대해 상세히 설명한다.

도 1은 본 발명의 바람직한 실시예에 따른 SOC 추정 및 SOH 진단을 위한 MNN 장치를 개략적으로 도시한 것이다. 상기 SOC 추정 및 SOH 진단을 위한 MNN 장치는 하나의 SOH 진단모델(10)과 3개의 SOC 추정모델(20~40)로 구성된다.

상기 SOC 추정 모델들(20~40)은 학습된 데이터에 따라 정상 모델, 주의 모델 및 결함 모델로 구성된다. 상기 SOH 진단 모델(10)은 배터리의 남은 전류 용량을 검출하여 배터리의 상태를 진단하고, 진단된 배터리의 상태에 부합되게 모델링된 SOC 추정 모델들(20~40)을 선택적으로 구동하여 배터리의 SOC를 추정한다.

즉, SOH 진단 모델(10)이 배터리의 상태를 정상으로 진단하면, 정상 모델에 대한 학습데이터로 학습된 SOC 추정모델(20)을 통해 배터리의 SOC를 추정하고, SOH 진단 모델(10)이 배터리의 상태를 주의로 진단하면, 주의 모델에 대한 학습데이터로 학습된 SOC 추정모델(30)을 통해 배터리의 SOC를 추정하고, SOH 진단 모델(10)이 배터리의 상태를 결함으로 진단하면, 결함 모델에 대한 학습데이터로 학습된 SOC 추정모델(40)을 통해 배터리의 SOC를 추정한다.

이제 본 발명에서 사용되는 SOH, SOC 및 MNN에 대해 좀더 상세하게 설명한다.

상기 SOC는 배터리의 남은 전류 용량을 나타내며 배터리를 모니터링할 때 고려해야 할 중요한 매개 변수이다.

상기 SOC는 수학식 1에 나타낸 바와 같이 배터리의 정격 용량에서 현재 릴리서블 용량의 백분율로 나타낸 것이다.

상기 수학식 1에서 Crated는 배터리의 정격용량이고, Creleasable은 배터리의 릴리서블 용량이다.

상기 SOC는 쿨롱 카운터에서 계산할 수 있다. 그러나 이 방법은 초기 SOC 설정이 올바르지 않거나 센서 오류가 누적되면 정확한 SOC 값을 계산할 수 없다는 단점이 있어, 본 발명은 배터리 특성을 모델링할 수 있는 신경망을 사용하여 SOC를 추정한다.

그리고 상기 SOH는 배터리로 인한 성능 저하의 지표이며 상기 SOH를 기준으로 배터리 상태를 측정할 수 있다. 상기 SOH는 수학식 2에 나타낸 바와 같이 현재의 배터리 용량을 초기 용량의 백분율로 나타낸 것이다.

상기 수학식 2에서 Cinitial은 초기 용량이고, Cactual은 현재 배터리 용량이다.

상기 배터리의 용량이 초기 용량의 80% 미만으로 감소하면 결함으로 판단된다.

특히, 본 발명에서는 상기 SOH가 100% ~ 90%이면 정상 상태, 90% ~ 80%이면 주의상태, 80% 미만이면 결함상태로 정의한다.

그리고 상기 MNN은 다층 학습에서 가장 기본적인 모델로, 상기 MNN의 개략적인 구성을 도시한 것이 도 2이다. 상기 도 2를 참조하면 상기 MNN은 하나의 입력레이어와 두개의 히든레이어, 그리고 하나의 출력레이어로 구성된다. 다양한 비선형 변환 기술은 기존의 신경망보다 더 많은 히든 레이어와 결합하여 높은 추상화를 가능하게 한다.

본 발명을 위한 학습 최적화 방법은 SOC 및 SOH 모델에 대한 RMSprop((Root Mean Sqaure Propagation)이다. 상기 RMSprop는 수학식 3 및 수학식 4에 따라 결정된다.

