KR20230025065A - 배터리 잔여유효수명 예측장치 및 예측방법 - Google Patents

배터리 잔여유효수명 예측장치 및 예측방법 Download PDF

Info

Publication number
KR20230025065A
KR20230025065A KR1020210107070A KR20210107070A KR20230025065A KR 20230025065 A KR20230025065 A KR 20230025065A KR 1020210107070 A KR1020210107070 A KR 1020210107070A KR 20210107070 A KR20210107070 A KR 20210107070A KR 20230025065 A KR20230025065 A KR 20230025065A
Authority
KR
South Korea
Prior art keywords
useful life
battery
input data
similarity
learning
Prior art date
Application number
KR1020210107070A
Other languages
English (en)
Other versions
KR102556671B9 (ko
KR102556671B1 (ko
Inventor
배국열
채수용
백종복
박석인
박화평
장재원
Original Assignee
한국에너지기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국에너지기술연구원 filed Critical 한국에너지기술연구원
Priority to KR1020210107070A priority Critical patent/KR102556671B1/ko
Publication of KR20230025065A publication Critical patent/KR20230025065A/ko
Application granted granted Critical
Publication of KR102556671B1 publication Critical patent/KR102556671B1/ko
Publication of KR102556671B9 publication Critical patent/KR102556671B9/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
    • 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
    • G01R27/08—Measuring resistance by measuring both voltage and current
    • 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
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Secondary Cells (AREA)

Abstract

일 실시예는, 머신러닝을 통해 학습된 데이터기반모델, 물리적 특성에 기반하여 생성된 물리기반모델 및 상기 학습에 사용된 학습입력데이터를 저장하는 데이터저장부; 동작 중인 배터리에 대해 측정한 값 혹은 측정값에 따라 계산된 값을 포함하는 실제입력데이터와 상기 학습입력데이터의 유사도를 분석하는 유사도분석부; 및 상기 유사도가 기준값보다 큰 경우 상기 데이터기반모델에 따라 상기 배터리의 유효수명을 계산하고, 상기 유사도가 상기 기준값 이하인 경우 상기 물리기반모델에 따라 상기 유효수명을 계산하는 유효수명계산부를 포함하는 배터리 잔여유효수명 예측장치를 제공한다.

Description

배터리 잔여유효수명 예측장치 및 예측방법{DEVICE AND METHOD FOR PREDICTING REMAINING USEFUL LIFE OF BATTERY}
본 실시예는 배터리의 잔여유효수명을 예측하는 기술에 관한 것이다.
다른 에너지장치와 달리 배터리는 내부 상태를 측정하기 어렵다. 예를 들어, 가솔린장치의 경우, 연료통 안에 연료게이지를 삽입시키고 연료게이지의 눈금을 읽어 연료잔량을 측정할 수 있으나, 배터리는 밀폐된 구조를 가지고 있기 때문에, 이러한 연료게이지를 이용하여 연료잔량을 측정하기 어렵다.
그래서, 대부분의 배터리 관련 장치들은 배터리의 내부 상태를 측정하지 못하고 "추정" 혹은 "예측"하고 있다. 배터리의 내부 상태를 나타내는 값들은 SOC(state-of-charge), SOH(state-of-health), RUL(remaining useful life)값 등이 있는데, 배터리 관련 장치들은 추정 혹은 예측을 통해 이러한 값들을 산출하고 있다.
한편, 배터리의 내부 상태를 추정 혹은 예측하는 것이 어렵기 때문에 많은 연구들이 머신러닝을 활용하고 있는데, 이러한 방법은 빠른 시간 내에 추정모델 혹은 예측모델을 생성할 수 있다는 측면에서 장점이 있지만, 일부 데이터에 대해서는 발산 등의 매우 부정확한 예측값을 산출하기 때문에 문제가 되고 있다.
이러한 배경에서, 본 실시예의 목적은, 일 측면에서, 배터리의 잔여유효수명을 예측하는 기술을 제공하는 것이다. 다른 측면에서, 본 실시예의 목적은, 머신러닝을 통해 학습된 데이터기반모델을 사용할 때 발생할 수 있는 부정확한 예측값 산출의 문제를 개선할 수 있는 기술을 제공하는 것이다.
전술한 목적을 달성하기 위하여, 일 실시예는, 머신러닝을 통해 학습된 데이터기반모델, 물리적 특성에 기반하여 생성된 물리기반모델 및 상기 학습에 사용된 학습입력데이터를 저장하는 데이터저장부; 동작 중인 배터리에 대해 측정한 값 혹은 측정값에 따라 계산된 값을 포함하는 실제입력데이터와 상기 학습입력데이터의 유사도를 분석하는 유사도분석부; 및 상기 유사도가 기준값보다 큰 경우 상기 데이터기반모델에 따라 상기 배터리의 유효수명을 계산하고, 상기 유사도가 상기 기준값 이하인 경우 상기 물리기반모델에 따라 상기 유효수명을 계산하는 유효수명계산부를 포함하는 배터리 잔여유효수명 예측장치를 제공한다.
상기 데이터저장부는, 상기 유효수명의 구간별로 상기 학습입력데이터를 저장하고, 상기 유사도분석부는, 상기 유효수명의 일 구간에 대응되는 상기 학습입력데이터와 상기 실제입력데이터의 상기 유사도를 분석할 수 있다.
상기 데이터저장부는, 이전 스텝에서 계산된 상기 유효수명을 저장하고, 상기 유사도분석부는, 저장된 상기 유효수명에 따라 상기 유사도를 분석할 상기 일 구간을 결정할 수 있다.
상기 학습입력데이터와 상기 실제입력데이터는 시계열데이터일 수 있다.
상기 유사도분석부는, 유클리드 거리 측정법에 따라 상기 학습입력데이터와 상기 실제입력데이터의 상기 유사도를 분석할 수 있다.
상기 물리기반모델은, 상기 배터리에 대한 회로모델을 기반으로 하고, 상기 회로모델에서의 일 저항성분의 값에 따라 상기 유효수명을 계산하는 모델일 수 있다.
상기 일 저항성분의 값은 상기 배터리의 출력전류와 상기 배터리의 출력전압의 순시값에 따라 계산될 수 있다.
다른 실시예는, 동작 중인 배터리에 대해 측정한 값 혹은 측정값에 따라 계산된 값을 포함하는 실제입력데이터를 획득하는 단계; 머신러닝의 학습에 사용된 학습입력데이터를 확인하는 단계; 상기 실제입력데이터와 상기 학습입력데이터의 유사도를 분석하는 단계; 및 상기 유사도가 기준값보다 큰 경우 상기 머신러닝에 의해 학습된 데이터기반모델에 따라 상기 배터리의 유효수명을 계산하고, 상기 유사도가 상기 기준값 이하인 경우 물리적 특성에 기반하여 생성된 물리기반모델에 따라 상기 유효수명을 계산하는 단계를 포함하는 배터리 잔여유효수명 예측방법을 제공한다.
상기 예측방법은, 상기 유효수명의 구간별로 상기 학습입력데이터를 저장하는 단계를 더 포함하고, 상기 학습입력데이터를 확인하는 단계에서, 이전 스텝에서 계산된 상기 유효수명에 따라 일 구간을 결정하고, 결정된 구간에 대응되는 상기 학습입력데이터를 확인할 수 있다.
상기 물리기반모델은, 상기 배터리에 대한 회로모델을 기반으로 하고, 상기 회로모델에서의 일 캐패시터성분의 값에 따라 상기 유효수명을 계산하는 모델일 수 있다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 배터리의 잔여유효수명을 보다 정확하게 예측할 수 있게 된다. 특히, 본 실시예에 의하면, 머신러닝을 통해 학습된 데이터기반모델을 사용할 때 발생할 수 있는 부정확한 예측값 산출의 문제를 개선할 수 있게 된다.
도 1은 일 실시예에 따른 배터리 잔여유효수명 예측 시스템의 구성도이다.
도 2는 일 실시예에 따른 데이터기반모델 생성 과정을 나타내는 도면이다.
도 3은 실제입력데이터와 학습입력데이터가 유사한 경우의 예시를 나타내는 도면이다.
도 4는 실제입력데이터와 학습입력데이터가 비유사한 경우의 예시를 나타내는 도면이다.
도 5는 일 실시예에 따른 물리기반모델에 포함되는 회로모델의 예시 구성도이다.
도 6은 일 실시예에 따른 예측장치의 구성도이다.
도 7은 일 실시예에 따른 예측방법의 구성도이다.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
도 1은 일 실시예에 따른 배터리 잔여유효수명 예측 시스템의 구성도이다.
도 1을 참조하면, 예측 시스템(100)은 배터리(120), 충방전기(130), 부하(140) 및 배터리 잔여유효수명 예측장치(110) 등을 포함할 수 있다.
배터리(120)는 적어도 하나의 셀을 포함할 수 있고, 센서가 부착되면서 전류(Ib), 전압(Vb), 온도 등이 측정될 수 있다. 여기서, 전류는 배터리(120) 단자로 입출력되는 전류를 의미하고, 전압은 배터리(120)의 단자전압을 의미할 수 있다. 그리고, 온도는 배터리(120)의 표면온도를 의미할 수 있다.
충방전기(130)는 배터리(120)로 입출력되는 전류(Ib)를 제어하거나 배터리(120)의 전압을 제어할 수 있다. 이를 통해, 충방전기(130)는 배터리(120)를 충전시키거나 배터리(120)를 방전시켜 부하(140)로 전력을 공급할 수 있다.
충방전기(130)는 배터리 잔여유효수명 예측장치(110, 이하에서는 '예측장치'라 함)로부터 제어신호(CTR)를 수신하고, 제어신호(CTR)에 따라 배터리(120)에 대한 충방전을 제어할 수 있다. 예를 들어, 충방전기(130)는 제어신호(CTR)에 따라 배터리(120)의 충전전류량을 제어하거나 배터리(120)의 방전전류량을 제어할 수 있다. 이러한 방식으로 예측장치(110)는 원하는 전류 혹은 전압을 배터리(120)로 입력시키면서 배터리(120)의 상태변화를 관측할 수 있다.
예측장치(110)는 배터리(120)를 직접 센싱하여 배터리데이터(Sb)를 획득하거나 충방전기(130) 등의 장치로부터 배터리데이터(Sb)를 획득할 수 있다.
배터리데이터(Sb)는 예를 들어, 배터리(120)의 출력전류(Ib), 배터리(120)의 출력전압(Vb), 배터리(120)의 온도 등의 값을 포함할 수 있다.
예측장치(110)는 배터리데이터(Sb)를 이용하여 잔여유효수명(이하에서는 '유효수명'이라 함)의 계산을 위한 입력데이터(IDT : Input Data)를 생성할 수 있다. 그리고, 예측장치(110)는 입력데이터(IDT)를 이용하여 유효수명을 계산할 수 있다.
입력데이터(IDT)는 배터리데이터(Sb)를 포함할 수 있고, 배터리데이터(Sb)를 통해 계산된 값들을 포함할 수 있다.
계산된 값들로는 예를 들어, SoC(state-of-charge), SoH(state-of-health) 등의 추정값이 포함될 수 있고, 배터리(120)에 대한 회로모델에서의 각 성분의 값을 포함할 수 있다.
예측장치(110)는 머신러닝을 통해 학습된 데이터기반모델(DDM : Data Driven Model)을 포함할 수 있다. 그리고, 예측장치(110)는 데이터기반모델(DDM)에 입력데이터(IDT)를 입력하여 유효수명(RUL : Remaining Useful Life)을 계산할 수 있다.
도 2는 일 실시예에 따른 데이터기반모델 생성 과정을 나타내는 도면이다.
도 2를 참조하면, 신경망 등의 학습네트워크를 포함하는 데이터기반모델(DDM)이 형성될 수 있다.
그리고, 학습장치(TRN)는 머신러닝 과정을 통해 데이터기반모델(DDM)의 파라미터(PAR)를 수정하면서 최적의 파라미터(PAR)를 찾아나갈 수 있다.
데이터기반모델(DDM)으로는 학습입력데이터(TIDT : Train IDT)가 입력될 수 있다. 그리고, 데이터기반모델(DDM)에 따른 유효수명(DMRUL : Data Model RUL)이 산출될 수 있다.
학습장치(TRN)는 학습입력데이터(TIDT)와 세트로 구성되는 학습유효수명(TRUL : Train RUL)과 데이터기반모델에 따른 유효수명(DMRUL)을 비교하고 둘 사이의 오차가 최소화되도록 데이터기반모델(DDM)의 파라미터(PAR)를 업데이트할 수 있다.
이러한 과정을 통해 데이터기반모델(DDM)이 학습되면, 예측장치는 데이터기반모델(DDM)을 이용하여 유효수명을 계산할 수 있다.
그런데, 예측장치가 데이터기반모델(DDM)을 이용하여 유효수명을 계산할 때, 실제입력데이터(RIDT : Real IDT)와 학습입력데이터(TIDT)가 차이가 나는 경우, 유효수명의 계산값이 실제값과 많이 차이날 수 있다.
도 3은 실제입력데이터와 학습입력데이터가 유사한 경우의 예시를 나타내는 도면이고, 도 4는 실제입력데이터와 학습입력데이터가 비유사한 경우의 예시를 나타내는 도면이다.
도 3에서 볼 수 있는 것과 같이, 실제입력데이터(RIDT)와 학습입력데이터(TIDT)가 유사한 경우, 유효수명의 계산값(DMRUL)과 실측값(RRUL)이 유사하게 나타난다.
하지만, 도 4에서 볼 수 있는 것과 같이, 실제입력데이터(RIDT)와 학습입력데이터(TIDT)가 비유사한 경우, 유효수명의 계산값(DMRUL)과 실측값(RRUL)이 비유사하게 나타나고, 유효수명의 계산값(DMRUL)이 실측값(RRUL)과 큰 차이를 가지는 발산현상이 나타날 수도 있다.
데이터기반모델(DDM)의 이러한 문제를 보완하기 위해 예측장치는 물리기반모델을 추가적으로 사용할 수 있다.
도 5는 일 실시예에 따른 물리기반모델에 포함되는 회로모델의 예시 구성도이다.
도 5를 참조하면, 물리기반모델(PSM)의 회로모델은 오픈서킷캐패시터(Coc), 차지트랜스퍼캐패시터(Cct), 확산캐패시터(Cdif), 확산저항(Rdiff), 내부저항(Rin), 차지트랜스퍼저항(Rct) 등을 포함할 수 있다.
회로모델에서 확산캐패시터(Cdif)와 확산저항(Rdiff)은 병렬로 연결되면서 확산네트워크회로를 구성할 수 있고, 차지트랜스퍼캐패시터(Cct)와 차지트랜스퍼저항(Rct)은 병렬로 연결되면서 차지트랜스퍼회로를 구성할 수 있다.
그리고, 회로모델에서 오픈서킷캐패시터(Coc), 확산네트워크회로, 내부저항(Rin) 및 차지트랜스퍼회로는 서로 직렬로 연결될 수 있다.
배터리의 유효수명이 변하면, 회로모델에서의 각 성분의 값이 변할 수 있는데, 물리기반모델(PSM)은 이러한 각 성분의 값에 따라 유효수명을 계산하는 모델일 수 있다.
물리기반모델(PSM)은 회로모델에서 일 저항성분의 값을 계산하고, 이러한 일 저항성분의 값에 따라 배터리의 유효수명을 계산할 수 있다. 예를 들어, 물리기반모델(PSM)은 내부저항(Rin)의 값을 계산하고, 내부저항(Rin)의 값에 따라 배터리의 유효수명을 계산할 수 있다. 일반적으로, 배터리의 유효수명이 감소하면 내부저항(Rin)이 증가하는 경향을 보일 수 있다.
내부저항(Rin)은 배터리의 출력전류와 배터리의 출력전압의 순시값에 따라 계산될 수 있다. 예를 들어, 배터리의 출력전류가 짧은 시간에서 변하는 스텝전류의 형태를 가질 때, 스텝전류는 캐패시터성분들을 통해 흐르기 때문에 배터리의 출력전압은 내부저항(Rin)에 의해서 변하게 된다. 물리기반모델(PSM)은 이러한 스텝전류를 이용하여 내부저항(Rin)을 계산하고 내부저항(Rin)의 변동 추이에 따라 유효수명을 계산할 수 있다.
물리기반모델(PSM)은 회로모델에서 일 캐패시터성분의 값을 계산하고, 이러한 일 캐패시터성분의 값에 따라 배터리의 유효수명을 계산할 수 있다. 예를 들어, 물리기반모델(PSM)은 오픈서킷캐패시터(Coc)의 캐패시턴스를 계산하고 이를 바탕으로 배터리의 유효수명을 계산할 수 있다. 일반적으로, 배터리의 유효수명이 감소하면 오픈서킷캐패시터(Coc)의 캐패시턴스도 감소하는 경향을 보일 수 있다.
예측장치는 데이터기반모델(DDM)이 부정확한 값을 계산할 수 있는 경우, 대체수단으로서 이러한 물리기반모델(PSM)을 이용하여 유효수명을 계산할 수 있다.
도 6은 일 실시예에 따른 예측장치의 구성도이다.
도 6을 참조하면, 예측장치(110)는 데이터획득부(610), 데이터저장부(620), 유사도분석부(630), 모델선택부(640), 유효수명계산부(650) 등을 포함할 수 있다.
데이터획득부(610)는 실제입력데이터(RIDT)를 획득할 수 있다.
실제입력데이터(RIDT)는 데이터기반모델(DDM)에 입력될 수 있는 데이터로서 동작 중이 배터리에서 획득되는 데이터일 수 있다. 예를 들어, 실제입력데이터(RIDT)는 배터리에서 실측된 배터리전류, 배터리전압, 배터리온도 등의 배터리데이터를 포함할 수 있다. 그리고, 실제입력데이터(RIDT)는 배터리의 내부상태의 추정값으로서, SoC, SoH, 배터리용량 등의 값을 포함할 수 있다. 이러한 추정값은 배터리데이터로부터 이차적으로 산출된 값일 수 있다.
데이터저장부(620)는 데이터기반모델(DDM)의 학습에 사용된 학습입력데이터(TIDT)를 저장할 수 있다. 여기서, 실제입력데이터(RIDT)와 학습입력데이터(TIDT)는 같은 종류의 값들로 구성될 수 있다. 예를 들어, 실제입력데이터(RIDT)와 학습입력데이터(TIDT)는 동일하게 배터리데이터, SoC, SoH, 배터리용량의 값을 가질 수 있다.
학습입력데이터(TIDT)는 유효수명의 값별로 혹은 유효수명의 구간별로 저장될 수 있다. 유효수명이 0.01의 간격으로 0 ~ 1 사이의 값을 가질 때, 예를 들어, 학습입력데이터(TIDT)는 0.01 간격의 유효수명 값별로 저장될 수 있다. 혹은 학습입력데이터(TIDT)는 0.01의 간격으로 형성되는 각 구간별로 저장될 수 있다.
유사도분석부(630)는 실제입력데이터(RIDT)와 학습입력데이터(TIDT)의 유사도를 분석하고 유사도 값을 산출해 낼 수 있다.
유사도분석부(630)는 이전 시간까지 결정된 유효수명(이하, '이전유효수명'이라 함)을 확인하고, 데이터저장부(620)에 저장된 학습입력데이터들 중에서 이전유효수명에 대응되는 학습입력데이터(TIDT)를 확인할 수 있다. 그리고, 이렇게 확인된 학습입력데이터(TIDT)와 실제입력데이터(RIDT)의 유사도를 분석할 수 있다.
실제입력데이터(RIDT)와 학습입력데이터(TIDT)는 시계열데이터일 수 있는데, 유사도분석부(630)는 각 시계열에서의 실제입력데이터(RIDT)와 학습입력데이터(TIDT)의 값의 거리를 계산하는 유클리드 거리 측정법에 따라 실제입력데이터(RIDT)와 학습입력데이터(TIDT)의 유사도를 분석할 수 있다.
모델선택부(640)는 유사도분석결과(RS1)에 따라 데이터저장부(620)에 저장된 데이터기반모델(DDM)과 물리기반모델(PSM) 중 하나를 선택할 수 있다. 그리고 모델선택부(640)는 모델선택결과(RS2)를 출력할 수 있다.
유효수명계산부(650)는 모델선택결과(RS2)에 따라 결정된 모델에 실제입력데이터(RIDT)의 일부 혹은 전부를 입력시켜 유효수명(RUL)을 계산할 수 있다.
도 7은 일 실시예에 따른 예측방법의 구성도이다.
도 7을 참조하면, 예측장치는 동작 중인 배터리에 대해 측정한 값 혹은 측정값에 따라 계산된 값을 포함하는 실제입력데이터(RIDT)를 획득할 수 있다(S702).
그리고, 예측장치는 머신러닝의 학습에 사용된 학습입력데이터(TIDT)를 확인할 수 있다(S704).
그리고, 예측장치는 실제입력데이터(RIDT)와 학습입력데이터(TIDT)의 유사도를 분석할 수 있다(S706).
그리고, 유사도가 기준값보다 큰 경우(S708에서 YES), 예측장치는 데이터기반모델(DDM)에 따라 유효수명(RUL)을 계산할 수 있다.
그리고, 유사도가 기준값이하인 경우(S708에서 NO), 예측장치는 물리기반모델(PSM)에 따라 유효수명(RUL)을 계산할 수 있다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 배터리의 잔여유효수명을 보다 정확하게 예측할 수 있게 된다. 특히, 본 실시예에 의하면, 머신러닝을 통해 학습된 데이터기반모델을 사용할 때 발생할 수 있는 부정확한 예측값 산출의 문제를 개선할 수 있게 된다.
이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (10)

  1. 머신러닝을 통해 학습된 데이터기반모델, 물리적 특성에 기반하여 생성된 물리기반모델 및 상기 학습에 사용된 학습입력데이터를 저장하는 데이터저장부;
    동작 중인 배터리에 대해 측정한 값 혹은 측정값에 따라 계산된 값을 포함하는 실제입력데이터와 상기 학습입력데이터의 유사도를 분석하는 유사도분석부; 및
    상기 유사도가 기준값보다 큰 경우 상기 데이터기반모델에 따라 상기 배터리의 유효수명을 계산하고, 상기 유사도가 상기 기준값 이하인 경우 상기 물리기반모델에 따라 상기 유효수명을 계산하는 유효수명계산부
    를 포함하는 배터리 잔여유효수명 예측장치.
  2. 제1항에 있어서,
    상기 데이터저장부는,
    상기 유효수명의 구간별로 상기 학습입력데이터를 저장하고,
    상기 유사도분석부는,
    상기 유효수명의 일 구간에 대응되는 상기 학습입력데이터와 상기 실제입력데이터의 상기 유사도를 분석하는 배터리 잔여유효수명 예측장치.
  3. 제2항에 있어서,
    상기 데이터저장부는,
    이전 스텝에서 계산된 상기 유효수명을 저장하고,
    상기 유사도분석부는,
    저장된 상기 유효수명에 따라 상기 유사도를 분석할 상기 일 구간을 결정하는 배터리 잔여유효수명 예측장치.
  4. 제1항에 있어서,
    상기 학습입력데이터와 상기 실제입력데이터는 시계열데이터인 배터리 잔여유효수명 예측장치.
  5. 제4항에 있어서,
    상기 유사도분석부는,
    유클리드 거리 측정법에 따라 상기 학습입력데이터와 상기 실제입력데이터의 상기 유사도를 분석하는 배터리 잔여유효수명 예측장치.
  6. 제1항에 있어서,
    상기 물리기반모델은,
    상기 배터리에 대한 회로모델을 기반으로 하고, 상기 회로모델에서의 일 저항성분의 값에 따라 상기 유효수명을 계산하는 모델인 배터리 잔여유효수명 예측장치.
  7. 제6항에 있어서,
    상기 일 저항성분의 값은 상기 배터리의 출력전류와 상기 배터리의 출력전압의 순시값에 따라 계산되는 배터리 잔여유효수명 예측장치.
  8. 동작 중인 배터리에 대해 측정한 값 혹은 측정값에 따라 계산된 값을 포함하는 실제입력데이터를 획득하는 단계;
    머신러닝의 학습에 사용된 학습입력데이터를 확인하는 단계;
    상기 실제입력데이터와 상기 학습입력데이터의 유사도를 분석하는 단계; 및
    상기 유사도가 기준값보다 큰 경우 상기 머신러닝에 의해 학습된 데이터기반모델에 따라 상기 배터리의 유효수명을 계산하고, 상기 유사도가 상기 기준값 이하인 경우 물리적 특성에 기반하여 생성된 물리기반모델에 따라 상기 유효수명을 계산하는 단계
    를 포함하는 배터리 잔여유효수명 예측방법.
  9. 제8항에 있어서,
    상기 유효수명의 구간별로 상기 학습입력데이터를 저장하는 단계를 더 포함하고,
    상기 학습입력데이터를 확인하는 단계에서,
    이전 스텝에서 계산된 상기 유효수명에 따라 일 구간을 결정하고, 결정된 구간에 대응되는 상기 학습입력데이터를 확인하는 배터리 잔여유효수명 예측방법.
  10. 제8항에 있어서,
    상기 물리기반모델은,
    상기 배터리에 대한 회로모델을 기반으로 하고, 상기 회로모델에서의 일 캐패시터성분의 값에 따라 상기 유효수명을 계산하는 모델인 배터리 잔여유효수명 예측방법.
KR1020210107070A 2021-08-13 2021-08-13 배터리 잔여유효수명 예측장치 및 예측방법 KR102556671B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210107070A KR102556671B1 (ko) 2021-08-13 2021-08-13 배터리 잔여유효수명 예측장치 및 예측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210107070A KR102556671B1 (ko) 2021-08-13 2021-08-13 배터리 잔여유효수명 예측장치 및 예측방법

Publications (3)

Publication Number Publication Date
KR20230025065A true KR20230025065A (ko) 2023-02-21
KR102556671B1 KR102556671B1 (ko) 2023-07-19
KR102556671B9 KR102556671B9 (ko) 2023-10-12

Family

ID=85327836

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210107070A KR102556671B1 (ko) 2021-08-13 2021-08-13 배터리 잔여유효수명 예측장치 및 예측방법

Country Status (1)

Country Link
KR (1) KR102556671B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180095140A1 (en) * 2016-10-05 2018-04-05 Samsung Electronics Co., Ltd. Battery state estimation apparatus and method
KR101944313B1 (ko) * 2018-04-30 2019-02-01 쌍용자동차 주식회사 배터리의 수명예측장치
US20200164763A1 (en) * 2017-07-21 2020-05-28 Quantumscape Corporation Predictive model for estimating battery states
KR20210003596A (ko) * 2019-07-02 2021-01-12 성균관대학교산학협력단 배터리의 노화 상태 추정 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180095140A1 (en) * 2016-10-05 2018-04-05 Samsung Electronics Co., Ltd. Battery state estimation apparatus and method
US20200164763A1 (en) * 2017-07-21 2020-05-28 Quantumscape Corporation Predictive model for estimating battery states
KR101944313B1 (ko) * 2018-04-30 2019-02-01 쌍용자동차 주식회사 배터리의 수명예측장치
KR20210003596A (ko) * 2019-07-02 2021-01-12 성균관대학교산학협력단 배터리의 노화 상태 추정 장치 및 방법

Also Published As

Publication number Publication date
KR102556671B9 (ko) 2023-10-12
KR102556671B1 (ko) 2023-07-19

Similar Documents

Publication Publication Date Title
EP3748380A1 (en) Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
US8374807B2 (en) Method and apparatus that detects state of charge (SOC) of a battery
RU2328753C2 (ru) Устройство и способ для оценки уровня заряженности батареи с использованием нейронной сети
KR102652848B1 (ko) 리튬 유황 배터리의 충전 상태 및 건강 상태를 결정하는 방법 및 장치
KR100894021B1 (ko) 진보 셀 모델 예측 기술을 이용한 배터리 팩의 전력 용량을계산하는 방법
US10295604B2 (en) Battery state-of-charge estimation method and battery management system
KR100813925B1 (ko) 뉴럴 네트워크 연산에 기초하여 2차 전지의 충전 상태를검출하기 위한 방법 및 장치
CN204269785U (zh) 用于计算电池电荷状态的系统
US20170115355A1 (en) Maximum capacity estimator for battery state of health and state of charge determinations
JP5058814B2 (ja) バッテリーの状態及びパラメーターの推定システム及び方法
CN103907030B (zh) 电池充电率的估计装置与电池充电率的估计方法
JP4609882B2 (ja) 車両用蓄電装置の内部状態検出方式
CN104007390A (zh) 电池电荷状态跟踪、等效电路选择及基准测试方法及系统
JP2016513238A (ja) ＳｏＣに関する制御技術的オブザーバの決定方法
CN103630843A (zh) 电池状态推测装置及推测方法、电池控制装置、电池系统
KR20080104296A (ko) 추정 배터리 상태 벡터와 추정 배터리 파라미터 벡터를 결정하는 시스템 및 방법
JP4587299B2 (ja) 車両用蓄電装置の内部状態検出方式
US20150142352A1 (en) Method for determining a state of energy on the basis of data originating from the processing method
JP4609883B2 (ja) 車両用蓄電装置の満充電容量演算装置
KR101398465B1 (ko) 배터리 상태 판단 장치 및 그 판단 방법
CN105634051A (zh) 电池余量预测装置以及电池组
Kazhamiaka et al. Li-ion storage models for energy system optimization: the accuracy-tractability tradeoff
EP3605123A1 (en) Storage battery control device and control method
KR20220149428A (ko) 반도체 장치 및 배터리 잔량 감시 방법
Chen et al. Parameter identification and state-of-charge estimation for li-ion batteries using an improved tree seed algorithm

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
G170 Re-publication after modification of scope of protection [patent]