KR20220169433A - 이차전지 저전압 불량 예측 장치 및 방법, 상기 장치를 포함하는 전지 제어 시스템 - Google Patents

이차전지 저전압 불량 예측 장치 및 방법, 상기 장치를 포함하는 전지 제어 시스템 Download PDF

Info

Publication number
KR20220169433A
KR20220169433A KR1020220074278A KR20220074278A KR20220169433A KR 20220169433 A KR20220169433 A KR 20220169433A KR 1020220074278 A KR1020220074278 A KR 1020220074278A KR 20220074278 A KR20220074278 A KR 20220074278A KR 20220169433 A KR20220169433 A KR 20220169433A
Authority
KR
South Korea
Prior art keywords
secondary battery
low voltage
learning
data
prediction
Prior art date
Application number
KR1020220074278A
Other languages
English (en)
Inventor
공창선
김선민
이규황
Original Assignee
주식회사 엘지화학
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 주식회사 엘지화학 filed Critical 주식회사 엘지화학
Publication of KR20220169433A publication Critical patent/KR20220169433A/ko

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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration
    • 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
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • 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

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computational Linguistics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

본 발명은 이차전지 저전압 불량 예측 장치 및 방법에 관한 것이다.

Description

이차전지 저전압 불량 예측 장치 및 방법, 상기 장치를 포함하는 전지 제어 시스템{DEVICE AND METHOD FOR ESTIMATING OF LOW VOLTAGE OF SECONDARY BATTERY AND BATTERY MANAGEMENT SYSTEM COMPRISING SAME}
본 출원은 2021년 06월 18일에 한국특허청에 제출된 한국 특허 출원 제10-2021-0079389호의 출원일의 이익을 주장하며, 그 내용 전부는 본 명세서에 포함된다.
본 발명은 이차전지 저전압 불량 예측 장치 및 방법, 상기 장치를 포함하는 전지 제어 시스템에 관한 것이다.
전기자동차, 모바일 기기 등 이차전지의 수요는 급격히 확대되고 있으며, 이차전지의 상태 진단 및 품질 안정성에 대한 요구가 커지고 있다. 이러한 요구에 따라서, 생산 또는 사용 중인 이차전지의 저전압 불량을 예측하고 이에 대해서 대응함으로써, 이차전지의 품질 안정성을 높이는 방법이 활용되고 있다.
즉, 전기자동차, 모바일 기기 등에서 사용 중인 이차전지의 저전압 불량을 예측하고 대응하는 것뿐만 아니라, 생산 공정에서 품질 검사할 때 이차전지의 저전압 불량을 예측하여 불량 제품이 유출되는 것을 방지하여 이차전지의 품질 안정성을 높일 수 있다.
구체적으로, 생산 중인 이차전지 또는 사용 중인 이차전지의 저전압 불량 발생을 예측하기 위해서 충전/방전 과정에서의 운전 전압 또는 개회로 전압(OCV)이 강하하는 정도를 판정 기준으로 사용하고 있다.
다만, 이러한 기존의 방법은 저전압 불량 여부 판정 기준을 정하기 위한 데이터가 많이 필요하고, 제조 조건이 변경될 때마다 저전압 불량 여부 판정 기준을 정하기 위한 새로운 데이터가 필요해지므로, 저전압 불량 여부를 판단하는 데 있어서 상당한 시간이 필요하다는 단점이 있다. 또한, 기존의 방법으로 인한 판단의 정확도가 높지 않은 단점도 있다.
따라서, 저전압 불량 여부를 판단하는 시간을 단축시키면서도 그 정확도를 향상시킬 수 있는 방법과 해당 방법을 구현할 수 있는 장치가 필요한 상황이다.
한국 특허 출원 공개 제10-2015-0049528호
본 발명은 전지의 사용 조건의 영향을 보정하여 이차전지 저전압 불량 예측 장치 및 방법, 상기 장치를 포함하는 전지 제어 시스템을 제공하자고 한다.
본 발명의 일 실시상태는, 제1 학습 대상으로 선택된 개별 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지(Rest) 공정에서 측정된 이차전지의 제1 학습 데이터를 입력 받는 제1 학습 데이터 입력부; 제1 예측 대상으로 선택된 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 선택된 이차전지의 제1 측정 데이터를 입력 받는 제1 측정 데이터 입력부; 상기 제1 학습 데이터 입력부에 입력된 이차전지의 제1 학습 데이터에 기계 학습(Machine Learning)을 진행하여, 제1 이차전지의 저전압 예측 모델(Model)을 생성하고, 상기 제1 학습 데이터 중에서 주요 인자를 선별하는 제1 데이터 학습부; 상기 제1 데이터 학습부로부터 생성된 제1 이차전지의 저전압 예측 모델에 상기 제1 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과와 제1 측정 데이터의 실제 이차전지의 저전압 판정 결과를 비교하면서, 제1 이차전지의 저전압 예측 모델의 성능을 극대화할 수 있는 가중치 k의 최적값을 찾아서 제1 이차전지의 저전압 예측 모델을 검증하고 최적화하는 제1 검증부; 상기 최적화된 제1 이차전지의 저전압 예측 모델 및 가중치 k의 최적값을 전이 받는 모델 전이부; 제2 학습 대상으로 선택된 개별 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 측정된 이차전지의 제2 학습 데이터를 입력 받는 제2 학습 데이터 입력부; 제2 예측 대상으로 선택된 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 선택된 이차전지의 제2 측정 데이터를 입력 받는 제2 측정 데이터 입력부; 상기 모델 전이부에 전이된 최적화된 제1 이차전지의 저전압 예측 모델 및 제2 학습 데이터 입력부에 입력된 이차전지의 제2 학습 데이터에 기계 학습을 진행하여, 제2 이차전지의 저전압 예측 모델을 생성하는 제2 데이터 학습부; 및 상기 제2 데이터 학습부로부터 생성된 제2 이차전지의 저전압 예측 모델에 상기 제2 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과를 출력하는 제2 출력부를 포함하는 것인 이차전지 저전압 불량 예측 장치로서, 상기 제1 학습 대상 및 제1 예측 대상으로 선택된 이차전지의 공정 조건과 상기 제2 학습 대상 및 제2 예측 대상으로 선택된 이차전지의 공정 조건은 서로 상이한 것인 이차전지 저전압 불량 예측 장치를 제공한다.
다른 본 발명의 일 실시상태는, 제1 학습 대상으로 선택된 개별 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지(Rest) 공정에서 측정된 이차전지의 제1 학습 데이터를 입력하는 단계; 상기 제1 학습 데이터에 기계 학습(Machine Learning)을 진행하여, 제1 이차전지의 저전압 예측 모델(Model)을 생성하고, 상기 제1 학습 데이터 중에서 주요 인자를 선별하는 단계; 제1 예측 대상으로 선택된 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 선택된 이차전지의 제1 측정 데이터를 입력하는 단계; 상기 생성된 제1 이차전지의 저전압 예측 모델에 상기 제1 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과와 제1 측정 데이터의 실제 이차전지의 저전압 판정 결과를 비교하면서, 제1 이차전지의 저전압 예측 모델의 성능을 극대화할 수 있는 가중치 k의 최적값을 찾아서 제1 이차전지의 저전압 예측 모델을 검증하고 최적화하는 단계; 상기 최적화된 제1 이차전지의 저전압 예측 모델 및 가중치 k의 최적값을 전이하는 단계; 제2 학습 대상으로 선택된 개별 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 측정된 이차전지의 제2 학습 데이터를 입력하는 단계; 상기 전이된 최적화된 제1 이차전지의 저전압 예측 모델 및 제2 학습 데이터에 기계 학습을 진행하여, 제2 이차전지의 저전압 예측 모델을 생성하는 단계; 제2 예측 대상으로 선택된 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 선택된 이차전지의 제2 측정 데이터를 입력하는 단계; 및 상기 제2 데이터 학습부로부터 생성된 제2 이차전지의 저전압 예측 모델에 상기 제2 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과를 출력하는 단계를 포함하는 것인 이차전지 저전압 불량 예측 방법으로서, 상기 제1 학습 대상 및 제1 예측 대상으로 선택된 이차전지의 공정 조건과 상기 제2 학습 대상 및 제2 예측 대상으로 선택된 이차전지의 공정 조건은 서로 상이한 것인 이차전지 저전압 불량 예측 방법을 제공한다.
본 발명의 일 실시상태는 상술한 이차전지 저전압 불량 예측 장치를 포함하는 전지 제어 시스템 장치를 제공한다.
본 발명의 일 실시상태는 상기 전지 제어 시스템 장치를 포함하는 이동 장치에 관한 것이다.
마지막으로, 본 발명의 일 실시상태는 상술한 이차전지 저전압 불량 예측 방법을 실행시키는 기록 매체에 저장된 컴퓨터 프로그램에 관한 것이다.
본 발명의 실시상태에 따른 장치 및 방법은 이차전지 저전압 불량 판단에 대한 정확도를 향상시킬 수 있으며, 이로 인한 공정상의 비용 절감을 가져올 수 있다.
본 발명의 실시상태에 따른 장치 및 방법은 이차전지 저전압 불량 판단에 소요되는 시간을 감소시켜주고, 저전압 불량을 조기에 발견하여 대응할 수 있게 해줌으로써, 불량에 따른 리스크(Risk)를 최소화할 수 있다.
도 1은 FDR, FOR 및 MER을 구하기 위한 혼동 행렬(Confusion matrix)을 나타내는 도이다.
도 2는 기존의 이차전지 저전압 불량 예측 장치 및 방법의 저전압 불량을 예측하는 과정을 나타내는 도이다.
도 3 내지 도 7은 본 발명의 일 실시상태에 따른 이차전지 저전압 불량 예측 장치 및 방법의 저전압 불량을 예측하는 과정을 나타내는 도이다.
도 8은 오분류율(Misclassification Error Rate; MER)을 최소화하기 위한 가중치 k 의 최적값을 구하는 과정을 보여주는 도이다.
도 9는 전이 학습 과정을 거친 실시예와 전이 학습 과정을 거치지 않은 비교예의 MER 값을 비교한 도이다.
이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명에 대하여 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 구성에만 한정되지 않는다.
본 명세서에서 어떤 부분이 어떤 구성 요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있다는 것을 의미한다.
즉, 본 명세서에 있어서, "학습 데이터"는 기계 학습을 시키기 위한 데이터를 의미한다.
또한, 본 명세서에 있어서, "측정 데이터"는 "예측 데이터"를 산출하기 위하여 입력되는 데이터를 의미하며, 상기 예측 데이터는 입력된 측정 데이터에 기계 학습을 반영한 결과 출력되는 데이터를 의미한다.
본 명세서에 있어서, “저전압 불량”이란, 사용 중인 이차전지의 전압이 단기간에 급격하게 비가역적으로 강하(Sudden voltage drop)하는 현상으로, 장기간 사용에 따른 이차전지의 정상적인 성능 감소와 구별되는 것이다. 상기 저전압 불량에 대한 판정 기준은 이차전지의 유형 별로 정해진 품질 규격에 따라 사전에 정의된다
본 발명의 일 실시상태는, 제1 학습 대상으로 선택된 개별 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지(Rest) 공정에서 측정된 이차전지의 제1 학습 데이터를 입력 받는 제1 학습 데이터 입력부; 제1 예측 대상으로 선택된 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 선택된 이차전지의 제1 측정 데이터를 입력 받는 제1 측정 데이터 입력부; 상기 제1 학습 데이터 입력부에 입력된 이차전지의 제1 학습 데이터에 기계 학습(Machine Learning)을 진행하여, 제1 이차전지의 저전압 예측 모델(Model)을 생성하고, 상기 제1 학습 데이터 중에서 주요 인자를 선별하는 제1 데이터 학습부; 상기 제1 데이터 학습부로부터 생성된 제1 이차전지의 저전압 예측 모델에 상기 제1 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과와 제1 측정 데이터의 실제 이차전지의 저전압 판정 결과를 비교하면서, 제1 이차전지의 저전압 예측 모델을 검증하고 최적화하는 제1 검증부; 상기 최적화된 제1 이차전지의 저전압 예측 모델을 전이 받는 모델 전이부; 제2 학습 대상으로 선택된 개별 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 측정된 이차전지의 제2 학습 데이터를 입력 받는 제2 학습 데이터 입력부; 제2 예측 대상으로 선택된 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 선택된 이차전지의 제2 측정 데이터를 입력 받는 제2 측정 데이터 입력부; 상기 모델 전이부에 전이된 최적화된 제1 이차전지의 저전압 예측 모델 및 제2 학습 데이터 입력부에 입력된 이차전지의 제2 학습 데이터에 기계 학습을 진행하여, 제2 이차전지의 저전압 예측 모델을 생성하는 제2 데이터 학습부; 및 상기 제2 데이터 학습부로부터 생성된 제2 이차전지의 저전압 예측 모델에 상기 제2 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과를 출력하는 제2 출력부를 포함하는 것인 이차전지 저전압 불량 예측 장치로서, 상기 제1 학습 대상 및 제1 예측 대상으로 선택된 이차전지의 공정 조건과 상기 제2 학습 대상 및 제2 예측 대상으로 선택된 이차전지의 공정 조건은 서로 상이한 것인 이차전지 저전압 불량 예측 장치를 제공한다.
본 발명의 이차전지 저전압 불량 예측 장치는 저전압 불량 여부를 예측 진단(Prognosis)하기 위한 판정 기준을 수립하기 위한 데이터 또는 전지 모델이 바뀌거나 제조 조건 등 변동이 있을 때마다 많은 양의 신규 데이터를 축적 또는 수집하는 과정이 반복이 되는 시간을 줄일 수 있기 때문에, 공정 조건이 상이한 이차전지에 본 발명의 이차전지 저전압 불량 예측 장치를 적용할 경우, 이차전지 저전압 불량 판단에 소요되는 시간을 감소시켜주고, 저전압 불량을 조기에 발견하여 대응할 수 있게 해줌으로써, 불량에 따른 리스크(Risk)를 최소화할 수 있다.
본 발명의 일 실시상태에 있어서, 학습 대상으로 선택된 전지 및 예측 대상으로 선택된 전지는 각각 독립적으로 모듈(Module), 팩(Pack), 트레이(Tray) 상에 배치된 개별 전지를 의미할 수 있다.
본 발명의 일 실시상태에 있어서, 예측 대상으로 선택된 전지 및 예측 대상으로 선택된 전지는 각각 독립적으로 모듈(Module), 팩(Pack), 트레이(Tray) 상에 배치된 개별 전지를 의미할 수 있다.
여기서, 기계 학습이란 인공 지능의 한 분야로 컴퓨터 프로그램이 데이터와 처리 경험을 이용한 학습을 통해 정보 처리 능력을 향상시키는 것 또는 이와 관련된 기술을 의미한다. 상기 기계 학습과 관련된 기술은 본 발명이 속한 기술분야에서 널리 알려져 있다. 즉, 기계 학습에 대한 구체적인 학습 알고리즘에 대해서는 상세한 설명을 생략하기로 한다.
구체적으로, 출원의 일 실시상태에 따른 이차전지 저전압 불량 예측 장치의 상기 제1 데이터 학습부 및 제2 데이터 학습부의 기계 학습은 각각 독립적으로, 결정 트리(Decision Tree), 랜덤 포레스트(Random Forest), 신경망(Neural Networks), 심층 신경망(Deep Neural Network), 서포트 벡터 머신(Support Vector Machine) 및 그레디언트 부스팅 머신(Gradient Boosting Machine) 중에서 선택된 1 이상의 방법을 적용하는 것일 수 있으나, 이에 한정되는 것은 아니다.
또한, 본 명세서에 있어서, "학습 데이터" 및 "측정 데이터"는 기계 학습을 이용해 정확한 이차전지 저전압 불량 예측을 하기 위한 데이터로서, 전지의 충전과 방전, 휴지(Rest) 상태에서 측정, 수집 및 저장되는 전지의 충전 전압, 전지의 방전 전압, 전지의 충전 전류, 전지의 방전 전류, 전지의 충전 용량, 전지의 방전 용량, 전지의 저항 (Impedance), 전지의 온도 등을 포함하는 데이터를 의미하며, 전지의 충전과 방전, 휴지(Rest) 상태에서 측정 및 수집 가능한 모든 인자들을 포함할 수 있다.
구체적으로, 본 발명의 일 실시상태에 따른 이차전지 저전압 불량 예측 장치 의 상기 이차전지의 제1 학습 데이터, 이차전지의 제1 측정 데이터, 제2 학습 데이터, 및 이차전지의 제2 측정 데이터는 각각 독립적으로, 이차전지의 충전, 방전 및 휴지 공정에서 측정된 전지의 전압 측정값, 전지의 전류 측정값, 전지의 저항 측정값, 전지의 온도 측정값, 전지의 용량 측정값, 및 전지의 전력의 측정값 중에서 선택된 1 이상의 측정값을 의미하는 것일 수 있으나, 이에 한정되는 것은 아니다.
또한, 보다 구체적으로, "측정 데이터"는 "학습 데이터"에서 "주요 인자"로 선별된 데이터들만을 포함하는 것을 의미할 수 있다. 여기서 "주요 인자"는 특정 충전 공정과 방전 공정 구간의 일부 또는 전부에서 측정된 충전 전압의 평균값, 방전 전압의 평균값, 충전 온도 측정값, 방전 온도 측정값, 충전 용량 측정값, 방전 용량 측정값, 충전 전력 측정값, 방전 전력 측정값, 전기 저항 측정값을 포함할 수 있으나, 이러한 주요 인자의 개수와 종류는 전지의 타입에 따라 동일할 수도 있고, 상이할 수도 있으며, 상기 주요 인자의 종류에 한정되는 것은 아니다.
또한, 상기 주요 인자로는 하기 식 1로 표시되는 것과 같이 특정 충전 공정과 방전 공정 사이의 휴지 공정 구간에서, 휴지 공정 개시점에서 측정된 개회로 전압값(Open Circuit Voltage, OCV)과 휴지 공정 종료점에서 측정된 개회로 전압값(OCV) 사이의 편차를 포함할 수 있으나, 이에 한정되는 것은 아니다.
[식 1]
D = |OCV1 - OCV2|
상기 식 1에서 OCV1은 휴지 공정 개시점에서 측정된 개회로 전압값을 의미하고, OCV2는 휴지 공정 종료점에서 측정된 개회로 전압값을 의미하며, | |는 절대값을 의미하고, D는 휴지 공정 개시점에서 측정된 개회로 전압값(Open Circuit Voltage, OCV)과 휴지 공정 종료점에서 측정된 개회로 전압값(OCV) 사이의 편차를 의미한다.
상기 주요 인자는 이차 전지의 충전, 방전 및 휴지 공정에서 수집하기 용이한 데이터에 해당하고, 상기 주요 인자를 선별하여 측정 데이터로 사용함으로 인하여, 이차전지 저전압 불량 예측을 예측의 정확도를 높이고, 예측에 소요되는 시간을 줄일 수 있다.
상기 측정값은 해당 분야에서 사용되는 통상의 장치, 기술 및 방법으로 측정할 수 있다.
본 명세서에 있어서, 특별한 말이 없는 이상 전지는 이차전지를 의미한다.
본 명세서에 있어서, "특정 시간"이란 임의로 정한 이차전지의 충전 및 방전 공정을 진행한 시간을 의미한다. 예를 들어 1 시간 동안 이차전지의 충전 및 방전 공정을 진행하기로 한 경우의 특정 시간이란 1 시간을 의미한다.
본 발명에 따른 이차전지 저전압 불량 예측 장치의 상기 제1 검증부의 제1 이차전지의 저전압 예측 모델을 검증하고 최적화하는 것은 제1 이차전지의 저전압 예측 모델의 성능을 극대화할 수 있는 가중치 k의 최적값을 찾는 단계를 포함하고, 상기 가중치 k의 최적값은 오분류율(Misclassification Error Rate; MER)을 최소화할 수 있는 값을 의미하는 것일 수 있다.
본 명세서에 있어서, 오분류율(Misclassification Error Rate; MER)은 정상/불량 판정을 진행한 전지 전체 개수 중에서 판정이 잘못된, 즉, 정상인데 불량으로 판정되거나 불량인데 정상으로 판정된 전지의 개수를 합한 값의 비율을 의미한다.
보다 구체적으로, 데이터에 포함된 정상 전지 그룹(Class)과 불량 전지 그룹(Class)에 대해 서로 다른 확률적 가중치 (Weighting factor)를 부여할 수 있으며, 모형의 정확도를 최대(Maximization)로 할 수 있는 가중치의 임계값(threshold value, k)을 도입하게 된다. 이 때, 가중치의 임계값은 상기 가중치 k의 최적값을 의미하며, 상기 k는 0 초과, 1 미만의 값을 가지는 실수이다(0<k<1).
보다 구체적으로 정상/불량의 예측에 있어서 예측 성능의 지표인 불량 유출률(False Discovery Rate, FDR)과 과검율(False Omission Rate, FOR)이라는 개념이 존재한다.
여기서, FDR은 정상으로 분류된 전지의 전체 개수에서 최종 판정결과 불량으로 판명된 전지의 개수의 비율을 의미하고, FOR은 불량으로 분류된 전지의 전체 개수에서 최종적으로 양품인 것으로 판명된 전지의 개수의 비율을 말한다.
이러한 정의에 의하면, FDR 및 FOR 중 어느 한 쪽 값을 감소시키기 위해서는 일반적으로 다른 한쪽 값의 증가를 수반하게 되므로, FDR 및 FOR 사이에는 균형(trade-off)이 존재한다.
본 발명에 따른 이차전지 저전압 불량 예측 장치는 불량 유출율과 과검율 두 가지 모두를 최소화하고자 하는 것으로, 이는 오분류율(Misclassification Error Rate; MER)을 최소화하는 것을 의미한다.
이 때, FDR, FOR 및 MER은 하기 식 2 내지 식 4로 표현할 수 있다.
(식 2)
MER(%) = {(FP + FN) / (TP + TN + FP + FN)} × 100(%)
(식 3)
FDR(%) = {FP / (TP + FP)} × 100(%)
(식 4)
FOR(%) = {FN / (TN + FN)} × 100(%)
상기 식 2 내지 식 4에서 TP, FP, TN, 및 FN의 정의는 하기와 같다.
- TP=True Positive : 정상이 정상으로 맞게 예측된 것
- FP=False Positive : 불량이 정상으로 잘못 예측된 경우
- TN=True Negative : 불량이 불량으로 맞게 예측된 경우
- FN=False Negative : 정상이 불량으로 잘못 예측된 경우
구체적으로, FDR, FOR 및 MER은 도 1와 같이 혼동 행렬(Confusion matrix)을 사용하여 실제 정상인 전지가 정상으로 맞게 예측된 경우(TP), 정상이 불량으로 잘못 예측된 경우(FN), 불량이 정상으로 잘못 예측된 경우(FP), 불량이 불량으로 맞게 예측된 경우(TN)의 4가지 항목으로 나누어 각각에 해당하는 비율을 확률로 계산할 수 있다.
결론적으로, 가중치 k값의 변화에 따른 FDR과 FOR을 산출하고 두 지표 값을 모두 최소화 하는 k값을 가중치 k의 최적값으로 결정하게 된다.
이처럼 최적화 과정이 필요한 이유는 동일 조건에서 생산되는 이차전지 중에서 정상인 전지와 저전압 불량인 전지의 비율이 상이하기 때문에 해당 비율을 고려하여 모형의 정확성을 높이기 위한 것이다. 예를 들어, 전지의 구성, 생산 방법과 설비 등 다양한 원인에 따라 다를 수 있지만 정상인 전지의 개수와 불량인 전지의 개수보다 훨씬 많은 특정 도메인에서 최적화된 가중치(k) 값은 그 도메인의 예측 모형의 특성을 반영할 수 있다.
본 발명에 따른 이차전지 저전압 불량 예측 장치는 상기 제1 데이터 학습부로부터 생성된 제1 이차전지의 저전압 예측 모델에 상기 제1 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과를 출력하는 제1 출력부를 더 포함할 수 있다.
본 발명에 따른 이차전지 저전압 불량 예측 장치는 상기 제2 데이터 학습부로부터 생성된 제2 이차전지의 저전압 예측 모델에 상기 제2 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과와 제2 측정 데이터의 실제 이차전지의 저전압 판정 결과를 비교하면서, 제2 이차전지의 저전압 예측 모델을 검증하는 제2 검증부를 더 포함하는 것일 수 있다.
본 명세서에 있어서, 상기 "입력부"는 필요한 각종 데이터를 입력 받기 위한 인터페이스이다. 구체적으로, 본 명세서에 있어서, 상기 입력부는 학습 데이터를 입력 받는 학습 데이터 입력부 및 측정 데이터를 입력 받는 측정 데이터 입력부로 구분할 수 있다. 보다 구체적으로, 상기 "입력부"는 정격 용량 조건에서 측정 또는 수집된 용량 인자를 측정 또는 수집하고, 상기 측정 또는 수집된 용량 인자 측정 데이터를 기준값 저장부 또는 데이터 학습부에 전달하는 인터페이스이다. 상기 학습부가 데이터를 입력 받는 방식 및 전달하는 방법은 특별히 제한되지 아니한다.
본 명세서에 있어서, 상기 "데이터 학습부"는 상기 학습 데이터 입력부에 입력된 학습 데이터를 이용하여 기계 학습을 진행하기 위한 인터페이스이다.
본 명세서에 있어서, 상기 "출력부"는 기계 학습의 결과를 반영하여 예측 데이터를 산출하기 위한 인터페이스이다. 상기 출력부가 데이터를 산출하는 방식은 특별히 제한되지 아니한다.
본 명세서에 있어서, 상기 "검증부"는 기계 학습의 결과를 반영한 이차전지의 저전압 불량 예측 모델의 예측 데이터의 정확도를 판단하고, 경우에 따라서 이차전지의 저전압 불량 예측 모델을 최적화하는 과정을 진행하는 인터페이스이다.
본 명세서에 있어서, 상기 "모델 전이부"는 기존 조건과 다른 조건의 이차전지의 저전압 불량을 예측하는 경우에서 기계 학습의 결과를 반영하여 도출된 이차전지의 저전압 불량 예측 모델을 이용하기 위해서 상기 모델을 데이터로 전달하거나, 상기 모델의 성능을 극대화할 수 있는 가중치 k의 최적값을 전달하기 위한 인터페이스이다. 구체적으로, 상기 모델 전이부는 오분류율을 최소화하기 위한 가중치 k값을 포함하여, 특정 조건에서 모형화(Modeling)를 수행한 기계 학습 모델(Model)에 대한 정보, 예를 들어 모델의 구조 정보, 학습 데이터의 확률적 분포에 대한 정보, 주요 인자에 대한 정보 등을 전달 받아 다른 조건의 이차전지 데이터에 대한 기계학습을 수행할 때 사용할 수 있게 해주는 기능을 수행한다.
본 발명에 따른 인터페이스는 정해진 기능을 수행할 수 있다면 그 방식 및 형태는 특별히 제한되지 않는다.
본 발명에 따른 장치의 인터페이스에 입력, 전달 또는 산출된 모든 데이터들은 통합적으로 관리될 수 있다. 여기서 통합적으로 관리된다는 것은 예를 들어 특정 메인 컴퓨터 또는 서버에 의해 본 발명에 따른 장치의 인터페이스에 입력, 전달 또는 산출된 모든 데이터를 관리하고, 관리된 데이터로부터 새로운 값을 산출하거나, 이를 다시 입력부에 데이터로서 입력하는 것과 같은 행위를 모두 포함할 수 있다.
도 2는 기존의 이차전지 저전압 불량 예측 장치의 저전압 불량을 예측하는 과정을 나타내는 것으로, 기존에는 충전/방전 과정에서의 운전 전압 또는 개회로 전압(OCV)이 강하하는 정도를 판정 기준으로 하여, N번 전압 또는 개회로 전압을 측정하여 산출된 전압 강하 특성값이 상기 판정 기준을 만족하는 경우, 저전압 불량으로 판단한다. 여기서 N은 1 이상의 정수를 의미한다.
도 3는 본 발명의 일 실시상태에 따른 이차전지 저전압 불량 예측 장치의 저전압 불량을 예측하는 과정을 나타내는 것으로, 구체적으로 우선 일정 조건의 이차 전지에 대해서 제1 학습 데이터 및 제1 측정 데이터에 해당하는 충방전 데이터(D1)을 수집하고, 상기 수집된 데이터 D1으로 기계학습을 진행하고, 데이터 중에서 저전압 불량을 예측하기 위한 주요 인자를 선별한 후, 1차적으로 기계학습 모형화를 통해 제1 이차전지의 저전압 예측 모델을 산출한다. 상기 산출된 제1 이차전지의 저전압 예측 모델을 본 발명의 이차전지 저전압 불량 예측 장치의 판정 기준인 오분류율(Misclassification Error Rate; MER)을 최소화하는 조건을 만족시키기 위해서 가중치(k) 최적화의 과정을 진행하여, 가중치의 최적값을 결정하여, 제1 이차전지의 저전압 예측 모델을 최적화한다(1 단계 종료). 상기 최적화된 모델은 제1 학습 데이터 및 제1 측정 데이터를 수집한 이차전지의 저전압 불량을 예측하는 데 사용될 수 있다.
이어서, 상기 최적화된 제1 이차전지의 저전압 예측 모델을 모형 전이(Model transfer)하고, 데이터 D1의 경우와 다른 조건의 이차전지의 저전압 불량을 예측하기 위해서 제1 이차전지의 저전압 예측 모델을 이용할 수 있다(2단계 시작). 데이터 D1의 경우와 다른 조건의 이차전지의 제2 학습 데이터 해당하는 충방전 데이터(D2)을 수집하고, 상기 수집된 데이터 D2로 기계학습 모형화를 통해 제2 이차전지의 저전압 예측 모델을 산출한다. 이 때, 제2 이차전지의 저전압 예측 모델을 산출하는 과정에서 전이된 제1 이차전지의 저전압 예측 모델을 이용한다. 제2 이차전지의 저전압 예측 모델이 산출되면 데이터 D1의 경우와 다른 조건의 이차전지의 제2 측정 데이터를 제2 이차전지의 저전압 예측 모델에 적용하여, 해당 이차전지의 저전압 불량을 예측할 수 있다(2 단계 종료).
상기 도 4는 본 발명의 일 실시상태에 따른 이차전지 저전압 불량 예측 장치의 저전압 불량을 예측하는 과정을 더욱 개략적으로 나타낸 것으로, 소스 도메인(Source Domain)의 기계 학습 데이터인 제1 학습 데이터(Dtrain) 및 제1 측정 데이터(Dtest)에 해당하는 충방전 데이터 D1을 기계 학습(ML)을 진행하여 소스 도메인의 저전압 불량 예측 모형인 M1을 생성하고, 생성된 M1을 전이시키고 학습(TL), 타겟 도메인(Target Domain)의 기계 학습 데이터인 제2 학습 데이터에 해당하는 충방전 데이터 D2를 기계 학습(ML)시키는 것을 의미한다.
본 발명에 따른 이차전지의 저전압 불량을 예측하는 장치는 기존에 생성된 저전압 불량 예측 모형을 전이시켜 이용하는 것이 특징으로, 이를 통해서 예측 모형을 생성하는 시간을 단축할 수 있다. 즉 예를 들어, 도 5에 나타난 바와 같이 타겟 도메인의 데이터(D2)는 소스 도메인의 데이터(D1)의 크기보다 작은 경우라도, 두 도메인의 특성이 서로 유사한 경우라면 예측 모형 M1의 정보를 활용함으로써 작은 크기의 데이터를 학습시키더라도 모형 M2의 성능을 높은 정확도로 향상시킬 수 있게 된다.
본 발명의 이차전지의 저전압 불량을 예측하는 장치의 구성을 더욱 대략적으로 나타내면, 도 6과 같다.
구체적으로, 본 발명의 제1 학습 데이터 입력부, 제1 측정 데이터 입력부, 제2 학습 데이터 입력부 및 제2 측정 데이터 입력부에 입력하기 위한 데이터를 수집하는 부분을 데이터 수집부라고 할 수 있다. 상기 데이터를 수집하기 위해서, 대상이 되는 이차전지의 특성을 측정할 수 있는 센서부가 더 포함될 수 있다.
또한, 제1 학습 데이터 입력부, 제1 측정 데이터 입력부, 제2 학습 데이터 입력부 및 제2 측정 데이터 입력부는 도 6의 데이터 저장부에 해당할 수 있으며, 구체적으로, 저장부는 기계학습용 데이터가 저장되어 있는 영역과 신규 판정을 위한 데이터가 저장되어 있는 영역으로 구분될 수 있다. 보다 자세하게는 소스 도메인의 기계학습용 데이터(D1)의 경우, 데이터는 저전압 불량 여부의 판정을 위한 주요 인자들(Xs,1)과 판정 결과(Y1)로 구성되어 있다. 반면, 타겟 도메인의 데이터(D2)의 경우, 주요 인자들(Xs,2)로만 구성되어져 있으며 판정 결과(Y2)는 데이터에 포함되어 있지 않다.
기계학습부(연산부)는 본 발명의 이차전지의 저전압 불량을 예측하는 장치의 제1 학습부 및 제2 학습부에 대응될 수 있으며, 기계학습 알고리즘이 들어있는 부분과 기계학습 중에 변수들의 중요도(Variable importance)를 연산하고 평가하는 부분으로 구성되어 있다.
정상/불량 판정부는 본 발명의 이차전지의 저전압 불량을 예측하는 장치의 제1 검증부 및 제2 검증부에 대응될 수 있으며, 새롭게 입력된 데이터에 대해 정상/불량 여부를 예측하는 부분이다. 해당 부분은 기계학습용 데이터가 업데이트될 때마다 신규 모형으로 업데이트 할 수 있다.
정상/불량 판정부를 기계학습용 데이터가 업데이트될 때마다 신규 모형으로 업데이트할 수 있으므로, 이차전지의 저전압 불량의 예측 정확도를 향상시킬 수 있다.
상술한 내용을 보다 자세하게 나타내면 하기 도 7과 같다.
도 7에 나타난 바와 같이 데이터 수집부에서는 전지의 충전/방전/휴지(Rest) 중에 전압, 전류, 저항(Impedance), 온도, 용량(Capacity), 전력(Power) 등의 측정값을 지속적으로 측정/수집하고 저장부(저장매체)에 저장한다. 저장된 데이터 값들을 기계학습을 위한 연산부에서 넘겨 받아 저전압 불량을 예측하기 위한 주요 인자를 평가하고 선정한 다음 모형을 생성시킨다. 모형의 예측 성능이 검증되면 해당 모형은 소스(Source) 도메인의 저전압 예측 모형(M1)이 되어 소스 도메인에 해당하는 전지 그룹에 대한 정상, 저전압 불량 예측에 사용한다. 소스 도메인에 속하는 전지와 유사한 형태의 신규 전지에 대한 예측 모형이 필요할 때 소스 도메인의 예측 모형(M1)의 정보를 이용하여 신규 예측 모형(M2)를 생성하게 된다. 신규 전지의 데이터가 수집, 저장되어 있는 타겟 도메인으로부터 M1에서 선정된 주요 인자들과 모형의 특성을 이용함으로써 작은 크기의 데이터를 이용하더라도 높은 예측 성능을 가진 모형 M2를 단기간에 생성시킨 다음 정상/불량 예측에 사용한다.
본 발명의 일 실시상태에 있어서, 본 발명에 따른 이차전지 저전압 불량 예측 장치를 포함하는 전지 제어 시스템(Battery Management System, BMS) 장치를 제공할 수 있다. 다시 말해서, 본 발명의 일 실시상태에 있어서, 상기 이차전지 저전압 불량 예측 장치는 전지 제어 시스템(Battery Management System, BMS) 장치에 사용되는 것일 수 있다.
본 발명의 일 실시상태에 있어서, 상기 제1 학습 데이터 입력부; 제1 측정 데이터 입력부; 제1 데이터 학습부; 제1 검증부; 모델 전이부; 제2 학습 데이터 입력부; 제2 측정 데이터 입력부; 제2 데이터 학습부; 및 제2 출력부를 포함하는 용량 측정 장치를 포함하는 전지 제어 시스템 장치를 제공할 수 있다.
본 명세서에 있어서, "전지 제어 시스템(Battery Management System, BMS) 장치"는 전지 제어 시스템을 포함하는 모든 형태의 인터페이스를 의미한다.
본 발명의 일 실시상태에 있어서, 본 출원에 따른 제어 시스템 장치를 포함하는 이동 장치를 제공할 수 있다.
본 명세서에 있어서, 상기 "이동 장치"의 의미는 장치 자체가 움직일 수 있거나, 사용자에 의해 쉽게 운반될 수 있는 장치를 의미하는 것으로서, 전기 자동차, 모바일 기기 등을 그 예로 할 수 있다.
본 발명의 일 실시상태에 있어서, 상기 전지 제어 시스템 장치의 제1 학습 데이터 입력부; 제1 측정 데이터 입력부; 제1 데이터 학습부; 제1 검증부; 모델 전이부; 제2 학습 데이터 입력부; 제2 측정 데이터 입력부; 제2 데이터 학습부; 및 제2 출력부 중 적어도 하나는 원격 제어되는 것인 전지 제어 시스템 장치를 제공할 수 있다.
본 발명의 일 실시상태에 있어서, 상기 제1 학습 데이터 입력부; 제1 측정 데이터 입력부; 제1 데이터 학습부; 제1 검증부; 모델 전이부; 제2 학습 데이터 입력부; 제2 측정 데이터 입력부; 제2 데이터 학습부; 및 제2 출력부 중 2 이상이 원격 제어되는 것인 전지 제어 시스템 장치를 제공할 수 있다.
본 발명의 일 실시상태에 있어서, 상기 제1 학습 데이터 입력부; 제1 측정 데이터 입력부; 제1 데이터 학습부; 제1 검증부; 모델 전이부; 제2 학습 데이터 입력부; 제2 측정 데이터 입력부; 제2 데이터 학습부; 및 제2 출력부 모두가 원격 제어되는 것인 전지 제어 시스템 장치를 제공할 수 있다.
본 발명의 일 실시상태에 있어서, 상기 전지 제어 시스템 장치의 제1 학습 데이터 입력부; 제1 측정 데이터 입력부; 제1 데이터 학습부; 제1 검증부; 제1 출력부; 모델 전이부; 제2 학습 데이터 입력부; 제2 측정 데이터 입력부; 제2 데이터 학습부; 및 제2 출력부 중 적어도 하나는 원격 제어되는 것인 전지 제어 시스템 장치를 제공할 수 있다.
본 발명의 일 실시상태에 있어서, 상기 전지 제어 시스템 장치는 1 이상의 인터페이스를 포함할 수 있고, 상기 인터페이스 중 1 이상은 원격 제어되는 것인 전지 제어 시스템 장치를 제공할 수 있다.
본 명세서에 있어서, 상기 "원격 제어되는 것"의 의미는 상기 입력부, 학습부 및 출력부 등의 인터페이스가 상기 전지 제어 시스템 장치의 외부에 위치하여 통신을 통하여 인터페이스들 사이에서 데이터와 신호를 송신 또는 수신하면서 그 기능을 수행하는 것을 의미한다. 상기 원격 제어의 방법으로, 상기 인터페이스들 중 일부를 클라우드 서버(Cloud Server)에 두고 통신을 통하여 인터페이스들 사이에서 데이터와 신호를 송신 또는 수신하면서 그 기능을 수행하는 것을 관리하는 방법을 예로 들 수 있으나, 이에 한정되는 것은 아니고, 상기 전지 제어 시스템 장치의 외부에서 그 기능을 수행할 수 있는 방법이라면 본 발명의 구성에 적용할 수 있다.
상기 장치의 일부 또는 전부의 인터페이스가 원격 제어되는 경우, 전지 제어 시스템 장치의 무게를 감소시킬 수 있어 이동 장치에 적용하기 용이하고, 특정 메인 컴퓨터 또는 클라우드 서버를 이용하는 것이므로 상기 장치를 사용하는 과정에서 발생한 데이터 등을 통합적으로 관리하기 용이하다.
또한, 상기 장치의 일부 인터페이스가 원격 제어되는 경우, 컴퓨터 하드웨어(hardware, H/W)와 관련하여 데이터 저장을 위한 메모리, 연산(Computation), 정보처리 등을 위해 요구되는 사양(Specification)을 낮추고 구성을 단순화시킬 수 있어서 이동 장치에 설치되는 컴퓨터 하드웨어 관련 비용을 절감할 수 있다.
또한, 본 발명의 일 실시상태에 있어서, 상기 전지 제어 시스템 장치의 제1 학습 데이터 입력부; 제1 측정 데이터 입력부; 제1 데이터 학습부; 제1 검증부; 모델 전이부; 제2 학습 데이터 입력부; 제2 측정 데이터 입력부; 제2 데이터 학습부; 및 제2 출력부 중 적어도 하나는 이동 장치에 내장되는 것일 수 있다.
또한, 본 발명의 일 실시상태에 있어서, 상기 전지 제어 시스템 장치의 제1 학습 데이터 입력부; 제1 측정 데이터 입력부; 제1 데이터 학습부; 제1 검증부; 모델 전이부; 제2 학습 데이터 입력부; 제2 측정 데이터 입력부; 제2 데이터 학습부; 및 제2 출력부 중 2 이상은 이동 장치에 내장되는 것일 수 있다.
또한, 본 발명의 일 실시상태에 있어서, 상기 전지 제어 시스템 장치의 제1 학습 데이터 입력부; 제1 측정 데이터 입력부; 제1 데이터 학습부; 제1 검증부; 모델 전이부; 제2 학습 데이터 입력부; 제2 측정 데이터 입력부; 제2 데이터 학습부; 및 제2 출력부 모두가 이동 장치에 내장되는 것일 수 있다.
또한, 본 발명의 일 실시상태에 있어서, 상기 전지 제어 시스템 장치의 제1 학습 데이터 입력부; 제1 측정 데이터 입력부; 제1 데이터 학습부; 제1 검증부; 제1 출력부; 모델 전이부; 제2 학습 데이터 입력부; 제2 측정 데이터 입력부; 제2 데이터 학습부; 및 제2 출력부 중 적어도 하나는 이동 장치에 내장되는 것일 수 있다.
본 발명의 일 실시상태에 있어서, 상기 전지 제어 시스템 장치는 1 이상의 인터페이스를 포함할 수 있고, 상기 인터페이스 중 1 이상은 이동 장치에 내장되는 것일 수 있다.
본 발명의 일 실시상태에 있어서, 상기 학습 데이터 입력부; 측정 데이터 입력부; 데이터 학습부; 기준값 저장부; 및 용량 상태 진단부 전부가 이동 장치에 내장되는 것인 이동 장치를 제공할 수 있다.
본 명세서에 있어서, 상기 "이동 장치에 내장되는 것"의 의미는 상기 입력부, 학습부 및 출력부 등의 인터페이스가 상기 이동 장치의 구성 요소 중 하나에 해당함을 의미한다.
상기 장치의 일부 또는 전부가 이동 장치에 내장 되는 경우, 통신상의 문제에 따른 안전상의 문제가 발생하지 않는 장점이 있다.
그 외 추가 가능한 인터페이스들이 있다면 각각의 인터페이스는 원격 제어되거나 이동 장치에 내장될 수 있다.
보다 구체적으로, 상기 전지 제어 시스템은 전기 자동차, 모바일 기기 등에 탑재되어 동력원으로 사용될 때, 용량 매칭(Matching)과 셀 밸런싱(Cell Balancing)을 진행하고, 전지의 충전 또는 방전을 제어하고, 전지의 잔량, 전지의 고장 등 전지의 전반적인 상태를 제어 및 관리해주는 시스템을 의미한다. 상기 전지 제어 시스템(Battery Management System, BMS)은 1 이상의 전지에 적용될 수 있다. 즉, 일반적으로 복수 개의 전지에 적용되나, 1개의 전지에 적용될 수 있으며, 각각의 전지에 개별적으로 전지 제어 시스템이 적용될 수 있다.
상기 전지 제어 시스템 장치에 의해 발생한 데이터도 상술한 바와 같이 통합적으로 관리될 수 있다.
본 발명에 따른 이차전지 저전압 불량 예측 장치를 전지 제어 시스템 장치에 적용할 경우, 전지 용량의 측정에 대한 정확도를 향상시킬 수 있고, 이를 통해 전지의 상태에 대한 진단, 전지의 수명 예측의 정확도를 향상시킬 수 있다. 즉, 1 이상의 전지가 전기 자동차, 모바일 기기 등에 탑재되어 동력원으로 사용되면서, 전지 제어 시스템에 의한 용량 매칭(Matching)과 셀 밸런싱(Cell Balancing) 등 전지의 전반적인 관리를 진행할 때 더욱 정확하고 효율적으로 전지를 제어할 수 있다.
본 발명의 일 실시상태에 있어서, 제1 학습 대상으로 선택된 개별 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지(Rest) 공정에서 측정된 이차전지의 제1 학습 데이터를 입력하는 단계; 상기 제1 학습 데이터에 기계 학습(Machine Learning)을 진행하여, 제1 이차전지의 저전압 예측 모델(Model)을 생성하고, 상기 제1 학습 데이터 중에서 주요 인자를 선별하는 단계; 제1 예측 대상으로 선택된 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 선택된 이차전지의 제1 측정 데이터를 입력하는 단계; 상기 생성된 제1 이차전지의 저전압 예측 모델에 상기 제1 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과와 제1 측정 데이터의 실제 이차전지의 저전압 판정 결과를 비교하면서, 제1 이차전지의 저전압 예측 모델을 검증하고 최적화하는 단계; 상기 최적화된 제1 이차전지의 저전압 예측 모델을 전이하는 단계; 제2 학습 대상으로 선택된 개별 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 측정된 이차전지의 제2 학습 데이터를 입력하는 단계; 상기 전이된 최적화된 제1 이차전지의 저전압 예측 모델 및 제2 학습 데이터에 기계 학습을 진행하여, 제2 이차전지의 저전압 예측 모델을 생성하는 단계; 제2 예측 대상으로 선택된 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 선택된 이차전지의 제2 측정 데이터를 입력하는 단계; 및 상기 제2 데이터 학습부로부터 생성된 제2 이차전지의 저전압 예측 모델에 상기 제2 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과를 출력하는 단계를 포함하는 것인 이차전지 저전압 불량 예측 방법으로서, 상기 제1 학습 대상 및 제1 예측 대상으로 선택된 이차전지의 공정 조건과 상기 제2 학습 대상 및 제2 예측 대상으로 선택된 이차전지의 공정 조건은 서로 상이한 것인 이차전지 저전압 불량 예측 방법을 제공한다.
본 발명의 이차전지 저전압 불량 예측 방법은 저전압 불량 여부를 예측 진단(Prognosis)하기 위한 판정 기준을 수립하기 위한 데이터 또는 전지 모델이 바뀌거나 제조 조건 등 변동이 있을 때마다 많은 양의 신규 데이터를 축적 또는 수집하는 과정이 반복이 되는 시간을 줄일 수 있기 때문에, 공정 조건이 상이한 이차전지에 본 발명의 이차전지 저전압 불량 예측 장치를 적용할 경우, 이차전지 저전압 불량 판단의 소요되는 시간을 감소시켜주고, 저전압 불량을 조기에 발견하여 대응할 수 있게 해줌으로써, 불량에 따른 리스크(Risk)를 최소화할 수 있다.
본 발명의 일 실시상태에 따른 이차전지 저전압 불량 예측 방법의 상기 이차전지의 제1 학습 데이터, 이차전지의 제1 측정 데이터, 제2 학습 데이터, 및 이차전지의 제2 측정 데이터는 각각 독립적으로, 이차전지의 충전, 방전 및 휴지 공정에서 측정된 전지의 전압 측정값, 전지의 전류 측정값, 전지의 저항 측정값, 전지의 온도 측정값, 전지의 용량 측정값, 및 전지의 전력의 측정값 중에서 선택된 1 이상의 측정값을 의미하는 것일 수 있으나, 이에 한정되는 것은 아니다.
본 발명의 일 실시상태에 따른 이차전지 저전압 불량 예측 방법의 상기 제1 학습 데이터 및 제2 학습 데이터에 진행하는 기계 학습은 각각 독립적으로, 결정 트리, 랜덤 포레스트, 신경망, 심층 신경망, 서포트 벡터 머신 및 그레디언트 부스팅 머신 중에서 선택된 1 이상의 방법을 적용하는 것일 수 있으나, 이에 한정되는 것은 아니다.
본 발명의 일 실시상태에 따른 이차전지 저전압 불량 예측 방법의 상기 제1 이차전지의 저전압 예측 모델을 검증하고 최적화하는 단계는 제1 이차전지의 저전압 예측 모델의 성능을 극대화할 수 있는 가중치 k의 최적값을 찾는 단계를 포함하고, 상기 가중치 k의 최적값은 오분류율을 최소화할 수 있는 값을 의미하는 것이다.
본 발명의 일 실시상태에 따른 이차전지 저전압 불량 예측 방법은 상기 제1 데이터 학습부로부터 생성된 제1 이차전지의 저전압 예측 모델에 상기 제1 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과를 출력하는 단계를 더 포함할 수 있다.
본 발명의 일 실시상태에 따른 이차전지 저전압 불량 예측 방법은 상기 제2 데이터 학습부로부터 생성된 제2 이차전지의 저전압 예측 모델에 상기 제2 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과와 제2 측정 데이터의 실제 이차전지의 저전압 판정 결과를 비교하면서, 제2 이차전지의 저전압 예측 모델을 검증하는 단계를 더 포함할 수 있다.
본 발명의 일 실시상태에 있어서, 상기 이차전지 저전압 불량 예측 방법은 상기 전지 제어 시스템(Battery Management System, BMS)에서 사용되는 방법일 수 있다. 즉, 본 발명의 일 실시상태에 있어서, 전지 제어 시스템은 본 발명에 따른 이차전지 저전압 불량 예측 방법을 활용하여 상술한 전지 제어 시스템의 기능을 수행 할 수 있다.
이 경우에도 상술한 바와 같이, 1 이상의 전지가 전기 자동차, 모바일 기기 등에 탑재되어 동력원으로 사용되면서, 전지 제어 시스템에 의한 용량 매칭(Matching)과 셀 밸런싱(Cell Balancing) 등 전지의 전반적인 관리를 진행할 때 더욱 정확하고 효율적으로 전지를 제어할 수 있다.
본 명세서에 있어서, 본 발명의 실시상태에 따른 이차전지 저전압 불량 예측 장치에 적용되는 설명은 본 발명의 실시상태에 따른 이차전지 저전압 불량 예측 방법에도 적용될 수 있다.
본 발명에 따른 이차전지 저전압 불량 예측 장치 및 방법은 본 발명의 실시상태에 따른 장치 및 방법은 이차전지 저전압 불량 판단에 대한 정확도를 향상시킬 수 있으며, 이로 인한 공정상의 비용 절감을 가져올 수 있다.
또한, 본 발명의 실시상태에 따른 장치 및 방법은 이차전지 저전압 불량 판단의 소요되는 시간을 감소시켜주고, 저전압 불량을 조기에 발견하여 대응할 수 있게 해줌으로써, 불량에 따른 리스크(Risk)를 최소화할 수 있다.
본 발명의 일 실시상태는, 본 발명에 따른 이차전지 저전압 불량 예측 방법을 실행시키는 기록 매체에 저장된 컴퓨터 프로그램을 제공한다. 상기 이차전지 저전압 불량 예측 방법의 각 단계가 컴퓨터 프로그램의 형태로 기록 매체에 저장되어 있는 것을 제외하고, 상술한 전지의 저전압 불량 예측 방법에 대한 설명이 동일하게 적용될 수 있다.
보다 구체적으로 전지의 이차전지 저전압 불량 예측 과정을 설명하면 하기와 같다.
<실시예>
제1 조건에서 모듈(Module), 팩(Pack), 트레이(tray)상에 학습하고자 하는 50,000개의 이차전지를 배치하고, 충전, 방전 및 휴지(Rest) 공정에서의 전압 측정값, 전지의 전류 측정값, 전지의 저항 측정값, 전지의 온도 측정값, 전지의 용량 측정값, 및 전지의 전력의 측정값들을 측정, 수집하고 그 값들을 소스(Source) 데이터에 해당하는 제1 학습 데이터 및 제1 측정 데이터로 저장매체에 저장하였다.
이 후, 제1 학습 데이터에 기계 학습을 적용하여, 상기 이차전지 50,000개의 데이터를 기계학습을 진행하여, 제1 이차전지의 저전압 예측 모델(M1)을 생성하고, 상기 제1 학습 데이터 중에서 주요 인자를 선별하였다.
상기 제1 데이터 학습부로부터 생성된 제1 이차전지의 저전압 예측 모델에 상기 제1 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과와 제1 측정 데이터의 실제 이차전지의 저전압 판정 결과를 비교하면서, 오분류율(Misclassification Error Rate; MER)을 최소화하기 위한 가중치 k 값을 구하였다. 본 실시예에서는 도 8에서 확인할 수 있듯이 k=0.55에서 가장 낮은 오분류율이 얻어지는 것을 확인할 수 있었다.
상기 제1 조건과 상이한 제2 조건에서의 모듈(Module), 팩(Pack), 트레이(tray)상에 학습하고자하는 10,000개 내지 50,000개의 이차전지를 배치하고, 충전, 방전 및 휴지(Rest) 공정에서의 전압 측정값, 전지의 전류 측정값, 전지의 저항 측정값, 전지의 온도 측정값, 전지의 용량 측정값, 및 전지의 전력의 측정값들을 측정, 수집하고 그 값들을 소스(Source) 데이터에 해당하는 제2 학습 데이터 및 제2 측정 데이터로 저장매체에 저장하였다.
앞에서 생성한 오분류율을 최소화하기 위한 가중치 k 값을 반영한 1 이차전지의 저전압 예측 모델(M1) 및 상기 오분류율을 최소화하기 위한 가중치 k 값을 전이시키고, 전이된 제1 이차전지의 저전압 예측 모델(M1) 및 제2 학습 데이터를 이용하여 기계 학습을 진행하였고, 제2 이차전지의 저전압 예측 모델(M2)을 생성하였다. 이를 M1을 전이시키고 기계학습을 하는 과정을 전이 학습(Transfer learning; TL)시켰다고 표현할 수 있다.
이 때, 제2 이차전지의 저전압 예측 모델에 제2 측정 데이터를 반영하여 오분류율(MER)을 산출하였다. 그 결과는 하기 도 9와 같았다.
<비교예>
실시예와 동일한 제2 조건에서의 모듈(Module), 팩(Pack), 트레이(tray)상에 학습하고자하는 10,000개 내지 50,000개의 이차전지를 배치하고, 충전, 방전 및 휴지(Rest) 공정에서의 전압 측정값, 전지의 전류 측정값, 전지의 저항 측정값, 전지의 온도 측정값, 전지의 용량 측정값, 및 전지의 전력의 측정값들을 측정, 수집하고 그 값들을 소스(Source) 데이터에 해당하는 학습 데이터 및 측정 데이터로 저장매체에 저장하였다.
상기 학습 데이터를 이용하여, 기계 학습을 진행하여, 이차전지의 저전압 예측 모델(M3)을 생성하였다. 즉, 실시예와 다르게 가중치 k의 최적값이 구해지지 않았고, 전이 학습(Transfer learning; TL)을 진행하지 않았다.
이 때, 이차전지의 저전압 예측 모델(M3)에 측정 데이터를 반영하여 오분류율(MER)을 산출하였다. 그 결과는 하기 도 9와 같았다.
상기 실시예 및 비교예의 결과를 보여주는 도 9를 통해서, 본 발명에 따른 이차전지 저전압 불량 예측 장치 및 방법은 예측의 정확도가 우수함을 확인할 수 있었다. 특히 전이 학습 과정을 포함함으로써, 훨씬 적은 수의 전지의 학습 데이터로부터 낮은 오분류율의 성능을 보여주는 모델을 생성할 수 있음을 확인할 수 있다. 다시 말해서, 전이 학습 과정을 포함한 경우가 훨씬 적은 수의 전지의 학습 데이터로부터 예측의 정확도가 높은 모델을 생성할 수 있음을 확인할 수 있었다.
상기 결과는 본 발명의 실시상태에 따른 장치 및 방법은 이차전지 저전압 불량 판단에 대한 정확도를 향상시킬 수 있으며, 이로 인한 공정상의 비용 절감을 가져올 수 있음을 의미한다. 예를 들어, 양품인 전지를 불량으로 오인하여 폐기 처리하게 되거나, 불량인 전지를 양품으로 오인하여 출하하게 되는 문제를 방지함으로써, 이로 인한 비용 발생의 절감을 가져올 수 있다는 것을 의미한다.
또한, 상기 결과는 본 발명의 실시상태에 따른 장치 및 방법은 저전압 불량 여부를 예측 진단(Prognosis)하기 위한 판정 기준을 수립하기 위한 데이터 또는 전지 모델이 바뀌거나 제조 조건 등 변동이 있을 때마다 많은 양의 신규 데이터를 축적 또는 수집하는 과정이 반복이 되는 시간을 줄일 수 있다는 것을 보여준다. 즉, 이차전지 저전압 불량 판단의 소요되는 시간을 감소시켜주고, 저전압 불량을 조기에 발견하여 대응할 수 있게 해줌으로써, 불량에 따른 리스크(Risk)를 최소화할 수 있음을 의미한다.

Claims (17)

  1. 제1 학습 대상으로 선택된 개별 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지(Rest) 공정에서 측정된 이차전지의 제1 학습 데이터를 입력 받는 제1 학습 데이터 입력부;
    제1 예측 대상으로 선택된 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 선택된 이차전지의 제1 측정 데이터를 입력 받는 제1 측정 데이터 입력부;
    상기 제1 학습 데이터 입력부에 입력된 이차전지의 제1 학습 데이터에 기계 학습(Machine Learning)을 진행하여, 제1 이차전지의 저전압 예측 모델(Model)을 생성하고, 상기 제1 학습 데이터 중에서 주요 인자를 선별하는 제1 데이터 학습부;
    상기 제1 데이터 학습부로부터 생성된 제1 이차전지의 저전압 예측 모델에 상기 제1 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과와 제1 측정 데이터의 실제 이차전지의 저전압 판정 결과를 비교하면서, 제1 이차전지의 저전압 예측 모델의 성능을 극대화할 수 있는 가중치 k의 최적값을 찾아서 제1 이차전지의 저전압 예측 모델을 검증하고 최적화하는 제1 검증부;
    상기 최적화된 제1 이차전지의 저전압 예측 모델 및 가중치 k의 최적값을 전이 받는 모델 전이부;
    제2 학습 대상으로 선택된 개별 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 측정된 이차전지의 제2 학습 데이터를 입력 받는 제2 학습 데이터 입력부;
    제2 예측 대상으로 선택된 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 선택된 이차전지의 제2 측정 데이터를 입력 받는 제2 측정 데이터 입력부;
    상기 모델 전이부에 전이된 최적화된 제1 이차전지의 저전압 예측 모델 및 제2 학습 데이터 입력부에 입력된 이차전지의 제2 학습 데이터에 기계 학습을 진행하여, 제2 이차전지의 저전압 예측 모델을 생성하는 제2 데이터 학습부; 및
    상기 제2 데이터 학습부로부터 생성된 제2 이차전지의 저전압 예측 모델에 상기 제2 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과를 출력하는 제2 출력부를 포함하는 것인 이차전지 저전압 불량 예측 장치로서,
    상기 제1 학습 대상 및 제1 예측 대상으로 선택된 이차전지의 공정 조건과 상기 제2 학습 대상 및 제2 예측 대상으로 선택된 이차전지의 공정 조건은 서로 상이한 것인 이차전지 저전압 불량 예측 장치.
  2. 제1항에 있어서,
    상기 이차전지의 제1 학습 데이터, 이차전지의 제1 측정 데이터, 제2 학습 데이터, 및 이차전지의 제2 측정 데이터는 각각 독립적으로, 이차전지의 충전, 방전 및 휴지 공정에서 측정된 전지의 전압 측정값, 전지의 전류 측정값, 전지의 저항 측정값, 전지의 온도 측정값, 전지의 용량 측정값, 및 전지의 전력의 측정값 중에서 선택된 1 이상의 측정값을 의미하는 것인 이차전지 저전압 불량 예측 장치.
  3. 제1항에 있어서,
    상기 제1 데이터 학습부 및 제2 데이터 학습부의 기계 학습은 각각 독립적으로, 결정 트리(Decision Tree), 랜덤 포레스트(Random Forest), 신경망(Neural Networks), 심층 신경망(Deep Neural Network), 서포트 벡터 머신(Support Vector Machine) 및 그레디언트 부스팅 머신(Gradient Boosting Machine) 중에서 선택된 1 이상의 방법을 적용하는 것인 이차전지 저전압 불량 예측 장치.
  4. 제1항에 있어서,
    상기 가중치 k의 최적값은 오분류율(Misclassification Error Rate; MER)을 최소화할 수 있는 값을 의미하는 것인 이차전지 저전압 불량 예측 장치.
  5. 제1항에 있어서,
    상기 제1 데이터 학습부로부터 생성된 제1 이차전지의 저전압 예측 모델에 상기 제1 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과를 출력하는 제1 출력부를 더 포함하는 것인 이차전지 저전압 불량 예측 장치.
  6. 제1항에 있어서,
    상기 제2 데이터 학습부로부터 생성된 제2 이차전지의 저전압 예측 모델에 상기 제2 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과와 제2 측정 데이터의 실제 이차전지의 저전압 판정 결과를 비교하면서, 제2 이차전지의 저전압 예측 모델을 검증하는 제2 검증부를 더 포함하는 것인 이차전지 저전압 불량 예측 장치.
  7. 제1 학습 대상으로 선택된 개별 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지(Rest) 공정에서 측정된 이차전지의 제1 학습 데이터를 입력하는 단계;
    상기 제1 학습 데이터에 기계 학습(Machine Learning)을 진행하여, 제1 이차전지의 저전압 예측 모델(Model)을 생성하고, 상기 제1 학습 데이터 중에서 주요 인자를 선별하는 단계;
    제1 예측 대상으로 선택된 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 선택된 이차전지의 제1 측정 데이터를 입력하는 단계;
    상기 생성된 제1 이차전지의 저전압 예측 모델에 상기 제1 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과와 제1 측정 데이터의 실제 이차전지의 저전압 판정 결과를 비교하면서, 제1 이차전지의 저전압 예측 모델의 성능을 극대화할 수 있는 가중치 k의 최적값을 찾아서 제1 이차전지의 저전압 예측 모델을 검증하고 최적화하는 단계;
    상기 최적화된 제1 이차전지의 저전압 예측 모델 및 가중치 k의 최적값을 전이하는 단계;
    제2 학습 대상으로 선택된 개별 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 측정된 이차전지의 제2 학습 데이터를 입력하는 단계;
    상기 전이된 최적화된 제1 이차전지의 저전압 예측 모델 및 제2 학습 데이터에 기계 학습을 진행하여, 제2 이차전지의 저전압 예측 모델을 생성하는 단계;
    제2 예측 대상으로 선택된 이차전지의 특정 시간 동안 진행된 충전, 방전 및 휴지 공정에서 선택된 이차전지의 제2 측정 데이터를 입력하는 단계; 및
    상기 제2 데이터 학습부로부터 생성된 제2 이차전지의 저전압 예측 모델에 상기 제2 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과를 출력하는 단계를 포함하는 것인 이차전지 저전압 불량 예측 방법으로서,
    상기 제1 학습 대상 및 제1 예측 대상으로 선택된 이차전지의 공정 조건과 상기 제2 학습 대상 및 제2 예측 대상으로 선택된 이차전지의 공정 조건은 서로 상이한 것인 이차전지 저전압 불량 예측 방법.
  8. 제7항에 있어서,
    상기 이차전지의 제1 학습 데이터, 이차전지의 제1 측정 데이터, 제2 학습 데이터, 및 이차전지의 제2 측정 데이터는 각각 독립적으로, 이차전지의 충전, 방전 및 휴지 공정에서 측정된 전지의 전압 측정값, 전지의 전류 측정값, 전지의 저항 측정값, 전지의 온도 측정값, 전지의 용량 측정값, 및 전지의 전력의 측정값 중에서 선택된 1 이상의 측정값을 의미하는 것인 이차전지 저전압 불량 예측 방법.
  9. 제7항에 있어서,
    상기 제1 학습 데이터 및 제2 학습 데이터에 진행하는 기계 학습은 각각 독립적으로, 결정 트리, 랜덤 포레스트, 신경망, 심층 신경망, 서포트 벡터 머신 및 그레디언트 부스팅 머신 중에서 선택된 1 이상의 방법을 적용하는 것인 이차전지 저전압 불량 예측 방법.
  10. 제7항에 있어서,
    상기 가중치 k의 최적값은 오분류율을 최소화할 수 있는 값을 의미하는 것인 이차전지 저전압 불량 예측 방법.
  11. 제7항에 있어서,
    상기 제1 데이터 학습부로부터 생성된 제1 이차전지의 저전압 예측 모델에 상기 제1 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과를 출력하는 단계를 더 포함하는 것인 이차전지 저전압 불량 예측 방법.
  12. 제7항에 있어서,
    상기 제2 데이터 학습부로부터 생성된 제2 이차전지의 저전압 예측 모델에 상기 제2 측정 데이터를 적용한 이차전지의 저전압 판정 예측 결과와 제2 측정 데이터의 실제 이차전지의 저전압 판정 결과를 비교하면서, 제2 이차전지의 저전압 예측 모델을 검증하는 단계를 더 포함하는 것인 이차전지 저전압 불량 예측 방법.
  13. 제1항 내지 제6항 중 어느 한 항에 따른 이차전지 저전압 불량 예측 장치를 포함하는 전지 제어 시스템(Battery Management System, BMS) 장치.
  14. 제13항에 있어서,
    상기 전지 제어 시스템 장치의 제1 학습 데이터 입력부; 제1 측정 데이터 입력부; 제1 데이터 학습부; 제1 검증부; 모델 전이부; 제2 학습 데이터 입력부; 제2 측정 데이터 입력부; 제2 데이터 학습부; 및 제2 출력부 중 적어도 하나는 원격 제어되는 것인 전지 제어 시스템 장치.
  15. 제14항에 따른 전지 제어 시스템 장치를 포함하는 이동 장치.
  16. 제15항에 있어서,
    상기 전지 제어 시스템 장치의 제1 학습 데이터 입력부; 제1 측정 데이터 입력부; 제1 데이터 학습부; 제1 검증부; 모델 전이부; 제2 학습 데이터 입력부; 제2 측정 데이터 입력부; 제2 데이터 학습부; 및 제2 출력부 중 적어도 하나는 이동 장치에 내장되는 것인 이동 장치.
  17. 제7항 내지 제12항 중 어느 한 항에 따른 이차전지 저전압 불량 예측 방법을 실행시키는 기록 매체에 저장된 컴퓨터 프로그램.
KR1020220074278A 2021-06-18 2022-06-17 이차전지 저전압 불량 예측 장치 및 방법, 상기 장치를 포함하는 전지 제어 시스템 KR20220169433A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210079389 2021-06-18
KR1020210079389 2021-06-18

Publications (1)

Publication Number Publication Date
KR20220169433A true KR20220169433A (ko) 2022-12-27

Family

ID=84527253

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220074278A KR20220169433A (ko) 2021-06-18 2022-06-17 이차전지 저전압 불량 예측 장치 및 방법, 상기 장치를 포함하는 전지 제어 시스템

Country Status (6)

Country Link
US (1) US20240168093A1 (ko)
EP (1) EP4300109A4 (ko)
JP (1) JP7550322B2 (ko)
KR (1) KR20220169433A (ko)
CN (1) CN117795355A (ko)
WO (1) WO2022265458A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024186122A1 (ko) * 2023-03-09 2024-09-12 주식회사 엘지에너지솔루션 저전압 배터리 셀 선별 장치 및 이의 동작 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12100868B1 (en) * 2023-06-21 2024-09-24 Eatron Technologies Limited Systems and methods for machine learning enabled fault detection in rechargeable batteries

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150049528A (ko) 2013-10-30 2015-05-08 주식회사 엘지화학 이차전지 저전압 불량 조기 감지 시스템 및 그 방법

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100911316B1 (ko) 2007-08-23 2009-08-11 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
US9316699B2 (en) 2012-04-05 2016-04-19 Samsung Sdi Co., Ltd. System for predicting lifetime of battery
JP6250298B2 (ja) 2013-04-15 2017-12-20 新電元工業株式会社 二次電池寿命予測システムおよび二次電池特性評価装置
KR101802002B1 (ko) * 2013-10-30 2017-11-27 주식회사 엘지화학 이차전지 저전압 불량률 조기 감지 시스템 및 그 방법
WO2019181729A1 (ja) 2018-03-20 2019-09-26 株式会社Ｇｓユアサ 劣化推定装置、コンピュータプログラム及び劣化推定方法
US11449249B2 (en) 2018-11-26 2022-09-20 Micron Technology, Inc. Configuring command/address channel for memory
KR102238248B1 (ko) * 2019-07-31 2021-04-12 주식회사 에스제이 테크 머신러닝을 이용한 배터리 진단 방법
US11209492B2 (en) * 2019-10-02 2021-12-28 Continental Automotive Systems, Inc. Method and system for determining battery state of health
CN111965545B (zh) * 2020-07-31 2024-07-19 蜂巢能源科技有限公司 锂电池自放电检测方法、装置及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150049528A (ko) 2013-10-30 2015-05-08 주식회사 엘지화학 이차전지 저전압 불량 조기 감지 시스템 및 그 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024186122A1 (ko) * 2023-03-09 2024-09-12 주식회사 엘지에너지솔루션 저전압 배터리 셀 선별 장치 및 이의 동작 방법

Also Published As

Publication number Publication date
CN117795355A (zh) 2024-03-29
EP4300109A4 (en) 2024-09-04
US20240168093A1 (en) 2024-05-23
JP2024509525A (ja) 2024-03-04
WO2022265458A1 (ko) 2022-12-22
WO2022265458A8 (ko) 2023-11-16
EP4300109A1 (en) 2024-01-03
JP7550322B2 (ja) 2024-09-12

Similar Documents

Publication Publication Date Title
Li et al. Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology
Zhang et al. Research on electric vehicle charging safety warning model based on back propagation neural network optimized by improved gray wolf algorithm
Chen et al. State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network
EP4141460A1 (en) Battery capacity measuring device and method, and battery control system comprising battery capacity measuring device
Rezvanizaniani et al. Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility
KR20220169433A (ko) 이차전지 저전압 불량 예측 장치 및 방법, 상기 장치를 포함하는 전지 제어 시스템
JP6234946B2 (ja) 電池状態推定装置
Qiu et al. A novel entropy-based fault diagnosis and inconsistency evaluation approach for lithium-ion battery energy storage systems
Chang et al. Micro-fault diagnosis of electric vehicle batteries based on the evolution of battery consistency relative position
KR102689216B1 (ko) Knn 기계학습 알고리즘을 이용한 배터리팩 운용 관리 시스템
CN114400738A (zh) 一种储能电站电池预警方法和系统
US20220381831A1 (en) Evaluation device, computer program, and evaluation method
US11959969B2 (en) Apparatus and method for diagnosing battery
CN117054892B (zh) 一种储能电站电池健康状态的评估方法、装置及管理方法
US20230213587A1 (en) Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin
Zhou et al. A study of online state-of-health estimation method for in-use electric vehicles based on charge data
Chen et al. State of health estimation for lithium-ion battery based on long short term memory networks
Yao et al. Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network
JP2024500788A (ja) 電池管理装置および方法
CN112937369B (zh) 一种基于马氏过程的动力电池组主动均衡控制方法
KR102159817B1 (ko) 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램
US20240241180A1 (en) Battery management apparatus and battery testing system including the same
CN113420494B (zh) 一种超级电容贝叶斯概率融合建模方法
CN115184829A (zh) 一种电池组寿命预测方法和装置
KR102555776B1 (ko) 배터리 성능진단을 위한 진단 알고리즘의 동작 방법 및 배터리 성능진단 시스템