상기 수학식 3 및 수학식 4에서, γ는 감쇠율(일반적으로 0.9)이고, θ는 네트워크 매개 변수이고, f(θ)는 비용 함수이며, 본 발명에서는 소프트맥스(softmax)를 사용한다. 상기 ∇θf(θ)는 네트워크의 기울기이고 t는 시간 단계이다. 그리고 Gt는 누적 제곱 기울기이고, η는 0.001로 설정된 학습률이다. 그리고 ε는 엡실론을 의미한다.

상기 MNN 노드의 활성화 함수는 수학식 5에 의해 ReLU (rectified linear unit) 함수이다.

상기 소프트맥스(softmax) 함수는 출력 계층과 클래스 분류 문제를 변환하는 데 사용된다. 이전 계층의 출력은 상태 분류 문제를 풀때 각 상태의 확률에 입력된다. 상기 소프트맥스 함수는 수학식 6에 따른다.

상기 수학식 6에서, k는 입력 및 출력 벡터의 차원수이고, pi는 i 번째 출력 값이고 xi는 i 번째 입력 값이다.

이제 본 발명의 바람직한 실시예에 따르는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치 및 방법을 도면을 참조하여 상세히 설명한다.

<신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치의 구성>

도 3은 본 발명의 바람직한 실시예에 따르는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치의 구성도이다. 상기 도 3을 참조하면, 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치는 배터리 상태 추정부(100)와 배터리 전압 데이터 처리부(200)와 배터리 상태정보 관리부(300)와 메모리부(302)와 디스플레이(304)로 구성된다.

상기 배터리 전압 데이터 처리부(200)는 미도시된 배터리와 연결되어 배터리 방전 데이터를 생성하여 상기 배터리 상태 추정부(100)에 제공한다. 상기 배터리 방전 데이터는 한 사이클의 방전 데이터 세트와 6개의 방전 데이터 세트로 구성된다. 상기 한 사이클의 방전 데이터 세트는 배터리 상태 추정부(100)의 SOH 추정부(102)에 입력되고, 상기 6개의 방전 데이터 세트는 정상, 주의, 결함상태의 SOC 추정 MNN 처리부(106,108,110)로 제공된다.

상기 배터리 상태 추정부(100)는 SOH 추정부(102)와 스위칭부(104)와 정상,주의,결함상태의 SOC 추정 MNN 처리부(106,108,110)로 구성된다. 상기 SOH 추정부(102)는 상기 배터리 전압 데이터 처리부(200)가 제공하는 한 사이클의 방전 데이터 세트, 배터리 전류, 온도 및 내부 저항 등과 같은 매개변수 정보를 사용하여 배터리 열화 특성을 모델링한 정보를 이용하여 배터리의 SOC를 추정하고, 그 결과를 정상상태, 주의상태 및 결함상태로 분류하여 출력한다. 여기서 상기 배터리 전류, 온도 및 내부 저항 등과 같은 매개 변수 정보의 입력은 도 3에서는 생략되었다. 상기 스위칭부(104)는 상기 SOC 추정부(102)의 출력, 즉 정상상태, 주의상태 및 결함상태에 따라 6개의 방전 데이터 세트를 정상상태의 SOC 추정 MNN 처리부(106), 주의상태의 SOC 추정 MNN 처리부(108) 및 결함상태의 SOC 추정 MNN 처리부(110) 중 어느 하나에 선택적으로 제공한다.

상기 정상상태의 SOC 추정 MNN 처리부(106)는 SOH가 100%에서 90%인 경우의 6개의 방전 데이터 세트들로 구성된 학습데이터로 모델링된다. 그리고 상기 주의상태의 SOC 추정 MNN 처리부(108)는 SOH가 90%에서 80%인 경우의 6개의 방전 데이터 세트들로 구성된 학습데이터로 모델링된다. 그리고 상기 결함상태의 SOC 추정 MNN 처리부(110)는 SOH가 80% 미만인 경우의 6개의 방전 데이터 세트들로 구성된 학습 데이터로 모델링된다.

상기 정상상태의 SOC 추정 MNN 처리부(106), 주의상태의 SOC 추정 MNN 처리부(108) 및 결함상태의 SOC 추정 MNN 처리부(110) 각각은 6개의 방전 데이터 세트가 입력되면, 배터리의 SOC를 추정하여 출력한다.

상기 배터리 상태추정부(110)는 SOH 추정부(102)에 의해 결정된 배터리 상태에 부합되게 학습된 SOC 추정 MNN 처리부를 통해 추정된 배터리의 SOC 추정값 및 배터리 상태정보를 출력하며, 이는 배터리 상태정보 관리부(300)에 입력된다.

상기 배터리 상태정보 관리부(300)는 상기 배터리 상태추정부(100)가 제공하는 배터리 SOC 추정값과 배터리 상태정보를 입력받아 메모리부(302)에 저장하며, 디스플레이(304) 등이 출력장치를 통해 출력하여 사용자에게 안내한다. 이로서 사용자는 배터리의 상태 및 SOC 등을 모니터링할 수 있게 한다.

상기 메모리부(302)는 상기 배터리 상태정보 관리부(300)의 처리 프로그램 등 각종정보를 저장함과 아울러, 상기 배터리 상태정보 관리부(300)의 제어에 따라 배터리 SOC 추정값과 배터리 상태정보 등을 저장한다.

상기 디스플레이부(304)는 상기 배터리 상태정보 관리부(300)의 제어에 따르는 각종정보를 표시하여 사용자에게 안내한다.

<신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법의 절차>

이제 상기의 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치에 적용가능한 방법을 도 4의 흐름도를 참조하여 설명한다.

상기 배터리의 상태 추정과 모니터링 장치의 배터리 방전 데이터 처리부(200)는 미도시된 배터리로부터 배터리 파라메터를 획득하며(500단계), 상기 배터리 파라메터를 한 사이클의 방전 데이터와 6개의 장전 데이터로 변환하여 출력한다(502단계).

상기 한 사이클의 방전 데이터는 배터리 상태추정부(110)의 SOH 추정부(102)에 입력된다. 상기 SOH 추정부(102)는 상기 한 사이클의 방전 데이터와 배터리 전류, 온도 및 내부 저항 등과 같은 매개변수를 이용하여 SOH를 추정하고, 그 추정결과에 따르는 배터리 상태정보를 출력한다(504단계). 상기 배터리 상태정보는 정상/주의/결함 상태를 지시한다.

이후 상기 배터리 상태 추정부(100)의 스위칭부(104)는 상기 SOH 추정부(102)로부터 배터리 상태정보를 제공받으며, 상기 SOH 추정부(102)로부터의 배터리 상태정보가 정상상태이면 상기 6개의 방전데이터를 정상상태의 SOC 추정 MNN 처리부(106)에 제공하여 정상상태에서의 SOC 추정을 이행하게 한다(506,508단계). 여기서 상기 정상상태의 SOC 추정 MNN 처리부(106)는 정상상태에서의 6개의 방전 데이터를 토대로 학습된 상태이다.

그리고 상기 스위칭부(104)는 상기 SOH 추정부(102)로부터의 배터리 상태정보가 주의상태이면 상기 6개의 방전데이터를 주의상태의 SOC 추정 MNN 처리부(108)에 제공하여 주의상태에서의 SOC 추정을 이행하게 한다(506,510단계). 여기서 상기 주의상태의 SOC 추정 MNN 처리부(108)는 주의상태에서의 6개의 방전 데이터를 토대로 학습된 상태이다.

그리고 상기 스위칭부(104)는 상기 SOH 추정부(102)로부터의 배터리 상태정보가 결함상태이면 상기 6개의 방전데이터를 결함상태의 SOC 추정 MNN 처리부(110)에 제공하여 결함상태에서의 SOC 추정을 이행하게 한다(506,512단계). 여기서 상기 결함상태의 SOC 추정 MNN 처리부(110)는 결함상태에서의 6개의 방전 데이터를 토대로 학습된 상태이다.

