KR20220124900A - Battery state estimation apparatus and battery state estimation model learning apparatus - Google Patents

Battery state estimation apparatus and battery state estimation model learning apparatus Download PDF

Info

Publication number
KR20220124900A
KR20220124900A KR1020210028581A KR20210028581A KR20220124900A KR 20220124900 A KR20220124900 A KR 20220124900A KR 1020210028581 A KR1020210028581 A KR 1020210028581A KR 20210028581 A KR20210028581 A KR 20210028581A KR 20220124900 A KR20220124900 A KR 20220124900A
Authority
KR
South Korea
Prior art keywords
data
model
learning
battery state
battery
Prior art date
Application number
KR1020210028581A
Other languages
Korean (ko)
Other versions
KR102620444B1 (en
Inventor
백종복
홍선리
강모세
채수용
Original Assignee
한국에너지기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국에너지기술연구원 filed Critical 한국에너지기술연구원
Priority to KR1020210028581A priority Critical patent/KR102620444B1/en
Publication of KR20220124900A publication Critical patent/KR20220124900A/en
Application granted granted Critical
Publication of KR102620444B1 publication Critical patent/KR102620444B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

According to one embodiment of the present invention, provided is a battery state estimation apparatus. The apparatus includes: a data collection unit acquiring sensing data including at least one value among a voltage, current, and temperature of the battery; a data pre-processing unit generating pre-processing data by inputting the sensing data to a pre-learned auto-encoder model; and a state prediction unit calculating a state-of-health (SOH) value by inputting the pre-processing data to a pre-learned SOH model.

Description

배터리 상태 추정 장치 및 배터리 상태 추정 모델 학습 장치{BATTERY STATE ESTIMATION APPARATUS AND BATTERY STATE ESTIMATION MODEL LEARNING APPARATUS}BATTERY STATE ESTIMATION APPARATUS AND BATTERY STATE ESTIMATION MODEL LEARNING APPARATUS

본 실시예는 배터리의 상태를 추정하는 기술에 관한 것이다. This embodiment relates to a technique for estimating the state of a battery.

다른 에너지장치와 달리 배터리는 내부 상태를 측정하기 어렵다. 예를 들어, 가솔린장치의 경우, 연료통 안에 연료게이지를 삽입시키고 연료게이지의 눈금을 읽어 연료잔량을 측정할 수 있으나, 배터리는 밀폐된 구조를 가지고 있기 때문에, 이러한 연료게이지를 이용하여 연료잔량을 측정하기 어렵다.Unlike other energy devices, it is difficult to measure the internal state of a battery. For example, in the case of a gasoline device, the remaining fuel amount can be measured by inserting a fuel gauge into the fuel tank and reading the scale of the fuel gauge. hard to do

그래서, 대부분의 배터리 관련 장치들은 배터리의 내부 상태를 측정하지 못하고 "추정"하고 있다. 배터리의 내부 상태를 나타내는 값들은 SOC(state-of-charge), SOH(state-of-health), RUL(remaining useful life)값 등이 있는데, 배터리 관련 장치들은 추정을 통해 이러한 값들을 산출하고 있다.Therefore, most battery-related devices do not measure the internal state of the battery but "estimate" it. The values representing the internal state of the battery include state-of-charge (SOC), state-of-health (SOH), and remaining useful life (RUL) values, and battery-related devices calculate these values through estimation. .

한편, 배터리 관련 장치들은 미리 정해지는 모델을 이용하여 내부 상태 값들을 추정하고 있는데, 이러한 모델들은 입력데이터의 손상에 취약한 문제를 가지고 있었다. 예를 들어, 센싱과정에서 노이즈가 삽입되거나 통신과정에서 일부 데이터가 누락되는 경우, 종래의 모델들은 비정상적인 추정값을 산출해 내거나 추정값을 아예 산출하지 못하는 문제를 가지고 있었다.On the other hand, battery-related devices estimate internal state values using a predetermined model, but these models have a problem of being vulnerable to damage to input data. For example, when noise is inserted in the sensing process or some data is omitted in the communication process, conventional models have a problem in that they calculate an abnormal estimate or fail to calculate an estimate at all.

이러한 배경에서, 본 실시예의 목적은, 입력데이터의 손상에 강인한 배터리 상태 추정 기술을 제공하는 것이다.Against this background, an object of the present embodiment is to provide a battery state estimation technique that is robust against damage to input data.

전술한 목적을 달성하기 위하여, 일 실시예는, 배터리의 전압, 전류 및 온도 중 적어도 하나의 값을 포함하는 센싱데이터를 획득하는 데이터수집부; 상기 센싱데이터를 미리 학습된 오토인코더(auto-encoder)모델에 입력시켜 전처리데이터를 생성하는 데이터전처리부; 및 상기 전처리데이터를 미리 학습된 SOH(state-of-health)모델에 입력시켜 SOH값을 산출하는 상태예측부를 포함하는 배터리상태추정장치를 제공한다. In order to achieve the above object, an embodiment includes a data collection unit for acquiring sensing data including at least one value of voltage, current, and temperature of a battery; a data pre-processing unit for generating pre-processing data by inputting the sensed data into a pre-trained auto-encoder model; and a state predictor for calculating an SOH value by inputting the pre-processing data into a pre-trained state-of-health (SOH) model.

상기 데이터전처리부는, 상기 센싱데이터를 서브샘플링(subsampling) 처리하여 계산에 소요되는 데이터량을 감소시킬 수 있다.The data preprocessor may reduce the amount of data required for calculation by subsampling the sensing data.

상기 데이터전처리부는, 상기 센싱데이터를 정규화한 후에 상기 오토인코더모델에 입력시킬 수 있다.The data pre-processing unit may input to the auto-encoder model after normalizing the sensed data.

상기 상태예측부는, 미리 학습된 RUL(remaining useful life)모델에 상기 SOH값을 입력시켜 RUL값을 산출할 수 있다.The state predictor may calculate the RUL value by inputting the SOH value to a pre-learned remaining useful life (RUL) model.

상기 데이터수집부는, 통신을 통해 상기 센싱데이터를 획득할 수 있다.The data collection unit may acquire the sensing data through communication.

다른 실시예는, 배터리의 전압, 전류 및 온도 중 적어도 하나의 값을 포함하는 센싱데이터를 획득하는 데이터수집부; 상기 센싱데이터를 손상시킨 손상데이터를 생성하는 데이터전처리부; 및 오토인코더(auto-encoder)모델에 상기 손상데이터를 입력시키면서 상기 오토인코더모델을 학습시키는 데이터학습부를 포함하는 배터리상태추정모델학습장치를 제공한다. Another embodiment may include: a data collection unit configured to acquire sensing data including at least one value of voltage, current, and temperature of a battery; a data pre-processing unit for generating damaged data that has damaged the sensed data; and a data learning unit for learning the auto-encoder model while inputting the damage data into an auto-encoder model.

상기 배터리상태추정모델학습장치는 SOH(state-of-health)모델에 상기 센싱데이터를 입력시키면서 상기 SOH모델을 학습시키는 상태학습부를 더 포함할 수 있다.The battery state estimation model training apparatus may further include a state learning unit for learning the SOH model while inputting the sensing data to a state-of-health (SOH) model.

상기 상태학습부는, 상기 SOH모델에서 출력되는 SOH값을 RUL(remaining useful life)모델에 입력시키면서 상기 RUL모델을 학습시킬 수 있다.The state learning unit may learn the RUL model while inputting the SOH value output from the SOH model to a remaining useful life (RUL) model.

상기 데이터전처리부는, 상기 센싱데이터를 서브샘플링(subsampling) 처리하여 계산에 소요되는 데이터량을 감소시킬 수 있다.The data preprocessor may reduce the amount of data required for calculation by subsampling the sensing data.

상기 데이터학습부는, 정규화된 데이터를 이용하여 상기 오토인코더모델을 학습시킬 수 있다.The data learning unit may learn the autoencoder model using normalized data.

상기 데이터전처리부는, 상기 센싱데이터에 가우시안(gaussian)노이즈를 추가하여 상기 손상데이터를 생성할 수 있다.The data preprocessor may generate the damaged data by adding a Gaussian noise to the sensed data.

상기 데이터전처리부는, 시계열로 획득되는 상기 센싱데이터의 일부 데이터를 누락시켜 상기 손상데이터를 생성할 수 있다.The data preprocessor may generate the damaged data by omitting some data of the sensed data acquired in time series.

이상에서 설명한 바와 같이 본 실시예에 의하면, 손상된 데이터가 입력되더라도 배터리 내부 상태를 상당한 정확도를 가지고 추정할 수 있게 된다.As described above, according to the present embodiment, it is possible to estimate the internal state of the battery with considerable accuracy even when damaged data is input.

도 1은 일 실시예에 따른 배터리 상태 추정 시스템의 구성도이다.
도 2는 일 실시예에 따른 추정장치의 구성도이다.
도 3은 일 실시예에 따른 데이터전처리부의 구성도이다.
도 4는 일 실시예에 따른 학습장치의 구성도이다.
도 5는 일 실시예에 따른 데이터전처리부의 구성도이다.
도 6은 일 실시예에 따른 데이터학습부의 구성도이다.
도 7은 일 실시예에 따른 상태학습부의 구성도이다.1 is a configuration diagram of a system for estimating a battery state according to an embodiment.
2 is a block diagram of an estimator according to an exemplary embodiment.
3 is a block diagram of a data pre-processing unit according to an exemplary embodiment.
4 is a block diagram of a learning apparatus according to an embodiment.
5 is a block diagram of a data pre-processing unit according to an exemplary embodiment.
6 is a configuration diagram of a data learning unit according to an embodiment.
7 is a configuration diagram of a state learning unit according to an embodiment.

이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.Hereinafter, some embodiments of the present invention will be described in detail with reference to exemplary drawings. In adding reference numerals to the components of each drawing, it should be noted that the same components are given the same reference numerals as much as possible even though they are indicated on different drawings. In addition, in describing the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present invention, the detailed description thereof will be omitted.

또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.In addition, in describing the components of the present invention, terms such as first, second, A, B, (a), (b), etc. may be used. These terms are only for distinguishing the elements from other elements, and the essence, order, or order of the elements are not limited by the terms. When it is described that a component is “connected”, “coupled” or “connected” to another component, the component may be directly connected or connected to the other component, but another component is between each component. It should be understood that elements may be “connected,” “coupled,” or “connected.”

도 1은 일 실시예에 따른 배터리 상태 추정 시스템의 구성도이다.1 is a configuration diagram of a system for estimating a battery state according to an embodiment.

도 1을 참조하면, 시스템(100)은 배터리(120), 배터리상태추정장치(이하, '추정장치'라 함)(110) 및 배터리상태추정모델학습장치(이하, '학습장치'라 함)(130) 등을 포함할 수 있다.Referring to FIG. 1 , the system 100 includes a battery 120 , a battery state estimating device (hereinafter referred to as an 'estimate device') 110 and a battery state estimation model learning apparatus (hereinafter referred to as a 'learning device'). (130) and the like.

배터리(120)는 적어도 하나의 셀을 포함할 수 있고, 센서가 부착되면서 전류(Ib), 전압(Vb), 온도(Tb) 등이 측정될 수 있다. 여기서, 전류는 배터리(120) 단자로 입출력되는 전류를 의미하고, 전압은 배터리(120)의 단자전압을 의미할 수 있다. 그리고, 온도는 배터리(120)의 표면온도를 의미할 수 있다.The battery 120 may include at least one cell, and a current (Ib), a voltage (Vb), a temperature (Tb), etc. may be measured while a sensor is attached. Here, the current may mean a current input/output to the terminal of the battery 120 , and the voltage may mean a terminal voltage of the battery 120 . And, the temperature may mean the surface temperature of the battery 120 .

추정장치(110)는 배터리(120)의 전압(Vb), 전류(Ib) 및 온도(Tb) 중 적어도 하나의 값을 포함하는 센싱데이터를 획득하고, 이러한 센싱데이터를 이용하여 배터리(120)의 내부 상태 값을 추정할 수 있다.The estimator 110 obtains sensing data including at least one of a voltage (Vb), a current (Ib), and a temperature (Tb) of the battery 120 , and uses the sensed data to control the battery 120 . The internal state value can be estimated.

내부 상태 값은 예를 들어, SOC값, SOH값, RUL값 등일 수 있다.The internal state value may be, for example, an SOC value, an SOH value, a RUL value, or the like.

학습장치(130)는 센싱데이터를 이용하여 모델들(MDL, DA)을 학습시키고, 학습된 모델들(MDL, DA)을 추정장치(110)로 제공할 수 있다.The learning apparatus 130 may train the models MDL and DA by using the sensed data, and may provide the learned models MDL and DA to the estimation apparatus 110 .

그리고, 추정장치(110)는 이러한 모델들(MDL, DA)에 센싱데이터를 입력시켜 배터리(120)의 내부 상태 값을 추정할 수 있다.In addition, the estimator 110 may estimate the internal state value of the battery 120 by inputting sensing data to these models MDL and DA.

도 2는 일 실시예에 따른 추정장치의 구성도이다.2 is a block diagram of an estimator according to an exemplary embodiment.

도 2를 참조하면, 추정장치(110)는 데이터수집부(210), 데이터전처리부(220) 및 상태예측부(230) 등을 포함할 수 있다.Referring to FIG. 2 , the estimator 110 may include a data collection unit 210 , a data preprocessor 220 , and a state prediction unit 230 .

데이터수집부(210)는 배터리의 전압, 전류 및 온도 중 적어도 하나의 값을 포함하는 센싱데이터를 획득할 수 있다.The data collection unit 210 may acquire sensing data including at least one value of voltage, current, and temperature of the battery.

데이터수집부(210)는 통신을 통해 센싱데이터를 획득할 수 있다. 예를 들어, 데이터수집부(210)는 직렬통신 혹은 병렬통신을 통해 센서장치로부터 센싱데이터를 획득할 수 있다.The data collection unit 210 may acquire sensing data through communication. For example, the data collection unit 210 may acquire sensing data from the sensor device through serial communication or parallel communication.

데이터수집부(210)는 센서들을 포함하고 있으면서 센서들을 이용하여 센싱데이터를 직접 생성할 수도 있다. 예를 들어, 데이터수집부(210)는 전류센서, 전압센서, 온도센서 등을 이용하여 배터리의 전류, 전압, 온도를 직접 센싱할 수 있다.The data collection unit 210 may directly generate sensing data using the sensors while including the sensors. For example, the data collection unit 210 may directly sense the current, voltage, and temperature of the battery using a current sensor, a voltage sensor, a temperature sensor, or the like.

센싱데이터는 시계열로 획득될 수 있다. 데이터수집부(210)는 일정 시간 간격으로 샘플링되는 센싱데이터를 시계열로 획득할 수 있다.The sensing data may be acquired in time series. The data collection unit 210 may acquire the sensed data sampled at regular time intervals in time series.

데이터전처리부(220)는 센싱데이터를 전처리한 후 상태예측부(230)로 전달할 수 있다.The data pre-processing unit 220 may pre-process the sensed data and then transmit it to the state prediction unit 230 .

데이터전처리부(220)는 미리 학습된 데이터처리모델을 포함하고 있으면서, 이러한 데이터처리모델을 이용하여 센싱데이터를 전처리할 수 있다.The data pre-processing unit 220 may pre-process the sensed data using the data processing model while including the pre-learned data processing model.

데이터처리모델은 센싱데이터에 포함되어 있는 노이즈를 제거하는 등의 센싱데이터의 손상부분을 복구하는 기능을 수행할 수 있다.The data processing model may perform a function of recovering a damaged part of the sensed data, such as removing noise included in the sensed data.

데이터처리모델은 예를 들어, 오토인코더(auto-encoder)모델일 수 있다. 오토인코더는 입력을 출력으로 복사하는 신경망이다. 오토인코더는 인코더와 디코더로 구성될 수 있는데, 인코더는 인지네트워크(recognition network)라고 불리우고, 디코더는 생성네트워크(generative network)라고 불리우기도 한다.The data processing model may be, for example, an auto-encoder model. An autoencoder is a neural network that copies an input to an output. An autoencoder can be composed of an encoder and a decoder. The encoder is called a recognition network, and the decoder is also called a generative network.

데이터처리모델로 사용되는 오토인코더는 히든레이어의 뉴런수가 입력레이어의 뉴런수보다 작은 언더컴플리트 오토인코더(undercomplete auto-encoder)일 수 있고, 인코더와 디코더가 대칭을 이루는 스택트 오토인코더(stacked auto-encoder)일 수 있다. 데이터처리모델로 사용되는 오토인코더는 손상된 데이터를 복구한다는 측면에서 디노이징 오토인코더(denoising auto-encoder)로 불리우기도 한다.The auto-encoder used as a data processing model may be an undercomplete auto-encoder in which the number of neurons in the hidden layer is smaller than the number of neurons in the input layer, and the stacked auto-encoder in which the encoder and decoder are symmetrical. encoder). An auto-encoder used as a data processing model is also called a denoising auto-encoder in terms of recovering damaged data.

상태예측부(230)는 학습된 추정모델들을 포함하고 있으면서, 추정모델들을 이용하여 내부 상태를 추정할 수 있다.The state predictor 230 may estimate an internal state using the estimated models while including the learned estimation models.

예를 들어, 상태예측부(230)는 SOH모델을 포함하고 있으면서, SOH모델을 이용하여 SOH값을 산출할 수 있다. 이때, 상태예측부(230)는 전처리된 센싱데이터를 이용함으로써 노이즈에 강인하게 내부 상태를 값을 산출할 수 있게 된다.For example, while the state predictor 230 includes the SOH model, the SOH value may be calculated using the SOH model. In this case, the state predictor 230 can calculate the internal state value robustly against noise by using the pre-processed sensing data.

상태예측부(230)는 RUL모델을 더 포함할 수 있는데, 이때, RUL모델의 입력값은 SOH모델에서 산출되는 SOH값일 수 있다.The state predictor 230 may further include a RUL model. In this case, the input value of the RUL model may be an SOH value calculated from the SOH model.

도 3은 일 실시예에 따른 데이터전처리부의 구성도이다.3 is a block diagram of a data pre-processing unit according to an exemplary embodiment.

도 3을 참조하면, 데이터전처리부(220)는 서브샘플링부(310), 정규화부(320), 데이터처리부(330) 등을 포함할 수 있다.Referring to FIG. 3 , the data preprocessor 220 may include a subsampling unit 310 , a normalization unit 320 , and a data processing unit 330 .

서브샘플링부(310)는 센싱데이터(SD)를 서브샘플링(subsampling) 처리하여 샘플링데이터(SSD)를 생성할 수 있다. 샘플링데이터(SSD)는 센싱데이터(SD)보다 적은 데이터량을 가지게 되는데, 이러한 서브샘플링 처리를 통해 추정장치는 계산량 및 계산에 소요되는 데이터량을 감소시킬 수 있다.The subsampling unit 310 may generate the sampling data SSD by subsampling the sensing data SD. The sampling data SSD has a smaller data amount than the sensing data SD. Through this subsampling process, the estimator may reduce the amount of calculation and the amount of data required for the calculation.

정규화부(320)는 샘플링데이터(SSD)를 정규화하여 정규화데이터(NSSD)를 생성할 수 있다. 후술하겠지만, 다양한 배터리에 모두 적용될 수 있도록 모델들은 정규화된 데이터에 따라 학습될 수 있다. 그리고, 이러한 모델들에 맞도록 데이터를 조정하기 위해 정규화부(320)는 센싱데이터를 정규화하여 정규화데이터(NSSD)를 생성할 수 있다.The normalizer 320 may generate normalized data NSSD by normalizing the sampling data SSD. As will be described later, the models may be trained according to normalized data so that they can be applied to various batteries. In addition, in order to adjust the data to fit these models, the normalizer 320 may normalize the sensed data to generate normalized data NSSD.

데이터처리부(330)는 오토인코더모델과 같은 데이터처리모델을 포함하고 있을 수 있다. 그리고, 데이터처리부(330)는 데이터처리모델에 센싱데이터-예를 들어, 정규화데이터(NSSD)-를 입력시키고 그 출력으로서 전처리데이터(PBD)를 생성할 수 있다.The data processing unit 330 may include a data processing model such as an autoencoder model. In addition, the data processing unit 330 may input the sensed data (eg, normalized data (NSSD)) to the data processing model and generate pre-processed data (PBD) as an output thereof.

이러한 전처리데이터(PBD)는 상태추정부로 전달되는데, 상태추정부는 전처리데이터(PBD)를 미리 학습된 SOH모델에 입력시켜 SOH값을 산출하고, SOH값을 미리 학습된 RUL모델에 입력시켜 RUL값을 산출할 수 있다.This pre-processing data (PBD) is transmitted to the state estimator, which inputs the pre-processing data (PBD) to the pre-trained SOH model to calculate the SOH value, and inputs the SOH value to the pre-trained RUL model to obtain the RUL value. can be calculated.

도 4는 일 실시예에 따른 학습장치의 구성도이다.4 is a block diagram of a learning apparatus according to an embodiment.

도 4를 참조하면, 학습장치(130)는 데이터수집부(410), 데이터전처리부(420), 상태학습부(430) 및 데이터학습부(425) 등을 포함할 수 있다.Referring to FIG. 4 , the learning apparatus 130 may include a data collection unit 410 , a data preprocessing unit 420 , a state learning unit 430 , and a data learning unit 425 .

데이터수집부(410)는 배터리의 전압, 전류 및 온도 중 적어도 하나의 값을 포함하는 센싱데이터를 획득할 수 있다.The data collection unit 410 may acquire sensing data including at least one value of voltage, current, and temperature of the battery.

데이터수집부(410)는 추정장치로부터 센싱데이터를 전달받을 수 있고, 센서들을 포함하고 있으면서 센서들을 이용하여 센싱데이터를 직접 생성할 수도 있다. 예를 들어, 데이터수집부(410)는 전류센서, 전압센서, 온도센서 등을 이용하여 배터리의 전류, 전압, 온도를 직접 센싱할 수 있다.The data collection unit 410 may receive sensing data from the estimator, and may directly generate sensing data using the sensors while including the sensors. For example, the data collection unit 410 may directly sense the current, voltage, and temperature of the battery using a current sensor, a voltage sensor, a temperature sensor, or the like.

센싱데이터는 시계열로 획득될 수 있다. 데이터수집부(410)는 일정 시간 간격으로 샘플링되는 센싱데이터를 시계열로 획득할 수 있다.The sensing data may be acquired in time series. The data collection unit 410 may acquire sensed data sampled at regular time intervals in time series.

데이터전처리부(420)는 센싱데이터를 전처리한 후 데이터학습부(425)로 전달할 수 있다.The data pre-processing unit 420 may pre-process the sensed data and then transmit it to the data learning unit 425 .

데이터전처리부(420)에서 전처리된 데이터는 손상데이터일 수 있다. 데이터전처리부(420)는 센싱데이터에 노이즈를 추가하거나 시계열로 획득되는 센싱데이터의 일부 데이터를 누락시켜 손상데이터를 생성할 수 있다.The data preprocessed by the data preprocessor 420 may be damaged data. The data preprocessor 420 may generate damaged data by adding noise to the sensed data or omitting some data of the sensed data acquired in time series.

그리고, 데이터학습부(425)는 손상데이터를 이용하여 데이터처리모델을 학습시킬 수 있다. 데이터학습부(425)는 데이터처리모델의 출력데이터가 원본데이터(센싱데이터)와 유사해지도록 데이터처리모델의 파라미터를 조정하면서 데이터처리모델을 학습시킬 수 있다.In addition, the data learning unit 425 may learn a data processing model using the damaged data. The data learning unit 425 may train the data processing model while adjusting parameters of the data processing model so that output data of the data processing model is similar to original data (sensing data).

상태학습부(430)는 센싱데이터를 이용하여 내부 상태 추정 모델들을 학습시킬 수 있다.The state learning unit 430 may learn internal state estimation models using the sensed data.

도 5는 일 실시예에 따른 데이터전처리부의 구성도이다.5 is a block diagram of a data pre-processing unit according to an exemplary embodiment.

도 5를 참조하면, 데이터전처리부(420)는 서브샘플링부(510), 정규화부(520) 및 데이터오염부(530) 등을 포함할 수 있다.Referring to FIG. 5 , the data preprocessor 420 may include a subsampling unit 510 , a normalization unit 520 , and a data pollution unit 530 .

서브샘플링부(510)는 센싱데이터(SD)를 서브샘플링 처리하여 샘플링데이터(SSD)를 생성할 수 있다. 샘플링데이터(SSD)는 센싱데이터(SD)보다 적은 데이터량을 가지게 되는데, 이러한 서브샘플링 처리를 통해 학습장치는 계산량 및 계산에 소요되는 데이터량을 감소시킬 수 있다. 실질적으로 이러한 계산량 감소의 효과는 추정장치에서 계산량 감소를 위한 것일 수 있다.The subsampling unit 510 may subsampling the sensing data SD to generate the sampling data SSD. The sampling data SSD has a smaller data amount than the sensing data SD. Through this subsampling process, the learning apparatus can reduce the amount of calculation and the amount of data required for calculation. Substantially, the effect of this reduction in the amount of computation may be to reduce the amount of computation in the estimator.

정규화부(520)는 샘플링데이터(SSD)를 정규화하여 정규화데이터(NSSD)를 생성할 수 있다. 학습장치는 이러한 정규화를 통해 다양한 배터리에 모두 적용될 수 있도록 모델들을 학습시킬 수 있다.The normalizer 520 may generate normalized data NSSD by normalizing the sampling data SSD. The learning apparatus may train the models to be applied to all of the various batteries through this normalization.

데이터오염부(530)는 정규화데이터(NSSD)를 손상시킨 손상데이터(NBD)를 생성할 수 있다.The data pollution unit 530 may generate damaged data NBD that corrupts normalized data NSSD.

데이터오염부(530)는 예를 들어, 정규화데이터(NSSD)에 가우시안(gaussian)노이즈를 추가하여 손상데이터(NBD)를 생성할 수 있다.The data pollution unit 530 may generate the damaged data NBD by, for example, adding a Gaussian noise to the normalized data NSSD.

다른 예로서, 데이터오염부(530)는 시계열로 생성되는 정규화데이터의 일부 데이터를 누락시켜 손상데이터(NBD)를 생성할 수 있다.As another example, the data pollution unit 530 may generate the damaged data NBD by omitting some data of the normalized data generated in the time series.

손상데이터(NBD)는 데이터학습부에 전달되어 데이터처리모델의 학습에 사용될 수 있다. 그리고, 정규화데이터(NSSD)는 상태학습부로 전달되어 내부 상태 추정 모델들의 학습에 사용될 수 있다.The damaged data NBD may be transmitted to the data learning unit and used to learn the data processing model. In addition, the normalized data NSSD may be transmitted to the state learning unit and used to learn internal state estimation models.

도 6은 일 실시예에 따른 데이터학습부의 구성도이다.6 is a configuration diagram of a data learning unit according to an embodiment.

도 6을 참조하면, 데이터학습부(425)는 데이터처리모델(610) 및 파라미터제어부(620) 등을 포함할 수 있다.Referring to FIG. 6 , the data learning unit 425 may include a data processing model 610 and a parameter control unit 620 .

데이터처리모델(610)은 오토인코더모델일 수 있다. 오토인코더모델은 히든레이어의 뉴런수가 입력레이어의 뉴런수보다 작은 형태를 가질 수 있고, 손상된 데이터를 복원하는 기능을 수행할 수 있다.The data processing model 610 may be an autoencoder model. The autoencoder model may have a form in which the number of neurons in the hidden layer is smaller than the number of neurons in the input layer, and may perform a function of restoring damaged data.

데이터처리모델(610)의 입력으로는 손상데이터(NBD)가 입력될 수 있다.Damage data NBD may be input as an input of the data processing model 610 .

파라미터제어부(620)는 데이터처리모델(610)의 출력데이터(PBD)와 원본데이터(정규화데이터(NSSD))를 비교하고 두 개가 유사해지도록 데이터처리모델(610)의 파라미터(PAR)를 조정할 수 있다.The parameter control unit 620 compares the output data PBD and the original data (normalized data NSSD) of the data processing model 610 and adjusts the parameter PAR of the data processing model 610 so that the two become similar. have.

도 7은 일 실시예에 따른 상태학습부의 구성도이다.7 is a configuration diagram of a state learning unit according to an embodiment.

도 7을 참조하면, 상태학습부(430)는 SOH학습부(710) 및 RUL학습부(720) 등을 포함할 수 있다.Referring to FIG. 7 , the state learning unit 430 may include an SOH learning unit 710 and a RUL learning unit 720 .

SOH학습부(710)는 센싱데이터-예를 들어, 정규화데이터-를 이용하여 SOH모델을 학습시킬 수 있다. SOH모델에 대한 학습은 지도학습의 형태로 이루어질 수 있는데, 지도학습에 필요한 SOH값의 측정값은 배터리에 대한 다른 측정방법에 의해 획득될 수 있다. 예를 들어, EIS(electrochemical impedance spectroscopy) 측정방법 등에 의해 지도학습에 필요한 SOH값이 측정될 수 있다.The SOH learning unit 710 may train the SOH model by using the sensed data - for example, normalized data. Learning about the SOH model can be done in the form of supervised learning, and the measured value of the SOH value required for supervised learning can be obtained by other measuring methods for batteries. For example, an SOH value required for supervised learning may be measured by an electrochemical impedance spectroscopy (EIS) measurement method or the like.

RUL학습부(720)는 SOH학습부(710)에서 산출되는 SOH값을 이용하여 RUL모델을 학습시킬 수 있다. RUL모델에 대한 학습은 지도학습의 형태로 이루어질 수 있는데, 지도학습에 필요한 RUL값의 측정값은 배터리에 대한 다른 측정방법에 의해 획득될 수 있다. 예를 들어, 배터리에 대한 만충과 만방을 통해 배터리의 용량을 측정하고 이러한 배터리의 용량을 통해 지도학습에 필요한 RUL값을 산출할 수 있다.The RUL learning unit 720 may learn the RUL model using the SOH value calculated by the SOH learning unit 710 . Learning for the RUL model may be performed in the form of supervised learning, and the measured value of the RUL value required for supervised learning may be obtained by another measuring method for the battery. For example, it is possible to measure the capacity of the battery through full charge and full charge of the battery, and calculate the RUL value required for supervised learning based on the capacity of the battery.

이상에서 설명한 일 실시예에 의하면, 추정장치가 손상데이터를 복원하는 데이터처리모델을 이용함으로써 센싱데이터에 노이즈가 많이 삽입되는 환경 혹은 통신단절 등을 통해 일시적으로 데이터가 누락되는 환경에서도 배터리의 내부 상태를 정확하게 추정할 수 있게 된다.According to the exemplary embodiment described above, by using a data processing model in which the estimating device restores damaged data, the internal state of the battery even in an environment in which a lot of noise is inserted into the sensed data or data is temporarily omitted due to a communication disconnection, etc. can be accurately estimated.

이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Terms such as "include", "compose" or "have" described above mean that the corresponding component may be embedded unless otherwise stated, so it does not exclude other components. It should be construed as being able to further include other components. All terms, including technical and scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs, unless otherwise defined. Terms commonly used, such as those defined in the dictionary, should be interpreted as being consistent with the meaning in the context of the related art, and are not interpreted in an ideal or excessively formal meaning unless explicitly defined in the present invention.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely illustrative of the technical spirit of the present invention, and various modifications and variations will be possible without departing from the essential characteristics of the present invention by those skilled in the art to which the present invention pertains. Therefore, the embodiments disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these embodiments. The protection scope of the present invention should be interpreted by the following claims, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present invention.

Claims (12)

배터리의 전압, 전류 및 온도 중 적어도 하나의 값을 포함하는 센싱데이터를 획득하는 데이터수집부;
상기 센싱데이터를 미리 학습된 오토인코더(auto-encoder)모델에 입력시켜 전처리데이터를 생성하는 데이터전처리부; 및
상기 전처리데이터를 미리 학습된 SOH(state-of-health)모델에 입력시켜 SOH값을 산출하는 상태예측부
를 포함하는 배터리상태추정장치.a data collection unit configured to acquire sensing data including at least one of voltage, current, and temperature of the battery;
a data pre-processing unit for generating pre-processing data by inputting the sensed data into a pre-trained auto-encoder model; and
A state prediction unit that calculates an SOH value by inputting the pre-processing data into a pre-trained state-of-health (SOH) model
A battery state estimating device comprising a. 제1항에 있어서,
상기 데이터전처리부는,
상기 센싱데이터를 서브샘플링(subsampling) 처리하여 계산에 소요되는 데이터량을 감소시키는 배터리상태추정장치.According to claim 1,
The data preprocessor,
A battery state estimating device for reducing the amount of data required for calculation by subsampling the sensed data. 제1항에 있어서,
상기 데이터전처리부는,
상기 센싱데이터를 정규화한 후에 상기 오토인코더모델에 입력시키는 배터리상태추정장치.According to claim 1,
The data preprocessor,
A battery state estimating device for normalizing the sensed data and then inputting it to the autoencoder model. 제1항에 있어서,
상기 상태예측부는,
미리 학습된 RUL(remaining useful life)모델에 상기 SOH값을 입력시켜 RUL값을 산출하는 배터리상태추정장치.According to claim 1,
The state prediction unit,
A battery state estimating device for calculating the RUL value by inputting the SOH value to a pre-learned RUL (remaining useful life) model. 제1항에 있어서,
상기 데이터수집부는,
통신을 통해 상기 센싱데이터를 획득하는 배터리상태추정장치.According to claim 1,
The data collection unit,
A battery state estimating device for acquiring the sensed data through communication. 배터리의 전압, 전류 및 온도 중 적어도 하나의 값을 포함하는 센싱데이터를 획득하는 데이터수집부;
상기 센싱데이터를 손상시킨 손상데이터를 생성하는 데이터전처리부; 및
오토인코더(auto-encoder)모델에 상기 손상데이터를 입력시키면서 상기 오토인코더모델을 학습시키는 데이터학습부
를 포함하는 배터리상태추정모델학습장치.a data collection unit configured to acquire sensing data including at least one of voltage, current, and temperature of the battery;
a data pre-processing unit for generating damaged data that has damaged the sensed data; and
Data learning unit for learning the auto-encoder model while inputting the damage data to the auto-encoder model
Battery state estimation model learning device comprising a. 제6항에 있어서,
SOH(state-of-health)모델에 상기 센싱데이터를 입력시키면서 상기 SOH모델을 학습시키는 상태학습부를 더 포함하는 배터리상태추정모델학습장치.7. The method of claim 6,
The battery state estimation model learning apparatus further comprising a state learning unit for learning the SOH model while inputting the sensing data to a state-of-health (SOH) model. 제7항에 있어서,
상기 상태학습부는,
상기 SOH모델에서 출력되는 SOH값을 RUL(remaining useful life)모델에 입력시키면서 상기 RUL모델을 학습시키는 배터리상태추정모델학습장치.8. The method of claim 7,
The state learning unit,
A battery state estimation model learning apparatus for learning the RUL model while inputting the SOH value output from the SOH model to the RUL (remaining useful life) model. 제6항에 있어서,
상기 데이터전처리부는,
상기 센싱데이터를 서브샘플링(subsampling) 처리하여 계산에 소요되는 데이터량을 감소시키는 배터리상태추정모델학습장치.7. The method of claim 6,
The data preprocessor,
A battery state estimation model learning apparatus for reducing the amount of data required for calculation by subsampling the sensed data. 제6항에 있어서,
상기 데이터학습부는,
정규화된 데이터를 이용하여 상기 오토인코더모델을 학습시키는 배터리상태추정모델학습장치.7. The method of claim 6,
The data learning unit,
A battery state estimation model learning apparatus for learning the autoencoder model using normalized data. 제6항에 있어서,
상기 데이터전처리부는,
상기 센싱데이터에 가우시안(gaussian)노이즈를 추가하여 상기 손상데이터를 생성하는 배터리상태추정모델학습장치.7. The method of claim 6,
The data preprocessor,
A battery state estimation model learning apparatus for generating the damage data by adding Gaussian noise to the sensed data. 제6항에 있어서,
상기 데이터전처리부는,
시계열로 획득되는 상기 센싱데이터의 일부 데이터를 누락시켜 상기 손상데이터를 생성하는 배터리상태추정모델학습장치.7. The method of claim 6,
The data preprocessor,
A battery state estimation model learning apparatus for generating the damage data by omitting some data of the sensed data obtained in time series.
KR1020210028581A 2021-03-04 2021-03-04 Battery state estimation apparatus and battery state estimation model learning apparatus KR102620444B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210028581A KR102620444B1 (en) 2021-03-04 2021-03-04 Battery state estimation apparatus and battery state estimation model learning apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210028581A KR102620444B1 (en) 2021-03-04 2021-03-04 Battery state estimation apparatus and battery state estimation model learning apparatus

Publications (2)

Publication Number Publication Date
KR20220124900A true KR20220124900A (en) 2022-09-14
KR102620444B1 KR102620444B1 (en) 2024-01-03

Family

ID=83279258

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210028581A KR102620444B1 (en) 2021-03-04 2021-03-04 Battery state estimation apparatus and battery state estimation model learning apparatus

Country Status (1)

Country Link
KR (1) KR102620444B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102579974B1 (en) * 2022-09-27 2023-09-19 주식회사 알세미 Neural compact modeling method and computing device
WO2024076089A1 (en) * 2022-10-04 2024-04-11 주식회사 엘지에너지솔루션 Device for determining state of battery cell, and operating method therefor

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160101506A (en) * 2015-02-17 2016-08-25 삼성전자주식회사 Method and apparatus for estimating state of battery based on probabilty inference of battery signal segment data
KR20190019316A (en) * 2017-08-17 2019-02-27 삼성전자주식회사 Method and apparatus for estimating state of battery
WO2020090143A1 (en) * 2018-10-30 2020-05-07 エンネット株式会社 Battery diagnosis device and battery diagnosis method using current pulse method
KR20210016154A (en) * 2019-07-31 2021-02-15 주식회사 에스제이 테크 Battery diagnostic methods using machine learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160101506A (en) * 2015-02-17 2016-08-25 삼성전자주식회사 Method and apparatus for estimating state of battery based on probabilty inference of battery signal segment data
KR20190019316A (en) * 2017-08-17 2019-02-27 삼성전자주식회사 Method and apparatus for estimating state of battery
WO2020090143A1 (en) * 2018-10-30 2020-05-07 エンネット株式会社 Battery diagnosis device and battery diagnosis method using current pulse method
KR20210016154A (en) * 2019-07-31 2021-02-15 주식회사 에스제이 테크 Battery diagnostic methods using machine learning

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
강인성 향상을 위한 리튬 이온 배터리의 데이터 기반 RUL 예측 프레임 워크(홍선리, 충남대학교 공과대학 대학원 석사학위논문, 국회도서관 납품 2021.2월)* *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102579974B1 (en) * 2022-09-27 2023-09-19 주식회사 알세미 Neural compact modeling method and computing device
WO2024071517A1 (en) * 2022-09-27 2024-04-04 주식회사 알세미 Neural compact modeling method and computing device
WO2024076089A1 (en) * 2022-10-04 2024-04-11 주식회사 엘지에너지솔루션 Device for determining state of battery cell, and operating method therefor

Also Published As

Publication number Publication date
KR102620444B1 (en) 2024-01-03

Similar Documents

Publication Publication Date Title
Chang et al. Lithium-ion battery state of health estimation using the incremental capacity and wavelet neural networks with genetic algorithm
WO2021185308A1 (en) Online determination method and system for state of health of power battery pack of electric vehicle
US11422194B2 (en) Battery diagnosis apparatus and battery diagnosis method based on current pulse method
RU2328753C2 (en) Device and method for evaluating state of charge of battery with use of neutral network
CN111581904B (en) Lithium battery SOC and SOH collaborative estimation method considering cycle number influence
KR20220124900A (en) Battery state estimation apparatus and battery state estimation model learning apparatus
Wang et al. A transferable lithium-ion battery remaining useful life prediction method from cycle-consistency of degradation trend
US11567140B2 (en) Method and device for the diagnosis of battery cells
EP3983814A1 (en) Methods and devices for determining battery state of health using incremental capacity analysis and support vector regression
Fleischer et al. On-line self-learning time forward voltage prognosis for lithium-ion batteries using adaptive neuro-fuzzy inference system
CN111781503B (en) On-line estimation method for SOC of lithium ion energy storage battery
CN111679199A (en) Lithium ion battery SOC estimation method and device
CN115453376B (en) State monitoring method and system for power battery of electric automobile and electric automobile
CN115616428A (en) Charging-detecting integrated electric vehicle battery state detection and evaluation method
CN114814691A (en) Lithium battery system voltage sensor fault diagnosis method based on digital twinning
CN114325403A (en) Lithium ion battery service life detection method and system based on electrochemical impedance spectrum test
CN114167284A (en) Lithium battery RUL prediction method and device based on BMS big data and ensemble learning
CN114611597A (en) Lithium ion battery health state estimation method and system based on RGAN
CN112782594A (en) Method for estimating SOC (state of charge) of lithium battery by data-driven algorithm considering internal resistance
Kim et al. State of health estimation of li-ion batteries using multi-input lstm with optimal sequence length
Ozcan et al. Online battery state-of-charge estimation based on sparse gaussian process regression
US20230324463A1 (en) Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods
CN112009252A (en) Fault diagnosis and fault-tolerant control method for power battery system
CN112698216A (en) Estimating the temperature of an electrochemical cell
CN116482539A (en) Multi-dimensional data driving-based battery state-of-charge estimation method, system, equipment and medium

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant