KR20230116590A - 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법 및 장치 - Google Patents
에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법 및 장치 Download PDFInfo
- Publication number
- KR20230116590A KR20230116590A KR1020220013721A KR20220013721A KR20230116590A KR 20230116590 A KR20230116590 A KR 20230116590A KR 1020220013721 A KR1020220013721 A KR 1020220013721A KR 20220013721 A KR20220013721 A KR 20220013721A KR 20230116590 A KR20230116590 A KR 20230116590A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- battery cell
- battery
- unit
- collected
- Prior art date
Links
- 230000032683 aging Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 title claims description 15
- 238000004146 energy storage Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 39
- 206010000369 Accident Diseases 0.000 claims abstract description 31
- 230000001133 acceleration Effects 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 238000013480 data collection Methods 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 17
- 230000008961 swelling Effects 0.000 claims description 17
- 230000036541 health Effects 0.000 claims description 8
- 230000001360 synchronised effect Effects 0.000 claims description 8
- 230000006866 deterioration Effects 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 230000002431 foraging effect Effects 0.000 claims 2
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001803 electron scattering Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
Abstract
에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법 및 장치가 제시된다. 본 발명에서 제안하는 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 장치는 3축 가속도 센서 및 적외선 카메라를 통해 배터리 셀의 입/출력 데이터, 온도 데이터 및 외부 데이터를 포함하는 에너지 저장장치의 노화도 분석을 위한 데이터를 수집하는 데이터 수집부, 상기 데이터 수집부에서 수집된 데이터에 대한 데이터 전환, 데이터 동기화, 데이터 분류 및 데이터 복원을 수행하는 데이터 처리부, 상기 데이터 처리부에서 처리된 데이터에 대하여 신경망 네트워크를 통해 잔존 수명을 예측하는 잔존 수명 예측부 및 상기 잔존 수명 예측부의 예측 결과에 따라 배터리 셀의 상태를 분석하는 이상 감지부를 포함한다.
Description
본 발명은 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법 및 장치에 관한 것이다.
일반적으로, 에너지저장장치(Energy Storage System; ESS)는, 풍력, 바이오매스, 태양광 등 자연환경에 따라 불규칙적으로 생산되는 전기를 배터리에 저장했다가 필요시에 전력망으로 보내는 장치를 말한다. ESS는 생산된 잉여전력을 자체로 변환해서 저장하고 필요할 때 사용할 수 있도록 전력을 임시로 저장한다. 통상, ESS는 배터리, 배터리관리장치(Battery Management System; BMS), 전력변환장치(Power Conversion System; PCS), 전력관리장치(Power Management System; PMS), 에너지관리장치(Energy Management System; EMS) 등으로 구성된다.
배터리는 각각이 에너지를 저장했다가 내보내는 역할을 수행하며, 외부 충격에 대해 보호하기 위하여 여러 개의 셀을 하나로 묶어 프레임에 배치한 배터리모듈로 구성된다. 또한 복수의 배터리모듈을 묶어서 배터리랙(Battery Rack)으로 구성하고, 각각의 배터리랙을 BMS를 통해 관리한다. BMS는 배터리셀 용량과의 균형을 정밀하게 잡아 주며, 모든 셀이 완전 충전 상태가 될 수 있게 하거나 저장된 전기 에너지를 활용할 수 있도록 배터리 상태를 제어한다. 또한, PCS는 ESS 내에서 전력을 입력 받아 배터리에 저장하거나 전력계통에 방출하기 위해 전기 특성(예를 들어, 주파수, 전압, AC/DC)을 변환해 주는 장치를 말한다. 그리고, PMS는 배터리 및 PCS의 상태를 모니터링 및 제어하고, EMS를 통해 전체 시스템을 통합 모니터링하거나 제어할 수 있도록 하는 운영시스템을 말하며, 상위 관리시스템인 EMS의 요구사항을 반영하여 충방전 전력량을 제어하고 전체 시스템을 관리한다.
산업통상자원부는 신재생에너지 발전원에 에너지 저장장치를 탑재할 경우, 미 설치 경우 대비 높은 가중치를 부여함으로써 해당 시설 사업자가 높은 수익을 부여하여 에너지 저장장치 설치를 유도하고 있다. 에너지 저장장치의 경우, 크게 산업적인 측면에서는 주파수 조정용, UPS / 전압보상, 전력 저장, 등의 용도로써 사용되고 있으며, 전력 요금 또는 인센티브 부여를 통한 시장 내 활성화가 유도되고 있다.
이러한 ESS는 배터리를 이용하게 되는데, 에너지 효율이 높은 리튬배터리를 주로 사용한다. 그러나, 리튬배터리와 같은 배터리는 화재위험성이 매우 높아서 최근 국내뿐만 아니라 전세계적으로 많은 화재사고가 발생하고 있다.
2018년 기준 에너지 저장장치의 화재 사고는 15건이며, 이로 인한 피해 규모는 수백억원에 해당한다. 에너지 저장장치의 화재 원인은 정확히 규명이 되지 않았고, 시공불량, 설치 작업자의 부주의, 필수 보호장치 누락, BMS(Battery management system)의 결함 등이 원인이 될 수 있다.
종래기술에 따른 연기 기반 화재 감지 시스템은 화재의 발생 위치 검출에 어려움이 있고, 기술의 대부분이 화재 발생 이후의 진압에 초점이 맞춰진다.
종래기술에 따른 입, 출력 데이터 기반 화재 감지 시스템은 잘못된 분석으로 인한 오동작 및 화재 감지를 못함에 따른 2차, 3차 화재 발생의 문제점이 있다.
종래기술에 따른 적외선 센서를 활용한 에너지 저장장치 화재 발생 감지 기술은 적외선 센서 및 온도 센서를 활용하고, 미리 설정된 온도값 또는 전압값보다 높은 이벤트 발생시 이상상태로 판단한다. 이러한 종래 기술의 경우, 적외선 센서를 활용한 에너지 저장장치의 사후 예방에 해당하는 문제점이 있다. 다만, 다종 데이터를 활용하여 보다 빠르게 타겟 지점의 화재 발생을 감지한다는 특징을 가지고 있다.
본 발명이 이루고자 하는 기술적 과제는 에너지 저장장치 내부에 위치한 각 배터리 셀(Cell)들의 노화도를 추정하고, 이를 활용한 동작 환경에 따른 화재 사고의 발생 확률을 분석하는 방법 및 장치를 제공하는데 있다. 본 발명에서는 배터리 스웰링 현상 및 내적 변화를 활용한 보다 정밀한 배터리 노화도 추정 방안을 제안하고, 각 배터리 셀의 노화도 변화에 따른 입/출력 데이터의 기준점을 설정하여, 단순히 기준점을 기준으로 이상 상황 발생을 판단하는 것이 아닌 확률적으로 배터리의 노화도 및 입/출력 데이터를 활용한 이상 상황 발생의 확률을 예측하고자 한다.
일 측면에 있어서, 본 발명에서 제안하는 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 장치는 3축 가속도 센서 및 적외선 카메라를 통해 배터리 셀의 입/출력 데이터, 온도 데이터 및 외부 데이터를 포함하는 에너지 저장장치의 노화도 분석을 위한 데이터를 수집하는 데이터 수집부, 상기 데이터 수집부에서 수집된 데이터에 대한 데이터 전환, 데이터 동기화, 데이터 분류 및 데이터 복원을 수행하는 데이터 처리부, 상기 데이터 처리부에서 처리된 데이터에 대하여 신경망 네트워크를 통해 잔존 수명을 예측하는 잔존 수명 예측부 및 상기 잔존 수명 예측부의 예측 결과에 따라 배터리 셀의 상태를 분석하는 이상 감지부를 포함한다.
본 발명의 실시예에 따른 데이터 처리부는 상기 적외선 카메라를 통해 수집된 배터리 셀 별 온도 데이터를 시계열 데이터로 전환한다.
본 발명의 실시예에 따른 데이터 처리부는 상기 시계열 데이터로 전환된 온도 데이터, 상기 수집된 배터리 셀의 입/출력 데이터 및 상기 3축 가속도 센서를 통해 수집된 외부 데이터에 대한 시간축에 따른 동기화를 수행한다.
본 발명의 실시예에 따른 데이터 처리부는 상기 동기화된 각각의 데이터들에 대한 분석 및 특징 데이터 별 분류를 수행하고, 상기 3축 가속도 센서를 통해 수집된 외부 데이터를 이용하여 스웰링에 대한 변화도를 도출한다.
본 발명의 실시예에 따른 데이터 처리부는 손상된 데이터 셋의 검출 및 누적 데이터를 활용한 데이터 복원을 수행한다.
본 발명의 실시예에 따른 잔존 수명 예측부는 배터리 셀의 수명의 감소에 따른 배터리 셀의 입/출력 데이터의 동작 및 배터리의 스웰링의 변화에 관한 데이터를 분석하고, 신경망 네트워크를 통해 잔존 수명을 예측한다.
본 발명의 실시예에 따른 잔존 수명 예측부는 상기 예측된 잔존 수명을 이용하여 배터리 셀의 배터리 열화율을 추정한다.
본 발명의 실시예에 따른 이상 감지부는 배터리 셀의 노화도에 따른 배터리 셀의 입/출력 데이터의 동작 변화에 관한 데이터를 분석하고, 상기 잔존 수명 예측부에서 추정된 배터리 열화율을 이용하여 배터리의 건강도(State of health)를 도출한다.
본 발명의 실시예에 따른 이상 감지부는 배터리 셀의 전압 및 전류의 동작 구간, 배터리 셀의 입/출력 전압 및 전류에서의 온도 변화 및 각각의 데이터의 변화 추이에 대한 분석 및 시계열 데이터 예측 결과를 이용하여 배터리 셀의 상태를 분석한다.
본 발명의 실시예에 따른 이상 감지부는 상기 각각의 데이터에 따른 배터리 셀의 상태에서 화재 상황이 발생할 확률을 마코브 특성(Markov property)를 이용하여 도출하고, 이상 상황의 발생을 확률적으로 예측한다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법은 데이터 수집부가 3축 가속도 센서 및 적외선 카메라를 통해 배터리 셀의 입/출력 데이터, 온도 데이터 및 외부 데이터를 포함하는 에너지 저장장치의 노화도 분석을 위한 데이터를 수집하는 단계, 데이터 처리부를 통해 상기 수집된 데이터에 대한 데이터 전환, 데이터 동기화, 데이터 분류 및 데이터 복원을 수행하는 단계, 잔존 수명 예측부가 상기 처리된 데이터에 대하여 신경망 네트워크를 통해 잔존 수명을 예측하는 단계 및 이상 감지부가 상기 잔존 수명 예측부의 예측 결과에 따라 배터리 셀의 상태를 분석하는 단계를 포함한다.
본 발명의 실시예들에 따르면 스웰링 현상(외적 변화)과 내적 변화(입/출력 데이터)를 활용하여 에너지 저장장치 내부에 위치한 각 배터리 셀(Cell)들의 보다 정밀한 노화도 추정이 가능하고, 이를 활용한 동작 환경에 따른 화재 사고의 발생 확률을 분석할 수 있다. 또한, 본 발명은 배터리 스웰링 현상 및 내적 변화를 활용한 보다 정밀한 배터리 노화도 추정을 통해 각 배터리 셀의 노화도 변화에 따른 입/출력 데이터의 기준점을 설정하고, 단순히 기준점을 기준으로 이상 상황 발생을 판단하는 것이 아닌 확률적으로 배터리의 노화도 및 입/출력 데이터를 활용한 이상 상황 발생의 확률을 예측할 수 있다.
도 1은 본 발명의 일 실시예에 따른 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 장치의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 3축 가속도 센서를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 온도 데이터 수집 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 수집된 데이터의 처리과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 수집된 데이터에 대한 데이터 전환, 데이터 동기화, 데이터 분류 및 데이터 복원을 수행하는 과정을 설명하기 위한 흐름도이다.
도 7은 본 발명의 일 실시예에 따른 잔존 수명을 예측하는 과정을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 3축 가속도 센서를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 온도 데이터 수집 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 수집된 데이터의 처리과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 수집된 데이터에 대한 데이터 전환, 데이터 동기화, 데이터 분류 및 데이터 복원을 수행하는 과정을 설명하기 위한 흐름도이다.
도 7은 본 발명의 일 실시예에 따른 잔존 수명을 예측하는 과정을 설명하기 위한 흐름도이다.
에너지 저장장치의 노화도에 따라, 입/출력 전압 및 전류의 적정 동작구간이 상이할 뿐만 아니라, 발열에 따른 화재 발생 가능성 또한 상이하게 나타난다. 다시 말해, 에너지 저장장치 안에 설비된 배터리 셀(Cell)의 정확한 노화도 추정이 화재 발생 예지에 대한 중요한 이슈로 자리잡고 있다. 지금까지 에너지 저장장치의 화재 발생에 대한 사전 예방 기술은 전무하다. 따라서, 본 발명에서는 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법 및 장치를 제안한다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 장치의 구성을 나타내는 도면이다.
제안하는 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 장치(100)는 데이터 수집부(110), 데이터 처리부(120), 잔존 수명 예측부(130) 및 이상 감지부(140)를 포함한다.
본 발명의 실시예에 따른 데이터 수집부(110)는 3축 가속도 센서 및 적외선 카메라를 통해 배터리 셀의 입/출력 데이터, 온도 데이터 및 외부 데이터를 포함하는 에너지 저장장치의 노화도 분석을 위한 데이터를 수집한다.
도 2는 본 발명의 일 실시예에 따른 3축 가속도 센서를 설명하기 위한 도면이다.
에너지 저장장치는 BMS, 셀 밸런싱(Cell balancing) 등의 기능이 복합적으로 적용하여 입/출력 전력과 전압/전류 사이의 상관관계만으로는 정확한 배터리 셀 각각의 노화도를 정확하게 추정하는 것이 어렵다.
본 발명의 실시예에 따르면 3축 가속도 센서를 통해 외부 데이터를 수집할 수 있다. 정확한 노화도를 판단하기 위해서는 에너지 저장장치의 상태 분석 및 입/출력 데이터에 따른 상태 변화 분석이 필요하다. 3축 가속도 센서를 통해 배터리의 스웰링(swelling) 분석이 용이해지고, 나아가 배터리 상태 분석이 가능해진다.
다시 도 1을 참조하면, 본 발명의 실시예에 따른 데이터 처리부(120)는 데이터 수집부에서 수집된 데이터에 대한 데이터 전환, 데이터 동기화, 데이터 분류 및 데이터 복원을 수행한다.
본 발명의 실시예에 따른 데이터 처리부(120)는 적외선 카메라를 통해 수집된 배터리 셀 별 온도 데이터를 시계열 데이터로 전환한다. 이후, 시계열 데이터로 전환된 온도 데이터, 상기 수집된 배터리 셀의 입/출력 데이터 및 상기 3축 가속도 센서를 통해 수집된 외부 데이터에 대한 시간축에 따른 동기화를 수행한다.
본 발명의 실시예에 따른 데이터 처리부(120)는 동기화된 각각의 데이터들에 대한 분석 및 특징 데이터 별 분류를 수행하고, 상기 3축 가속도 센서를 통해 수집된 외부 데이터를 이용하여 스웰링에 대한 변화도를 도출한다. 그리고, 손상된 데이터 셋의 검출 및 누적 데이터를 활용한 데이터 복원을 수행한다. 이와 같은 과정을 통해 에너지 저장장치의 노화도 분석을 위한 데이터를 정리한다.
도 3은 본 발명의 일 실시예에 따른 온도 데이터 수집 과정을 설명하기 위한 도면이다.
본 발명의 실시예에 따르면, 도 3과 같이 적외선 카메라를 통해 시간대별 배터리 셀의 평균온도 데이터를 수집할 수 있다(310).
하지만, 적외선 카메라를 통해 수집한 온도 데이터를 즉각적으로 활용하는 것은 데이터 용량, 실시간성 등의 문제에 있어서 한계가 있다. 따라서, 본 발명에서는 적외선 카메라를 통해 각각의 배터리 셀의 평균 온도 데이터를 각 시간대별로 기록함과 동시에 전처리를 수행하여 시계열 데이터로 전환한다(320).
도 4는 본 발명의 일 실시예에 따른 수집된 데이터의 처리과정을 설명하기 위한 도면이다.
본 발명의 실시예에 따르면, 도 4와 같이 시계열 데이터로 전환된 온도 데이터, 수집된 배터리 셀의 입/출력 데이터 및 3축 가속도 센서를 통해 수집된 외부 데이터에 대한 시간축에 따른 동기화를 수행할 수 있다. 동기화된 각각의 데이터들에 대한 분석 및 특징 데이터 별 분류를 수행하여 에너지 저장장치의 노화도 분석을 위한 데이터를 정리할 수 있다.
본 발명은 기존에는 다루지 않았던 다종 IoT 센서 데이터를 사용한 각 배터리 셀의 노화도 추정이 포함된다. 이를 통해, 각각의 데이터에 대한 전처리 또한 발명의 주요 요소로 볼 수 있다.
본 발명의 실시예에 따른 잔존 수명 예측부(130)는 데이터 처리부에서 처리된 데이터에 대하여 신경망 네트워크를 통해 잔존 수명을 예측한다.
본 발명의 실시예에 따른 잔존 수명 예측부(130)는 배터리 셀의 수명의 감소에 따른 배터리 셀의 입/출력 데이터(예를 들어, 전압, 전류, 온도 등)의 동작 및 배터리의 스웰링의 변화에 관한 데이터를 분석하고, 신경망 네트워크를 통해 잔존 수명을 예측한다. 본 발명의 실시예에 따르면, 예측된 잔존 수명을 이용하여 배터리 셀의 배터리 열화율(degradation ratio)을 추정할 수 있다.
본 발명의 실시예에 따른 이상 감지부(140)는 잔존 수명 예측부의 예측 결과에 따라 배터리 셀의 상태를 분석한다.
본 발명의 실시예에 따른 이상 감지부(140)는 배터리 셀의 노화도에 따른 배터리 셀의 입/출력 데이터의 동작 변화에 관한 데이터를 분석하고, 상기 잔존 수명 예측부에서 추정된 배터리 열화율을 이용하여 배터리의 건강도(State of health)를 도출한다.
본 발명의 실시예에 따른 이상 감지부(140)는 배터리 셀의 전압 및 전류의 동작 구간, 배터리 셀의 입/출력 전압 및 전류에서의 온도 변화 및 각각의 데이터의 변화 추이에 대한 분석 및 시계열 데이터 예측 결과를 이용하여 배터리 셀의 상태를 분석한다. 예를 들어, 배터리 셀의 적정 동작 구간, 온도 범위 계산 및 각각의 배터리 셀의 SoC(state of Charge)/SoH(State of Health) 계산을 통해 배터리 셀의 상태를 분석할 수 있다. 이과 같은 분석 결과를 통해 배터리 셀의 구체적인 성능 상태를 유추할 수 있다.
본 발명의 실시예에 따르면, 각각의 데이터에 따른 배터리 셀의 상태에서 화재 상황이 발생할 확률을 마코브 특성(Markov property)를 이용하여 도출하고, 이상 상황의 발생을 확률적으로 예측할 수 있다.
도 5는 본 발명의 일 실시예에 따른 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법을 설명하기 위한 흐름도이다.
제안하는 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법은 데이터 수집부가 3축 가속도 센서 및 적외선 카메라를 통해 배터리 셀의 입/출력 데이터, 온도 데이터 및 외부 데이터를 포함하는 에너지 저장장치의 노화도 분석을 위한 데이터를 수집하는 단계(510), 데이터 처리부를 통해 상기 수집된 데이터에 대한 데이터 전환, 데이터 동기화, 데이터 분류 및 데이터 복원을 수행하는 단계(520), 잔존 수명 예측부가 상기 처리된 데이터에 대하여 신경망 네트워크를 통해 잔존 수명을 예측하는 단계(530) 및 이상 감지부가 상기 잔존 수명 예측부의 예측 결과에 따라 배터리 셀의 상태를 분석하는 단계(540)를 포함한다.
단계(510)에서, 데이터 수집부가 3축 가속도 센서 및 적외선 카메라를 통해 배터리 셀의 입/출력 데이터, 온도 데이터 및 외부 데이터를 포함하는 에너지 저장장치의 노화도 분석을 위한 데이터를 수집한다.
단계(520)에서, 데이터 처리부를 통해 상기 수집된 데이터에 대한 데이터 전환, 데이터 동기화, 데이터 분류 및 데이터 복원을 수행한다.
도 6은 본 발명의 일 실시예에 따른 수집된 데이터에 대한 데이터 전환, 데이터 동기화, 데이터 분류 및 데이터 복원을 수행하는 과정(520)을 설명하기 위한 흐름도이다.
본 발명의 실시예에 따른 데이터 처리부를 통해 상기 수집된 데이터에 대한 데이터 전환, 데이터 동기화, 데이터 분류 및 데이터 복원을 수행하는 단계는 적외선 카메라를 통해 수집된 배터리 셀 별 온도 데이터를 시계열 데이터로 전환하는 단계(610), 시계열 데이터로 전환된 온도 데이터, 상기 수집된 배터리 셀의 입/출력 데이터 및 상기 3축 가속도 센서를 통해 수집된 외부 데이터에 대한 시간축에 따른 동기화를 수행하는 단계(620), 상기 동기화된 각각의 데이터들에 대한 분석 및 특징 데이터 별 분류를 수행하고, 상기 3축 가속도 센서를 통해 수집된 외부 데이터를 이용하여 스웰링에 대한 변화도를 도출하는 단계(630) 및 손상된 데이터 셋의 검출 및 누적 데이터를 활용한 데이터 복원을 수행하는 단계(640)를 포함한다.
본 발명의 실시예에 따른 데이터 처리부는 적외선 카메라를 통해 수집된 배터리 셀 별 온도 데이터를 시계열 데이터로 전환한다. 이후, 시계열 데이터로 전환된 온도 데이터, 상기 수집된 배터리 셀의 입/출력 데이터 및 상기 3축 가속도 센서를 통해 수집된 외부 데이터에 대한 시간축에 따른 동기화를 수행한다.
본 발명의 실시예에 따른 데이터 처리부는 동기화된 각각의 데이터들에 대한 분석 및 특징 데이터 별 분류를 수행하고, 상기 3축 가속도 센서를 통해 수집된 외부 데이터를 이용하여 스웰링에 대한 변화도를 도출한다. 그리고, 손상된 데이터 셋의 검출 및 누적 데이터를 활용한 데이터 복원을 수행한다. 이와 같은 과정을 통해 에너지 저장장치의 노화도 분석을 위한 데이터를 정리한다.
다시 도 5를 참조하면, 단계(530)에서 잔존 수명 예측부가 상기 처리된 데이터에 대하여 신경망 네트워크를 통해 잔존 수명을 예측한다.
도 7은 본 발명의 일 실시예에 따른 잔존 수명을 예측하는 과정(530)을 설명하기 위한 흐름도이다.
본 발명의 실시예에 따른 잔존 수명 예측부가 상기 처리된 데이터에 대하여 신경망 네트워크를 통해 잔존 수명을 예측하는 단계는 배터리 셀의 수명의 감소에 따른 배터리 셀의 입/출력 데이터의 동작 및 배터리의 스웰링의 변화에 관한 데이터를 분석하고, 신경망 네트워크를 통해 잔존 수명을 예측하는 단계(710) 및 상기 예측된 잔존 수명을 이용하여 배터리 셀의 배터리 열화율을 추정하는 단계 (720)를 포함한다.
본 발명의 실시예에 따른 잔존 수명 예측부는 배터리 셀의 수명의 감소에 따른 배터리 셀의 입/출력 데이터(예를 들어, 전압, 전류, 온도 등)의 동작 및 배터리의 스웰링의 변화에 관한 데이터를 분석하고, 신경망 네트워크를 통해 잔존 수명을 예측한다. 본 발명의 실시예에 따르면, 예측된 잔존 수명을 이용하여 배터리 셀의 배터리 열화율(degradation ratio)을 추정할 수 있다.
다시 도 5를 참조하면, 단계(540)에서 이상 감지부가 상기 잔존 수명 예측부의 예측 결과에 따라 배터리 셀의 상태를 분석한다.
본 발명의 실시예에 따른 이상 감지부는 배터리 셀의 노화도에 따른 배터리 셀의 입/출력 데이터의 동작 변화에 관한 데이터를 분석하고, 상기 잔존 수명 예측부에서 추정된 배터리 열화율을 이용하여 배터리의 건강도(State of health)를 도출한다.
본 발명의 실시예에 따른 이상 감지부는 배터리 셀의 전압 및 전류의 동작 구간, 배터리 셀의 입/출력 전압 및 전류에서의 온도 변화 및 각각의 데이터의 변화 추이에 대한 분석 및 시계열 데이터 예측 결과를 이용하여 배터리 셀의 상태를 분석한다. 예를 들어, 배터리 셀의 적정 동작 구간, 온도 범위 계산 및 각각의 배터리 셀의 SoC/SoH 계산을 통해 배터리 셀의 상태를 분석할 수 있다. 이과 같은 분석 결과를 통해 배터리 셀의 구체적인 성능 상태를 유추할 수 있다.
본 발명의 실시예에 따르면, 각각의 데이터에 따른 배터리 셀의 상태에서 화재 상황이 발생할 확률을 마코브 특성(Markov property)를 이용하여 도출하고, 이상 상황의 발생을 확률적으로 예측할 수 있다.
이와 같이, 본 발명은 종래기술에서는 다루지 않았던 스웰링 현상(외적 변화)과 내적 변화(입/출력 데이터)를 활용한 보다 정밀한 배터리 노화도 추정이 가능하다. 각각의 배터리 셀의 노화도 변화에 따른 입/출력 데이터(예를 들어, 전압, 전류, 온도)의 기준점을 설정하고, 단순히 기준점을 기준으로 이상 상황 발생을 판단하는 것이 아닌, 확률적으로 배터리의 노화도 및 입/출력 데이터를 활용한 이상 상황 발생의 확률을 예측할 수 있다.
본 발명의 실시예에 따르면, 확률적으로 배터리의 이상 상황을 분석함으로써, 화재의 발생을 사전에 예측하는 것이 가능하고, 이를 활용할 경우, 2차/3차 확대 피해의 발생을 방지하는 것이 가능하며, 소화 및 화재 방지 기구와의 연동을 통해 효율적으로 화재를 해결 하는 것이 가능하다.
또한, 각각의 배터리 셀의 상태를 진단함으로써, 화재의 발생 가능성이 높은 배터리 셀을 분석하고, 이를 교체함으로써 문제 발생을 미연에 방지하는 것이 가능하다.
본 발명의 실시예에서는 에너지 저장장치를 타겟으로 하였으나, 동일한 방법을 적용하여 전기자동차에 설비된 리튬이온 배터리에 대한 화재 예측 인프라를 구축함으로써 다양한 문제들을 미연에 방지하는 해결책을 제시할 수 있으며, 보다 안정적으로, 그리고 다양한 소비자들에게 에너지 저장장치의 보급을 가능하게 할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (15)
- 3축 가속도 센서 및 적외선 카메라를 통해 배터리 셀의 입/출력 데이터, 온도 데이터 및 외부 데이터를 포함하는 에너지 저장장치의 노화도 분석을 위한 데이터를 수집하는 데이터 수집부;
상기 데이터 수집부에서 수집된 데이터에 대한 데이터 전환, 데이터 동기화, 데이터 분류 및 데이터 복원을 수행하는 데이터 처리부;
상기 데이터 처리부에서 처리된 데이터에 대하여 신경망 네트워크를 통해 잔존 수명을 예측하는 잔존 수명 예측부; 및
상기 잔존 수명 예측부의 예측 결과에 따라 배터리 셀의 상태를 분석하는 이상 감지부
를 포함하는 화재사고 예측 장치. - 제1항에 있어서,
상기 데이터 처리부는,
상기 적외선 카메라를 통해 수집된 배터리 셀 별 온도 데이터를 시계열 데이터로 전환하는
화재사고 예측 장치. - 제2항에 있어서,
상기 데이터 처리부는,
상기 시계열 데이터로 전환된 온도 데이터, 상기 수집된 배터리 셀의 입/출력 데이터 및 상기 3축 가속도 센서를 통해 수집된 외부 데이터에 대한 시간축에 따른 동기화를 수행하는
화재사고 예측 장치. - 제3항에 있어서,
상기 데이터 처리부는,
상기 동기화된 각각의 데이터들에 대한 분석 및 특징 데이터 별 분류를 수행하고, 상기 3축 가속도 센서를 통해 수집된 외부 데이터를 이용하여 스웰링에 대한 변화도를 도출하는
화재사고 예측 장치. - 제4항에 있어서,
상기 데이터 처리부는,
손상된 데이터 셋의 검출 및 누적 데이터를 활용한 데이터 복원을 수행하는
화재사고 예측 장치. - 제1항에 있어서,
상기 잔존 수명 예측부는,
배터리 셀의 수명의 감소에 따른 배터리 셀의 입/출력 데이터의 동작 및 배터리의 스웰링의 변화에 관한 데이터를 분석하고, 신경망 네트워크를 통해 잔존 수명을 예측하는
화재사고 예측 장치. - 제6항에 있어서,
상기 잔존 수명 예측부는,
상기 예측된 잔존 수명을 이용하여 배터리 셀의 배터리 열화율을 추정하는
화재사고 예측 장치. - 제1항에 있어서,
상기 이상 감지부는,
배터리 셀의 노화도에 따른 배터리 셀의 입/출력 데이터의 동작 변화에 관한 데이터를 분석하고, 상기 잔존 수명 예측부에서 추정된 배터리 열화율을 이용하여 배터리의 건강도(State of health)를 도출하는
화재사고 예측 장치. - 제1항에 있어서,
상기 이상 감지부는,
배터리 셀의 전압 및 전류의 동작 구간, 배터리 셀의 입/출력 전압 및 전류에서의 온도 변화 및 각각의 데이터의 변화 추이에 대한 분석 및 시계열 데이터 예측 결과를 이용하여 배터리 셀의 상태를 분석하는
화재사고 예측 장치. - 제9항에 있어서,
상기 이상 감지부는,
상기 각각의 데이터에 따른 배터리 셀의 상태에서 화재 상황이 발생할 확률을 마코브 특성(Markov property)를 이용하여 도출하고, 이상 상황의 발생을 확률적으로 예측하는
화재사고 예측 장치. - 데이터 수집부가 3축 가속도 센서 및 적외선 카메라를 통해 배터리 셀의 입/출력 데이터, 온도 데이터 및 외부 데이터를 포함하는 에너지 저장장치의 노화도 분석을 위한 데이터를 수집하는 단계;
데이터 처리부를 통해 상기 수집된 데이터에 대한 데이터 전환, 데이터 동기화, 데이터 분류 및 데이터 복원을 수행하는 단계;
잔존 수명 예측부가 상기 처리된 데이터에 대하여 신경망 네트워크를 통해 잔존 수명을 예측하는 단계; 및
이상 감지부가 상기 잔존 수명 예측부의 예측 결과에 따라 배터리 셀의 상태를 분석하는 단계
를 포함하는 화재사고 예측 방법. - 제11항에 있어서,
상기 데이터 처리부를 통해 상기 수집된 데이터에 대한 데이터 전환, 데이터 동기화, 데이터 분류 및 데이터 복원을 수행하는 단계는,
상기 적외선 카메라를 통해 수집된 배터리 셀 별 온도 데이터를 시계열 데이터로 전환하는 단계;
상기 시계열 데이터로 전환된 온도 데이터, 상기 수집된 배터리 셀의 입/출력 데이터 및 상기 3축 가속도 센서를 통해 수집된 외부 데이터에 대한 시간축에 따른 동기화를 수행하는 단계;
상기 동기화된 각각의 데이터들에 대한 분석 및 특징 데이터 별 분류를 수행하고, 상기 3축 가속도 센서를 통해 수집된 외부 데이터를 이용하여 스웰링에 대한 변화도를 도출하는 단계; 및
손상된 데이터 셋의 검출 및 누적 데이터를 활용한 데이터 복원을 수행하는 단계
를 포함하는 화재사고 예측 방법. - 제11항에 있어서,
상기 잔존 수명 예측부가 상기 처리된 데이터에 대하여 신경망 네트워크를 통해 잔존 수명을 예측하는 단계는,
배터리 셀의 수명의 감소에 따른 배터리 셀의 입/출력 데이터의 동작 및 배터리의 스웰링의 변화에 관한 데이터를 분석하고, 신경망 네트워크를 통해 잔존 수명을 예측하는 단계; 및
상기 예측된 잔존 수명을 이용하여 배터리 셀의 배터리 열화율을 추정하는 단계
를 포함하는 화재사고 예측 방법. - 제11항에 있어서,
상기 이상 감지부가 상기 잔존 수명 예측부의 예측 결과에 따라 배터리 셀의 상태를 분석하는 단계는,
배터리 셀의 노화도에 따른 배터리 셀의 입/출력 데이터의 동작 변화에 관한 데이터를 분석하고, 상기 잔존 수명 예측부에서 추정된 배터리 열화율을 이용하여 배터리의 건강도(State of health)를 도출하는
화재사고 예측 방법. - 제11항에 있어서,
상기 이상 감지부가 상기 잔존 수명 예측부의 예측 결과에 따라 배터리 셀의 상태를 분석하는 단계는,
배터리 셀의 전압 및 전류의 동작 구간, 배터리 셀의 입/출력 전압 및 전류에서의 온도 변화 및 각각의 데이터의 변화 추이에 대한 분석 및 시계열 데이터 예측 결과를 이용하여 배터리 셀의 상태를 분석하고,
상기 각각의 데이터에 따른 배터리 셀의 상태에서 화재 상황이 발생할 확률을 마코브 특성(Markov property)를 이용하여 도출하고, 이상 상황의 발생을 확률적으로 예측하는
화재사고 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220013721A KR20230116590A (ko) | 2022-01-28 | 2022-01-28 | 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220013721A KR20230116590A (ko) | 2022-01-28 | 2022-01-28 | 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230116590A true KR20230116590A (ko) | 2023-08-04 |
Family
ID=87568863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220013721A KR20230116590A (ko) | 2022-01-28 | 2022-01-28 | 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230116590A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117563184A (zh) * | 2024-01-15 | 2024-02-20 | 东营昆宇电源科技有限公司 | 一种基于物联网的储能消防控制系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102045489B1 (ko) | 2019-05-09 | 2019-11-18 | 풍성에너지 (주) | 화재예방장치를 포함하는 에너지저장장치, 및 에너지저장장치의 화재예방방법 |
-
2022
- 2022-01-28 KR KR1020220013721A patent/KR20230116590A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102045489B1 (ko) | 2019-05-09 | 2019-11-18 | 풍성에너지 (주) | 화재예방장치를 포함하는 에너지저장장치, 및 에너지저장장치의 화재예방방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117563184A (zh) * | 2024-01-15 | 2024-02-20 | 东营昆宇电源科技有限公司 | 一种基于物联网的储能消防控制系统 |
| CN117563184B (zh) * | 2024-01-15 | 2024-03-22 | 东营昆宇电源科技有限公司 | 一种基于物联网的储能消防控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Lithium-ion batteries fault diagnostic for electric vehicles using sample entropy analysis method | |
| JP5607772B2 (ja) | 太陽電池パネル監視プログラム、太陽電池パネル監視装置及び太陽電池パネル監視方法 | |
| US8154297B2 (en) | System and method for predictive maintenance of a battery assembly using temporal signal processing | |
| KR102359315B1 (ko) | 배터리 상태 추정 장치 및 방법 | |
| US10203375B2 (en) | Method for ascertaining storage battery state, state-ascertaining system, and computer program | |
| Sun et al. | An online data-driven fault diagnosis and thermal runaway early warning for electric vehicle batteries | |
| JP6384483B2 (ja) | 蓄電池システム | |
| KR20230116590A (ko) | 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법 및 장치 | |
| KR20190069213A (ko) | 원격 모니터링 기반 태양광 발전소 운영 관리 방법 및 장치 | |
| KR102315580B1 (ko) | 건물의 화재 예측 분석 장치 및 방법 | |
| KR102439932B1 (ko) | 배터리 이상 검출 방법 및 장치 | |
| KR102309374B1 (ko) | 에너지저장장치 화재확산 방지를 위한 이상상태 감시방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 | |
| CN116736166A (zh) | 电池包的电芯异常检测方法、装置及电池包 | |
| CN113835036A (zh) | 电池健康状态评估方法、装置、计算机设备和存储介质 | |
| KR102215703B1 (ko) | 에너지 저장장치 잔존 수명 추정 및 적정 동작구간 설정 기술 | |
| KR102443567B1 (ko) | 에너지저장관리시스템 및 이의 에너지 저장 능동 관리 방법 | |
| CN113098390A (zh) | 基于模糊数学的新能源并网自动告警及可视化方法及装置 | |
| CN117347869B (zh) | 储能电池管理系统数据分析方法、装置、电子设备及介质 | |
| KR20140127933A (ko) | 부분 차광시 전력 손실을 줄이는 태양광 발전 시스템 및 방법 | |
| CN117691227B (zh) | 用于电池储能系统安全预警的方法和系统及计算设备 | |
| CN117375147B (zh) | 一种储能电站的安全监测预警与运行管理方法及系统 | |
| CN116760150B (zh) | 一种蓄电池单体故障容错运行方法及装置 | |
| Djedidi et al. | Failure prognosis of embedded systems based on temperature drift assessment | |
| KR102351123B1 (ko) | Ess 성능검증 및 예측정비 시스템 | |
| US20230341469A1 (en) | Battery fire prevention and diagnosis system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |