KR20220096993A - 배터리 노화 상태 추정 방법 및 이를 수행하는 장치 - Google Patents
배터리 노화 상태 추정 방법 및 이를 수행하는 장치 Download PDFInfo
- Publication number
- KR20220096993A KR20220096993A KR1020200189903A KR20200189903A KR20220096993A KR 20220096993 A KR20220096993 A KR 20220096993A KR 1020200189903 A KR1020200189903 A KR 1020200189903A KR 20200189903 A KR20200189903 A KR 20200189903A KR 20220096993 A KR20220096993 A KR 20220096993A
- Authority
- KR
- South Korea
- Prior art keywords
- battery
- discharge
- estimating
- cycle
- voltage
- Prior art date
Links
- 230000032683 aging Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000007599 discharging Methods 0.000 claims abstract description 47
- 230000008859 change Effects 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 238000010801 machine learning Methods 0.000 claims abstract description 28
- 230000036541 health Effects 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 10
- 238000013459 approach Methods 0.000 description 9
- 230000007787 long-term memory Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004088 simulation 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]
- G01R31/367—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
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/003—Measuring mean values of current or voltage during a given time interval
-
- 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]
- G01R31/382—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
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/386—Arrangements for measuring battery or accumulator variables using test-loads
-
- 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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2220/00—Batteries for particular applications
- H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
배터리 관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하는 단계, 상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는 단계, 및 사이클 내에서 상기 배터리의 부하 전류가 변화하는 경우 및 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 포함하는 n차원 벡터를 입력 벡터로 하여 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정하는 단계를 포함하는 배터리 노화 상태 추정 방법 및 이를 수행하는 장치가 제공된다.
Description
본 발명은 배터리의 노화 상태를 추정하는 방법 및 이를 수행하는 장치에 관한 것이다.
배터리의 노화 상태를 나타내는 지표로서 건강상태(State of Health, SOH)가 있다. 건강상태(SOH)는 노화되지 않은 초기 배터리의 스펙상 최대 충전 용량을 100%로 하여 각 충방전 사이클에서의 최대 충전 용량을 백분율로 표현하며, 최대 충전 용량이 80%까지 감소한 상태, 다시 말하면 건강상태(SOH)가 80%에 도달하는 시점을 배터리 교체시점으로 정의한다. 전기자동차와 같은 배터리를 사용하는 시스템을 효율적으로 관리하기 위해서는 배터리의 건강상태(SOH)를 정확하게 추정 및 예측하는 것이 중요하다. 그러나 배터리의 전기적, 화학적 복잡성 때문에 이를 정확하게 추정하기 어렵다는 문제점이 있다.
종래의 배터리 노화 상태 추정 방법으로는 직접 측정 접근법, 모델 기반 접근법, 데이터 기반 접근법 등이 있다.
직접 측정 접근법은 배터리의 내부 저항, 전류 등을 측정하여 룩-업(look-up) 테이블을 작성하여 배터리의 건강상태(SOH)를 추정하는 방법이고, 모델 기반 접근법은 배터리의 회로 모델을 이용하여 상태 방정식을 구하고 측정값을 업데이트하여 건강상태(SOH)를 추정하는 방법이다. 이러한 접근법들은 배터리의 동작을 중단시킨 상태에서 데이터를 측정해야 하기 때문에 실시간 추정이 어렵고 배터리 모델을 설정하는 과정에서 외부 환경이나 잡음(noise)의 영향을 반영하기 어려워 정확도가 떨어진다는 단점이 있다.
한편, 데이터 기반 접근법은 실제 측정을 통해 획득한 배터리 데이터로 인공신경망(neural network), 서포트 벡터 머신(Support Vector Machine, SVM)과 같은 기계학습 모델을 학습시켜 배터리의 노화 상태를 추정하는 방법이다. 데이터 기반 접근법은 수집된 데이터의 품질에 크게 의존하게 되나, 데이터 수집은 대부분 실험실에서 시뮬레이션 환경의 제한적인 조건에서 이루어지기 때문에 실사용 환경에 적용할 때 오차를 발생시킨다는 문제점이 있다.
특히, 종래의 데이터 기반 접근법은 배터리의 매 충방전 사이클 내에서 부하의 변동에 따른 방전 전류의 시간적 변화에 대한 고려가 포함되어 있지 않고, 충방전 시 규격에 맞춘 완전충전 및 완전방전이 일어나지 않는 경우 건강상태(SOH)를 정확하게 예측하는 것이 어렵다는 문제점이 있다.
전술한 문제점을 해결하기 위한 본 발명의 목적은 충방전 사이클 내에서 부하 변동에 따른 방전전류의 시간적 변화에 독립적으로 배터리의 건강상태(SOH)를 추정할 수 있고, 배터리가 완전히 충전 및 방전되지 않는 경우를 고려하여 실사용 환경을 고려한 배터리의 노화 상태 추정 방법 및 이를 수행하는 장치를 제공하는 것이다.
다만, 본 발명의 해결하고자 하는 과제는 이에 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.
전술한 문제점을 해결하기 위한 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법은 배터리 관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하는 단계, 상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는 단계, 및 사이클 내에서 상기 배터리의 부하 전류가 변화하는 경우 및 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 포함하는 n차원 벡터를 입력 벡터로 하여 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정하는 단계 - 여기서 n은 자연수임 - 를 포함한다.
일 측면에 따르면, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들은 방전 전압 분포 엔트로피, 방전 전하량, 및 방전 전류 평균값을 포함하고, 방전 전류 분산 및 방전 전류 분포 엔트로피 중 적어도 하나를 더 포함할 수 있다.
일 측면에 따르면, 상기 방전 전압 분포 엔트로피는 배터리의 내부 저항에 의한 전압 강하를 보상하고, 보상된 방전 전압에 대하여 히스토그램을 생성하고, 상기 히스토그램의 각 구간의 확률을 이용하여 계산될 수 있다.
일 측면에 따르면, 상기 보상된 방전 전압은 하기의 수학식
에 의하여 계산 - V는 보상된 전압, I는 방전 전류, Ri는 내부 저항임 - 될 수 있다.
