KR20230141281A - 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치 및 그것의 동작 방법 - Google Patents

배터리 수명 예측을 위한 인공 신경망 모델 관리 장치 및 그것의 동작 방법 Download PDF

Info

Publication number
KR20230141281A
KR20230141281A KR1020220040650A KR20220040650A KR20230141281A KR 20230141281 A KR20230141281 A KR 20230141281A KR 1020220040650 A KR1020220040650 A KR 1020220040650A KR 20220040650 A KR20220040650 A KR 20220040650A KR 20230141281 A KR20230141281 A KR 20230141281A
Authority
KR
South Korea
Prior art keywords
neural network
artificial neural
data set
network model
learning data
Prior art date
Application number
KR1020220040650A
Other languages
English (en)
Inventor
김영환
조인천
배성호
이상훈
박재동
Original Assignee
주식회사 엘지에너지솔루션
경희대학교 산학협력단
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, 경희대학교 산학협력단 filed Critical 주식회사 엘지에너지솔루션
Priority to KR1020220040650A priority Critical patent/KR20230141281A/ko
Publication of KR20230141281A publication Critical patent/KR20230141281A/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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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
    • 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

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

배터리의 수명을 예측하기 위한 인공 신경망 모델 관리 장치로서, 배터리에 인가된 교류 전류에 대한 주파수 대역 별 임피던스 응답을 포함하는 제1 학습 데이터 세트 및 상기 배터리의 등가회로 모델을 구성하는 파라미터 값들을 포함하는 제2 학습 데이터 세트를 입력 받는 데이터 입력부; 및 상기 제1 학습 데이터 세트 및 상기 제2 학습 데이터 세트에 기초하여 상기 배터리의 수명 예측 결과를 출력하도록 인공 신경망 모델을 학습시키는 모델 관리부를 포함한다.

