KR20230052759A - 배터리 충방전 프로파일 분석 방법 및 배터리 충방전 프로파일 분석 장치 - Google Patents

배터리 충방전 프로파일 분석 방법 및 배터리 충방전 프로파일 분석 장치 Download PDF

Info

Publication number
KR20230052759A
KR20230052759A KR1020210136161A KR20210136161A KR20230052759A KR 20230052759 A KR20230052759 A KR 20230052759A KR 1020210136161 A KR1020210136161 A KR 1020210136161A KR 20210136161 A KR20210136161 A KR 20210136161A KR 20230052759 A KR20230052759 A KR 20230052759A
Authority
KR
South Korea
Prior art keywords
charge
discharge
target
discharge control
time
Prior art date
Application number
KR1020210136161A
Other languages
English (en)
Inventor
박도현
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 KR1020210136161A priority Critical patent/KR20230052759A/ko
Priority to EP22881228.5A priority patent/EP4354163A1/en
Priority to PCT/KR2022/013827 priority patent/WO2023063599A1/ko
Priority to CN202280036596.3A priority patent/CN117355759A/zh
Priority to JP2023569641A priority patent/JP2024518954A/ja
Publication of KR20230052759A publication Critical patent/KR20230052759A/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]
    • G01R31/382—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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
    • H02J7/00038—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange using passive battery identification means, e.g. resistors or capacitors
    • H02J7/00041—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange using passive battery identification means, e.g. resistors or capacitors in response to measured battery parameters, e.g. voltage, current or temperature profile
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0069—Charging or discharging for charge maintenance, battery initiation or rejuvenation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/0071—Regulation of charging or discharging current or voltage with a programmable schedule
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

배터리 충방전 프로파일 분석 방법 및 장치가 제공된다. 상기 방법은, 복수의 학습용 충방전 프로파일을 학습 데이터 세트로 이용하여, 머신 러닝 모델을 학습시키는 단계로서, 각 학습용 충방전 프로파일은 타임 인덱스들 각각에 활성화 공정에서 순차 진행되는 복수의 충방전 제어 구간 중 어느 한 충방전 제어 구간의 식별 넘버가 할당되어 있는 데이터 세트인 학습 구간 분류 정보를 포함하는 단계; 배터리 셀에 대한 상기 활성화 공정을 통해 취득된 타겟 충방전 프로파일을 상기 머신 러닝 모델에 입력하는 단계; 및 상기 머신 러닝 모델로부터, 입력된 상기 타겟 충방전 프로파일에 대한 타겟 구간 분류 정보를 취득하는 단계를 포함한다. 상기 타겟 구간 분류 정보는, 상기 타겟 충방전 프로파일의 타임 인덱스들 각각에 상기 복수의 충방전 제어 구간 중 어느 한 충방전 제어 구간의 식별 넘버가 할당되어 있는 데이터 세트이다.

Description

배터리 충방전 프로파일 분석 방법 및 배터리 충방전 프로파일 분석 장치{BATTERY CHARGING AND DISCHARGING PROFILE ANALYZING METHOD, AND BATTERY CHARGING AND DISCHARGING PROFILE ANALYZING DEVICE}
본 발명은, 배터리 충방전 프로파일 분석에 관한 것으로서, 보다 상세하게는, 활성화 공정의 스텝들의 고유 특징을 기반으로, 활성화 공정의 진행 중에 배터리 셀로부터 모니터링된 충방전 프로파일을 분석하여, 활성화 공정의 스텝들에 대응하는 구간 분류 정보를 충방전 프로파일에 자동 부여하는 기술에 관한 것이다.
최근, 노트북, 비디오 카메라, 휴대용 전화기 등과 같은 휴대용 전자 제품의 수요가 급격하게 증대되고, 전기 차량, 에너지 저장용 축전지, 로봇, 위성 등의 개발이 본격화됨에 따라, 반복적인 충방전이 가능한 고성능 배터리에 대한 연구가 활발히 진행되고 있다.
현재 상용화된 배터리로는 니켈 카드뮴 전지, 니켈 수소 전지, 니켈 아연 전지, 리튬 배터리 등이 있는데, 이 중에서 리튬 배터리는 니켈 계열의 배터리에 비해 메모리 효과가 거의 일어나지 않아 충방전이 자유롭고, 자가 방전율이 매우 낮으며 에너지 밀도가 높은 장점으로 각광을 받고 있다.
생산 라인을 통해 완제품으로 조립된 배터리 셀은 활성화 공정을 거쳐 최종적으로 출고 가능한 상태가 된다. 활성화 공정에서는, 미리 스케쥴링된 일련의 충방전 제어 구간들이 충방전 설비에 의해 순차 진행되며, 이로써 배터리 셀의 용량과 성능이 설계 사양에 맞춰진다.
또한, 활성화 공정은, 배터리 셀의 출하 전에, 불량 배터리 셀을 걸러내는 데에 활용되는 배터리 검사용 데이터를 취득할 수 있는 마지막 과정이기도 하다. 활성화 공정의 충방전 제어 구간들이 진행되는 중에 배터리 셀로부터 취득된 각종 배터리 파라미터(예, 전압, 전류, 용량)의 시계열 데이터를 몇몇 충방전 제어 구간에 연관되도록 미리 세팅된 기준 조건(들)과 비교함으로써, 배터리 셀의 불량 유무를 점검에 활용할 수 있다.
이를 위해, 종래의 충방전 설비는, 활성화 공정의 각 충방전 제어 구간의 진행 중, 배터리 파라미터에 해당 충방전 제어 구간의 식별 넘버를 할당하는 동작을 반복하는 구간화 기능을 정상 실행하지 않는 경우도 있으며, 식별 넘버를 할당하더라도 물리적인 식별구간으로 제품의 양부를 판정하기 위해서는 보다 세밀화된 구간 설정이 필요한 경우 또한 있다.
이와 같이 구간 정보가 없거나 있더라도 데이터 분석 측면에 적합한 구간 정보가 저장되지 않은 경우, 시계열 데이터(충방전 프로파일)로부터는, 배터리 셀에 대한 특징 추출, 진단 및 분석에 어려움이 있다.
본 발명은, 상기와 같은 문제점을 해결하기 위해 안출된 것으로서, 활성화 공정 중에 배터리 셀의 배터리 파라미터들을 모니터링하여 취득되는 충방전 프로파일의 시계열 데이터를 구성하는 각각의 샘플값(데이터 포인트)에 대해, 활성화 공정의 충방전 제어 구간별 식별 넘버를 자동 할당하는 방법 및 장치를 제공하는 것을 목적으로 한다.
본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구범위에 나타난 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명의 일 측면에 따른 배터리 충방전 프로파일 분석 방법은, 복수의 학습용 충방전 프로파일을 학습 데이터 세트로 이용하여, 머신 러닝 모델을 학습시키는 단계로서, 각 학습용 충방전 프로파일은 타임 인덱스들 각각에 활성화 공정에서 순차 진행되는 복수의 충방전 제어 구간 중 어느 한 충방전 제어 구간의 식별 넘버가 할당되어 있는 데이터 세트인 학습 구간 분류 정보를 포함하는 단계; 배터리 셀에 대한 상기 활성화 공정을 통해 취득된 타겟 충방전 프로파일을 상기 머신 러닝 모델에 입력하는 단계; 및 상기 머신 러닝 모델로부터, 입력된 상기 타겟 충방전 프로파일에 대한 타겟 구간 분류 정보를 취득하는 단계를 포함한다. 상기 타겟 구간 분류 정보는, 상기 타겟 충방전 프로파일의 타임 인덱스들 각각에 상기 복수의 충방전 제어 구간 중 어느 한 충방전 제어 구간의 식별 넘버가 할당되어 있는 데이터 세트이다.
상기 타겟 충방전 프로파일은, 상기 타겟 충방전 프로파일의 타임 인덱스들에 따른 상기 배터리 셀의 전압의 경시적 변화를 나타내는 전압 시계열 데이터; 및 상기 타겟 충방전 프로파일의 타임 인덱스들에 따른 상기 배터리 셀의 충방전 전류의 경시적 변화를 나타내는 전류 시계열 데이터를 포함할 수 있다.
상기 머신 러닝 모델은, 의사결정 나무(decision tree)일 수 있다.
상기 배터리 충방전 프로파일 분석 방법은, 상기 타겟 구간 분류 정보의 타임 인덱스들의 순서에 따라 상기 타겟 구간 분류 정보의 타임 인덱스들에 할당된 식별 넘버들을 비교하여, 상기 타겟 충방전 프로파일의 이상 유무를 판정하는 단계를 더 포함할 수 있다.
상기 복수의 충방전 제어 구간의 어느 두 충방전 제어 구간 중, 선진행되는 충방전 제어 구간의 식별 넘버는 후진행되는 충방전 제어 구간의 식별 넘버보다 작을 수 있다.
상기 타겟 충방전 프로파일의 이상 유무를 판정하는 단계에서는, 상기 타겟 구간 분류 정보의 어느 두 타임 인덱스 중, 선 타임 인덱스에 할당된 식별 넘버가 후 타임 인덱스에 할당된 식별 넘버보다 큰 경우, 상기 타겟 충방전 프로파일이 이상인 것으로 판정될 수 있다.
상기 타겟 충방전 프로파일의 이상 유무를 판정하는 단계에서는, 상기 복수의 충방전 제어 구간의 복수의 식별 넘버 중, 상기 타겟 구간 분류 정보의 인접한 어느 두 타임 인덱스에 할당된 두 식별 넘버 사이의 값을 가지는 식별 넘버가 있는 경우, 상기 타겟 충방전 프로파일이 이상인 것으로 판정될 수 있다.
상기 타겟 충방전 프로파일의 이상 유무를 판정하는 단계에서는, 상기 복수의 충방전 제어 구간 중 적어도 한 충방전 제어 구간의 식별 넘버가, 상기 타겟 구간 분류 정보의 타임 인덱스들 중 어느 것에도 할당되지 않은 경우, 상기 타겟 충방전 프로파일이 이상인 것으로 판정될 수 있다.
본 발명의 다른 측면에 따른 배터리 충방전 프로파일 분석 장치는, 복수의 학습용 충방전 프로파일을 저장하도록 구성되되, 각 학습용 충방전 프로파일은 타임 인덱스들 각각에 활성화 공정에서 순차 진행되는 복수의 충방전 제어 구간 중 어느 한 충방전 제어 구간의 식별 넘버가 할당되어 있는 데이터 세트인 학습 구간 분류 정보를 포함하는 것인 데이터 취득부; 및 상기 복수의 학습용 충방전 프로파일을 학습 데이터 세트로 이용하여, 머신 러닝 모델을 학습시키도록 구성되는 데이터 처리부를 포함한다. 상기 데이터 처리부는, 배터리 셀에 대한 상기 활성화 공정을 통해 취득된 타겟 충방전 프로파일을 상기 머신 러닝 모델에 입력하여, 상기 타겟 충방전 프로파일에 대한 타겟 구간 분류 정보를 취득하도록 구성된다. 상기 타겟 구간 분류 정보는, 상기 타겟 충방전 프로파일의 타임 인덱스들 각각에 상기 복수의 충방전 제어 구간 중 어느 한 충방전 제어 구간의 식별 넘버가 할당되어 있는 데이터 세트이다.
상기 머신 러닝 모델은, 의사결정 나무(decision tree)일 수 있다.
상기 데이터 처리부는, 상기 타겟 구간 분류 정보의 타임 인덱스들의 순서에 따라 상기 타겟 구간 분류 정보의 타임 인덱스들에 할당된 식별 넘버들을 비교하여, 상기 타겟 충방전 프로파일의 이상 유무를 판정하도록 구성될 수 있다.
본 발명의 또 다른 측면에 따른 배터리 활성화 시스템은 상기 배터리 충방전 프로파일 분석 장치를 포함한다.
본 발명의 실시예들 중 적어도 하나에 의하면, 활성화 공정 중에 배터리 셀의 배터리 파라미터들을 모니터링하여 취득되는 충방전 프로파일의 시계열 데이터를 구성하는 각각의 샘플값(데이터 포인트)에 대해, 활성화 공정의 충방전 제어 구간별 식별 넘버를 자동 할당할 수 있다. 이에 따라, 충방전 설비에 구간화 기능이 없거나 구간화 기능에 실패(에러 발생)하더라도, 활성화 공정을 구성하는 충방전 제어 구간들의 진행 순서에 맞춰 전체 충방전 프로파일을 구간화할 수 있으므로, 배터리 셀에 대한 특징 추출, 진단 및 분석의 효율성이 증대된다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 후술되는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일 실시예에 따른 배터리 활성화 시스템의 개략적인 구성을 예시적으로 나타낸 도면이다.
도 2는 활성화 공정 중에 배터리 셀로부터 취득 가능한 충방전 프로파일과 활성화 공정의 충방전 제어 구간들 간의 관계를 예시적으로 보여주는 그래프이다.
도 3은 머신 러닝 모델에 대한 학습 방법을 예시적으로 보여주는 순서도이다.
도 5 내지 도 8은 학습 완료된 머신 러닝 모델로부터 취득되는 타겟 충방전 프로파일에 대한 구간화 결과들을 예시한다.
도 4는 도 3의 방법에 따라 학습 완료된 머신 러닝 모델의 일 예인 의사결정 나무(decision tree)를 설명하는 데에 참조되는 도면이다.
도 9는 본 발명의 일 실시예에 따른 배터리 충방전 프로파일 분석 방법을 예시적으로 보여주는 순서도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 한다.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어들은, 다양한 구성요소들 중 어느 하나를 나머지와 구별하는 목적으로 사용되는 것이고, 그러한 용어들에 의해 구성요소들을 한정하기 위해 사용되는 것은 아니다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 또한, 명세서에 기재된 <~부(unit)>와 같은 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 하드웨어, 소프트웨어, 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다.
도 1은 본 발명의 일 실시예에 따른 배터리 활성화 시스템(1)의 개략적인 구성을 예시적으로 나타낸 도면이다.
도 1을 참조하면, 배터리 활성화 시스템(1)은, 충방전 설비(100) 및 배터리 충방전 프로파일 분석 장치(200)를 포함한다.
충방전 설비(100)는, 생상 라인을 거쳐 조립 완료된 배터리 셀(BC)에 대한 활성화 공정을 위해, 미리 정해진 활성화 스케쥴에 맞춰, 활성화 공정에 포함된 일련의 충방전 제어 구간들을 순차 실시하도록 제공된다.
충방전 설비(100)는, 충전 기능, 방전 기능 및 휴지 기능을 가지며, 활성화 스케쥴에 따라, 충전 기능, 방전 기능 및 휴지 기능 중 하나를 선택적으로 실행하고, 충방전 제어 구간별로 미리 설정되어 있는 제어 파라미터(예, 충전 전압, 충전 전류, 방전 전압, 방전 전류 등)를 기초로 배터리 셀(BC)을 충방전하도록 구성된다. 배터리 셀(BC)는, 리튬 이온 셀과 같이, 반복적인 충방전이 가능한 것이라면 그 종류는 특별히 제한되지 않는다.
충방전 설비(100)는, 충방전기(110) 및 공정 컨트롤러(120)를 포함한다.
충방전기(110)는, 전원 공급 유닛(111) 및 충방전 유닛(112)을 포함한다.
전원 공급 유닛(111)은, 교류 전원 및/또는 직류 전원으로부터 공급되는 전력을 충방전 유닛(112)의 입력 사양에 맞는 소정의 전압 레벨을 가지는 직류로 변환하도록 구성된다. AC-DC 컨버터 및 DC-DC 컨버터 중 하나 또는 둘의 조합이 전원 공급 유닛(111)으로서 이용될 수 있다.
충방전 유닛(112)은, 그에 구비된 한 쌍의 충방전 단자가 배터리 셀(BC)의 양극과 음극에 접속되어, 공정 컨트롤러(120)로부터의 명령에 따라, 배터리 셀(BC)을 충전시키거나 방전시키거나 또는 충전과 방전을 중단시킬 수 있다. 정전류 회로 및 정전압 회로 중 하나 또는 둘의 조합이 충방전 유닛(112)으로서 이용될 수 있다.
공정 컨트롤러(120)는, 그 내부에 탑재된 메모리에 활성화 스케쥴을 미리 기억하고 있다. 공정 컨트롤러(120)는, 사용자 입력에 응답하여, 활성화 스케쥴에 맞춰 활성화 공정을 개시하고, 활성화 공정이 충방전 제어 구간들이 각각에 대해 미리 지정된 진행 순서에 맞춰 순서대로 활성화되도록, 충방전기(110)를 제어한다.
배터리 충방전 프로파일 분석 장치(200)는, 데이터 취득부(210) 및 데이터 처리부(220)를 포함한다. 배터리 충방전 프로파일 분석 장치(200)는, 정보 출력부(230)를 더 포함할 수 있다. 배터리 충방전 프로파일 분석 장치(200)는, 충방전 설비(100)에 의한 활성화 공정의 개시에 응답하여, 그 동작이 활성화될 수 있다.
데이터 취득부(210)는, 배터리 셀(BC)에 대한 활성화 공정 중, 배터리 파라미터들 각각의 샘플값을 일정 시간마다 주기적으로 검출하도록 구성된다. 배터리 파라미터는 배터리 셀(BC)의 전압 및 전류가 포함되고, 데이터 취득부(210)는 전압 검출기(211) 및 전류 검출기(212)를 포함한다.
전압 검출기(211)는, 배터리 셀(BC)의 양극과 음극에 접속되어, 배터리 셀(BC)의 양단에 걸친 전압을 검출하고, 검출된 전압의 샘플값을 나타내는 신호를 생성(출력)한다.
전류 검출기(212)는, 배터리 셀(BC)과 충방전 유닛(112) 간을 접속하는 충방전 경로에 설치되어, 활성화 공정 중에 배터리 셀(BC)을 통해 흐르는 충방전 전류를 검출하고, 검출된 전류의 샘플값을 나타내는 신호를 생성(출력)한다. 일 예로, 션트 저항 및/또는 홀 센서와 같은 공지의 전류 검출 소자가 전류 검출기(212)로서 이용될 수 있다. 전압 검출기(211) 및 전류 검출기(212)는, 단일 칩의 형태로 집적화될 수 있다.
정보 출력부(230)는, 활성화 공정에 관련된 각종 정보를 사용자가 인식 가능한 형태로 출력하도록 제공된다. 일 예로, 정보 출력부(230)는, 모니터, 터치스크린, 스피커, 및/또는 진동기를 포함할 수 있다.
데이터 처리부(220)는, 데이터 취득부(210), 정보 출력부(230) 및 충방전 설비(100)에 동작 가능하게 결합된다. 두 구성이 동작 가능하게 결합된다는 것은, 단방향 또는 양방향으로 신호를 송수신 가능하도록 두 구성이 직간접적으로 연결되어 있음을 의미한다.
데이터 처리부(220)는, 하드웨어적으로 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
데이터 처리부(220)에는 메모리가 내장될 수 있다. 메모리는, 예컨대 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory) 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 메모리는, 데이터 처리부(220)에 의한 후술된 동작들에 요구되는 데이터 및 프로그램을 저장할 수 있다. 메모리는, 데이터 처리부(220)에 의해 실시된 동작들의 결과를 나타내는 데이터를 저장할 수 있다.
도 2는 활성화 공정 중에 배터리 셀로부터 취득 가능한 충방전 프로파일과 활성화 공정의 충방전 제어 구간들 간의 관계를 예시적으로 보여주는 그래프이다.
도 2를 참조하면, 충방전 프로파일은, 전압 시계열 데이터 및 전류 시계열 데이터를 포함한다.
커브(C1)는 전압 시계열 데이터를 나타낸다. 전압 시계열 데이터는, 활성화 공정 중, 주기적으로 검출되는 배터리 셀(BC)의 양단에 걸친 전압의 샘플값들을 검출 시각의 타임 인덱스에 따라 정렬한 집합이다.
커브(C2)는 전류 시계열 데이터를 나타낸다. 전류 시계열 데이터는, 활성화 공정 중, 주기적으로 검출되는 배터리 셀(BC)의 충방전 전류의 샘플값들을 검출 시각의 타임 인덱스에 따라 정렬한 집합이다.
도 2에서는 활성화 공정의 개시부터 종료까지 총 6개의 충방전 제어 구간들 즉, 제1 내지 제6 충방전 제어 구간(N1~N6)이 순차 진행되는 것을 예시하고 있다.
제1 충방전 제어 구간(N1)은, 충전 전 대기 구간으로서, 조립 완료된 배터리 셀(BC)에 대한 제2 충방전 제어 구간(N2)을 진행하기에 앞서서, 배터리 셀(BC) 내부의 전기화학적 안정화를 위해, 소정의 제1 휴지 시간 동안 충방전없이 방치하는 구간이다. 제1 충방전 제어 구간(N1)에서는, 배터리의 전압은 일정하게 유지되고, 배터리의 전류 또한 0 A로 일정하다.
제2 충방전 제어 구간(N2)은, 제1 충방전 제어 구간(N1)의 종료 직후에 개시되는, 배터리 셀(BC)이 충방전기(110)에 의해 정전류 충전되는 구간이다. 제2 충방전 제어 구간(N2)은, 배터리 셀(BC)의 전압이 소정의 컷오프 전압에 도달하거나 제2 충방전 제어 구간(N2)의 시작 시각으로부터 소정 시간이 경과한 것에 응답하여 종료될 수 있다. 제2 충방전 제어 구간(N2)에서는, 배터리 셀(BC)의 전압이 지속 증가하고, 배터리 셀(BC)의 충전 전류는 미리 정해진 전류 레이트로 일정하다.
제3 충방전 제어 구간(N3)은, 제2 충방전 제어 구간(N2)의 종료 직후에 개시되는, 배터리 셀(BC)이 충방전기(110)에 의해 정전압 충전되는 구간이다. 정전류 충전의 전압 레벨은 제2 충방전 제어 구간(N2)에서의 컷오프 전압과 동일할 수 있다. 제3 충방전 제어 구간(N3)은, 배터리 셀(BC)의 충전 전류가 소정의 컷오프 전류에 도달하거나 제3 충방전 제어 구간(N3)의 시작 시각으로부터 소정 시간이 경과한 것에 응답하여 종료될 수 있다. 제3 충방전 제어 구간(N3)에서는, 배터리 셀(BC)의 전압이 제2 충방전 제어 구간(N2)보다 느리게 증가한다. 제3 충방전 제어 구간(N3)에서는, 정전압 충전의 전압 레벨과 배터리 셀(BC)의 전압 간의 차이가 점차 줄어들면서, 배터리 셀(BC)의 충전 전류는 0 A를 향하여 자연 감소한다.
제4 충방전 제어 구간(N4)은, 충전 후 대기 구간으로서, 제2, 3 충방전 제어 구간에 걸친 충전에 의한 분극을 완화하기 위해, 소정의 제2 휴지 시간 동안 충방전없이 방치하는 구간이다. 제4 충방전 제어 구간(N4)에서는, 배터리 셀(BC)의 전압은 컷오프 전압으로부터 약간 작은 전압으로 완만하게 하강하면서 점차 안정화되고, 배터리 셀(BC)의 전류는 제1 충방전 제어 구간(N1)에서와 같이 0 A로 일정하다.
제5 충방전 제어 구간(N5)은, 제4 충방전 제어 구간(N4)의 종료 직후에 개시되는, 배터리 셀(BC)이 충방전기(110)에 의해 정전류 방전되는 구간이다. 제5 충방전 제어 구간(N5)은, 배터리 셀(BC)의 전압이 소정의 방전 종료 전압에 도달하거나 제5 충방전 제어 구간(N5)의 시작 시각으로부터 소정 시간이 경과한 것에 응답하여 종료될 수 있다. 제5 충방전 제어 구간(N5)에서는, 배터리 셀(BC)의 전압이 지속 하강하고, 배터리 셀(BC)의 방전 전류는 미리 정해진 전류 레이트로 일정하다.
제6 충방전 제어 구간(N6)은, 방전 후 대기 구간으로서, 제5 충방전 제어 구간(N5)에 걸친 방전에 의한 분극을 완화하기 위해, 소정의 제3 휴지 시간 동안 충방전없이 방치하는 구간이다. 제6 충방전 제어 구간(N6)의 시작 시각에서, 배터리 셀(BC)의 전압이 방전 종료 전압으로부터 정전류 방전의 전류 레이트와 배터리 셀(BC)의 내부저항에 의한 전압 강하분만큼 회복된 다음 점차 안정화되고, 배터리 셀(BC)의 전류는 제1, 제4 충방전 제어 구간(N4)에서와 같이 0 A로 일정하다.
주목한 점은, 전술된 제1 내지 제6 충방전 제어 구간(N6)에 있어서, 이들 각각의 충방전 제어 구간에서는 나머지 각각의 충방전 제어 구간에서는 고유하게 구별되는 배터리 파라미터의 샘플값이 취득된다는 점이다. 일 예로, 제5 충방전 제어 구간(N5)은, 배터리 셀(BC)을 통해 방전 전류가 흐르는 구간이라는 점에서, 나머지 충방전 제어 구간들과 구별되는 특징을 가진다. 다른 예로, 제1, 4, 6 충방전 제어 구간은 전류가 0 A라는 점에서 제2, 3, 5 충방전 제어 구간과는 구별된다. 또한, 제1, 4, 6 충방전 제어 구간은, 전류가 0 A인 것은 공통되나, 세 구간에서의 배터리 셀(BC)의 전압은 서로 겹치지 않는 세 전압 범위에 각각 위치한다는 점에서 서로 구별된다.
배터리 충방전 프로파일 분석 장치(200)는, 위와 같이 활정화 공정의 충방전 제어 구간들 각각에서는 다른 충방전 제어 구간으로부터 구별 가능한 고유의 특성을 띄는 배터리 파라미터의 샘플값이 취득된다는 점에 근거하여, 충방전 프로파일의 타임 인덱스별로 정렬된 단일 배터리 파라미터의 샘플값 또는 둘 이상의 배터리 파라미터의 샘플값의 조합에 의해 특정된 충방전 제어 구간의 식별 넘버를 해당 샘플값(또는 두 배터리 파라미터의 샘플값의 조합)의 타임 인덱스에 연관되도록 할당하는 동작을 통해, 충방전 프로파일에 구간 분류 정보를 활성화 공정의 종류 후 사후적으로 부가하는 구간화 기능을 제공할 수 있다. 식별 넘버들은, 충방전 제어 구간들의 진행 순서에 맞춰 오름차순 또는 내림차순의 관계를 가질 수 있다. 일 예로, 선진행되는 충방전 제어 구간의 식별 넘버(예, N1)는 후진행되는 충방전 제어 구간(예, N2)의 식별 넘버보다 작을 수 있다. 도 2에서는, 서로 인접한 두 충방전 제어 구간의 두 식별 넘버 간의 차이는 1인 것으로 예시하였다. 이하에서는, 설명의 편의를 위해, 각 충방전 제어 구간과 그의 식별 넘버에 동일 부호를 부여하였다.
구간 분류 정보는, 활성화 공정의 시작 시각부터 종료 시간까지의 시간 범위 내에 위치하는 타임 인덱스들에 맞춰 정렬된 식별 넘버들의 데이터 세트이다. 배터리 충방전 프로파일 분석 장치(200)는, 복수의 학습용 충방전 프로파일을 학습 데이터 세트로 이용하여 학습시킨 머신 러닝 모델을 실행함으로써 구간화 기능을 활성화할 수 있다. 각 학습용 충방전 프로파일은, 그것의 타임 인덱스들 각각에 활성화 공정에서 순차 진행되는 복수의 충방전 제어 구간 중 어느 한 충방전 제어 구간의 식별 넘버가 할당되어 있는 데이터 세트인 학습 구간 분류 정보를 포함한다. 학습 구간 분류 정보는, 사용자에 의해 수동 입력된 것일 수 있다.
도 3은 머신 러닝 모델에 대한 학습 방법을 예시적으로 보여주는 순서도이고, 도 4는 도 3의 방법에 따라 학습 완료된 머신 러닝 모델의 일 예인 의사결정 나무(decision tree)를 설명하는 데에 참조되는 도면이다. 도 3의 방법은 배터리 충방전 프로파일 분석 장치(200)에 의해 실행 가능하다. 물론, 다중 분류가 가능한 것이라면 의사결정 나무 외의 다른 모델이 머신 러닝 모델로서 적용될 수 있다.
도 3 및 도 4를 참조하면, 단계 S310에서, 데이터 처리부(220)는, 복수의 학습용 충방전 프로파일을 머신 러닝 모델(400)에 입력한다.
단계 S320에서, 데이터 처리부(220)는, 입력된 각 학습용 충방전 프로파일에 대응하는 관측 구간 분류 정보를 머신 러닝 모델(400)로부터 취득한다. 각 관측 구간 분류 정보는, 머신 러닝 모델(400)에 의해 분류 완료된 데이터 세트 즉, 각 학습용 충방전 프로파일의 타임 인덱스들에 부가된 식별 넘버들의 시계열이다.
단계 S330에서, 데이터 처리부(220)는, 서로 대응하는 관측 구간 분류 정보와 학습 구간 분류 정보를 비교하여, 적어도 하나의 관측 구간 분류 정보의 이상 여부를 판정한다. 단계 S330의 값이 "아니오"인 것은, 머신 러닝 모델의 불순도가 기준치 미만이어서 학습이 완료된 것을 나타낸다. 단계 S330의 값이 "예"인 것은, 머신 러닝 모델의 불순도가 기준치 이상이어서 추가적인 학습이 필요함을 나타낸다. 단계 S330의 값이 "예"인 경우, 단계 S340이 진행된다.
단계 S340에서, 데이터 처리부(220)는, 복수의 학습용 충방전 프로파일 중 이상 관측 구간 분류 정보에 대응하는 학습용 충방전 프로파일을 머신 러닝 모델(400)에 재입력한다.
도 4는 제1 내지 제6 충방전 제어 구간(N1~N6)에 대해 학습 완료된 의사결정 나무(400)를 예시한다. 의사결정 나무(400)는, 루트 노드(410), 제1 내지 제4 중간 노드(421~424) 및 제1 내지 제6 말단 노드를 포함한다. 루트 노드(410)와 중간 노드를 내부 노드라고 통칭할 수 있고, 내부 노드는 고유의 분류 조건을 가진다. 제1 내지 제6 말단 노드(431~436)는, 타임 인덱스별 데이터(전압 샘플값+전류 샘플값)의 분류 결과로서 제1 내지 제6 충방전 제어 구간(N1~N6) 각각의 식별 넘버에 연관되어 있다.
루트 노드(410)는 제1 내지 제4 중간 모드(421~424)보다 강력한 분류 조건을 제공하는 노드이다. 도 4에서, 루트 노드(410)에서는, 제5 충방전 제어 구간(N5)과 나머지 충방전 제어 구간들이 분류되도록, 타임 인덱스별 전류 샘플값(SC)을 제5 충방전 제어 구간(N5)에 연관된 방전 전류값(H1)과 비교된다. 방전 전류값(H1)은, 전술된 학습 과정을 통해 정해진다. 루트 노드(410)의 분류 조건을 만족하는 타임 인덱스별 데이터에는 제5 말단 노드에(435) 연관된 식별 넘버(N5)가 할당된다. 루트 노드(410)의 분류 조건을 불만족하는 타임 인덱스별 데이터는 제1 중간 노드(421)로 입력된다.
제1 중간 노드(421)는 제2 내지 제4 중간 모드(422~424)보다 강력한 분류 조건을 제공하는 노드이다. 도 4에서, 제1 중간 노드(421)에서는, 제2 충방전 제어 구간(N2)과 나머지 충방전 제어 구간들이 분류되도록, 타임 인덱스별 전류 샘플값(SC)을 제2 충방전 제어 구간(N2)에 연관된 충전 전류값(H2)과 비교된다. 충전 전류값(H2)은, 전술된 학습 과정을 통해 정해진다. 제1 중간 노드(421)의 분류 조건을 만족하는 타임 인덱스별 데이터에는 제2 말단 노드(432)에 연관된 식별 넘버(N2)가 할당된다. 제1 중간 노드(421)의 분류 조건을 불만족하는 타임 인덱스별 데이터는 제2 중간 노드(422)로 입력된다.
제2 중간 노드(422)는 제3 및 제4 중간 모드(423, 424)보다 강력한 분류 조건을 제공하는 노드이다. 도 4에서, 제2 중간 노드(422)에서는, 제6 충방전 제어 구간(N6)과 나머지 충방전 제어 구간들이 분류되도록, 타임 인덱스별 전압 샘플값(SV)을 제6 충방전 제어 구간(N6)에 연관된 전압값(H3)과 비교된다. 제6 충방전 제어 구간(N6)에 연관된 전압값(H3)은, 전술된 학습 과정을 통해 정해진다. 제2 중간 노드(422)의 분류 조건을 만족하는 타임 인덱스별 데이터에는 제6 말단 노드(436)에 연관된 식별 넘버(N6)가 할당된다. 제2 중간 노드(422)의 분류 조건을 불만족하는 타임 인덱스별 데이터는 제3 중간 노드(423)로 입력된다.
제3 중간 노드(423)는 제4 중간 모드(424)보다 강력한 분류 조건을 제공하는 노드이다. 도 4에서, 제3 중간 노드(423)에서는, 제3 충방전 제어 구간(N3)과 나머지 충방전 제어 구간들이 분류되도록, 타임 인덱스별 전압 샘플값(SV)을 제3 충방전 제어 구간(N3)에 연관된 전압값(H4)과 비교된다. 제3 충방전 제어 구간(N3)에 연관된 전압값(H4)은, 전술된 학습 과정을 통해 정해진다. 제3 중간 노드(423)의 분류 조건을 만족하는 타임 인덱스별 데이터에는 제3 말단 노드(433)에 연관된 식별 넘버(N3)가 할당된다. 제3 중간 노드(423)의 분류 조건을 불만족하는 타임 인덱스별 데이터는 제4 중간 노드(424)로 입력된다.
제4 중간 노드(424)는 마지막 분류 조건을 제공하는 노드이다. 도 4에서, 제4 중간 노드(424)에서는, 제1 충방전 제어 구간(N1)과 제4 충방전 제어 구간(N4)이 상호 분류되도록, 타임 인덱스별 전압 샘플값(SV)을 제1 충방전 제어 구간(N1)에 연관된 전압값(H5)과 비교된다. 제1 충방전 제어 구간(N1)에 연관된 전압값(H5)은, 전술된 학습 과정을 통해 정해진다. 제4 중간 노드(424)의 분류 조건을 만족하는 타임 인덱스별 데이터에는 제1 말단 노드(431)에 연관된 식별 넘버(N1)가 할당된다. 제4 중간 노드(424)의 분류 조건을 불만족하는 타임 인덱스별 데이터에는 제4 말단 노드(434)에 연관된 식별 넘버(N4)가 할당된다.
데이터 처리부(220)는, 학습 완료된 머신 러닝 모델(400)에 타겟 충방전 프로파일을 입력하여, 타겟 충방전 프로파일에 타겟 구간 분류 정보를 부가할 수 있다. 타겟 충방전 프로파일은, 조립 완료된 배터리 셀(BC)에 대한 실제 활성화 공정을 통해 취득되는 충방전 프로파일을 지칭한다. 타겟 구간 분류 정보는, 타겟 충방전 프로파일에 부가되는 구간 분류 정보를 지칭한다.
도 5 내지 도 8은 학습 완료된 머신 러닝 모델(400)로부터 취득되는 타겟 충방전 프로파일에 대한 구간화 결과들을 예시한다. 데이터 처리부(220)는, 타겟 구간 분류 정보의 타임 인덱스들의 순서에 따라 타겟 구간 분류 정보의 타임 인덱스들에 할당된 식별 넘버들을 비교하여, 타겟 충방전 프로파일의 이상 유무를 판정할 수 있다. 도 5 내지 도 8에 있어서, 타임 인덱스로부터 사용된 기호 K, L, M, N 및 O는, 1 < K < L < M < N < O 의 관계에 있는 자연수로서 예시되어 있다.
먼저, 도 5는 타겟 충방전 프로파일에 부가된 정상 타겟 구간 분류 정보의 일 예이다. 도 3을 참조하면, 시각 t1부터 시각 t2 전까지의 각 타임 인덱스에는 제1 충방전 제어 구간(N1)의 식별 넘버, 시각 t2부터 시각 t3 전까지의 각 타임 인덱스에는 제2 충방전 제어 구간(N2)의 식별 넘버, 시각 t3부터 시각 t4 전까지의 각 타임 인덱스에는 제3 충방전 제어 구간(N3)의 식별 넘버, 시각 t4부터 시각 t5 전까지의 각 타임 인덱스에는 제4 충방전 제어 구간(N4)의 식별 넘버, 시각 t5부터 시각 t6 전까지의 각 타임 인덱스에는 제5 충방전 제어 구간(N5)의 식별 넘버, 시각 t6부터 시각 t7 전까지의 각 타임 인덱스에는 제6 충방전 제어 구간(N6)의 식별 넘버가 할당되어 있다.
다음으로, 도 6은 타겟 충방전 프로파일에 부가된 이상 타겟 구간 분류 정보의 일 예이다. 도 6을 참조하면, 도 5와 비교할 때, 시각 t3부터 시각 t4 전까지의 타임 인덱스들 중 적어도 하나의 타임 인덱스에 제3 충방전 제어 구간(N3) 다음으로 진행되는 제4 충방전 제어 구간(N4)의 식별 넘버가 할당되어 있다. 데이터 처리부(220)는, 도 6에서와 같이, 타겟 구간 분류 정보의 어느 두 타임 인덱스 중, 선 타임 인덱스(예, M-2)에 할당된 식별 넘버(예, N4)가 후 타임 인덱스(예, M-1)에 할당된 식별 넘버(예, N3)보다 큰 경우, 타겟 충방전 프로파일이 이상인 것으로 판정할 수 있다.
다음으로, 도 7은 타겟 충방전 프로파일에 부가된 이상 타겟 구간 분류 정보의 다른 예이다. 도 7을 참조하면, 도 5와 비교할 때, 시각 t1부터 시각 t2 전까지의 타임 인덱스들에는 제1 충방전 제어 구간(N1)의 식별 넘버가 정상 할당되어 있는 한편, 시각 t2과 시각 t3 사이의 몇몇 타임 인덱스들에는 제2 충방전 제어 구간(N2)이 아닌 제4 충방전 제어 구간(N4)의 식별 넘버가 할당되어 있다. 데이터 처리부(220)는, 도 7에서와 같이, 타겟 구간 분류 정보의 인접한 어느 두 타임 인덱스(예, K, K+1)에 할당된 두 식별 넘버(예, N2, N4) 사이의 값을 가지는 식별 넘버(예, N3)가 있는 경우, 타겟 충방전 프로파일이 이상인 것으로 판정할 수 있다.
다음으로, 도 8은 타겟 충방전 프로파일에 부가된 이상 타겟 구간 분류 정보의 또 다른 예이다. 도 8을 참조하면, 도 5와 비교할 때, 시각 t5부터 시각 t6 전까지의 타임 인덱스들 모두에 제4 충방전 제어 구간(N4)의 식별 넘버가 할당되어 있다. 데이터 처리부(220)는, 도 8에서와 같이, 복수의 충방전 제어 구간(N1~N6) 중 적어도 한 충방전 제어 구간의 식별 넘버(예, N5)가, 타겟 구간 분류 정보의 타임 인덱스들 중 어느 것에도 할당되지 않은 경우, 타겟 충방전 프로파일이 이상인 것으로 판정할 수 있다.
도 9는 본 발명의 일 실시예에 따른 배터리 충방전 프로파일 분석 방법을 예시적으로 보여주는 순서도이다.
도 9를 참조하면, 단계 S910에서, 데이터 처리부(220)는, 데이터 취득부(210)에 저장된 복수의 학습용 충방전 프로파일을 학습 데이터 세트로 이용하여, 머신 러닝 모델(400)을 학습시킨다(도 3 및 도 4 참조).
단계 S920에서, 데이터 처리부(220)는, 배터리 셀(BC)에 대한 활성화 공정을 통해 취득된 타겟 충방전 프로파일을 머신 러닝 모델(400)에 입력한다.
단계 S930에서, 데이터 처리부(220)는, 입력된 타겟 충방전 프로파일에 대한 타겟 구간 분류 정보를 머신 러닝 모델(400)로부터 취득한다. 타겟 구간 분류 정보는 메모리에 기록되거나, 정보 출력부(230)를 통해 사용자에게 전달될 수 있다.
도 9의 방법은 단계 S940를 더 포함할 수 있다. 단계 S940에서, 데이터 처리부(220)는, 타겟 구간 분류 정보의 타임 인덱스들의 순서에 따라 타겟 구간 분류 정보의 타임 인덱스들에 할당된 식별 넘버들을 비교하여, 타겟 충방전 프로파일의 이상 유무를 판정한다(도 5 내지 도 8 참조). 단계 S940의 값이 "예"인 경우, 단계 S950가 진행될 수 있다.
단계 S950에서, 데이터 처리부(220)는, (i)타겟 구간 분류 정보의 이상 유형 및 (i)식별 넘버가 오할당된 타임 인덱스 중 적어도 하나를 포함하는 통지 신호를 출력할 수 있다. 통지 신호는 메모리에 기록되거나, 정보 출력부(230)를 통해 사용자에게 전달될 수 있다.
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.
또한, 이상에서 설명한 본 발명은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니라, 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수 있다.
1: 배터리 활성화 시스템 BC: 배터리 셀
100: 충방전 설비 110: 충방전기
111: 전원 공급 유닛 112: 충방전 유닛
120: 컨트롤러
200: 배터리 충방전 프로파일 분석 장치
210: 데이터 취득부 211: 전압 검출기
212: 전류 검출기
220: 데이터 처리부 230: 정보 출력부

Claims (12)

  1. 복수의 학습용 충방전 프로파일을 학습 데이터 세트로 이용하여, 머신 러닝 모델을 학습시키는 단계로서, 각 학습용 충방전 프로파일은 타임 인덱스들 각각에 활성화 공정에서 순차 진행되는 복수의 충방전 제어 구간 중 어느 한 충방전 제어 구간의 식별 넘버가 할당되어 있는 데이터 세트인 학습 구간 분류 정보를 포함하는 단계;
    배터리 셀에 대한 상기 활성화 공정을 통해 취득된 타겟 충방전 프로파일을 상기 머신 러닝 모델에 입력하는 단계; 및
    상기 머신 러닝 모델로부터, 입력된 상기 타겟 충방전 프로파일에 대한 타겟 구간 분류 정보를 취득하는 단계로서, 상기 타겟 구간 분류 정보는 상기 타겟 충방전 프로파일의 타임 인덱스들 각각에 상기 복수의 충방전 제어 구간 중 어느 한 충방전 제어 구간의 식별 넘버가 할당되어 있는 데이터 세트인 단계를 포함하는 배터리 충방전 프로파일 분석 방법.
  2. 제1항에 있어서,
    상기 타겟 충방전 프로파일은,
    상기 타겟 충방전 프로파일의 타임 인덱스들에 따른 상기 배터리 셀의 전압의 경시적 변화를 나타내는 전압 시계열 데이터; 및
    상기 타겟 충방전 프로파일의 타임 인덱스들에 따른 상기 배터리 셀의 충방전 전류의 경시적 변화를 나타내는 전류 시계열 데이터를 포함하는, 배터리 충방전 프로파일 분석 방법.
  3. 제1항에 있어서,
    상기 머신 러닝 모델은,
    의사결정 나무(decision tree)인, 배터리 충방전 프로파일 분석 방법.
  4. 제1항에 있어서,
    상기 타겟 구간 분류 정보의 타임 인덱스들의 순서에 따라 상기 타겟 구간 분류 정보의 타임 인덱스들에 할당된 식별 넘버들을 비교하여, 상기 타겟 충방전 프로파일의 이상 유무를 판정하는 단계를 더 포함하는, 배터리 충방전 프로파일 분석 방법.
  5. 제4항에 있어서,
    상기 복수의 충방전 제어 구간의 어느 두 충방전 제어 구간 중, 선진행되는 충방전 제어 구간의 식별 넘버는 후진행되는 충방전 제어 구간의 식별 넘버보다 작은, 배터리 충방전 프로파일 분석 방법.
  6. 제5항에 있어서,
    상기 타겟 구간 분류 정보의 어느 두 타임 인덱스 중, 선 타임 인덱스에 할당된 식별 넘버가 후 타임 인덱스에 할당된 식별 넘버보다 큰 경우, 상기 타겟 충방전 프로파일이 이상인 것으로 판정되는, 배터리 충방전 프로파일 분석 방법.
  7. 제4항에 있어서,
    상기 복수의 충방전 제어 구간의 복수의 식별 넘버 중, 상기 타겟 구간 분류 정보의 인접한 어느 두 타임 인덱스에 할당된 두 식별 넘버 사이의 값을 가지는 식별 넘버가 있는 경우, 상기 타겟 충방전 프로파일이 이상인 것으로 판정되는, 배터리 충방전 프로파일 분석 방법.
  8. 제4항에 있어서,
    상기 복수의 충방전 제어 구간 중 적어도 한 충방전 제어 구간의 식별 넘버가, 상기 타겟 구간 분류 정보의 타임 인덱스들 중 어느 것에도 할당되지 않은 경우, 상기 타겟 충방전 프로파일이 이상인 것으로 판정되는, 배터리 충방전 프로파일 분석 방법.
  9. 복수의 학습용 충방전 프로파일을 저장하도록 구성되되, 각 학습용 충방전 프로파일은 타임 인덱스들 각각에 활성화 공정에서 순차 진행되는 복수의 충방전 제어 구간 중 어느 한 충방전 제어 구간의 식별 넘버가 할당되어 있는 데이터 세트인 학습 구간 분류 정보를 포함하는 것인 데이터 취득부; 및
    상기 복수의 학습용 충방전 프로파일을 학습 데이터 세트로 이용하여, 머신 러닝 모델을 학습시키도록 구성되는 데이터 처리부를 포함하고,
    상기 데이터 처리부는,
    배터리 셀에 대한 상기 활성화 공정을 통해 취득된 타겟 충방전 프로파일을 상기 머신 러닝 모델에 입력하여, 상기 타겟 충방전 프로파일에 대한 타겟 구간 분류 정보를 취득하도록 구성되되,
    상기 타겟 구간 분류 정보는, 상기 타겟 충방전 프로파일의 타임 인덱스들 각각에 상기 복수의 충방전 제어 구간 중 어느 한 충방전 제어 구간의 식별 넘버가 할당되어 있는 데이터 세트인, 배터리 충방전 프로파일 분석 장치.
  10. 제9항에 있어서,
    상기 머신 러닝 모델은,
    의사결정 나무(decision tree)인, 배터리 충방전 프로파일 분석 장치.
  11. 제9항에 있어서,
    상기 데이터 처리부는,
    상기 타겟 구간 분류 정보의 타임 인덱스들의 순서에 따라 상기 타겟 구간 분류 정보의 타임 인덱스들에 할당된 식별 넘버들을 비교하여, 상기 타겟 충방전 프로파일의 이상 유무를 판정하도록 구성되는, 배터리 충방전 프로파일 분석 장치.
  12. 제9항 내지 제11항 중 어느 한 항에 따른 상기 배터리 충방전 프로파일 분석 장치를 포함하는 배터리 활성화 시스템.
KR1020210136161A 2021-10-13 2021-10-13 배터리 충방전 프로파일 분석 방법 및 배터리 충방전 프로파일 분석 장치 KR20230052759A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020210136161A KR20230052759A (ko) 2021-10-13 2021-10-13 배터리 충방전 프로파일 분석 방법 및 배터리 충방전 프로파일 분석 장치
EP22881228.5A EP4354163A1 (en) 2021-10-13 2022-09-15 Battery charging and discharging profile analyzing method, and battery charging and discharging profile analyzing device
PCT/KR2022/013827 WO2023063599A1 (ko) 2021-10-13 2022-09-15 배터리 충방전 프로파일 분석 방법 및 배터리 충방전 프로파일 분석 장치
CN202280036596.3A CN117355759A (zh) 2021-10-13 2022-09-15 电池充电和放电曲线分析方法及电池充电和放电曲线分析装置
JP2023569641A JP2024518954A (ja) 2021-10-13 2022-09-15 バッテリー充放電プロファイルの分析方法及びバッテリー充放電プロファイル分析装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210136161A KR20230052759A (ko) 2021-10-13 2021-10-13 배터리 충방전 프로파일 분석 방법 및 배터리 충방전 프로파일 분석 장치

Publications (1)

Publication Number Publication Date
KR20230052759A true KR20230052759A (ko) 2023-04-20

Family

ID=85988388

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210136161A KR20230052759A (ko) 2021-10-13 2021-10-13 배터리 충방전 프로파일 분석 방법 및 배터리 충방전 프로파일 분석 장치

Country Status (5)

Country Link
EP (1) EP4354163A1 (ko)
JP (1) JP2024518954A (ko)
KR (1) KR20230052759A (ko)
CN (1) CN117355759A (ko)
WO (1) WO2023063599A1 (ko)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RS52274B2 (sr) 2005-05-13 2018-05-31 Univ California Jedinjenje diarilhidantoina
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
KR102332399B1 (ko) * 2015-02-06 2021-11-29 삼성전자주식회사 배터리 상태 추정 장치 및 방법
KR20200140093A (ko) * 2019-06-05 2020-12-15 삼성에스디아이 주식회사 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템
KR102272296B1 (ko) * 2019-11-25 2021-07-02 (주)오렌지아이 2차 전지의 성능 평가 지원 장치, 성능 평가 데이터 저장 및 분석 시스템 및 그의 이용 방법

Also Published As

Publication number Publication date
JP2024518954A (ja) 2024-05-08
CN117355759A (zh) 2024-01-05
EP4354163A1 (en) 2024-04-17
WO2023063599A1 (ko) 2023-04-20

Similar Documents

Publication Publication Date Title
CN108254696B (zh) 电池的健康状态评估方法及系统
US20220239122A1 (en) Server-side characterisation of rechargeable batteries
CN110709717B (zh) 基于松弛电压估计移动设备的电池健康的方法
CN108139446B (zh) 用于预测电池测试结果的电池测试系统
CN110133536A (zh) 确定电池组实体内部泄漏电流的指标的系统、方法及设备
JP7302765B2 (ja) バッテリー診断装置及び方法
KR20220074797A (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
EP3992648A1 (en) Battery diagnosis device and method
EP3961233A1 (en) Battery cell diagnosis device and method
KR20210031336A (ko) 배터리 진단 장치 및 방법
KR20220048782A (ko) 충방전 테스트 시스템 및 충방전 테스트 방법
CN107430172B (zh) 使用放电脉冲测量的电池监测设备和方法
KR101745633B1 (ko) 기준 셀의 순차 연결을 이용한 셀 밸런싱 장치 및 방법
US20220166075A1 (en) Method for Enhancing a Battery Module Model of a Battery Module Type
KR20230052759A (ko) 배터리 충방전 프로파일 분석 방법 및 배터리 충방전 프로파일 분석 장치
JP2022534442A (ja) バッテリー退化度診断装置及び方法
CN111856299A (zh) 电源状态的确定方法、装置及设备
Devarakonda et al. Parameter identification of circuit models for lead-acid batteries under non-zero initial conditions
WO2022012500A1 (zh) 一种检测车辆蓄电池坏格类型的方法及电池检测设备
KR101748643B1 (ko) 배터리 팩의 측정 데이터 선별 장치 및 방법
CN114487884A (zh) 电池检测方法、装置、电池系统及电子设备
KR20220012747A (ko) 배터리를 진단하기 위한 장치 및 그 방법
Salameh et al. Battery modeling and lifetime prediction
KR102620174B1 (ko) 배터리 진단 장치, 배터리 검사 시스템 및 배터리 진단 방법
CN114200310B (zh) 电化学装置析锂检测方法及电子设备

Legal Events

Date Code Title Description
A201 Request for examination