KR20220156254A - Battery life prediction system using feature vector labeling and method thereof - Google Patents
Battery life prediction system using feature vector labeling and method thereof Download PDFInfo
- Publication number
- KR20220156254A KR20220156254A KR1020210064036A KR20210064036A KR20220156254A KR 20220156254 A KR20220156254 A KR 20220156254A KR 1020210064036 A KR1020210064036 A KR 1020210064036A KR 20210064036 A KR20210064036 A KR 20210064036A KR 20220156254 A KR20220156254 A KR 20220156254A
- Authority
- KR
- South Korea
- Prior art keywords
- battery
- internal resistance
- labeling
- life
- unit
- Prior art date
Links
- 239000013598 vector Substances 0.000 title claims abstract description 186
- 238000002372 labelling Methods 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 26
- 239000000284 extract Substances 0.000 claims description 15
- 238000013480 data collection Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000007599 discharging Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000007704 transition Effects 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
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
Abstract
Description
본 발명은 배터리 수명 예측 시스템 및 방법에 관한 것으로, 더욱 상세하게는 배터리의 수명, 즉 충방전 사이클의 횟수에 따라 추출되는 배터리의 특징 벡터인 내부저항 및 내부저항을 제외한 특징 벡터의 벡터값을 라벨링하고, 라벨링한 특징 벡터 라벨링 및 배터리의 내부저항값을 인공지능모델에 적용하여 배터리의 수명을 예측하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템 및 방법에 관한 것이다.The present invention relates to a system and method for predicting battery life, and more particularly, to labeling the internal resistance, which is a feature vector of a battery extracted according to the life of the battery, that is, the number of charge/discharge cycles, and the vector value of the feature vector excluding the internal resistance. A system and method for predicting battery life using feature vector labeling that predicts the life of a battery by applying the labeled feature vector labeling and the internal resistance value of the battery to an artificial intelligence model.
최근, 환경오염을 방지하고, 한정된 유체 에너지를 새로운 에너지원으로 대체하기 위해 배터리를 사용하는 하이브리드 자동차(Hybrid Electric Vehicle: HEV) 및 전기자동차(Electric Vehicle: EV)가 개발 및 상용화되어 판매되고 있다.Recently, hybrid electric vehicles (HEVs) and electric vehicles (EVs) using batteries to prevent environmental pollution and replace limited fluid energy with new energy sources have been developed, commercialized, and sold.
상기 전기자동차 및 하이브리드 자동차는 배터리의 전력을 이용하여 차량의 주행이 이루어지기 때문에 배터리의 수명을 정확하게 예측하는 것은 매우 중요하다.Since the electric and hybrid vehicles are driven using battery power, it is very important to accurately predict the lifespan of the battery.
통상적으로, 배터리의 수명은 배터리의 건강상태(State of Health: SoH)에 의해 예측되므로, SoH를 정확하게 예측하는 것이 중요하다. SoH는 배터리에 포함된 배터리 관리 시스템(Battery Management System: BMS)에 의해 계산될 수 있으며, 배터리 잔존 충전량(State of Charge: SoC)의 변화량을 측정하고, 미리 측정되어 저장되어 있는 SoC에 따른 SoH를 정의한 수명 테이블에 기반하여 배터리 건강상태(SoH), 즉 수명을 예측한다.Typically, the life of a battery is predicted by its state of health (SoH), so it is important to accurately predict SoH. SoH can be calculated by the Battery Management System (BMS) included in the battery, measures the amount of change in the state of charge (SoC) of the battery, and calculates the SoH according to the SoC that is measured and stored in advance. Based on the defined lifetime table, the state of health of the battery (SoH), that is, the lifetime is predicted.
그러나 이러한 SoC에 기반한 수명 테이블에 의해 SoH를 예측하므로 그 예측 정확도가 떨어지는 문제점이 있으며, 신규 배터리로 교체된 경우에 배터리의 수명을 정확하게 예측하지 못하는 문제점이 있었다.However, since the SoH is predicted by the lifespan table based on the SoC, there is a problem in that the prediction accuracy is low, and the lifespan of the battery cannot be accurately predicted when the battery is replaced with a new battery.
또한, 동일한 SoC를 기준으로 충방전을 수행하는 경우, 배터리의 노후 정도에 따라 배터리의 수명에 미치는 영향이 달라지나, SoH 방식은 배터리 노후 정도를 반영하지 않기 때문에 배터리의 수명을 정확하게 예측하지 못하는 문제점이 있었다.In addition, when charging and discharging are performed based on the same SoC, the effect on the life of the battery varies depending on the degree of aging of the battery, but the SoH method does not reflect the degree of aging of the battery, so it is difficult to accurately predict the life of the battery. there was
이러한 문제점을 해결하기 위해 대한민국 등록특허 제10-1373150호, [차량용 배터리의 수명 예측 장치 및 그 방법](이하 "선행기술문헌"이라 함)은 배터리의 내부저항을 측정하여 배터리의 교체 여부를 판단하고 배터리의 수명을 초기화하여 신규 배터리 교환에 따른 문제점을 해결하고, 노후화 정도를 판단하여 예측되는 수명을 보상하는 기술을 개시하고 있다.In order to solve this problem, Korean Patent Registration No. 10-1373150, [Vehicle Battery Life Prediction Apparatus and Method] (hereinafter referred to as "Prior Art Document") measures the internal resistance of the battery to determine whether to replace the battery. and resetting the lifespan of the battery to solve the problems caused by replacing a new battery, and disclosing a technology for compensating for the predicted lifespan by determining the degree of deterioration.
그러나 선행기술문헌 또한 내부저항을 배터리의 교체 여부 및 노후화 정도만을 일부 반영할 수 있을 뿐 배터리에 가해지는 다양한 요소들을 복합적으로 반영하고 있지 못하여 예측 수명의 정확도가 떨어지는 문제점이 있다.However, the prior art literature also has a problem in that the accuracy of the predicted lifespan is low because the internal resistance can only partially reflect whether or not the battery is replaced and the degree of deterioration, but does not complexly reflect various factors applied to the battery.
따라서 본 발명의 목적은 배터리의 수명, 즉 충방전 사이클의 횟수에 따른 배터리의 내부저항을 포함하는 특징 벡터를 추출하고, 내부저항과 내부저항 이외의 특징 벡터의 벡터값을 라벨링하고, 라벨링한 복수의 특징 벡터에 대한 라벨링 및 내부저항을 이용하여 배터리 수명 예측 인공지능모델을 학습하고 학습된 배터리 수명 예측 인공지능모델에 수명 예측 대상인 배터리에 대한 내부저항 및 특징 벡터의 라벨링를 포함하는 수명 예측 데이터를 적용하여 상기 수명 예측 대상인 배터리의 수명을 예측하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템 및 방법을 제공함에 있다.Therefore, an object of the present invention is to extract a feature vector including the internal resistance of the battery according to the life of the battery, that is, the number of charge and discharge cycles, label the vector values of the internal resistance and the feature vector other than the internal resistance, and label a plurality of labeled pluralities. A battery life prediction artificial intelligence model is trained using the labeling and internal resistance of the feature vector, and the life prediction data including the internal resistance and feature vector labeling of the battery to be predicted is applied to the learned battery life prediction AI model. It is to provide a battery life prediction system and method using feature vector labeling to predict the life of the battery, which is the life prediction target.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템은: 배터리의 수명 사이클에 대한 수명데이터로부터 각 사이클에 대해 내부저항을 측정할 수 있는 포인트별 내부저항을 포함하는 복수의 특징 벡터를 추출하고, 상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하고, 포인트별 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링, 내부저항 및 해당 사이클 정보를 포함하는 학습데이터 세트를 생성한 후, 미리 생성된 배터리 수명 예측 인공지능모델에 상기 학습데이터 세트를 적용하여 학습시킨 후 출력하는 학습부; 및 상기 학습부로부터 상기 학습된 배터리 수명 예측 인공지능모델을 입력받아 가지고 있으며, 수명 예측 대상인 배터리로부터 측정된 배터리 정보로부터 시간에 따른 적어도 둘 이상의 포인트별 내부저항 및 상기 복수의 특징 벡터를 추출하고, 상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하고, 포인트별 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링 및 내부저항을 포함하는 배터리 예측 데이터를 상기 학습된 배터리 수명 예측 인공지능모델에 적용하여 상기 배터리의 수명(잔여 사이클)을 예측하는 예측부를 포함하는 것을 특징으로 한다.A system for predicting battery life using feature vector labeling according to the present invention for achieving the above object includes: internal resistance for each point capable of measuring internal resistance for each cycle from life data for life cycles of a battery. A plurality of feature vectors are extracted, vector values of the feature vectors excluding the internal resistance are labeled, integrated labeling obtained by combining the labeling values for each point is obtained, and learning data including the obtained integrated labeling, internal resistance, and corresponding cycle information. After generating a set, a learning unit for applying the learning data set to a pre-generated battery life prediction artificial intelligence model, learning it, and then outputting it; and extracting the learned battery life prediction artificial intelligence model from the learning unit, and extracting at least two or more point-by-point internal resistance and the plurality of feature vectors over time from battery information measured from a battery that is a life prediction target, Vector values of feature vectors excluding the internal resistance are labeled, integrated labeling obtained by combining labeling values for each point is obtained, and battery prediction data including the obtained integrated labeling and internal resistance is applied to the learned battery life prediction artificial intelligence model. It is characterized in that it includes a predictor for predicting the lifespan (remaining cycle) of the battery by applying the battery.
상기 학습부는, 배터리의 초기 상태에서부터 배터리의 수명이 다할 때까지의 배터리 상태정보인 수명데이터(RTF)를 수집하여 출력하는 데이터 수집부; 상기 수명데이터로부터 각 사이클에 대해 내부저항을 측정할 수 있는 포인트별 내부저항을 포함하는 복수의 특징 벡터를 추출하고 내부저항을 제외한 특징 벡터의 벡터값을 계산하여 출력하는 특징 벡터 추출부; 상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하여 출력하는 특징 라벨링부; 포인트별 특징 벡터들의 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링, 내부저항 및 해당 사이클 정보를 포함하는 학습데이터 세트를 생성하는 학습데이터 생성부; 및 미리 생성된 배터리 수명 예측 인공지능모델에 상기 학습데이터 세트를 적용하여 학습시킨 후 상기 예측부로 출력하는 특징 라벨링 학습부를 포함하는 것을 특징으로 한다.The learning unit may include: a data collection unit that collects and outputs RTF, which is battery state information from an initial state of the battery to the end of the life of the battery; a feature vector extraction unit extracting a plurality of feature vectors including internal resistance for each point capable of measuring internal resistance for each cycle from the life data, calculating and outputting a vector value of the feature vector excluding the internal resistance; a feature labeling unit for labeling and outputting vector values of feature vectors excluding the internal resistance; a learning data generating unit that obtains integrated labeling by combining labeling values of feature vectors for each point and generates a learning data set including the acquired integrated labeling, internal resistance, and corresponding cycle information; and a feature labeling learning unit that applies the learning data set to a pre-generated battery life prediction artificial intelligence model, trains it, and outputs the result to the prediction unit.
상기 특징 벡터 추출부는, 배터리의 수명 사이클에 대한 수명데이터로부터 사이클별로 특징 벡터인 내부저항을 측정할 수 있는 포인트를 검출하고, 상기 각 포인트의 내부저항(값)을 계산하고, 상기 포인트 정보 및 포인트별 내부저항(값)을 출력하는 내부저항 계산부; 및 상기 내부저항 계산부로부터 입력되는 포인트정보 및 상기 수명데이터를 입력받고, 상기 수명데이터로부터 내부저항을 제외한 특징 벡터를 추출하고, 추출된 특징 벡터에 대해 상기 포인트정보의 포인트별로 벡터값를 추출하여 상기 특징 라벨링부로 출력하는 특징 추출부를 포함하는 것을 특징으로 한다.The feature vector extractor detects points at which the internal resistance, which is a feature vector, can be measured for each cycle from the life data for the life cycle of the battery, calculates the internal resistance (value) of each point, and obtains the point information and points. an internal resistance calculation unit that outputs a specific internal resistance (value); And receiving the point information and the life data input from the internal resistance calculation unit, extracting a feature vector excluding the internal resistance from the life data, and extracting a vector value for each point of the point information for the extracted feature vector, It is characterized in that it includes a feature extraction unit outputting to the feature labeling unit.
상기 수명데이터는, 전기자동차의 가변적인 운용 환경을 고려한 전기차 공인 주행 모드 프로파일의 하나인 UDDS 프로파일의 시간에 따른 사이클별 전류 프로파일 및 전압 프로파일을 포함하는 데이터이고, 상기 내부저항 계산부는, 상기 사이클별 전류 프로파일 데이터에서 전류 변화량이 일정 기준값 이상인 시점을 포인트로 추출하고 상기 포인트에서의 전류 및 전압에 의해 내부저항을 계산하는 것을 특징으로 한다.The lifespan data is data including a current profile and a voltage profile for each cycle over time of a UDDS profile, which is one of the authorized driving mode profiles for electric vehicles in consideration of the variable operating environment of the electric vehicle, and the internal resistance calculation unit calculates the cycle-by-cycle It is characterized in that a point in time when the current change amount exceeds a predetermined reference value is extracted as a point from the current profile data, and the internal resistance is calculated by the current and voltage at the point.
상기 특징 벡터는, 상기 내부저항, C-rate, 부하상태, SoC 및 온도 중 내부저항을 포함하여 둘 이상을 포함하는 것을 특징으로 한다.The feature vector is characterized in that it includes two or more, including internal resistance among the internal resistance, C-rate, load state, SoC, and temperature.
상기 C-rate는, C-rate 구간을 로우 구간, 미들 구간 및 하이 구간으로 나누고, C-rate이 로우 구간에서 로우 구간, 로우 구간에서 미들 구간, 로우 구간에서 하이 구간, 미들 구간에서 로우구간, 미들 구간에서 미들 구간, 미들 구간에서 하이 구간, 하이 구간에서 로우 구간, 하이 구간에서 미들 구간, 하이 구간에서 하이 구간으로 변환된 경우로 구분하여 라벨링하는 것을 특징으로 한다.The C-rate divides the C-rate section into a low section, a middle section, and a high section, and the C-rate is a low section to a low section, a low section to a middle section, a low section to a high section, a middle section to a low section, Middle section to middle section, middle section to high section, high section to low section, high section to middle section, and high section to high section are classified and labeled.
상기 부하상태는, 충전상태, 방전상태, 휴지상태로 나누고, 상기 부하상태가 충전상태에서 충전상태, 충전상태에서 방전상태, 충전상태에서 휴지상태, 휴지상태에서 방전상태, 휴지상태에서 충전상태, 방전상태에서 충전상태, 방전상태에서 방전상태, 방전상태에서 휴지상태로 변환된 경우로 구분하여 라벨링하는 것을 특징으로 한다.The load state is divided into a charged state, a discharge state, and a rest state, and the load state is a charged state in a charged state, a discharge state in a charged state, a rest state in a charged state, a discharge state in a rest state, a charged state in a rest state, It is characterized by labeling by dividing into a charged state from a discharged state, a discharged state from a discharged state, and a case of conversion from a discharged state to a resting state.
상기 SoC는, 0.6 이하 구간, 0.6초과 내지 0.7 이내의 구간을 0.02 단위로 나눈 5개의 구간 및 0.7 이상의 구간으로 나누어 라벨링되는 것을 특징으로 한다.The SoC is characterized in that it is labeled by dividing a section of 0.6 or less, a section of more than 0.6 to less than 0.7 into five sections divided by 0.02 units, and a section of 0.7 or more.
상기 예측부는, 수명 예측 대상인 배터리의 시간에 따른 전류 및 전압 정보를 포함하는 배터리정보를 획득하는 배터리정보 획득부; 시간에 따라 연속적으로 입력되는 배터리정보로부터 내부저항을 측정할 수 있는 포인트를 검출하고, 상기 포인트에서의 특징 벡터인 내부저항의 포인트별 내부저항값을 포함하는 복수의 특징 벡터의 벡터값를 추출하여 출력하는 특징 벡터 추출부; 상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하여 출력하는 특징 라벨링부; 포인트의 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링 및 내부저항 포함하는 포인트 예측 데이터 및 이전에 설정된 하나 이상의 이전 포인트에 대한 포인트 예측 데이터를 포함하는 배터리 예측 데이터를 생성하는 배터리 예측 데이터 생성부; 및The prediction unit may include a battery information acquisition unit that obtains battery information including current and voltage information over time of a battery that is a life prediction target; A point at which the internal resistance can be measured is detected from the battery information continuously input over time, and vector values of a plurality of feature vectors including the point-by-point internal resistance value of the internal resistance, which is a feature vector at the point, are extracted and output. a feature vector extraction unit; a feature labeling unit for labeling and outputting vector values of feature vectors excluding the internal resistance; Battery prediction data generation that obtains integrated labeling that combines the labeling values of points, and generates battery prediction data including point prediction data including the obtained integrated labeling and internal resistance and point prediction data for one or more previously set previous points. wealth; and
학습된 상기 배터리 수명 예측 인공지능모델에 상기 배터리 예측 데이터를 적용하여 상기 수명 예측 대상인 배터리의 수명(잔여 사이클)을 예측하는 수명 예측부를 포함하는 것을 특징으로 한다.and a life predicting unit for predicting the life (remaining cycles) of the battery, which is the life prediction target, by applying the battery prediction data to the learned battery life prediction artificial intelligence model.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 특징 벡터 라벨링을 이용한 배터리 수명 예측 방법은: 학습부가 배터리의 수명 사이클에 대한 수명데이터로부터 각 사이클에 대해 내부저항을 측정할 수 있는 포인트별 내부저항을 포함하는 복수의 특징 벡터를 추출하고, 상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하고, 포인트별 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링, 내부저항 및 해당 사이클 정보를 포함하는 학습데이터 세트를 생성한 후, 미리 생성된 배터리 수명 예측 인공지능모델에 상기 학습데이터 세트를 적용하여 학습시킨 후 출력하는 학습 과정; 및 예측부가 수명 예측 대상인 배터리로부터 측정된 배터리정보로부터 시간에 따른 적어도 둘 이상의 포인트별 내부저항 및 상기 복수의 특징 벡터를 추출하고, 상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하고, 포인트별 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링 및 내부저항을 포함하는 배터리 예측 데이터를 상기 학습된 배터리 수명 예측 인공지능모델에 적용하여 상기 배터리의 수명(잔여 사이클)을 예측하는 수명 예측 과정을 포함하는 것을 특징으로 한다.A method for predicting battery life using feature vector labeling according to the present invention for achieving the above object is: The internal resistance for each point at which the learning unit can measure the internal resistance for each cycle from the life data for the life cycle of the battery Extracting a plurality of feature vectors including, labeling vector values of feature vectors excluding the internal resistance, obtaining integrated labeling combining labeling values for each point, and including the obtained integrated labeling, internal resistance and corresponding cycle information After generating a learning data set, a learning process of applying the learning data set to a pre-generated battery life prediction artificial intelligence model, learning it, and then outputting it; And the prediction unit extracts the internal resistance of at least two or more points according to time and the plurality of feature vectors from the battery information measured from the battery to be predicted for life, labels vector values of the feature vectors excluding the internal resistance, and labels each point. A life prediction process of predicting the life (remaining cycles) of the battery by obtaining integrated labeling that combines values and applying battery prediction data including the obtained integrated labeling and internal resistance to the learned battery life prediction artificial intelligence model It is characterized by including.
상기 학습 과정은, 상기 학습부가 데이터 수집부를 통해 배터리의 초기 상태에서부터 배터리의 수명이 다할 때까지의 배터리 상태정보인 수명데이터(RTF)를 수집하여 출력하는 데이터 수집 단계; 상기 학습부가 특징 벡터 추출부를 통해 상기 수명데이터로부터 각 사이클에 대해 내부저항을 측정할 수 있는 포인트별 내부저항을 포함하는 복수의 특징 벡터를 추출하여 출력하는 특징 벡터 추출 단계; 상기 학습부가 특징 라벨링부를 통해 상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하여 출력하는 특징 라벨링 단계; 상기 학습부가 학습 데이터 생성부를 통해 포인트별 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링, 내부저항 및 해당 사이클 정보를 포함하는 학습데이터 세트를 생성하는 학습데이터 생성 단계; 및 상기 학습부가 특징 라벨링 학습부를 통해 미리 생성된 배터리 수명 예측 인공지능모델에 상기 학습데이터 세트를 적용하여 학습시킨 후 상기 예측부로 출력하는 특징 라벨링 학습 단계를 포함하는 것을 특징으로 한다.The learning process may include a data collection step in which the learning unit collects and outputs life data (RTF), which is battery state information from an initial state of the battery to the end of the life of the battery, through the data collection unit; a feature vector extraction step in which the learning unit extracts and outputs a plurality of feature vectors including an internal resistance for each point capable of measuring an internal resistance for each cycle from the life data through a feature vector extractor; a feature labeling step of labeling and outputting vector values of feature vectors excluding the internal resistance by the learning unit through a feature labeling unit; a learning data generating step in which the learning unit acquires integrated labeling obtained by combining labeling values for each point through the learning data generating unit, and generates a learning data set including the obtained integrated labeling, internal resistance, and corresponding cycle information; and a feature labeling learning step in which the learning unit applies the learning data set to a previously generated battery life prediction artificial intelligence model through the feature labeling learning unit, trains it, and outputs the result to the prediction unit.
상기 특징 벡터 추출 단계는, 상기 학습부가 내부저항 계산부를 통해 배터리의 수명 사이클에 대한 수명데이터로부터 사이클별로 내부저항을 측정할 수 있는 포인트를 검출하고, 상기 각 포인트의 내부저항을 계산하고, 상기 포인트 정보 및 포인트별 내부저항을 출력하는 내부저항 계산 단계; 및 상기 학습부가 특징 추출부를 통해 상기 내부저항 계산부로부터 입력되는 포인트정보 및 상기 수명데이터를 입력받고, 상기 수명데이터의 상기 포인트정보의 포인트별로 복수의 특징 벡터를 추출하여 상기 특징 라벨링부로 출력하는 특징 추출 단계를 포함하는 것을 특징으로 한다.In the feature vector extraction step, the learning unit detects points at which the internal resistance can be measured for each cycle from life data for the life cycle of the battery through the internal resistance calculator, calculates the internal resistance of each point, and an internal resistance calculation step of outputting information and internal resistance for each point; and wherein the learning unit receives the point information and the life data input from the internal resistance calculation unit through the feature extraction unit, and extracts a plurality of feature vectors for each point of the point information of the life data and outputs them to the feature labeling unit. It is characterized in that it comprises an extraction step.
상기 수명데이터는, 전기자동차의 가변적인 운용 환경을 고려한 전기차 공인 주행 모드 프로파일의 하나인 UDDS 프로파일의 시간에 따른 사이클별 전류 프로파일 및 전압 프로파일을 포함하는 데이터이고, 상기 내부저항 계산 단계에서 상기 학습부가 내부저항 게산부를 통해 상기 사이클별 전류 프로파일 데이터에서 전류 변화량이 일정 기준값 이상인 시점을 포인트로 추출하고 상기 포인트에서의 전류 및 전압에 의해 내부저항을 계산하는 것을 특징으로 한다.The lifespan data is data including a current profile and a voltage profile for each cycle over time of a UDDS profile, which is one of electric vehicle authorized driving mode profiles in consideration of the variable operating environment of an electric vehicle, and the learning unit in the internal resistance calculation step It is characterized in that an internal resistance calculation unit extracts a point in time when the current change amount exceeds a predetermined reference value from the cycle-by-cycle current profile data, and calculates the internal resistance by the current and voltage at the point.
상기 특징 벡터는, 상기 내부저항, C-rate, 부하상태, SoC 및 온도 중 내부저항을 포함하여 둘 이상을 포함하는 것을 특징으로 한다.The feature vector is characterized in that it includes two or more, including internal resistance among the internal resistance, C-rate, load state, SoC, and temperature.
상기 예측 과정은, 상기 예측부가 배터리정보 획득부를 통해 수명 예측 대상인 배터리의 시간에 따른 전류 및 전압 정보를 포함하는 배터리정보를 획득하는 배터리정보 획득 단계; 상기 예측부가 특징 벡터 추출부를 통해 시간에 따라 연속적으로 입력되는 배터리정보로부터 내부저항을 측정할 수 있는 포인트를 검출하고, 상기 포인트에서의 내부저항을 포함하는 복수의 특징 벡터를 추출하여 출력하는 특징 벡터 추출 단계; 상기 예측부가 특징 라벨링부를 통해 상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하여 출력하는 특징 라벨링 단계; 상기 예측부가 배터리 예측 데이터 생성부를 통해 포인트의 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링 및 내부저항 포함하는 포인트 예측 데이터 및 이전에 설정된 하나 이상의 이전 포인트에 대한 포인트 예측 데이터를 포함하는 배터리 예측 데이터를 생성하는 배터리 예측 데이터 생성 단계; 및 상기 예측부가 수명 예측부를 통해 학습된 상기 배터리 수명 예측 인공지능모델에 상기 배터리 예측 데이터를 적용하여 상기 수명 예측 대상인 배터리의 수명(잔여 사이클)을 예측하는 수명 예측 단계를 포함하는 것을 특징으로 한다.The prediction process may include a battery information acquisition step in which the prediction unit obtains battery information including current and voltage information according to time of a battery to be predicted for life through a battery information acquisition unit; The predictor detects a point at which the internal resistance can be measured from the battery information continuously input over time through the feature vector extractor, and extracts and outputs a plurality of feature vectors including the internal resistance at the point. extraction step; a feature labeling step of labeling and outputting vector values of feature vectors excluding the internal resistance by the prediction unit through a feature labeling unit; The battery prediction unit obtains integrated labeling obtained by combining labeling values of points through the battery prediction data generator, and includes point prediction data including the obtained integrated labeling and internal resistance and point prediction data for one or more previously set previous points. a battery prediction data generation step of generating prediction data; and a life prediction step of predicting, by the prediction unit, the life (remaining cycle) of the battery, which is the life prediction target, by applying the battery prediction data to the battery life prediction artificial intelligence model learned through the life prediction unit.
본 발명은 배터리의 수명에 영향을 주는 내부저항, C-rate, 부하상태(Load Condition), 충전 잔존량(SoC), 온도 등을 포함하는 복수의 특징 벡터를 복합적으로 적용하므로 보다 정확하게 배터리의 수명을 예측할 수 있는 효과가 있다.Since the present invention applies a plurality of feature vectors including internal resistance, C-rate, load condition, remaining charge (SoC), temperature, etc. that affect battery lifespan in a complex manner, the lifespan of a battery is more accurate. has a predictable effect.
또한, 본 발명은 배터리의 최대 충전 가능한 충전량인 SoH에 의해 수명을 예측하는 것이 아니라 배터리의 실제 수명 사이클(Cycle)에 기반하여 수명을 예측하므로 보다 정확하게 수명을 예측할 수 있는 효과가 있다.In addition, since the present invention predicts the lifespan based on the actual life cycle of the battery rather than predicting the lifespan based on SoH, which is the maximum charge amount of the battery, there is an effect of predicting the lifespan more accurately.
또한, 본 발명은 수명 사이클에 따른 복수의 특징 벡터들을 수명 예측 인공지능모델에 적용하여 배터리의 수명을 예측함으로써 다수의 특징 벡터들을 적용했음에도 더욱더 정확하고 빠르게 배터리의 수명을 예측할 수 있는 효과가 있다.In addition, the present invention predicts the lifespan of a battery by applying a plurality of feature vectors according to the life cycle to a life prediction artificial intelligence model, so that the lifespan of the battery can be predicted more accurately and quickly even when a plurality of feature vectors are applied.
또한, 본 발명은 내부저항을 제외한 특징 벡터들을 라벨링한 후 라벨링값에 기반하고, 이전의 수명 예측값들을 반영하는 LSTM 방식의 배터리 수명 예측 인공지능모델을 적용함으로써 더욱더 빠르고 정확하게 배터리의 수명을 예측할 수 있는 효과가 있다. In addition, the present invention applies an LSTM-type battery life prediction artificial intelligence model based on the labeling value after labeling the feature vectors except for the internal resistance and reflecting the previous life prediction values, thereby predicting the life of the battery more quickly and accurately. It works.
도 1은 본 발명에 따른 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명의 일실시예에 따른 한 사이클의 수명(Run to Failure: RTF)데이터로부터 포인트 검출 및 내부저항 계산방법을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 UDDS 프로파일에 기반한 학습데이터 세트의 구성을 나타낸 도면이다.
도 4는 본 발명의 일실시예에 따른 배터리로부터 측정된 배터리 예측 데이터를 LSTM 방식의 수명 예측 인공지능모델에 적용한 일예를 나타낸 도면이다.
도 5는 본 발명에 따른 특징 벡터 라벨링을 이용한 배터리 수명 예측 방법을 나타낸 흐름도이다.
도 6은 본 발명의 일실시예에 따른 특징 벡터 라벨링을 이용한 배터리 수명 예측 방법 중 수명데이터에 기반한 수명 예측 인공지능모델 학습 방법을 나타낸 흐름도이다.
도 7은 본 발명의 일실시예에 따른 특징 벡터 라벨링을 이용한 배터리 수명 예측 방법 중 수명 예측 방법을 나타낸 흐름도이다.1 is a diagram showing the configuration of a system for predicting battery life using feature vector labeling according to the present invention.
2 is a diagram for explaining a point detection and internal resistance calculation method from one cycle life (Run to Failure: RTF) data according to an embodiment of the present invention.
3 is a diagram showing the configuration of a learning data set based on a UDDS profile according to an embodiment of the present invention.
4 is a diagram showing an example of applying battery prediction data measured from a battery according to an embodiment of the present invention to an LSTM-type life prediction artificial intelligence model.
5 is a flowchart illustrating a battery life prediction method using feature vector labeling according to the present invention.
6 is a flowchart illustrating a method of learning a life prediction artificial intelligence model based on life data among battery life prediction methods using feature vector labeling according to an embodiment of the present invention.
7 is a flowchart illustrating a life prediction method among battery life prediction methods using feature vector labeling according to an embodiment of the present invention.
이하 첨부된 도면을 참조하여 본 발명에 따른 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템의 구성 및 동작을 상세히 설명하고, 상기 배터리 수명 예측 시스템에서의 배터리 수명 예측 방법을 설명한다.Hereinafter, configuration and operation of a system for predicting battery life using feature vector labeling according to the present invention will be described in detail with reference to the accompanying drawings, and a method for predicting battery life in the system for predicting battery life will be described.
도 1은 본 발명에 따른 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템의 구성을 나타낸 도면이고, 도 2는 본 발명의 일실시예에 따른 한 사이클의 수명(Run to Failure: RTF)데이터로부터 포인트 검출 및 내부저항 계산방법을 설명하기 위한 도면이고, 도 3은 본 발명의 일실시예에 따른 UDDS 프로파일에 기반한 학습데이터 세트의 구성을 나타낸 도면이며, 도 4는 본 발명의 일실시예에 따른 배터리로부터 측정된 배터리 예측 데이터를 LSTM 방식의 수명 예측 인공지능모델에 적용한 일예를 나타낸 도면이다. 이하 도 1 내지 도 4를 참조하여 설명한다.1 is a diagram showing the configuration of a battery life prediction system using feature vector labeling according to the present invention, and FIG. 2 is a point detection and 3 is a diagram showing the configuration of a learning data set based on a UDDS profile according to an embodiment of the present invention, and FIG. 4 is a diagram for explaining an internal resistance calculation method, and FIG. It is a diagram showing an example of applying the LSTM method life prediction artificial intelligence model to the battery prediction data. It will be described with reference to FIGS. 1 to 4 below.
본 발명에 따른 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템은 학습부(100) 및 예측부(200)를 포함한다.A system for predicting battery life using feature vector labeling according to the present invention includes a
학습부(100)는 데이터 수집부(110), 특징 벡터 추출부(120), 특징 라벨링부(130), 학습데이터 생성부(140) 및 특징 라벨링 학습부(150)를 포함하여, 배터리의 수명 사이클에 대한 수명데이터로부터 각 사이클에 대해 내부저항을 측정할 수 있는 포인트별 내부저항을 포함하는 복수의 특징 벡터를 추출하고, 상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하고, 각 포인트의 특징 벡터들의 라벨링을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링, 내부저항 및 해당 사이클 정보를 포함하는 학습데이터 세트를 생성한 후, 미리 생성된 배터리 수명 예측 인공지능모델에 상기 학습데이터 세트를 적용하여 내부저항 및 통합 라벨링에 대해 수명(사이클=현재까지의 충방전 사이클 또는 잔여 사이클)을 학습시킨 후 출력한다.The
예측부(200)는 상기 학습부(100)로부터 상기 학습된 배터리 수명 예측 인공지능모델을 입력받아 가지고 있으며, 수명 예측 대상인 배터리로부터 측정된 배터리 정보로부터 시간에 따른 적어도 둘 이상의 포인트별 내부저항 및 상기 복수의 특징 벡터를 추출하고, 상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하고, 포인트별 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링 및 내부저항을 포함하는 배터리 예측 데이터를 상기 학습된 배터리 수명 예측 인공지능모델에 적용하여 상기 배터리의 수명(잔여 사이클)을 예측하여 출력한다.The
학습부(100)의 구성 및 동작을 구체적으로 설명하면, 데이터 수집부(110)는 배터리의 초기 상태에서부터 배터리의 수명이 다할 때까지의 배터리 상태정보인 수명데이터(RTF)를 수집하여 출력한다. Describing the configuration and operation of the
상기 배터리의 수명 사이클에 대한 수명(Run to Failure: RTF)데이터는 전기자동차(EV)의 가변적인 운용 환경을 고려하여 전기차 공인 주행 모드 프로파일 중 UDDS(Urban Dynamometer Driving Schedule) 프로파일이 사용될 수 있을 것이다. 상기 UDDS는 전기자동차의 배터리에 대한 배터리 전류 프로파일, 전압 프로파일, SoC, C-rate, 부하상태, 온도 등의 정보를 포함한다. 상기 수명, 즉 사이클은 충방전 사이클로 배터리 제조사, 용량 등에 따라 수백 사이클일 것이다. 상기 UDDS에서 상기 사이클은 700 Cycle이다. 상기 전류 프로파일 및 전압 프로파일은 사이클별로 구분되어 수명데이터에 포함되어 있을 것이다.For the run to failure (RTF) data for the life cycle of the battery, an Urban Dynamometer Driving Schedule (UDDS) profile among authorized driving mode profiles of an electric vehicle may be used in consideration of the variable operating environment of an electric vehicle (EV). The UDDS includes information such as battery current profile, voltage profile, SoC, C-rate, load status, temperature, etc. of the battery of the electric vehicle. The lifespan, that is, a cycle is a charge/discharge cycle and may be several hundred cycles depending on the battery manufacturer, capacity, and the like. In the UDDS, the cycle is 700 Cycles. The current profile and voltage profile may be classified for each cycle and included in life data.
또한, 상기 수명데이터는 새 배터리를 처음부터 수명이 다할 때까지 충방전을 반복하는 실험에 의해 획득되는 데이터일 수도 있을 것이다.In addition, the life data may be data obtained by repeating charging and discharging of a new battery from the beginning to the end of its life.
특징 벡터 추출부(120)는 내부저항 계산부(121) 및 특징 추출부(122)를 포함하여, 상기 수명데이터로부터 각 사이클에 대해 포인트별 내부저항을 포함하는 복수의 특징 벡터를 추출하여 출력한다.The
상기 내부저항 계산부(121)는 배터리의 수명 사이클에 대한 수명데이터로부터 사이클별로 내부저항을 측정할 수 있는 포인트를 검출하고, 상기 각 포인트의 내부저항을 계산하고, 상기 포인트 정보 및 포인트별 내부저항을 출력한다.The internal
도 2를 참조하여 내부저항 계산부(121)의 동작을 설명하면, 내부저항 계산부(121)는 도 2와 같은 임의의 (충방전) 사이클의 시간에 따른 전류값으로 표현되는 전류 프로파일에서 일정 기준치 이상의 변화량을 가지는 구간을 포인트(도 2의 Point1, Point2, Point3 등)로 검출한다. Referring to FIG. 2, the operation of the internal
내부저항 계산부(121)는 포인트가 검출되면 검출된 포인트정보(시간정보)를 특징 추출부(122)로 제공하고, 상기 포인트별 내부저항값을 계산한 후, 학습데이터 생성부(140)로 제공한다. 각 포인트의 내부저항값은 해당 포인트의 전압값 및 전류값에 의해 계산될 수 있을 것이다. When a point is detected, the internal
특징 추출부(122)는 데이터 수집부(110)로부터 수명데이터를 입력받고, 내부저항 계산부(121)로부터 포인트정보를 입력받아 상기 수명데이터로부터 포인트별 특징 벡터의 벡터값들을 계산하여 출력한다.The
상기 특징 추출부(122)에서 추출되는 특징 벡터는 C-rate, 부하상태(Load Condition), SoC, 온도 등이 될 수 있을 것이다. 상기 C-rate은 배터리의 충방전 속도이고, 부하상태는 부하의 충전(Charge), 방전(Discharge), 휴지(Rest) 상태 등이 될 수 있으며, 상기 SoC는 충전 잔류량이며, 온도는 배터리의 온도이다.The feature vector extracted by the
특징 라벨링부(130)는 상기 특징 추출부(122)로부터 입력되는 사이클별 특징 벡터들의 벡터값들을 사이클 및 포인터 순서대로 라벨링을 수행하고, 포인트별로 둘 이상의 특징 벡터에 대한 라벨링값을 결합한 통합 라벨링을 생성하여 학습데이터 생성부(140)로 출력한다.The
C-rate 특징 벡터는 C-rate에 따라 2<C-rate<7인 로우(Low) 구간, 7<C-rate<14인 미들(Middle) 구간, 14<C-rate<20인 하이(High) 구간으로 구분되며, C-rate 변환율에 따라 하기 표 1과 같이 라벨링된다.The C-rate feature vector is a low section with 2<C-rate<7, a middle section with 7<C-rate<14, and a high section with 14<C-rate<20 according to the C-rate. ) section, and is labeled as shown in Table 1 below according to the C-rate conversion rate.
부하상태 특징 벡터는 하기 표 2와 같이 부하의 상태를 충전상태, 방전상태 및 휴지상태로 구분하고, 부하상태의 천이 여부에 따라 라벨링된다.The load state feature vector classifies the state of the load into a charged state, a discharge state, and an idle state as shown in Table 2 below, and is labeled according to whether the load state transitions.
SoC 특징 벡터는 하기 표 3과 같이 라벨링된다.SoC feature vectors are labeled as shown in Table 3 below.
온도 특징벡터는 하기 표 4와 같이 라벨링된다.Temperature feature vectors are labeled as shown in Table 4 below.
상기 특징 라벨링부(130)는 각 특징 벡터들에 대해 사이클 및 포인트별로 라벨링이 완료되면 포인트별 특징 벡터들의 라벨링을 결합하여 통합 라벨링을 생성한다.The
통합 라벨링은 내부저항을 제외한 특징 벡터를 미리 설정된 순서에 따라 결합하여 생성한다. 예를 들면, 순서가 SoC, 부하상태, C-rate, 온도이고, 각각의 라벨링값이 '1', '2', '3', '4'이면 통합 라벨링은 '1234'가 된다. 상기 통합 라벨링의 라벨링 수는 C-rate 라벨링 수(9)*부하상태 라벨링 수(8)*SoC 라벨링 수(7)* 온도 라벨링 수(8) = 4032개이다.Integrated labeling is created by combining feature vectors excluding internal resistance in a preset order. For example, if the order is SoC, load status, C-rate, and temperature, and each labeling value is '1', '2', '3', '4', the integrated labeling becomes '1234'. The number of labels of the integrated labeling is the number of C-rate labels (9) * the number of load state labels (8) * the number of SoC labels (7) * the number of temperature labels (8) = 4032.
특징 라벨링부(130)는 통합 라벨링, 사이클정보 및 포인트 정보를 학습데이터 생성부(140)로 출력한다.The
학습데이터 생성부(140)는 내부저항 계산부(121)로부터 사이클 및 포인트별 내부저항값을 입력받고, 특징 라벨링부(130)로부터 사이클 및 포인트별 특징 벡터들에 대한 통합 라벨링을 입력받아 도 3과 같이 테이블화하여 학습데이터 세트를 생성한다. 학습데이터 세트는 도 3에서 보이는 바와 같이 사이클별로 4023개의 통합 라벨링 및 각 라벨링의 내부저항값으로 구성될 것이다.The learning
특징 라벨링 학습부(150)는 미리 생성된 배터리 수명 예측 인공지능모델을 가지고 있으며, 상기 배터리 수명 예측 인공지능모델에 상기 학습데이터 세트의 통합 라벨링 및 내부저항을 입력값으로, 사이클을 출력값으로 적용하여 상기 배터리 수명 예측 인공지능모델을 학습시킨다. 학습된 배터리 수명 예측 인공지능모델은 예측부(200)의 수명 예측부(240)로 제공된다.The feature
상기 배터리 수명 예측 인공지능모델로는 도 4에서 나타낸 바와 같이 Many to one 형태의 LSTM(Long Short-Term Memory model)이 적용되는 것이 바람직할 것이다.As the battery life prediction artificial intelligence model, as shown in FIG. 4, it is preferable to apply a long short-term memory model (LSTM) in the form of many to one.
대규모의 은닉층(Hidden Layer)로 구성되어 순전파(Feed Forward) 및 역전파(Back Propagation)과정을 통해 학습을 진행하는 MLP(Multi Layer Perceptron) 모델은 시계열 데이터의 학습 시 비효율적인데 반하여, 본 발명의 LSTM이 적용된 배터리 수명 예측 인공지능모델은 이전 시점의 데이터를 활용하므로 시계열 데이터를 효율적으로 학습시킬 수 있다.While the MLP (Multi Layer Perceptron) model, which is composed of a large-scale hidden layer and learns through feed forward and back propagation processes, is inefficient when learning time series data, the present invention The battery life prediction artificial intelligence model applied with LSTM can efficiently learn time-series data because it uses data from previous points in time.
또한 RNN 모델은 장기 의존성 문제(Long-term Dependency)로 인해 현 시점에서 먼 과거의 정보를 반영하지 못하므로 그래디언트 배니싱(Gradient Vanishing) 문제를 발생시켜 시간영역이 큰 데이터에 대해 부적절한 데 반하여, LSTM이 적용된 본 발명의 배터리 수명 예측 인공지능모델은 장기 의존성 문제를 해결할 수 있으므로 시간영역이 큰 데이터에 적합하다.In addition, RNN models do not reflect information from the distant past at the present time due to the long-term dependency problem, which causes the gradient vanishing problem, making them inappropriate for large time domain data. The applied battery life prediction artificial intelligence model of the present invention can solve the long-term dependence problem, so it is suitable for large time domain data.
예측부(200)의 구성 및 동작을 구체적으로 설명하면, 예측부(200)는 배터리정보 획득부(210), 배터리 특징 벡터 추출부(220), 배터리 예측 데이터 생성부(230) 및 수명 예측부(240)를 포함하고, 실시예에 따라 출력부(250)를 더 포함한다.Describing the configuration and operation of the
배터리정보 획득부(210)는 수명 예측 대상인 배터리의 충방전 시간에 따른 전류 및 전압 정보를 포함하는 배터리정보를 획득한다. 상기 배터리정보는 관리자에 의해 입력되는 정보일 수도 있고, 배터리의 배터리관리시스템(Battery Management System: BMS)로부터 획득되는 정보일 수도 있으며, 별도의 배터리정보 측정 장치로부터 입력되는 정보일 수도 있을 것이다.The battery
또한, 상기 배터리정보는 SoC 정보, 부하상태 정보(또는 부하상태 정보를 파악할 수 있는 전류, 전압 정보로 대체될 수 있음), 온도정보, 전력정보 등을 더 포함하여야 할 것이다.In addition, the battery information should further include SoC information, load state information (or current and voltage information capable of identifying load state information), temperature information, power information, and the like.
배터리 특징 벡터 추출부(220)는 내부저항 계산부(221) 및 배터리 특징 추출부(222)를 포함한다.The battery
내부저항 계산부(221)는 상기 배터리정보 획득부(210)로부터 입력되는 배터리정보 중 내부저항을 측정할 수 있는 충방전 시간에 따른 전류 및 전압 파형인 전류 및 전압 프로파일 중 어느 하나의 정보로부터 내부저항을 측정할 수 있는 포인트를 검출하고, 검출된 포인트에서의 내부저항을 계산한다. 상기 내부저항을 측정하기 위한 프로파일은 전류 프로파일인 것이 바람직할 것이다.The internal
내부저항 계산부(221)는 상기 포인트 정보를 배터리 특징 추출부(222)로 제공하고, 포인트 정보 및 계산된 내부저항값을 배터리 예측 데이터 생성부(230)로 출력한다.The internal
배터리 특징 추출부(222)는 내부저항 계산부(221)로부터 입력되는 포인트정보의 포인트에 대응하는 배터리의 특징 벡터들에 대한 벡터값을 추출하여 배터리 예측 데이터 생성부(230)로 출력한다.The
배터리 예측 데이터 생성부(230)는 배터리 특징 벡터 추출부(220)로부터 입력되는 특징 벡터들 중 내부저항을 제외한 특징 벡터의 벡터값들을 상술한 바와 같이 라벨링하여 통합 라벨링을 생성하고, 포인트 정보에 대응하는 포인트에 대한 통합 라벨링과 내부저항값을 포함하는 포인트 예측 데이터를 생성한다.The battery
상기 배터리 예측 데이터 생성부(230)는 미리 설정된 개수의 이전 포인트들에 대한 포인트 예측 데이터를 가지고 있으며, 생성된 현재의 포인트 예측 데이터와 이전 포인트들에 대한 이전 포인트 예측 데이터들을 포함하는 배터리 예측 데이터를 생성하여 수명 예측부(240)로 출력한다.The battery prediction
상기 배터리 예측 데이터 생성부(230)는 도 4에서 보이는 바와 같이 현재의 포인트 예측 데이터와 5개의 이전 포인트 예측 데이터를 포함하는 배터리 예측 데이터를 생성하도록 구성될 수 있을 것이다. 상기 포인트 예측 데이터의 수는 수명 예측부(240)에 적용된 배터리 수명 예측 인공지능 모델(410)의 노드(411-n) 수(n)에 따라 결정되는 것이 바람직할 것이다. 물론, 초기 구동 시부터 여섯 번째 포인트에 대한 포인트 예측 데이터가 구해지기까지는 일부 노드(411)는 빈 상태로 적용될 것이다.As shown in FIG. 4 , the battery prediction
수명 예측부(240)는 상기 특징 라벨링 학습부(150)로부터 학습된 배터리 수명 예측 인공지능모델(LSTM)(410)을 입력받아 가지고 있으며, 상기 배터리 예측 데이터 생성부(230)로부터 배터리 예측 데이터를 입력받아 상기 배터리 수명 예측 인공지능모델에 적용하고, 상기 배터리 수명 예측 인공지능모델(410)로부터 출력되는 출력값인 배터리 수명(사이클)을 출력부(250)로 출력한다.The
상기 수명 예측부(240)는 동일 배터리에 대해 미리 설정된 다수의 사이클 및 포인트에 대해 배터리 예측 데이터 및 배터리 수명값을 포함하는 갱신 학습데이터 세트가 수집되면 상기 특징 라벨링 학습부(150)로 제공하여 재학습을 요청하도록 구성될 수도 있을 것이다. 이 경우 특징 라벨링 학습부(150)는 이전 학습데이터 세트와 함께 갱신 학습데이터 세트를 재학습시킨다. 이렇게 함으로써 예측 정확도를 향상시킬 수 있을 것이다. When a renewal learning data set including battery prediction data and battery life values for a plurality of preset cycles and points for the same battery is collected, the
출력부(250)는 디스플레이 수단 또는 외부의 컴퓨터 단말기와 연결되어 데이터통신을 수행하는 통신 수단일 수 있으며, 상기 수명 예측부(240)로부터 입력되는 배터리 수명을 디스플레이 수단을 통해 출력하거나 통신 수단을 통해 컴퓨터 단말기로 전송하여 출력시킨다.The
도 5는 본 발명에 따른 특징 벡터 라벨링을 이용한 배터리 수명 예측 방법을 나타낸 흐름도이다.5 is a flowchart illustrating a battery life prediction method using feature vector labeling according to the present invention.
도 5를 참조하면, 학습부(100)는 데이터 수집부(110)를 통해 수명데이터를 획득하고, 상기 수명데이터에 의해 수명 사이클의 사이클 및 포인트별 통합 라벨링, 각 통합 라벨링에 대응하는 내부저항 및 사이클정보를 포함하는 학습데이터 세트를 생성하고, 상기 학습데이터세트를 본 발명에 따른 배터리 수명 예측 인공지능모델에 적용하여 상기 배터리 수명 예측 인공지능모델을 내부저항 및 통합 라벨링에 대한 사이클(수명)을 학습시키고, 학습된 배터리 수명 예측 인공지능모델을 예측부(200)로 제공한다.(S100). 이러한 학습 과정은 다음의 도 6을 참조하여 상세히 설명한다.Referring to FIG. 5, the
상기 배터리 수명 예측 인공지능모델이 학습되면 예측부(200)는 학습부(100)가 제공하는 학습된 배터리 수명 예측 인공지능모델을 입력받아 저장하고, 수명 예측 대상인 배터리로부터 배터리정보를 획득하고, 배터리정보로부터 내부저항을 포함하는 특징 벡터들 중 내부저항을 제외한 특징 벡터들에 대한 통합 라벨링을 추출하고, 통합 라벨링 및 내부저항을 상기 배터리 수명 예측 인공지능모델에 적용하여 수명(사이클)을 예측한다(S200). 이러한 예측 과정은 다음의 도 7을 참조하여 좀더 상세히 설명한다.When the battery life prediction artificial intelligence model is learned, the
도 6은 본 발명의 일실시예에 따른 특징 벡터 라벨링을 이용한 배터리 수명 예측 방법 중 수명데이터에 기반한 수명 예측 인공지능모델 학습 방법을 나타낸 흐름도이다.6 is a flowchart illustrating a method of learning a life prediction artificial intelligence model based on life data among battery life prediction methods using feature vector labeling according to an embodiment of the present invention.
도 6을 참조하면 학습부(100)는 데이터 수집부(110)를 통해 수명(RTF)데이터를 수집한다(S111).Referring to FIG. 6 , the
수명데이터가 수집되면 학습부(100)는 특징 벡터 추출부(120)의 내부저항 계산부(121)를 통해 수명데이터의 사이클별 시간에 따른 전류파형을 나타내는 전류 프로파일로부터 내부저항을 계산할 포인트를 검출한다(S113).When the life data is collected, the
사이클별 포인트가 검출되면 학습부(100)는 특징 벡터 추출부(120)의 내부저항 계산부(121), 특징 추출부(122)를 통해 상기 수명데이터로부터 특징벡터인 내부저항, C-rate, 부하상태, SoC, 온도 등을 추출하고, 포인트별 특징 벡터값을 계산한다(S115).When a point for each cycle is detected, the
특징 벡터의 추출 및 특징 벡터값이 계산되면 학습부(100)는 특징 라벨링부(130)를 통해 내부저항을 제외한 특징 벡터들 각각을 라벨링하고, 포인트별로 라벨링을 통합한 통합 라벨링을 생성한다(S117).When the feature vector is extracted and the feature vector value is calculated, the
통합 라벨링이 생성되면 학습부(100)는 학습데이터 생성부(140)를 통해 사이클 및 포인트별 통합 라벨링, 통합 라벨링별 내부저항을 포함하는 학습데이터 세트를 생성한(S119) 후, 배터리 수명 예측 인공지능모델에 적용하여 포인트별 통합라벨링 및 내부저항에 대해 배터리의 수명(사이클)을 학습시킨다(S121). 학습된 배터리 수명 예측 인공지능모델은 예측부(200)로 제공된다.When the integrated labeling is generated, the
도 7은 본 발명의 일실시예에 따른 특징 벡터 라벨링을 이용한 배터리 수명 예측 방법 중 수명 예측 방법을 나타낸 흐름도이다.7 is a flowchart illustrating a life prediction method among battery life prediction methods using feature vector labeling according to an embodiment of the present invention.
도 7을 참조하면, 예측부(200)는 학습된 배터리 수명 예측 인공지능모델이 저장된 후, 배터리정보 획득부(210)를 통해 수명 예측 대상인 배터리에 대한 배터리정보가 획득한다(S211).Referring to FIG. 7 , the
배터리정보가 획득되면 예측부(200)는 배터리 특징 벡터 추출부(220)의 내부저항 계산부(221)를 통해 포인트를 검출하고, 검출된 포인트에서의 내부저항을 계산하며, 배터리 특징 추출부(222)를 통해 상기 포인트에서 상기 배터리정보로부터 내부저항을 제외한 특징 벡터를 추출하고, 추출된 특징 벡터의 벡터값을 계산한다(S213).When the battery information is obtained, the
특징 벡터 및 벡터값이 추출되면 예측부(200)는 내부저항을 제외한 각 특징 벡터별 벡터값을 라벨링하고, 각 라벨링을 통합한 통합 라벨링을 생성한다(S215).When the feature vectors and vector values are extracted, the
통합 라벨링이 생성되면 예측부(200)는 배터리 예측 데이터 생성부(230)를 통해 현재 포인트에서의 통합 라벨링 및 상기 통합 라벨링에 대응하는 내부저항을 포함하는 포인트 예측 데이터를 생성하고, 현재 포인트에서 일정 개수의 이전 포인트에 대한 포인트 예측 데이터 및 현재 포인트의 포인트 예측 데이터를 포함하는 배터리 예측 데이터를 생성한다(S217).When the integrated labeling is generated, the
배터리 예측 데이터가 생성되면 예측부(200)는 상기 배터리 예측 데이터를 학습된 배터리 수명 예측 인공지능모델에 적용하고(S219), 상기 배터리 수명 예측 인공지능모델로부터 예측값이 수명(사이클)이 출력되는지를 모니터링한다(S221).When the battery prediction data is generated, the
배터리 수명 예측 인공지능모델로부터 수명이 출력되면 예측부(200)는 출력부(250)를 통해 상기 수명을 디스플레이 수단(미도시)에 표시하거나 원거리에 있는 관리자의 관리자 단말부(미도시)로 전송한다(S223). When the life expectancy is output from the battery life prediction artificial intelligence model, the
한편, 본 발명은 전술한 전형적인 바람직한 실시예에만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 개량, 변경, 대체 또는 부가하여 실시할 수 있는 것임은 당해 기술분야에서 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이러한 개량, 변경, 대체 또는 부가에 의한 실시가 이하의 첨부된 특허청구범위의 범주에 속하는 것이라면 그 기술사상 역시 본 발명에 속하는 것으로 보아야 한다.On the other hand, it is common knowledge in the art that the present invention is not limited to the above-described typical preferred embodiments, but can be implemented by various improvements, changes, substitutions, or additions within the scope of the present invention. If you have the , you can easily understand. If the implementation by such improvement, change, substitution or addition falls within the scope of the appended claims below, the technical idea should also be regarded as belonging to the present invention.
100: 학습부
110: 데이터 수집부
120: 특징 벡터 추출부
121: 내부저항 계산부
122: 특징 추출부
130: 특징 라벨링부
140: 학습데이터 생성부
150: 특징 라벨링부
200: 예측부
210: 배터리정보 획득부
220: 배터리 특징 벡터 추출부
221: 내부저항 계산부
222: 배터리 특징 추출부
230: 배터리 예측 데이터 생성부
240: 수명 예측부
250: 출력부100: learning unit 110: data collection unit
120: feature vector extraction unit 121: internal resistance calculation unit
122: feature extraction unit 130: feature labeling unit
140: learning data generation unit 150: feature labeling unit
200: prediction unit 210: battery information acquisition unit
220: battery feature vector extraction unit 221: internal resistance calculation unit
222: battery feature extraction unit 230: battery prediction data generation unit
240: life prediction unit 250: output unit
Claims (15)
상기 학습부로부터 상기 학습된 배터리 수명 예측 인공지능모델을 입력받아 가지고 있으며, 수명 예측 대상인 배터리로부터 측정된 배터리 정보로부터 시간에 따른 적어도 둘 이상의 포인트별 내부저항 및 상기 복수의 특징 벡터를 추출하고, 상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하고, 포인트별 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링 및 내부저항을 포함하는 배터리 예측 데이터를 상기 학습된 배터리 수명 예측 인공지능모델에 적용하여 상기 배터리의 수명(잔여 사이클)을 예측하는 예측부를 포함하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템.
A plurality of feature vectors including the internal resistance for each point capable of measuring the internal resistance for each cycle are extracted from the life data for the life cycle of the battery, the vector values of the feature vectors excluding the internal resistance are labeled, and the point After obtaining integrated labeling that combines the individual labeling values, generating a learning data set including the obtained integrated labeling, internal resistance and corresponding cycle information, applying the learning data set to a pre-generated battery life prediction artificial intelligence model A learning unit that outputs after learning; and
The learning unit receives the learned battery life prediction artificial intelligence model, and extracts internal resistance for each of at least two or more points over time and the plurality of feature vectors from battery information measured from a battery that is a life prediction target, Label vector values of feature vectors excluding internal resistance, obtain integrated labeling that combines labeling values for each point, and apply battery prediction data including the obtained integrated labeling and internal resistance to the learned battery life prediction artificial intelligence model. A battery life prediction system using feature vector labeling, characterized in that it includes a prediction unit for predicting the life (remaining cycles) of the battery by doing so.
상기 학습부는,
배터리의 초기 상태에서부터 배터리의 수명이 다할 때까지의 배터리 상태정보인 수명데이터(RTF)를 수집하여 출력하는 데이터 수집부;
상기 수명데이터로부터 각 사이클에 대해 내부저항을 측정할 수 있는 포인트별 내부저항을 포함하는 복수의 특징 벡터를 추출하고 내부저항을 제외한 특징 벡터의 벡터값을 계산하여 출력하는 특징 벡터 추출부;
상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하여 출력하는 특징 라벨링부;
포인트별 특징 벡터들의 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링, 내부저항 및 해당 사이클 정보를 포함하는 학습데이터 세트를 생성하는 학습데이터 생성부; 및
미리 생성된 배터리 수명 예측 인공지능모델에 상기 학습데이터 세트를 적용하여 학습시킨 후 상기 예측부로 출력하는 특징 라벨링 학습부를 포함하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템.
According to claim 1,
The learning unit,
a data collection unit that collects and outputs RTF, which is battery condition information from the initial state of the battery to the end of the life of the battery;
a feature vector extraction unit extracting a plurality of feature vectors including internal resistance for each point capable of measuring internal resistance for each cycle from the life data, calculating and outputting a vector value of the feature vector excluding the internal resistance;
a feature labeling unit for labeling and outputting vector values of feature vectors excluding the internal resistance;
a learning data generation unit that obtains integrated labeling obtained by combining labeling values of feature vectors for each point, and generates a learning data set including the acquired integrated labeling, internal resistance, and corresponding cycle information; and
A battery life prediction system using feature vector labeling, characterized in that it comprises a feature labeling learning unit for applying the training data set to a previously generated battery life prediction artificial intelligence model, learning it, and then outputting it to the prediction unit.
상기 특징 벡터 추출부는,
배터리의 수명 사이클에 대한 수명데이터로부터 사이클별로 특징 벡터인 내부저항을 측정할 수 있는 포인트를 검출하고, 상기 각 포인트의 내부저항(값)을 계산하고, 상기 포인트 정보 및 포인트별 내부저항(값)을 출력하는 내부저항 계산부; 및
상기 내부저항 계산부로부터 입력되는 포인트정보 및 상기 수명데이터를 입력받고, 상기 수명데이터로부터 내부저항을 제외한 특징 벡터를 추출하고, 추출된 특징 벡터에 대해 상기 포인트정보의 포인트별로 벡터값를 추출하여 상기 특징 라벨링부로 출력하는 특징 추출부를 포함하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템.
According to claim 2,
The feature vector extraction unit,
Points at which the internal resistance, which is a feature vector, can be measured for each cycle are detected from the life data for the life cycle of the battery, the internal resistance (value) of each point is calculated, and the point information and the internal resistance (value) for each point are calculated. an internal resistance calculation unit that outputs; and
The point information and the life data input from the internal resistance calculation unit are received, a feature vector excluding the internal resistance is extracted from the life data, and a vector value is extracted for each point of the point information for the extracted feature vector to determine the characteristic A battery life prediction system using feature vector labeling, comprising a feature extraction unit outputting to a labeling unit.
상기 수명데이터는,
전기자동차의 가변적인 운용 환경을 고려한 전기차 공인 주행 모드 프로파일의 하나인 UDDS 프로파일의 시간에 따른 사이클별 전류 프로파일 및 전압 프로파일을 포함하는 데이터이고,
상기 내부저항 계산부는,
상기 사이클별 전류 프로파일 데이터에서 전류 변화량이 일정 기준값 이상인 시점을 포인트로 추출하고 상기 포인트에서의 전류 및 전압에 의해 내부저항을 계산하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템.
According to claim 3,
The life data is
Data including the current profile and voltage profile for each cycle over time of the UDDS profile, which is one of the approved driving mode profiles for electric vehicles in consideration of the variable operating environment of electric vehicles,
The internal resistance calculator,
A battery life prediction system using feature vector labeling, characterized in that extracting a point at which the current change amount is greater than a predetermined reference value from the cycle-by-cycle current profile data and calculating the internal resistance by the current and voltage at the point.
상기 특징 벡터는,
상기 내부저항, C-rate, 부하상태, SoC 및 온도 중 내부저항을 포함하여 둘 이상을 포함하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템.
According to any one of claims 1 to 4,
The feature vector is
Battery life prediction system using feature vector labeling, characterized in that it includes two or more of the internal resistance, C-rate, load state, SoC, and temperature, including internal resistance.
상기 C-rate는,
C-rate 구간을 로우 구간, 미들 구간 및 하이 구간으로 나누고,
C-rate이 로우 구간에서 로우 구간, 로우 구간에서 미들 구간, 로우 구간에서 하이 구간, 미들 구간에서 로우구간, 미들 구간에서 미들 구간, 미들 구간에서 하이 구간, 하이 구간에서 로우 구간, 하이 구간에서 미들 구간, 하이 구간에서 하이 구간으로 변환된 경우로 구분하여 라벨링하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템.
According to claim 5,
The C-rate is,
The C-rate section is divided into a low section, a middle section and a high section,
C-rate is low to low, low to middle, low to high, middle to low, middle to middle, middle to high, high to low, high to middle A battery life prediction system using feature vector labeling, characterized in that the labeling is performed by classifying the case into a section and a case where the high section is converted to a high section.
상기 부하상태는,
충전상태, 방전상태, 휴지상태로 나누고,
상기 부하상태가 충전상태에서 충전상태, 충전상태에서 방전상태, 충전상태에서 휴지상태, 휴지상태에서 방전상태, 휴지상태에서 충전상태, 방전상태에서 충전상태, 방전상태에서 방전상태, 방전상태에서 휴지상태로 변환된 경우로 구분하여 라벨링하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템.
According to claim 5,
The load condition is
It is divided into charged state, discharged state, and rest state,
The load state is charged state to charged state, charged state to discharged state, charged state to idle state, idle state to discharged state, idle state to charged state, discharged state to charged state, discharged state to discharged state, discharged state to rest A battery life prediction system using feature vector labeling, characterized in that it is classified and labeled as a case converted to a state.
상기 SoC는,
0.6 이하 구간, 0.6초과 내지 0.7 이내의 구간을 0.02 단위로 나눈 5개의 구간 및 0.7 이상의 구간으로 나누어 라벨링되는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템.
According to claim 5,
The SoC,
A battery life prediction system using feature vector labeling, characterized in that the section below 0.6, the section above 0.6 to within 0.7 is divided into 5 sections divided by 0.02 units, and the section above 0.7 and labeled.
상기 예측부는,
수명 예측 대상인 배터리의 시간에 따른 전류 및 전압 정보를 포함하는 배터리정보를 획득하는 배터리정보 획득부;
시간에 따라 연속적으로 입력되는 배터리정보로부터 내부저항을 측정할 수 있는 포인트를 검출하고, 상기 포인트에서의 특징 벡터인 내부저항의 포인트별 내부저항값을 포함하는 복수의 특징 벡터의 벡터값를 추출하여 출력하는 특징 벡터 추출부;
상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하여 출력하는 특징 라벨링부;
포인트의 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링 및 내부저항 포함하는 포인트 예측 데이터 및 이전에 설정된 하나 이상의 이전 포인트에 대한 포인트 예측 데이터를 포함하는 배터리 예측 데이터를 생성하는 배터리 예측 데이터 생성부; 및
학습된 상기 배터리 수명 예측 인공지능모델에 상기 배터리 예측 데이터를 적용하여 상기 수명 예측 대상인 배터리의 수명(잔여 사이클)을 예측하는 수명 예측부를 포함하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템.
According to claim 1,
The prediction unit,
a battery information obtaining unit that obtains battery information including current and voltage information according to time of a battery that is a life prediction target;
A point at which the internal resistance can be measured is detected from the battery information continuously input over time, and vector values of a plurality of feature vectors including the point-by-point internal resistance value of the internal resistance, which is a feature vector at the point, are extracted and output. a feature vector extraction unit;
a feature labeling unit for labeling and outputting vector values of feature vectors excluding the internal resistance;
Battery prediction data generation that obtains integrated labeling that combines the labeling values of points, and generates battery prediction data including point prediction data including the obtained integrated labeling and internal resistance and point prediction data for one or more previously set previous points. wealth; and
A battery life prediction system using feature vector labeling, characterized in that it includes a life prediction unit for predicting the life (remaining cycle) of the battery, which is the life prediction target, by applying the battery prediction data to the learned battery life prediction artificial intelligence model.
예측부가 수명 예측 대상인 배터리로부터 측정된 배터리정보로부터 시간에 따른 적어도 둘 이상의 포인트별 내부저항 및 상기 복수의 특징 벡터를 추출하고, 상기 내부저항을 제외한 특징 벡터들의 벡터값을 라벨링하고, 포인트별 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링 및 내부저항을 포함하는 배터리 예측 데이터를 상기 학습된 배터리 수명 예측 인공지능모델에 적용하여 상기 배터리의 수명(잔여 사이클)을 예측하는 수명 예측 과정을 포함하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 방법.
The learning unit extracts a plurality of feature vectors including the internal resistance for each point capable of measuring the internal resistance for each cycle from the life data for the life cycle of the battery, and labels vector values of the feature vectors excluding the internal resistance , After acquiring integrated labeling that combines the labeling values for each point, generating a learning data set including the obtained integrated labeling, internal resistance and corresponding cycle information, the learning data set is applied to a pre-generated battery life prediction artificial intelligence model. A learning process of applying, learning, and then outputting; and
The prediction unit extracts the internal resistance of at least two or more points over time and the plurality of feature vectors from the battery information measured from the battery to be predicted for life, labels vector values of the feature vectors excluding the internal resistance, and labels values for each point. A life prediction process of obtaining integrated labeling combining the obtained integrated labeling and applying battery prediction data including internal resistance to the learned battery life prediction artificial intelligence model to predict the lifespan (remaining cycles) of the battery Battery life prediction method using feature vector labeling, characterized in that.
상기 학습 과정은,
상기 학습부가 데이터 수집부를 통해 배터리의 초기 상태에서부터 배터리의 수명이 다할 때까지의 배터리 상태정보인 수명데이터(RTF)를 수집하여 출력하는 데이터 수집 단계;
상기 학습부가 특징 벡터 추출부를 통해 상기 수명데이터로부터 각 사이클에 대해 내부저항을 측정할 수 있는 포인트별 내부저항을 포함하는 복수의 특징 벡터를 추출하여 출력하는 특징 벡터 추출 단계;
상기 학습부가 특징 라벨링부를 통해 상기 내부저항을 제외한 특징 벡터들의 특징 벡터값을 라벨링하여 출력하는 특징 라벨링 단계;
상기 학습부가 학습 데이터 생성부를 통해 포인트별 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링, 내부저항 및 해당 사이클 정보를 포함하는 학습데이터 세트를 생성하는 학습데이터 생성 단계; 및
상기 학습부가 특징 라벨링 학습부를 통해 미리 생성된 배터리 수명 예측 인공지능모델에 상기 학습데이터 세트를 적용하여 학습시킨 후 상기 예측부로 출력하는 특징 라벨링 학습 단계를 포함하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 방법.
According to claim 10,
The learning process is
a data collection step in which the learning unit collects and outputs RTF, which is battery state information from an initial state of the battery to the end of its life through the data collection unit;
a feature vector extraction step in which the learning unit extracts and outputs a plurality of feature vectors including an internal resistance for each point capable of measuring an internal resistance for each cycle from the life data through a feature vector extractor;
a feature labeling step of labeling and outputting feature vector values of feature vectors excluding the internal resistance by the learning unit through a feature labeling unit;
a learning data generating step in which the learning unit acquires integrated labeling obtained by combining labeling values for each point through the learning data generating unit, and generates a learning data set including the obtained integrated labeling, internal resistance, and corresponding cycle information; and
A battery using feature vector labeling comprising a feature labeling learning step in which the learning unit applies the learning data set to a battery life prediction artificial intelligence model generated in advance through the feature labeling learning unit, trains it, and outputs it to the prediction unit. How to predict lifespan.
상기 특징 벡터 추출 단계는,
상기 학습부가 내부저항 계산부를 통해 배터리의 수명 사이클에 대한 수명데이터로부터 사이클별로 내부저항을 측정할 수 있는 포인트를 검출하고, 상기 각 포인트의 내부저항을 계산하고, 상기 포인트 정보 및 포인트별 내부저항을 출력하는 내부저항 계산 단계; 및
상기 학습부가 특징 추출부를 통해 상기 내부저항 계산부로부터 입력되는 포인트정보 및 상기 수명데이터를 입력받고, 상기 수명데이터의 상기 포인트정보의 포인트별로 복수의 특징 벡터를 추출하여 상기 특징 라벨링부로 출력하는 특징 추출 단계를 포함하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 방법.
According to claim 11,
The feature vector extraction step,
The learning unit detects points at which the internal resistance can be measured for each cycle from the life data for the life cycle of the battery through the internal resistance calculator, calculates the internal resistance of each point, and calculates the point information and the internal resistance for each point. an output internal resistance calculation step; and
The learning unit receives the point information and the life data input from the internal resistance calculation unit through the feature extraction unit, extracts a plurality of feature vectors for each point of the point information of the life data, and extracts a plurality of feature vectors and outputs them to the feature labeling unit. A method for predicting battery life using feature vector labeling, comprising the steps of:
상기 수명데이터는,
전기자동차의 가변적인 운용 환경을 고려한 전기차 공인 주행 모드 프로파일의 하나인 UDDS 프로파일의 시간에 따른 사이클별 전류 프로파일 및 전압 프로파일을 포함하는 데이터이고,
상기 내부저항 계산 단계에서 상기 학습부가 내부저항 게산부를 통해 상기 사이클별 전류 프로파일 데이터에서 전류 변화량이 일정 기준값 이상인 시점을 포인트로 추출하고 상기 포인트에서의 전류 및 전압에 의해 내부저항을 계산하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 방법.
According to claim 12,
The life data is
Data including the current profile and voltage profile for each cycle over time of the UDDS profile, which is one of the approved driving mode profiles for electric vehicles in consideration of the variable operating environment of electric vehicles,
In the internal resistance calculation step, the learning unit extracts a point in time when the current change amount exceeds a predetermined reference value in the cycle-by-cycle current profile data through an internal resistance calculator, and calculates the internal resistance by the current and voltage at the point A method for predicting battery life using feature vector labeling.
상기 특징 벡터는,
상기 내부저항, C-rate, 부하상태, SoC 및 온도 중 내부저항을 포함하여 둘 이상을 포함하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 방법.
According to any one of claims 10 to 13,
The feature vector is
Battery life prediction method using feature vector labeling, characterized in that it includes two or more of the internal resistance, C-rate, load state, SoC, and temperature, including internal resistance.
상기 예측 과정은,
상기 예측부가 배터리정보 획득부를 통해 수명 예측 대상인 배터리의 시간에 따른 전류 및 전압 정보를 포함하는 배터리정보를 획득하는 배터리정보 획득 단계;
상기 예측부가 특징 벡터 추출부를 통해 시간에 따라 연속적으로 입력되는 배터리정보로부터 내부저항을 측정할 수 있는 포인트를 검출하고, 상기 포인트에서의 내부저항을 포함하는 복수의 특징 벡터를 추출하여 출력하는 특징 벡터 추출 단계;
상기 예측부가 특징 라벨링부를 통해 상기 내부저항을 제외한 특징 벡터들의 특징 벡터값을 라벨링하여 출력하는 특징 라벨링 단계;
상기 예측부가 배터리 예측 데이터 생성부를 통해 포인트의 라벨링값들을 결합한 통합 라벨링을 획득하고, 획득된 통합 라벨링 및 내부저항 포함하는 포인트 예측 데이터 및 이전에 설정된 하나 이상의 이전 포인트에 대한 포인트 예측 데이터를 포함하는 배터리 예측 데이터를 생성하는 배터리 예측 데이터 생성 단계; 및
상기 예측부가 수명 예측부를 통해 학습된 상기 배터리 수명 예측 인공지능모델에 상기 배터리 예측 데이터를 적용하여 상기 수명 예측 대상인 배터리의 수명(잔여 사이클)을 예측하는 수명 예측 단계를 포함하는 것을 특징으로 하는 특징 벡터 라벨링을 이용한 배터리 수명 예측 방법.According to claim 10,
The prediction process is
a battery information acquisition step in which the prediction unit acquires battery information including current and voltage information according to time of a battery that is a life prediction target through a battery information acquisition unit;
The predictor detects a point at which the internal resistance can be measured from the battery information continuously input over time through the feature vector extractor, and extracts and outputs a plurality of feature vectors including the internal resistance at the point. extraction step;
a feature labeling step of labeling and outputting feature vector values of feature vectors excluding the internal resistance by the prediction unit through a feature labeling unit;
The battery prediction unit obtains integrated labeling obtained by combining labeling values of points through the battery prediction data generator, and includes point prediction data including the obtained integrated labeling and internal resistance and point prediction data for one or more previously set previous points. a battery prediction data generation step of generating prediction data; and
and a life prediction step of predicting, by the prediction unit, the life (remaining cycles) of the battery, which is the life prediction target, by applying the battery prediction data to the battery life prediction artificial intelligence model learned through the life prediction unit. A method for predicting battery life using labeling.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210064036A KR20220156254A (en) | 2021-05-18 | 2021-05-18 | Battery life prediction system using feature vector labeling and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210064036A KR20220156254A (en) | 2021-05-18 | 2021-05-18 | Battery life prediction system using feature vector labeling and method thereof |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220156254A true KR20220156254A (en) | 2022-11-25 |
Family
ID=84237095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210064036A KR20220156254A (en) | 2021-05-18 | 2021-05-18 | Battery life prediction system using feature vector labeling and method thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220156254A (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116256648A (en) * | 2023-05-16 | 2023-06-13 | 合肥力高动力科技有限公司 | Lithium battery SOH estimation method based on charging data |
| CN116381536A (en) * | 2023-03-07 | 2023-07-04 | 华中科技大学 | Regression element learning-based lithium battery health state prediction method and system |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101373150B1 (en) | 2012-08-24 | 2014-03-11 | 현대오트론 주식회사 | Apparatus for estimating soh of battery for vehicle and method thereof |
-
2021
- 2021-05-18 KR KR1020210064036A patent/KR20220156254A/en not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101373150B1 (en) | 2012-08-24 | 2014-03-11 | 현대오트론 주식회사 | Apparatus for estimating soh of battery for vehicle and method thereof |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116381536A (en) * | 2023-03-07 | 2023-07-04 | 华中科技大学 | Regression element learning-based lithium battery health state prediction method and system |
| CN116381536B (en) * | 2023-03-07 | 2024-03-19 | 华中科技大学 | Regression element learning-based lithium battery health state prediction method and system |
| CN116256648A (en) * | 2023-05-16 | 2023-06-13 | 合肥力高动力科技有限公司 | Lithium battery SOH estimation method based on charging data |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220239122A1 (en) | Server-side characterisation of rechargeable batteries | |
| KR102215450B1 (en) | Method and device to learn and estimate battery state information | |
| Hu et al. | State estimation for advanced battery management: Key challenges and future trends | |
| Chen et al. | State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network | |
| Chen et al. | A novel state-of-charge estimation method of lithium-ion batteries combining the grey model and genetic algorithms | |
| US11644515B2 (en) | Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store | |
| Kim et al. | Data-driven state of health estimation of li-ion batteries with RPT-reduced experimental data | |
| CN110398697B (en) | Lithium ion health state estimation method based on charging process | |
| CN109100655B (en) | Data processing method and device for power battery | |
| KR20200119383A (en) | Apparatus and method for estimating status of battery based on artificial intelligence | |
| KR20220156254A (en) | Battery life prediction system using feature vector labeling and method thereof | |
| von Bülow et al. | A review on methods for state of health forecasting of lithium-ion batteries applicable in real-world operational conditions | |
| US20200011931A1 (en) | Method for evaluating an electric battery state of health | |
| CN113219357A (en) | Battery pack health state calculation method and system and electronic equipment | |
| CN108064391A (en) | A kind of method for quick predicting of battery cycle life and its fast prediction device | |
| CN116829966A (en) | Apparatus for detecting abnormal cells in battery pack and method thereof | |
| Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
| Zhou et al. | A study of online state-of-health estimation method for in-use electric vehicles based on charge data | |
| De Sousa et al. | Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms | |
| JP2022136663A (en) | Learning method, state estimation method, and state estimation device for state estimation model of secondary battery | |
| CN113884905B (en) | Power battery state of charge estimation method and system based on deep learning | |
| Wang et al. | A comprehensive data-driven assessment scheme for power battery of large-scale electric vehicles in cloud platform | |
| KR102395182B1 (en) | Battery diagnostic method and apparatus | |
| Eaty et al. | Electric Vehicle Battery Management using Digital Twin | |
| An | New energy vehicle lithium battery life prediction method based on improved deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal |