KR20230025130A - 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템 - Google Patents

배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템 Download PDF

Info

Publication number
KR20230025130A
KR20230025130A KR1020210107250A KR20210107250A KR20230025130A KR 20230025130 A KR20230025130 A KR 20230025130A KR 1020210107250 A KR1020210107250 A KR 1020210107250A KR 20210107250 A KR20210107250 A KR 20210107250A KR 20230025130 A KR20230025130 A KR 20230025130A
Authority
KR
South Korea
Prior art keywords
battery
state
management device
data
state data
Prior art date
Application number
KR1020210107250A
Other languages
English (en)
Inventor
이정훈
Original Assignee
주식회사 엘지에너지솔루션
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 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Priority to KR1020210107250A priority Critical patent/KR20230025130A/ko
Priority to PCT/KR2022/011061 priority patent/WO2023018070A1/ko
Priority to CN202280036595.9A priority patent/CN117396767A/zh
Priority to EP22856069.4A priority patent/EP4386401A1/en
Priority to JP2023569629A priority patent/JP2024519755A/ja
Publication of KR20230025130A publication Critical patent/KR20230025130A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
    • 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]
    • 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]
    • G01R31/367—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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

본 문서에 개시된 일 실시예에 따른 배터리 관리 장치는 배터리의 상태를 측정한 측정값을 포함하는 상태 데이터를 획득하는 제1 컨트롤러, 상기 상태 데이터의 적어도 일부를 기계 학습에 적용하여 상기 배터리의 상태를 예측한 예측 데이터를 생성하고, 상기 예측 데이터와 상기 배터리의 상태 데이터를 비교하여 상기 배터리의 상태를 판단하는 제2 컨트롤러 및 상기 배터리의 상태를 판단한 결과에 기초하여 상기 상태 데이터를 서버에 전송하는 통신부를 포함할 수 있다.

Description

배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템{APPARATUS FOR MANAGING BATTERY AND BATTERY INSPECTION SYSTEM COMPRISING THE SAME}
본 문서에 개시된 실시예들은 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템에 관한 것이다.
전기차는 외부로부터 전기를 공급받아 배터리를 충전한 후, 배터리에 충전된 전압으로 모터를 구동시켜 동력을 얻는다. 전기차의 배터리는 전기를 충전 및 방전하는 과정에서 발생하는 화학적 반응으로 열이 발생할 수 있고, 이러한 열은 배터리 의 성능 및 수명을 손상시킬 수 있다. 따라서 배터리의 온도, 전압 및 전류를 모니터링하는 배터리 관리 장치(BMS, Battery Management System)가 구동되어 배터리의 상태를 진단한다.
그러나 배터리 관리 장치에서 배터리의 상태를 실시간으로 정밀 분석하기 위해 배터리 관리 장치에 고성능의 GPU나 NPU를 탑재하는 경우 배터리 관리 장치의 효율을 저하시키고 원가가 상승하는 문제점이 있다. 또한, 배터리 관리 장치가 측정한 배터리 데이터를 전부 클라우드 서버로 전송하여 분석하는 경우는 인프라 설치 비용 및 통신 비용이 발생하고 많은 양의 데이터를 관리 및 분석하는 과정에서 효율이 저하되는 문제점이 있다.
본 문서에 개시되는 실시예들의 일 목적은 이상 상황으로 판단되는 배터리의데이터만을 정밀 분석하여 배터리 관리 장치의 효율성을 향상시키고 인프라 설치 비용 및 통신 비용을 절감시킬 수 있는 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템을 제공하는 데 있다.
본 문서에 개시된 실시예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시된 일 실시예에 따른 배터리 관리 장치는 배터리의 상태를 측정한 측정값을 포함하는 상태 데이터를 획득하는 제1 컨트롤러, 상기 상태 데이터의 적어도 일부를 기계 학습에 적용하여 상기 배터리의 상태를 예측한 예측 데이터를 생성하고, 상기 예측 데이터와 상기 배터리의 상태 데이터를 비교하여 상기 배터리의 상태를 판단하는 제2 컨트롤러 및 상기 배터리의 상태를 판단한 결과에 기초하여 상기 상태 데이터를 서버에 전송하는 통신부를 포함할 수 있다.
일 실시예에 따라, 상기 제2 컨트롤러는 상기 배터리가 이상 상태로 판단되는 경우 상기 배터리가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상기 상태 데이터를 압축할 수 있다.
일 실시예에 따라, 상기 통신부는 상기 압축된 배터리의 상태 데이터를 상기 서버에 전송할 수 있다.
일 실시예에 따라, 상기 측정값은 누적적으로 측정된 상기 배터리의 전압, 전류 및 온도를 포함하고, 상기 상태 데이터는 상기 측정값 및 상기 측정값을 기초로 산출된 상기 배터리의 SOH(State of Health)를 포함할 수 있다.
일 실시예에 따라, 상기 예측 데이터는 상기 배터리의 전압을 포함하고, 상기 제2 컨트롤러는 상기 상태 데이터에 포함된 과거 데이터 및 상기 상태 데이터에 포함된 현 시점에 측정된 상기 배터리의 전류 및 온도를 상기 기계 학습 모델에 적용하여 상기 배터리의 전압을 예측할 수 있다.
일 실시예에 따라, 상기 제2 컨트롤러는 상기 상태 데이터를 장단기 메모리(LSTM, Long Short Term Memory) 알고리즘에 적용하여 상기 배터리의 전압을 예측할 수 있다.
일 실시예에 따라, 상기 제2 컨트롤러는 상기 상태 데이터와 상기 예측 데이터를 이상치 탐지(Anomaly Detection) 알고리즘에 적용하여 이상치(Anomaly Score)를 생성할 수 있다.
일 실시예에 따라, 상기 제2 컨트롤러는 소정의 시간 동안 생성된 상기 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 상기 배터리를 이상 상태로 판단할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 검사 시스템은 배터리의 상태를 측정한 측정값을 포함하는 상태 데이터의 적어도 일부를 기계 학습에 적용하여 상기 배터리의 상태를 예측한 예측 데이터를 생성하고, 상기 예측 데이터와 상기 배터리의 상태 데이터를 비교하여 상기 배터리의 상태를 판단하고, 상기 판단 결과에 기초하여 상기 상태 데이터를 서버에 전송하는 배터리 관리 장치 및 상기 배터리의 상태 데이터를 기초로 상기 배터리의 이상 상태 여부를 판단하는 서버를 포함할 수 있다.
일 실시예에 따라, 상기 배터리 관리 장치는 상기 배터리가 이상 상태로 판단되는 경우 상기 배터리가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상기 상태 데이터를 압축하여 상기 서버에 전송할 수 있다.
일 실시예에 따라, 상기 측정값은 누적적으로 측정된 상기 배터리의 전압, 전류 및 온도를 포함하고, 상기 상태 데이터는 상기 측정값 및 상기 측정값을 기초로 산출된 상기 배터리의 SOH(State of Health)를 포함할 수 있다.
일 실시예에 따라, 상기 배터리 관리 장치는 상기 상태 데이터에 포함된 과거 데이터 및 상기 상태 데이터에 포함된 현 시점에 측정된 상기 배터리의 전류 및 온도를 상기 장단기 메모리(LSTM, Long Short Term Memory) 알고리즘에 적용하여 상기 배터리의 전압을 예측할 수 있다.
일 실시예에 따라, 상기 배터리 관리 장치는 상기 상태 데이터와 상기 예측 데이터를 이상치 탐지(Anomaly Detection) 알고리즘에 적용하여 이상치(Anomaly Score)를 생성하고, 소정 시간 동안 생성된 상기 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 상기 배터리를 이상 상태로 판단할 수 있다.
일 실시예에 따라, 상기 서버는 상기 배터리 관리 장치에서 상기 배터리가 실제 이상 상태가 아님에도 이상 상태로 판단된 경우인 거짓 경보(False Alarm)를 추출할 수 있다.
일 실시예에 따라, 상기 서버는 상기 거짓 경보의 빈도가 임계 빈도 이상인 경우, 상기 배터리의 상기 SOH 값 및 상기 이상치 탐지 알고리즘의 상기 임계값을 측정하여 상기 배터리 관리 장치로 전송할 수 있다.
일 실시예에 따라, 상기 배터리 관리 장치는 상기 서버로부터 수신한 상기 SOH 값 및 상기 임계값을 기초로 장단기 메모리 알고리즘 및 상기 이상치 탐지 알고리즘을 업데이트 할 수 있다.
본 문서에 개시되는 일 실시예에 따른 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템에 따르면 이상 상황으로 판단되는 배터리의 데이터만을 정밀 분석하여 배터리 관리 장치의 효율성을 향상시키고 인프라 설치 비용 및 통신 비용을 절감시킬 수 있다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 팩의 구성을 보여주는 도면이다.
도 2는 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치의 구성을 보여주는 블록도이다.
도 3은 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치에 대해 전반적으로 설명하기 위한 도면이다.
도 4는 본 문서에 개시된 일 실시예에 따른 배터리 검사 시스템의 구성을 보여주는 블록도 이다.
도 5는 본 문서에 개시된 일 실시예에 따른 배터리 검사 시스템의 동작 방법을 보여주는 흐름도이다.
이하, 본 문서에 개시된 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 문서에 개시된 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 문서에 개시된 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 문서에 개시된 실시예의 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. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 문서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 팩을 보여주는 도면이다.
도 1을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 팩(100)은 배터리 모듈(110) 배터리 관리 장치(120) 및 릴레이(130)를 포함할 수 있다.
배터리 모듈(110)은 제1 배터리 셀(111), 제2 배터리 셀(112), 제3 배터리 셀(113) 및 제4 배터리 셀(114)을 포함할 수 있다. 도 1에서는 복수의 배터리 셀들이 4개인 것으로 도시되었지만, 이에 한정되는 것은 아니며, 배터리 모듈(110)은 n(n은 2이상의 자연수)개의 배터리 셀들을 포함하여 구성될 수 있다.
배터리 모듈(110)은 대상 장치(미도시)에 전원을 공급할 수 있다. 이를 위해, 배터리 모듈(110)은 대상 장치와 전기적으로 연결될 수 있다. 여기서, 대상 장치는 복수의 배터리 셀들(111, 112, 113, 114)을 포함하는 배터리 팩(100)으로부터 전원을 공급받아 동작하는 전기적, 전자적, 또는 기계적인 장치를 포함할 수 있으며, 예를 들어, 대상 장치는 전기 자동차(EV)일 수 있으나 이에 한정되는 것은 아니다.
복수의 배터리 셀들(111, 112, 113, 114)은 리튬이온(Li-iOn) 전지, 리튬이온 폴리머(Li-iOn polymer) 전지, 니켈 카드뮴(Ni-Cd) 전지, 니켈 수소(Ni-MH) 전지 등일 수 있으며, 이에 한정되지 않는다. 한편, 도 1에서는 배터리 모듈(110)이 한 개인 경우로 도시되나, 실시예에 따라 배터리 모듈(110)은 복수개로 구성될 수도 있다.
배터리 관리 장치 (BMS, Battery Management System)(120)는 배터리 모듈(110)의 상태 및/또는 동작을 관리 및/또는 제어할 수 있다. 예를 들어, 배터리 관리 장치(120)는 배터리 모듈(110)에 포함된 복수의 배터리 셀들(111, 112, 113, 114)의 상태 및/또는 동작을 관리 및/또는 제어할 수 있다. 배터리 관리 장치(120)는 배터리 모듈(110)의 충전 및/또는 방전을 관리할 수 있다.
또한, 배터리 관리 장치(120)는 배터리 모듈(110) 및/또는 배터리 모듈(110)에 포함된 복수의 배터리 셀들(111, 112, 113, 114) 각각의 전압, 전류, 온도 등을 모니터링 할 수 있다. 그리고 배터리 관리 장치(120)에 의한 모니터링을 위해 도시하지 않은 센서나 각종 측정 모듈이 배터리 모듈(110)이나 충방전 경로, 또는 배터리 모듈(110) 등의 임의의 위치에 추가로 설치될 수 있다. 배터리 관리 장치(120)는 모니터링 한 전압, 전류, 온도 등의 측정값에 기초하여 배터리 모듈(110)의 상태를 나타내는 파라미터, 예를 들어 SOC(State of Charge)나 SOH(State of Health) 등을 산출할 수 있다.
배터리 관리 장치(120)는 릴레이(130)의 동작을 제어할 수 있다. 예를 들어, 배터리 관리 장치(120)는 대상 장치에 전원을 공급하기 위해 릴레이(130)를 단락시킬 수 있다. 또한, 배터리 관리 장치(120)는 배터리 팩(100)에 충전 장치가 연결되는 경우 릴레이(130)를 단락시킬 수 있다.
배터리 관리 장치(120)는 복수의 배터리 셀들(111, 112, 113, 114) 각각의 셀 밸런싱 타임을 산출할 수 있다. 여기서, 셀 밸런싱 타임은 배터리 셀의 밸런싱에 소요되는 시간으로 정의될 수 있다. 예를 들어, 배터리 관리 장치(120)는 복수의 배터리 셀들(111, 112, 113, 114) 각각의 SOC(State of Charge), 배터리 용량 및 밸런싱 효율에 기초하여 셀 밸런싱 타임을 산출할 수 있다.
이하에서는 도 2 및 도 3을 참조하여 상술한 배터리 관리 장치(120)의 구성 및 작동 방법에 대해 구체적으로 설명한다.
도 2는 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치의 구성을 보여주는 블록도이다. 도 3은 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치에 대해 전반적으로 설명하기 위한 도면이다.
도 2를 참조하면, 배터리 관리 장치(120)는 제1 컨트롤러(121), 제2 컨트롤러(122) 및 통신부(123)를 포함할 수 있다.
도 2에서 배터리 모듈(100)은 복수의 배터리 셀들(111, 112, 113, 114)을 포함할 수 있으나 이하에서는 제1 배터리 셀(110)을 예로 들어 설명한다.
도 3을 참조하면, 제1 컨트롤러(121)는 제1 배터리 셀(111)의 상태를 측정한 측정값을 포함하는 상태 데이터를 획득할 수 있다. 여기서 측정값은 누적적으로 측정된 제1 배터리 셀(111)의 전압, 전류 및 온도를 포함할 수 있다. 예를 들어, 상태 데이터는 측정된 제1 배터리 셀(111)의 전압, 전류 및 온도를 포함하는 측정값 및 측정값을 기초로 산출된 제1 배터리 셀(111)의 SOH(State of Health)를 포함할 수 있다.
예를 들어 제1 컨트롤러(121)는 (t-N)시간부터 (t-1)시간까지의 제1 배터리 셀(111)의 전압, 전류 및 온도를 측정한 측정값을 획득할 수 있고, 측정값을 기초로 제1 배터리 셀(111)의 (t-N)시간부터 (t-1)시간까지의 SOH를 획득할 수 있다. 여기서 N은 시간을 의미하는 변수 t의 변화량을 나타내는 임의의 상수값으로 정의할 수 있다.
예를 들어, 제1 컨트롤러(121)는 (t-N) 시간의 제1 배터리 셀(111)의 전압(
Figure pat00001
), 전류(
Figure pat00002
), 온도(
Figure pat00003
)를 획득하여, (t-N) 시간의 제1 배터리 셀(111)의 SOH 값을 획득 할 수 있고, (t-(N-1)) 시간의 제1 배터리 셀(111)의 전압(
Figure pat00004
), 전류(
Figure pat00005
), 온도(
Figure pat00006
)를 획득하여, (t-(N-1)) 시간의 제1 배터리 셀(111)의 SOH 값을 획득할 수 있다. 즉, 제1 컨트롤러(121)는 (t-N)시간부터 (t-1)시간까지의 제1 배터리 셀(111)의 과거의 상태 데이터를 획득할 수 있다.
또한, 제1 컨트롤러(121)는 현 시점(t)에 측정된 제1 배터리 셀(111)의 전류(
Figure pat00007
)및 온도(
Figure pat00008
)측정값을 획득할 수 있다.
제2 컨트롤러(122)는 상태 데이터의 적어도 일부를 기계 학습에 적용하여 제1 배터리 셀(111)의 상태를 예측한 예측 데이터를 생성할 수 있다. 여기서 예측 데이터는 제1 배터리 셀(111)의 전압(
Figure pat00009
)을 포함할 수 있다.
구체적으로, 제2 컨트롤러(122)는 상태 데이터에 포함된 과거 데이터 및 상태 데이터에 포함된 현 시점에 측정된 제1 배터리 셀(111)의 전류 및 온도를 시계열 분석 구조의 기계 학습 모델에 적용하여 제1 배터리 셀(111)의 전압을 예측할 수 있다. 시계열(Time series)은 시간의 흐름에 따라 일정한 시간 간격으로 배치된 순서로 정의할 수 있다. 시계열 분석 구조의 기계 학습 모델은 장단기 메모리(LSTM, Long Short Term Memory) 알고리즘을 포함할 수 있다. 장단기 메모리 알고리즘은 인공 신경망의 하나로서, 순환 신경망(RNN, Recurrent Neural Network)이 장기간(Long Term) 특징을 반영할 수 있도록 개선한 구조로 정의할 수 있다. 장단기 메모리 알고리즘은 시간에 따라 변하는 현상을 나타내는 시계열 데이터의 문제들에 대하여 주로 적용된다. 장단기 메모리 알고리즘은 n의 길이를 가지는 물체의 측정 시계열 데이터에 대해 n+1번째 데이터가 무엇일지를 예측할 수 있다.
제2 컨트롤러(122)는 (t-N)시간부터 (t-1)시간까지의 제1 배터리 셀(111)의 전압, 전류, 온도 및 SOH 데이터와 현 시점(t)에 측정된 제1 배터리 셀(111)의 전류 및 온도 데이터를 장단기 메모리 알고리즘에 적용하여 제1 배터리 셀(111)의 현시점(t)에서의 전압(
Figure pat00010
)을 예측할 수 있다. 즉, 제2 컨트롤러(122)는 (t-N)시간부터 (t-1)시간까지의 제1 배터리 셀(111)의 상태 데이터를 장단기 메모리 알고리즘에 적용하여 현시점(t)에서의 제1 배터리 셀(111)의 전압을 예측한 예측 데이터를 생성할 수 있다.
제2 컨트롤러(122)는 예측 데이터와 상태 데이터를 비교하여 제1 배터리 셀(111)의 상태를 판단할 수 있다. 구체적으로 제2 컨트롤러(122)는 예측된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure pat00011
)과 측정된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure pat00012
)을 이상치 탐지(Anomaly Detection) 알고리즘에 적용하여 이상치(Anomaly Score)를 생성하여 배터리의 이상 상태 여부를 분석할 수 있다. 여기서 이상치 탐지 알고리즘은 정상으로 규정된 데이터와 다른 패턴과 특징을 보이는 개체의 이상치(Anomaly Score)를 분석하는 인공 지능 모델로 정의할 수 있다.
즉, 제2 컨트롤러(122)는 예측된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure pat00013
)과 측정된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure pat00014
)의 차이인 이상치를 생성할 수 있다.
제2 컨트롤러(122)는 소정의 시간 동안 생성된 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 제1 배터리 셀(111)을 이상 상태로 판단할 수 있다. 즉, 제2 컨트롤러(122)는 소정의 시간 동안 생성된 예측된 제1 배터리 셀(111)의 전압(
Figure pat00015
) 중 측정된 제1 배터리 셀(111)의 전압(
Figure pat00016
)과의 차이인 이상치 중 임계값을 초과하는 이상치의 비율이 수 초 내지 수십 초 동안 유지되는 경우, 제1 배터리 셀(111)을 이상 상태로 판단할 수 있다.
제2 컨트롤러(122)는 제1 배터리 셀(111)가 이상 상태로 판단되는 경우 제1 배터리 셀(111)가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상태 데이터를 압축할 수 있다.
통신부(123)는 제2 컨트롤러(122)의 제1 배터리 셀(111)의 상태를 판단한 결과에 기초하여 상태 데이터를 서버(200)에 전송할 수 있다. 즉, 통신부(123)는 제1 배터리 셀(111)가 이상 상태로 판단되는 경우 압축된 제1 배터리 셀(111)의 상태 데이터를 OTA(Over The Air) 기술을 이용하여 서버(200)에 전송할 수 있다.　여기서 OTA 기술은 펌웨어 업데이트의 방식으로써, 컴퓨터에 연결하지 않고 Wi-Fi 등을 사용하여 무선으로 펌웨어를 업데이트 하는 기술로 정의할 수 있다.
상술한 바와 같이, 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치(120) 및 배터리 검사 시스템(1000)은 배터리가 이상 상태로 판단되는 경우, 배터리 데이터를 서버에 전송하여 배터리 관리 장치(120)의 진단 효율을 높이고, 배터리 관리 장치(120)의 불필요한 전원 공급을 방지할 수 있다.
또한, 배터리 관리 장치(120) 및 배터리 검사 시스템(1000)은 배터리 관리 장치에 설계된 전압 예측 모델을 이용하여 배터리 데이터를 선 분석 후, 이상 현상이 탐지될 경우 배터리 데이터를 컴퓨팅 자원이 풍부한 서버로 전송하여 정밀 분석을 함으로써 배터리의 이상 현상을 정밀 분석하면서도 서버로 전송되는 데이터를 획기적으로 줄임으로써 통신 리소스를 줄이고 서버에 포함된 클라우드 컴퓨터의 저장 및 연산 능력을 가볍게 할 수 있다.
그리고 배터리 관리 장치(120) 및 배터리 검사 시스템(1000)은 필요한 최소한의 배터리 데이터를 데이터 손실없이 서버로 전송하여 서버의 인프라 투자비 및 네트워크 비용을 절감시킬 수 있다.
도 4는 본 문서에 개시된 일 실시예에 따른 배터리 검사 시스템의 구성을 보여주는 블록도이다. 도 5는 본 문서에 개시된 일 실시예에 따른 배터리 검사 시스템의 동작 방법을 보여주는 흐름도이다.
이하에서는 도 4 내지 도 5를 참조하여 배터리 검사 시스템(1000)의 구성 및 동작에 대해 설명한다.
도 4를 참조하면 본 문서에 개시된 일 실시예에 따른 배터리 검사 시스템(1000)은 배터리 관리 장치(120) 및 서버(200)를 포함할 수 있다.
배터리 관리 장치(120)는 도 1 내지 도 3을 참조하여 설명한 배터리 관리 장치(120)와 실질적으로 동일할 수 있으므로, 이하에서는 설명의 중복을 피하기 위하여 간략히 설명한다.
도 5를 참조하면 배터리 검사 시스템의 동작 방법은 배터리 관리 장치(120)가 제1 배터리 셀(111)의 상태를 측정한 측정값을 포함하는 상태 데이터를 획득하는 단계(S101), 배터리 관리 장치(120)가 상태 데이터를 장단기 메모리 알고리즘에 적용하여 예측 데이터를 생성하는 단계(S102), 배터리 관리 장치(120)가 예측 데이터와 상태 데이터를 이상치 탐지 알고리즘에 입력하여 제1 배터리 셀(111)의 상태를 판단하는 단계(S103), 배터리 관리 장치(120)가 제1 배터리 셀(111)가 이상 상태인지 여부를 판단하는 단계(S104), 제1 배터리 셀(111)가 이상 상태인 경우 배터리 관리 장치(120)가 제1 배터리 셀(111)의 상태 데이터를 서버(200)에 전송하는 단계(S105), 서버(200)가 거짓 경보 추출하는 단계(S106), 서버(200)가 거짓 경보의 빈도가 임계 빈도 이상인지 여부를 판단하는 단계(S107), 거짓 경보의 빈도가 임계 빈도 이상인 경우 서버(200)가 제1 배터리 셀(111)의 SOH 값 및 이상치 탐지 알고리즘의 임계값을 측정하여 배터리 관리 장치(120)로 전송하는 단계(S108) 및 배터리 관리 장치(120)가 서버(200)로부터 수신한 SOH 값 및 임계값을 장단기 메모리 알고리즘 및 이상치 탐지 알고리즘에 적용하는 단계(S109)를 포함할 수 있다.
이하에서는 S101 단계 내지 S109 단계에 대해 구체적으로 설명한다.
S101 단계에서, 배터리 관리 장치(120)는 제1 배터리 셀(111)의 상태를 측정한 측정값을 포함하는 상태 데이터를 획득할 수 있다. 여기서 상태 데이터는 측정된 제1 배터리 셀(111)의 전압, 전류 및 온도를 포함하는 측정값 및 측정값을 기초로 산출된 제1 배터리 셀(111)의 SOH(State of Health)를 포함할 수 있다. 즉, 배터리 관리 장치(120)는 (t-N)시간부터 (t-1)시간까지의 제1 배터리 셀(111)의 과거의 상태 데이터를 획득할 수 있다. 또한 배터리 관리 장치(120)는 현 시점(t)에 측정된 제1 배터리 셀(111)의 전류 및 온도 측정값을 획득할 수 있다.
S101 단계에서, 배터리 관리 장치(120)는 제1 배터리 셀(111)의 상태 데이터의 적어도 일부를 기계 학습에 적용하여 제1 배터리 셀(111)의 상태를 예측한 예측 데이터를 생성할 수 있다.
예를 들어, S101 단계에서, 배터리 관리 장치(120)는 (t-N)시간부터 (t-1)시간까지의 제1 배터리 셀(111)의 전압, 전류, 온도 및 SOH 데이터와 현 시점(t)에 측정된 제1 배터리 셀(111)의 전류 및 온도 데이터를 장단기 메모리 알고리즘에 적용하여 제1 배터리 셀(111)의 현시점(t)에서의 전압(
Figure pat00017
)을 예측할 수 있다.
S103 단계에서, 배터리 관리 장치(120)는 예측 데이터와 상태 데이터를 비교하여 제1 배터리 셀(111)의 상태를 판단할 수 있다. 구체적으로 배터리 관리 장치(120)는 예측된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure pat00018
)과 측정된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure pat00019
)을 이상치 탐지(Anomaly Detection) 알고리즘에 적용하여 이상치(Anomaly Score)를 생성하여 배터리의 이상 상태 여부를 분석할 수 있다.
S104 단계에서, 배터리 관리 장치(120)는 소정의 시간 동안 생성된 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 제1 배터리 셀(111)을 이상 상태로 판단할 수 있다.
S105 단계에서, 배터리 관리 장치(120)는 제1 배터리 셀(111)가 이상 상태로 판단되는 경우 제1 배터리 셀(111)가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상태 데이터를 압축하여 서버(200)에 전송할 수 있다.　
서버(200)는 제1 배터리 셀(111)의 상태 데이터를 전송 받아 제1 배터리 셀(111)의 불량 여부를 판단하는 판단 장치로 정의할 수 있다. 서버(200)는 예를 들어 클라우드 컴퓨팅(Cloud Computing) 기술을 포함할 수 있다.
서버(200)는 배터리 관리 장치(120)가 판단한 제1 배터리 셀(111)의 상태 데이터를 기반으로 제1 배터리 셀(111)가 실제 이상 상태가 아님에도 이상 상태로 판단된 경우인 거짓 경보(False Alarm)를 추출하는 인공지능 모델을 포함할 수 있다.
S106 단계에서, 배터리 관리 장치(120)가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 제1 배터리 셀(111)상태 데이터를 압축하여 서버(200)에 전송하는 경우, 서버(200)는 배터리 관리 장치(120)가 전송한 압축된 상태 데이터를 수신할 수 있다.
S106 단계에서, 서버(200)는 배터리 관리 장치(120)로부터 수신한 압축된 데이터인, 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상태 데이터를 분석하여 제1 배터리 셀(111)가 실제 이상 상태가 아님에도 이상 상태로 판단된 경우인 거짓 경보(False Alarm)를 추출할 수 있다.
S107 단계에서, 서버(200)는 거짓 경보의 빈도가 임계 빈도 이상인지 여부를 판단할 수 있다.
S108 단계에서, 서버(200)는 거짓 경보의 빈도가 임계 빈도 이상인 경우, 배터리 관리 장치(120)에 포함된 제1 배터리 셀(111)의 SOH 값을 재산출하고 이상치 탐지 알고리즘의 임계값을 재설정하여 배터리 관리 장치(120)로 전송할 수 있다.
즉, S108 단계에서, 서버(200)는 제1 배터리 셀(111)의 거짓 경보가 발생한 원인을 배터리 관리 장치(120)의 장단기 메모리 알고리즘에 입력되는 제1 배터리 셀(111)의 SOH 값과 이상치 탐지 알고리즘의 임계값으로 분석할 수 있다.
배터리 관리 장치(120)의 장단기 메모리 알고리즘은 제1 배터리 셀(111)의 상태 데이터에 포함된 과거 데이터로써 제1 배터리 셀(111)의 전압, 전류 및 온도를 측정한 측정값과 측정값을 기초로 제1 배터리 셀(111)의 SOH 값을 입력 받는다. 따라서, 배터리 관리 장치(120)가 제1 배터리 셀(111)의 전압, 전류 및 온도를 기초로 제1 배터리 셀(111)의 SOH 값을 산출하는 과정에서 오류가 발생한 경우, 장단기 메모리 알고리즘에 오류가 발생할 수 있고, 이러한 오류는 배터리 검사 시스템(1000)의 거짓 경보를 생성할 수 있다. 따라서, 서버(200)는 배터리 관리 장치(120)에 입력되는 제1 배터리 셀(111)의 SOH 값을 재산출하여 배터리 관리 장치(120)로 전송할 수 있다.
또한, S108 단계에서, 서버(200)는 제1 배터리 셀(111)의 거짓 경보가 발생한 원인을 배터리 관리 장치(120)의 이상치 탐지 알고리즘의 임계값으로 분석할 수 있다.
배터리 관리 장치(120)는 이상치 탐지 알고리즘을 이용하여 예측된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure pat00020
)과 측정된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure pat00021
)의 차이인 이상치를 생성하고, 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 제1 배터리 셀(111)을 이상 상태로 판단할 수 있다. 따라서, 배터리 관리 장치(120)가 이상치를 비정상적인 값으로 구분하는 임계값이 부적합한 경우 배터리 관리 장치(120)의 제1 배터리 셀(111)의 이상 상태 판단에 오류가 발생할 수 있고, 이러한 오류는 배터리 검사 시스템(1000)의 거짓 경보를 생성할 수 있다. 따라서, 서버(200)는 배터리 관리 장치(120)에 입력되는 이상치 탐지 알고리즘의 임계값을 재설정하여 배터리 관리 장치(120)로 전송할 수 있다.
S109 단계에서, 배터리 관리 장치(120)는 서버(200)로부터 제1 배터리 셀(111)의 SOH 값 및 이상치 탐지 알고리즘의 임계값을 수신한 경우, 장단기 메모리 알고리즘 및 이상치 탐지 알고리즘을 업데이트 할 수 있다.
이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 개시에 개시된 실시예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 배터리 팩
110: 배터리 모듈
111: 제1 배터리 셀
112: 제2 배터리 셀
113: 제3 배터리 셀
114: 제4 배터리 셀
120: 배터리 관리 장치
130: 릴레이
121: 제1 컨트롤러
122: 제2 컨트롤러
123: 통신부
200: 서버
1000: 배터리 검사 시스템.

Claims (16)

  1. 배터리의 상태를 측정한 측정값을 포함하는 상태 데이터를 획득하는 제1 컨트롤러;
    상기 상태 데이터의 적어도 일부를 기계 학습에 적용하여 상기 배터리의 상태를 예측한 예측 데이터를 생성하고, 상기 예측 데이터와 상기 배터리의 상태 데이터를 비교하여 상기 배터리의 상태를 판단하는 제2 컨트롤러; 및
    상기 배터리의 상태를 판단한 결과에 기초하여 상기 상태 데이터를 서버에 전송하는 통신부를 포함하는 배터리 관리 장치.
  2. 제 1 항에 있어서,
    상기 제2 컨트롤러는 상기 배터리가 이상 상태로 판단되는 경우 상기 배터리가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상기 상태 데이터를 압축하는 것을 특징으로 하는 배터리 관리 장치.
  3. 제2 항에 있어서,
    상기 통신부는 상기 압축된 배터리의 상태 데이터를 상기 서버에 전송하는 것을 특징으로 하는 배터리 관리 장치.
  4. 제1 항에 있어서,
    상기 측정값은 누적적으로 측정된 상기 배터리의 전압, 전류 및 온도를 포함하고, 상기 상태 데이터는 상기 측정값 및 상기 측정값을 기초로 산출된 상기 배터리의 SOH(State of Health)를 포함하는 것을 특징으로 하는 배터리 관리 장치.
  5. 제4 항에 있어서,
    상기 예측 데이터는 상기 배터리의 전압을 포함하고,
    상기 제2 컨트롤러는 상기 상태 데이터에 포함된 과거 데이터 및 상기 상태 데이터에 포함된 현 시점에 측정된 상기 배터리의 전류 및 온도를 상기 기계 학습 모델에 적용하여 상기 배터리의 전압을 예측하는 것을 특징으로 하는 배터리 관리 장치.
  6. 제5 항에 있어서,
    상기 제2 컨트롤러는 상기 상태 데이터를 장단기 메모리(LSTM, Long Short Term Memory) 알고리즘에 적용하여 상기 배터리의 전압을 예측하는 것을 특징으로 하는 배터리 관리 장치.
  7. 제4 항에 있어서,
    상기 제2 컨트롤러는 상기 상태 데이터와 상기 예측 데이터를 이상치 탐지(Anomaly Detection) 알고리즘에 적용하여 이상치(Anomaly Score)를 생성하는 것을 특징으로 하는 배터리 관리 장치.
  8. 제7 항에 있어서,
    상기 제2 컨트롤러는 소정의 시간 동안 생성된 상기 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 상기 배터리를 이상 상태로 판단하는 것을 특징으로 하는 배터리 관리 장치.
  9. 배터리의 상태를 측정한 측정값을 포함하는 상태 데이터의 적어도 일부를 기계 학습에 적용하여 상기 배터리의 상태를 예측한 예측 데이터를 생성하고, 상기 예측 데이터와 상기 배터리의 상태 데이터를 비교하여 상기 배터리의 상태를 판단하고, 상기 판단 결과에 기초하여 상기 상태 데이터를 서버에 전송하는 배터리 관리 장치; 및
    상기 배터리의 상태 데이터를 기초로 상기 배터리의 이상 상태 여부를 판단하는 서버를 포함하는 배터리 검사 시스템.
  10. 제9 항에 있어서,
    상기 배터리 관리 장치는 상기 배터리가 이상 상태로 판단되는 경우 상기 배터리가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상기 상태 데이터를 압축하여 상기 서버에 전송하는 것을 특징으로 하는 배터리 검사 시스템.
  11. 제9 항에 있어서,
    상기 측정값은 누적적으로 측정된 상기 배터리의 전압, 전류 및 온도를 포함하고, 상기 상태 데이터는 상기 측정값 및 상기 측정값을 기초로 산출된 상기 배터리의 SOH(State of Health)를 포함하는 것을 특징으로 하는 배터리 검사 시스템.
  12. 제11 항에 있어서,
    상기 배터리 관리 장치는 상기 상태 데이터에 포함된 과거 데이터 및 상기 상태 데이터에 포함된 현 시점에 측정된 상기 배터리의 전류 및 온도를 상기 장단기 메모리(LSTM, Long Short Term Memory) 알고리즘에 적용하여 상기 배터리의 전압을 예측하는 것을 특징으로 하는 배터리 검사 시스템.
  13. 제11 항에 있어서,
    상기 배터리 관리 장치는 상기 상태 데이터와 상기 예측 데이터를 이상치 탐지(Anomaly Detection) 알고리즘에 적용하여 이상치(Anomaly Score)를 생성하고, 소정 시간 동안 생성된 상기 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 상기 배터리를 이상 상태로 판단하는 것을 특징으로 하는 배터리 검사 시스템.
  14. 제13 항에 있어서,
    상기 서버는 상기 배터리 관리 장치에서 상기 배터리가 실제 이상 상태가 아님에도 이상 상태로 판단된 경우인 거짓 경보(False Alarm)를 추출하는 것을 특징으로 하는 배터리 검사 시스템.
  15. 제14 항에 있어서,
    상기 서버는 상기 거짓 경보의 빈도가 임계 빈도 이상인 경우, 상기 배터리의 상기 SOH 값 및 상기 이상치 탐지 알고리즘의 상기 임계값을 측정하여 상기 배터리 관리 장치로 전송하는 것을 특징으로 하는 배터리 검사 시스템.
  16. 제15 항에 있어서,
    상기 배터리 관리 장치는 상기 서버로부터 수신한 상기 SOH 값 및 상기 임계값을 기초로 장단기 메모리 알고리즘 및 상기 이상치 탐지 알고리즘을 업데이트 하는 것을 특징으로 하는 배터리 검사 시스템.
KR1020210107250A 2021-08-13 2021-08-13 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템 KR20230025130A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020210107250A KR20230025130A (ko) 2021-08-13 2021-08-13 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템
PCT/KR2022/011061 WO2023018070A1 (ko) 2021-08-13 2022-07-27 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템
CN202280036595.9A CN117396767A (zh) 2021-08-13 2022-07-27 电池管理装置和包括该电池管理装置的电池测试系统
EP22856069.4A EP4386401A1 (en) 2021-08-13 2022-07-27 Battery management apparatus and battery inspection system including same
JP2023569629A JP2024519755A (ja) 2021-08-13 2022-07-27 電池管理装置およびそれを含む電池検査システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210107250A KR20230025130A (ko) 2021-08-13 2021-08-13 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템

Publications (1)

Publication Number Publication Date
KR20230025130A true KR20230025130A (ko) 2023-02-21

Family

ID=85200252

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210107250A KR20230025130A (ko) 2021-08-13 2021-08-13 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템

Country Status (5)

Country Link
EP (1) EP4386401A1 (ko)
JP (1) JP2024519755A (ko)
KR (1) KR20230025130A (ko)
CN (1) CN117396767A (ko)
WO (1) WO2023018070A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10191116B2 (en) * 2015-10-15 2019-01-29 Johnson Controls Technology Company Battery test system for predicting battery test results
KR102106775B1 (ko) * 2018-08-14 2020-05-06 오토시맨틱스 주식회사 딥러닝을 이용한 전지 진단 방법
KR20200058998A (ko) * 2018-11-20 2020-05-28 주식회사 엘지화학 배터리의 고장을 진단하기 위한 장치 및 방법과, 상기 장치를 포함하는 배터리팩
KR102354112B1 (ko) * 2019-03-26 2022-01-24 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법
KR20210024962A (ko) * 2019-08-26 2021-03-08 오토시맨틱스 주식회사 Ess 배터리의 상태진단 및 수명예측을 위한 장치 및 방법

Also Published As

Publication number Publication date
EP4386401A1 (en) 2024-06-19
JP2024519755A (ja) 2024-05-21
CN117396767A (zh) 2024-01-12
WO2023018070A1 (ko) 2023-02-16

Similar Documents

Publication Publication Date Title
Chen et al. Voltage fault detection for lithium-ion battery pack using local outlier factor
KR102335296B1 (ko) 무선 네트워크 기반 배터리 관리 시스템
CN113811781B (zh) 电池诊断装置和方法
US20220276319A1 (en) Apparatus and method for diagnosing battery
EP3961233A1 (en) Battery cell diagnosis device and method
US20230384393A1 (en) Battery Cell Diagnosing Apparatus and Method
KR20210141211A (ko) 배터리를 진단하기 위한 장치 및 그 방법
CN115707984A (zh) 具有内部短路的车辆电池单元的自放电预测的方法和系统
Cai et al. D-ukf based state of health estimation for 18650 type lithium battery
CN116381535A (zh) 用于在设备外部的中央单元中借助数字孪生高效监控设备电池组的电池组电池的方法和系统
KR20230025130A (ko) 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템
US20240241180A1 (en) Battery management apparatus and battery testing system including the same
Dong Predicting the remaining useful life of lithium ion batteries based on the support vector regression-particle filter
EP4016099A1 (en) Battery diagnostic apparatus and method
KR102684286B1 (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
KR20240100157A (ko) 배터리 데이터 관리 장치 및 그것의 동작 방법
KR20240037104A (ko) 배터리 관리 장치 및 그것의 동작 방법
KR20230095556A (ko) 배터리 수명 예측 장치 및 그것의 동작 방법
KR20230107066A (ko) 배터리 용량 예측 장치 및 그것의 동작 방법
KR20240109971A (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
KR20240037105A (ko) 배터리 관리 장치 및 그것의 동작 방법
KR20230086490A (ko) 배터리 데이터 관리 장치 및 그것의 동작 방법
KR20220074797A (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
Ravi et al. Smart Charging Of BMS In Electric Vehicle
KR20240030459A (ko) 배터리 상태 예측 장치 및 그것의 동작 방법

Legal Events

Date Code Title Description
A201 Request for examination