일 측면에 따르면, 상기 내부 저항은 하기의 수학식
에 의하여 계산 - Ri는 내부 저항, SOH는 상기 배터리의 건강상태(state of health), a와 b는 상기 배터리의 특성에 따라 결정되는 계수임 - 될 수 있다.
일 측면에 따르면, 상기 방전 전압 분포 엔트로피는 하기의 수학식
에 의하여 계산 - H(x)는 방전 전압 분포 엔트로피, xi는 히스토그램의 i번째 구간, p(xi)는 xi에 해당하는 전압이 나타날 확률, N은 전체 구간의 개수임 - 될 수 있다.
일 측면에 따르면, 상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는 단계는, 상기 배터리의 측정값 중 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여 사전에 결정된 건강상태(SOH) 추정에 효과적인 일부 구간에 해당하는 측정값을 이용하여 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산할 수 있다.
일 측면에 따르면, 상기 기계학습 모델은 장단기 메모리(Long-Short Term Memory, LSTM)일 수 있다.
일 측면에 따르면, 상기 n차원 벡터의 각 성분들은 하기의 수학식
에 의하여 0과 1 사이의 값으로 변환되어 상기 기계학습 모델에 입력 - x는 변환 전 n차원 벡터의 각 성분, xscale은 변환 후 n차원 벡터의 각 성분, xmin은 x의 최소값, xmax는 x의 최대값임 - 될 수 있다.
전술한 문제점을 해결하기 위한 본 발명의 다른 실시예에 따른 배터리 노화 상태 추정 장치는 배터리 관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하는 통신부, 상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는 전처리부, 및 사이클 내에서 상기 배터리의 부하 전류가 변화하는 경우 및 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 포함하는 n차원 벡터를 입력 벡터로 하여 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정하는 추정부를 포함한다.
일 측면에 따르면, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들은 방전 전압 분포 엔트로피, 방전 전하량, 및 방전 전류 평균값을 포함하고, 방전 전류 분산 및 방전 전류 분포 엔트로피 중 적어도 하나를 더 포함할 수 있다.
일 측면에 따르면, 상기 방전 전압 분포 엔트로피는 배터리의 내부 저항에 의한 전압 강하를 보상하고, 보상된 방전 전압에 대하여 히스토그램을 생성하고, 상기 히스토그램의 각 구간의 확률을 이용하여 계산될 수 있다.
일 측면에 따르면, 상기 보상된 방전 전압은 하기의 수학식
에 의하여 계산 - V는 보상된 전압, I는 방전 전류, Ri는 내부 저항임 - 될 수 있다.
일 측면에 따르면, 상기 내부 저항은 하기의 수학식
에 의하여 계산 - Ri는 내부 저항, SOH는 상기 배터리의 건강상태(state of health), a와 b는 상기 배터리의 특성에 따라 결정되는 계수임 - 될 수 있다.
일 측면에 따르면, 상기 방전 전압 분포 엔트로피는 하기의 수학식
에 의하여 계산 - H(x)는 방전 전압 분포 엔트로피, xi는 히스토그램의 i번째 구간, p(xi)는 xi에 해당하는 전압이 나타날 확률, N은 전체 구간의 개수임 - 될 수 있다.
일 측면에 따르면, 전처리부는 상기 배터리의 측정값 중 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여 사전에 결정된 건강상태(SOH) 추정에 효과적인 일부 구간에 해당하는 측정값을 이용하여 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산할 수 있다.
일 측면에 따르면, 상기 기계학습 모델은 장단기 메모리(Long-Short Term Memory, LSTM)일 수 있다.
일 측면에 따르면, 상기 n차원 벡터의 각 성분들은 하기의 수학식
에 의하여 0과 1 사이의 값으로 변환되어 상기 기계학습 모델에 입력 - x는 변환 전 n차원 벡터의 각 성분, xscale은 변환 후 n차원 벡터의 각 성분, xmin은 x의 최소값, xmax는 x의 최대값임 - 될 수 있다.
전술한 문제점을 해결하기 위한 본 발명의 다른 실시예에 따른 배터리의 노화 상태를 추정하기 위한, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램은 상기 컴퓨터에 의해 실행될 때 상기 컴퓨터가: 배터리 관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하도록 하고, 상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하도록 하고, 그리고 사이클 내에서 상기 배터리의 부하 전류가 변화하는 경우 및 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 포함하는 n차원 벡터를 입력 벡터로 하여 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정 - 여기서 n은 자연수임 - 하도록 하는 명령어들을 포함한다.
전술한 문제점을 해결하기 위한 본 발명의 다른 실시예에 따른 배터리 노화 상태 추정 장치는 배터리를 구비한 운송수단의 외부에서 구현되고, 상기 운송수단과 무선 통신 방식으로 통신 가능하며, 상기 배터리 관리 시스템(Battery Management System, BMS)으로부터 상기 배터리의 측정값을 수신하는 통신부, 상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는 전처리부; 및 사이클 내에서 상기 배터리의 부하 전류가 변화하는 경우 및 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 포함하는 n차원 벡터를 입력 벡터로 하여 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정하는 추정부를 포함한다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
전술한 본 발명의 실시예들에 따른 배터리의 노화 상태 추정 방법 및 이를 수행하는 장치에 따르면, 배터리의 노화 상태를 실시간으로 추정할 수 있으며, 이를 사용자에게 알려 효율적인 운전 계획을 세우도록 할 수 있다. 또한 최근 발전하고 있는 CBM(Condition Based Maintenance) 서비스를 증진시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 배터리의 노화 상태 추정 방법의 순서도이다.
도 2는 배터리의 노화 상태에 따른 (a) 전압 분포의 변화, (b) 방전 전류별 엔트로피 변화, 및 (c) 방전 전하량의 변화를 나타낸 그래프이다.
도 3은 한 사이클에 대한 배터리 전압 분포로부터 전압 분포 엔트로피를 계산하는 과정을 나타낸 그래프이다.