Description

배터리 수명 예측을 위한 인공 신경망 모델 관리 장치 및 그것의 동작 방법{APPARATUS FOR TRAINING ARTIFICIAL NEURAL NETWORK MODEL FOR PREDICTING REMAINING LIFE OF BATTERY AND OPERATING METHOD THEREOF}
본 문서에 개시된 실시예들은 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치 및 그것의 동작 방법에 관한 것이다.
최근 전기, 전자, 통신 및 컴퓨터 산업이 급속하게 발전함에 따라 고성능, 고안전성의 배터리에 대한 수요가 점차 증대되고 있다. 이차 전지의 일종인 리튬 폴리머 배터리는 화학 에너지와 전기 에너지 간의 가역적 상호 변환을 통해 충전과 방전을 반복할 수 있는 전지로서, 수명이 길고 용량이 크다는 장점을 가지고 있어 휴대용 전자기기, 전기 자동차 배터리 등 다양하게 활용되고 있다.
전기화학적 임피던스 분광법(Electrochemical Impedance Spectroscopy; EIS)은 배터리의 잔존 수명을 예측하는 기법 중 하나로서, 배터리에 교류 전류를 인가하고 주파수 대역 별 임피던스 응답을 측정하여 배터리의 SOH(State of Health) 값을 산출할 수 있다. EIS 기반 수명 예측 기술은 기존의 충방전 사이클 정보를 이용하는 수명 예측 기술에 비해 정확도가 높고, 배터리의 사용 중에도 예측이 가능하다는 장점이 있다.
본 문서에 개시된 실시예들의 일 목적은, 배터리의 교류 임피던스 응답 데이터와 배터리의 등가회로 모델의 파라미터 데이터에 기초하여 배터리의 수명 예측을 위한 인공 신경망(ANN) 모델을 학습시키는 모델 관리 장치 및 이를 이용한 모델 관리 방법을 제공하는 것이다.
본 문서에 개시된 실시예들의 또 다른 목적은, 학습된 인공 신경망 모델을 이용하여 배터리의 수명을 실시간으로 예측하는 장치를 제공하는 것이다.
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.
일 실시예에 따른 인공 신경망 모델 관리 장치는, 배터리에 인가된 교류 전류에 대한 주파수 대역 별 임피던스 응답을 포함하는 제1 학습 데이터 세트 및 상기 배터리의 등가회로 모델을 구성하는 파라미터 값들을 포함하는 제2 학습 데이터 세트를 입력 받는 데이터 입력부; 및 상기 제1 학습 데이터 세트 및 상기 제2 학습 데이터 세트에 기초하여 상기 배터리의 수명 예측 결과를 출력하도록 인공 신경망 모델을 학습시키는 모델 관리부를 포함한다.
일 실시예에 따른 인공 신경망 모델 관리 장치는, 상기 제1 학습 데이터 세트에 기초하여 모조 학습 데이터 세트를 생성하는 생성자, 및 상기 제1 학습 데이터 세트와 상기 모조 학습 데이터 세트를 판별하는 판별자를 포함하는 데이터 증강부를 더 포함하고, 상기 생성자는 상기 판별자의 판별 결과를 이용하여 상기 모조 학습 데이터 세트를 반복 생성하고, 상기 모조 학습 데이터 세트는 상기 제1 학습 데이터 세트와 함께 상기 데이터 입력부에 입력될 수 있다.
일 실시예에 따르면, 상기 인공 신경망 모델은, 시계열 유형의 데이터를 포함하는 상기 제1 학습 데이터 세트로부터 특징을 추출하기 위한 제1 예측 모듈을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 예측 모듈은, 시계열 유형의 데이터로부터 특징을 추출하기 위한 합성곱 연산 기반 예측 모듈 또는 트랜스포머 기반 예측 모듈을 포함할 수 있다.
일 실시예에 따르면, 상기 인공 신경망 모델은, 벡터 유형의 데이터를 포함하는 상기 제2 학습 데이터 세트로부터 특징을 추출하기 위한 제2 예측 모듈을 포함할 수 있다.
일 실시예에 따르면, 상기 모델 관리부는, 상기 인공 신경망 모델을 구성하는 뉴런들을 소정의 기준에 따라 정렬하고, 정렬된 상기 뉴런들 중 일부를 제거하고, 상기 인공 신경망 모델을 재학습시키는 모델 압축부를 포함할 수 있다.
일 실시예에 따르면, 상기 모델 관리부는, 상기 인공 신경망 모델을 구성하는 레이어의 수 및 상기 레이어 각각을 구성하는 노드의 수에 따른 배터리의 수명 예측 결과를 비교하고, 상기 배터리의 수명 예측 결과의 오차를 최소화하는 레이어의 수 및 노드의 수를 갖는 인공 신경망 모델을 최적의 모델로 결정하는 모델 최적화부를 포함할 수 있다.
일 실시예에 따른 배터리 수명 예측 장치는, 목표 배터리에 인가된 교류 전류에 대한 주파수 대역 별 임피던스 응답을 포함하는 제1 데이터 및 상기 목표 배터리의 등가회로 모델을 구성하는 파라미터 값들을 포함하는 제2 데이터를 획득하는 데이터 획득부; 및 임의의 배터리에 인가된 교류 전류에 대한 주파수 대역 별 임피던스 응답을 포함하는 제1 학습 데이터 세트 및 임의의 배터리의 등가회로 모델을 구성하는 파라미터 값들을 포함하는 제2 학습 데이터 세트를 이용하여 학습된 인공 신경망 모델을 이용하여, 상기 제1 데이터 및 상기 제2 데이터에 기초하여 상기 목표 배터리의 수명을 예측하는 컨트롤러를 포함한다.
일 실시예에 따른 인공 신경망 모델 관리 방법은, 배터리에 인가된 교류 전류에 대한 주파수 대역 별 임피던스 응답을 포함하는 제1 학습 데이터 세트 및 상기 배터리의 등가회로 모델을 구성하는 파라미터 값들을 포함하는 제2 학습 데이터 세트를 입력하는 단계; 및 상기 제1 학습 데이터 세트 및 상기 제2 학습 데이터 세트에 기초하여 상기 배터리의 수명 예측 결과를 출력하도록 인공 신경망 모델을 학습시키는 단계를 포함한다.
일 실시예에 따른 인공 신경망 모델 관리 방법은, 상기 제1 학습 데이터 세트에 기초하여 모조 학습 데이터 세트를 생성하는 단계; 상기 제1 학습 데이터 세트와 상기 모조 학습 데이터 세트를 판별하는 단계; 및 상기 판별 결과를 이용하여 상기 모조 학습 데이터 세트를 반복 생성하는 단계를 포함하는 데이터 증강 단계를 더 포함할 수 있다.
일 실시예에 따르면, 상기 인공 신경망 모델을 학습시키는 단계는, 제1 예측 모듈을 이용하여 시계열 유형의 데이터를 포함하는 상기 제1 학습 데이터 세트로부터 특징을 추출하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 인공 신경망 모델을 학습시키는 단계는, 제2 예측 모듈을 이용하여 벡터 유형의 데이터를 포함하는 상기 제2 학습 데이터 세트로부터 특징을 추출하는 단계를 더 포함할 수 있다.
일 실시예에 따른 인공 신경망 모델 관리 방법은, 상기 인공 신경망 모델을 구성하는 뉴런들을 소정의 기준에 따라 정렬하는 단계; 정렬된 상기 뉴런들 중 일부를 제거하는 단계; 및 상기 인공 신경망 모델을 재학습시키는 단계를 포함하는 모델 압축 단계를 더 포함할 수 있다.
일 실시예에 따른 인공 신경망 모델 관리 방법은, 상기 인공 신경망 모델을 구성하는 레이어의 수 및 상기 레이어 각각을 구성하는 노드의 수에 따른 배터리의 수명 예측 결과를 비교하는 단계; 및 상기 배터리의 수명 예측 결과의 오차를 최소화하는 레이어의 수 및 노드의 수를 갖는 인공 신경망 모델을 최적의 모델로 결정하는 단계를 포함하는 모델 최적화 단계를 더 포함할 수 있다.
실시예에 따르면, 배터리의 교류 임피던스 응답 데이터와 배터리의 등가회로 모델의 파라미터 데이터에 기초하여 배터리의 수명을 예측하는 인공 신경망 모델을 학습시키는 모델 관리 장치 및 이를 이용한 모델 관리 방법이 제공된다.
실시예에 따르면, 적대적 생성 모델을 이용하여 학습 데이터의 양과 질을 증가시킴으로써 상기 인공 신경망 모델의 성능 향상을 도모할 수 있다. 또한, 소정의 기준에 따라 상기 학습된 인공 신경망 모델을 압축하여 예측 속도를 향상시키거나, 예측 오차를 최소화하기 위한 레이어와 노드를 찾아 인공 신경망 모델을 최적화할 수 있다.
실시예에 따르면, 상기 학습 장치에 의해 학습된 인공 신경망 모델을 이용하여 배터리의 수명을 정밀하고 신속하게 예측할 수 있다.
이 외에도 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
본 문서에 개시된 실시예 또는 종래 기술의 기술적 해결책을 보다 명확하게 설명하기 위해, 실시예에 대한 설명에서 필요한 도면이 아래에서 간단히 소개된다. 아래의 도면들은 본 명세서의 실시예를 설명하기 위한 목적일 뿐 한정의 목적이 아니라는 것으로 이해되어야 한다. 또한, 설명의 명료성을 위해 도면의 일부 구성요소들에 대한 표현이 과장되거나 생략될 수 있다.
도 1은 일 실시예에 따른 인공 신경망 모델 관리 장치의 구성을 나타낸 블록도이다.
도 2는 일 실시예에 따른 인공 신경망 모델의 입력 및 출력 구조를 나타낸 블록도이다.
도 3a는 일 실시예에 따른 합성곱 연산 기반 예측 모듈의 계층 구조를 나타낸다.
도 3b은 일 실시예에 따른 트랜스포머 기반 예측 모듈의 계층 구조를 나타낸다.
도 4는 일 실시예에 따른 인공 신경망 모델 관리 장치의 데이터 증강부의 구성을 나타낸 블록도이다.
도 5는 입력된 학습 데이터 세트와 일 실시예에 따른 데이터 증강부에 의해 생성된 모조 학습 데이터 세트를 이용한 SOH 예측 결과를 비교하여 나타낸 그래프이다.
도 6a 및 6b는 일 실시예에 따른 학습 장치에 의해 학습된 인공 신경망 모델의 교차 검증 결과를 나타낸 그래프이다.
도 7은 일 실시예에 따른 배터리 수명 예측을 위한 인공 신경망 모델 관리 방법을 나타낸 순서도이다.
도 8은 또 다른 실시예에 따른 배터리 수명 예측을 위한 인공 신경망 모델 관리 방법을 나타낸 순서도이다.
도 9는 일 실시예에 따른 인공 신경망 모델 기반 배터리 수명 예측 장치의 구성을 나타낸 블록도이다.
도 10은 일 실시예에 따른 인공 신경망 모델 기반 배터리 수명 예측 방법을 실행하는 컴퓨팅 시스템을 보여준다.
이하, 본 문서에 개시된 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 문서에서 사용되는 용어는 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 관례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 명세서의 설명 부분에서 그 의미를 기재할 것이다. 따라서 본 문서에서 사용되는 용어는, 단순한 용어의 명칭이 아닌 그 용어가 가지는 실질적인 의미와 본 문서의 전반에 걸친 내용을 토대로 해석되어야 함을 밝혀두고자 한다. 또한, 본 문서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
이하에서는 도면을 참조하여 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치 및 이의 동작 방법의 바람직한 실시예들을 설명한다.
블록도에 도시된 구성요소들은 각각의 기능과 역할에 따라 구분된 것으로서, 각 블록이 반드시 독립된 하드웨어 또는 소프트웨어로 구현되어야 하는 것은 아니다. 예컨대, 구분된 구성요소들이 실제로는 하나의 장치 또는 프로그램으로 구현될 수 있으며, 또는 하나의 구성요소가 여러 장치 및 프로그램이 결합된 것으로 구현될 수도 있다. 또한, 본 문서에서 "제1의", "제2의"와 같은 표현은 구성요소를 서로 구분하기 위해 사용한 것으로서 구성요소 간의 순위나 서열을 의미하는 것은 아니다.
도 1은 일 실시예에 따른 인공 신경망 모델 관리 장치의 구성을 나타낸 블록도이다.
도 1을 참조하면, 인공 신경망 모델 학습 장치(10)는, 데이터 입력부(110), 모델 관리부(120) 및 데이터 증강부(130)를 포함할 수 있다.
데이터 입력부(110)는 배터리에 인가된 교류 전류에 대한 주파수 대역 별 임피던스 응답을 포함하는 제1 학습 데이터 세트 및 상기 배터리의 등가회로 모델을 구성하는 파라미터 값들을 포함하는 제2 학습 데이터 세트를 입력 받는다.
제1 학습 데이터 세트는 예컨대 EIS(Electrochemical Impedance Spectroscopy) 측정기에 의해 측정된 임의의 배터리들의 교류 임피던스 응답을 나타내는 EIS 측정 데이터 집합이다. EIS 측정 데이터는 나이퀴스트 플롯(Nyquist plot)이라 불리는 임피던스 복소 평면으로 표시될 수 있으며, 상기 플롯을 통해 배터리 등가 회로 모델의 파라미터 값을 추정하거나, 내부 임피던스에 기초하여 배터리의 잔존 수명(SOH)을 예측할 수 있기에 상기 데이터를 학습 데이터로 이용하여 수명 예측 모델을 학습시킬 수 있다.
제2 학습 데이터 세트는 임의의 배터리들의 등가회로 모델을 구성하는 파라미터 값들로서, 상기 제1 학습 데이터 세트의 EIS 측정 데이터에 기초하여 생성될 수도 있으나, 제1 학습 데이터 세트와 무관한 임의의 배터리들에 대한 데이터를 포함할 수도 있다. 배터리의 등가 회로 모델의 파라미터 값은 배터리의 잔존 수명(SOH)과 관련성이 높기 때문에 상기 데이터를 학습 데이터로 이용하여 수명 예측 모델을 학습시킬 수 있다.
모델 관리부(120)는 상기 데이터 입력부(110)에 입력된 제1 학습 데이터 세트 및 상기 제2 학습 데이터 세트에 기초하여 배터리의 수명 예측 결과(예컨대, SOH 예측값)를 출력하도록 인공 신경망 모델을 학습시킨다. 상기 인공 신경망 모델은, 심층 신경망(Deep Neural Network; DNN) 모델과 같이 복수의 심층 레이어로 구성될 수 있으며, 서로 다른 유형의 데이터 세트를 입력 받아 처리할 수 있는 멀티-모달(multi-modal) 기반의 모델로 구성될 수 있다.
일 실시예에 따르면, 인공 신경망 모델은 시계열 유형의 데이터를 포함하는 제1 학습 데이터 세트(예컨대, 배터리의 EIS 측정 결과와 SOH 값을 테이블로 정리한 시계열 데이터)와 벡터 유형의 데이터를 포함하는 제2 학습 데이터 세트(예컨대, 배터리 등가회로 모델의 파라미터 값을 벡터로 나타낸 데이터)에 기초하여 배터리의 SOH(State of Health) 값을 출력할 수 있다.
도 2는 일 실시예에 따른 인공 신경망 모델의 입력 및 출력 구조를 나타낸 블록도이다.
도 2를 참조하면, 인공 신경망 모델은 시계열 유형의 데이터를 포함하는 제1 학습 데이터 세트로부터 특징을 추출하기 위한 제1 예측 모듈 및 벡터 유형의 데이터를 포함하는 제2 학습 데이터 세트로부터 특징을 추출하기 위한 제2 예측 모듈을 포함한다.
일 실시예에 따르면, 제1 예측 모듈은 합성곱 연산 기반 예측 모듈(예컨대, 컨볼루션 1D 모듈) 또는 트랜스포머 기반 예측 모듈(예컨대, Vision Transformer)을 포함할 수 있다.
도 3a는 일 실시예에 따른 합성곱 연산 기반 예측 모듈(컨볼루션 1D 모듈)의 계층 구조를 나타낸다.
도 3a를 참조하면, 각 레이어에서 입력 데이터의 특징 맵(feature map)을 추출하고, 가중치에 따라 합성곱 연산을 수행하여 입력 데이터의 특징 값을 출력한다. 일 실시예에 따르면, 하위 층에서 학습된 정보가 데이터 처리 과정에서 손실되는 것을 방지하고 모듈의 성능 향상을 위해 잔차 연결(residual connection) 기법이 적용될 수 있다. 도시된 구조는 일반적인 합성곱 신경망 모델의 계층 구조와 동일하므로 각 레이어에 대한 상세한 설명은 생략하기로 한다.
도 3b는 일 실시예에 따른 트랜스포머 기반 예측 모듈의 계층 구조를 나타낸다. 트랜스포머 모델은 기존의 RNN 모델에서 입력되는 시계열 데이터가 길어질수록 멀리 떨어진 데이터에 대한 정보가 줄어들면서 예측 정확도가 떨어지는 문제를 해결하기 위해 고안된 것으로서, 도시된 바와 같이 멀티-헤드 어텐션(multi-head attention) 레이어를 이용해 시계열 형태의 입력 데이터에 대한 예측 정확도를 향상시킬 수 있다. 도시된 구조는 일반적인 트랜스포머 모델의 계층 구조와 동일하므로 각 레이어에 대한 상세한 설명은 생략하기로 한다.
추가적인 실시예에 따르면, 제1 예측 모듈이 여러 종류의 예측 모듈들(예컨대, 도 3a의 합성곱 연산 기반 모듈, 도 3b의 트랜스포머 기반 모듈 등)을 포함할 경우 각각의 모듈에 의한 SOH 예측 결과를 비교하여 오차가 가장 작은 예측 모듈을 학습에 사용하기로 결정할 수 있다.
일 실시예에 따르면, 제2 예측 모듈은 벡터 유형의 등가회로 모델(Equivalent Circuit Model; ECM) 데이터를 처리하기 위하여 다층 퍼셉트론(Multi-Layer Perceptron) 기반의 예측 모듈을 포함할 수 있다. 추가적인 실시예에서, 제2 예측 모듈이 여러 종류의 예측 모듈들을 포함할 경우 각각의 모듈에 의한 SOH 예측 결과를 비교하여 오차가 가장 작은 예측 모듈을 학습에 사용하기로 결정할 수 있다.
다시 도 1을 참조하면, 데이터 증강부(130)는 학습 데이터와 유사한 모조 학습 데이터를 생성하도록 구성되며, 인공 신경망 모델의 학습량을 증대시킴으로써 모델의 성능 향상에 기여할 수 있다.
일 실시예에 따르면, 데이터 증강부(130)는 학습 데이터 세트에 기초하여 모조 학습 데이터 세트를 생성하는 생성자 및 학습 데이터 세트와 모조 학습 데이터 세트를 판별하는 판별자를 포함하며, 상기 생성자와 판별자가 경쟁적으로 데이터의 생성과 판별을 반복하는 적대적 생성 신경망(Generative Adversarial Networks; GAN) 모델로 구성될 수 있다.
도 4는 일 실시예에 따른 인공 신경망 모델 관리 장치의 데이터 증강부(130)의 구성을 나타낸 블록도이다.
도 4를 참조하면, 생성자(131)가 제1 학습 데이터 세트에 기초하여 모조 학습 데이터 세트를 생성하면, 판별자(132)는 제1 학습 데이터 세트와 모조 학습 데이터 세트 중 어느 것이 원본 데이터이고 모조 데이터인지 판별한다. 생성자(131)는 판별자(132)의 판별 결과에 기초하여 원본 데이터와 더욱 유사한 모조 데이터를 생성하고, 판별자(132)는 이를 판별하는 과정을 반복한다. 이처럼 생성자와 판별자가 경쟁적으로 데이터의 생성과 판별을 반복함으로써 원본 학습 데이터와 유사한 특징을 갖는 모조 학습 데이터를 생성할 수 있다.
상기 프로세스를 통해 생성된 모조 학습 데이터 세트는 원본 학습 데이터 세트(제1 학습 데이터세트)와 함께 데이터 입력부(110)에 입력되며, 모델 관리부(120)는 상기 모조 학습 데이터 세트를 이용하여 배터리의 예측 SOH 값을 출력하도록 인공 신경망 모델을 학습시킬 수 있다.
도 5는 입력된 학습 데이터 세트와 일 실시예에 따른 데이터 증강부에 의해 생성된 모조 학습 데이터 세트를 이용한 SOH 예측 결과를 비교하여 나타낸 그래프이다.
도 5를 참조하면, 5번의 테스트(test0 ~ test4) 결과 각 그래프의 곡선 형태(구체적으로, Z_im 값이 0인 부근에서의 곡률)가 유사하게 나타남을 알 수 있고, 이는 원본 학습 데이터 세트로 학습된 모델의 SOH 예측 결과(실선으로 표시됨)와 모조 학습 데이터 세트로 학습된 모델의 SOH 예측 결과(점선으로 표시됨)가 거의 일치함을 의미한다. 결과적으로, 데이터 증강부(130)에서 생성된 모조 학습 데이터 세트를 이용하여 인공 신경망 모델의 학습량을 증대시킴으로써 모델의 전반적인 성능을 향상시킬 수 있다.
도 6a 및 6b는 일 실시예에 따른 학습 장치에 의해 학습된 인공 신경망 모델의 교차 검증 결과를 나타낸 그래프이다.
도 6a의 각 그래프는 학습 데이터 세트를 5개의 부분 집합으로 나누고 하나씩 배제하면서 모델을 학습시킨 후 SOH 값을 예측한 결과를 나타낸다. 도시된 것처럼, 예측 SOH 값과 실제 SOH 값 사이의 상관계수가 약 0.97로 강한 선형성을 확인할 수 있다. 도 6b의 각 그래프는 학습 데이터 세트의 5개의 부분 집합 각각에 대한 학습 후 예측 SOH 값과 실제 SOH 값의 오차를 나타낸다. 5개의 그래프에서 대부분의 오차값이 -1.0 내지 +1.0 범위에 존재함을 확인할 수 있고, 그래프의 패턴이 유사하게 나타남에 따라 데이터에 의한 학습이 잘 이루어졌음을 알 수 있다.
다시 도 1을 참조하면, 모델 압축부(121)는 학습이 완료된 인공 신경망 모델의 용량을 줄이거나 연산 속도를 향상시키기 위해 인공 신경망 모델을 경량화한다. 일 실시예에 따르면, 모델 압축부(121)는 인공 신경망 모델을 구성하는 뉴런들을 소정의 기준에 따라 정렬하고, 정렬된 상기 뉴런들 중 중요도가 낮은 일부 뉴런들을 제거할 수 있다. 압축된 인공 신경망 모델은 재학습 과정을 거칠 수 있다. 여기에서 소개한 압축 방법 이외에도 신경망 모델의 특징을 바꾸지 않으면서 모델을 경량화하는 다양한 방법들이 활용될 수 있다.
모델 최적화부(122)는 기 인공 신경망 모델을 구성하는 레이어의 수와, 상기 레이어 각각을 구성하는 노드의 수에 따른 배터리의 수명 예측 결과를 비교하고, 상기 배터리의 수명 예측 결과의 오차를 최소화하는 레이어의 수 및 노드의 수를 갖는 인공 신경망 모델을 최적의 모델로 결정할 수 있다.
일반적으로, 인공 신경망 모델을 구성하는 레이어와 노드의 수가 많아지면 예측 성능이 향상될 수 있으나, 적절한 수를 넘어서는 레이어와 노드는 오히려 과적합(overfitting) 등의 문제로 예측 성능을 떨어뜨리는 원인이 될 수 있다. 아래의 표 1은 일 실시예에 따른 신경망 모델의 깊이(모델을 구성하는 레이어의 수)와 너비(각 레이어를 구성하는 노드의 수)에 따른 예측 오차를 나타낸다.
깊이: 1 깊이: 2 깊이: 3
너비: 16 0.660 0.637 0.642
너비: 32 0.657 0.613 0.644
너비: 64 0.636 0.651 0.628
너비: 128 0.639 0.651 0.628
너비: 256 0.648 0.662 0.667
상기 표에서 깊이가 2, 너비가 32로 설정될 경우 예측 오차가 0.613으로 가장 낮다(즉, SOH 예측 성능이 가장 높다). 이처럼, 모델 최적화부(122)는 기 설정된 기준에 따라 모델을 구성하는 레이어와 노드의 수를 설정하고, 각 설정값에 따른 결과를 비교하여 최적의 모델을 결정할 수 있다.다만, 모델 압축부(121) 및 모델 최적화부(122)는 선택적인 구성요소로서, 모델 관리부(120) 및 인공 신경망 모델 학습 장치(10)의 동작에 필수적인 것은 아니다. 따라서, 인공 신경망 모델은 압축 또는 최적화를 거치지 않은 상태로 배터리 수명 예측 장치(도 9의 20)에 탑재될 수 있다.
도 7은 일 실시예에 따른 배터리 수명 예측을 위한 인공 신경망 모델 관리 방법을 나타낸 순서도이다. 실시예의 학습 방법은 도 1을 참조하여 설명한 인공 신경망 모델 관리 장치(10)에 의해 실행될 수 있으나 반드시 상기한 구성요소들을 필요로 하는 것은 아니다.
도 7을 참조하면, 먼저 배터리에 인가된 교류 전류에 대한 주파수 대역 별 임피던스 응답을 포함하는 제1 학습 데이터 세트 및 상기 배터리의 등가회로 모델을 구성하는 파라미터 값들을 포함하는 제2 학습 데이터 세트를 입력하는 단계(S710)를 수행한다.
제1 학습 데이터 세트는 예컨대 EIS(Electrochemical Impedance Spectroscopy) 측정기에 의해 측정된 임의의 배터리들의 교류 임피던스 응답을 나타내는 EIS 측정 데이터 집합이며, 제2 학습 데이터 세트는 임의의 배터리들의 등가회로 모델을 구성하는 파라미터 값들로서, 상기 제1 학습 데이터 세트의 EIS 측정 데이터에 기초하여 생성될 수도 있으나 반드시 그러한 것은 아니다.
이어서, 제1 학습 데이터 세트 및 제2 학습 데이터 세트에 기초하여 상기 배터리의 수명 예측 결과를 출력하도록 인공 신경망 모델을 학습시키는 단계(S720)를 수행한다. 전술하였듯이, 인공 신경망 모델은 복수의 심층 레이어로 구성될 수 있으며, 서로 다른 유형의 데이터 세트를 입력 받아 처리할 수 있는 멀티-모달(multi-modal) 기반의 모델로 구성될 수 있다.
일 실시예에 따르면, 인공 신경망 모델을 학습시키는 단계(S720)는, 제1 예측 모듈을 이용하여 시계열 유형의 데이터(예컨대, 배터리의 EIS 측정 결과와 SOH 값을 테이블로 정리한 시계열 데이터)를 포함하는 상기 제1 학습 데이터 세트로부터 특징을 추출하는 단계를 포함할 수 있다. 제1 예측 모듈은 시계열 유형의 데이터로부터 특징을 추출하기 위한 모듈로서, 합성곱 연산 기반 예측 모듈(예컨대, 컨볼루션 1D 모듈) 또는 트랜스포머 기반 예측 모듈(예컨대, Vision Transformer)을 포함할 수 있다.
또한, 인공 신경망 모델을 학습시키는 단계(S720)는, 제2 예측 모듈을 이용하여 벡터 유형의 데이터(예컨대, 배터리 등가회로 모델의 파라미터 값을 벡터로 나타낸 데이터)를 포함하는 상기 제2 학습 데이터 세트로부터 특징을 추출하는 단계를 더 포함할 수 있다. 제2 예측 모듈은 다층 퍼셉트론(Multi-Layer Perceptron) 기반의 예측 모듈을 포함할 수 있으나 이에 한정되지 않는다.
도 8은 또 다른 실시예에 따른 배터리 수명 예측을 위한 인공 신경망 모델 관리 방법을 나타낸 순서도이다.
도 8을 참조하면, 학습 데이터 세트를 입력하는 단계(S820) 이전에, 데이터 증강 단계(S810)가 수행될 수 있다. 일 실시예에 따르면, 데이터 증강 단계(S810)는 제1 학습 데이터 세트에 기초하여 모조 학습 데이터 세트를 생성하는 단계(S811), 상기 제1 학습 데이터 세트와 상기 모조 학습 데이터 세트를 판별하는 단계(S812), 및 상기 판별 결과를 이용하여 상기 모조 학습 데이터 세트를 반복 생성하는 단계(S813)를 포함할 수 있다.
상기 단계(S810)는 도 4 및 도 5를 참조하여 설명한 적대적 생성 신경망(Generative Adversarial Networks; GAN) 모델의 동작 프로세스를 나타낸다. 생성자와 판별자가 경쟁적으로 데이터의 생성과 판별을 반복함으로써 원본 학습 데이터와 유사한 특징을 갖는 모조 학습 데이터를 생성할 수 있고, 모조 학습 데이터 세트를 이용하여 인공 신경망 모델의 학습량을 증대시킴으로써 모델의 전체적인 성능을 향상시킬 수 있다.
이어서, 배터리에 인가된 교류 전류에 대한 주파수 대역 별 임피던스 응답을 포함하는 제1 학습 데이터 세트, 상기 단계(S811)에서 생성된 모조 학습 데이터 세트 및 배터리의 등가회로 모델을 구성하는 파라미터 값들을 포함하는 제2 학습 데이터 세트를 입력하는 단계(S820)를 수행한다.
다음으로, 제1 학습 데이터 세트, 모조 학습 데이터 세트 및 제2 학습 데이터 세트에 기초하여 배터리의 수명 예측 결과를 출력하도록 인공 신경망 모델을 학습시키는 단계(S830)를 수행한다. 단계(S820) 및 단계(S830)는 모조 학습 데이터 세트를 입력 받아 학습에 활용하는 점 외에는 도 7의 단계(S710) 및 단계(S720)와 유사하므로 중복되는 설명은 생략한다.
일 실시예에 따르면, 학습된 인공 신경망 모델을 구성하는 뉴런들을 소정의 기준에 따라 정렬하는 단계, 정렬된 상기 뉴런들 중 일부를 제거하는 단계, 및 상기 인공 신경망 모델을 재학습시키는 단계를 포함하는 모델 압축 단계를 더 수행할 수 있다. 이에 따라, 학습이 완료된 인공 신경망 모델의 용량을 줄이거나 연산 속도를 향상시킬 수 있다.
일 실시예에 따르면, 상기 인공 신경망 모델을 구성하는 레이어의 수 및 상기 레이어 각각을 구성하는 노드의 수에 따른 배터리의 수명 예측 결과를 비교하는 단계, 및 상기 배터리의 수명 예측 결과의 오차를 최소화하는 레이어의 수 및 노드의 수를 갖는 인공 신경망 모델을 최적의 모델로 결정하는 단계를 포함하는 모델 최적화 단계를 더 수행할 수 있다. 표 1을 참조하여 전술하였듯이, 적절한 수를 넘어서는 레이어와 노드는 과적합(overfitting) 등의 문제로 예측 성능을 떨어뜨리는 원인이 될 수 있기 때문에, 기 설정된 기준에 따라 모델을 구성하는 레이어와 노드의 수를 설정하고, 각 설정값에 따른 결과를 비교하여 최적의 모델을 결정할 수 있다.
도 9는 일 실시예에 따른 인공 신경망 모델 기반 배터리 수명 예측 장치의 구성을 나타낸 블록도이다.
도 9를 참조하면, 배터리 수명 예측 장치(20)는 데이터 획득부(21) 및 컨트롤러(220)를 포함할 수 있다.
데이터 획득부(21)는, 목표 배터리(30)에 인가된 교류 전류에 대한 주파수 대역 별 임피던스 응답을 포함하는 제1 데이터 및 상기 목표 배터리의 등가회로 모델을 구성하는 파라미터 값들을 포함하는 제2 데이터를 획득하도록 구성된다.
컨트롤러(22)는, 상기한 실시예의 인공 신경망 모델 관리 장치(10)에 의하여 학습된 인공 신경망 모델을 이용하여, 목표 배터리(30)의 수명을 실시간으로 예측할 수 있다. 인공 신경망 모델은 데이터 획득부(21)에 의해 획득한 제1 데이터(예컨대, EIS 측정 데이터) 및 제2 데이터(예컨대, 등가회로 모델 데이터)에 기초하여 배터리의 예측 SOH 값을 출력할 수 있다.
추가적인 실시예에 따르면, 컨트롤러(22)는 배터리 수명 예측 장치(20)에 탑재된 통신부(미도시)를 이용하여 상기 SOH 값을 외부 디바이스(사용자 단말기, 차량 디스플레이 등)로 전송할 수 있으며, SOH 값에 기초하여 배터리의 예상 교체 시기를 알릴 수 있다.
도 10은 일 실시예에 따른 배터리 수명 예측 장치의 동작을 실행하는 컴퓨팅 시스템을 보여준다.
도 10을 참조하면, 본 문서에 개시된 일 실시예에 따른 컴퓨팅 장치(200)는 MCU(210), 메모리(220), 입출력 I/F(230) 및 통신 I/F(240)를 포함할 수 있다.
MCU(210)는 메모리(220)에 저장되어 있는 각종 프로그램을 실행시키고, 이러한 프로그램들을 통해 배터리의 잔존 수명을 예측하기 위한 프로세서일 수 있다.
메모리(220)는 배터리의 수명 예측과 관련된 각종 프로그램(예를 들면, 인공 신경망 모델 학습 프로그램, 배터리 수명 예측 프로그램 등)을 저장할 수 있다. 또한, 메모리(220)는 데이터 획득부(110)에 의해 획득한 배터리와 관련된 각종 데이터를 저장할 수 있다.
이러한 메모리(220)는 필요에 따라서 복수 개 마련될 수도 있을 것이다. 메모리(220)는 휘발성 메모리일 수도 있으며 비휘발성 메모리일 수 있다. 휘발성 메모리로서의 메모리(220)는 RAM, DRAM, SRAM 등이 사용될 수 있다. 비휘발성 메모리로서의 메모리(220)는 ROM, PROM, EAROM, EPROM, EEPROM, 플래시 메모리 등이 사용될 수 있다. 상기 열거한 메모리(220)들의 예를 단지 예시일 뿐이며 이들 예로 한정되는 것은 아니다.
입출력 I/F(230)는, 키보드, 마우스, 터치 패널 등의 입력 장치(미도시)와 디스플레이(미도시) 등의 출력 장치와 MCU(210) 사이를 연결하여 데이터를 송수신할 수 있도록 하는 인터페이스를 제공할 수 있다.
통신 I/F(230)는 서버와 각종 데이터를 송수신할 수 있는 구성으로서, 유선 또는 무선 통신을 지원할 수 있는 각종 장치일 수 있다. 예를 들면, 통신 I/F(230)를 통해 별도로 마련된 외부 서버로부터 배터리의 잔존 수명 예측이나 인공 신경망 학습을 위한 프로그램 또는 각종 데이터 등을 송수신할 수 있다.
이와 같이, 본 문서에 개시된 일 실시예에 따른 배터리 수명 예측 장치의 동작 방법은 메모리(220)에 기록되고, MCU(210)에 의해 실행될 수 있다.
이상에서, 실시예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 설명되었으나, 반드시 이러한 실시예에 한정되는 것은 아니며, 목적 범위 안에서라면 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 이상에서 기재된 "포함하다", "구성하다", 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재할 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다.
이상의 설명은 본 문서에 개시된 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 문서에 개시된 실시예들의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 문서에 개시된 실시예들은 본 문서에 개시된 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 문서에 개시된 기술 사상의 범위가 한정되는 것은 아니다. 본 문서에 개시된 기술 사상의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 문서의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (15)

  1. 배터리에 인가된 교류 전류에 대한 주파수 대역 별 임피던스 응답을 포함하는 제1 학습 데이터 세트 및 상기 배터리의 등가회로 모델을 구성하는 파라미터 값들을 포함하는 제2 학습 데이터 세트를 입력 받는 데이터 입력부; 및
    상기 제1 학습 데이터 세트 및 상기 제2 학습 데이터 세트에 기초하여 상기 배터리의 수명 예측 결과를 출력하도록 인공 신경망 모델을 학습시키는 모델 관리부를 포함하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치.
  2. 청구항 1에 있어서,
    상기 제1 학습 데이터 세트에 기초하여 모조 학습 데이터 세트를 생성하는 생성자, 및 상기 제1 학습 데이터 세트와 상기 모조 학습 데이터 세트를 판별하는 판별자를 포함하는 데이터 증강부를 더 포함하고,
    상기 생성자는 상기 판별자의 판별 결과를 이용하여 상기 모조 학습 데이터 세트를 반복 생성하고,
    상기 모조 학습 데이터 세트는 상기 제1 학습 데이터 세트와 함께 상기 데이터 입력부에 입력되는 것을 특징으로 하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치.
  3. 청구항 1에 있어서,
    상기 인공 신경망 모델은, 시계열 유형의 데이터를 포함하는 상기 제1 학습 데이터 세트로부터 특징을 추출하기 위한 제1 예측 모듈을 포함하는 것을 특징으로 하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치.
  4. 청구항 3에 있어서,
    상기 제1 예측 모듈은, 시계열 유형의 데이터로부터 특징을 추출하기 위한 합성곱 연산 기반 예측 모듈 또는 트랜스포머 기반 예측 모듈을 포함하는 것을 특징으로 하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치.
  5. 청구항 3에 있어서,
    상기 인공 신경망 모델은, 벡터 유형의 데이터를 포함하는 상기 제2 학습 데이터 세트로부터 특징을 추출하기 위한 제2 예측 모듈을 포함하는 것을 특징으로 하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치.
  6. 청구항 1에 있어서,
    상기 모델 관리부는, 상기 인공 신경망 모델을 구성하는 뉴런들을 소정의 기준에 따라 정렬하고, 정렬된 상기 뉴런들 중 일부를 제거하고, 상기 인공 신경망 모델을 재학습시키는 모델 압축부를 포함하는 것을 특징으로 하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치.
  7. 청구항 1에 있어서,
    상기 모델 관리부는, 상기 인공 신경망 모델을 구성하는 레이어의 수 및 상기 레이어 각각을 구성하는 노드의 수에 따른 배터리의 수명 예측 결과를 비교하고, 상기 배터리의 수명 예측 결과의 오차를 최소화하는 레이어의 수 및 노드의 수를 갖는 인공 신경망 모델을 최적의 모델로 결정하는 모델 최적화부를 포함하는 것을 특징으로 하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치.
  8. 목표 배터리에 인가된 교류 전류에 대한 주파수 대역 별 임피던스 응답을 포함하는 제1 데이터 및 상기 목표 배터리의 등가회로 모델을 구성하는 파라미터 값들을 포함하는 제2 데이터를 획득하는 데이터 획득부; 및
    임의의 배터리에 인가된 교류 전류에 대한 주파수 대역 별 임피던스 응답을 포함하는 제1 학습 데이터 세트 및 임의의 배터리의 등가회로 모델을 구성하는 파라미터 값들을 포함하는 제2 학습 데이터 세트를 이용하여 학습된 인공 신경망 모델을 이용하여, 상기 제1 데이터 및 상기 제2 데이터에 기초하여 상기 목표 배터리의 수명을 예측하는 컨트롤러를 포함하는, 배터리 수명 예측 장치.
  9. 배터리에 인가된 교류 전류에 대한 주파수 대역 별 임피던스 응답을 포함하는 제1 학습 데이터 세트 및 상기 배터리의 등가회로 모델을 구성하는 파라미터 값들을 포함하는 제2 학습 데이터 세트를 입력하는 단계; 및
    상기 제1 학습 데이터 세트 및 상기 제2 학습 데이터 세트에 기초하여 상기 배터리의 수명 예측 결과를 출력하도록 인공 신경망 모델을 학습시키는 단계를 포함하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 방법.
  10. 청구항 9에 있어서,
    상기 제1 학습 데이터 세트에 기초하여 모조 학습 데이터 세트를 생성하는 단계;
    상기 제1 학습 데이터 세트와 상기 모조 학습 데이터 세트를 판별하는 단계; 및
    상기 판별 결과를 이용하여 상기 모조 학습 데이터 세트를 반복 생성하는 단계를 포함하는 데이터 증강 단계를 더 포함하는 것을 특징으로 하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 방법.
  11. 청구항 9에 있어서,
    상기 인공 신경망 모델을 학습시키는 단계는, 제1 예측 모듈을 이용하여 시계열 유형의 데이터를 포함하는 상기 제1 학습 데이터 세트로부터 특징을 추출하는 단계를 포함하는 것을 특징으로 하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 방법.
  12. 청구항 11에 있어서,
    상기 제1 예측 모듈은, 시계열 유형의 데이터로부터 특징을 추출하기 위한 합성곱 연산 기반 모듈 또는 트랜스포머 기반 모듈을 포함하는 것을 특징으로 하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 방법.
  13. 청구항 11에 있어서,
    상기 인공 신경망 모델을 학습시키는 단계는, 제2 예측 모듈을 이용하여 벡터 유형의 데이터를 포함하는 상기 제2 학습 데이터 세트로부터 특징을 추출하는 단계를 더 포함하는 것을 특징으로 하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 방법.
  14. 청구항 9에 있어서,
    상기 인공 신경망 모델을 구성하는 뉴런들을 소정의 기준에 따라 정렬하는 단계;
    정렬된 상기 뉴런들 중 일부를 제거하는 단계; 및
    상기 인공 신경망 모델을 재학습시키는 단계를 포함하는 모델 압축 단계를 더 포함하는 것을 특징으로 하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 방법.
  15. 청구항 9에 있어서,
    상기 인공 신경망 모델을 구성하는 레이어의 수 및 상기 레이어 각각을 구성하는 노드의 수에 따른 배터리의 수명 예측 결과를 비교하는 단계; 및
    상기 배터리의 수명 예측 결과의 오차를 최소화하는 레이어의 수 및 노드의 수를 갖는 인공 신경망 모델을 최적의 모델로 결정하는 단계를 포함하는 모델 최적화 단계를 더 포함하는 것을 특징으로 하는, 배터리 수명 예측을 위한 인공 신경망 모델 관리 방법.
KR1020220040650A 2022-03-31 2022-03-31 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치 및 그것의 동작 방법 KR20230141281A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220040650A KR20230141281A (ko) 2022-03-31 2022-03-31 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치 및 그것의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220040650A KR20230141281A (ko) 2022-03-31 2022-03-31 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치 및 그것의 동작 방법

Publications (1)

Publication Number Publication Date
KR20230141281A true KR20230141281A (ko) 2023-10-10

Family

ID=88292594

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220040650A KR20230141281A (ko) 2022-03-31 2022-03-31 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치 및 그것의 동작 방법

Country Status (1)

Country Link
KR (1) KR20230141281A (ko)

Similar Documents

Publication Publication Date Title
Ren et al. A data-driven auto-CNN-LSTM prediction model for lithium-ion battery remaining useful life
US11293987B2 (en) Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
Zhao et al. A compact methodology via a recurrent neural network for accurate equivalent circuit type modeling of lithium-ion batteries
US20220373601A1 (en) Battery Performance Prediction
Wang et al. A data-driven method with mode decomposition mechanism for remaining useful life prediction of lithium-ion batteries
US20230118702A1 (en) Method, device and computer readable storage medium for estimating SOC of lithium battery
CN112684346A (zh) 基于遗传卷积神经网络的锂电池健康状态估计方法
Fei et al. A deep attention-assisted and memory-augmented temporal convolutional network based model for rapid lithium-ion battery remaining useful life predictions with limited data
WO2022144542A1 (en) Method for predicting condition parameter degradation of a cell
CN115204038A (zh) 一种基于数据分解和集成模型的储能锂电池寿命预测方法
CN116757062A (zh) 电力负荷频率特性分析方法、装置、设备和存储介质
Herle et al. Overcoming limited battery data challenges: A coupled neural network approach
CN113466710B (zh) 含新能源受端电网中储能电池的soc与soh协同估算方法
CN117175664B (zh) 基于使用场景的储能充电设备输出功率自适应调节系统
Savargaonkar et al. A novel neural network with gaussian process feedback for modeling the state-of-charge of battery cells
Nair et al. AI‐Driven Digital Twin Model for Reliable Lithium‐Ion Battery Discharge Capacity Predictions
CN117407665A (zh) 一种基于生成对抗网络的退役电池时序数据缺失值填充方法
KR20230141281A (ko) 배터리 수명 예측을 위한 인공 신경망 모델 관리 장치 및 그것의 동작 방법
CN115358484A (zh) 电池组容量预测方法及相关设备
Udeogu et al. Remaining useful life prediction for supercapacitors using an optimized end-to-end deep learning approach
Channegowda et al. An attention‐based synthetic battery data augmentation technique to overcome limited dataset challenges
CN114578249A (zh) 一种基于稳定特征和as-tcn模型的锂电池健康状态估计方法
CN113708434A (zh) 锂电池充放电智能电源管理系统及其运行方法
Lee et al. Neural architecture search for computation offloading of dnns from mobile devices to the edge server
CN117277422B (zh) 一种直驱风电场稳定评估方法、系统、终端及介质