상기 정상상태의 SOC 추정 MNN 처리부(106)는 SOH 분석결과가 정상상태인 경우, 정상상태에서 학습된 MNN으로 추정된 SOC 추정값을 출력한다(514,516단계).

그리고 주의상태의 SOC 추정 MNN 처리부(108)는 SOH 분석결과가 주의상태인 경우, 주의상태에서 학습된 MNN으로 추정된 SOC 추정값을 출력한다(518,520단계).

그리고 결함상태의 SOC 추정 MNN 처리부(110)는 SOH 분석결과가 결함상태인 경우, 결함상태에서 학습된 MNN으로 추정된 SOC 추정값을 출력한다(518,522단계).

<실험 및 결과>

상기한 본 발명에 따르는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치 및 방법의 성능은 실험으로 작동된 배터리의 방전 데이터를 이용하여 평가되었다. 도 5는 본 발명의 평가를 위한 훈련 및 테스트 데이터를 나타낸 것이다.

상기 도 5의 패턴 1(Pattern 1)은 정격 용량의 100%인 정상 상태의 방전 데이터이고, 패턴 2~4(Pattern 2~4)는 정격 용량의 90%~80%로 주의 상태의 방전 데이터이고, 패턴 5~7(Pattern 5~7)은 정격 용량이 80% 미만인 결함상태에서의 방전 데이터이다. 상기 패턴 1은 정상 모델의 MNN에 대한 훈련 데이터로 사용되었으며 상기 패턴 2~4는 주의 모델의 MNN에 대한 훈련 데이터로 사용되었으며 상기 패턴 5~7은 결함 모델의 MNN에 대한 훈련 데이터로 사용되었다.

본 발명에 따르는 SOC 및 SOH 추정 및 진단은 MNN을 기반으로 한다. 도 6은 SOC 추정을 위한 MNN 모델을 예시한 것이다.

상기 SOC 추정을 위한 MNN 모델은 6-150-150-101 MNN 구조를 가진다. 즉 상기 SOC 추정을 위한 MNN 모델은 6개의 입력 노드, 히든 레이어 1에는 150개의 히든 노드, 히든 레이어 2에는 150개의 히든 노드, 그리고 101 개의 출력 노드를 가진다.

그리고 네트워크는 RMSprop 최적화로 훈련되었고 각 히든 레이어는 ReLU 기능을 사용하여 활성화되고 출력 레이어는 소프트 맥스를 사용하였다.

도 7은 SOH 진단을 위한 MNN 모델을 나타낸 것이다. 상기 SOH 추정을 위한 MNN 모델은 3600-256-256-3 구조를 가지며, 사용되는 학습 방법 및 활성화 기능은 SOC 모델과 동일하다. 상기 SOH 진단을 위한 MNN 모델에 대해 패턴 1, 패턴 2, 패턴 6의 데이터가 테스트에 사용되었다.

상기한 조건으로 SOC 및 SOH 테스트를 이행한 결과는 다음과 같다.

도 8은 SOH 진단결과를 나타낸 것으로, 각 패턴은 정상, 주의 또는 결함 상태로 정확하게 진단되었다.

도 9는 SOC 추정 결과를 나타낸 표를 도시한 것이다. 정상 모델은 패턴 1의 데이터를 학습하고 주의 모델은 패턴 2에서 패턴 4의 데이터를 학습하고, 결함 모델은 패턴 5에서 패턴 7의 데이터를 학습하며, 전체 모델은 패턴 1에서 패턴 7 데이터를 학습한다. 그에 따른 SOC 추정 결과는 평균 절대 오차로 검증되었다.

상기 도 9를 참조하면, 패턴 1은 일반 모델에서 0.01 %로 가장 높은 성능을 보여주며, 패턴 2는 주의 모델에서 2.03 %로 가장 높은 성능을 보여준다. 패턴 6은 결함 모델에서 0.1 %로 최고 성능을 보여준다. 이는 패턴 전체를 학습한 모델보다 7.11 %, 0.48 %, 2,19 % 낮은 오차를 가져온다.

여기서, 상기 배터리는 고온 챔버(40ㅀC)에서 충방전되었으며 실험에서 얻은 배터리 방전 전압 데이터는 본 발명에 따른 방법을 사용하여 배터리의 SOH 및 SOC를 추정하는 데 사용되었다. 그리고 시험결과는 SOH 진단 모델이 배터리의 정확한 상태를 진단한 것으로 나타났으며, SOC 추정 모델은 본 발명에 따른 방법을 사용한 모델의 SOC 추정 성능이 모든 데이터를 학습한 모델보다 우수하다는 것을 나타낸다.

위에서 설명된 본 발명의 실시 예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 본 특허청구범위에 속하는 것으로 보아야 할 것이다.

100 : 배터리 상태 추정부
200 : 배터리 방전 데이터 처리부
300 : 배터리 상태정보 관리부
302 : 메모리부
304 : 디스플레이

Claims

신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법에 있어서,
배터리 파라메터로부터 배터리의 방전 데이터를 획득하는 단계;
상기 배터리의 방전 데이터와 매개변수들로부터 배터리의 SOH를 추정하는 단계;
상기 배터리의 SOH 추정을 통해 배터리가 정상상태 또는 주의상태 또는 결함상태인지를 체크하는 단계; 및
상기 배터리가 정상상태이면, 정상상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하고,
상기 배터리가 주의상태이면, 주의상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하며,
상기 배터리가 결함상태이면, 결함상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하는 단계;를 포함하는 것을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법.
제1항에 있어서,
상기 매개변수는 배터리 전류, 온도 및 내부저항 중 하나 이상을 포함함을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법.
제1항에 있어서,
상기 SOH의 추정을 위한 배터리 방전 데이터는 한 사이클의 방전 데이터이며,
미리 학습된 MNN을 통해 상기 한 사이클의 방전 데이터를 처리하여 SOH 추정하여 배터리의 상태를 판별함을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법.
제1항 내지 제3항 중 어느 한 항에 있어서,
상기 SOC의 추정을 위한 배터리 방전 데이터는 6개의 방전 데이터임을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법.
신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치에 있어서,
배터리 파라메터로부터 배터리의 방전 데이터를 획득하는 배터리 방전 데이터 처리부;
상기 배터리의 방전 데이터와 매개변수들로부터 배터리의 SOH를 추정하고,
상기 배터리의 SOH 추정을 통해 배터리가 정상상태 또는 주의상태 또는 결함상태인지를 체크하고,
상기 배터리가 정상상태이면, 정상상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하고,
상기 배터리가 주의상태이면, 주의상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하며,
상기 배터리가 결함상태이면, 결함상태의 배터리로부터의 방전 데이터로 학습된 MNN을 통해 상기 배터리의 방전 데이터를 처리하여 상기 배터리의 SOC를 추정하는 배터리 상태 추정부;를 포함하는 것을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치.
제5항에 있어서,
상기 매개변수는 배터리 전류, 온도 및 내부저항 중 하나 이상을 포함함을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치.
제5항에 있어서,
상기 SOH의 추정을 위한 배터리 방전 데이터는 한 사이클의 방전 데이터이며,
상기 배터리 상태 추정부는,
미리 학습된 MNN을 통해 상기 한 사이클의 방전 데이터를 처리하여 SOH 추정하여 배터리의 상태를 판별함을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 장치.
제5항 내지 제7항 중 어느 한 항에 있어서,
상기 SOC의 추정을 위한 배터리 방전 데이터는 6개의 방전 데이터임을 특징으로 하는 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법.