도 4는 일부 구간의 배터리 측정값을 이용하여 전압 분포 엔트로피, 방전 전하량, 방전 전류 평균값, 및 방전 전류 분포 엔트로피를 계산하는 방법을 설명하기 위한 그래프이다.
도 5는 일 예로서 장단기 메모리를 이용하여 배터리의 노화 상태를 추정하는 방법을 도시한 것이다.
도 6은 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 장치의 구성도이다.
도 7은 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법을 적용한 실험에 사용된 학습 데이터와 테스트 데이터의 구성을 나타낸 표이다.
도 8은 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법을 적용한 실험 결과를 나타낸 표이다.
도 9는 일부 구간의 배터리 측정값을 이용하여 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법을 적용한 실험 결과를 나타낸 표이다.
도 10은 구간별 배터리 노화 상태 추정 정확도를 나타낸 그래프이다.
도 11은 1 사이클 내에서 방전 전류가 무작위로 변하는 경우 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법을 적용한 실험 결과를 나타낸 표이다.
도 2는 배터리의 노화 상태에 따른 (a) 전압 분포의 변화, (b) 방전 전류별 엔트로피 변화, 및 (c) 방전 전하량의 변화를 나타낸 그래프이다.
도 3은 한 사이클에 대한 배터리 전압 분포로부터 전압 분포 엔트로피를 계산하는 과정을 나타낸 그래프이다.
도 4는 일부 구간의 배터리 측정값을 이용하여 전압 분포 엔트로피, 방전 전하량, 방전 전류 평균값, 및 방전 전류 분포 엔트로피를 계산하는 방법을 설명하기 위한 그래프이다.
도 5는 일 예로서 장단기 메모리를 이용하여 배터리의 노화 상태를 추정하는 방법을 도시한 것이다.
도 6은 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 장치의 구성도이다.
도 7은 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법을 적용한 실험에 사용된 학습 데이터와 테스트 데이터의 구성을 나타낸 표이다.
도 8은 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법을 적용한 실험 결과를 나타낸 표이다.
도 9는 일부 구간의 배터리 측정값을 이용하여 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법을 적용한 실험 결과를 나타낸 표이다.
도 10은 구간별 배터리 노화 상태 추정 정확도를 나타낸 그래프이다.
도 11은 1 사이클 내에서 방전 전류가 무작위로 변하는 경우 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법을 적용한 실험 결과를 나타낸 표이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 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 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하에서는 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람이 본 발명을 쉽게 실시할 수 있도록 명확하고 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 배터리의 노화 상태 추정 방법의 순서도이다.
도 1을 참조하면, 단계 S110에서는 배터리 관리 시스템(Battery Management System, BMS)로부터 배터리의 측정값을 수신한다. 배터리 관리 시스템(BMS)은 배터리의 상태를 모니터링하고, 배터리를 관리하기 위한 전자 시스템일 수 있다. 예를 들어, 배터리의 측정값은 전압, 전류, 내부 저항, 온도, 전력, 및 충전상태(SOC) 중 적어도 하나를 포함할 수 있다.
단계 S130에서는 수신된 배터리의 측정값을 저장한다.
단계 S150에서는 배터리의 충방전 사이클 변환 지점 도달 여부를 확인한다. 배터리의 충방전 사이클 변환 지점에 도달한 경우 단계 S170으로 진행하고, 배터리의 충방전 사이클 변환 지점에 도달하지 않은 경우 S130으로 되돌아간다. 단계 S150을 통해 배터리의 노화 상태를 추정할 때 필요한 만큼의 충분한 데이터를 수집하면 배터리 노화 상태 추정 결과의 정확도가 향상될 수 있다. 여기서 충방전 사이클은 배터리의 충전과 방전을 한 번씩 수행하는 것을 의미한다.
단계 S170에서는 저장된 배터리 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산한다. 여기서 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들은 방전 전압 분포 엔트로피, 방전 전하량, 및 방전 전류 평균값을 포함하고, 방전 전류 분산 및 방전 전류 분포 엔트로피 중 적어도 하나를 더 포함한다. 사용자가 배터리를 항상 완전 충전 및 완전 방전하는 것은 아니므로, 단계 S170은 전체 배터리 측정값이 아닌 일부 구간의 배터리 측정값을 이용하여 수행될 수 있다. 단계 S170의 구체적인 동작에 대해서는 도 2 내지 도 4를 참조하여 후술하기로 한다.
단계 S190에서는 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정한다. 기계학습 모델로는, 예를 들어, 인공신경망(neural network), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest), 또는 장단기 메모리(Long-Short Term Memory, LSTM) 등이 사용될 수 있다. 기계학습 모델의 입력은 방전 전압 분포 엔트로피, 방전 전하량, 방전 전류 평균값, 방전 전류 분산, 및 방전 전류 분포 엔트로피 중 적어도 하나를 포함하는 n차원 벡터 - 여기서, n은 자연수임 - 일 수 있다.
도 2는 배터리의 노화 상태에 따른 (a) 전압 분포의 변화, (b) 방전 전류별 엔트로피 변화, 및 (c) 방전 전하량의 변화를 나타낸 그래프이다.
도 2를 참조하면, 배터리가 충전과 방전을 반복하면 노화 현상이 발생하고, 배터리가 노화됨에 따라 도 2의 (a)와 같이 전압이 고르게 분포되는 특성이 있다. 이러한 특성은 엔트로피를 이용하여 표현할 수 있다. 엔트로피는 정보의 불확실성을 나타내는 값이며, 모든 사건이 일어날 확률이 동일할 때 불확실성은 최대가 되고 엔트로피도 증가하게 된다. 매 사이클마다 방전 전류가 일정할 때 배터리의 노화에 따른 방전 전류의 크기별 방전 전압 분포 엔트로피의 변화는 도 2의 (b)와 같으며, 배터리가 노화됨에 따라 엔트로피가 증가하고, 배터리가 더 많이 노화될수록 엔트로피 증가량은 더 커진다. 상술한 바와 같이, 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법은 방전 전압 분포 엔트로피와 방전 전류 분포 엔트로피를 기계학습 모델의 입력으로 이용한다. 엔트로피의 계산 방법에 관하여는 도 3을 참조하여 후술하기로 한다.
도 2의 (c)에 도시된 방전 전하량은 수학식 1과 같이 방전 전류를 시간에 대해 적분함으로써 계산할 수 있다. 수학식 1에서 Q는 방전 전하량, I는 방전 전류이다. 방전 전하량은 배터리가 노화됨에 따라 줄어들고, 방전 전류가 클수록 작아지며, 잡음(noise)의 영향을 더 많이 받는다.
한편, 배터리의 노화 상태에 따라 (즉, 건강상태(SOH)가 변함에 따라) 방전 전압 분포 엔트로피와 방전 전하량은 부하 전류의 값에 영향을 받아 변화한다. 특히 부하 전류가 변화하는 실사용 환경의 경우 부하 전류의 변화 패턴에 따른 영향도 고려하여야 한다. 따라서 정확한 건강상태(SOH) 추정을 위해서는 방전 전압 분포 엔트로피와 방전 전하량 이외에 부하 전류의 크기 또는 변화를 예측 파라미터로 포함할 필요가 있다.
그러나 부하 전류의 변화가 건강상태(SOH)와 방전 전압 분포 엔트로피의 관계 및 건강상태(SOH)와 방전 전하량의 관계에 미치는 영향은 복잡한 비선형적 특징을 가지므로 단순한 수학적 보상방식으로는 해결하기 어렵다. 따라서 본 발명의 일 실시예에 따른 배터리의 노화 상태 추정 방법에서는 방전 전압 분포 엔트로피와 방전 전하량은 물론 방전 전류 평균값 및 방전 전류 분포 엔트로피를 입력 벡터에 포함시켜 기계학습 모델을 학습시킴으로써 부하 전류가 건강상태(SOH)에 미치는 영향을 보상한다.
도 3은 한 사이클에 대한 배터리 전압 분포로부터 전압 분포 엔트로피를 계산하는 과정을 나타낸 그래프이다.
도 3을 참조하면, 배터리가 방전될 때 로드되는 전류에 따라 배터리의 내부 저항에 의해 전압 강하 현상이 발생한다(도 3의 (a)). 이러한 전압의 변화는 방전 전류가 일정하지 않은 경우 엔트로피 값의 변화를 초래할 수 있으며, 이를 해결하기 위해 측정된 전압 분포로부터 엔트로피를 계산하기 전에 수학식 2와 같이 전압을 보상할 수 있다(도 3의 (b)). 수학식 2에서 V는 전압, I는 부하 전류, Ri는 내부 저항이다. 한편, 내부 저항 Ri는 수학식 3과 같이 배터리의 건강 상태(SOH)와 선형적인 관계를 가지며, 수학식 3에서 파라미터 a와 b는 배터리의 특성에 따라 결정될 수 있다. 본 실시예에서는 a = -0.082, b = 0.21인 배터리를 대상으로 노화 상태를 추정하였다.
다음으로, 보상된 전압(도 3의 (b))에 대하여 임의의 최소 전압과 임의의 최대 전압을 설정하고, 이 구간을 임의의 개수의 동일한 구간으로 나눈다(도 3의 (c)). 이후 각 구간에 대한 전압값의 빈도수를 표시하여 히스토그램을 얻을 수 있다(도 3의 (d)). 방전 전압 분포 엔트로피는 히스토그램을 이용하여 수학식 4에 따라 계산될 수 있다. 수학식 4에서 H(x)는 방전 전압 분포 엔트로피, xi는 히스토그램의 i번째 구간, p(xi)는 xi에 해당하는 전압이 나타날 확률, N은 전체 구간의 개수이다.
방전 전류 분포 엔트로피는 방전 전압 분포 엔트로피와 동일한 방법으로 계산할 수 있다.
도 4는 일부 구간의 배터리 측정값을 이용하여 방전 전압 분포 엔트로피, 방전 전하량, 방전 전류 평균값, 및 방전 전류 분포 엔트로피를 계산하는 방법을 설명하기 위한 그래프이다.
배터리의 완전 충전 및 완전 방전 여부의 판단은 배터리의 전압이 특정 상한 컷오프 전압에 도달했을 때 완전 충전으로 판단하고, 특정 하한 컷오프 전압에 도달했을 때 완전 방전으로 판단한다. 일반적으로, 사용자가 배터리를 사용함에 있어 배터리를 항상 완전히 충전하거나 완전히 방전하는 것은 아니다. 이러한 실사용 환경을 고려하기 위하여 방전 전압 분포 엔트로피, 방전 전하량, 방전 전류 평균값, 방전 전류 분포 엔트로피를 계산할 때 상한 컷오프 전압에서 하한 컷오프 전압까지의 전체 구간에 대한 측정값을 이용하는 것이 아니라 도 4에 도시된 바와 같이 일부 구간에 대한 측정값을 이용할 수 있다.
도 5는 일 예로서 장단기 메모리를 이용하여 배터리의 노화 상태를 추정하는 방법을 도시한 것이다.
배터리의 한 사이클에 대한 방전 전압 분포 엔트로피, 방전 전하량, 방전 전류 평균값, 및 방전 전류 분포 엔트로피를 기계학습 모델의 입력으로 하여 배터리의 노화 상태를 추정할 수 있다. 일반적으로 배터리의 노화 상태를 추정하기 위한 특징(feature)은 시계열적 특성을 가지므로 시계열적 특성을 반영하기 위해 장단기 메모리(LSTM)가 사용될 수 있다.
도 5를 참조하면, 기계학습 모델은 2개의 장단기 메모리 층(LSTM layer)과 1개의 완전 연결 층(FC layer)으로 구성될 수 있다. 장단기 메모리 층에 포함된 각각의 장단기 메모리 유닛은 이웃 유닛과 상호 연결되면서 쌓일 수 있고, 완전 연결 층은 마지막 장단기 메모리 층의 모든 출력값을 입력으로 받아 다음 사이클의 건강상태(SOH)를 예측할 수 있다. 이때 다음 사이클의 건강상태(SOH)를 예측하기 위해 방전 전압 분포 엔트로피, 방전 전하량, 방전 전류 평균값, 및 방전 전류 분포 엔트로피를 포함하는 n차원 벡터를 입력 벡터로 사용할 수 있으며, 현재 사이클의 입력 벡터부터 k번째 이전 사이클까지의 입력 벡터를 특징 시퀀스(feature sequence)로 사용할 수 있다.
인경신경망에서 입력으로 사용되는 데이터의 크기가 다를 경우 모델의 성능이 저하될 수 있으므로 입력 벡터의 각 성분들은 수학식 5와 같이 Min-Max Scaler를 이용하여 0과 1 사이의 값으로 변환될 수 있다. 수학식 5에서 x는 변환 전 입력 벡터의 각 성분, xscale은 변환 후 입력 벡터의 각 성분, xmin은 x의 최소값, xmax는 x의 최대값이다.
도 6은 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 장치의 구성도이다.
도 6을 참조하면, 배터리(10)는 화학 에너지를 전기 에너지로 변환시키는 에너지 변환 장치이다. 예를 들어, 배터리(10)는 리튬-이온(Li-ion) 배터리일 수 있다. 배터리(10)는 패키지(package) 또는 셀(cell) 단위로 구성될 수 있다.
배터리 관리 시스템(BMS)(20)은 배터리(10)의 상태를 모니터링하고, 배터리(10)를 관리하기 위한 전자 시스템이다. 예를 들어, 배터리 관리 시스템(BMS)(20)은 배터리(10)의 전압, 전류, 내부 저항, 온도, 전력, 및 충전상태(SOC) 중 적어도 하나를 측정하고, 측정값은 배터리 노화 상태 추정 장치(600)로 전송할 수 있다.
배터리 노화 상태 추정 장치(600)는 통신부(610), 전처리부(630), 추정부(650), 메모리(670), 및 학습부(690)를 포함한다.
통신부(610)는 배터리 관리 시스템(BMS)(20)으로부터 배터리(10)의 측정값을 수신한다. 예를 들어, 통신부(610)는 배터리 관리 시스템(BMS)(20)으로부터 배터리(10)의 전압, 전류, 내부 저항, 온도, 전력, 및 충전상태(SOC) 중 적어도 하나의 측정값은 수신할 수 있다.
통신부(610)는 배터리 노화 상태 추정 장치(600)의 구현 형태에 적합한 통신 방식을 사용할 수 있다. 예를 들어, 통신부(610)는 배터리 노화 상태 추정 장치(600)가 전기 자동차 내부에 모듈 형태로 구현되는 경우 CAN(Controller Area Network) 또는 이더넷(Ethernet)과 같은 유선 통신 방식을 사용할 수 있고, 배터리 노화 상태 추정 장치(600)가 전기 자동차 외부에 존재하는 경우 원거리 무선 통신 방식을 사용할 수 있다.
전처리부(630)는 통신부(610)를 통해 수집한 데이터를 전처리한다. 전처리부(630)는 통신부(610)를 통해 수집한 데이터를 메모리(670)에 저장하고, 저장된 데이터로부터 배터리 노화 상태 추정에 필요한 방전 전압 분포 엔트로피, 방전 전하량, 방전 전류 평균값, 및 방전 전류 분포 엔트로피를 계산한다.
추정부(650)는 기학습된 기계학습 모델을 이용하여 배터리(10)의 노화 상태를 추정한다.
메모리(670)는 전처리부(630)에서 전처리된 데이터와 학습부(690)에서 학습된 추정 모델 및 파라미터를 저장한다.
학습부(690)는 기계학습 모델을 학습한다. 기계학습 모델은 방전 전압 분포 엔트로피, 방전 전하량, 방전 전류 평균값, 및 방전 전류 분포 엔트로피를 포함하는 n차원 벡터를 입력 벡터로 사용할 수 있다.
메모리(670)와 학습부(690)는 실시예에 따라 통신부(610), 전처리부(630), 및 추정부(650)와 일체형으로 구현될 수 있고, 통신부(610), 전처리부(630), 및 추정부(650)와 분리되어 구현될 수도 있다.
이하에서는 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법을 적용한 실험 결과를 설명한다.
도 7은 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법을 적용한 실험에 사용된 학습 데이터와 테스트 데이터의 구성을 나타낸 표이다.
실험에서는 방전 전류가 일정한 경우와 매 사이클마다 방전 전류가 변하는 경우에 대해 배터리의 건강상태(SOH)를 예측하였으며, Maryland University의 CALCE(Center for Advanced Life Cycle Engineering)에서 제공한 데이터세트를 사용하였다. CALCE 데이터세트는 1.1Ah의 리튬-이온 배터리를 일정한 전류로 완전히 충전하고 완전히 방전하는 과정을 진행하며 수집된 데이터이다.
도 7에서, CS2_33 및 CS2_34 데이터는 0.55A의 전류로 배터리를 방전시키고 0.55A의 전류로 배터리를 충전시키는 과정을 반복하여 수집된 데이터이고, CS2_35, CS2_36, CS2_37, 및 CS2_38 데이터는 1.1A의 전류로 배터리를 방전시키고 0.55A의 전류로 배터리를 충전시키는 과정을 반복하여 수집된 데이터이고, CS2_3 데이터는 매 사이클마다 0.11A, 0.22A, 0.55A, 1.1A, 1.65A, 2.2A로 방전 전류를 바꾸어가며 일정하게 방전시켜 수집된 데이터이다.
도 7을 참조하면, 실험 1은 전체 사이클에 대해 일정한 전류로 배터리를 방전시킨 경우로서 0.55A로 일정하게 방전시킨 데이터와 1.1A로 일정하게 방전시킨 데이터를 이용하였다.
실험 2에서는 전체 데이터가 아닌 60%의 데이터를 무작위로 선택하여 학습 데이터로 사용하고 나머지 40%의 데이터를 테스트 데이터로 사용하였다.
실험 3은 사이클마다 방전 전류가 변하는 경우로서 CS2_3 데이터를 사용하였다.
실험 4는 전체 사이클에서 방전 전류가 일정한 경우와 사이클 마다 방전 전류가 변하는 경우를 모두 합친 경우로서 전체 데이터에서 60%의 데이터를 무작위로 선택하여 학습 데이터로 사용하고 나머지 40%의 데이터를 테스트 데이터로 사용하였다.
실험 5에서는 방전 전류가 일정한 데이터와 사이클마다 방전 전류가 변하는 데이터를 모두 무작위로 선택한 60%의 데이터를 학습 데이터로 사용하고 나머지를 테스트 데이터로 사용하였다.
도 8은 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법을 적용한 실험 결과를 나타낸 표이다.
도 8을 참조하면, 방전 전압 분포 엔트로피, 방전 전하량, 방전 전류 평균값을 이용하여 건강상태(SOH)를 추정했을 때 실험 4의 0.55A로 일정하게 방전시킨 데이터를 테스트 데이터로 사용한 경우를 제외하고 대부분 98% 이상의 정확도를 기록하였다.
도 9는 일부 구간의 배터리 측정값을 이용하여 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법을 적용한 실험 결과를 나타낸 표이고, 도 10은 구간별 배터리 노화 상태 추정 정확도를 나타낸 그래프이다.
도 9 및 도 10에서, 사용자가 배터리를 완전히 충전하고 완전히 방전하지 않는 경우를 고려하기 위해 전압 데이터 중 일부 구간에 대해서만 방전 전압 분포 엔트로피, 방전 전하량, 방전 전류 평균값을 입력 벡터로 사용하여 건강상태(SOH)를 추정하였다. 이때 학습 데이터와 테스트 데이터의 구성은 실험 4의 구성을 사용하였다. 각 구간별 건강상태(SOH) 추정 결과는 도 9와 같으며 각 테스트 데이터의 RMSE와 R2의 평균을 이용하여 정확도를 측정하였다.
도 10의 (a)는 배터리 노화 상태를 추정하기 위해 사용한 구간별 정확도를 나타낸 것이고, (b)는 정확도가 98%인 구간을 나타낸 것이다. 도 9 및 도 10의 결과에 의하면 사용하는 전압 간격이 작아질수록 정확도는 감소하며, 높은 전압 구간을 포함할 때 정확도가 높아지고, 3.9V ~ 3.4V 구간에서 가장 높은 정확도를 기록하였고, 최소 구간으로서 3.9V ~ 3.6V 구간만을 사용해도 R2기준으로 98% 이상의 정확도를 기록하였다. 이 구간은, 일반적으로 사용자가 배터리를 완전히 충전했을 때 전압이 4.2V이고 완전히 방전했을 때 2.7V임을 고려하면, 사용자가 주로 실사용하는 구간에 해당한다. 이를 통해 전압 구간 중 일부만을 사용한 경우에도 전체 데이터를 사용한 경우와 비슷한 추정 성능을 내는 것을 확인할 수 있다.
도 11은 1 사이클 내에서 방전 전류가 무작위로 변하는 경우 본 발명의 일 실시예에 따른 배터리 노화 상태 추정 방법을 적용한 실험 결과를 나타낸 표이다.
도 11에서, 한 사이클에서 방전 전류가 무작위로 변하는 경우 배터리 노화 상태를 추정하기 위해 배터리 데이터를 추가로 수집하였다. 수집한 데이터는 0.5A ~ 2.5A 사이로 방전 전류를 무작위로 변경한 경우, 0.5A ~ 4A 사이로 방전 전류를 무작위로 변경한 경우, 그리고 0A ~ 3.5A 사이로 방전 전류를 무작위로 변경한 경우에 대한 것이다. 도 11을 참조하면, 대부분의 경우에서 최소 95% 이상의 정확도를 기록하였다.
전술한 본 발명에 따른 배터리 노화 상태 추정 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
이상에서 도면 및 실시예를 참조하여 설명하였지만, 본 발명의 보호범위가 상기 도면 또는 실시예에 의해 한정되는 것을 의미하지는 않으며 해당 기술 분야의 숙련된 당업자는 하기의 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
600: 배터리 노화 상태 추정 장치
610: 통신부
630: 전처리부
650: 추정부
670: 메모리
690: 학습부
610: 통신부
630: 전처리부
650: 추정부
670: 메모리
690: 학습부
Claims (20)
- 배터리 관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하는 단계;
상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는 단계; 및
사이클 내에서 상기 배터리의 부하 전류가 변화하는 경우 및 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 포함하는 n차원 벡터를 입력 벡터로 하여 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정하는 단계 - 여기서 n은 자연수임 - 를 포함하는, 배터리 노화 상태 추정 방법. - 제1항에 있어서,
상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들은 방전 전압 분포 엔트로피, 방전 전하량, 및 방전 전류 평균값을 포함하고, 방전 전류 분산 및 방전 전류 분포 엔트로피 중 적어도 하나를 더 포함하는, 배터리 노화 상태 추정 방법. - 제2항에 있어서,
상기 방전 전압 분포 엔트로피는 배터리의 내부 저항에 의한 전압 강하를 보상하고, 보상된 방전 전압에 대하여 히스토그램을 생성하고, 상기 히스토그램의 각 구간의 확률을 이용하여 계산되는, 배터리 노화 상태 추정 방법. - 제3항에 있어서,
상기 보상된 방전 전압은 하기의 수학식
에 의하여 계산되는 - V는 보상된 전압, I는 방전 전류, Ri는 내부 저항임 -, 배터리 노화 상태 추정 방법. - 제4항에 있어서,
상기 내부 저항은 하기의 수학식
에 의하여 계산되는 - Ri는 내부 저항, SOH는 상기 배터리의 건강상태(state of health), a와 b는 상기 배터리의 특성에 따라 결정되는 계수임 -, 배터리 노화 상태 추정 방법. - 제3항에 있어서,
상기 방전 전압 분포 엔트로피는 하기의 수학식
에 의하여 계산되는 - H(x)는 방전 전압 분포 엔트로피, xi는 히스토그램의 i번째 구간, p(xi)는 xi에 해당하는 전압이 나타날 확률, N은 전체 구간의 개수임 -, 배터리 노화 상태 추정 방법. - 제1항에 있어서,
상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는 단계는,
상기 배터리의 측정값 중 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여 사전에 결정된 건강상태(SOH) 추정에 효과적인 일부 구간에 해당하는 측정값을 이용하여 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는, 배터리 노화 상태 추정 방법. - 제1항에 있어서,
상기 기계학습 모델은 장단기 메모리(Long-Short Term Memory, LSTM)인, 배터리 노화 상태 추정 방법. - 제8항에 있어서,
상기 n차원 벡터의 각 성분들은 하기의 수학식
에 의하여 0과 1 사이의 값으로 변환되어 상기 기계학습 모델에 입력되는 - x는 변환 전 n차원 벡터의 각 성분, xscale은 변환 후 n차원 벡터의 각 성분, xmin은 x의 최소값, xmax는 x의 최대값임 -, 배터리 노화 상태 추정 방법. - 배터리 관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하는 통신부;
상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는 전처리부; 및
사이클 내에서 상기 배터리의 부하 전류가 변화하는 경우 및 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 포함하는 n차원 벡터를 입력 벡터로 하여 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정하는 추정부를 포함하는, 배터리 노화 상태 추정 장치. - 제10항에 있어서,
상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들은 방전 전압 분포 엔트로피, 방전 전하량, 및 방전 전류 평균값을 포함하고, 방전 전류 분산 및 방전 전류 분포 엔트로피 중 적어도 하나를 더 포함하는, 배터리 노화 상태 추정 장치. - 제11항에 있어서,
상기 방전 전압 분포 엔트로피는 배터리의 내부 저항에 의한 전압 강하를 보상하고, 보상된 방전 전압에 대하여 히스토그램을 생성하고, 상기 히스토그램의 각 구간의 확률을 이용하여 계산되는, 배터리 노화 상태 추정 장치. - 제12항에 있어서,
상기 보상된 방전 전압은 하기의 수학식
에 의하여 계산되는 - V는 보상된 전압, I는 방전 전류, Ri는 내부 저항임 -, 배터리 노화 상태 추정 장치. - 제13항에 있어서,
상기 내부 저항은 하기의 수학식
에 의하여 계산되는 - Ri는 내부 저항, SOH는 상기 배터리의 건강상태(state of health), a와 b는 상기 배터리의 특성에 따라 결정되는 계수임 -, 배터리 노화 상태 추정 장치. - 제12항에 있어서,
상기 방전 전압 분포 엔트로피는 하기의 수학식
에 의하여 계산되는 - H(x)는 방전 전압 분포 엔트로피, xi는 히스토그램의 i번째 구간, p(xi)는 xi에 해당하는 전압이 나타날 확률, N은 전체 구간의 개수임 -, 배터리 노화 상태 추정 장치. - 제10항에 있어서,
상기 전처리부는 상기 배터리의 측정값 중 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여 사전에 결정된 건강상태(SOH) 추정에 효과적인 일부 구간에 해당하는 측정값을 이용하여 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는, 배터리 노화 상태 추정 장치. - 제10항에 있어서,
상기 기계학습 모델은 장단기 메모리(Long-Short Term Memory, LSTM)인, 배터리 노화 상태 추정 장치. - 제17항에 있어서,
상기 n차원 벡터의 각 성분들은 하기의 수학식
에 의하여 0과 1 사이의 값으로 변환되어 상기 기계학습 모델에 입력되는 - x는 변환 전 n차원 벡터의 각 성분, xscale은 변환 후 n차원 벡터의 각 성분, xmin은 x의 최소값, xmax는 x의 최대값임 -, 배터리 노화 상태 추정 장치. - 배터리의 노화 상태를 추정하기 위한, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램에 있어서, 상기 컴퓨터 프로그램은 상기 컴퓨터에 의해 실행될 때 상기 컴퓨터가:
배터리 관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하도록 하고,
상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하도록 하고, 그리고
사이클 내에서 상기 배터리의 부하 전류가 변화하는 경우 및 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 포함하는 n차원 벡터를 입력 벡터로 하여 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정 - 여기서 n은 자연수임 - 하도록 하는 명령어들을 포함하는, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램. - 배터리를 구비한 운송수단의 외부에서 구현되고, 상기 운송수단과 무선 통신 방식으로 통신 가능한 배터리 노화 상태 추정 장치에 있어서,
상기 배터리 관리 시스템(Battery Management System, BMS)으로부터 상기 배터리의 측정값을 수신하는 통신부;
상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는 전처리부; 및
사이클 내에서 상기 배터리의 부하 전류가 변화하는 경우 및 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 포함하는 n차원 벡터를 입력 벡터로 하여 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정하는 추정부를 포함하는, 배터리 노화 상태 추정 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200189903A KR102703658B1 (ko) | 2020-12-31 | 2020-12-31 | 배터리 노화 상태 추정 방법 및 이를 수행하는 장치 |
| US17/540,545 US20220206078A1 (en) | 2020-12-31 | 2021-12-02 | Method for estimating aging state of battery and apparatus for performing method therefor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200189903A KR102703658B1 (ko) | 2020-12-31 | 2020-12-31 | 배터리 노화 상태 추정 방법 및 이를 수행하는 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220096993A true KR20220096993A (ko) | 2022-07-07 |
| KR102703658B1 KR102703658B1 (ko) | 2024-09-04 |
Family
ID=82117000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200189903A KR102703658B1 (ko) | 2020-12-31 | 2020-12-31 | 배터리 노화 상태 추정 방법 및 이를 수행하는 장치 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20220206078A1 (ko) |
| KR (1) | KR102703658B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024029746A1 (ko) * | 2022-08-04 | 2024-02-08 | 주식회사 엘지에너지솔루션 | 배터리 관리 장치 및 그것의 동작 방법 |
| WO2024049172A1 (ko) * | 2022-08-30 | 2024-03-07 | 주식회사 엘지에너지솔루션 | 배터리 상태 예측 장치 및 그것의 동작 방법 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113030764B (zh) * | 2021-03-04 | 2022-01-25 | 武汉大学 | 一种电池组健康状态估计方法及系统 |
| US11618337B1 (en) * | 2022-06-28 | 2023-04-04 | Beta Air, Llc | Methods and systems for managing chargers for electrical vertical takeoff and landing aircrafts |
| CN115598557B (zh) * | 2022-08-26 | 2023-08-25 | 广东工业大学 | 一种基于恒压充电电流的锂电池soh估计方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
| KR20170058165A (ko) | 2015-11-18 | 2017-05-26 | 현대일렉트릭앤에너지시스템(주) | 배터리 수명 상태 추정 시스템 및 그 방법 |
| WO2019162749A1 (en) * | 2017-12-07 | 2019-08-29 | Yazami Ip Pte. Ltd. | Method and system for online assessing state of health of a battery |
| CN111611747A (zh) * | 2020-05-25 | 2020-09-01 | 福州大学 | 一种用于混合储能系统的在线状态估计方法及装置 |
| CN112098873A (zh) * | 2020-08-17 | 2020-12-18 | 四川大学 | 基于充电电压曲线几何特征的锂电池健康状态估计方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11637331B2 (en) * | 2017-11-20 | 2023-04-25 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
| US11300623B2 (en) * | 2019-05-08 | 2022-04-12 | Tata Consultancy Services Limited | Method and system for remaining useful life prediction of lithium based batteries |
| KR102335180B1 (ko) * | 2019-07-02 | 2021-12-03 | 성균관대학교산학협력단 | 배터리의 노화 상태 추정 장치 및 방법 |
| KR102216924B1 (ko) * | 2020-05-26 | 2021-02-18 | 주식회사 나산전기산업 | Bms시스템에 적용되는 배터리의 충방전 특성을 사용한 배터리 수명 예측 방법 |
| CN112305423A (zh) * | 2020-10-29 | 2021-02-02 | 广州益维电动汽车有限公司 | 锂离子动力电池荷电状态估算方法、装置、介质和设备 |
| DE102020215201A1 (de) * | 2020-12-02 | 2022-06-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Vorhersage eines Alterungszustands einer Gerätebatterie in einem batteriebetriebenen Gerät |
| KR102547312B1 (ko) * | 2020-12-02 | 2023-06-26 | 엘아이지넥스원 주식회사 | 군용 배터리 수명 예측 장치 및 방법 |
-
2020
- 2020-12-31 KR KR1020200189903A patent/KR102703658B1/ko active IP Right Grant
-
2021
- 2021-12-02 US US17/540,545 patent/US20220206078A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
| KR20170058165A (ko) | 2015-11-18 | 2017-05-26 | 현대일렉트릭앤에너지시스템(주) | 배터리 수명 상태 추정 시스템 및 그 방법 |
| WO2019162749A1 (en) * | 2017-12-07 | 2019-08-29 | Yazami Ip Pte. Ltd. | Method and system for online assessing state of health of a battery |
| CN111611747A (zh) * | 2020-05-25 | 2020-09-01 | 福州大学 | 一种用于混合储能系统的在线状态估计方法及装置 |
| CN112098873A (zh) * | 2020-08-17 | 2020-12-18 | 四川大学 | 基于充电电压曲线几何特征的锂电池健康状态估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| Accurate Estimation of Battery SOH and RUL Based on a Progressive LSTM with a Time Compensated Entropy Index(Taejun Bak and Sukhan Lee, 공지시점 2019년)* * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024029746A1 (ko) * | 2022-08-04 | 2024-02-08 | 주식회사 엘지에너지솔루션 | 배터리 관리 장치 및 그것의 동작 방법 |
| WO2024049172A1 (ko) * | 2022-08-30 | 2024-03-07 | 주식회사 엘지에너지솔루션 | 배터리 상태 예측 장치 및 그것의 동작 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220206078A1 (en) | 2022-06-30 |
| KR102703658B1 (ko) | 2024-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10969436B1 (en) | Systems and methods for forecasting battery state of charge | |
| KR102703658B1 (ko) | 배터리 노화 상태 추정 방법 및 이를 수행하는 장치 | |
| US9465078B2 (en) | Battery capacity and durability prediction method | |
| US20170115355A1 (en) | Maximum capacity estimator for battery state of health and state of charge determinations | |
| CN113219357B (zh) | 电池包健康状态计算方法、系统及电子设备 | |
| US20230003809A1 (en) | Deterioration estimation device, deterioration estimation system, deterioration estimation method, and computer program | |
| JP2023501995A (ja) | バッテリー性能予測 | |
| US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
| CN112213643A (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
| KR102689216B1 (ko) | Knn 기계학습 알고리즘을 이용한 배터리팩 운용 관리 시스템 | |
| Li et al. | Real-time estimation of lead-acid battery parameters: A dynamic data-driven approach | |
| Lu et al. | Modeling discharge characteristics for predicting battery remaining life | |
| US20230349977A1 (en) | Method and apparatus for estimating state of health of battery | |
| CN113406496B (zh) | 基于模型迁移的电池容量预测方法、系统、装置及介质 | |
| CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
| CN107169170A (zh) | 一种电池剩余容量的预测方法 | |
| Vilsen et al. | Log-linear model for predicting the lithium-ion battery age based on resistance extraction from dynamic aging profiles | |
| US20240168095A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model | |
| CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
| KR20230028017A (ko) | 시변 부하전류 상황에 강인한 리튬 이온 배터리의 모델 기반 충전 상태 추정 장치 및 방법 | |
| US20240077538A1 (en) | Method and Device for Initially Preparing an Aging State Model for Energy Storage Means Based on Active Learning Algorithms and Time-Discounted Information Evaluation | |
| Yang et al. | Lithium-ion battery life cycle prediction with deep learning regression model | |
| CN115856642A (zh) | 一种锂电池的实时个性化健康评估方法和装置 | |
| Vilsen et al. | Predicting Lithium-ion battery resistance degradation using a log-linear model | |
| CN114895209A (zh) | 面向锂电池少循环的二维支持域直推式健康状态预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |