KR20220161981A

KR20220161981A - 인공지능 모듈을 이용한 스마트 배터리관리시스템

Info

Publication number: KR20220161981A
Application number: KR1020210070399A
Authority: KR
Inventors: 배정효; 백지국
Original assignee: 한국전기연구원; 주식회사 아이이에스
Priority date: 2021-05-31
Filing date: 2021-05-31
Publication date: 2022-12-07
Anticipated expiration: 2041-05-31
Also published as: KR102894133B1

Abstract

본 발명은 인공지능 모듈을 이용한 스마트 배터리관리시스템에 관한 것으로서, 하나 이상의 배터리를 통합 관리하는 스마트 배터리관리시스템(Smart Battery Management System, S-BMS)에 있어서, 입력(input) 레이어와 히든(hidden) 레이어와 출력(output) 레이어로 구성되고 상기 레이어들 각각은 노드(뉴런)들과 그 노드(뉴런)들 각각을 연결한 가중치들로 구성되는 ANN(artificial neural network)을 이용하여 배터리의 SOC를 추정하는 인공지능 모듈;을 포함하여 구성되며, 상기 ANN 입력 레이어가 리튬 배터리 팩 출력단에서 주기 k에 측정하는 전압 V_L(k), 전류I_L(k), 온도T(k) 에 주기 당 전압차 V_L(k)-V_L(k-1) 또는 HKF의 출력 SOC(k-1)에서 적어도 하나를 선택한 입력 노드를 구성하여 출력 레이어에서 SOC(k)를 구하는 것을 특징으로 한다.
본 발명에 의하여, BMS에 적용된 인공 신경망(ANN)의 SOC 추정 오차 한계를 극복하여 BMS를 신뢰할 수 있게 하는 인공지능 모듈을 이용한 스마트 배터리관리시스템이 제공되는 이점이 있다.

Description

인공지능 모듈을 이용한 스마트 배터리관리시스템{Smart battery management system using artificial intelligence module}

본 발명은 인공지능 모듈을 이용한 스마트 배터리관리시스템에 관한 것으로, 좀더 구체적으로는 인공지능 모듈 ANN의 입력레이어를 개척하여 SOC 예측 정확도를 향상시킨 스마트 배터리관리시스템에 관한 것이다.

현재 리튬이온 배터리(LiB)는 스마트 그리드 및 전기 자동차의 에너지 저장 장치에 널리 사용되고 있으며, 배터리 충전상태(SOC : State Of Charge)는 사용 가능한 배터리 용량을 나타내며 성능을 최적화하고 LiB의 수명을 연장하기 위해 모니터링해야 하는 가장 중요한 상태 중 하나이다.

에너지 저장은 현대 스마트 그리드 및 전기 자동차 (EV)의 주요 관심사로 떠 올랐으며 리튬이온 배터리(LiB)는 대용량, 긴 사이클 수명을 가진 장점이 있어 이미 상용화되어 있다.

소비자 전자 애플리케이션용으로 성숙된 리튬이온 배터리(LiB)는 플러그인 하이브리드 전기 자동차 (PHEV) 및 모든 EV를 위한 선도적인 기술 플랫폼으로 자리 매김하고 있으며, 스마트 그리드의 맥락에서 에너지 저장, 부하 평준화 및 주파수 조절을 지원하기 위해 대규모 시설에서 많이 사용되고 있다.

리튬이온 배터리를 전원으로 하는 전기자동차, 전기선박 및 에너지저장장치와 같은 시스템에서 BMS(Battery Management System)는 시스템에 필요한 전력을 공급하는 배터리의 안전성과 신뢰성을 보증하는 역할을 수행하는데,

즉, 리튬이온 배터리를 예측 가능하게 작동시키려면 배터리 에너지 수준을 모니터링하고 제어하도록 배터리 관리 시스템 (BMS)을 설계해야 한다.

BMS는 일반적으로 충전식 배터리(셀 또는 배터리 팩)를 관리하는 모든 전자 장치로 정의되며, BMS의 주요 목표는 배터리의 모니터링, 계산, 통신, 보호 및 최적화이며, 배터리 충전상태(SOC)의 추정은 BMS의 중요한 기능 중 하나이다.

배터리 충전상태(SOC : State Of Charge)는 너무 낮거나 높은 상태가 계속되면 SOC를 중간 수준으로 유지할 경우에 비하여 배터리의 열화가 빠르게 진행되므로 배터리의 수명을 연장하기 위해서는 BMS에서 정상범위 내에서 일정하게 유지시켜주는 것이 매우 중요하다.

그러나 SOC의 정확한 추정은 많은 비선형적 요인에 의존하기 때문에 매우 복잡한 문제점이 있다.

SOC는 배터리에서 현재 사용 가능한 용량을 정상 용량으로 나눈 값으로 정의되며, 배터리 성능 저하, 유지 보수 비용 증가, 노화 가속화, 치명적인 장치 고장, 심지어 위험한 사고와 같은 LiB의 많은 문제는 잘못된 SOC 추정과 관련이 있다.

따라서, BMS에서 SOC의 정확한 추정은 배터리 수명 연장 및 배터리 영구 손상 방지를 포함하여 배터리 성능 최적화에 매우 중요한 문제이다.

정확한 SOC는 BMS를 신뢰할 수 있는 중요한 역할을 함에도 불구하고 SOC를 직접 측정 할 수 있는 방법은 없으며, 전압, 전류, 온도와 같은 직접 측정 파라미터를 이용하여 배터리 고유 관계 또는 제어 이론을 사용하여 추정할 수 있다.

그러나, 실제로 배터리 SOC는 전류, 온도, 배터리 커패시턴스, 내부 저항, 배터리 수명, 개방 회로 전압 및 서비스 내역과 같은 여러 요인에 따라 달라지는데, 이들은 모든 매개 변수의 비선형 함수이므로 정확한 SOC 추정은 매우 어려운 문제점이 있다.

이러한 문제점을 해소하기 위하여 배터리 셀 또는 배터리 팩의 SOC를 추정하기 위해 다양한 기술이 제안되었으며, 주요 기술은 방전 테스트, 전류적산법, 개방 회로 전압 측정, 고유 저항 측정 및 지능형 SOC 추정 방법등이 있다.

또한, 인공 신경망 (ANN), 퍼지 로직 및 칼만 필터 (KF)와 같은 컴퓨팅 지능 기술이 SOC 추정을 위하여 BMS에 적용되게 개발되었으며, 다른 기술들에 비하여 간단한 전류 및 전압 측정값을 이용하여 정밀하게 SOC를 추정할 수 있는 장점이 있다.

또한 지능형 기술은 디지털 전자 시스템에서 쉽게 구현할 수 있으며 자체 학습 능력을 통해 배터리의 시간 불변 동작에 대응할 수 있는 이점이 있다.

이러한 기술로서, "배터리 상태 추정 방법, 그 방법을 수행하는 장치 및 컴퓨터 프로그램(등록번호 : 10-2016715)" 에서는 전류적산법(Ampere-hour Counting Method) 및 칼만 필터(Kalman Filter)를 결합(하이브리드형 칼만 필터 방법)하여 배터리의 상태 추정의 정확성을 향상시킬 수 있는 방법, 그 방법을 수행하는 장치 및 컴퓨터 프로그램을 개시하고 있다

상술한 문헌에서 설명하는 바를 요약하면 종래에는 전류적산법(Ampere-hour Counting)을 이용하여 배터리 SOC를 추정하는 방식이 있다. 전류적산법은 아래의 [수학식 1]과 같이 Peukert 방정식을 이용하여 실제 전류값을 표준 전류값(standard current)으로 변환하고 그 값을 적산하는 방법으로 배터리 SOC를 측정하는 방법이다.

여기서, SOC₀는 배터리 초기 충전상태, Q_n은 배터리의 공칭용량, I는 시간(t)에 따른 실시간으로 배터리에 흐르는 전류, a는 Peukert 방정식에 의해 계산 및 추론하는 전류 효율인자(일반적으로 1로 설정함)이다.

종래의 배터리 상태 추정 장치는 도 2와 같이, 배터리의 전기화학적 특성을 반영하여 테브닌 등가회로로 모델링할 수 있다.

도 1에서 V_oc는 개방 회로 전압(Open Circuit Voltage), I(t)는 전류, R_o은 배터리의 내부저항, R_p는 분극저항, C_p는 분극용량, V_L는 출력단 전압, I_L는 출력단 전류를 의미한다.

배터리의 등가회로에 대하여 키르히호프 법칙 및 전류적산법을 적용하면 아래의 [수학식 1]을 얻을 수 있다.

이러한 전류적산법은 용이하게 구현할 수 있다는 장점이 있으나 초기치 문제와 센서 노이즈로 인한 배터리 SOC 추정 오차 누적의 문제점이 있어 배터리가 완전히 충전되는 경우에 배터리 SOC를 리셋하는 등의 정기적인 교정이 요구되었다.

즉, 배터리의 충방전 경로에 설치된 전류 센서를 통해 측정된 전류에 의해 배터리 SOC가 추정되기 때문에 전류 센서의 정확한 센싱이 매우 중요하지만, 전류 센서는 성능 저하나 퇴화 등의 원인에 의하여 실제 전류와 측정 전류의 측정값에 차이가 있는 전류 오프셋(offset)이 발생하는 문제점과 이러한 전류 오프셋의 누적으로 인하여 시간이 경과할수록 실제 배터리 SOC와 추정된 배터리 SOC 사이의 오차범위가 커지는 문제점이 있다.

도 3은 상기 전류적산법에 의한 전기차 배터리의 SOC 예측 결과값 그래프로서, 추정된 SOC의 최대오차는 17% 이고, 평균 오차는 2.6% 수준으로 나타난다.

상술한 문제점을 해결하기 위하여 칼만필터(KF) 알고리즘을 이용하는 방법이 연구되었다.

칼만필터(KF)는 도 2와 같이 배터리 등가회로를 구성하고, 배터리의 SOC 및 배터리 등가회로의 분극용량과 저항을 상태 변수로 포함하는 시스템 방정식을 산출하고, 배터리의 SOC 관측값을 출력 변수로 포함하는 측정 방정식을 산출하여 배터리에 대한 측정 전류, 시스템 방정식 및 측정 방정식을 칼만필터(KF) 알고리즘에 적용하여 기 설정된 주기로 배터리의 SOC를 추정하는 단계로 이루어진다.

여기서, 시스템 방정식과 측정 방정식은 각각 아래의 [수학식 2]와 [수학식 3]으로 표현될 수 있다.

여기서, S(k+1) 및 u_c(k+1)은 각각 현 단계의 SOC 및 배터리의 분극 용량, 즉 SOC 및 배터리의 분극용량의 예측값이고, S(k) 및 u_c(k)는 각각 이전 단계의 SOC 및 배터리 분극용량이다. 또한, I(k)는 이전의 배터리 전류를 나타내고, w₁(k) 및 w₂(k)는 시스템의 잡음, v(k)는 전압 측정 잡음, R₁, R₂ 및 C는 각각 배터리 등가회로의 내부저항, 분극저항 및 분극용량이다.

상기한 "배터리 상태 추정 방법, 그 방법을 수행하는 장치 및 컴퓨터 프로그램(대한민국 특허등록번호 : 10-2016715)"는 배터리 상태 추정의 정확성을 향상시키기 위하여 상기 전류적산법과 칼만필터를 결합한 하이브리드 칼만필터(HKF)를 이용하여 배터리 SOC를 예측하는 방법이다.

즉, 하이브리드 칼만필터(HKF)는 칼만필터(KF)를 이용한 SOC 예측방법 중 측정 방정식을 산출하는 단계에서 측정 전류에 전류 관측 잡음을 더 포함하여 전류적산법을 적용하고, 아래의 [수학식 4]와 같은 측정 방정식을 산출하는 것이다.

여기서, z_k는 측정 방정식, S(t₀)는 SOC 초기값, Q_n은 배터리 공칭용량, H(k)는 전류 측정 잡음이다.

SOC 추정을 위하여 BMS에 적용된 인공 신경망(ANN)은 대한민국 특허공개번호 10-2021-0045830 '배터리의 상태 모니터링 방법 및 장치'에서 보여지는 바와 같이 널리 공지되어 있다.

그런데, 상기한 바와 같이 SOC의 정확한 추정은 BMS를 신뢰할 수 있는 중요한 요인임에도 불구하고, 상기 공지기술들은 각각 정해진 추정 오차의 한계를 가지고 있는 문제점이 있다.

대한민국 특허등록번호 10-2016715 '배터리 상태 추정 방법, 그 방법을 수행하는 장치 및 컴퓨터 프로그램' 대한민국 특허공개번호 10-2021-0045830 '배터리의 상태 모니터링 방법 및 장치'

본 발명은 상기한 문제점을 해결하기 위한 것으로서, BMS에 적용된 인공 신경망(ANN)의 SOC 추정 오차 한계를 극복하여 BMS를 신뢰할 수 있게 하는 인공지능 모듈을 이용한 스마트 배터리관리시스템를 제공하는 것을 목적으로 한다.

상기한 목적을 달성하기 위하여 본 발명은 하나 이상의 배터리를 통합 관리하는 스마트 배터리관리시스템(Smart Battery Management System, S-BMS)에 있어서, 입력(input) 레이어와 히든(hidden) 레이어와 출력(output) 레이어로 구성되고 상기 레이어들 각각은 노드(뉴런)들과 그 노드(뉴런)들 각각을 연결한 가중치들로 구성되는 ANN(artificial neural network)을 이용하여 배터리의 SOC를 추정하는 인공지능 모듈;을 포함하여 구성되며, 상기 ANN 입력 레이어가 리튬 배터리 팩 출력단에서 주기 k에 측정하는 전압 V_L(k), 전류I_L(k), 온도T(k) 및 주기 당 전압차 V_L(k)-V_L(k-1)로 이루어져 출력 레이어에서 SOC(k)를 구하는 것을 특징으로 하는 인공지능 모듈을 이용한 스마트 배터리관리시스템을 기술적 요지로 한다.

여기서, 상기 배터리 팩 출력단에는 출력전류와 전압으로 테브닌 등가회로를 모델링시키고, 전류적산법(Ampere-hour Counting Method) 및 칼만 필터(Kalman Filter)를 결합시켜, 기 설정된 주기로 배터리의 SOC를 추정하는 하이브리드 칼만필터(Hybrid Kalman Filter, HKF)가 더 포함되어 구성되고, 상기 ANN 입력 레이어에는 상기 하이브리드 칼만필터(Hybrid Kalman Filter, HKF)의 전주기 출력값 SOC(k-1)이 더 추가되는 것을 특징으로 하는 인공지능 모듈을 이용한 스마트 배터리관리시스템으로 되는 것이 바람직하다.

본 발명은 또한, 하나 이상의 배터리를 통합 관리하는 스마트 배터리관리시스템(Smart Battery Management System, S-BMS)에 있어서, 입력(input) 레이어와 히든(hidden) 레이어와 출력(output) 레이어로 구성되고 상기 레이어들 각각은 노드(뉴런)들과 그 노드(뉴런)들 각각을 연결한 가중치들로 구성되는 ANN(artificial neural network)을 이용하여 배터리의 SOC(k)를 추정하는 인공지능 모듈; 상기 배터리 팩 출력단에 연결되어 출력전류와 전압으로 테브닌 등가회로를 모델링시키고, 전류적산법(Ampere-hour Counting Method) 및 칼만 필터(Kalman Filter)를 결합시켜, 기 설정된 주기로 배터리의 SOC(k)를 추정하는 하이브리드 칼만필터(Hybrid Kalman Filter, HKF);를 포함하여 구성되며, 상기 ANN 입력 레이어가 리튬 배터리 팩 출력단에서 주기 k에 측정하는 전압 V_L(k), 전류I_L(k), 온도T(k) 및 상기 하이브리드 칼만필터(Hybrid Kalman Filter, HKF)의 전주기 출력 SOC(k-1)로 이루어지며, 출력 레이어에서 SOC(k)를 구하는 것을 특징으로 하는 인공지능 모듈을 이용한 스마트 배터리관리시스템을 또 다른 기술적 요지로 한다.

상기한 본 발명에 의하여, BMS에 적용된 인공 신경망(ANN)의 SOC 추정 오차 한계를 극복하여 BMS를 신뢰할 수 있게 하는 인공지능 모듈을 이용한 스마트 배터리관리시스템이 제공되는 이점이 있다.

도 1은 종래기술방식 전류적산법에 의한 전기차 배터리의 SOC 예측 결과값 그래프
도 2는 본 발명에 적용되는 ANN 뉴런의 기본 구성도
도 3은 배터리의 테브닌 등가회로도
도 4는 ANN 입력 레이어에 4 노드를 적용한 본 발명의 일실시예 구성도
도 5는 도 4에 의한 전기차 배터리의 SOC 예측 결과값 그래프
도 6은 ANN 입력 레이어에 4 노드를 적용한 본 발명의 또 다른 일실시예 구성도
도 7은 도 6에 의한 전기차 배터리의 SOC 예측 결과값 그래프
도 8은 ANN 입력 레이어에 5 노드를 적용한 본 발명의 또 다른 일실시예 구성도
도 9는 도 8에 의한 전기차 배터리의 SOC 예측 결과값 그래프

이하, 본 발명의 실시예를 첨부된 도면 도 1 내지 도 9에 의거하여 상세히 설명한다. 한편, 도면과 상세한 설명에서 일반적인 BMS, SOC, 칼만필터, 하이브리트 칼만필터 등 이 분야의 종사자들이 용이하게 알 수 있는 구성 및 작용에 대한 도시 및 언급은 간략히 하거나 생략하였다.

특히 도면의 도시 및 상세한 설명에 있어서 본 발명의 기술적 특징과 직접적으로 연관되지 않는 요소의 구체적인 기술적 구성 및 작용에 대한 상세한 설명 및 도시는 생략하고, 본 발명과 관련되는 기술적 구성만을 간략하게 도시하거나 설명하였다.

본 발명은 하나 이상의 배터리를 통합 관리하는 스마트 배터리관리시스템(Smart Battery Management System, S-BMS)에 있어서, 입력(input) 레이어와 히든(hidden) 레이어와 출력(output) 레이어로 구성되고 상기 레이어들 각각은 노드(뉴런)들과 그 노드(뉴런)들 각각을 연결한 가중치들로 구성되는 ANN(artificial neural network)을 이용하여 배터리의 SOC를 추정하는 인공지능 모듈;을 포함하여 구성되며, 상기 ANN 입력 레이어를 개척함으로써, 출력 레이어의 SOC 측정 정확도를 향상시키는 기술이다.

상기 ANN은 가중치로 상호 연결된 일련의 개별 처리 장치인 인공 뉴런으로 구성된 계산 모델로서, 원하는 정확도로 모든 비선형 함수를 모델링 할 수 있는 범용 근사값이다.

네트워크는 입력 레이어가 입력을 받고 출력 레이어가 출력을 생성하는 레이어로 배열되며, 중간 레이어는 외부와 연결되지 않으므로 히든 레이어라고 할 수 있다.

도 2는 네트워크에서 뉴런의 기본 구성으로서,

입력 신호 벡터는

로 표시되고,

뉴런 가중치는

로 표시되며,

net는 입력 신호에 대한 가중치의 곱셈 응답이며,

b1은 바이어스라고하는 외부 매개 변수의 활성함수이며,

ym 은 뉴런의 출력 응답이다.

공지기술 수준에서 SOC 추정을 위한 인공 신경망(ANN)의 입력레이어는 도 3에 도시된 바와 같이 배터리의 테브닌 등가회로에서 측정 입력되는 출력 전압 V_L과 전류 I_L, 온도 T이다.

본 발명에서는 측정 전압 V_L(k)-V_L(k-1)이 0보다 큰 경우에는 충전 중이고, 작은 경우는 방전 중임을 입력에 반영하여 SOC 추정 정확도를 개선하였다.

즉, 도 4에 도시된 바와 같이 SOC 추정을 위한 인공 신경망(ANN)의 입력레이어에 리튬 배터리 팩 출력단에서 이산주기 k에 측정하는 전압 V_L(k), 전류I_L(k), 온도T(k) 및 주기 당 전압차 V_L(k)-V_L(k-1)를 입력시켜 출력 레이어에서 SOC(k)를 구하였다.

도 5는 SOC 추정을 위하여 BMS에 적용된 인공 신경망(ANN) 기술의 입력 레이어에 도 4의 주기 당 전압차 V_L(k)-V_L(k-1)를 포함시킨 4개 노드를 사용하여 1000개의 배터리 샘플을 학습시켜 도출한 결과값으로서, ANN으로 추정된 SOC의 최대오차는 2% 이고, 평균 오차는 0.4%로 나타나며, 도 1의 전류적산법에 의한 추정보다 큰 오차 감소 효과가 있음을 알 수 있다.

본 발명은 상기 배터리 팩 출력단에 연결되어 도 3에 도시된 바와 같이 출력 전압 V_L과 전류 I_L 로 테브닌 등가회로를 모델링시키고, 전류적산법(Ampere-hour Counting Method) 및 칼만 필터(Kalman Filter)를 결합시켜, 기 설정된 주기로 배터리의 SOC(k)를 추정하는 하이브리드 칼만필터(100 : Hybrid Kalman Filter, HKF)를 포함하여 구성시키고, 도 6에서 보여지는 바와 같이 상기 ANN(200) 입력 레이어가 리튬 배터리 팩 출력단에서 주기 k에 측정하는 전압 V_L(k), 전류I_L(k), 온도T(k) 및 상기 하이브리드 칼만필터(Hybrid Kalman Filter, HKF)의 전주기 출력 SOC(k-1)로 이루어지는 4개 노드를 사용하여 출력 레이어에서 SOC(k)를 구할 수 있다.

도 7은 이에 관한 1000개의 배터리 샘플을 학습시켜 도출한 결과값으로서, ANN으로 추정된 SOC의 최대오차는 2.1% 이고, 평균 오차는 0.24% 로 나타나며, 도 1의 전류적산법에 의한 추정보다 큰 오차 감소 효과가 있음을 알 수 있다.

상기 도 5와 도 7의 결과값은 비록 현재의 기술 수준에서 SOC 추정 목표값에는 만족하지만, 상기한 바와 같이 SOC의 정확한 추정은 BMS를 신뢰할 수 있는 매우 중요한 요인이므로, 이러한 오차 한계는 여전히 극복해야 하는 목표값이라 할 수 있다.

본 발명은 이러한 오차 한계를 극복하기 위하여 도 8에 도시된 바와 같이 SOC 추정을 위한 인공 신경망(ANN)의 입력레이어에 주기 당 전압차 V_L(k)-V_L(k-1)과 이전 주기의 HKF의 출력 SOC값을 더 추가한 5개 노드를 사용하여 오차가 보정되게 하였다.

도 9는 이에 관한 1000개의 배터리 샘플을 무작위로 테스트한 결과값으로서, ANN으로 추정된 SOC의 최대오차는 0.78% 이고, 평균 오차는 0.09% 로 나타나며, 도 5와 도 7의 4 노드 입력 추정값에 비하여 비약적인 오차 저감 효과가 있음을 알 수 있다.

상술한 바와 같은, 본 발명의 실시예에 따른 화재 예방을 위한 스마트 배터리관리시스템을 상기한 설명 및 도면에 따라 도시하였지만, 이는 예를 들어 설명한 것에 불과하며 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 변화 및 변경이 가능하다는 것을 이 분야의 통상적인 기술자들은 잘 이해할 수 있을 것이다.

100: 하이브리드 칼만필터(Hybrid Kalman Filter, HKF)
200: 인공신경망 회로 ANN(artificial neural network)

Claims

하나 이상의 배터리를 통합 관리하는 스마트 배터리관리시스템(Smart Battery Management System, S-BMS)에 있어서,
입력(input) 레이어와 히든(hidden) 레이어와 출력(output) 레이어로 구성되고 상기 레이어들 각각은 노드(뉴런)들과 그 노드(뉴런)들 각각을 연결한 가중치들로 구성되는 ANN(artificial neural network)을 이용하여 배터리의 SOC를 추정하는 인공지능 모듈;을 포함하여 구성되며,
상기 ANN 입력 레이어가 리튬 배터리 팩 출력단에서 주기 k에 측정하는 전압 V_L(k), 전류I_L(k), 온도T(k) 및 주기 당 전압차 V_L(k)-V_L(k-1)로 이루어져 출력 레이어에서 SOC(k)를 구하는 것을 특징으로 하는 인공지능 모듈을 이용한 스마트 배터리관리시스템.
제1항에 있어서
상기 배터리 팩 출력단에는 출력전류와 전압으로 테브닌 등가회로를 모델링시키고, 전류적산법(Ampere-hour Counting Method) 및 칼만 필터(Kalman Filter)를 결합시켜, 기 설정된 주기로 배터리의 SOC를 추정하는 하이브리드 칼만필터(Hybrid Kalman Filter, HKF)가 더 포함되어 구성되고,
상기 ANN 입력 레이어에는 상기 하이브리드 칼만필터(Hybrid Kalman Filter, HKF)의 전주기 출력값 SOC(k-1)이 더 추가되는 것을 특징으로 하는 인공지능 모듈을 이용한 스마트 배터리관리시스템.
하나 이상의 배터리를 통합 관리하는 스마트 배터리관리시스템(Smart Battery Management System, S-BMS)에 있어서,
입력(input) 레이어와 히든(hidden) 레이어와 출력(output) 레이어로 구성되고 상기 레이어들 각각은 노드(뉴런)들과 그 노드(뉴런)들 각각을 연결한 가중치들로 구성되는 ANN(artificial neural network)을 이용하여 배터리의 SOC(k)를 추정하는 인공지능 모듈;
상기 배터리 팩 출력단에 연결되어 출력전류와 전압으로 테브닌 등가회로를 모델링시키고, 전류적산법(Ampere-hour Counting Method) 및 칼만 필터(Kalman Filter)를 결합시켜, 기 설정된 주기로 배터리의 SOC(k)를 추정하는 하이브리드 칼만필터(Hybrid Kalman Filter, HKF);를
포함하여 구성되며,
상기 ANN 입력 레이어가 리튬 배터리 팩 출력단에서 주기 k에 측정하는 전압 V_L(k), 전류I_L(k), 온도T(k) 및 상기 하이브리드 칼만필터(Hybrid Kalman Filter, HKF)의 전주기 출력 SOC(k-1)로 이루어지며,
출력 레이어에서 SOC(k)를 구하는 것을 특징으로 하는 인공지능 모듈을 이용한 스마트 배터리관리시스템.