KR20230095556A - 배터리 수명 예측 장치 및 그것의 동작 방법 - Google Patents

배터리 수명 예측 장치 및 그것의 동작 방법 Download PDF

Info

Publication number
KR20230095556A
KR20230095556A KR1020210185150A KR20210185150A KR20230095556A KR 20230095556 A KR20230095556 A KR 20230095556A KR 1020210185150 A KR1020210185150 A KR 1020210185150A KR 20210185150 A KR20210185150 A KR 20210185150A KR 20230095556 A KR20230095556 A KR 20230095556A
Authority
KR
South Korea
Prior art keywords
battery
change
life prediction
capacity
voltage
Prior art date
Application number
KR1020210185150A
Other languages
English (en)
Inventor
정재형
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 KR1020210185150A priority Critical patent/KR20230095556A/ko
Publication of KR20230095556A publication Critical patent/KR20230095556A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • 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
    • 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)
  • Secondary Cells (AREA)

Abstract

본 문서에 개시된 일 실시예에 따른 배터리 수명 예측 장치는 배터리 데이터의 노이즈를 제거하는 필터 및 상기 노이즈가 제거된 배터리 데이터에 기초하여 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보를 추출하고, 상기 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보, 배터리의 온도와 충방전율(C-rate) 및 배터리 수명 예측 함수에 기초하여 상기 배터리의 수명을 예측하는 컨트롤러를 포함할 수 있다.

Description

배터리 수명 예측 장치 및 그것의 동작 방법{APPARATUS FOR ESTIMATING STATE OF HEALTH OF BATTERY AND OPERATING METHOD OF THE SAME}
본 문서에 개시된 실시예들은 배터리 수명 예측 장치 및 그것의 동작 방법에 관한 것이다.
전기차는 외부로부터 전기를 공급받아 배터리 셀을 충전한 후, 배터리 셀에 충전된 전압으로 모터를 구동시켜 동력을 얻는다. 전기차의 배터리 셀은 전기를 충전 및 방전하는 과정에서 발생하는 화학적 반응으로 열이 발생할 수 있고, 이러한 열은 배터리 셀의 성능 및 수명을 손상시킬 수 있다.
배터리 셀은 여러 번 반복하여 사용하면서 충전과 방전을 거치며 노화되어 수명이 점차 짧아진다. 배터리 셀은 수명은 사용 온도, 사용 기간, 충전 전압, 방전 횟수 등의 조건에 의해 크게 영향을 받아 배터리 셀의 잔류 용량을 측정하는 방법 만으로는 정확하게 진단할 수 없는 문제가 있다.
본 문서에 개시되는 실시예들의 일 목적은 배터리의 온도와 용량에 기초하여 배터리의 수명을 정확하게 산출할 수 있는 배터리 수명 예측 장치 및 그것의 동작 방법을 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 수명 예측 장치는 배터리 데이터의 노이즈를 제거하는 필터 및 상기 노이즈가 제거된 배터리 데이터에 기초하여 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보를 추출하고, 상기 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보, 배터리의 온도와 충방전율(C-rate) 및 배터리 수명 예측 함수에 기초하여 상기 배터리의 수명을 예측하는 컨트롤러를 포함할 수 있다.
일 실시예에 따라, 상기 배터리 수명 예측 함수 정보를 저장하는 룩업 테이블(LUT,　look　up　table)을 저장하는 메모리를 더 포함할 수 있다.
일 실시예에 따라, 상기 룩업 테이블은 상기 배터리의 온도와 충방전률에 따른 배터리 수명 예측 함수의 1차항 계수 및 상수항 계수를 저장할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 배터리의 용량을 전압으로 미분하여 상기 배터리의 미분 용량(dQ/dV) 그래프를 추출할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 배터리의 전압 변화에 따른 상기 배터리의 미분 용량 변화를 그래프를 추출할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 배터리의 미분 용량 그래프의 피크(Peak) 지점을 추출할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 배터리의 미분 용량 그래프의 피크 지점의 미분 용량 값, 상기 배터리의 온도와 충방전율 및 상기 배터리 수명 예측 함수에 입력하여 상기 배터리의 수명을 예측할 수 있다.
일 실시예에 따라, 상기 필터는 보간법 (Interpolation) 및 가우시안 필터(Gaussian filter)에 기초하여 상기 배터리 데이터의 노이즈를 제거할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 수명 예측 장치의 동작 방법은 배터리 데이터의 노이즈를 제거하는 단계, 상기 노이즈가 제거된 배터리 데이터에 기초하여 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보를 추출하는 단계 및 상기 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보, 배터리의 온도와 충방전율(C-rate) 및 배터리 수명 예측 함수에 기초하여 상기 배터리의 수명을 예측하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 배터리 수명 예측 함수 정보를 저장하는 룩업 테이블(LUT,　look　up　table)을 저장하는 단계를 더 포함할 수 있다.
일 실시예에 따라, 상기 배터리 수명 예측 함수 정보를 저장하는 룩업 테이블을 저장하는 단계는 상기 배터리의 온도와 충방전률에 따른 배터리 수명 예측 함수의 1차항 계수 및 상수항 계수를 저장할 수 있다.
일 실시예에 따라, 상기 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보, 배터리의 온도와 충방전율 및 배터리 수명 예측 함수에 기초하여 상기 배터리의 수명을 예측하는 단계는 상기 배터리의 용량을 전압으로 미분하여 상기 배터리의 미분 용량(dQ/dV) 그래프를 추출할 수 있다.
일 실시예에 따라, 상기 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보, 배터리의 온도와 충방전율 및 배터리 수명 예측 함수에 기초하여 상기 배터리의 수명을 예측하는 단계는 상기 배터리의 전압 변화에 따른 상기 배터리의 미분 용량 변화를 그래프를 추출할 수 있다.
일 실시예에 따라, 상기 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보, 배터리의 온도와 충방전율 및 배터리 수명 예측 함수에 기초하여 상기 배터리의 수명을 예측하는 단계는 상기 배터리의 미분 용량 그래프의 피크(Peak) 지점을 추출할 수 있다.
일 실시예에 따라, 상기 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보, 배터리의 온도와 충방전율 및 배터리 수명 예측 함수에 기초하여 상기 배터리의 수명을 예측하는 단계는 상기 배터리의 미분 용량 그래프의 피크 지점의 미분 용량 값, 상기 배터리의 온도와 충방전율 및 상기 배터리 수명 예측 함수에 입력하여 상기 배터리의 수명을 예측할 수 있다.
본 문서에 개시되는 일 실시예에 따른 배터리 수명 예측 장치 및 그것의 동작 방법에 따르면 배터리의 온도와 용량에 기초하여 배터리의 수명을 정확하게 산출할 수 있다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 팩을 보여주는 도면이다.
도 2 본 문서에 개시된 일 실시예에 따른 배터리 수명 예측 장치의 구성을 보여주는 블록도이다.
도 3은 본 문서에 기재된 일 실시예에 따른 배터리 전압 변화에 따른 배터리의 용량 변화를 보여주는 그래프이다.
도 4는 본 문서에 개시된 일 실시예에 따른 배터리 전압 변화에 따른 배터리의 미분 용량(dQ/dV) 변화를 보여주는 그래프이다.
도 5는 본 문서에 개시된 일 실시예에 따른 배터리 수명 예측 함수의 계수를 저장한 룩업 테이블을 보여주는 표이다.
도 6은 본 문서에 개시된 일 실시예에 따른 배터리 수명 예측 장치의 동작 방법을 보여주는 흐름도이다.
도 7은 본 문서에 개시된 일 실시예에 따른 배터리 수명 예측 장치를 구현하는 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
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(1000)은 배터리 모듈(100), 배터리 수명 예측 장치(200), 및 릴레이(300)를 포함할 수 있다.
배터리 모듈(100)은 복수의 배터리 셀들(110, 120, 130, 140)을 포함할 수 있다. 도 1에서는 복수의 배터리 셀들이 4개인 것으로 도시되었지만, 이에 한정되는 것은 아니며, 배터리 모듈(100)은 n(n은 2이상의 자연수)개의 배터리 셀들을 포함하여 구성될 수 있다.
배터리 모듈(100)은 대상 장치(미도시)에 전원을 공급할 수 있다. 이를 위해, 배터리 모듈(100)은 대상 장치와 전기적으로 연결될 수 있다. 여기서, 대상 장치는 복수의 배터리 셀들(110, 120, 130, 140)을 포함하는 배터리 팩(1000)으로부터 전원을 공급받아 동작하는 전기적, 전자적, 또는 기계적인 장치를 포함할 수 있으며, 예를 들어, 대상 장치는 전기 자동차(EV) 또는 에너지 저장 시스템(ESS, Energy Storage System)일 수 있으나 이에 한정되는 것은 아니다.
복수의 배터리 셀들(110, 120, 130, 140)은 전기 에너지를 충방전하여 사용할 수 있는 배터리의 기본 단위로, 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(100)이 한 개인 경우로 도시되나, 실시예에 따라 배터리 모듈(100)은 복수개로 구성될 수도 있다.
배터리 수명 예측 장치(200)를 포함할 수 있다. 배터리 관리 장치는
배터리 수명 예측 장치(200)는 복수의 배터리 셀들(110, 120, 130, 140)의 온도및 전압 데이터에 기초하여 복수의 배터리 셀들(110, 120, 130, 140)의 수명 (SOH, State of Health)을 예측할 수 있다. 배터리 수명 예측 장치(200)는 복수의 배터리 셀들(110, 120, 130, 140)의 배터리 데이터의 노이즈를 제거하고, 노이즈가 제거된 데이터에 기초하여 배터리의 온도 및 충방전율 별 복수의 배터리 셀들(110, 120, 130, 140)의 수명 (SOH, State of Health)을 예측할 수 있다.
일 실시예에 따라, 배터리 수명 예측 장치(200)는 배터리 관리 장치(BMS, Battery Management System)의 형태로 구현될 수 있다. 또한, 실시예에 따라, 배터리 수명 예측 장치(200)는 배터리 관리 장치에 탑재될 수 있다.
여기서 배터리 관리 장치는 배터리 모듈(100)의 상태 및/또는 동작을 관리 및/또는 제어할 수 있다. 예를 들어, 배터리 관리 장치는 배터리 모듈(100)에 포함된 복수의 배터리 셀들(110, 120, 130, 140)의 상태 및/또는 동작을 관리 및/또는 제어할 수 있다. 배터리 관리 장치는 배터리 모듈(100)의 충전 및/또는 방전을 관리할 수 있다.
또한, 배터리 관리 장치는 배터리 모듈(100) 및/또는 배터리 모듈(100)에 포함된 복수의 배터리 셀들(110, 120, 130, 140) 각각의 전압, 전류, 온도 등을 모니터링 할 수 있다. 그리고 배터리 관리 장치에 의한 모니터링을 위해 도시하지 않은 센서나 각종 측정 모듈이 배터리 모듈(100)이나 충방전 경로, 또는 배터리 모듈(100) 등의 임의의 위치에 추가로 설치될 수 있다. 배터리 관리 장치는 모니터링 한 전압, 전류, 온도 등의 측정값에 기초하여 배터리 모듈(100)의 상태를 나타내는 파라미터, 예를 들어 SOC(State of Charge)나 SOH(State of Health) 등을 산출할 수 있다.
배터리 관리 장치는 릴레이(300)의 동작을 제어할 수 있다. 예를 들어, 배터리 관리 장치는 대상 장치에 전원을 공급하기 위해 릴레이(300)를 단락시킬 수 있다. 또한, 배터리 관리 장치는 배터리 팩(1000)에 충전 장치가 연결되는 경우 릴레이(300)를 단락시킬 수 있다.
배터리 관리 장치는 복수의 배터리 셀들(110, 120, 130, 140) 각각의 셀 밸런싱 타임을 산출할 수 있다. 여기서, 셀 밸런싱 타임은 배터리 셀의 밸런싱에 소요되는 시간으로 정의될 수 있다. 예를 들어, 배터리 관리 장치는 복수의 배터리 셀들(110, 120, 130, 140) 각각의 SOC(State of Charge), 배터리 용량 및 밸런싱 효율에 기초하여 셀 밸런싱 타임을 산출할 수 있다.
이하에서 배터리 수명 예측 장치(200)의 구성 및 동작에 대해 구체적으로 설명한다.
도 2 본 문서에 개시된 일 실시예에 따른 배터리 수명 예측 장치의 구성을 보여주는 블록도이다.
이하에서는 도 2를 참조하여 배터리 수명 예측 장치(200)의 구성에 대해 구체적으로 설명한다.
먼저 도 2를 참조하면, 배터리 수명 예측 장치(200)는 필터(210), 컨트롤러(220) 및 메모리(230)를 포함할 수 있다.
필터(210)는 복수의 배터리 셀(110, 120, 130, 140)의 배터리 데이터의 노이즈를 제거할 수 있다. 여기서 배터리 데이터는 일 실시예에 따라 복수의 배터리 셀(110, 120, 130, 140)의 전압(V), 전류(I), 온도(T) 및 용량(Q) 등을 포함할 수 있다.
일 실시예에 따라, 필터(210)는 보간법 (Interpolation) 및 가우시안 필터(Gaussian filter)에 기초하여 복수의 배터리 셀(110, 120, 130, 140)의 배터리 데이터의 노이즈를 제거할 수 있다. 　여기서 보간법은 주어진 데이터에 기초하여 다항식과 같은 형태로 표준화 시키는 방법으로서, 관측이나 실험을 통해서 얻어지지 않은 데이터를 추정할 수 있다. 여기서 가우시안 필터는 가우시안 분포(Gaussian distribution) 함수를 근사하여 생성한 필터 마스크를 사용하는 필터링 기법이다.
컨트롤러(220)는 노이즈가 제거된 배터리 데이터에 기초하여 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 용량 변화 정보를 추출할 수 있다. 구체적으로 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 용량(Q)을 전압(V)으로 미분하여 복수의 배터리 셀(110, 120, 130, 140)의 용량 변화 정보를 추출할 수 있다. 일 실시예에 따라, 컨트롤러(220)는 노이즈가 제거된 복수의 배터리 셀(110, 120, 130, 140)의 용량(Q) 및 전압(V) 데이터에서, 복수의 배터리 셀(110, 120, 130, 140)의 용량(Q)을 전압(V)으로 미분하여 미분 용량(dQ/dV)을 획득할 수 있다. 여기서 미분 용량은 증분 용량(IC, Incremental Capacity)과 동일한 개념으로 사용될 수 있다.
도 3은 본 문서에 기재된 일 실시예에 따른 배터리 전압 변화에 따른 배터리의 용량 변화를 보여주는 그래프이다.
도 3을 참조하면, 컨트롤러(220)는 노이즈가 제거된 배터리 데이터에 기초하여 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 용량 변화 그래프를 생성할 수 있다. 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 용량 변화 그래프에 기초하여 복수의 배터리 셀(110, 120, 130, 140)의 용량 변화 추세를 판단할 수 있다.
컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 용량 변화 정보, 복수의 배터리 셀(110, 120, 130, 140)의 온도와 충방전율(C-rate) 및 배터리 수명 예측 함수에 기초하여 복수의 배터리 셀(110, 120, 130, 140)의 수명을 예측할 수 있다.
구체적으로 컨트롤러(220)는 배터리 셀(110, 120, 130, 140)의 전압 변화에 용량 변화 정보(dQ/dV)의 변화를 분석할 수 있다.
도 4는 본 문서에 개시된 일 실시예에 따른 배터리 전압 변화에 따른 배터리의 미분 용량(dQ/dV) 변화를 보여주는 그래프이다.
도 4를 참조하면, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 용량 변화 정보(dQ/dV)의 변화를 나타내는 그래프를 추출할 수 있다.
컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 미분 용량 변화 그래프의 피크(Peak) 지점을 추출할 수 있다. 도 4의 P1 및 P2는 복수의 배터리 셀(110, 120, 130, 140)의 미분 용량 그래프의 피크 지점이 될 수 있다. 도 4의 P1 및 P2에서 배터리 전압 변화에 따른 배터리의 미분 용량 변화 그래프는 배터리의 퇴화에 따라 미분 용량(dQ/dV) 값이 선형적으로 감소할 수 있다.
컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 미분 용량 변화 그래프의 피크 지점의 미분 용량(dQ/dV)을 배터리 수명 예측 함수에 입력하여 복수의 배터리 셀(110, 120, 130, 140)의 수명을 예측할 수 있다.
아래의 [수학식 1]은 배터리 수명 예측 함수를 의미한다.
Figure pat00001
[수학식 1]에서
Figure pat00002
는 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 미분 용량 변화 그래프의 피크 지점의 y축 값, 즉 피크 지점의 미분 용량 값(dQ/dV)이다.
Figure pat00003
는 배터리 수명 예측 함수의 1차항 계수 및 상수항 계수이다.
컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 미분 용량 변화 그래프의 피크 지점의 y축 값, 즉 피크 지점의 미분 용량(dQ/dV)을 추출하여
Figure pat00004
에 대입할 수 있다.
또한, 컨트롤러(220)는 메모리(230)에 저장된 룩업 테이블(LUT,　look　up　table)을 이용하여 배터리 수명 예측 함수의 1차항 계수 및 상수항 계수를 추출하여
Figure pat00005
에 대입할 수 있다. 여기서 메모리(230)는 배터리 수명 예측 함수의 1차항 계수 및 상수항 계수 정보를 저장하는 룩업 테이블을 저장할 수 있다. 룩업 테이블은 복수의 배터리 셀(110, 120, 130, 140)의 온도와 충방전률에 따른 배터리 수명 예측 함수의 1차항 계수 및 상수항 계수를 저장할 수 있다.
도 5는 본 문서에 개시된 일 실시예에 따른 배터리 수명 예측 함수의 계수를 저장한 룩업 테이블을 보여주는 표이다.
도 5를 참조 하면, 메모리(230)에 저장된 룩업 테이블은 복수의 배터리 셀(110, 120, 130, 140)의 온도와 충방전률(C-rate) 조건에 따른 복수의 배터리 수명 예측 함수의 1차항 계수 a 및 상수항 계수 b 정보를 저장할 수 있다.
컨트롤러(210)는 배터리 수명 예측 함수에 룩업 테이블에 저장한 복수의 배터리 셀(110, 120, 130, 140)의 온도와 충방전률(C-rate) 조건에 따른 a 및 b를 획득하여 대입하고, 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 미분 용량 변화 그래프의 피크 지점의 y축 값을
Figure pat00006
에 대입하여 복수의 배터리 셀의 수명을 예측할 수 있다.
컨트롤러(210)는 배터리 수명 예측 함수의 측정 방식에서 고정된 배터리 셀의 온도 및 충방전률 조건을 이용하지 않고, 룩업 테이블을 활용함으로써 배터리 셀의 온도 및 충방전률 조건에 제약을 받지 않을 수 있다. 종래에는 배터리 셀의 온도는 상온, 충방전률은 0.5C로 고정된 조건에서 배터리 셀의 수명을 예측하여 실제 배터리 셀이 탑재된 장치의 배터리 셀의 수명을 예측하기 어렵거나 오차가 크게 발생하였다. 반면, 컨트롤러(210)는 다양한 온도 및 충방전률 조건 별 데이터를 포함하는 룩업 테이블을 활용하여 실제 배터리 셀이 탑재된 장치의 환경 조건을 반영할 수 있어 배터리 셀의 수명을 정확하게 예측할 수 있다.
상술한 바와 같이, 본 문서에 개시된 일 실시예에 따른 배터리 수명 예측 장치(200)에 따르면 배터리의 온도와 용량에 기초하여 배터리의 수명을 정확하게 산출할 수 있다.
또한, 배터리 수명 예측 장치(200)는 노이즈가 제거된 배터리 데이터를 획득하여 배터리 수명 예측의 정확성을 높일 수 있다.
도 5은 본 문서에 개시된 일 실시예에 따른 배터리 수명 예측 장치의 동작 방법을 보여주는 흐름도이다.
이하에서는 도 1 내지 도 5를 참조하여 배터리 수명 예측 장치(200)의 동작 방법에 대해 설명한다.
배터리 수명 예측 장치(200)는 도 1 내지 도 5를 참조하여 설명한 배터리 수명 예측 장치(200)와 실질적으로 동일할 수 있으므로, 이하에서는 설명의 중복을 피하기 위하여 간략히 설명한다.
도 5을 참조하면, 배터리 수명 예측 장치(200)의 동작 방법은 배터리 데이터의 노이즈를 제거하는 단계(S101), 노이즈가 제거된 배터리 데이터에 기초하여 배터리의 전압 변화에 따른 배터리의 용량 변화 정보를 추출하는 단계(S102) 및 배터리의 전압 변화에 따른 배터리의 용량 변화 정보, 배터리의 온도와 충방전율(C-rate) 및 배터리 수명 예측 함수에 기초하여 배터리의 수명을 예측하는 단계(S103)를 포함할 수 있다.
S101 단계에서, 필터(210)는 복수의 배터리 셀(110, 120, 130, 140)의 배터리 데이터의 노이즈를 제거할 수 있다. 여기서 배터리 데이터는 일 실시예에 따라 복수의 배터리 셀(110, 120, 130, 140)의 전압(V), 전류(I), 온도(T) 및 용량(Q) 등을 포함할 수 있다.
S101 단계에서, 필터(210)는 일 실시예에 따라, 보간법 (Interpolation) 및 가우시안 필터(Gaussian filter)에 기초하여 복수의 배터리 셀(110, 120, 130, 140)의 배터리 데이터의 노이즈를 제거할 수 있다. 　
S102 단계에서, 컨트롤러(220)는 노이즈가 제거된 배터리 데이터에 기초하여 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 용량 변화 정보를 추출할 수 있다. S102 단계에서, 컨트롤러(220)는 구체적으로 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 용량(Q)을 전압(V)으로 미분하여 복수의 배터리 셀(110, 120, 130, 140)의 용량 변화 정보를 추출할 수 있다. S102 단계에서, 일 실시예에 따라 컨트롤러(220)는 노이즈가 제거된 복수의 배터리 셀(110, 120, 130, 140)의 용량(Q) 및 전압(V) 데이터에서, 복수의 배터리 셀(110, 120, 130, 140)의 용량(Q)을 전압(V)으로 미분하여 미분 용량(dQ/dV)을 획득할 수 있다.
S102 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 용량 변화 정보(dQ/dV)의 변화를 분석할 수 있다.
S102 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 미분 용량의 변화를 나타내는 그래프를 추출할 수 있다.
S103 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 미분 용량 변화 그래프의 피크 지점의 미분 용량(dQ/dV)을 배터리 수명 예측 함수에 입력하여 복수의 배터리 셀(110, 120, 130, 140)의 수명을 예측할 수 있다.
S103 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 미분 용량 변화 그래프의 피크(Peak) 지점을 추출할 수 있다.
S103 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 미분 용량 변화 그래프의 피크 지점의 y축 값, 즉 피크 지점의 미분 용량(dQ/dV)을 추출하여 배터리 수명 예측 함수의
Figure pat00007
에 대입할 수 있다.
S103 단계에서, 또한, 컨트롤러(220)는 메모리(230)에 저장된 룩업 테이블(LUT,　look　up　table)을 이용하여 배터리 수명 예측 함수의 1차항 계수 및 상수항 계수를 추출하여 배터리 수명 예측 함수에 대입할 수 있다.
S103 단계에서, 컨트롤러(210)는 배터리 수명 예측 함수에 룩업 테이블에 저장한 복수의 배터리 셀(110, 120, 130, 140)의 온도와 충방전률(C-rate) 조건에 따른 a 및 b를 획득하여 대입하고, 복수의 배터리 셀(110, 120, 130, 140)의 전압 변화에 따른 미분 용량 변화 그래프의 피크 지점의 y축 값을
Figure pat00008
에 대입하여 복수의 배터리 셀의 수명을 예측할 수 있다.
도 7은 본 문서에 개시된 일 실시예에 따른 배터리 수명 예측 장치를 구현하는 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
도 7을 참조하면, 본 문서에 개시된 일 실시예에 따른 컴퓨팅 시스템(2000)은 MCU(2100), 메모리(2200), 입출력 I/F(2300) 및 통신 I/F(2400)를 포함할 수 있다.
MCU(2100)는 메모리(2200)에 저장되어 있는 각종 프로그램(예를 들면, 배터리 수명 예측 함수)을 실행시키고, 이러한 프로그램들을 각종 데이터를 처리하며, 전술한 도 1에 나타낸 배터리 수명 예측 장치(200)의 기능들을 수행하도록 하는 프로세서일 수 있다.
메모리(2200)는 설비 제어 장치(200)의 작동에 관한 각종 프로그램을 저장할 수 있다. 또한, 메모리(2200)는 설비 제어 장치(200)의 작동 데이터를 저장할 수 있다.
이러한 메모리(2200)는 필요에 따라서 복수 개 마련될 수도 있을 것이다. 메모리(2200)는 휘발성 메모리일 수도 있으며 비휘발성 메모리일 수 있다. 휘발성 메모리로서의 메모리(2200)는 RAM, DRAM, SRAM 등이 사용될 수 있다. 비휘발성 메모리로서의 메모리(2200)는 ROM, PROM, EAROM, EPROM, EEPROM, 플래시 메모리 등이 사용될 수 있다. 상기 열거한 메모리(2200)들의 예를 단지 예시일 뿐이며 이들 예로 한정되는 것은 아니다.
입출력 I/F(2300)는, 키보드, 마우스, 터치 패널 등의 입력 장치(미도시)와 디스플레이(미도시) 등의 출력 장치와 MCU(2100) 사이를 연결하여 데이터를 송수신할 수 있도록 하는 인터페이스를 제공할 수 있다.
통신 I/F(2400)는 서버와 각종 데이터를 송수신할 수 있는 구성으로서, 유선 또는 무선 통신을 지원할 수 있는 각종 장치일 수 있다. 예를 들면, 통신 I/F(2400)를 통해 별도로 마련된 외부 서버로부터 저항 측정 및 이상 진단을 위한 프로그램이나 각종 데이터 등을 송수신할 수 있다.
이와 같이, 본 문서에 개시된 일 실시예에 따른 컴퓨터 프로그램은 메모리(2200)에 기록되고, MCU(2100)에 의해 처리됨으로써, 예를 들면 도 1 및 도 2를 참조하여 설명한 배터리 수명 예측 장치(200)의 각 기능들을 수행하는 모듈로서 구현될 수도 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.
1000: 배터리 팩
100: 배터리 모듈
200: 배터리 수명 예측 장치
210: 필터
220: 컨트롤러
230: 메모리
2000: 컴퓨팅 시스템
2100: MCU
2200: 메모리
2300: 입출력 I/F
2400: 통신 I/F
300: 릴레이

Claims (15)

  1. 배터리 데이터의 노이즈를 제거하는 필터; 및
    상기 노이즈가 제거된 배터리 데이터에 기초하여 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보를 추출하고, 상기 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보, 배터리의 온도와 충방전율(C-rate) 및 배터리 수명 예측 함수에 기초하여 상기 배터리의 수명을 예측하는 컨트롤러를 포함하는 배터리 수명 예측 장치.
  2. 제1 항에 있어서,
    상기 배터리 수명 예측 함수 정보를 저장하는 룩업 테이블(LUT,　look　up　table)을 저장하는 메모리를 더 포함하는 것을 특징으로 하는 배터리 수명 예측 장치.
  3. 제2 항에 있어서,
    상기 룩업 테이블은 상기 배터리의 온도와 충방전률에 따른 배터리 수명 예측 함수의 1차항 계수 및 상수항 계수를 저장하는 것을 특징으로 하는 배터리 수명 예측 장치.
  4. 제1 항에 있어서,
    상기 컨트롤러는 상기 배터리의 용량을 전압으로 미분하여 상기 배터리의 미분 용량(dQ/dV) 그래프를 추출하는 것을 특징으로 하는 배터리 수명 예측 장치.
  5. 제4 항에 있어서,
    상기 컨트롤러는 상기 배터리의 전압 변화에 따른 상기 배터리의 미분 용량 변화를 그래프를 추출하는 것을 특징으로 하는 배터리 수명 예측 장치.
  6. 제5 항에 있어서,
    상기 컨트롤러는 상기 배터리의 미분 용량 그래프의 피크(Peak) 지점을 검출하는 것을 특징으로 하는 배터리 수명 예측 장치.
  7. 제6 항에 있어서,
    상기 컨트롤러는 상기 배터리의 미분 용량 그래프의 피크 지점의 미분 용량 값, 상기 배터리의 온도와 충방전율 및 상기 배터리 수명 예측 함수에 입력하여 상기 배터리의 수명을 예측하는 것을 특징으로 하는 배터리 수명 예측 장치.
  8. 제1 항에 있어서,
    상기 필터는 보간법 (Interpolation) 및 가우시안 필터(Gaussian filter)에 기초하여 상기 배터리 데이터의 노이즈를 제거하는 것을 특징으로 하는 배터리 수명 예측 장치.
  9. 배터리 데이터의 노이즈를 제거하는 단계;
    상기 노이즈가 제거된 배터리 데이터에 기초하여 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보를 추출하는 단계; 및
    상기 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보, 배터리의 온도와 충방전율(C-rate) 및 배터리 수명 예측 함수에 기초하여 상기 배터리의 수명을 예측하는 단계를 포함하는 것을 특징으로 하는 배터리 수명 예측 장치의 동작 방법.
  10. 제9 항에 있어서,
    상기 배터리 수명 예측 함수 정보를 저장하는 룩업 테이블(LUT,　look　up　table)을 저장하는 단계를 더 포함하는 것을 특징으로 하는 배터리 수명 예측 장치의 동작 방법.
  11. 제10 항에 있어서,
    상기 배터리 수명 예측 함수 정보를 저장하는 룩업 테이블을 저장하는 단계는 상기 배터리의 온도와 충방전률에 따른 배터리 수명 예측 함수의 1차항 계수 및 상수항 계수를 저장하는 것을 특징으로 하는 배터리 수명 예측 장치의 동작 방법.
  12. 제9 항에 있어서,
    상기 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보, 배터리의 온도와 충방전율 및 배터리 수명 예측 함수에 기초하여 상기 배터리의 수명을 예측하는 단계는
    상기 배터리의 용량을 전압으로 미분하여 상기 배터리의 미분 용량(dQ/dV) 그래프를 추출하는 것을 특징으로 하는 배터리 수명 예측 장치의 동작 방법.
  13. 제12 항에 있어서,
    상기 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보, 배터리의 온도와 충방전율 및 배터리 수명 예측 함수에 기초하여 상기 배터리의 수명을 예측하는 단계는

    상기 배터리의 전압 변화에 따른 상기 배터리의 미분 용량 변화를 그래프를 추출하는 것을 특징으로 하는 배터리 수명 예측 장치의 동작 방법.
  14. 제13 항에 있어서,
    상기 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보, 배터리의 온도와 충방전율 및 배터리 수명 예측 함수에 기초하여 상기 배터리의 수명을 예측하는 단계는
    상기 배터리의 미분 용량 그래프의 피크(Peak) 지점을 추출하는 것을 것을 특징으로 하는 배터리 수명 예측 장치의 동작 방법.
  15. 제14 항에 있어서,
    상기 배터리의 전압 변화에 따른 상기 배터리의 용량 변화 정보, 배터리의 온도와 충방전율 및 배터리 수명 예측 함수에 기초하여 상기 배터리의 수명을 예측하는 단계는
    상기 배터리의 미분 용량 그래프의 피크 지점의 미분 용량 값, 상기 배터리의 온도와 충방전율 및 상기 배터리 수명 예측 함수에 입력하여 상기 배터리의 수명을 예측하는 것을 특징으로 하는 배터리 수명 예측 장치의 동작 방법.
KR1020210185150A 2021-12-22 2021-12-22 배터리 수명 예측 장치 및 그것의 동작 방법 KR20230095556A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210185150A KR20230095556A (ko) 2021-12-22 2021-12-22 배터리 수명 예측 장치 및 그것의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210185150A KR20230095556A (ko) 2021-12-22 2021-12-22 배터리 수명 예측 장치 및 그것의 동작 방법

Publications (1)

Publication Number Publication Date
KR20230095556A true KR20230095556A (ko) 2023-06-29

Family

ID=86946251

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210185150A KR20230095556A (ko) 2021-12-22 2021-12-22 배터리 수명 예측 장치 및 그것의 동작 방법

Country Status (1)

Country Link
KR (1) KR20230095556A (ko)

Similar Documents

Publication Publication Date Title
US20220239122A1 (en) Server-side characterisation of rechargeable batteries
US11372050B2 (en) Apparatus and method for estimating state of charge of secondary battery
KR100894021B1 (ko) 진보 셀 모델 예측 기술을 이용한 배터리 팩의 전력 용량을계산하는 방법
KR102335296B1 (ko) 무선 네트워크 기반 배터리 관리 시스템
JP5936711B2 (ja) 蓄電デバイスの寿命予測装置及び蓄電デバイスの寿命予測方法
US20160055736A1 (en) Advanced battery early warning and monitoring system
GB2532726A (en) Cell internal impedance diagnostic system
CN112505562B (zh) 用于监测电池状态估计器的方法和装置
KR20240019187A (ko) 배터리 셀 진단 장치 및 방법
US20220341997A1 (en) Apparatus and Method for Diagnosing a Battery
Liu et al. Lebesgue sampling-based li-ion battery simplified first principle model for soc estimation and rdt prediction
Chen et al. Accurate probabilistic characterization of battery estimates by using large deviation principles for real-time battery diagnosis
KR20230095556A (ko) 배터리 수명 예측 장치 및 그것의 동작 방법
JP7416982B2 (ja) バッテリーを診断するための装置及びその方法
Dong Predicting the remaining useful life of lithium ion batteries based on the support vector regression-particle filter
KR20220082234A (ko) Soc추정을 통해 배터리 상태를 진단하는 방법 및 장치
Liu et al. Low-Cost Adaptive LS-DEKF for SOC Estimation and RDT Prediction with SFP Model
Pawar et al. Implementation of lithium-ion battery management system with an efficient SOC estimation algorithm
KR20230107066A (ko) 배터리 용량 예측 장치 및 그것의 동작 방법
KR20230120034A (ko) 배터리 관리 장치 및 그것의 동작 방법
JP7436114B2 (ja) バッテリー診断装置及び方法
KR20240037104A (ko) 배터리 관리 장치 및 그것의 동작 방법
US20230160972A1 (en) Computer-Assisted Method for Determining a Loss Of Capacity of a Battery Store, Computer Program Product and Battery Store
EP4206708A1 (en) Battery management device and method
Surya Comprehensive Review on Algorithms used in Battery Management System for Automotive Applications