KR20230043466A

KR20230043466A - 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템 및 그 방법

Info

Publication number: KR20230043466A
Application number: KR1020210126366A
Authority: KR
Inventors: 백성욱; 이미영; 칸 노만; 유 민 울라 파트
Original assignee: 세종대학교산학협력단
Priority date: 2021-09-24
Filing date: 2021-09-24
Publication date: 2023-03-31

Abstract

본 발명의 일 실시 예에 따른 포함하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법은, 배터리 관리 시스템으로부터 배터리 데이터를 입력받아 배터리 데이터에서 이상 값 및 NULL 값을 제거하는 전처리 단계; 상기 전처리 된 배터리 데이터를 머신 러닝(Machine Learning: ML) 및 딥 러닝(Deep Learning: DL) 모델을 이용하여 학습 훈련하는 단계; 및 상기 학습 훈련된 모델들 중 선택된 모델의 배터리 데이터를 기본 오류 메트릭을 이용하여 배터리 상태를 보정하여 평가하는 단계;를 포함하는 점에 그 특징이 있다.

Description

다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템 및 그 방법{A System and Method for Batteries State of Health Estimation using Multiple channel charging profile}

본 발명은 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템 및 그 방법에 관한 것으로, 특히 배터리 상태를 정확히 예측하여 고장 또는 사고 발생 전에 시스템 오류를 방지함으로써 안전하게 유지 관리를 할 수 있는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템 및 그 방법에 관한 것이다.

최근에 재생 에너지원으로 스마트 그리드를 통한 지속적이 에너지 공급이 중요시되고 있다. 스마트 그리드의 에너지 공급은 전력 품질 저하를 방지할 수 있도록 에너지 저장 시스템(ESS) 접근 방식을 통해 에너지 수요와 에너지 생성을 분리하여 처리할 수 있게 된다. 즉, 효율적인 에너지 저장시스템(Energy Storage System: ESS)은 에너지를 저장해 두었다가, 추후에 사용하기 위해 에너지를 저장하는 시스템이다. ESS를 이용하면, 시간에 따른 전력 사용량의 편차가 발생하는 경우에 대하여 효율적으로 대처하는 것이 가능하고, 사고 때문에 전압 강하 발생 등의 경우, 안정적인 전력을 공급하는 것이 가능하다.

ESS는 에너지 저장을 위한 배터리의 집합체로서 배터리 셀(cell) 및 복수의 셀을 포함하는 모듈을 기본 구성단위로 한다. 배터리 셀 및 모듈의 불안정은 ESS의 오동작을 초래할 수 있으며, 심한 경우 화재와 같은, ESS 전체의 손상을 초래하는 사고의 직간접적인 원인이 될 수 있다.

또한, ESS의 충전식 배터리의 성능은 시간이 지남에 따라 반복적인 충방전에 의해 총 유효 배터리 상태(SOH) 및 용량이 감소되어 수명이 저하된다.

따라서, ESS의 안정적인 동작을 유지하기 위한 하나의 방안으로 ESS를 구성하는 배터리의 상태에 대한 진단을 기반으로 사용 초기에 배터리 수명을 예측하는 것이 요구된다.

또한 수명을 예측한 데이터를 기반으로, 생산자는 배터리 개발 주기를 가속할 수 있고, 생산 공정의 검증 및 생산된 제품 검사 기간을 단축하는 것이 가능해지며, 소비자는 배터리 소비 측면의 효율 개선을 기대할 수 있게 된다.

그러나, 배터리 수명을 예측한 종래의 방법으로서, 단일 채널 충전 프로파일을 이용한 머신 러닝(machine learning) 기반의 자료 주도적(data-driven) 예측 모델을 이용하는 방법이 적용하였다. 이러한 종래의 기술은 배터리 수명에 대한 양적 예측 및 배터리 수명의 장단에 대한 이분(binary classification) 결과에서 주목할 만한 성과를 보였으나, 수명예측의 정확도 측면에서 여전히 개선의 문제점이 남아있다.

한국특허출원 제10-2017-0053151호

본 발명은 배터리 상태를 정확히 예측하여 고장 또는 사고 발생 전에 시스템 오류를 방지함으로써 안전하게 유지 관리를 할 수 있는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템 및 그 방법을 제공하는 것을 목적으로 한다.

다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시 예에 따른 포함하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법은, 배터리 관리 시스템으로부터 배터리 데이터를 입력받아 배터리 데이터에서 이상 값 및 NULL 값을 제거하는 전처리 단계; 상기 전처리 된 배터리 데이터를 머신 러닝(Machine Learning: ML) 및 딥 러닝(Deep Learning: DL) 모델을 이용하여 학습 훈련하는 단계; 및 상기 학습 훈련된 모델들 중 선택된 모델의 배터리 데이터를 기본 오류 메트릭을 이용하여 배터리 상태를 보정하여 평가하는 단계;를 포함하는 점에 그 특징이 있다.

여기서, 특히 상기 전처리 단계는, 상기 배터리 데이터에서 배터리 데이터에서 이상 값 및 NULL 값을 제거하고, 충전 간격의 특정 변동에 대해 서브샘플링 하는 단계; 상기 서브샘플링 된 배터리 데이터의 충전 프로파일 특징을 추출하는 단계; 상기 추출된 배터리 데이터의 충전 프로파일의 특징을 연결하여 벡터를 형성하는 단계; 및 상기 백터 형성 이후, 상기 배터리 데이터의 충전 프로파일 특징을 소정 범위 사이에서 정규화 하는 단계를 포함하는 점에 그 특징이 있다.

여기서, 특히 상기 벡터를 형성하는 단계는, 상기 형성된 특징 벡터를 샘플링 하는 단계; 및 상기 샘플링 간격에 대응하여 배터리 데이터의 평균을 계산하는 단계를 포함하는 점에 그 특징이 있다.

여기서, 특히 상기 벡터를 형성하는 단계에서, 상기 충전 프로파일은 전압, 전류 및 온도의 특징으로 추출되고, 각 충전 프로파일 특징의 벡터는 n x 10 차원 메트릭으로 샘플링 하는 점에 그 특징이 있다.

여기서, 특히 상기 정규화 하는 단계에서 상기 배터리 데이터를 0에서 1 사이에서 스케일링 하는 점에 그 특징이 있다.

여기서, 특히 상기 배터리 데이터를 학습 훈련하는 단계에서, 상기 배터리 데이터를 머신 러닝(Machine Learning: ML) 모델의 SVR(Support Vector Regression), AB(Adaptive Boosting) 및 딥 러닝(Deep Learning: DL) 모델의 MLP(Multi-Layer Perceptron), CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory), and BiLSTM(Bi-directional LSTM)을 각각 개별적으로 학습하고, 검증 데이터를 기반으로 상기 학습된 모델들 중 어느 하나의 모델을 선택하는 점에 그 특징이 있다.

여기서, 특히 상기 선택된 학습 훈련 모델을 이용하여 배터리 데이터 테스트 용량을 예측하는 점에 그 특징이 있다.

여기서, 특히 상기 기본 오류 메트릭은 MAE(Mean absolute error), MSE(Mean square error), RMSE(Root mean square error) 및 MAPE(Mean absolute percentage error)를 포함하는 점에 그 특징이 있다.

또한, 상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시 예에 따른 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템은, 배터리 관리 시스템으로부터 배터리 데이터를 입력받아 배터리 데이터에서 이상 값 및 NULL 값을 제거하는 전처리수단; 상기 전처리 된 배터리 데이터를 머신 러닝(Machine Learning: ML) 및 딥 러닝(Deep Learning: DL) 모델을 이용하여 학습 훈련하는 학습훈련수단; 및 상기 학습 훈련된 모델들 중 선택된 모델의 배터리 데이터를 기본 오류 메트릭을 이용하여 배터리 상태를 보정하여 평가하는 추정평가수단; 를 포함하는 점에 그 특징이 있다.

여기서, 특히 상기 전처리수단은, 상기 배터리 데이터에서 이상 값 및 NULL 값을 제거하고, 상기 배터리 데이터에서 충전 간격의 특정 변동에 대해 서브샘플링 하고, 배터리 데이터의 충전 프로파일 특징을 추출하여 벡터를 형성하는 벡터연산부; 및 상기 벡터연산부에서 형성된 배터리 데이터의 충전 프로파일 특징을 소정 범위 사이에서 정규화 하는 정규화부를 포함하는 점에 그 특징이 있다.

여기서, 특히 상기 벡터연산부는, 상기 형성된 특징 벡터를 샘플링 하고, 상기 샘플링 간격에 대응하여 배터리 데이터의 평균을 계산하는 점에 그 특징이 있다.

여기서, 특히 상기 벡터연산부는 상기 충전 프로파일에서 전압, 전류 및 온도의 특징으로 추출되고, 각 충전 프로파일 특징의 벡터는 n x 10 차원 메트릭으로 샘플링 하는 점에 그 특징이 있다.

여기서, 특히 상기 정규화부는 상기 배터리 데이터를 0에서 1 사이에서 스케일링 하는 점에 그 특징이 있다.

여기서, 특히 상기 학습훈련수단은, 상기 배터리 데이터를 머신 러닝(Machine Learning: ML) 모델의 SVR(Support Vector Regression), AB(Adaptive Boosting) 및 딥 러닝(Deep Learning: DL) 모델의 MLP(Multi-Layer Perceptron), CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory), and BiLSTM(Bi-directional LSTM)을 각각 개별적으로 학습하는 학습부; 및 검증 데이터를 기반으로 상기 학습된 모델들 중 어느 하나의 모델을 선택하는 선택부를 포함하는 점에 그 특징이 있다.

여기서, 특히 상기 추정평가수단은, 선택된 학습 훈련 모델을 이용하여 배터리 데이터 테스트 용량을 예측하는 추정부; 및 상기 추정부에서 예측된 배터리 테스트 용량을 기본 오류 메트릭을 이용하여 평가하는 평가부를 포함하는 점에 그 특징이 있다.

여기서, 특히 상기 평가부에서 기본 오류 메트릭은 MAE(Mean absolute error), MSE(Mean square error), RMSE(Root mean square error) 및 MAPE(Mean absolute percentage error)를 포함하는 점에 그 특징이 있다.

전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 배터리 상태를 정확히 예측하여 고장 또는 사고 발생 전에 시스템 오류를 방지함으로써 안전하게 유지 관리를 할 수 있다.

도 1은 본 발명의 일 실시예에 따른 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템의 구성을 개략적으로 도시한 도면이다.
도 2는 본 발명의 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법에 대한 개념도.
도 3은 본 발명의 일 실시 예에 따른 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법에 대한 순서도를 개략적으로 도시한 도면.
도 4는 본 발명의 SVR 및 AB의 구조를 개략적으로 도시한 도면.
도 5는 본 발명의 MLP 및 CNN의 구조를 개략적으로 도시한 도면.
도 6은 본 발명의 LSTM 및 biLSTM 구조를 개략적으로 도시한 도면.
도 7은 본 발명의 충전 프로파일 및 배터리 노화를 도시한 도면.
도 8 내지 도 10은 본 발명의 각 모델에 해당하는 하이퍼파라미터를 나타내는 도면.
도 11 내지 도 14는 본 발명의 MCCP에서 배터리 #5, 배터리 #6, 배터리 #7 및 배터리 #18에 대해 얻은 예측 결과를 나타내는 도면.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 본 발명을 명확하게 설명하기 위해 도면에서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 또한, 도면을 참고하여 설명하면서, 같은 명칭으로 나타낸 구성일지라도 도면에 따라 도면 번호가 달라질 수 있고, 도면 번호는 설명의 편의를 위해 기재된 것에 불과하고 해당 도면 번호에 의해 각 구성의 개념, 특징, 기능 또는 효과가 제한 해석되는 것은 아니다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 명세서에 있어서 '부(部)' 또는 '모듈'이란, 하드웨어 또는 소프트웨어에 의해 실현되는 유닛(unit), 양방을 이용하여 실현되는 유닛을 포함하며, 하나의 유닛이 둘 이상의 하드웨어를 이용하여 실현되어도 되고, 둘 이상의 유닛이 하나의 하드웨어에 의해 실현되어도 된다.

도 1은 본 발명의 일 실시예에 따른 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템의 구성을 개략적으로 도시한 도면이다.

도 1에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템(100)은, 전처리수단(110), 학습훈련수단(120) 및 추정평가수단(130)으로 구성될 수 있다.

먼저, 상기 전처리수단(110)은 배터리 관리 시스템(BMS)으로부터 배터리 데이터를 입력받아 배터리 데이터에서 이상 값 및 NULL 값을 제거하게 된다.

이러한 상기 전처리수단(110)은 벡터연산부(111), 정규화부(112) 및 제1 저장부(113)를 포함하여 구성될 수 있다.

상기 벡터연산부(111)는 상기 배터리 데이터에서 이상 값 및 NULL 값을 제거하고, 상기 배터리 데이터에서 충전 간격의 특정 변동에 대해 서브샘플링 하고, 배터리 데이터의 충전 프로파일 특징을 추출하여 벡터를 형성하게 된다.

보다 구체적으로, 상기 벡터연산부(111)는 상기 형성된 특징 벡터를 샘플링 하고, 상기 샘플링 간격에 대응하여 배터리 데이터의 평균을 계산하게 된다.

그리고, 상기 벡터연산부(111)는 상기 충전 프로파일에서 전압, 전류 및 온도의 특징으로 추출되고, 각 충전 프로파일 특징의 벡터는 n x 10 차원 메트릭으로 샘플링 하게 된다.

상기 정규화부(112)는 상기 벡터연산부(112)에서 형성된 배터리 데이터의 충전 프로파일 특징을 0에서 1 사이에서 스케일링 하게 된다.

상기 제1 저장부(113)는 배터리 데이터, 벡터 및 정규화된 충전 프로파일 특징 데이터를 저장하게 된다.

상기 학습훈련수단(120)은 학습부(121), 선택부(122) 및 제2 저장부(123)을 포함하여 구성될 수 있으며, 상기 전처리 된 배터리 데이터를 머신 러닝(Machine Learning: ML) 및 딥 러닝(Deep Learning: DL) 모델을 이용하여 학습 훈련하게 된다.

상기 학습부(121)는 상기 배터리 데이터를 머신 러닝(Machine Learning: ML) 모델의 SVR(Support Vector Regression), AB(Adaptive Boosting) 및 딥 러닝(Deep Learning: DL) 모델의 MLP(Multi-Layer Perceptron), CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory), and BiLSTM(Bi-directional LSTM)을 각각 개별적으로 학습하게 된다.

상기 선택부(122)는 검증 데이터를 기반으로 상기 학습된 모델들 중 어느 하나의 모델을 선택하게 된다.

상기 제2저장부(123)는 상기 학습부에서 학습 훈련된 데이터를 저장하고, 검증 데이터를 저장할 수 있다.

상기 추정평가수단(130)은 학습 훈련된 모델들 중 선택된 모델의 배터리 데이터를 기본 오류 메트릭을 이용하여 배터리 상태를 보정하여 평가하게 된다.

여기서, 상기 추정평가수단(130)은 추정부(131), 평가부(132) 및 제3 저장부(133)를 포함하여 구성될 수 있다.

상기 추정부(131)는 선택된 학습 훈련 모델을 이용하여 배터리 데이터 테스트 용량을 예측하게 된다.

상기 평가부(132)는 상기 추정부(131)에서 예측된 배터리 테스트 용량을 기본 오류 메트릭을 이용하여 평가하게 된다. 여기서, 기본 오류 메트릭은 MAE(Mean absolute error), MSE(Mean square error), RMSE(Root mean square error) 및 MAPE(Mean absolute percentage error)를 포함할 수 있다.

제 3 저장부(133)는 상기 예측된 배터리 데이터 용량을 저장하고, 상기 오류 메트릭을 이용한 평가 데이터를 저장하게 된다.

한편, 상기 배터리 상태 추정 시스템의 각 구성에 대한 보다 상세한 설명은 후술할 배터리 상태 추정 방법을 참조하기로 한다.

도 2는 본 발명에 따른 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법에 대한 개념도이고, 도 3은 본 발명의 일 실시 예에 따른 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법에 대한 순서도를 개략적으로 도시한 도면이다.

도 2 및 도 3에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 포함하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법은, 먼저, 배터리 관리 시스템으로부터 배터리 데이터를 입력받아 배터리 데이터에서 이상 값 및 NULL 값을 제거하는 전처리 단계가 수행된다(S310).

배터리 관리 시스템(Battery Management System: BMS)에서 얻은 데이터에는 null 값, 이상 값 등의 이상이 포함되어 있다. 따라서, 정밀한 성능을 얻기 위해서는 데이터를 정제하고 효과적이고 정확한 처리가 가능하도록 하는 전처리 과정을 거쳐 데이터에서 null 값을 제거하고 0과 1 범위의 원시 데이터를 스케일링에 의해 정규화 하게 된다.

보다 구체적으로, 전처리 과정은 먼저 상기 배터리 데이터에서 배터리 데이터에서 이상 값 및 NULL 값을 제거하고, 충전 간격의 특정 변동에 대해 서브샘플링 하게 된다.

그리고, 상기 서브샘플링 된 배터리 데이터의 충전 프로파일 특징을 추출하고, 상기 추출된 배터리 데이터의 충전 프로파일의 특징을 연결하여 벡터를 형성하게 된다. 즉, CP(V, I, T)에서 추출된 특징을 연결하여 각 CP가 각 벡터에 10개의 샘플을 갖는 30차원 벡터를 만들게 된다. 여기서, 상기 충전 프로파일(CP)은 시간에 따른 전압, 전류 및 온도의 변화 특징으로 추출되고, 각 충전 프로파일 특징의 벡터는 n x 10 차원 메트릭으로 다시 샘플링 하게 된다.

다음으로 짧은 시간 간격의 진동 방지에서 샘플링 간격에 걸쳐 데이터의 평균을 계산하고 마지막으로 평균을 계산하게 된다. 각 CP의 길이가 30인 최종 특징 벡터를 만들기 위해 연결된다. 또한 더 나은 훈련 과정을 위해 데이터를 0과 1 범위 사이에서 스케일링하기 위해 하기 수식 (1)에 주어진 최소-최대 정규화 기법을 적용하게 된다.

수식 (1)

여기서 충전 주기 수집은 (Z)로 표시되고 (k)은 각 주기에서 사용되는 샘플 수이고, (

)는 0에서 1 사이의 정규화된 데이터이다. 또한, 역정규화 과정을 통해 제안된 추정 방법을 실제 형태로 제시하기도 한다.

그리고, 상기 전처리 된 배터리 데이터를 머신 러닝(Machine Learning: ML) 및 딥 러닝(Deep Learning: DL) 모델을 이용하여 학습 훈련하는 단계가 수행된다(S320). 즉, 학습 훈련 단계에서는 6가지 다양한 ML 및 DL 접근 방식을 개별적으로 학습하고 추가 평가 및 용량 추정을 위해 검증 데이터를 기반으로 최상의 모델을 선택하게 된다.

여기서, 6가지 모델로는 머신 러닝(Machine Learning: ML) 모델로는 SVR(Support Vector Regression) 및 AB(Adaptive Boosting)가 적용되고, 딥 러닝(Deep Learning: DL) 모델로 MLP(Multi-Layer Perceptron), CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory) 및 BiLSTM(Bi-directional LSTM)을 적용하여 학습하게 된다.

상기 SVR(Support Vector Regression), AB(Adaptive Boosting), MLP(Multi-Layer Perceptron), CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory) 및 BiLSTM(Bi-directional LSTM)의 각 모델에 대하여 다음과 같이 설명하기로 한다.

도 4는 본 발명의 SVR 및 AB의 구조를 개략적으로 도시한 도면이고, 도 5는 본 발명의 MLP 및 CNN의 구조를 개략적으로 도시한 도면이고, 도 6은 본 발명의 LSTM 및 biLSTM 구조를 개략적으로 도시한 도면이다.

먼저, SVR(Support Vector Regression;) 모델은 회귀 문제에 일반적으로 사용하지만 동일한 SVM 원리를 사용하게 된다. 회귀 문제에서는 훈련 샘플을 기반으로 함수를 찾을 수 있으며 해당 함수는 입력 도메인에서 출력으로 실수로의 매핑을 근사화 하는데 사용된다.

도 4의 (a)를 참조하면, SVR은 연한 녹색 선은 초평면으로 작동하고 연한 주황색 두 선은 결정 경계로 사용된다. 즉, SVR는 결정 경계선 안에 있다. 여기서, 더 많은 수의 점을 갖는 적절한 선은 초평면으로 간주된다. 이때, 결정 경계는 거리가 "+c" 및 "-c"로 표시될 수 있는 초평면에서 거리 "c"에 있는 두 개의 밝은 주황색 선을 의미한다. 초평면이 하기 수식 (2)로 표시된다고 가정하면 결정 경계 방정식은 하기 수식 (3)과 (4)로 나타낼 수 있다.

수식 (2)(3)

수식 (4)

따라서 SVR을 만족하는 초평면은 수식 (5)를 만족해야 한다.

수식(5)

즉, 데이터 포인트가 지원 벡터 또는 초평면에 가장 가까운 방식으로 원래 초평면에서 "c" 거리에 있는 경계선을 따라 결정 경계를 설정하게 된다.

따라서 SVR은 결정의 경계 내에 있고 오류 비율이나 허용 오차가 가장 낮은 지점만 고려하여 개선된 모델을 제공할 수 있게 된다.

또한, AB(Adaptive Boosting)는 머신 러닝(Machine Learning: ML)에서 앙상블 방법으로 사용되는 적응형 부스팅 알고리즘으로, 각각의 경우 가중치는 가중치가 더 높은 오류 레이블이 지정된 인스턴스에 재할당되는 적응형 부스팅으로 분산과 편향을 줄이기 위해 학습된다. 이러한 접근 방식에서 순차적 학습자는 각 후속 학습자가 이전에 성장한 학습자가 성장하는 곳에서 성장하게 된다. 첫 번째를 제외하고. 약한 학습자가 강한 학습자로 전환될 수 있게 된다.

예컨대, AB에서 각 노드는 도 4의 (c)와 같이 stump라고도 하는 두 개의 잎으로 구성된다. 여기서, 그루터기는 약한 학습자이며 AB의 부스팅 기술에 의해 성장하기 때문에 그루터기의 순서가 매우 중요하게 된다.

이때, 데이터 훈련 기간 동안 개의 결정 트리를 만들게 되고, 첫 번째 의사 결정 트리가 만들어지면 첫 번째 모델에서 잘못 분류된 레코드에 더 높은 우선 순위를 부여하게 된다. 이러한 레코드만 두 번째 모델에 대한 입력으로 전송하게 된다. 그리고 생성하려는 기본 학습자의 수를 지정할 때까지 프로세스가 계속된다. 그루터기 성능(POS)은 하기 수식 (6)을 사용하여 계산하게 된다.

수식(6)

여기서 는 자연 로그이고 TE는 샘플 가중치에 대한 예측 레코드의 모든 오류 합계인 총 오류이다.

또한, 딥 러닝(Deep Learning: DL) 모델로 MLP(Multi-Layer Perceptron)은 생물학적 뇌를 모방한 ANN으로도 알려져 있으며 예측 모델링 작업 등과 같은 복잡한 문제를 해결하는 데 사용되는 것으로 매핑 학습을 하게 된다. 즉, MLP 모델은 학습 데이터의 표현과 예측할 출력 데이터와의 관계를 학습할 수 있게 된다. 모든 매핑 기능을 수학적으로 학습할 수 있는 기능이 있다. 이러한 MLP는 고차원의 결합된 기능을 제공하여 다양한 해상도와 스케일에서 기능을 학습할 수 있는 다층 또는 계층 구조로 구성된다. 인공 뉴런(AN)은 MLP의 빌딩 블록으로 사용되며, 여기서 AN은 도 4의 (b)와 같이 활성화 함수를 통해 가중치를 입력하고 출력을 갖는 계산 단위이다. AN의 모든 입력 기능에는 가중치 값과 바이어스 값이 있다. 가중 입력 기능의 합은 Sigmoid, 쌍곡선 탄젠트 또는 정류기 등과 같은 활성화 함수를 통해 전달되어 출력을 생성하게 된다.

보다 구체적으로, MLP를 만들기 위해 뉴런이 배열되고 함께 연결되어 네트워크 토폴로지로 알려진 배열이 만들어진다. 도 5의 (a)와 같이, MLP 구조의 한 행에 있는 뉴런의 배열은 입력 또는 가시, 은닉 및 출력의 세 가지 유형의 계층을 갖는다. 입력 데이터 또는 기능을 직접 가져오는 계층을 가시 또는 입력 계층이라고 한다. 이 계층에는 가중치와 활성화 함수가 없으며 입력 데이터를 다음 계층으로 전달한다. 은닉층은 정확도와 복잡성 면에서 은닉층의 수와 각 은닉층의 뉴런 수가 모델의 출력에 영향을 미치는 입력층으로부터 피드백을 받는다. 모델의 마지막 계층은 노드와 활성화 함수 유형이 문제에 따라 달라지는 출력 계층이다. 일반적으로 출력 또는 마지막 레이어에는 회귀 문제의 경우 선형 활성화 함수가 있는 단일 출력에 대해 단일 뉴런이 있다.

또한, CNN(Convolutional Neural Network)은 네트워크가 문제 특수 구조를 보유하고 있기 때문에 기본적으로 객체 분류 및 인식 작업을 위해 설계된다. 예컨대, CNN 모델은 군중 분석, 폭력 및 변칙 탐지, 감시 비디오 및 영화 요약, 전력 소비 예측, 시각 및 음성 데이터에서 감정 인식 등의 네트워크는 MLP보다 제한된 가중치를 사용하고 물체의 왜곡과 위치에 불변하여 데이터가 자동으로 심층 기능을 학습할 수 있다.

도 5의(b)를 참조하면, 기본 CNN 아키텍처가 완전 연결, 컨볼루션 및 풀링의 세 가지 다른 종류의 레이어를 포함하고 있음을 보여준다. 컨볼루션 레이어는 기능 맵을 생성하는 필터로 구성된다. 모든 필터에는 특정 수용 필드가 있으며 가중치가 있는 입력이 있는 뉴런으로 작동하고 기능 맵이라고 하는 출력을 생성한다. 풀링 레이어는 기능 맵의 이전 레이어 크기를 줄이고, 최대 풀링에서는 가장 큰 값이 선택되고 평균 풀링에서는 수신 필드에서 평균 값이 선택된다. 일반적으로 풀링 레이어는 과적합 문제를 줄이고 기능 맵 크기를 줄이고 기능을 보다 일반화하는 표현을 선택하는 데 사용된다. 즉, 특징 추출 후 완전 연결 레이어가 사용되며, 이러한 레이어는 비선형 활성화 기능을 갖게 되고, 일반적으로 평평한 FFNN 레이어인 네트워크의 끝에 배치된다. 이때, CNN은 네트워크의 출력 계층에서 클래스 확률을 예측하기 위해 softmax 활성화 및 회귀 문제에 대해 선형 활성화 함수가 사용된다.

또한, LSTM(Long Short-Term Memory)는 RNN(Recurrent Neural Network)의 변형으로, LSTM 네트워크는 활동 및 동작 인식 및 의료 응용 등 여러 영역에서 결과를 잘 얻을 수 있는 유형의 RNN 중 하나에 해당된다.

여기서, RNN(Recurrent Neural Network)은 복잡한 시퀀스 학습 문제를 해결하기 위해 설계된 신경망으로, 이러한 네트워크는 연결 루프가 있으므로 시간이 지남에 따라 네트워크에 메모리와 피드백을 추가할 수 있다. 이러한 네트워크는 특정 패턴 대신 메모리 블록으로 인해 더 복잡한 시퀀스를 학습할 수 있다.

이러한, LSTM 네트워크는 시간을 통한 역전파(backpropagation)를 사용하여 그라디언트 폭발 및 소실 문제를 해결한다. 뉴런이 있는 MLP와 달리 LSTM 네트워크에는 계층에서 서로 연결된 메모리 블록이 있다. LSTM의 블록은 MLP 및 CNN과 같은 기존 신경망보다 더 똑똑하게 만드는 세 가지 유형의 게이트(망각, 입력 및 출력)로 구성된다. 망각, 입력 및 출력 게이트는 블록에 메모리를 제공하고, 이 게이트는 시그모이드 활성화 함수를 사용하여 블록의 출력과 상태를 관리한다. 입력 게이트는 입력 시퀀스에서 메모리 상태를 업데이트할 값을 조건부로 결정한다. 망각 게이트는 블록에서 조건부로 폐기할 정보를 결정하는 반면 출력 게이트는 입력과 단위 메모리에 따라 조건부로 무엇을 출력할지 결정한다. 도 6의 (a)에 도시된 바와 같이, 블록은 훈련하는 동안 각 게이트에 대해 가중치를 학습하는 동안 상태 머신처럼 작동한다.

또한, BiLSTM(Bi-directional LSTM)은 일반적인 LSTM의 확장된 형태이며 시퀀스 관련 문제에서 성능이 더 좋다. BiLSTM은 데이터를 정방향 및 역방향으로 처리하여 과거 및 미래 정보를 추적한다. 이를 위해 하나의 LSTM 대신 두 개의 LSTM 네트워크가 도 6의 (b)와 같이 입력 시퀀스의 모든 시간 단계를 사용할 수 있는 입력 시퀀스에 대해 BiLSTM에서 훈련된다. 따라서 BiLSTM의 결과는 네트워크에 추가 컨텍스트를 추가하기 때문에 더 빠르고 정확하게 된다. BiLSTM 뒤에는 네트워크에서 첫 번째 반복 레이어를 복제한 다음 입력 시퀀스를 그대로 첫 번째 레이어에 제공하고 입력 시퀀스의 역 복사본을 복제 레이어에 제공하는 기본 아이디어이다. 이러한 방식으로 기존 LSTM의 제한을 최소화할 수 있다. 즉, BiLSTM은 과거와 미래의 특정 시간 단계에 대한 학습에서 사용 가능한 모든 입력 데이터를 사용할 수 있다.

한편, 상술한 6가지 학습된 모델 중에서 검증 데이터를 기반으로 최적화된 어느 하나의 모델을 선택하게 된다.

그 다음, 상기 학습 훈련된 모델들 중 선택된 모델의 배터리 데이터를 기본 오류 메트릭을 이용하여 배터리 상태를 보정하여 평가하는 단계가 수행된다(S330).

즉, 상기 최적화된 선택된 학습 훈련 모델을 이용하여 배터리 데이터 테스트 용량을 예측하게 된다. 이때, 상기 기본 오류 메트릭은 MAE(Mean absolute error), MSE(Mean square error), RMSE(Root mean square error) 및 MAPE(Mean absolute percentage error)를 포함하여 구성된다.

보다 구체적으로, 검증 데이터 세트는 SVR, AB, MLP, CNN, LSTM 및 BiLSTM의 아키텍처를 설계하고 선택하는 데 사용된다. 검증 데이터 세트의 모든 모델 중에서 더 나은 성능을 보이는 모델을 테스트 목적으로 선택하게 된다.

여기서, 선택된 학습 훈련 모델은 데이터 테스트 용량을 예측하는 데 활용되며 MAE, MSE, RMSE 및 MAPE를 포함한 4가지 오류 메트릭을 사용하여 성능을 평가하게 된다.

각 모델의 아키텍처와 하이퍼파라미터는 하기 표 I에서 보여주고 있다.

MLP는 입력층, 2개의 은닉층, 선형 활성화 함수를 갖는 1개의 뉴런을 갖는 출력층으로 구성되며, 첫 번째 은닉층은 30개의 뉴런을 포함하고 두 번째 은닉층은 20개의 뉴런으로 구성된다.

유사하게, CNN 아키텍처의 제안된 아키텍처는 입력 레이어, 2개의 CNN 레이어, 10개의 뉴런을 갖는 1개의 완전 연결 레이어, 선형 활성화 기능을 갖는 1개의 뉴런을 갖는 출력 레이어로 구성된다. 필터 크기는 두 CNN 레이어에서 동일하게 유지되는 반면 첫 번째 CNN 레이어에는 25개의 필터가 있고 두 번째 CNN 레이어에는 15개의 필터가 있다.

LSTM과 BiLSTM은 모두 입력 레이어, 각 레이어에 대해 40개의 은닉 유닛이 있는 순환 레이어, 10개의 뉴런이 있는 완전 연결 레이어, 선형 활성화 함수를 갖는 뉴런이 있는 출력 레이어가 있다.

한편, 각 모델은 배터리 데이터 세트를 사용하여 실험에서 포괄적으로 평가되고 논의되며 하이퍼 매개 변수에 대한 자세한 논의는 실험에서 설명하기로 한다.

하기 표 [1]에서 제안된 DL 모델의 아키텍처 및 해당 I는 입력 레이어, H는 은닉 레이어, O는 출력 레이어, C는 CNN 레이어, L은 LSTM인 매개변수 레이어, BL은 BILSTM 레이어, F는 완전히 연결된 레이어를 의미함.

표 [1]

적용 예의 실험

실험에서는 단일 채널 충전 프로파일(SCCP) 및 다중 채널 충전 프로파일(MCCP)에 대한 배터리 용량 추정, 시스템 구성, 데이터 수집 및 머신 러닝(ML) 및 딥 러닝(DL) 기반 접근 방식의 결과 비교를 위해 하기와 같이 설명하기로 한다.

도 7은 본 발명의 충전 프로파일 및 배터리 노화를 도시한 도면이다.

먼저, 도 7의 (b)와 같이, 실험을 위한 배터리 데이터 세트는 4개의 데이터 세트로 구성된다(여기서 #5, #6, #7, #18은 할당된 숫자이고, 각각 4개의 배터리)가 실험을 위해 선택되어진다. 각 세트에서 배터리의 용량은 사이클이 증가함에 따라 감소한다.

데이터 설정 배터리의 내부 매개변수는 배터리 성능 저하를 예측하는 데 매우 중요하다. 따라서 이러한 내부 매개변수인 전압(V), 온도(T) 및 전류(I) 데이터를 활용하고 모든 충전 주기에서 데이터를 측정하고, 충전, 방전 및 휴식을 포함한다.

방전 과정에서 내부 매개변수를 측정하거나 계산하는 것은 어려우므로 배터리는 일반적으로 쉽게 측정할 수 있는 전기적 성능을 측정하기 위해 미리 설정된 프로토콜을 기반으로 하는 충전 프로세스를 이용한다.

충전 중 배터리가 노화되면 전압, 전류 및 온도 프로파일에 상당한 변화가 있으며 이는 도 7의 (a)와 같이 보여준다. 즉, 충전 과정에서 오래된 셀의 전압은 새 셀의 전압보다 4.2볼트(v)에 먼저 도달하고, 마찬가지로 기존 셀의 전류가 새 셀의 전류보다 먼저 떨어지고, 기존 셀은 새 셀보다 온도가 높다. 배터리 노화를 쉽게 정량화하기 위해 상태(SOH)가 하기 수식 (7)과 *?*같다.

수식 (7)

여기서 ₀은 용량을 나타내고 은 주기로 용량을 측정, 배터리 용량이 70% 미만이면 배터리 수명이 다한 것으로 판단한다.

시스템 설정

일반적으로 3개의 배터리 데이터를 훈련으로 사용한다면 네 번째 배터리 데이터를 테스트 세트로 사용하게 된다. 예를 들어, 배터리 #5, 배터리 #6, 배터리 #7은 훈련 세트로 사용되고 배터리 #18은 테스트 세트로 사용된다. 유사하게, 다른 조합에서 배터리 #6, 배터리 #7 및 배터리 #18은 훈련 세트로 간주되고 배터리 #5는 테스트 세트로 사용될 수 있다. 회귀 문제를 다룰 때 모델 품질을 평가하기 위해 네 가지 기본 메트릭을 사용하기로 한다(예: 평균 절대 오차(MAE), 평균 제곱 오차(MSE), 평균 절대 백분율 오차(MAPE) 및 평균 제곱근 오차). (RMSE).

모든 메트릭은 하기 수식 (8)에서 수식 (11)에 제공될 수 있다. 이러한 메트릭은 예측 문제에 널리 사용된다. 여기서, ~가 예상 배터리 용량이고 가 실제 용량이라고 가정하면 순서대로 수식 (8) ~ (11)은 각각 MSE, RMSE, MAE, MAPE를 설명한다. 또한 제안하는 방법의 성능을 확인하기 위해 서로 다른 ML과 DL 기법을 사용하였다.

수식 (8) ~ (11)

데이터세트

제안된 방법의 공정한 평가를 위해 공개적으로 사용 가능한 배터리 데이터 세트를 사용했으며 자세한 내용은 다음과 같다.

먼저, NASA 배터리 데이터 세트를 사용하였으며, 이 데이터 세트는 임피던스, 충전 및 방전을 포함한 3가지 개별 프로필을 사용하여 실온에서 실행된 배터리 #5, #6, #7 및 #18과 같은 4개의 리튬 이온 배터리를 기반으로 한다. 일정 모드는 배터리 전압이 4.2v에 도달할 때까지 1.5A(A)에서 충전 목적으로 설정된다. 그 후, 전압은 전하가 20mA로 떨어질 때까지 일정하게 유지한다. 다음으로 배터리 #5, #6, #7, #18의 전압이 각각 2.7v, 2.5v, 2.2v, 2.5v로 떨어질 때까지 2A의 지속 값으로 방전을 진행하였다. 수집 과정에서 임피던스는 다음을 통해 측정되었다. 주파수가 0.1hz에서 5khz로 휩쓸린 전기화학 임피던스 분광기. 지속적인 충방전 과정을 거친 후 임피던스가 통찰력을 제공하는 동안 배터리의 노화가 가속화되었다. 이러한 실험은 배터리가 정격 부피에서 30% 감소인 수명 종료 기준에 도달했을 때 중단되었다.

각 방법에 대한 매개변수 선택 전략은 동일하다. 실험하는 동안 세 번째 하이퍼파라미터를 변경하면서 두 개의 하이퍼파라미터에 대한 기본값을 사용했다. 마찬가지로 두 개의 하이퍼 매개 변수에 대해 기본값을 사용하는 모든 방법에 대해 동일한 절차를 적용한다. 이러한 방식으로 달성 가능한 가장 높은 결과를 얻을 수 있는 하이퍼 매개변수를 선택한다. 각 방법마다 내부 네트워크 아키텍처가 다르기 때문에 하이퍼 매개변수가 다르다. 예를 들어, 적응 부스팅(AB)의 경우 하이퍼 매개변수는 트리 수, 학습률 및 깊이이고, AB에서 MSE 값은 2.5879로 다른 하이퍼파라미터와 비교했을 때 가장 좋은 결과를 얻었다. 마찬가지로 지원 벡터 회귀(SVR)의 경우 하이퍼파라미터는 커널 유형, 정규화 및 감마 값이다. SVR에서 달성된 최적의 MSE 값은 2.6181이다. MLP(Multi-layer Perceptron)에 사용되는 하이퍼파라미터는 Epoch, 최적화 알고리즘 사용의 학습으로 이러한 매개변수를 사용하여 달성된 최소 MSE 값은 0.5142이다. CNN(Convolutional Neural Network), LSTM 및 BiLSTM의 경우 하이퍼 매개변수가 동일하다. 이러한 하이퍼파라미터는 Epoch 수, 최적화 알고리즘 사용 및 학습률이다.

도 8 내지 도 10은 본 발명의 각 모델에 해당하는 하이퍼파라미터를 나타내는 도면이고, 도 11 내지 도 14는 본 발명의 MCCP에서 배터리 #5, 배터리 #6, 배터리 #7 및 배터리 #18에 대해 얻은 예측 결과를 나타내는 도면이다.

결과적으로 도 8, 도 9 및 도 10에 도시된 바와 같이, CNN, LSTM 및 BiLSTM에 대해 얻은 MSE 값은 각각 0.7192, 0.0781 및 0.0317이고, 각 방법에 해당하는 하이퍼파라미터를 보여주고 있다.

실험 결과

상술한 SVR, AB, MLP, CNN, LSTM 및 BiLSTM을 사용하여 얻은 실험 결과에 대해 자세히 설명하기로 한다.

먼저 최상의 하이퍼파라미터를 사용하여 MCCP를 사용하는 SVR 및 AB에서 얻은 결과는 #5, #6, #7 및 #18과 같은 모든 배터리 데이터 세트에 대해 표 [2]에 보여주고 있다.

즉, MCCP용 SVR에서 배터리 #5, #6, #7 및 #18에 대해 얻은 MSE 값은 각각 0.8775, 0.9415, 0.9978 및 1.4908이고, MCCP용 AB의 배터리 #5, #6, #7 및 #18에 대해 얻은 MSE 값은 각각 0.2889, 0.3584, 0.3625 및 0.5231입니다. 이러한 결과는 표 [2]로 나타낸다.

표 [2]

유사하게, 전압, 전류 및 온도에 대해 SCCP를 통해 얻은 결과는 표 [3], 표 [4] 및 표 [5]에서 보여주고 있다.

표 [3]

표 [4]

표 [5]

또한 LSTM과 BiLSTM의 효율성을 검증하기 위해 서로 다른 크기의 입력 시퀀스를 사용한다. 10x3 시퀀스와 다른 MCCP를 사용하여 얻은 결과 데이터 세트의 조합은 표 [6]에서 보여준다. 한편, SVR, AB, MLP, CNN, LSTM, MCCP와 다양한 데이터 세트 조합을 사용한 BiLSTM이 표 [7]에서 보여주고 있다.

표 [6]

표 [7]

MLP를 사용한 실험은 NASA 배터리 데이터 세트의 각 배터리에 대해 수행되고, 표 [2]는 MLP의 배터리 #5, #6, #7, #18에 대한 MCCP를 사용한 결과를 보여주고 전압, 전류 및 온도에 대한 SCCP의 결과는 표 [3], 표 [4] 및 표 [5]와 같다. 따라서, 통계 및 기타 수동 엔지니어링 방법과 비교하여 BiLSTM은 우수한 성능을 입증했다.

따라서, 도 11, 도 12, 도 13 및 도 14에 도시된 바와 같이, MCCP에서 배터리 #5, 배터리 #6, 배터리 #7 및 배터리 #18에 대해 얻은 예측 결과를 보여주고 있다.

상기 MLP 모델과 동일하게 CNN, LSTM 및 BiLSTM 모델에서도 예측 결과를 보여주고 있다. 여기서, 다른 학습 접근 방식과 달리 BiLSTM은 최상의 결과를 보여준다.

따라서, 다중 채널 충전 프로파일을 이용하여 최적의 모델을 선택함으로써 배터리 상태를 정확히 예측하여 고장 또는 사고 발생 전에 시스템 오류를 방지함으로써 안전하게 유지 관리를 할 수 있게 된다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

110: 전처리수단
111: 벡터연산부
112: 정규화부
113: 제1 저장부
120: 학습훈련수단
121: 학습부
122: 선택부
123: 제2 저장부
130: 추정평가수단
131: 추정부
132: 평가부
133: 제3 저장부

Claims

배터리 관리 시스템으로부터 배터리 데이터를 입력받아 배터리 데이터에서 이상 값 및 NULL 값을 제거하는 전처리 단계;
상기 전처리 된 배터리 데이터를 머신 러닝(Machine Learning: ML) 및 딥 러닝(Deep Learning: DL) 모델을 이용하여 학습 훈련하는 단계; 및
상기 학습 훈련된 모델들 중 선택된 모델의 배터리 데이터를 기본 오류 메트릭을 이용하여 배터리 상태를 보정하여 평가하는 단계;를 포함하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법.
제1항에 있어서,
상기 전처리 단계는,
상기 배터리 데이터에서 배터리 데이터에서 이상 값 및 NULL 값을 제거하고, 충전 간격의 특정 변동에 대해 서브샘플링 하는 단계;
상기 서브샘플링 된 배터리 데이터의 충전 프로파일 특징을 추출하는 단계;
상기 추출된 배터리 데이터의 충전 프로파일의 특징을 연결하여 벡터를 형성하는 단계; 및
상기 백터 형성 이후, 상기 배터리 데이터의 충전 프로파일 특징을 소정 범위 사이에서 정규화 하는 단계를 포함하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법.
제2항에 있어서,
상기 벡터를 형성하는 단계는,
상기 형성된 특징 벡터를 샘플링 하는 단계; 및
상기 샘플링 간격에 대응하여 배터리 데이터의 평균을 계산하는 단계를 포함하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법.
제3 항에 있어서,
상기 벡터를 형성하는 단계에서, 상기 충전 프로파일은 전압, 전류 및 온도의 특징으로 추출되고, 각 충전 프로파일 특징의 벡터는 n x 10 차원 메트릭으로 샘플링 하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법.
제2항에 있어서,
상기 정규화 하는 단계에서 상기 배터리 데이터를 0 에서 1 사이에서 스케일링 하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법.
제1항에 있어서,
상기 배터리 데이터를 학습 훈련하는 단계에서,
상기 배터리 데이터를 머신 러닝(Machine Learning: ML) 모델의 SVR(Support Vector Regression), AB(Adaptive Boosting) 및 딥 러닝(Deep Learning: DL) 모델의 MLP(Multi-Layer Perceptron), CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory), and BiLSTM(Bi-directional LSTM)을 각각 개별적으로 학습하고, 검증 데이터를 기반으로 상기 학습된 모델들 중 어느 하나의 모델을 선택하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법.
제1항 또는 6항에 있어서,
상기 선택된 학습 훈련 모델을 이용하여 배터리 데이터 테스트 용량을 예측하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법.
제1 항에 있어서,
상기 기본 오류 메트릭은 MAE(Mean absolute error), MSE(Mean square error), RMSE(Root mean square error) 및 MAPE(Mean absolute percentage error)를 포함하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 방법.
배터리 관리 시스템으로부터 배터리 데이터를 입력받아 배터리 데이터에서 이상 값 및 NULL 값을 제거하는 전처리수단;
상기 전처리 된 배터리 데이터를 머신 러닝(Machine Learning: ML) 및 딥 러닝(Deep Learning: DL) 모델을 이용하여 학습 훈련하는 학습훈련수단; 및
상기 학습 훈련된 모델들 중 선택된 모델의 배터리 데이터를 기본 오류 메트릭을 이용하여 배터리 상태를 보정하여 평가하는 추정평가수단;를 포함하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템.
제9항에 있어서,
상기 전처리수단은,
상기 배터리 데이터에서 이상 값 및 NULL 값을 제거하고, 상기 배터리 데이터에서 충전 간격의 특정 변동에 대해 서브샘플링 하고, 배터리 데이터의 충전 프로파일 특징을 추출하여 벡터를 형성하는 벡터연산부; 및
상기 벡터연산부에서 형성된 배터리 데이터의 충전 프로파일 특징을 소정 범위 사이에서 정규화 하는 정규화부를 포함하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템.
제10항에 있어서,
상기 벡터연산부는,
상기 형성된 특징 벡터를 샘플링 하고, 상기 샘플링 간격에 대응하여 배터리 데이터의 평균을 계산하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템.
제11 항에 있어서,
상기 벡터연산부는 상기 충전 프로파일에서 전압, 전류 및 온도의 특징으로 추출되고, 각 충전 프로파일 특징의 벡터는 n x 10 차원 메트릭으로 샘플링 하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템.
제10항에 있어서,
상기 정규화부는 상기 배터리 데이터를 0 에서 1 사이에서 스케일링 하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템.
제9항에 있어서,
상기 학습훈련수단은,
상기 배터리 데이터를 머신 러닝(Machine Learning: ML) 모델의 SVR(Support Vector Regression), AB(Adaptive Boosting) 및 딥 러닝(Deep Learning: DL) 모델의 MLP(Multi-Layer Perceptron), CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory), and BiLSTM(Bi-directional LSTM)을 각각 개별적으로 학습하는 학습부; 및 검증 데이터를 기반으로 상기 학습된 모델들 중 어느 하나의 모델을 선택하는 선택부를 포함하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템.
제9항에 있어서,
상기 추정평가수단은, 선택된 학습 훈련 모델을 이용하여 배터리 데이터 테스트 용량을 예측하는 추정부; 및
상기 추정부에서 예측된 배터리 테스트 용량을 기본 오류 메트릭을 이용하여 평가하는 평가부를 포함하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템.
제15 항에 있어서,
상기 평가부에서 기본 오류 메트릭은 MAE(Mean absolute error), MSE(Mean square error), RMSE(Root mean square error) 및 MAPE(Mean absolute percentage error)를 포함하는 것을 특징으로 하는 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템.