KR20230140743A

KR20230140743A - 필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템

Info

Publication number: KR20230140743A
Application number: KR1020220039370A
Authority: KR
Inventors: 윤성열; 권기욱; 이정빈
Original assignee: 주식회사 엘지에너지솔루션
Priority date: 2022-03-30
Filing date: 2022-03-30
Publication date: 2023-10-10
Also published as: WO2023191283A1; AU2023246287A1; CN118176427A; EP4400854A1

Abstract

본 발명의 필드데이터를 이용한 배터리 이상거동 검출 방법 및 시스템은, 운용중인 배터리로부터 실시간 필드데이터를 시계열적으로 추출하고, 추출된 필드데이터로부터 셀 전압, 셀 온도를 예측한 예측값과 실시간 필드데이터의 셀 전압, 셀 온도 값을 비교하여 그 편차에 따라 배터리의 이상거동 여부를 검출하는 방법 및 시스템을 제공한다.

Description

필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템 {Battery malfunction detection method and system through artificial intelligence neural network battery model based on field data}

본 발명은 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템에 관한 것이다. 특히 본 발명은 배터리 모델을 구성함에 있어서, 종래의 화학적/전기적 등가회로 모델이 아닌, 필드 데이터를 사용하여 인공신경망 배터리 모델을 통하여 배터리 이상을 검출하는 방법 및 시스템에 관한 것이다.

종래에 일반적인 Li-ion 배터리 모델링은 화학적인 조성이나 전기적 등가회로를 활용하여 구현하였다. 해당 배터리 모델링들의 경우, 기본적으로 충/방전을 포함한 셀 테스트 데이터를 바탕으로 모델링을 하게 된다.

그러나 내부 셀 테스트 데이터는 실제 필드 환경과 상이하다. 또한, 다양한 조건에서 내부 셀 테스트를 한다고 해도, 셀 시료의 개수, 모듈/랙 단위, 퇴화 정도, 온도 조건, 테스트 장비, 시간 등 현실적인 실험의 한계가 있어 충분한 데이터를 확보하지 못할 수 있다.

이와 관련하여 특허문헌 1에서는, 배터리의 초기 특성 측정 데이터를 입력받아 인공 신경만을 학습시키고, 이로부터 장기 특성 데이터를 예측하고 그 신뢰성을 판정하는 시스템을 제시하며, 특허문헌 2에서는 배터리의 물리량 정보를 배터리 학습 모델로 입력하고 배터리 학습 모델로부터 추정 정보를 획득하는 배터리 상태 추정방법을 개시한다.

그런데, 이와 같은 종래기술들은 여전히 실제 필드 데이터를 기반으로 하여 배터리의 상태를 추정하고 배터리의 이상 유무를 판별하는 방법을 구현하는 데에는 부족하다.

특허문헌 1: 대한민국 공개특허 10-2009-0020448 특허문헌 2: 대한민국 공개특허 10-2018-0057226

상술한 문제점을 해결하기 위하여 본발명에서는, 필드 데이터를 활용하여 배터리 셀의 이상을 검출하는 방법 및 시스템을 제공하고자 한다.

필드 데이터를 활용함에 있어서도 해결해야 할 과제가 존재하는데, 데이터 수집 항목 종류에 제한이 있을 수 밖에 없고, 정밀도가 낮다는 것이다.

이러한 문제를 해결하기 위하여, 다양한 필드 데이터를 활용하여 배터리 모델링을 하기 위해, AI 학습을 통한 배터리 모델링을 구현하고 이를 이용한 배터리 이상 검출 방법 및 시스템을 제공하고자 한다.

상술한 문제를 해결하기 위하여, 본 발명은, 배터리의 이상거동을 검출하기 위한 시스템으로서, 가동중인 배터리로부터 실시간 측정값들을 수신하고 이로부터 필드데이터를 산출하여 출력하는 필드데이터 산출부; 상기 필드데이터로부터 셀 전압을 예측하기 위한 필드데이터를 추출하여 출력하는 필드데이터 전처리부; 상기 필드데이터 전처리부의 출력을 입력받아 셀 전압을 예측하고 그 예측값을 출력하는 인공신경망부; 상기 인공신경망부가 출력하는 예측값을 상기 필드데이터와 비교하여 그 편차가 소정 범위 이상인 경우 배터리 이상거동으로 판정하는 배터리 이상거동 검출부; 를 포함하여 구성되는 배터리 이상거동 검출 시스템을 제공한다.

상기 인공신경망부는, 상기 필드데이터를 산출하는 배터리가 아닌 표준 배터리로부터 산출되는 상기 셀 전압을 예측하기 위한 필드데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 전압을 예측하기 위한 필드데이터를 입력받아 다음 주기의 셀 전압의 예측값을 출력하는 셀 전압 예측모델; 상기 필드데이터를 산출하는 배터리가 아닌 표준 배터리로부터 산출되는 상기 셀 온도를 예측하기 위한 필드데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 전압을 예측하기 위한 필드데이터를 입력받아 다음 주기의 셀 전압의 예측값을 출력하는 셀 온도 예측모델;을 포함하여 구성될 수 있으며, 상기 배터리의 정상운전구간의 소정 기간동안의 필드데이터를 새로운 학습데이터로 추가하여 상기 셀 전압 예측모델과 셀 온도 예측모델을 재학습하여 갱신하는 신경망 학습부;를 추가로 구비할 수 있다.

본 발명은 또한, 운용중인 배터리로부터 실시간 배터리 상태정보 데이터를 측정하고 산출하는 필드데이터 산출과정; 산출된 필드데이터로부터 셀 전압 예측을 위한 데이터를 추출하는 셀 전압 예측을 위한 필드데이터 전처리과정을 포함하는 필드데이터 전처리 과정; 상기 셀 전압 예측을 위한 데이터를 셀 전압 예측모델에 입력하여 다음 주기의 셀 전압 예측값을 산출하는 셀 전압 예측과정을 포함하는 실시간 예측과정; 상기 셀 전압 예측값을 상기 필드데이터의 셀 전압값과 비교하여 그 편차가 소정 범위 이상인 경우 셀 전압 이상 거동 검출 신호를 생성하는 셀 전압 이상 거동 검출과정을 포함하는 배터리 이상거동 검출과정;을 포함하여 구성되는 배터리 이상거동 검출방법을 제공한다.

이때, 셀 전압을 예측하기 위한 데이터는, 상기 배터리를 구성하는 각각의 배터리 셀 및 배터리 모듈에 대한 랙 전류, 대기온도, 팬 온오프 정보, 모듈 SOC, 셀 SOH, 셀 전압의 시계열 값들일 수 있으며, 상기 셀 온도를 예측하기 위한 데이터는, 상기 배터리를 구성하는 각각의 배터리 셀 및 배터리 모듈에 대한 셀 온도, 대기온도, 팬 온오프 정보의 시계열 값들일 수 있다.

본 발명에 따르면, 배터리 필드 데이터를 활용하여 실시간으로 배터리 온도 및 전압값을 예측하고 이를 실제 온도 및 전압값과 비교하여 배터리의 이상 동작 여부를 실시간으로 검출할 수 있다.

본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 전술된 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사 항에만 한정되어 해석되지 않아야 한다.
도 1은 본 발명에서 측정 및 산출하는 각 필드데이터들의 예시를 보이는 도면이다.
도 2는 도 1의 필드데이터들 중에서, 일부 구간 또는 소정 시간 동안 획득된 필드데이터들을 전처리하여 학습데이터로 추출한 예시를 보이는 도면이다.
도 3은 본 발명에 따른 배터리 이상 거동 검출방법의 순서를 보이는 도면이다.
도 4는 시간에 따른 셀 온도의 필드데이터 값과 셀 온도의 예측값을 도시한 그래프를 보인다.
도 5는 본 발명에 따른 배터리 이상 거동 검출 시스템의 블럭도이다.

본 발명은 필드 데이터를 학습시켜 다음 시점의 전압 및 온도 등을 예측한다. 본 발명에서 사용되는 필드 데이터의 종류는 다음과 같다.

1. 필드 데이터

본 발명에서 '필드 데이터'라 함은 운용중인 배터리로부터 실시간 측정되는 하기 데이터들 및 그로부터 계산되는 하기 데이터들을 의미한다. 필드 데이터는 소정의 시간간격으로 배터리 운용중 산출되는 배터리 상태정보의 시계열 데이터들이다.

본 발명에서 사용되는 필드 데이터의 종류는 다음과 같다.

(1) 랙 데이터

배터리 랙의 데이터들이다. 랙 데이터는 랙 전류, 주위온도, 팬 온/오프 정보를 포함한다. 이들은 통상 랙 BMS(Rack Battery Management System)가 측정하고 산출한다.

랙 전류는 Rack.Current, 주위온도는 Ambient.Temp, 팬 온/오프 정보는 Fan_ON/OFF flag 값으로 표현될 수 있으며, 소정의 시간간격으로 측정된다.

소정의 주기로 측정되는 시간 t에서의 랙 전류(Rack Current), 주위온도는 Ambient.Temp(Ambient Temp.), 팬 온/오프(Fan ON/OFF) 정보는 Fan.ON 값들은 Rack.Current(t), Ambient.Temp(t), Fan.ON(t)로 표기될 수 있다. 이때 Rack.Current(t), Ambient.Temp(t) 값은 적절한 측정센서들의 측정값을 가지며, Fan.ON(t)는 팬이 구동중인 경우, '1', 구동중이 아닌 경우 '0' 값을 가질 수 있다.

예를 들어, 1초 간격으로 측정하였을 때, 구동후 3초에서의 랙 전류, 주위온도, 팬 온/오프 정보(팬이 구동되고 있다면)는 각각 Rack.Current(3), Ambient.Temp(3), Fan.ON(3)으로 표기할 수 있다.

(2) 모듈 데이터

배터리 랙에 포함되는 다수의 배터리 모듈들 각각의 데이터들이다. 모듈 데이터는 각 모듈의 SOC 값을 포함하며, 배터리 랙을 구성하는 모듈이 i개 있을 때, 각 모듈은 Mk (k=1, 2, 3, …i)로 표기하며, 각 모듈의 SOC 값(SOC M)은 SOC.Mk로 표기한다. 예를 들어 두번째 모듈의 SOC 값은 SOC.M2로 표기한다. 모듈 데이터는 통상 모듈 BMS(Module Battery Management System)가 측정하고 산출한다.

랙 데이터와 마찬가지로, SOC.Mk 값은 소정의 시간 간격으로 측정될 수 있으며, 시간 t에서의 SOC.Mk 값은 SOC.Mk(t)로 표기한다.

(3) 셀 데이터

배터리 모듈에 포함되는 다수의 배터리 셀들 각각의 데이터들이다. 셀 데이터는 각 셀들이 전압의 측정값으로서의 셀 전압값(Cell V)을 포함하며, 셀 전압값은 각 모듈이 m개의 셀로 이루어져 있을 때, Cell.V.MkCj (k=1, 2, 3, ……m) 으로 표기한다. 예를 들어, 두 번째 모듈, 세 번째 셀의 셀전압값은 Cell_V_M2C3으로 표기한다. 셀 데이터는 통상 셀 BMS(Cell Battery Management System)이나, 셀 BMS가 없는 경우, 모듈 BMS(Module Battery Management System)가 측정하고 산출한다.

Cell.V.MkCj 값 역시 소정의 시간 간격으로 측정될 수 있으며, 시간 t에서의 Cell.V.MkCj 값은 Cell.V.MkCj(t)로 표기한다.

셀 데이터는 셀 온도를 포함할 수 있다. 시간 t에서의 k번째 모듈, j번째 셀의 셀 온도는 Cell.T.MkCj(t)로 표기된다.

(4) 계산값

본 발명은 또한 SOH 값(SOH MkCj)을 계산값의 하나로 사용한다. 각 셀들의 SOH 값은 셀 BMS(Cell Battery Management System)이나, 모듈 BMS(Module Battery Management System) 또는 랙 BMS(Rack Battery Management System)가 산출하는데, 특정 셀의 SOH는 SOH.MkCj (k=1, 2, 3, ……m) 로 표기한다.

SOH.MkCj 값 역시 소정의 시간 간격으로 측정될 수 있으며, 시간 t에서의 SOH.MkCj 값은 SOH.MkCj (t)로 표기한다.

2. 배터리 이상 거동 검출 방법

본 발명에 따른 배터리 이상 거동 검출방법을 도 3을 들어 설명한다.

2-1. 필드 데이터의 산출 및 전처리 과정(S100)

본 발명은 앞서 설명한 필드데이터들을 측정, 산출하고, 전처리를 수행하는 절차이다.

(1) 필드 데이터 산출과정(S110)

운용중인 배터리로부터 실시간 배터리 상태정보 데이터를 측정하고 산출하는 과정이다.

필드데이터들의 측정 및 산출은 소정의 시간단위로 운용중 배터리로부터 실시간 측정 및 산출을 수행하는데, 도 1은 본 발명에서 측정 및 산출하는 각 필드데이터들의 예시를 보인다.

필드데이터들의 측정 및 산출은 각 셀 BMS(Cell Battery Management System)이나, 모듈 BMS(Module Battery Management System) 또는 랙 BMS(Rack Battery Management System)에서 진행될 수 있으며, 필드데이터 산출부(100)로 전송된다. 필드데이터 산출부는 랙 BMS에 통합 구성될 수도 있다.

도 1에 보이고, 앞에서 설명한 필드데이터들 중에서, 일부 구간 또는 소정 시간 동안 획득된 필드데이터들을 전처리하여 도 2에 보이는 것과 같은 학습데이터로 추출한다.

(2) 셀 전압 예측을 위한 필드데이터 전처리 과정(S120)

산출된 필드데이터로부터 셀 전압 예측을 위한 데이터를 추출하는 셀 전압 예측을 위한 필드데이터 전처리과정이다.

본 발명은 필드데이터들로부터 셀 전압을 예측하는 셀 전압 예측모델을 이용하여 셀 전압을 예측하는데, 셀 전압 예측을 위한 데이터로서, 도 2에 보이는 것과 같이, 랙 전류, 주위온도, SOC, SOH, 이전주기의 셀전압을 입력값으로 사용한다.

이를 위하여 전처리 과정에서는 소정의 주기로 실시간 산출되는 필드데이터들에서, 랙 전류, 주위온도, SOC, SOH, 셀 전압 값인, Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t) 값을 주기적으로 추출한다. 도 2에는 각 시간 주기별 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t) 값 및 이에 대응하는 모듈 1의 셀 1, 2의 SOH_M1C2(t), Cell_V_M1C2(t) 값을 추출하는 데이터의 형식을 보인다.

(3) 셀 온도 예측을 위한 필드데이터 전처리 과정(S130)

상기 산출된 필드데이터로부터 산출된 셀 온도를 예측하기 위한 데이터를 추출하는 과정이다.

본 발명은 또한 필드데이터들로부터 셀 온도를 예측하는 셀 온도 예측모델을 이용하여 셀 온도를 예측하는데, 셀 온도 예측을 위한 데이터로서, 셀의 현재 온도값인 Cell.T.MkCj(t), 주위온도 Ambient.Temp(t), Fan.ON(t)를 사용하여 다음 주기의 셀 온도를 예측한다.

이를 위하여 전처리 과정에서는 소정의 주기로 실시간 산출되는 필드 데이터들에서, Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t) 값을 주기적으로 추출한다.

2-2. 예측모델 생성과정(S200)

(1) 셀 전압 예측모델 생성과정(S210)

소정의 인공신경망에 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t)를 입력하고, 그 출력값을 Cell.V.MkCj(t+1)로 하여 지도학습하여 셀 전압 예측을 위한 셀 전압 예측모델(210)을 생성한다. 셀 전압 예측모델은 소정의 인공신경망을 사용하여 생성한다. 인공신경망으로는 공지의 인공신경망을 사용할 수 있으며, 소정의 학습데이터로 학습이 완료된 인공신경망은 도 5의 셀 전압 예측모델(210)로 저장된다.

상기 셀 전압 예측모델(210)의 학습 데이터로는, 상기 셀 전압 예측을 위한 필드 데이터 전처리 과정(S120)을 통하여 전처리된, 소정 시간 구간의 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t) 값을 신경망의 입력값으로 사용하고, 다음 주기의 셀 전압 측정값인 Cell.V.MkCj(t+1)을 그 출력값으로 사용하여, 소정 시간 구간의 소정 시간 구간의 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t) 값이 상기 인공신경망으로 입력될 때, 그 출력값이 다음 주기의 셀 전압 측정값인 Cell.V.MkCj(t+1)이 되도록 인공신경망을 지도학습하여 셀 전압 예측모델을 생성한다.

이와 같이 학습된 인공신경망은 셀 전압 예측모델(210)로 저장되어, Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t) 값을 입력받아, 다음 주기의 셀 전압 예측값인 Cell.V_prdic.MkCj(t+1)를 산출한다.

셀 전압 예측모델 생성과정에서 사용하는 학습데이터인 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t), Cell.V.MkCj(t+1) 값은 아래의 셀 전압 예측과정(S310)에서 사용하는 데이터들과 다른 시간에 측정된 필드 데이터 일 수 있으며, 배터리 운용전 또는 샘플 배터리들의 운용을 통하여 획득된 샘플 데이터 일 수 있다.

다른 실시예로는 상기 셀 전압 예측모델(210)의 학습 데이터로 필드데이터가 아닌, 실험실에서 표준 배터리를 사용하여 산출한 소정 시간 구간의 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t), Cell.V.MkCj(t+1)을 학습데이터로 사용하여 생성될 수 있다.

즉, 셀 전압 예측모델은, 상기 필드데이터를 산출하는 운용중 배터리가 아닌 표준 배터리로부터 산출되는 셀 전압을 예측하기 위한 데이터 대응값들을 학습데이터로 하여 학습되어 생성되고, 이후, 상기 셀 전압을 예측하기 위한 데이터를 운용중 배터리로부터 입력받아 다음 주기의 셀 전압의 예측값을 출력한다.

(2) 셀 온도 예측모델 생성과정(S220)

본 발명은 또한 셀 온도 예측모델을 구비하는데, 셀 온도 예측을 위한 예측을 위한 셀 온도 예측모델 역시 상기 전저리된 데이터로들을 학습데이터로 하여 상기 셀 전압 예측모델 생성과정과 동일한 방식으로 셀 온도 예측모델(220)을 생성한다. 즉, 소정의 인공신경망에, Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t) 값을 주기적으로 입력하고, 그 출력값을 Cell.T.MkCj(t+1)로 하여 지도학습한다. 즉 인공신경망의 입력데이터로, 소정의 시간 동안 Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t) 값을 주기적으로 입력하고, 그 출력값이 다음주기의 셀 온도 측정값인 Cell.T.MkCj(t+1)이 되도록 인공신경망을 지도학습하여 셀 온도 예측모델을 생성한다.

이와 같이 학습된 인공신경망은 셀 온도 예측모델(220)로 저장되어, Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t) 값을 입력받아, 다음 주기의 셀 온도 예측값인 Cell.T_predic.MkCj(t+1)를 산출한다.

셀 온도 예측모델 생성과정에서 사용하는 학습데이터인, Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t), Cell.T.MkCj(t+1) 값은 아래의 셀 온도 예측과정(S320)에서 사용하는 데이터들과 다른 시간에 측정된 필드 데이터 일 수 있으며, 배터리 운용전 또는 샘플 배터리들의 운용을 통하여 획득된 샘플 데이터 일 수 있다.

다른 실시예로는 학습 데이터로 필드데이터가 아닌, 실험실에서 표준 배터리를 사용하여 산출한 소정 시간 구간의 Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t), Cell.T.MkCj(t+1) 값을 학습데이터로 사용하여 생성될 수 있다.

즉, 셀 온도 예측모델(220)은, 상기 필드데이터를 산출하는 운용중 배터리가 아닌 표준 배터리로부터 산출되는 셀 온도를 예측하기 위한 데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 온도를 예측하기 위한 데이터를 운용중 배터리로부터 입력받아 다음 주기의 셀 온도의 예측값을 출력한다.

(3) 예측모델 갱신과정(S230)

다른 실시예로는, 상기 필드데이터를 산출하는 운용중 배터리의 정상운전구간의 소정 기간동안의 필드데이터를 새로운 학습데이터로 추가하여 상기 셀 전압 예측모델과 셀 온도 예측모델을 재학습하여 갱신하는 과정이다.

셀 전압 예측모델 생성과정은 배터리가 이상거동을 보이지 않는 동안 산출된 소정 시간동안의 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t), Cell.V.MkCj(t+1) 값을 새로운 학습데이터로 입력하여 셀 전압 예측모델(210)을 갱신할 수 있다. 이러한 경우, 실제 필드데이터를 적용하여 학습모델을 갱신하므로, 필드에 배치된 실제 배터리에 대하여 보다 정확한 예측값의 획득이 가능하다.

셀 온도 예측모델 생성과정은 배터리가 이상거동을 보이지 않는 동안 산출된 소정 시간동안의 Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t), Cell.T.MkCj(t+1) 값을 새로운 학습데이터로 입력하여 셀 온도 예측모델(220)을 갱신할 수 있다. 이러한 경우, 실제 필드데이터를 적용하여 학습모델을 갱신(S230)하므로, 필드에 배치된 실제 배터리에 대하여 보다 정확한 예측값의 획득이 가능하다.

2-3. 실시간 예측과정(S300)

상기 학습이 완료된 셀 전압 예측모델 및 셀 온도 예측모델을 이용하여 셀 전압 및 셀 온도를 예측하는 절차이다.

(1) 셀 전압 예측 과정(S310)

상기 셀 전압 예측을 위한 필드데이터 전처리 과정(S120)에서 전처리하여 추출한 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t) 값을 상기 생성한 또는 갱신된 셀 전압 예측모델(210)에 입력하여 다음 주기의 셀 전압 예측값인 Cell.V_prdic.MkCj(t+1)를 산출하는 절차이다.

(2) 셀 온도 예측 과정(S320)

상기 전처리과정(S220)에서 추출한 Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t) 값을 상기 생성한 또는 갱신된 셀 온도 예측모델(220)에 입력하여 다음주기의 셀 온도 예측값인 Cell.T_predic.MkCj(t+1)를 산출한다.

2-4. 배터리 이상거동 검출과정(S400)

(1) 셀 전압 이상 거동 검출과정(S410)

셀 전압 예측과정(S310)을 통하여 셀 전압 예측모델(210)이 출력하는 예측값인 Cell.V_prdic.MkCj(t+1) 값과 배터리로부터 산출되는 필드데이터 중의 Cell.V.MkCj(t+1) 값을 비교하여 소정의 기준값 이상의 차이가 발생하는 경우를 검출하는 과정이다. 소정의 기준값 이상의 차이가 발생한 경우, 셀 전압 이상 거동 검출 신호를 생성한다.

(2) 셀 온도 이상 거동 검출과정(S420)

셀 온도 예측과정(S320)을 통하여 셀 온도 예측모델(220)이 출력하는 예측값인 Cell.T_predic.MkCj(t+1) 값과 배터리로부터 산출되는 필드데이터 중의 Cell.T.MkCj(t+1) 값을 비교하여 소정의 기준값 이상의 차이가 발생하는 경우를 검출하는 과정이다. 소정의 기준값 이상의 차이가 발생한 경우, 셀 온도 이상 거동 검출 신호를 생성한다.

검출의 예를 도 4를 들어 설명하면, 필드데이터인 Cell.T.MkCj(t+1) 값들이 'test data'로 표시되고, 예측값인 Cell.T_predic.MkCj(t+1)이 'simulation'으로 표시되어 있는데, 도 4의 (a)에서와 같이 필드데이터와 예측값 사이에 소정 기준값 이상의 편차가 발생하지 않은 경우는 정상거동으로 판단하고, 도 4의 (b)에서와 같이 소정 기준값 이상의 편차가 발생하는 경우, 배터리 이상 거동으로 판단하여 검출한다.

2-5. 진단 및 경보 발생과정(S500)

상기 배터리 이상거동 검출과정(S400)에서 예측한 Cell.V_prdic.MkCj(t+1), Cell.T_predic.MkCj(t+1) 값과 실측 필드데이터 중, Cell.V.MkCj(t+1), Cell.T.MkCj(t+1) 값의 차이가 기준값 이상의 편차가 발생한 경우, 진단절차를 수행하거나 외부로 경보를 발생하는 절차이다.

본 발명에서 상기 진단절차는 특별히 정해진 절차로 제한되는 것은 아니며, 상기 기준값 이상의 편차가 소정 시간구간동안 소정의 횟수 이상 발생하는 경우 경보 발생신호를 출력하거나, 배터리 충전 또는 방전 동작을 차단하는 제어신호를 출력할 수 있다.

3. 배터리 이상 거동 검출 시스템

도 5를 들어, 본 발명에 따른 배터리 이상 거동 검출 시스템을 설명한다.

3-1. 필드데이터 산출부(100)

필드데이터 산출부(100)는 가동중인 배터리로부터 실시간 측정값들을 수신하고, 수신된 데이터로부터 필드 데이터 값들을 산출하여 출력한다. 필드데이터들의 측정 및 산출은 각 셀 BMS(Cell Battery Management System)이나, 모듈 BMS(Module Battery Management System) 또는 랙 BMS(Rack Battery Management System)에서 진행될 수 있으며, 필드데이터 산출부(100)로 전송된다. 필드데이터 산출부는 랙 BMS에 통합 구성될 수도 있다. 상기 배터리로부터 수신하는 측정값들은 배터리에 설치된 각 센서들로부터 수신되는 값들이며, 통상의 배터리 상태정보 측정값들을 포함한다. 산출되는 필드데이터는 앞서 설명한 본 발명의 필드데이터들이다.

필드데이터 산출부는 필드데이터 전처리부(200)로 필드데이터를 전송한다.

3-2. 필드데이터 전처리부(200)

필드데이터 전처리부는(200), 필드에이터 산출부에서 산출한 필드 데이터로부터 셀 전압 예측을 위한 필드데이터를 추출하는 셀 전압 예측 필드데이터 전처리부(210) 및 셀 온도 예측을 위한 필드데이터를 추출하는 셀 온도 예측 필드데이터 전처리부(220)을 포함하여 구성되어, 셀 전압 예측을 위한 필드데이터 전처리 과정(S120) 및 셀 온도 예측을 위한 필드데이터 전처리 과정(S130)을 수행한다.

필드데이터 전처리부(200)는 인공신경망부(300)로 학습데이터 및 필드데이터를 전송한다.

이때 학습데이터는 도 5에서 점선으로 도시된 화살표의 경로로 표시된 것처럼 실험실에서 정상품질이 검증된 표준배터리로부터 필드 데이터를 구성하는 각 항목에 대응되는 데이터를 소정의 기간동안 산출하여 인공신경망부(300)로 제공될 수 있다. 즉, 인공신경망부를 구성하는 셀 전압 예측모델(320)은 표준 배터리로부터 산출되는, 셀 전압을 예측하기 위한 필드데이터 대응값들을 학습데이터로 하여 학습되고, 셀 온도 예측모델(330)은 표준 배터리로부터 산출되는, 셀 온도를 예측하기 위한 필드데이터 대응값들을 학습데이터로 하여 학습될 수 있다.

다른 실시예로는 학습데이터는 배터리 운전시 일정기간 동안의 필드데이터를 학습데이터로 추출하여 인공신경망부(300)로 제공하도록 구성될 수 있다.

한편, 학습데이터로 상기 두 가지 중 어느 형태의 데이터가 사용되건 간에, 필드데이터 전처리부(200)는 정상운전 구간의 배터리의 필드데이터를 학습데이터로 제공하여 기 학습된 인공신경망(320, 330)을 학습하도록 제공할 수 있다.

3-3. 인공신경망부(300)

(1) 신경망 학습부(310)

신경망 학습부(310)는 필드데이터 전처리부(200)로부터 상술한 학습데이터를 수신하여 인공신경망을 학습한다. 인공신경망은 셀 전압 예측모델(320)과 셀 온도 예측모델(330)로 학습되는데, 신경망 학습부는 각각을 셀 전압과 셀 온도를 예측하도록 학습되어 저장된다.

신경망 학습부(310)는 또한 소정의 주기로 또는 제어부(500)의 제어에 따라 배터리 정상운전구간의 소정 기간동안의 필드데이터를 새로운 학습데이터로 추가하여 인공신경망을 재학습하여 예측모델들(320, 330)을 갱신하도록 제어될 수 있다.

예를 들어, 예측모델들(320, 330)이 표준 배터리로부터 제공받은 학습데이터로 학습되어 운용되고, 필드데이터를 입력받아 예측값을 생성해나가는 동안 후술하는 배터리 이상거동 검출부(400)에서 이상거동이 검출되지 않는 구간, 즉, 정상구간에서의 필드데이터들을 상기 학습데이터에 추가하여 예측모델들(320, 330)을 재학습시킴으로서, 예측모델들(320, 330)이 실제 필드 배터리의 가동상태로부터 생성되는 필드데이터를 반영하도록 학습되고, 이는 예측모델들(320, 330)의 예측 정확도를 향상시킨다.

상기 학습데이터들로 학습되고 또는 필드데이터를 추가하여 학습이 갱신된 인공신경망은 각각 셀 전압 예측모델(320)과 셀 온도 예측모델(330)로 저장된다.

(2) 셀 전압 예측모델(320)

셀 전압 예측모델(320)은 필드데이터 전처리부(200)로부터 셀 전압 예측을 위한 필드데이터를 입력받아 다음 주기의 셀 전압을 예측하는 학습된 인공신경망이다. 셀 전압 예측을 위한 필드데이터는 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t) 값일 수 있으며, 이를 입력받아 셀 전압 예측값인 Cell.V_prdic.MkCj(t+1)를 산출한다.

(3) 셀 온도 예측모델(330)

셀 온도 예측모델(330)은 필드데이터 전처리부(200)로부터 셀 온도 예측을 위한 필드데이터를 입력받아 다음 주기의 셀 온도를 예측하는 학습된 인공신경망이다. 셀 온도 예측을 위한 필드데이터는 Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t) 값일 수 있으며, 이를 입력받아 셀 온도 예측값인 Cell.T_predic.MkCj(t+1)를 산출한다.

3-4. 배터리 이상거동 검출부(400)

배터리 이상거동 검출부(400)는 인공신경망부(300)의 셀 전압 예측모델(320)과 셀 온도 예측모델(330)이 산출하는 셀 전압과 셀 온도의 예측값을 필드 데이터의 셀 전압 및 셀 온도와 비교하여 배터리의 이상거동을 검출하고 이상거동 검출신호를 제어부로 송신한다. 이상거동 검출신호는 후술하는 셀 전압 이상거동 신호 또는 셀 온도 이상거동 신호 중 적어도 하나 또는 둘 다를 포함할 수 있다.

배터리 이상거동 검출부(400)는 상기 필드데이터 산출부가 출력하는 필드데이터 및 상기 인공신경망부(300)가 출력하는 예측값들을 수신한다.

(1) 셀 전압 이상거동 판정부(410)

셀 전압 이상거동 판정부(410)는 상술한 Cell.V_prdic.MkCj(t+1) 값을 필드데이터의 Cell.V_.MkCj(t+1)값과 비교하여 그 편차가 소정 범위 이상인 경우 셀 전압 이상거동으로 판정하고 셀 전압 이상거동 신호를 제어부로 송신한다.

(2) 셀 온도 이상거동 판정부(420)

셀 온도 이상거동 판정부(420)는 상술한 Cell.T_predic.MkCj(t+1) 값을 필드데이터의 Cell.T.MkCj(t+1) 값과 비교하여 그 편차가 소정 범위 이상인 경우 셀 온도 이상거동으로 판정하고 셀 온도 이상거동 신호를 제어부로 송신한다.

3-5. 제어부(500)

제어부(500)는 이상거동 검출부(400)의 이상거동 검출신호를 수신하여 상술한 진단 및 경보 발생과정(S500)을 수행한다.

제어부는 필드데이터 산출부, 필드데이터 전처리부, 예측모델, 이상거동 검출부와 각각 연결되어 각 구성을 제어할 수 있으며, 다른 실시예에서는 필드데이터 산출부, 필드데이터 전처리부, 예측모델, 이상거동 검출부의 모든 구성이 물리적으로 통합되어 제어부로 구성될 수 있다. 이러한 경우, 통합된 제어부는 배터리의 RACK BMS와 직접 통신 연결되거나 RACK BMS에 통합되어 구현될 수도 있다.

100 필드데이터 산출부
200 필드데이터 전처리부
210 셀 전압 예측 필드데이터 전처리부
220 셀 온도 예측 필드데이터 전처리부
300 인공신경망부
310 신경망 학습부
320 셀 전압 예측모델
330 셀 온도 예측모델
400 배터리 이상거동 검출부
410 셀 전압 이상거동 판정부
420 셀 온도 이상거동 판정부
500 제어부

Claims

배터리의 이상거동을 검출하기 위한 시스템으로서,
가동중인 배터리로부터 실시간 측정값들을 수신하고 이로부터 필드데이터를 산출하여 출력하는 필드데이터 산출부;
상기 필드데이터로부터 셀 전압을 예측하기 위한 필드데이터를 추출하여 출력하는 필드데이터 전처리부;
상기 필드데이터 전처리부의 출력을 입력받아 셀 전압을 예측하고 그 예측값을 출력하는 인공신경망부;
상기 인공신경망부가 출력하는 예측값을 상기 필드데이터와 비교하여 그 편차가 소정 범위 이상인 경우 배터리 이상거동으로 판정하는 배터리 이상거동 검출부;
를 포함하여 구성되는 배터리 이상거동 검출 시스템.
제1항에 있어서,
상기 필드데이터 전처리부는,
셀 온도를 예측하기 위한 필드데이터를 추가로 추출하여 출력하며,
상기 인공신경망부는,
상기 필드데이터 전처리부의 출력을 입력받아 셀 온도를 추가로 예측하여 그 예측값을 출력하고,
상기 배터리 이상거동 검출부는,
상기 인공신경망부가 출력하는 셀 전압 예측값과 필드 데이터 중의 셀 전압값을 비교하여 그 편차가 소정 범위 이상인 경우 또는 상기 인공신경망부가 출력하는 셀 온도 예측값과 필드 데이터 중의 셀 온도값을 비교하여 그 편차가 소정 범위 이상인 경우 배터리 이상거동으로 판정하는 것;
을 특징으로 하는 배터리 이상거동 검출 시스템.
제2항에 있어서,
상기 셀 전압을 예측하기 위한 필드데이터는,
상기 배터리를 구성하는 각각의 배터리 셀 및 배터리 모듈에 대한 랙 전류, 대기온도, 팬 온오프 정보, 모듈 SOC, 셀 SOH, 셀 전압의 시계열 값들이며,
상기 셀 온도를 예측하기 위한 필드데이터는,
상기 배터리를 구성하는 각각의 배터리 셀 및 배터리 모듈에 대한 셀 온도, 대기온도, 팬 온오프 정보의 시계열 값들인 것;
을 특징으로 하는 배터리 이상거동 검출 시스템.
제3항에 있어서,
상기 인공신경망부는,
상기 셀 전압을 예측하기 위한 필드데이터를 입력받아 다음 주기의 셀 전압의 예측값을 출력하고,
상기 셀 온도를 예측하기 위한 필드데이터를 입력받아 다음 주기의 셀 온도의 예측값을 출력하는 것;
을 특징으로 하는 배터리 이상거동 검출 시스템.
제4항에 있어서,
상기 인공신경망부는,
상기 필드데이터를 산출하는 배터리가 아닌 표준 배터리로부터 산출되는 상기 셀 전압을 예측하기 위한 필드데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 전압을 예측하기 위한 필드데이터를 입력받아 다음 주기의 셀 전압의 예측값을 출력하는 셀 전압 예측모델;
상기 필드데이터를 산출하는 배터리가 아닌 표준 배터리로부터 산출되는 상기 셀 온도를 예측하기 위한 필드데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 전압을 예측하기 위한 필드데이터를 입력받아 다음 주기의 셀 전압의 예측값을 출력하는 셀 온도 예측모델;
을 포함하여 구성되는 것을 특징으로 하는 배터리 이상거동 검출 시스템.
제5항에 있어서,
상기 인공신경망부는,
상기 배터리의 정상운전구간의 소정 기간동안의 필드데이터를 새로운 학습데이터로 추가하여 상기 셀 전압 예측모델과 셀 온도 예측모델을 재학습하여 갱신하는 신경망 학습부;
를 추가로 구비하는 것을 특징으로 하는 배터리 이상거동 검출 시스템.
배터리 이상거동 검출방법에 있어서,
운용중인 배터리로부터 실시간 배터리 상태정보 데이터를 측정하고 산출하는 필드데이터 산출과정;
산출된 필드데이터로부터 셀 전압 예측을 위한 데이터를 추출하는 셀 전압 예측을 위한 필드데이터 전처리과정을 포함하는 필드데이터 전처리 과정;
상기 셀 전압 예측을 위한 데이터를 셀 전압 예측모델에 입력하여 다음 주기의 셀 전압 예측값을 산출하는 셀 전압 예측과정을 포함하는 실시간 예측과정;
상기 셀 전압 예측값을 상기 필드데이터의 셀 전압값과 비교하여 그 편차가 소정 범위 이상인 경우 셀 전압 이상 거동 검출 신호를 생성하는 셀 전압 이상 거동 검출과정을 포함하는 배터리 이상거동 검출과정;
을 포함하여 구성되는 배터리 이상거동 검출방법.
제7항에 있어서,
상기 필드데이터 전처리 과정은,
상기 산출된 필드데이터로부터 셀 온도를 예측하기 위한 데이터를 추출하는 셀 온도 예측을 위한 필드데이터 전처리과정을 추가로 포함하고,
상기 실시간 예측과정은,
상기 셀 온도 예측을 위한 데이터를 셀 온도 예측모델에 입력하여 다음 주기의 셀 온도 예측값을 산출하는 셀 온도 예측과정을 추가로 포함하며,
상기 배터리 이상거동 검출과정은,
상기 셀 온도 예측값을 상기 필드 데이터의 셀 온도값과 비교하여 그 편차가 소정 범위 이상인 경우, 셀 온도 이상 거동 검출신호를 생성하는 셀 온도 이상거동 검출과정을 추가로 포함하는 것;
을 특징으로 하는 배터리 이상거동 검출방법.
제8항에 있어서,
상기 셀 전압을 예측하기 위한 데이터는,
상기 배터리를 구성하는 각각의 배터리 셀 및 배터리 모듈에 대한 랙 전류, 대기온도, 팬 온오프 정보, 모듈 SOC, 셀 SOH, 셀 전압의 시계열 값들이며,
상기 셀 온도를 예측하기 위한 데이터는,
상기 배터리를 구성하는 각각의 배터리 셀 및 배터리 모듈에 대한 셀 온도, 대기온도, 팬 온오프 정보의 시계열 값들인 것;
을 특징으로 하는 배터리 이상거동 검출 방법.
제9항에 있어서,
상기 셀 전압 예측모델은,
상기 필드데이터를 산출하는 운용중 배터리가 아닌 표준 배터리로부터 산출되는 상기 셀 전압을 예측하기 위한 데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 전압을 예측하기 위한 데이터를 운용중 배터리로부터 입력받아 다음 주기의 셀 전압의 예측값을 출력하고,
상기 셀 온도 예측모델은,
상기 필드데이터를 산출하는 운용중 배터리가 아닌 표준 배터리로부터 산출되는 상기 셀 온도를 예측하기 위한 데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 온도를 예측하기 위한 데이터를 운용중 배터리로부터 입력받아 다음 주기의 셀 온도의 예측값을 출력하는 것;
을 특징으로 하는 배터리 이상거동 검출 방법.
제11항에 있어서,
상기 필드데이터를 산출하는 운용중 배터리의 정상운전구간의 소정 기간동안의 필드데이터를 새로운 학습데이터로 추가하여 상기 셀 전압 예측모델과 셀 온도 예측모델을 재학습하여 갱신하는 예측모델 갱신과정;
를 추가로 구비하고,
상기 실시간 예측과정은,
상기 셀 전압 및 셀 온도 예측을 위한 데이터를 상기 예측모델 갱신절차를 통하여 갱신된 셀 전압 예측모델 및 셀 온도 예측모델에 입력하여 다음 주기의 셀 전압 및 셀 온도 예측값을 산출하는 것;
을 특징으로 하는 배터리 이상거동 검출 방법.